Année charnière de l'IA appliquée : Se contenter de dire oui en ignorant les risques ? Le journal de bord du développement logiciel devient open source

marsbitDipublikasikan tanggal 2026-06-16Terakhir diperbarui pada 2026-06-16

Abstrak

L'ère des applications d'IA est là, mais ses risques se cachent dans un code apparemment correct, menaçant de provoquer des fuites de données ou des pertes financières. Le projet open source **Narwhal AI Code Risks**, issu de l'Université de Pékin, compile ces dangers en un journal de navigation pour le développement logiciel. Il catégorise les incidents en trois niveaux : des **cas réels** (comme l'erreur de configuration d'un oracle Moonwell ayant causé une perte de 1,7 million de dollars), des **signaux précoces** à surveiller, et des **scénarios typiques** de risques. Le danger ne réside pas dans un code erroné, mais dans un code syntaxiquement parfait qui introduit des failles sémantiques, des dépendances inexistantes, des permissions excessives ou des configurations cloud vulnérables. Les agents IA, en enchaînant les actions, complexifient encore la traçabilité. Le projet identifie **7 grandes catégories de risques** : la chaîne d'approvisionnement, les vulnérabilités du code, les configurations cloud/infrastructure, les risques liés aux agents, les risques sectoriels (fintech, santé...), la propriété intellectuelle/conformité, et les facteurs humains. L'objectif est de transformer des expériences dispersées en une connaissance réutilisable, aidant les développeurs à anticiper les pièges, les chercheurs à constituer des bases d'analyse et les éditeurs d'outils à renforcer leurs détections. Il s'agit de créer une mémoire collective pour naviguer de manière plus sûre ...

Les risques de l'IA qui écrit du code se cachent dans du code apparemment correct, pouvant entraîner des fuites de données ou des pertes d'actifs. Le projet open source Narwhal AI Code Risks recense des cas réels, des signaux précoces et des schémas de risques typiques, aidant les développeurs à identifier les dangers potentiels à l'avance et à éviter de répéter les mêmes erreurs.

2026, le code est généré à un rythme de plus en plus rapide, mais est déployé après de moins en moins d'examen.

De plus en plus souvent, les besoins de l'utilisateur sont placés dans une boîte de dialogue, l'IA lit le contexte, complète la fonction, met en place les dépendances, corrige la configuration, et génère même les tests.

Avant qu'on ne s'en rende compte, un morceau de code est déjà dans le dépôt, attendant d'être fusionné.

Les utilisateurs ont même développé de nouvelles habitudes : laisser d'abord l'IA écrire et faire tourner le code, puis regarder ce qui doit être modifié en cas de problème.

Mais dans le monde du logiciel, les choses les plus dangereuses sont souvent des codes qui paraissent banals : syntaxe correcte, interface légale, tests passés, commentaires parfaits.

Pourtant, ils peuvent tout de même introduire des noms de packages inexistants, ouvrir des autorisations trop larges, exposer des bases de données... ou même permettre à un Agent capable d'appeler directement les outils système, sous l'influence d'une injection d'invite, d'exfiltrer des données sensibles hors du système interne.

Ce qui est vraiment dangereux, ce n'est pas que le voyant d'erreur s'allume. C'est que tous les indicateurs de risque affichent "normal".

Les risques liés à l'IA qui écrit du code étaient jusqu'alors dispersés un peu partout : un cas dissimulé dans un blog de sécurité, une piste notée dans une Issue. Lorsqu'une autre équipe rencontrait un problème similaire, elle devait reconstituer la source du risque depuis le début et consacrer d'énormes efforts à des mesures empiriques à grande échelle sur le code.

Le Narwhal-Lab de l'Université de Pékin vient d'ouvrir en open source Narwhal AI Code Risks qui a déjà organisé ces fragments d'information, les classant en trois types : événements réels, signaux précoces et schémas de risques typiques, à la disposition des chercheurs.

Lien de l'article : https://github.com/Narwhal-Lab/Narwhal-aicode-risks

Quand les 28 vérifications sont toutes passées, le système dévie toujours

Le premier indice est une Pull Request déjà fusionnée, où la barre de signature affiche clairement Claude Opus 4.6 et Copilot, ainsi que quatre développeurs humains. Les 28 vérifications sont toutes passées : personne n'a détecté le problème.

Ensuite, le robot de liquidation a mis quelques minutes pour saisir des garanties d'une valeur de 1 778 044,83 dollars.

Dans le fichier de configuration, le prix du cbETH était défini sur le taux de conversion avec l'ETH, soit environ 1,12 dollar, au lieu du prix réel proche de 2 200 dollars.

