Chúng tôi sắp phát hành mạng thử nghiệm DKG v9 của @origin_trail Đây là lý do tại sao thời điểm này quan trọng ━━━ Vòng lặp của Karpathy + Lớp tin cậy của DKG ━━━ @karpathy vừa phát hành autoresearch - các tác nhân tự động thực hiện ~100 thí nghiệm ML qua đêm trên một GPU duy nhất. Bạn viết program.md. Các tác nhân lặp đi lặp lại vô hạn. Đây là ví dụ rõ ràng nhất về vòng lặp tác nhân sắp ăn mọi thứ. Và nó tương ứng trực tiếp với các đồ thị ngữ cảnh có thể xác minh của OriginTrail: 1. Truy vấn mạng tác nhân (DKG) về những gì đã được thử và những gì đã hoạt động 2. Chọn một thí nghiệm dựa trên những phát hiện tập thể 3. Huấn luyện 5 phút, đánh giá 4. Xuất bản kết quả - số liệu, sự khác biệt mã, nền tảng - vào đồ thị chia sẻ 5. Lặp lại Karpathy đã chứng minh điều này cho nghiên cứu ML. Khóa mở là áp dụng nó ở mọi nơi khác từ robot, sản xuất, nghiên cứu khoa học, chuỗi cung ứng tự động... Mã gần như không quan trọng. Kiến trúc + tư duy + lớp tin cậy không thể thay đổi của OriginTrail là tất cả. Mô hình dữ liệu của Git là sai cho điều này. Các nhánh giả định việc hợp nhất lại. Nhưng nghiên cứu tác nhân tạo ra hàng ngàn phát hiện vĩnh viễn, song song mà không bao giờ nên hợp nhất. Chúng nên tích lũy như kiến thức có thể truy vấn, không phải sự khác biệt mã. Kết quả thí nghiệm không phải là một cam kết git. Đó là dữ liệu có cấu trúc: val_bpb, những gì đã thay đổi, sự khác biệt thực tế, GPU nào, tác nhân nào, những gì nó đã xây dựng. Lưu trữ điều đó trong một đồ thị kiến thức thay vì một nhật ký git, và đột nhiên các tác nhân có thể thông minh truy vấn cộng đồng nghiên cứu thay vì phân tích PRs. ━━━━━━━━━━...