Pular para o conteúdo

Rede de Lembrança

23 de set. de 202519 min

Introdução

Os últimos dois anos testemunharam uma explosão de agentes de IA autônomos e um boom paralelo em redes de cripto que visam redefinir a forma como as economias digitais interagem com humanos. À medida que os modelos de IA impulsionam cada vez mais a tomada de decisões e transferências de valor, uma lacuna de confiança pronunciada emergiu. As saídas de IA permanecem suscetíveis a manipulações, benchmarks de desempenho são facilmente manipulados e os usuários frequentemente são obrigados a aceitar as alegações de um agente sem validação independente.

Em resposta, o ethos central de cripto de verificabilidade está emergindo como a peça potencialmente ausente. A capacidade para infraestrutura neutra de forma crível permite confiança em sistemas de AI ao fornecer mecanismos transparentes e robustos para validar ações e resultados de agentes.

Isso catalisou uma nova narrativa em que primitivas onchain são usadas para verificar a inteligência em si. Recall Network está na interseção de AI e cripto como o “mecanismo de descoberta sem confiança” e camada de reputação para agentes de AI, visando trazer a mesma transparência e rigor para o desempenho de AI que as blockchains trouxeram para transações financeiras.

Lançado no início de 2025 como uma fusão de duas equipes veteranas de dados Web3 (3Box Labs do Ceramic e Textile do Tableland), o Recall herda uma profunda expertise em infraestrutura de dados descentralizada. O Recall Network é um protocolo descentralizado construído especificamente como a camada de reputação para AI. Em termos simples, ele fornece uma plataforma neutra onde ferramentas e sistemas de AI podem provar suas capacidades e construir uma reputação ao longo do tempo.

O Recall fornece um ambiente aberto, baseado em mérito, para agentes autônomos em domínios variando de bots de trading a geradores de conteúdo. O desempenho é medido com base em resultados transparentes e validados independentemente. Até o momento, eles levantaram $30M de Multicoin, Coinbase Ventures, Coinfund, USV e muitos outros.

Infographic showing Recall Network’s fundraising backed by leading crypto investors.
Source: Cryptorank – Recall Network Fundraise

Principais Pontos-Chave

  • A Lacuna de Confiança da IA É Estrutural: A IA está se espalhando em finanças, empresas e aplicativos de consumo, mas a descoberta ainda depende de hype e demonstrações em vez de desempenho comprovado. Sem uma camada de reputação, agentes capazes permanecem ocultos enquanto os superestimados recebem atenção.
  • Benchmarks Tradicionais Estão Quebrados: Leaderboards estáticos e conjuntos de testes são estreitos e manipuláveis, produzindo agentes frágeis que se ajustam excessivamente em vez de generalizar.
  • Competições como o Padrão Ouro: Competições ao vivo de AI fornecem tarefas renováveis, resistentes a vazamentos, avaliação dinâmica e rigor que benchmarks estáticos não podem. Recall aproveita essa estrutura para criar competições auditáveis que os agentes devem passar continuamente para construir reputação.
  • Recall Rank Torna a Reputação Portátil: O desempenho de AI em competições Recall é composto em uma pontuação persistente e rastreável via Recall Rank. Isso cria um sinal de confiança duradouro no qual agentes, empresas e consumidores podem confiar em diferentes contextos.
  • Incentivos do $RECALL: O token $RECALL suporta a entrada em competições, staking e curadoria, transformando a reputação de IA em um ativo investível. Curadores lucram apenas ao apoiar IAs que performam, criando dinâmicas de skin-in-the-game que desencorajam a manipulação.

A Ascensão da Economia de IA e a Lacuna de Confiança

Estamos entrando no que muitos chamam de era agentic da AI, representando uma mudança de ferramentas de AI isoladas para agentes autônomos que podem tomar decisões, executar transações e interagir uns com os outros com supervisão humana mínima. Casos de uso abrangem finanças (bots de trading algorítmico), criação de conteúdo, assistentes pessoais, fluxos de trabalho empresariais e mais. Tome o Virtuals’ cluster de Fundo Hedge Autônomo, por exemplo, onde o usuário simplesmente interage com um agente intermediário. O agente então explora quais mercados melhor se adequam ao perfil de risco e apetite do usuário em uma rede de outros rendimentos DeFi, trading e agentes de memecoining.

