まもなく@origin_trail DKG v9テストネットを出荷します タイミングが重要な理由は以下の通りです ━━━ カーパシーのループ+DKGの信頼層 ━━━ @karpathy最近Autoresearchをリリースしました。これは、1つのGPUで一晩で~100MLの実験を実行できる自律エージェントです。書く program.md。エージェントは無限に反復します。 これは、すべてを飲み込もうとしているエージェントループの最もクリーンな例です。 そして、それはOriginTrailの検証可能なコンテキストグラフに直接マッピングされます。 1. エージェントネットワーク(DKG)に試されたものとうまくいったものを問い合わせる 2. 集合的な発見に基づいて実験を選ぶ 3. トレーニング5分、評価 4. 結果(メトリクス、コード差、プラットフォーム)を共有グラフに公開します 5. 繰り返し カルパティは機械学習研究のためにこれを証明しました。解放されたのは、ロボティクス、製造、科学研究、自律型サプライチェーンなど、あらゆる分野に応用することです。 コードはほとんど無関係です。 アーキテクチャ+マインドセット+OriginTrailの不変の信頼層がすべてです。 Gitのデータモデルはこの点には合いません。ブランチはマージバックを前提とします。しかしエージェント研究は、決して統合すべきでない何千もの恒久的で並行した発見を生み出します。コードの違いではなく、クエリ可能な知識として蓄積されるべきです。 実験の結果はgitコミットではありません。構造化データです:val_bpb、何が変わったのか、実際の違い、どのGPU、どのエージェント、何を基盤としているのか。それをgitログではなくナレッジグラフに保存すれば、エージェントはPRを解析する代わりにリサーチコミュニティに賢く問い合わせることができます。 ━━━━━━━━━━...