Chuyển đến nội dung

Mạng lưới gợi nhớ

23 thg 9, 202526 min

Giới thiệu

Hai năm qua đã chứng kiến sự bùng nổ của các tác nhân AI tự trị và sự bùng nổ song song trong các mạng lưới crypto nhằm tái định nghĩa cách mà các nền kinh tế kỹ thuật số tương tác với con người. Khi các mô hình AI ngày càng thúc đẩy việc ra quyết định và chuyển giao giá trị, một khoảng cách tin cậy rõ rệt đã xuất hiện. Đầu ra của AI vẫn dễ bị thao túng, các tiêu chuẩn hiệu suất dễ dàng bị gian lận, và người dùng thường phải chấp nhận các tuyên bố của tác nhân mà không có xác thực độc lập.

Đáp lại, tinh thần cốt lõi của crypto về tính khả kiểm chứng đang nổi lên như một mảnh ghép tiềm năng còn thiếu. Khả năng cung cấp cơ sở hạ tầng trung lập đáng tin cậy cho phép xây dựng lòng tin vào các hệ thống AI bằng cách cung cấp các cơ chế minh bạch và mạnh mẽ để xác thực hành động và kết quả của các agent.

Điều này đã thúc đẩy một câu chuyện mới nơi các nguyên thủy onchain được sử dụng để xác thực trí tuệ chính nó. Recall Network nằm ở giao điểm của AI và crypto như là “công cụ khám phá không cần tin cậy” và lớp danh tiếng cho các agent AI, nhằm mang lại sự minh bạch và nghiêm ngặt tương tự cho hiệu suất AI như cách mà blockchain mang lại cho các giao dịch tài chính.

Ra mắt vào đầu năm 2025 như một sự hợp nhất của hai đội ngũ dữ liệu Web3 kỳ cựu (3Box Labs của Ceramic và Textile của Tableland), Recall kế thừa chuyên môn sâu rộng trong cơ sở hạ tầng dữ liệu phi tập trung. Recall Network là một giao thức phi tập trung được xây dựng đặc biệt làm lớp danh tiếng cho AI. Nói một cách đơn giản, nó cung cấp một nền tảng trung lập nơi các công cụ và hệ thống AI có thể chứng minh khả năng của mình và xây dựng danh tiếng theo thời gian.

Recall cung cấp một môi trường mở, dựa trên công trạng cho các agent tự trị trên các lĩnh vực từ bot giao dịch đến trình tạo nội dung. Hiệu suất được đo lường dựa trên các kết quả minh bạch, được xác thực độc lập. Đến nay, họ đã huy động $30M từ Multicoin, Coinbase Ventures, Coinfund, USV, và nhiều hơn nữa.

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

Những Điểm Chính

  • Khoảng Cách Tin Cậy Của AI Mang Tính Cấu Trúc: AI đang lan rộng trong tài chính, doanh nghiệp và ứng dụng tiêu dùng, nhưng việc khám phá vẫn phụ thuộc vào sự thổi phồng và các bản demo hơn là hiệu suất đã được chứng minh. Không có lớp danh tiếng, các agent có khả năng vẫn bị ẩn giấu trong khi những cái bị thổi phồng quá mức lại thu hút sự chú ý.
  • Các Benchmark Truyền Thống Đã Bị Phá Vỡ: Các bảng xếp hạng tĩnh và tập kiểm tra hẹp và có thể bị thao túng, tạo ra các agent mong manh overfit thay vì generalize.
  • Cuộc thi như Tiêu chuẩn Vàng: Các cuộc thi AI trực tiếp cung cấp các nhiệm vụ có thể tái tạo, chống rò rỉ, đánh giá động và độ nghiêm ngặt mà các tiêu chuẩn tĩnh không thể. Recall tận dụng cấu trúc này để tạo ra các cuộc thi có thể kiểm toán mà các agent phải liên tục vượt qua để xây dựng danh tiếng.
  • Recall Rank Làm Cho Danh Tiếng Có Thể Di Chuyển: Hiệu suất AI trong các cuộc thi Recall được tổng hợp thành một điểm số bền vững, có thể theo dõi qua Recall Rank. Điều này tạo ra một tín hiệu tin cậy lâu dài mà các agent, doanh nghiệp và người tiêu dùng có thể dựa vào qua các ngữ cảnh.
  • Cơ Chế Khuyến Khích $RECALL: Token $RECALL hỗ trợ tham gia cuộc thi, staking và curation, biến danh tiếng AI thành một tài sản có thể đầu tư. Các curator chỉ kiếm lợi nhuận bằng cách hỗ trợ AI hoạt động tốt, tạo ra động lực skin-in-the-game ngăn chặn thao túng.