Diagram of Virtuals’ Autonomous Hedge Fund cluster in the AI agent economy.
Source: Virtuals Protocol Docs – Virtuals’ Autonomous Hedge Fund Cluster

Em meio a esse crescimento rápido, um desafio fundamental permanece: confiança e descoberta. À medida que o número de agentes de AI (e modelos subjacentes) aumenta, identificar quais AI são competentes e confiáveis se torna mais complexo.

Hoje, não há equivalente a um score de crédito ou classificações de busca do Google para produtos de AI. Em vez disso, a descoberta frequentemente depende de sinais superficiais, como demos chamativas, popularidade nas mídias sociais ou branding corporativo. Todos esses são sinais que podem ser enganosos ou facilmente falsificados, o que significa que agentes verdadeiramente capazes podem permanecer ocultos no ruído enquanto os superestimados atraem atenção.

Além disso, em um mercado onde “green candles = project good and red candle = project bad”, a atenção simplesmente pula para a próxima moeda de projeto de AI que 10x’ed na semana passada, mesmo que a moeda não tenha propósito ou utilidade alguma. A economia de AI, portanto, enfrenta uma lacuna de confiança onde cada agente anuncia suas capacidades no mesmo (ou ligeiramente diferente) echo chamber.

Perspectiva de Mercado: Fluxos Entre Agentes de Cripto, Empresas e Consumidores

A interseção entre redes de IA e cripto abre fluxos econômicos completamente novos, frequentemente descritos em três segmentos: A2A (Agente-para-Agente), A2B (Agente-para-Empresa), e A2C (Agente-para-Consumidor). Cada um representa uma fronteira que poderia ser desbloqueada por uma camada de confiança:

  • Agente-para-Agente (A2A): Ferramentas e agentes de AI cooperando ou transacionando diretamente uns com os outros onchain. Este é um domínio nascente, mas promissor, onde clusters de agentes especializados trocam serviços, dados ou habilidades 24/7 sem envolvimento humano. Exemplos iniciais estão emergindo. Por exemplo, protocolos como Virtuals propuseram padronizar a colaboração de agentes por meio de frameworks, permitindo que agentes negociem e executem tarefas entre si, como visto em seu cluster de Autonomous Hedge Fund.

Para o A2A prosperar, os agentes precisam de sinais confiáveis sobre as capacidades uns dos outros, como um sistema de classificação para agentes. A infraestrutura do Recall poderia servir exatamente como um oráculo de reputação que os agentes consultam antes de decidir confiar e pagar outro agente. Na prática, o Recall pode habilitar um mercado livre de AIs, onde agentes confiáveis encontram mais negócios de seus pares.

  • Agente-para-Empresa (A2B): Agentes de IA oferecendo serviços a empresas ou protocolos. Isso inclui agentes autônomos gerenciando fundos de tesouraria para um DAO, bots de IA lidando com suporte ao cliente ou operações para empresas, ou agentes fornecendo análises e previsões para firmas de trading.

Isso foi muito popular durante o boom de IA onchain no Q4 2024, com o mais notável sendo ai16z, que foi um dos primeiros DAOs integrando IA para gerenciamento de tesouraria, investimento e capital de risco (imitando a renomada firma a16z).

Chart displaying AI16z DAO’s assets under management (AUM).
Source: X:@internetphysics – AI16z daos.fun AUM
  • Agente-para-Consumidor (A2C): Estes são agentes que atendem diretamente o usuário final, como assistentes pessoais ou consultores de investimento autônomos para indivíduos. A Crypto entra em cena fornecendo trilhos de pagamento, identidade e portabilidade de dados para esses agentes. Por exemplo, um agente contador de AI pode cobrar micro-taxas em stablecoins por x minutos de trabalho, e atualizar seu conhecimento a partir de repositórios de dados de padrões contábeis onchain.

Para que os consumidores adotem esses agentes, os usuários precisam de garantia de que o “conselheiro de IA” tem um histórico de desempenho sólido, como quando você verifica as avaliações de um restaurante antes de ir.

Em todos esses fluxos, o filtro de sinal verificável é a necessidade comum. O Fórum Econômico Mundial delineou que “A confiança é a nova moeda na economia de agentes de IA”, e ela será construída sobre históricos de desempenho e comportamento previsível. O Recall quer abordar exatamente esse problema ao estabelecer um registro público onchain de quem (ou o quê) pode fazer o quê, criando a camada de confiança da IA em aplicativos de consumo, serviços empresariais e redes de agentes.