Une erreur sémantique de prix a ainsi traversé les processus de développement, de vérification et de fusion, pour finalement se transformer en perte réelle dans le système financier. C'est ce qui rend l'incident de configuration de l'oracle cbETH de Moonwell si frappant.

Le problème vient du fait qu'il n'y avait pas d'erreur de syntaxe dans le code, et les développeurs humains n'ont pas immédiatement bloqué le processus anormal. Au contraire, tout semblait complet, fluide, c'était une livraison d'ingénierie normale.

Mais c'est précisément cette normalité aux courants souterrains qui en fait un exemple typique d'incident de sécurité.

Le risque de l'AI Coding réside dans le fait qu'il ne se manifeste pas toujours par des erreurs.

Souvent, il revêt l'apparence de la bonne réponse et entre silencieusement dans le flux d'ingénierie. Le code fonctionne, les vérifications passent, la PR est fusionnée, mais la sémantique métier s'est déjà écartée du monde réel.

Dans un projet à faible risque, cet écart sémantique pourrait n'être qu'une retouche ; mais dans des scénarios sensibles comme la finance ou les systèmes de données d'entreprise, il entraînera directement des fuites de données, des expositions de permissions et des pertes d'actifs.

Lorsque l'IA participe à l'écriture du code, à la modification de la configuration, à la relecture, voire co-signe dans une PR, avons-nous une assurance suffisante pour savoir comment chaque déviation se produit ?

Le signal de feu vert n'éclaire pas tous les recoins

Au début, l'IA vous aidant à écrire du code se limitait souvent à des complétions locales. Si la syntaxe était erronée, le compilateur signalait l'erreur, les tests unitaires échouaient, le processus d'intégration continue (CI) le rejetait.

Aujourd'hui, l'AI Coding va beaucoup plus loin, alors que la régulation tarde à suivre.

Il peut lire des fichiers, modifier des configurations, installer des dépendances, générer des scripts d'infrastructure, et permettre à un Agent de planifier de manière autonome entre plusieurs tâches.

L'IA n'est plus juste assise à côté à passer les outils, elle commence à s'insérer dans des chaînes plus longues de l'ingénierie logicielle.

Les frontières autrefois claires de l'ingénierie logicielle sont reconnectées par l'Agent d'IA en un chemin plus long, plus difficile à retracer.

Des enregistrements dispersés ont besoin d'un journal de bord public

Les incidents de sécurité ont rarement des conclusions complètes dès le départ. Certains ont des preuves solides et peuvent entrer dans le répertoire comme cas réels ; d'autres restent au stade de captures d'écran communautaires, de discussions entre chercheurs ou de divulgations préliminaires, et méritent seulement d'être surveillés ; d'autres encore ne sont liés à aucun événement réel unique, mais présentent déjà un schéma clair, adapté à une simulation préalable.

Narwhal AI Code Risks divise les matériaux en trois couches : `cases/`, `inferred/` et `scenarios/`.

cases/ enregistre les événements réels ayant des sources publiques et une chaîne de preuves étayée ; inferred/ conserve les signaux précoces qui ne sont pas encore totalement avérés, mais méritent un suivi continu ; scenarios/ organise les scénarios typiques qui ne sont pas liés à un événement unique, mais dont le schéma de risque est suffisamment clair.

Sans un tel enregistrement public, les risques de l'AI Coding pourraient facilement devenir une mémoire à court terme sur Internet.

Aujourd'hui, on se souvient d'un nom de package, demain on discute d'une exposition de données, dans quelques mois on est submergé par une nouvelle vague d'outils. Lorsqu'un problème similaire réapparaît, les équipes foncent toujours comme des mouches sans tête dans une zone de navigation aux risques inconnus.

Ce que fait Narwhal AI Code Risks, c'est figer ces fragments de risque épars, pour que les personnes suivantes puissent se référer à la même page.

Suivre les sept catégories d'index, voir d'où vient le risque

Les problèmes apportés par l'IA qui écrit du code ne sont pas seulement dans le code. Ils sont dans les dépendances, dans les permissions, dans les appels d'outils de l'Agent, et surtout dans la façon dont les humains font confiance à la sortie de l'IA.

Narwhal AI Code Risks classe actuellement les risques en 7 catégories : chaîne d'approvisionnement, vulnérabilités au niveau du code, configuration cloud et infrastructure, risques liés aux Agents, risques sectoriels, risques de propriété intellectuelle et de conformité, et facteurs humains.

Dans les risques de la chaîne d'approvisionnement, l'IA peut recommander des dépendances inexistantes. Dans les vulnérabilités au niveau du code, l'IA peut réintroduire des traversées de répertoires, des absences de validation d'entrée, des problèmes d'authentification dans le code métier. Dans la configuration cloud et infrastructure, l'IA peut, pour faire tourner le code rapidement, accorder des autorisations trop larges, des buckets de stockage publics ou des ports exposés. Les risques liés aux Agents sont plus complexes, il ne s'agit plus seulement de générer du texte, mais de commencer à exécuter des actions. Les productions de l'IA sont en train de semer des dangers dans des systèmes réels.