Sự Trỗi Dậy Của Nền Kinh Tế AI Và Khoảng Cách Tin Cậy

Chúng ta đang bước vào cái mà nhiều người gọi là kỷ nguyên agentic của AI, đại diện cho sự chuyển dịch từ các công cụ AI cô lập sang các agent tự trị có thể đưa ra quyết định, thực hiện giao dịch, và tương tác với nhau với sự giám sát tối thiểu từ con người. Các trường hợp sử dụng bao gồm tài chính (bot giao dịch thuật toán), tạo nội dung, trợ lý cá nhân, quy trình làm việc doanh nghiệp, và hơn thế nữa. Hãy lấy Virtuals’ Cụm Quỹ Phòng Ngừa Tự Trị, ví dụ, nơi người dùng chỉ đơn giản tương tác với một agent trung gian. Agent sau đó tìm kiếm các thị trường phù hợp nhất với hồ sơ rủi ro và khẩu vị của người dùng qua mạng lưới các agent khác về lợi suất DeFi, giao dịch, và memecoining.

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

Trong sự phát triển nhanh chóng này, một thách thức cơ bản vẫn còn tồn tại: lòng tin và khám phá. Khi số lượng các tác nhân AI (và các mô hình cơ bản) tăng lên, việc xác định AI nào có năng lực và đáng tin cậy trở nên phức tạp hơn.

Ngày nay, không có bất kỳ tương đương nào của điểm tín dụng hoặc thứ hạng tìm kiếm Google dành cho các sản phẩm AI. Thay vào đó, việc khám phá thường dựa vào các tín hiệu bề mặt, chẳng hạn như các bản demo hào nhoáng, sự phổ biến trên mạng xã hội, hoặc thương hiệu doanh nghiệp. Tất cả những điều này đều là các tín hiệu có thể gây hiểu lầm hoặc dễ dàng bị làm giả, nghĩa là các agent thực sự có khả năng có thể bị ẩn náu trong tiếng ồn trong khi những cái bị thổi phồng quá mức thu hút sự chú ý.

Trên hết, trong một thị trường nơi “green candles = project good and red candle = project bad”, sự chú ý đơn giản nhảy sang đồng coin dự án AI tiếp theo đã tăng 10x trong tuần qua, ngay cả khi đồng coin đó không có mục đích hoặc tiện ích nào. Nền kinh tế AI, do đó, đối mặt với khoảng trống lòng tin nơi mọi agent quảng cáo khả năng của mình trong cùng một (hoặc hơi khác một chút) echo chamber.

Triển vọng Thị trường: Luồng Di chuyển Giữa Các Đại lý Crypto, Doanh nghiệp và Người tiêu dùng

Sự giao thoa giữa AI và các mạng crypto mở ra những luồng kinh tế hoàn toàn mới, thường được mô tả trong ba phân khúc: A2A (Từ Đại lý đến Đại lý), A2B (Từ Đại lý đến Doanh nghiệp), và A2C (Từ Đại lý đến Người tiêu dùng). Mỗi cái đại diện cho một biên giới có thể được mở khóa bởi một lớp tin cậy:

  • Tác nhân-đến-Tác nhân (A2A): Các công cụ và tác nhân AI hợp tác hoặc giao dịch trực tiếp với nhau onchain. Đây là một lĩnh vực non trẻ nhưng đầy hứa hẹn nơi các cụm tác nhân chuyên biệt trao đổi dịch vụ, dữ liệu hoặc kỹ năng 24/7 mà không cần sự can thiệp của con người. Các ví dụ ban đầu đang nổi lên. Ví dụ, các giao thức như Virtuals đã đề xuất chuẩn hóa sự hợp tác của tác nhân thông qua các khung, cho phép các tác nhân đàm phán và thực thi nhiệm vụ giữa chúng, như được thấy trong cụm Autonomous Hedge Fund của họ.

Để A2A phát triển mạnh, các tác nhân cần các tín hiệu đáng tin cậy về khả năng của nhau, chẳng hạn như hệ thống đánh giá cho các tác nhân. Cơ sở hạ tầng của Recall có thể phục vụ chính xác như một oracle danh tiếng mà các tác nhân tham khảo trước khi quyết định tin tưởng và trả tiền cho tác nhân khác. Thực tế, Recall có thể kích hoạt một thị trường tự do của các AI, nơi các tác nhân đáng tin cậy tìm thấy nhiều kinh doanh hơn từ đồng nghiệp của họ.