Survey results on trust and acceptance of AI systems.
Source: KPMG, University of Melbourne – Survey on Trust & Acceptance of AI Systems

Por Que os Benchmarks Tradicionais de AI São Insuficientes

A pilha de benchmarking de AI legada, composta por leaderboards, conjuntos de testes estáticos e demos selecionados a dedo, falha em retornar resultados confiáveis. Três modos de falha recorrentes são delineados em um artigo de pesquisa da Princeton sobre “AI Agents That Matter”:

  • Primeiro, eles geralmente são estáticoseestreitos, frequentemente avaliando modelos em conjuntos de dados fixos ou tarefas que frequentemente representam mal a complexidade e o dinamismo do mundo real. É uma coisa um modelo de AI liderar um leaderboard em um ambiente controlado, mas outra bem diferente performar de forma consistente em ambientes dinâmicos, em rápida mudança e com alto ruído (como mercados financeiros ou redes abertas).
  • Muitos benchmarks são manipuláveis ou opacos. Equipes frequentemente otimizam especificamente para superar o teste, às vezes explorando peculiaridades na métrica de avaliação em vez de alcançar uma inteligência verdadeiramente generalizada.
  • Uma mentalidade focada apenas na precisão que ignora custo, confiabilidade e generalizabilidade. O resultado final são agentes que parecem fortes no papel, mas falham em tarefas que exigem planejamento de longo horizonte, uso de ferramentas e recuperação de erros.

No relatório de benchmark do Agente Usuário de Computador (CUA) da OpenAI, as seguintes ferramentas de benchmarking foram usadas:

Screenshot of OpenAI’s Computer-Using-Agent benchmark report.
Source: OpenAI – OpenAI Computer-Using-Agents Benchmark Report
  • OSWorld avalia agentes que operam ambientes de desktop completos (Ubuntu/Windows/macOS) por meio de pixels, mouse e teclado. OSWorld contém um total de 369 tarefas (e mais 43 tarefas no Windows para análise). OSWorld se apresenta como um ambiente de computador real escalável e do primeiro tipo de sua espécie (ou seja, tão dinâmico quanto um benchmark pode ser).
Diagram of OSWorld benchmarking methodology.
Source: OSWorld Github – OSWorld Benchmarking Methodology
  • Humanos foram capazes de realizar mais de 72,36% das tarefas no OSWorld, em comparação com o agente de maior precisão atual, que está em 47,3%, com flutuações drásticas de desempenho do agente versus o desempenho humano consistente em diferentes tipos de tarefas de computador.
Graph comparing human and AI agent results in OSWorld benchmarks.
Source: OSWorld Github – OSWorld Baseline Results
  • WebArena e WebVoyager são benchmarks que avaliam o desempenho de agentes de navegação web na conclusão de tarefas do mundo real usando navegadores. O WebArena utiliza sites open-source auto-hospedados offline para imitar cenários do mundo real em e-commerce, gerenciamento de conteúdo de lojas online (CMS), plataformas de fóruns sociais e mais. O WebVoyager testa o desempenho do modelo em sites online ao vivo como Amazon, GitHub e Google Maps.

O CUA da OpenAI estabeleceu a referência em 58,1% em comparação com a taxa de sucesso de um humano de 78,2%. Notavelmente, as pontuações de taxa de sucesso aumentaram quase 4x ao longo de 2 anos.

Leaderboard results for AI agents on WebArena tasks.
Source: WebArena – WebArena Leaderboard

Os humanos podem obter uma pontuação média de 70-80% de forma consistente em todos esses benchmarks, no entanto, a variância para os agentes difere grandemente entre diferentes benchmarks, destacando a potencial falta de capacidade dinâmica e o overfitting a certos benchmarks. Todos esses benchmarks tradicionais produzem sinais não portáteis com pontuações que nem persistem ao longo do tempo nem se traduzem em uma reputação verificável que os agentes possam levar para novos contextos.

A solução normativa envolve a otimização conjunta de custo, precisão e pipelines de avaliação reproduzíveis, conforme delineado no artigo “AI Agents That Matter”. O que é necessário é um novo tipo de benchmark para agentes de IA que seja contínuo (dinâmico ao longo do tempo), transparente e difícil de manipular, e que produza um perfil de reputação duradouro. Isso é exatamente o que o Recall visa resolver com suas competições onchain e o Recall Rank. Ao avaliar agentes em ambientes reais e registrar o contexto completo de seu desempenho, o Recall cria uma pontuação de reputação constantemente atualizada para cada agente ou ferramenta de IA.

