Stiamo per lanciare il testnet DKG v9 di @origin_trail Ecco perché il tempismo è importante ━━━ Il Loop di Karpathy + il Layer di Fiducia di DKG ━━━ @karpathy ha appena rilasciato autoresearch - agenti autonomi che eseguono ~100 esperimenti di ML durante la notte su una singola GPU. Scrivi program.md. Gli agenti iterano indefinitamente. Questo è il miglior esempio del ciclo dell'agente che sta per dominare tutto. E si mappa direttamente sui grafi di contesto verificabili di OriginTrail: 1. Interroga la rete di agenti (DKG) per ciò che è stato provato e ciò che ha funzionato 2. Scegli un esperimento basato sui risultati collettivi 3. Allena per 5 minuti, valuta 4. Pubblica il risultato - metriche, differenze di codice, piattaforma - nel grafo condiviso 5. Ripeti Karpathy ha dimostrato questo per la ricerca di ML. La chiave è applicarlo ovunque, dalla robotica, alla produzione, alla ricerca scientifica, alle catene di approvvigionamento autonome... Il codice è quasi irrilevante. L'architettura + la mentalità + il layer di fiducia immutabile di OriginTrail è tutto. Il modello di dati di Git è sbagliato per questo. I rami assumono un merge-back. Ma la ricerca degli agenti produce migliaia di risultati permanenti e paralleli che non dovrebbero mai fondersi. Dovrebbero accumularsi come conoscenza interrogabile, non come differenze di codice. Un risultato di esperimento non è un commit git. È dati strutturati: val_bpb, cosa è cambiato, la differenza effettiva, quale GPU, quale agente, su cosa è stato costruito. Conserva tutto questo in un grafo della conoscenza invece di un log git, e all'improvviso gli agenti possono interrogare intelligentemente la comunità di ricerca invece di analizzare le PR. ━━━━━━━━━━...