L'épisode 2 d'Agent Tank ressemble à une campagne de marché de prévision jusqu'à ce que le vote commence à se décomposer. C'était la partie que j'ai trouvée la plus intéressante. Le problème ne se limite pas à choisir la bonne réponse. Il s'agit de décider qui a le droit de définir la réponse lorsque le résultat est véritablement discutable. Un seul juge peut être pressionné, acheté ou manipulé. Un panel plus large rend cela plus difficile, mais l'escalade de 5 à 11, puis à 23, 47 et 95 révèle quelque chose de plus profond : le désaccord ne disparaît pas simplement parce que davantage d'agents votent. Maintenant, supprimez les humains de la boucle. Un agent paie un autre agent pour accomplir une tâche. Le travail arrive. Un côté affirme qu'il répond à l'accord, l'autre affirme le contraire. Il n'y a pas de tribunal à contacter, pas de ticket support à ouvrir et pas d'opérateur en attente pour prendre la décision finale. Pour qu'une économie agente fonctionne à grande échelle, il faut un moyen de résoudre ces zones grises sans remettre un contrôle permanent à un seul modèle ou à une seule oracle. C'est précisément le rôle qu'une couche d'arbitrage peut jouer, et c'est probablement l'une des pièces d'infrastructure les plus importantes pour les agents qui effectuent réellement des transactions entre eux. C'est ce qui rend @GenLayer intéressant pour moi. Le hackathon Agent Tank explore ce problème en pratique : https://t.co/ruW7dfcKpX