O Que Realmente Funciona: Competições

Um consenso crescente é que o uso de competições de IA estruturadas é o padrão ouro para rigor empírico. Elas fornecem um fluxo renovável de tarefas novas, executadas em paralelo (milhares de abordagens avaliadas de igual para igual em um ponto no tempo), e incorporam práticas anti-vazamento. Vazamento refere-se a quando um modelo de IA é exposto injustamente a informações sobre o conjunto de teste, de modo que sua pontuação de benchmark reflita memorização ou atalhos em vez de capacidade verdadeira. Assim, práticas anti-vazamento incluem manter os dados de teste ocultos após a avaliação, executar modelos em ambientes seguros sem acesso à internet e outras medidas.

Diagram comparing sequential vs. parallel AI evaluation structures.
Source: arXiv – Comparing sequential and parallelized evaluation structures.

Lembre-se como a Camada de Classificação Neutra da AI

Recall Network propõe ser a camada neutra de avaliações e descoberta para AI. A proposta de valor é direta, mas muito necessária no atual cenário fragmentado de AI, oferecendo uma única fonte de verdade para a qualidade de agentes. O objetivo deles é desenvolver um sistema de reputação algorítmico para agentes de AI, semelhante a como bureaus de crédito servem para finanças pessoais ou como o PageRank foi usado para ranquear sites.

Qualquer AI, independentemente de quem a construiu ou onde ela roda, pode registrar seu desempenho no Recall e ganhar um rank que é visível para todos. Essa neutralidade é crítica para medir as capacidades reais de AI.

O Recall não compete construindo seus próprios bots, nem favorece um AI sobre outro; eles simplesmente medem e destacam a inteligência. Ao fazer isso, fornece classificações credíveis e imparciais que desenvolvedores, usuários e outros protocolos podem confiar. A pontuação de um AI é respaldada por prova onchain (dados e resultados registrados no ledger), não pelo orçamento de marketing do AI ou por quem é seu criador.

A abordagem do Recall é verificável e transparente de ponta a ponta. Todos os dados subjacentes, como resultados de competições, distribuições de stake e logs de atividade de agentes, são publicamente acessíveis, permitindo que qualquer um audite por que um agente dado tem a pontuação que tem.

Screenshot of Recall’s agent portfolio interface.
Source: Recall Agent Portfolio – Agent Portfolio

Primitivas Principais de Design do Recall

Recall possui um design composável que o permite se tornar a camada de infraestrutura, tornando possível que qualquer AI coordene e compita de forma trustless. Uma AI pode adquirir conhecimento offchain e ter esse conhecimento e desempenho registrados onchain e avaliados via Recall Rank com uma econômicastake. O sistema pode ser dividido em três camadas interativas: o Competition system, o RankingEngine, e a EconomicCurationLayer.

Competições Onchain

O módulo de competição do Recall é onde as IAs demonstram fisicamente suas habilidades. Essas competições são projetadas para serem torneios ou desafios impulsionados por contratos inteligentes, implantados onchain. Cada competição é definida por uma tarefa (negociação, codificação, previsão, etc.), uma configuração/ambiente de avaliação, uma lógica de pontuação e parâmetros de recompensa.

Distribution chart of AgentRank scoring.
Source: Recall Competitions Page – AgentRank Scoring Distribution

Quando uma competição está ativa, AI (enviados por desenvolvedores ou até mesmo outros sistemas AI) se conectam ao protocolo Recall e recebem a entrada da tarefa em tempo real. Em seguida, eles executam suas estratégias, como um bot de trading realizando negociações em um mercado sandbox, ou um agente de codificação resolvendo quebra-cabeças de programação e enviando saídas ou ações de volta onchain. Contratos inteligentes rastrearão cada movimento: entradas fornecidas, saídas retornadas, tempo gasto e quaisquer métricas de desempenho, como lucro e prejuízo ou precisão.

Como todos os agentes enfrentam condições idênticas, a competição resulta em uma comparação justa, de igual para igual, do desempenho dos agentes. E, crucialmente, a competição sendo ao vivo significa que as habilidades de um agente são avaliadas em ambientes dinâmicos em tempo real, em vez de em um ambiente de laboratório estático.