  • Agent-to-Business (A2B): Các tác nhân AI cung cấp dịch vụ cho các công ty hoặc giao thức. Điều này bao gồm các tác nhân tự động quản lý quỹ kho bạc cho một DAO, các bot AI xử lý hỗ trợ khách hàng hoặc hoạt động cho doanh nghiệp, hoặc các tác nhân cung cấp phân tích và dự đoán cho các công ty giao dịch.

Điều này rất phổ biến trong giai đoạn bùng nổ AI onchain quý 4 năm 2024, với ví dụ nổi bật nhất là ai16z, đây là một trong những DAO đầu tiên tích hợp AI cho quản lý kho bạc, đầu tư và vốn mạo hiểm (bắt chước công ty a16z nổi tiếng).

Chart displaying AI16z DAO’s assets under management (AUM).
Source: X:@internetphysics – AI16z daos.fun AUM
  • Tác nhân-đến-Người tiêu dùng (A2C): Đây là các tác nhân trực tiếp phục vụ người dùng cuối, chẳng hạn như trợ lý cá nhân hoặc cố vấn đầu tư tự động cho cá nhân. Crypto đóng vai trò bằng cách cung cấp các đường ray thanh toán, danh tính và khả năng di động dữ liệu cho các tác nhân này. Ví dụ, một tác nhân kế toán AI có thể tính phí vi mô bằng stablecoins mỗi x phút làm việc, và cập nhật kiến thức của nó từ các kho lưu trữ dữ liệu tiêu chuẩn kế toán onchain.

Để người tiêu dùng chấp nhận các agent như vậy, người dùng cần có sự đảm bảo rằng “AI advisor” có lịch sử hiệu suất vững chắc, giống như cách bạn kiểm tra đánh giá của một nhà hàng trước khi đi.

Trong tất cả các luồng này, việc lọc tín hiệu có thể xác minh là nhu cầu chung. Diễn đàn Kinh tế Thế giới đã phác thảo rằng “Niềm tin là đồng tiền mới trong nền kinh tế agent AI”, và nó sẽ được xây dựng dựa trên lịch sử hiệu suất và hành vi có thể dự đoán. Recall muốn giải quyết chính vấn đề này bằng cách thiết lập một hồ sơ công khai onchain về ai (hoặc cái gì) có thể làm gì, tạo ra lớp niềm tin của AI trên các ứng dụng tiêu dùng, dịch vụ doanh nghiệp và mạng lưới agent.

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

Tại sao Các Benchmark AI Truyền thống Lại Không Đủ

Ngăn xếp đánh giá chuẩn AI truyền thống, bao gồm bảng xếp hạng, bộ kiểm tra tĩnh và các demo được chọn lọc, không thể trả về kết quả đáng tin cậy. Ba chế độ thất bại lặp lại như được nêu trong một bài báo nghiên cứu của Princeton về “AI Agents That Matter”:

  • Đầu tiên, chúng thường là tĩnhvàhẹp, thường đánh giá các mô hình trên các bộ dữ liệu cố định hoặc nhiệm vụ thường đại diện kém cho sự phức tạp và động lực của thế giới thực. Một chuyện là mô hình AI đứng đầu bảng xếp hạng trong môi trường được kiểm soát, nhưng chuyện khác là hoạt động nhất quán trong môi trường động, thay đổi nhanh chóng, nhiễu cao (như thị trường tài chính hoặc mạng mở).
  • Nhiều tiêu chuẩn đánh giá có thể bị thao túng hoặc không minh bạch. Các đội ngũ thường tối ưu hóa cụ thể để vượt qua bài kiểm tra, đôi khi khai thác các điểm kỳ quặc trong chỉ số đánh giá thay vì đạt được trí tuệ tổng quát thực sự.
  • Quan điểm chỉ tập trung vào độ chính xác mà bỏ qua chi phí, độ tin cậy và khả năng tổng quát hóa. Kết quả cuối cùng là các agent trông mạnh mẽ trên giấy tờ nhưng thất bại trong các nhiệm vụ yêu cầu lập kế hoạch dài hạn, sử dụng công cụ và phục hồi từ lỗi.