Le moteur de l'IA démarre, et le journal de bord commence tout juste à s'écrire

Alors que l'IA pénètre progressivement dans le monde réel, la prévention des risques associés ne devrait pas se limiter à des analyses post-mortem ou des discussions éparses.

L'aspect vraiment important de Narwhal AI Code Risks est de transformer les cas de risque en connaissances réutilisables.

Les développeurs peuvent l'utiliser pour identifier des problèmes similaires ; les chercheurs en sécurité peuvent s'en servir comme base d'échantillons ; les éditeurs d'outils peuvent en extraire des règles de détection et des benchmarks d'évaluation ; la communauté open source peut également continuer à ajouter de nouveaux cas, de nouvelles preuves et de nouveaux types de risques.

Le moteur de l'IA rugit, et chaque déviation devrait laisser ses coordonnées. Le risque ne disparaît jamais parce qu'on l'ignore, mais l'expérience peut être enregistrée et transmise. La valeur réelle ne réside pas dans la découverte d'une vulnérabilité, mais dans le fait que ceux qui suivent n'aient pas à retomber dans le même piège.

Ce que Narwhal AI Code Risks est en train de faire, c'est laisser un journal de bord open source pour le monde logiciel de l'année charnière de l'IA appliquée.

Références :

https://github.com/Narwhal-Lab/Narwhal-aicode-risks

Cet article provient du compte WeChat public "新智元", auteur : LRST

Pertanyaan Terkait

QQuel est l'objectif principal du projet Narwhal AI Code Risks récemment publié en open source par Narwhal-Lab ?

AL'objectif principal du projet Narwhal AI Code Risks est de compiler et d'organiser des informations sur les risques liés à l'écriture de code par l'IA. Il classe ces informations en trois catégories (cas réels, signaux précoces et scénarios typiques) afin d'aider les développeurs, chercheurs et autres parties prenantes à identifier les risques potentiels de manière proactive, à éviter de répéter les mêmes erreurs et à transformer les incidents passés en connaissances réutilisables pour la communauté.

QD'après l'article, pourquoi le risque lié au code généré par l'IA est-il particulièrement dangereux dans des domaines comme la finance ?

ALe risque lié au code généré par l'IA est particulièrement dangereux dans des domaines comme la finance car les erreurs ne se manifestent pas toujours par des bugs ou des échecs de compilation évidents. L'IA peut produire du code syntaxiquement correct, passant tous les tests et vérifications, mais introduisant une erreur sémantique discrète (comme une mauvaise valeur de configuration). Dans un système financier, une telle erreur peut directement entraîner des pertes d'actifs importantes, comme illustré par l'exemple de l'incident de l'oracle cbETH de Moonwell, qui a causé une perte de près de 1,8 million de dollars.

QEn quoi l'intervention des agents IA dans le développement logiciel complique-t-elle la gestion des risques selon l'article ?

AL'intervention des agents IA complique la gestion des risques car elle étend et brouille les frontières traditionnelles du processus de développement logiciel. Contrairement aux outils d'autocomplétion simples, les agents IA peuvent lire des fichiers, modifier des configurations, installer des dépendances, générer des scripts d'infrastructure et planifier des tâches entre elles. Cela crée une chaîne d'actions plus longue et plus complexe, dont il est plus difficile de tracer l'origine et de vérifier chaque étape, augmentant ainsi la surface d'attaque et rendant les défaillances plus difficiles à détecter en amont.

QComment le projet Narwhal AI Code Risks catégorise-t-il les différents types de matériaux ou de risques qu'il recense ?

ALe projet Narwhal AI Code Risks catégorise les matériaux en trois dossiers principaux : `cases/` pour les incidents réels avec des preuves et une chaîne de causalité établie, `inferred/` pour les signaux précoces ou les discussions communautaires qui méritent d'être surveillés mais ne sont pas encore totalement confirmés, et `scenarios/` pour les modèles de risque clairs et typiques qui ne sont pas nécessairement liés à un seul événement spécifique. De plus, il classe les risques eux-mêmes en sept catégories : risques liés à la chaîne d'approvisionnement, vulnérabilités au niveau du code, configuration du cloud et de l'infrastructure, risques liés aux agents, risques sectoriels spécifiques, risques de propriété intellectuelle et de conformité, et facteurs humains.

QQuelle métaphore l'article utilise-t-il pour décrire la valeur du projet Narwhal AI Code Risks pour la communauté du développement logiciel à l'ère de l'IA ?