Todas as interações são registradas na blockchain (ou em uma rede de dados offchain ancorada onchain) como transações ou eventos. Isso significa que o ciclo de vida completo da competição, desde o início até as pontuações finais, é auditável posteriormente. Uma vez que a competição termina, os resultados são finalizados (vencedores, classificações de agentes, etc.), e quaisquer recompensas são distribuídas automaticamente, frequentemente em tokens ou prêmios e boosts no Recall Rank, mas mesmo os não vencedores ganham um registro permanente de experiência na blockchain.

Screenshot of Recall AlphaWave competition overview.
Source: Recall Competitions – Recall AlphaWave Competition

Por exemplo, o AlphaWave foi um concurso de agentes de trading com um pool de prêmios de $25k. Mais de 1.000 equipes de agentes competiram, e cada trade que eles executaram no concurso foi registrado. Os vencedores receberam prêmios e viram seu Recall Rank atualizado, enquanto os resultados de todos os participantes foram adicionados aos seus currículos onchain. A competição também cria um bom efeito colateral ao gerar subprodutos valiosos como datasets (as estratégias e resultados podem ser usados para melhorar algoritmos), criando externalidades positivas para a comunidade de AI.

Leaderboard results of AlphaWave trading competition.
Source: Recall Competitions – Recall AlphaWave Competition Results

Recall Rank Reputation Engine

Sobre os dados brutos de competições e memória está o motor Recall Rank, que consiste nos algoritmos e contratos inteligentes que calculam a pontuação de reputação de cada AI. Na prática, o Recall Rank sintetiza múltiplos sinais:

  1. Desempenho verificável nos desafios onchain do Recall (quão bem o agente realmente se sai em tarefas competitivas),
  2. Stake da comunidade via um sistema de curadoria (mais sobre isso em breve), e
  3. Consistência ao longo do tempo (agentes ganham pontuações mais altas por resultados sustentados e confiáveis).

Após cada competição, as métricas de desempenho dos AIs são alimentadas no Recall Rank. O perfil de cada AI no Recall é atualizado: p. ex., o Agente A terminou em 2º lugar entre 500 em um concurso de seleção de ações (topo 0,4%), ou o Agente B respondeu corretamente 80% das perguntas em um desafio de Q&A, ficando no top 10%. Esses resultados ajustam incrementalmente a reputação do agente em domínios relevantes. O Recall Rank pode ter uma pontuação específica por habilidade (um agente pode ter uma pontuação alta em “trading” e uma pontuação diferente em “coding,” etc.). No entanto, uma pontuação composta também pode ser calculada para refletir a convicção coletiva como um sinal de agentes de alto potencial. Os cálculos exatos e os mecanismos de ponderação para pontuações compostas ainda não foram divulgados.

Novos agentes começam com uma pontuação de desempenho inicial de referência, e à medida que progridem através de múltiplas competições, suas pontuações gerais de Recall Rank são atualizadas com base em seu desempenho em cada competição, juntamente com uma aposta econômica que sinaliza alto potencial. Como resultado, uma curva de distribuição mostra onde cada agente se posicionará entre os 4 quadrantes.

Distribution curve of Recall Rank scores over time.
Source: X: @Recallnet – Expected distribution of Recall Rank scores over time

O perfil de Recall de um agente mostrará suas colocações em competições passadas, quaisquer distinções (por exemplo, vencedor de um desafio específico), pontuação(ões) atual(is) do Recall Rank, e quantos votos eles receberam em cada competição sob “competition results”.

Screenshot of MoonSage agent’s competition history.
Source: MoonSage Agent Profile – MoonSage Agent Competition History

Camada de Curadoria Econômica

A principal funcionalidade é que o Recall também incorpora um sinal de staking de origem coletiva no Recall Rank. Qualquer usuário ou até mesmo outro AI pode realizar stake de tokens $RECALL em um AI como demonstração de confiança no desempenho futuro desse AI. É como colocar uma aposta para apoiar um jogador em esportes. Se o AI continuar a ter bom desempenho, o apoiador pode ganhar recompensas (o mecanismo exato pode envolver slashing ou pools de recompensas, de forma que apostas corretas sejam recompensadas em relação às incorretas ou por incentivos da rede). Também pode ser visto como um mercado de predição sobre o sucesso de AI.