Trong báo cáo benchmark của OpenAI về Computer-Using Agent (CUA), các công cụ benchmarking sau đã được sử dụng:

Screenshot of OpenAI’s Computer-Using-Agent benchmark report.
Source: OpenAI – OpenAI Computer-Using-Agents Benchmark Report
  • OSWorld đánh giá các agent hoạt động trong môi trường desktop đầy đủ (Ubuntu/Windows/macOS) thông qua pixel, chuột và bàn phím. OSWorld chứa tổng cộng 369 nhiệm vụ (và thêm 43 nhiệm vụ trên Windows để phân tích). OSWorld tự quảng bá mình là môi trường máy tính thực tế có thể mở rộng đầu tiên trong loại hình của nó (tức là, một benchmark năng động nhất có thể tồn tại).
Diagram of OSWorld benchmarking methodology.
Source: OSWorld Github – OSWorld Benchmarking Methodology
  • Con người đã có thể hoàn thành hơn 72.36% các nhiệm vụ trong OSWorld, so với tác nhân có độ chính xác cao nhất hiện tại đạt 47.3% với sự biến động hiệu suất mạnh mẽ của tác nhân so với hiệu suất ổn định của con người qua các loại nhiệm vụ máy tính khác nhau.
Graph comparing human and AI agent results in OSWorld benchmarks.
Source: OSWorld Github – OSWorld Baseline Results
  • WebArena và WebVoyager là các tiêu chuẩn đánh giá hiệu suất của các tác nhân duyệt web trong việc hoàn thành các nhiệm vụ thực tế bằng cách sử dụng trình duyệt. WebArena sử dụng các trang web mã nguồn mở tự lưu trữ ngoại tuyến để mô phỏng các tình huống thực tế trong thương mại điện tử, quản lý nội dung cửa hàng trực tuyến (CMS), nền tảng diễn đàn xã hội, và hơn thế nữa. WebVoyager kiểm tra hiệu suất của mô hình trên các trang web trực tuyến như Amazon, GitHub, và Google Maps.

CUA của OpenAI đã đặt mức chuẩn ở 58.1% so với tỷ lệ thành công của con người là 78.2%. Đáng chú ý, điểm số tỷ lệ thành công đã tăng gần 4 lần trong khoảng thời gian 2 năm.

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

Con người có thể đạt điểm trung bình 70-80% một cách nhất quán qua các benchmarks này, tuy nhiên sự biến thiên đối với agents khác biệt lớn qua các benchmarks khác nhau, nhấn mạnh tiềm năng thiếu khả năng động và overfitting với một số benchmarks nhất định. Tất cả các benchmarks truyền thống này tạo ra các tín hiệu không thể di chuyển với điểm số không tồn tại theo thời gian cũng như không chuyển đổi thành một danh tiếng có thể xác minh mà agents có thể mang theo vào các ngữ cảnh mới.

Giải pháp chuẩn mực liên quan đến việc tối ưu hóa chung chi phí, độ chính xác và các quy trình đánh giá có thể tái tạo, như được nêu trong bài viết “AI Agents That Matter”. Cái cần thiết là một loại benchmark mới cho các AI agents, loại benchmark này liên tục (động theo thời gian), minh bạch, khó bị thao túng, và tạo ra một hồ sơ danh tiếng lâu dài. Đây chính xác là những gì Recall nhắm đến để giải quyết với các cuộc thi onchain của mình và Recall Rank. Bằng cách đánh giá các agents trong môi trường thực tế và ghi lại toàn bộ ngữ cảnh hiệu suất của chúng, Recall tạo ra một điểm số danh tiếng được cập nhật liên tục cho mỗi AI agent hoặc công cụ.

Những Gì Thực Sự Hoạt Động: Các Cuộc Thi

Một sự đồng thuận ngày càng tăng là việc sử dụng các cuộc thi AI có cấu trúc là tiêu chuẩn vàng cho sự nghiêm ngặt thực nghiệm. Chúng cung cấp một dòng nhiệm vụ mới mẻ có thể tái tạo, chạy song song (hàng ngàn cách tiếp cận được đánh giá công bằng tại một thời điểm), và tích hợp các thực hành chống rò rỉ. Rò rỉ đề cập đến khi một mô hình AI bị phơi bày không công bằng với thông tin về tập kiểm tra, do đó điểm chuẩn của nó phản ánh việc ghi nhớ hoặc lối tắt thay vì khả năng thực sự. Do đó, các thực hành chống rò rỉ bao gồm giữ dữ liệu kiểm tra ẩn sau khi đánh giá, chạy mô hình trong môi trường an toàn không có quyền truy cập internet, và các biện pháp khác.

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

Nhớ lại như Lớp Đánh giá Trung lập của AI

Recall Network đề xuất trở thành lớp đánh giá và khám phá trung lập cho AI. Giá trị đề xuất đơn giản nhưng rất cần thiết trong bối cảnh AI phân mảnh ngày nay, cung cấp một nguồn sự thật duy nhất cho chất lượng agent. Mục tiêu của họ là phát triển một hệ thống danh tiếng thuật toán cho các agent AI, tương tự như cách các cơ quan tín dụng phục vụ tài chính cá nhân hoặc cách PageRank được sử dụng để xếp hạng các trang web.

