Tanto los agentes de IA Web2 como Web3 utilizan grandes modelos de lenguaje (LLM) como piedra angular de la tecnología central. Podría decirse que el auge de los LLM ha hecho realidad a los agentes de IA y ha allanado el camino para su comercialización. Después de la acumulación temprana de tecnología, los LLM marcaron el comienzo de una explosión de aplicaciones en 2022. OpenAI lanzó GPT-3.5, que una vez más ha logrado un progreso significativo en la tecnología de procesamiento del lenguaje natural, pero su AGI no ha alcanzado el nivel de "Agente" en este momento. Desde 2023, muchos fabricantes de todo el mundo han lanzado sucesivamente múltiples modelos de lenguaje grande (LLM) de código abierto, incluidos LLaMA, BLOOM, StableLM, ChatGLM, etc. También han surgido plataformas de creación de agentes de IA como Voiceflow y, hasta agosto de 2023, más de 130,000 equipos han creado agentes de IA en Voiceflow. Después de 2024, la competencia por los LLM se intensificará gradualmente, con versiones mejoradas de LLM y nuevos LLM, incluidos Gemini 2.0 y DeepSeek R1, que se lanzarán continuamente. A medida que el rendimiento de los LLM continúa mejorando, los agentes de IA ya no son solo un concepto en el campo de la investigación, sino una herramienta en la realidad. En 2024, Microsoft integrará 10 agentes de IA autónomos en Dynamics 365 que pueden automatizar procesos de tareas como servicio al cliente, ventas, finanzas y almacenamiento. Google lanzó Gemini 2.0, un modelo multimodal de gran tamaño, a finales del mismo año, y en base a esto, lanzó tres nuevos prototipos de agentes, incluido Project Astra, un asistente de modelo grande de propósito general, y Jules, un asistente de programación. En 2025, OpenAI lanzó su primer operador de agente de IA, capaz de automatizar operaciones complejas como escribir código, reservar viajes y compras de comercio electrónico. A medida que las empresas de LLM lanzan directamente AI Agents, su propósito principal es atraer a desarrolladores y constructores para que utilicen su tecnología LLM, amplíen los escenarios de aplicación y aumenten los ingresos. Esta transición de la investigación a la aplicación también marca una nueva etapa de desarrollo para la tecnología AI Agent.

Durante mucho tiempo, la tecnología de prueba de conocimiento cero se ha considerado una tecnología "perfecta en teoría, lenta en la práctica" debido a su alta sobrecarga computacional y su lenta velocidad en el proceso de generación, lo que dificulta el cumplimiento de los estrictos requisitos del tiempo de generación de bloques de blockchain y dificulta su aplicación en escenarios prácticos. Sin embargo, en 2025, esta situación se revertirá por completo y el rendimiento de ZK ya no será un obstáculo importante para su adopción. Un avance histórico es el sistema de prueba SP1 Hypercube desarrollado por el equipo de Sucinct. Demostró con éxito la capacidad de generar pruebas ZK para más del 93% de los bloques de la red principal de Ethereum dentro de una ranura de bloque de 12 segundos (Slot) en un grupo de GPU de nivel de consumidor, con un tiempo de prueba promedio de solo 10,3 segundos. La razón por la que el Succint SP1 Hypercube ha realizado un avance tecnológico tan significativo puede entenderse simplemente como debido a las siguientes dos mejoras: 🔹 El proceso de generación de pruebas ZK implica codificar los datos de las transacciones de blockchain en un polinomio matemático, lo que ayuda a formar la prueba final. Piense en ello como meter una gran pila de equipaje desordenado en una caja. Los polinomios utilizados en el pasado se llamaban polinomios univariados, que no coincidían con la estructura de los datos de la cadena de bloques, al igual que rellenar elementos cuadrados con una caja redonda, siempre había huecos o apretones, lo que resultaba en una preparación de codificación lenta e ineficiente. SP1 Hypercube inventa nuevos polinomios polilineales, que están más en línea con la naturaleza multidimensional de los datos de transacción, lo que equivale a diseñar una caja rectangular que puede llenar perfectamente el equipaje. Esto acorta en gran medida el tiempo de preparación de la codificación de datos, acelera la generación de pruebas de minutos a segundos y se realiza en tiempo real. 🔹 Resulta que la generación es como una sola persona que empaca manualmente, y todo el proceso es paso a paso y no se puede dividir. SP1 Hypercube ahora usa nuevos algoritmos (incluidos los protocolos de agregación y optimización recursiva) que permiten dividir las pruebas grandes en varias tareas de prueba pequeñas, cada una de las cuales se procesa de forma independiente y luego se combina fácilmente en una prueba completa. La ventaja de dividir es que puede aprovechar al máximo la computación paralela de CPU o GPU de varios núcleos, al igual que varias personas empacando sus maletas al mismo tiempo, lo que resulta en un aumento en la velocidad general, que puede alcanzar la cadencia de Ethereum de un bloque cada 12 segundos para pruebas en tiempo real.

1/ 📖 Lanzamiento del informe de investigación de Web3Caff: "Informe de investigación de 25,000 palabras sobre el ecosistema Ethereum 2025 y la deducción del destino futuro: bajo el final del juego ZK, ¿puede un cambio profundo hacia adentro continuar abriéndose paso y liderando el torrente de la historia?" 》 Escrito por @Web3Caff_Res investigador @ChromiteMerge, el sistema analiza la innovación tecnológica, la reestructuración ecológica y el cambio de gobernanza de Ethereum en 2025: desde la revitalización de L1 y ZKIZATION, hasta la transformación de L2 y la evolución estratégica de la fundación, presentando los puntos de inflexión clave de Ethereum en una vista panorámica. Leer más 👇