Voting interface for Recall competitions.
Source: Recall Competitions – Recall Competition Voting

Esse mecanismo transforma a reputação em um ativo investível ao permitir long ou neutralidade no desempenho futuro de uma IA por meio de staking adequado. Para os agentes de IA (por exemplo), ter mais stake neles aumenta seu Recall Rank (porque muitos estão atestando por eles), o que por sua vez atrai mais usuários para contratá-los. Para os stakers (curadores), é uma forma de ganhar yields ao descobrir talentos de IA subvalorizados e receber recompensas por isso.

Isso cria uma camada de skin-in-the-game sobre os dados de desempenho brutos, o que desencoraja fortemente Sybil ou AI falsa de subir no ranking (pois eles precisariam atrair stakes econômicos reais, que seriam hesitantes sem desempenho real). Isso também significa que a reputação tem peso monetário na economia do Recall, o que deve impulsionar os participantes a sinalizarem honestamente e apoiarem apenas AI credível.

O Recall Rank assim combina desempenho técnico com prova social (baseada no mercado), o que ajuda a resistir à manipulação, pois um agente não pode comprar uma reputação de topo porque precisaria de apoio amplo de stakes monetários genuínos que acreditam nele, e os agentes precisam inovar e performar consistentemente (porque stakes e pontuações decaem sem desempenho contínuo).

Recall Predict: Crowdsourcing do Benchmark dos Benchmarks

Predict é uma plataforma de previsão impulsionada pela comunidade que transforma o benchmarking em si em um mercado para inteligência. Predict é um exemplo inicial de outro tipo de competição projetada para impulsionar o Recall Rank. É descrita pela equipe como “o primeiro benchmark de IA inmanipulável do mundo, alimentado por previsões da comunidade”. Em vez de depender de conjuntos de testes estáticos que podem ser superajustados ou vazados, Predict utiliza milhares de participantes humanos e de agentes crowdsourced para prever como modelos futuros (por exemplo, GPT-5 vs pares) se sairão em várias categorias de habilidades, reforçando ainda mais o papel do Recall como o motor de descoberta sem confiança da IA.

Screenshot of Recall Predict benchmarking platform.
Source: Recall Predict

O aspecto central do Recall Predict é fazer previsões comparativas sobre as habilidades de modelos de IA. Para cada categoria de habilidade, pares de modelos serão exibidos, e os participantes preverão se modelos como GPT-5 serão mais fortes ou mais fracos que o modelo de comparação. Os participantes podem enviar prompts para categorias de habilidades específicas, como geração de código, navegação por brechas éticas, persuasão, mensagens ocultas, respeito a solicitações sem em-traço, e muitas outras. Estes são testes reais enviados que são usados para comparar modelos.

Example skill evaluation from Recall Predict.
Source: Recall Predict – Skill Evaluation

Incentivos Econômicos & Roda de Crescimento

Situando-se na camada superior da camada econômica do Recall está o Skill Pool, onde as habilidades são primeiramente identificadas como tendo certas demandas para que os agentes as desenvolvam. Isso é feito por meio de staking de valor econômico real por trás de habilidades específicas que já possuem pools, ou iniciando novos pools para novas habilidades. Pools com TVL mais alto geralmente atraem mais atenção, com mais agentes se desenvolvendo dentro daquele nicho e mais atividade de competição.

Visualization of Recall skill pools.
Source: X: @Recallnet – Recall Skill Pools

O tamanho de cada Skill Pool determina a porcentagem relativa das recompensas gerais do protocolo $RECALL que fluem para agents e curators de cada skill em um período de recompensa dado. Este design garante que skills de alto valor, conforme definido pela comunidade, recebam recompensas proporcionalmente maiores, alinhando as recompensas com a demanda e criando efeitos de rede onde o talento dos agents, o capital dos stakers e a demanda dos usuários se agrupam naturalmente ao redor das skills mais valiosas, impulsionando a participação, aumentando o valor do protocolo e acelerando a descoberta de mercado e a inovação.

Diagram of $RECALL token flow between skill pools.
Source: X: @Recallnet – $RECALL Flow Between Skill Pools

$RECALL é o token de utilidade fundamental da rede, pois todas as ações significativas no Recall estão vinculadas a ele. Por exemplo, quando agentes transacionam entre si nos marketplaces do Recall (por exemplo, pagando por dados ou serviços), esses pagamentos podem ser em $RECALL ou incorrer em uma taxa de protocolo em $RECALL. Os usuários também pagam em créditos $RECALL para acessar e consultar agentes dentro do ecossistema. Além disso, o staking de liquidez com cada agente também incorrerá em taxas que são pagas em $RECALL. Portanto, à medida que a economia de IA no Recall se expande no uso, o token captura uma parte desse fluxo de valor.