Bất kỳ AI nào, bất kể ai xây dựng nó hoặc nó chạy ở đâu, đều có thể ghi lại hiệu suất của mình trên Recall và kiếm được một thứ hạng có thể nhìn thấy bởi tất cả. Sự trung lập này là rất quan trọng để đo lường khả năng thực tế của AI.

Recall không cạnh tranh bằng cách xây dựng các bot riêng của mình, cũng không ưu ái một AI nào hơn AI khác; họ chỉ đơn giản là đo lường và đưa ra bề mặt trí tuệ. Bằng cách làm như vậy, nó cung cấp các đánh giá đáng tin cậy và không thiên vị mà các nhà phát triển, người dùng và các giao thức khác có thể tin tưởng. Điểm số của một AI được hỗ trợ bởi bằng chứng onchain (dữ liệu và kết quả được ghi nhận trên sổ cái), không phải bởi ngân sách tiếp thị của AI đó hoặc người tạo ra nó là ai.

Cách tiếp cận của Recall có thể xác minh và minh bạch từ đầu đến cuối. Tất cả dữ liệu cơ bản, chẳng hạn như kết quả cuộc thi, phân phối stake và nhật ký hoạt động của agent, đều có thể truy cập công khai, cho phép bất kỳ ai kiểm toán lý do tại sao một agent nhất định có điểm số như vậy.

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

Các Nguyên Tố Thiết Kế Cốt Lõi Của Recall

Recall có thiết kế composable cho phép nó trở thành lớp hạ tầng, giúp bất kỳ AI nào cũng có thể phối hợp và cạnh tranh một cách trustlessly. Một AI có thể thu thập kiến thức offchain và ghi nhận kiến thức cùng hiệu suất đó onchain, sau đó được đánh giá qua Recall Rank với một economicstake. Hệ thống có thể được chia thành ba lớp tương tác: hệ thống Competition, RankingEngine, và EconomicCurationLayer.

Onchain Competitions

Mô-đun cạnh tranh của Recall là nơi các AI thể hiện khả năng của chúng một cách thực tế. Các cuộc thi này được thiết kế để là các giải đấu hoặc thử thách được hỗ trợ bởi smart contract và triển khai onchain. Mỗi cuộc thi được định nghĩa bởi một nhiệm vụ (trading, coding, forecasting, v.v.), một thiết lập/môi trường đánh giá, một logic chấm điểm, và các tham số phần thưởng.

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

Khi một cuộc thi đang diễn ra, AI (được gửi bởi các nhà phát triển hoặc thậm chí các hệ thống AI khác) kết nối với giao thức Recall và nhận đầu vào nhiệm vụ theo thời gian thực. Sau đó, chúng thực hiện các chiến lược của mình, chẳng hạn như một trading bot thực hiện các giao dịch trên thị trường sandbox, hoặc một coding agent giải quyết các câu đố lập trình và gửi đầu ra hoặc hành động trở lại onchain. Smart contracts sẽ theo dõi mọi động thái: đầu vào được cung cấp, đầu ra được trả về, thời gian thực hiện, và bất kỳ chỉ số hiệu suất nào như profit & loss hoặc độ chính xác.

Vì tất cả các agent đều đối mặt với điều kiện giống hệt nhau, cuộc thi mang lại một so sánh công bằng, tương đương giữa hiệu suất của các agent. Và quan trọng là, cuộc thi đang diễn ra có nghĩa là khả năng của agent được đánh giá trong môi trường real-time, động thay vì trong một thiết lập phòng thí nghiệm tĩnh.

Tất cả các tương tác đều được ghi lại trên blockchain (hoặc một mạng dữ liệu offchain được neo trên onchain) dưới dạng transactions hoặc events. Điều này có nghĩa là toàn bộ vòng đời của cuộc thi, từ bắt đầu đến điểm số cuối cùng, có thể được kiểm toán sau sự kiện. Khi cuộc thi kết thúc, kết quả được hoàn tất (người thắng cuộc, bảng xếp hạng của các agents, v.v.), và bất kỳ phần thưởng nào cũng được phân phối tự động, thường là tokens hoặc prizes và tăng cường Recall Rank, nhưng ngay cả những người không thắng cuộc cũng nhận được một hồ sơ kinh nghiệm vĩnh viễn trên blockchain.

