Nous sommes sur le point de lancer le testnet DKG v9 de @origin_trail Voici pourquoi le timing est important ━━━ La boucle de Karpathy + la couche de confiance de DKG ━━━ @karpathy vient de publier autoresearch - des agents autonomes exécutant ~100 expériences ML pendant la nuit sur un seul GPU. Vous écrivez program.md. Les agents itèrent indéfiniment. C'est le meilleur exemple de la boucle d'agent qui est sur le point de tout dévorer. Et cela se mappe directement sur les graphes de contexte vérifiables d'OriginTrail : 1. Interroger le réseau d'agents (DKG) sur ce qui a été essayé et ce qui a fonctionné 2. Choisir une expérience basée sur les résultats collectifs 3. Entraîner 5 min, évaluer 4. Publier le résultat - métriques, différence de code, plateforme - sur le graphe partagé 5. Répéter Karpathy a prouvé cela pour la recherche ML. Le déblocage consiste à l'appliquer partout ailleurs, de la robotique, la fabrication, la recherche scientifique, aux chaînes d'approvisionnement autonomes... Le code est presque sans importance. L'architecture + l'état d'esprit + la couche de confiance immuable d'OriginTrail est tout. Le modèle de données de Git est erroné pour cela. Les branches supposent un retour de fusion. Mais la recherche d'agents produit des milliers de résultats permanents et parallèles qui ne devraient jamais fusionner. Ils devraient s'accumuler en tant que connaissance interrogeable, pas en tant que différences de code. Un résultat d'expérience n'est pas un commit git. C'est des données structurées : val_bpb, ce qui a changé, la différence réelle, quel GPU, quel agent, sur quoi il a construit. Stockez cela dans un graphe de connaissances au lieu d'un journal git, et soudain les agents peuvent interroger intelligemment la communauté de recherche au lieu de parser les PR. ━━━━━━━━━━...