Ми ось-ось відправимо тестову мережу @origin_trail DKG v9 Ось чому важливий час ━━━ Петля Карпаті + рівень довіри DKG ━━━ @karpathy щойно випустив autoresearch — автономні агенти, які запускають ~100 ML експериментів за ніч на одному GPU. Ти пишеш program.md. Агенти ітеруються безкінечно. Це найчистіший приклад агентного циклу, який ось-ось з'їсть усе. І він напряму відповідає перевіреним контекстним графам OriginTrail: 1. Запит до мережі агентів (DKG) щодо того, що було спробовано і що спрацювало 2. Оберіть експеримент на основі колективних результатів 3. Тренуйся 5 хвилин, оцінюй 4. Опублікуйте результат — метрики, відмінність коду, платформу — у спільний граф 5. Повторити Карпаті довів це для досліджень машинного навчання. Розблокування полягає в тому, щоб застосовувати його всюди — від робототехніки, виробництва, наукових досліджень, автономних ланцюгів постачання... Код майже не має значення. Архітектура + мислення + незмінний рівень довіри OriginTrail — це все. Модель даних Git не підходить. Гілки передбачають злиття назад. Але дослідження агентів породжують тисячі постійних, паралельних відкриттів, які ніколи не повинні зливатися. Вони мають накопичуватися у вигляді знань, які можна запитувати, а не як відмінності в коді. Результат експерименту — це не git-комміт. Це структуровані дані: val_bpb, що змінилося, фактична різниця, який GPU, який агент, на чому він будувався. Зберігайте це у графі знань замість git-логу — і агенти зможуть розумно звертатися до дослідницької спільноти замість того, щоб парсувати PR. ━━━━━━━━━━...