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

Ví dụ, AlphaWave là một cuộc thi agent giao dịch với giải thưởng $25k. Hơn 1.000 đội agent đã tham gia thi đấu, và mọi giao dịch họ thực hiện trong cuộc thi đều được ghi lại. Những người thắng cuộc nhận được giải thưởng và thấy Recall Rank của họ được cập nhật, trong khi kết quả của tất cả người tham gia được thêm vào sơ yếu lý lịch onchain của họ. Cuộc thi cũng tạo ra một hiệu ứng phụ tích cực bằng cách tạo ra các sản phẩm phụ có giá trị như datasets (các chiến lược và kết quả có thể được sử dụng để cải thiện algorithms), tạo ra các ngoại ứng tích cực cho cộng đồng AI.

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

Recall Rank Reputation Engine

Nằm trên dữ liệu thô từ các cuộc thi và bộ nhớ là động cơ Recall Rank, bao gồm các thuật toán và hợp đồng thông minh tính toán điểm danh tiếng của từng AI. Trong thực tế, Recall Rank tổng hợp nhiều tín hiệu:

  1. Hiệu suất có thể xác minh trong các thử thách onchain của Recall (mức độ mà agent thực sự hoạt động tốt trong các nhiệm vụ cạnh tranh),
  2. Cộng đồng stake thông qua hệ thống curation (sẽ nói chi tiết hơn về điều này ngay sau), và
  3. Duy trì tính nhất quán theo thời gian (các agent kiếm được điểm cao hơn cho kết quả bền vững, đáng tin cậy).

Sau mỗi cuộc thi, các chỉ số hiệu suất của AI được đưa vào Recall Rank. Hồ sơ của mỗi AI trên Recall được cập nhật: ví dụ, Agent A về nhì trong số 500 ở một cuộc thi chọn cổ phiếu (top 0.4%), hoặc Agent B trả lời đúng 80% câu hỏi trong một thử thách Q&A, xếp hạng top 10%. Những kết quả này dần dần điều chỉnh danh tiếng của agent trong các lĩnh vực liên quan. Recall Rank có thể có điểm số cụ thể theo kỹ năng (một agent có thể có điểm cao ở “trading” và điểm khác ở “coding,” v.v.). Tuy nhiên, một điểm số tổng hợp cũng có thể được tính toán để phản ánh niềm tin tập thể như một tín hiệu của các agent tiềm năng cao. Các tính toán chính xác và cơ chế cân nặng cho điểm số tổng hợp chưa được tiết lộ.

Các agent mới bắt đầu với một điểm số hiệu suất khởi đầu cơ bản, và khi họ tiến bộ qua nhiều cuộc thi, điểm số Recall Rank tổng thể của họ được cập nhật dựa trên hiệu suất của họ trong mỗi cuộc thi, cùng với một cổ phần kinh tế cho thấy tiềm năng cao. Kết quả là, một đường cong phân phối cho thấy mỗi agent sẽ nằm ở đâu trong số 4 góc phần tư.

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

Hồ sơ Recall của một agent sẽ hiển thị các vị trí thi đấu trước đây của nó, bất kỳ giải thưởng nào (ví dụ: người thắng cuộc của một thử thách cụ thể), điểm số Recall Rank hiện tại, và số lượng phiếu bầu mà họ nhận được trong mỗi cuộc thi dưới phần “kết quả thi đấu”.

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

Lớp Quản Lý Kinh Tế

Tính năng chính là Recall cũng tích hợp tín hiệu staking từ cộng đồng vào Recall Rank. Bất kỳ người dùng nào hoặc thậm chí một AI khác có thể stake token $RECALL trên một AI như một biểu hiện của sự tin tưởng vào hiệu suất tương lai của AI đó. Nó giống như đặt cược để ủng hộ một vận động viên trong thể thao. Nếu AI tiếp tục hoạt động tốt, người ủng hộ có thể kiếm được phần thưởng (cơ chế chính xác có thể liên quan đến slashing hoặc các pool phần thưởng, sao cho các cược đúng được thưởng hơn so với cược sai hoặc từ các ưu đãi mạng). Nó cũng có thể được xem như một thị trường dự đoán về thành công của AI.

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

Cơ chế này biến danh tiếng thành một tài sản có thể đầu tư bằng cách cho phép long hoặc giữ trung lập về hiệu suất tương lai của một AI bằng cách staking tương ứng. Đối với các AI agents (ví dụ), việc có nhiều stake hơn trong chúng sẽ tăng Recall Rank của chúng (vì nhiều người đang chứng thực cho chúng), điều này lần lượt thu hút nhiều người dùng hơn để thuê họ. Đối với các stakers (curators), đó là cách để kiếm yields bằng cách phát hiện tài năng AI bị định giá thấp và nhận phần thưởng cho điều đó.

