KeyFrame內部研究專用

The Agentic Web and the Bazaar Era of AI - Ramesh Raskar, MIT Media Lab

AI Engineer·7月12日週日·12 min英文

三句話摘要

Project Nanda建造AI代理的開放基礎設施,讓不同組織的代理能跨越邊界相互發現、信任和協調。 Project Nanda透過開放索引、可攜式身份和開源模擬,建造互聯網從文檔時代向代理時代轉變所必需的開放基礎設施。 從圍牆花園到開放網路的轉變:當前AI代理被困在各廠商的封閉平台內,就像90年代的AOL生態。未來互聯網將容納數萬億個自主代理,需要開放基礎設施讓它們跨組織邊界無權限地相互發現、委託、支付和學習。

重點整理

重點
  • 1

    從圍牆花園到開放網路的轉變:當前AI代理被困在各廠商的封閉平台內,就像90年代的AOL生態。未來互聯網將容納數萬億個自主代理,需要開放基礎設施讓它們跨組織邊界無權限地相互發現、委託、支付和學習。

  • 2

    Nanda Index的發現機制:類似DNS但功能更強,不只映射地址,還返回動態的Agent Facts記錄。消息先進入消息箱進行安全檢查和存取控制,然後才送到代理,確保信任和可追溯性。

  • 3

    靈活的上線與托管方案:大企業可從自有域名註冊代理,小企業和個人透過host39.org填表單快速獲得託管URL。代理可自託管(完全控制)或使用Maritime等平台(睡眠/喚醒架構降低成本)。

  • 4

    規模化測試的必要性:Nandatown是開源模擬沙箱,將代理網路分解為12層基礎設施,測試發現、身份、支付、協商、共識等真實協調問題。已驗證價格協商、拍賣、投票等場景。

實用技巧與重點

乾貨
  • 項目名稱:Project Nanda(Networked AI Agents in a Decentralized Architecture)
  • 創辦機構:MIT,Ramesh Raskar教授兼Project Nanda主任
  • 三大層面:Discovery(發現)、Commerce(商務)、Bazaar(集市)
  • 核心工具
  • Nanda Index:代理發現層
  • Agent Facts:簽名身份記錄
  • Agent Card:包含代理ID、能力、規則、聯繫方式
  • Message Box:消息安全檢查與路由
  • Open Claw:開源自託管代理網關
  • Maritime:代理托管平台
  • Nandatown:代理網路模擬平台
  • 登錄方式
  • 個人/小企業:host39.org
  • 大企業:自有域名
  • 現有網站:DNS AID
  • Nandatown的12層基礎設施:Transport、Communication、Identity、Registry、Auth、Trust、Payments、Coordination、Negotiation、Memory、Privacy、Data effects
  • 模擬等級:T1(脚本代理)、T2(實際AI模型)
  • 已驗證場景:市場協商、拍賣、投票、共識、供應鏈

結論

結論

Project Nanda透過開放索引、可攜式身份和開源模擬,建造互聯網從文檔時代向代理時代轉變所必需的開放基礎設施。

完整解析

詳細

Project Nanda是MIT發起的開源研究項目,目標是為日益增長的AI代理網路構建開放基礎設施。當前大多數AI代理被困在各廠商的封閉平台內——無論是OpenAI、Google或各大雲廠商,都維護各自的代理生態且彼此無法通信。這種現象讓人回想起90年代晚期的AOL時代,當時互聯網也是一個被圍牆的花園,用戶只能在AOL這一個公司創建的生態內活動。而今天的代理網路正面臨同樣的困境:未來互聯網將容納數萬億個自主代理,它們需要在毫秒級時間內相互協商、委託任務、遷移主機。這種規模的工作負載遠超DNS和現有身份系統的設計能力,因此必須建造全新的開放基礎設施。

Nanda的解決方案分為三個關鍵層面。首先是發現層,由Nanda Index提供。這個索引讓代理發布自己的身份、能力和聯繫方式。每個代理獲得一個agent card,其中包含簽名的agent facts記錄,說明代理是什麼、能做什麼、可以接觸什麼資源、誰構建了它。與DNS只是將名稱映射到地址不同,Nanda Index返回的是動態的代理事實,可以根據請求者身份和權限返回不同的端點。消息不會直接發送給代理,而是先進入消息箱進行安全檢查和存取控制,然後才被轉送。加入Index的方式設計得非常靈活:大企業可以運行自己的目錄並從自有域名註冊;個人和小企業可以透過host39.org填寫agent facts表單獲得託管的代理URL,無需擁有自己的域名。

其次是代理的託管問題。代理需要24小時在線才能被其他代理存取。雖然自託管給予完全控制,但使用者必須承擔維護負擔。對於大規模部署,Maritime這樣的雲託管平台提供了經濟高效的方案,使用睡眠/喚醒架構讓閒置代理不消耗計算資源,大幅降低運行許多代理的成本。第三是協調層,透過Nandatown來測試驗證。Nandatown是一個開源模擬沙箱,可以在安全的環境中運行真實的代理網路場景。它將代理網路分解為傳輸、通信、身份、註冊表、認證、信任、支付、協調、協商、記憶、隱私和數據效應等12個關鍵層面,每一層都是真實代理雲所需要的。使用者可以定義YAML場景文件,注入代理和流量,然後在模擬中觀察端到端的結果。Nandatown已經運行了真實實驗,包括買賣雙方協商價格的市場、代理競標物品的拍賣,以及代理提交和計票的投票測試,這些實驗幫助研究代理在規模化下如何做交易、達成協議、傳遞消息,以及在出錯時如何恢復。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。