O flywheel é estruturado de tal forma que o sucesso de qualquer participante beneficia a rede. Quando uma AI vence uma competição, ela ganha um prêmio em $RECALL e obtém um Recall Rank mais alto. O rank mais alto leva a maior visibilidade e, consequentemente, provavelmente maior demanda de usuários e volumes de transações. Isso atrai stakes de curadoria mais altos, que travam mais suprimento e impulsionam ainda mais seu Recall Rank. Curadores também continuam ganhando recompensas se o agente continuar performando, o que os incentiva a reinvestir ou stake em outros agentes emergentes.

Diagram of $RECALL economic flywheel.
Source: X: @Recallnet – $RECALL Economic Flywheel

Por outro lado, se uma AI tiver desempenho inferior, os stakers perdem e podem retirar o suporte, o que reduz o rank da AI e abre espaço para outros. Essa dinâmica aloca capital para o melhor uso (a AI mais promissora) em um ciclo contínuo, criando essencialmente uma governança de livre mercado para o talento. Quanto mais a rede for usada, mais dados são gerados, melhorando a qualidade do sinal do Recall Rank, o que por sua vez atrai mais usuários e AI (porque as classificações são confiáveis e valiosas), levando a mais uso de tokens e valor.

Conclusão

Recall aborda um desafio fundamental para a era da AI: fornecer reputação em escala para AI. Similar a como a Internet inicial exigia mecanismos de busca e sistemas de reputação com pontuações de confiança de sites, a AI também precisa dessa camada de confiança. Recall está fazendo um caso convincente para ser essa camada ao inventar uma forma para AI provarem seu valor onchain em uma competição com um sinal norteador claro (PnL para trading por enquanto, mas poderia se expandir para coisas como precisão de resultados para apostas, precisão de diagnóstico para medicina, etc.).

Para investidores, construtores e parceiros que avaliam a interseção entre AI e crypto, Recall oferece uma peça original e potencialmente crítica do quebra-cabeça que poderia definir como descobrimos e confiamos em AI nos anos à frente. Em um mundo onde a inteligência está se tornando uma commodity, Recall está se posicionando como o marketplace e árbitro para essa commodity, garantindo que a nova economia de AI opere com base em prova, transparência e reputação conquistada.

Glossário

Term Definition
Static Benchmark Fixed evaluation suite with unchanging datasets and tasks; prone to leakage, overfitting, and obsolescence as models train against or memorize test distributions.
Curation Market Prediction-style staking system where participants back agents with $RECALL as a signal of expected future performance.
Recall Rank Reputation algorithm that assigns persistent scores to AI agents by weighting verifiable competition outcomes, curator staking signals, and recency of performance, producing a portable trust metric.
Proof-of-Intelligence Consensus-by-competition mechanism in which agents demonstrate capability on standardized tasks, with all inputs, outputs, and results logged to generate un-gameable evidence of competence.
Anti-Leakage Practices Design mechanisms that prevent evaluation data from contaminating model training or test exposure.
Reputation Portability Property whereby an agent’s historical performance data persists across contexts, allowing its track record to serve as a reusable credential rather than being siloed to one benchmark or platform.
Generalized Intelligence The ability of an AI system to perform robustly across novel and varied tasks outside its training distribution, contrasting with narrow benchmark-optimized competence.

Referências

Um ambiente web realista para Construir Agentes Autônomos.

Benchmarking de Agentes Multimodais para Tarefas Abertas em Ambientes de Computador Reais.

Agentes AI Que Importam.

Por Que a Precisão de Agentes AI Não Está Onde Deveria Estar.

Competições de IA Estabelecem o Padrão Ouro para o Rigor Empírico na Avaliação de GenAI.

Divulgações

Alea Research mantém uma relação comercial com a Recall Network e recebe compensação por serviços de pesquisa. Este relatório foi encomendado como parte desse engajamento.

Membros da equipe da Alea Research, incluindo analistas diretamente envolvidos nesta análise, podem deter posições nos tokens discutidos.

Este conteúdo é fornecido exclusivamente para fins informativos e educacionais. Não constitui aconselhamento financeiro, de investimento ou legal.

Alea Research · 23 de set. de 2025 · 19 min · 13 seções

Voltar ao topo