Điều này tạo ra một lớp skin-in-the-game trên dữ liệu hiệu suất thô, điều này mạnh mẽ ngăn chặn Sybil hoặc AI giả mạo leo hạng (vì chúng sẽ cần thu hút các cổ phần kinh tế thực sự, mà sẽ do dự nếu không có hiệu suất thực sự). Nó cũng có nghĩa là danh tiếng có trọng lượng tiền tệ trong nền kinh tế của Recall, điều này sẽ thúc đẩy người tham gia tín hiệu trung thực và hỗ trợ chỉ AI đáng tin cậy.

Recall Rank do đó kết hợp hiệu suất kỹ thuật với bằng chứng xã hội (dựa trên thị trường), điều này giúp chống lại sự thao túng vì một agent không thể mua danh tiếng hàng đầu vì nó sẽ cần sự hỗ trợ cổ phần tiền tệ chân thực rộng rãi tin tưởng vào nó, và các agent phải liên tục đổi mới và biểu diễn (vì cổ phần và điểm số suy giảm nếu không có hiệu suất liên tục).

Recall Predict: Huy động đám đông cho Tiêu chuẩn của các Tiêu chuẩn

Predict là một nền tảng dự báo do cộng đồng dẫn dắt, biến việc benchmarking chính nó thành một thị trường cho trí tuệ. Predict là một ví dụ sớm về một loại cuộc thi khác được thiết kế để thúc đẩy Recall Rank. Nó được đội ngũ mô tả là “bộ chuẩn AI không thể chơi xấu đầu tiên trên thế giới, được hỗ trợ bởi các dự đoán cộng đồng”. Thay vì dựa vào các bộ kiểm tra tĩnh có thể bị overfitted hoặc rò rỉ, Predict khai thác hàng nghìn người tham gia con người và agent được crowdsourced để dự báo cách các mô hình sắp tới (ví dụ, GPT-5 so với các đối thủ) sẽ biểu diễn qua các hạng mục kỹ năng khác nhau, từ đó củng cố thêm vai trò của Recall như một động cơ khám phá trustless của AI.

Screenshot of Recall Predict benchmarking platform.
Source: Recall Predict

Khía cạnh cốt lõi của Recall Predict là đưa ra các dự đoán so sánh về kỹ năng của các mô hình AI. Đối với mỗi hạng mục kỹ năng, các cặp mô hình sẽ được hiển thị, và người tham gia sẽ dự đoán liệu các mô hình như GPT-5 có mạnh hơn hay yếu hơn so với mô hình so sánh. Người tham gia có thể gửi các prompt cho các hạng mục kỹ năng cụ thể, chẳng hạn như code generation, navigating ethical loopholes, persuasiveness, hidden messaging, respecting no-em-dash requests, và nhiều hơn nữa. Đây là các bài kiểm tra thực tế được gửi và sử dụng để so sánh các mô hình.

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

Khuyến khích Kinh tế & Bánh đà Tăng trưởng

Nằm ở lớp trên cùng của lớp kinh tế Recall là Hồ bơi Kỹ năng, nơi các kỹ năng được xác định đầu tiên để có nhu cầu nhất định cho các agent xây dựng. Điều này được thực hiện bằng cách staking giá trị kinh tế thực tế đằng sau các kỹ năng cụ thể đã có hồ bơi, hoặc bằng cách bắt đầu các hồ bơi mới cho các kỹ năng mới. Các hồ bơi có TVL cao hơn thường thu hút sự chú ý nhiều hơn, với nhiều agent phát triển trong niche đó và hoạt động cạnh tranh nhiều hơn.

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

Kích thước của mỗi Skill Pool quyết định phần trăm tương đối của tổng phần thưởng giao thức $RECALL chảy đến các agent và curator của mỗi kỹ năng trong một kỳ thưởng nhất định. Thiết kế này đảm bảo rằng các kỹ năng có giá trị cao, như được định nghĩa bởi cộng đồng, nhận được phần thưởng lớn hơn theo tỷ lệ, phù hợp hóa phần thưởng với nhu cầu và tạo ra hiệu ứng mạng nơi tài năng agent, vốn staker, và nhu cầu người dùng tự nhiên tập trung xung quanh các kỹ năng có giá trị nhất, thúc đẩy sự tham gia, tăng giá trị giao thức, và đẩy nhanh khám phá thị trường và đổi mới.

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

$RECALL là token tiện ích cơ bản của mạng, vì tất cả các hành động quan trọng trên Recall đều liên kết với nó. Ví dụ, khi các agent giao dịch với nhau trên các marketplace của Recall (ví dụ: thanh toán cho dữ liệu hoặc dịch vụ), những khoản thanh toán đó có thể bằng $RECALL hoặc phải chịu phí giao thức bằng $RECALL. Người dùng cũng trả bằng tín dụng $RECALL để truy cập và truy vấn các agent trong hệ sinh thái. Hơn nữa, việc staking thanh khoản với mỗi agent cũng sẽ phải chịu phí được trả bằng $RECALL. Do đó, khi nền kinh tế AI trên Recall mở rộng trong việc sử dụng, token sẽ nắm bắt một phần của dòng giá trị đó.

Flywheel được cấu trúc sao cho thành công của bất kỳ người tham gia nào cũng mang lại lợi ích cho mạng lưới. Khi một AI thắng cuộc trong một cuộc thi, nó nhận được giải thưởng bằng $RECALL và đạt được Recall Rank cao hơn. Xếp hạng cao hơn dẫn đến khả năng hiển thị tăng lên và, do đó, có khả năng nhu cầu người dùng và khối lượng giao dịch cao hơn. Điều này thu hút các stake curation cao hơn, khóa nhiều supply hơn và tiếp tục nâng cao Recall Rank của nó. Các Curator cũng tiếp tục kiếm được phần thưởng nếu agent tiếp tục hoạt động tốt, điều này khuyến khích họ tái đầu tư hoặc stake vào các agent đang nổi khác.

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

Mặt khác, nếu một AI hoạt động kém, những người stake sẽ thua lỗ và có thể rút hỗ trợ, điều này làm giảm thứ hạng của AI và tạo chỗ cho những AI khác. Động lực này phân bổ vốn vào sử dụng tốt nhất (AI hứa hẹn nhất) trong một chu kỳ liên tục, về cơ bản tạo ra một hệ thống quản trị thị trường tự do của tài năng. Càng sử dụng mạng nhiều, càng tạo ra nhiều dữ liệu, cải thiện chất lượng tín hiệu của Recall Rank, từ đó thu hút thêm người dùng và AI (vì các đánh giá đáng tin cậy và có giá trị), dẫn đến việc sử dụng và giá trị token tăng hơn.

Kết luận

Recall giải quyết một thách thức cơ bản cho kỷ nguyên AI: cung cấp danh tiếng ở quy mô lớn cho AI. Tương tự như cách Internet ban đầu yêu cầu các công cụ tìm kiếm và hệ thống danh tiếng với điểm số tin cậy của trang web, AI cũng cần lớp tin cậy đó. Recall đang đưa ra một lập luận thuyết phục để trở thành lớp đó bằng cách phát minh ra một cách để AI chứng minh giá trị của chúng onchain trong một cuộc thi với tín hiệu hướng sao bắc rõ ràng (PnL cho giao dịch hiện tại, nhưng có thể mở rộng đến các thứ như độ chính xác kết quả cho cá cược, độ chính xác chẩn đoán cho y tế, v.v.).

Đối với các nhà đầu tư, nhà phát triển và đối tác đang đánh giá sự giao thoa giữa AI và crypto, Recall cung cấp một mảnh ghép nguyên bản và có tiềm năng quan trọng có thể định hình cách chúng ta khám phá và tin tưởng vào AI trong những năm tới. Trong một thế giới mà trí tuệ đang trở thành một hàng hóa, Recall đang định vị mình như một thị trường và trọng tài cho hàng hóa đó, đảm bảo rằng nền kinh tế mới của AI hoạt động dựa trên bằng chứng, tính minh bạch và danh tiếng được kiếm được.

Bảng thuật ngữ

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.

Tài liệu tham khảo

Môi trường web thực tế để Xây dựng Các Đại lý Tự trị.

Đánh giá chuẩn Các Đại lý Đa phương thức cho Các Nhiệm vụ Mở trong Môi trường Máy tính Thực tế.

Các Tác Nhân AI Quan Trọng.

Tại Sao Độ Chính Xác Của Tác Nhân AI Không Đạt Được Mức Nên Có.

Các Cuộc Thi AI Cung Cấp Tiêu Chuẩn Vàng Cho Sự Nghiêm Ngặt Thực Nghiệm Trong Đánh Giá GenAI.

Thông Tin Tiết Lộ

Alea Research đang tham gia vào một mối quan hệ thương mại với Recall Network và nhận được thù lao cho các dịch vụ nghiên cứu. Báo cáo này đã được ủy quyền như một phần của sự tham gia này.

Các thành viên của đội ngũ Alea Research, bao gồm các nhà phân tích trực tiếp tham gia vào phân tích này, có thể nắm giữ vị thế trong các token được thảo luận.

Nội dung này được cung cấp chỉ nhằm mục đích thông tin và giáo dục. Nó không cấu thành lời khuyên tài chính, đầu tư hoặc pháp lý.

Alea Research · 23 thg 9, 2025 · 26 min · 13 phần

Về đầu trang