AL'article utilise la métaphore d'un "journal de bord open source" (ou "logbook") pour décrire la valeur du projet Narwhal AI Code Risks. Tout comme un journal de bord maritime enregistre les itinéraires, les incidents et les enseignements d'un voyage, ce projet vise à documenter systématiquement les "déviations" (les incidents de sécurité et les risques) rencontrées lors du développement de logiciels avec l'IA. Cela permet à la communauté de ne pas oublier les erreurs passées, de partager les connaissances et, en fin de compte, d'éviter que les équipes suivantes ne retombent dans les mêmes pièges, naviguant ainsi plus sûrement dans le paysage nouveau et risqué du développement assisté par l'IA.

Bacaan Terkait

Dialog dengan Kepala Strategi Digital Morgan Stanley: Bitcoin Mencapai Satu Juta Dolar Bukan Tidak Mungkin, Tapi Saya Harap Perlahan

Morgan Stanley mengelola triliunan dolar aset dan sekarang membawa Bitcoin ke klien mereka. Amy Oldenburg, Kepala Strategi Aset Digital di Morgan Stanley, membagikan wawasannya tentang perjalanan Bitcoin. Ia menyoroti kontras antara ETF Bitcoin (MSBT) yang mencetak rekor peluncuran hari pertama di bank tersebut, dengan sebagian besar penasihat keuangan yang masih enggan merekomendasikannya karena harga Bitcoin cenderung stagnan sejak rekomendasi resmi bank. Oldenburg berpendapat bahwa adopsi Bitcoin selanjutnya mungkin memerlukan katalis berupa peristiwa yang mengganggu sistem keuangan tradisional. Ia tidak terkejut jika Bitcoin mencapai satu juta dolar dalam lima tahun, tetapi berharap kenaikan tersebut terjadi secara perlahan untuk stabilitas aset. Dia menekankan pentingnya pendidikan dalam mengatasi kesenjangan pemahaman, termasuk perbedaan mendasar antara memegang Bitcoin secara langsung dan melalui ETP, serta perbedaan antara berbagai aset kripto. Meskipun institusi keuangan besar seperti Morgan Stanley menawarkan layanan terpusat yang memudahkan likuiditas dan perencanaan warisan, Oldenburg menghargai dan berharap semangat 'cypherpunk' dan kedaulatan diri dalam ekosistem Bitcoin tetap hidup. Menurutnya, perjalanan aset digital masih sangat panjang dan akan terus berkembang seiring dengan kemajuan teknologi.

marsbit14m yang lalu

Dialog dengan Kepala Strategi Digital Morgan Stanley: Bitcoin Mencapai Satu Juta Dolar Bukan Tidak Mungkin, Tapi Saya Harap Perlahan

marsbit14m yang lalu

"Tujuh Raksasa" Tidak Cukup Lagi? IPO SpaceX Diborong Retail, Wall Street Sajikan "Sepuluh Raksasa AI & Teknologi"

SpaceX meluncurkan IPO pada hari Jumat dengan sukses besar, menarik investasi ritel bersih sebesar $117 juta pada hari pertama, atau 56% dari semua pembelian saham ritel AS hari itu. Menanggapi fenomena ini, lembaga riset Vanda Research mengusulkan konsep baru "FAB 10" (Frontier AI & Big Tech 10) untuk menggantikan grup "Tujuh Raksasa" yang lama. Konsep ini mencakup sepuluh perusahaan teknologi dan AI terdepan, dengan menambahkan SpaceX, OpenAI, dan Anthropic ke dalam tujuh raksasa yang ada. OpenAI dan Anthropic diharapkan akan go public akhir tahun ini dengan valuasi yang sangat tinggi. Analis Vanda berpendapat bahwa perusahaan-perusahaan ini mewakili arah industri teknologi dan AI untuk dekade mendatang. Namun, antusiasme investor ritel terhadap SpaceX berpotensi mengalihkan modal dari sektor lain seperti saham semikonduktor, yang sebelumnya populer. Sementara itu, Bank of America memiliki versi lain yang disebut "AI Big 10", yang lebih berfokus pada perusahaan perangkat keras semikonduktor seperti Broadcom, AMD, dan Micron. Perbedaan ini mencerminkan taruhan berbeda tentang pemain kunci masa depan. Analis memperingatkan bahwa valuasi di sektor teknologi secara keseluruhan mulai menunjukkan tanda-tanda gelembung. Keberlanjutan optimisme pasar, terutama mengingat valuasi SpaceX yang mencapai $1,75 triliun, masih harus diuji oleh waktu.

marsbit19m yang lalu

"Tujuh Raksasa" Tidak Cukup Lagi? IPO SpaceX Diborong Retail, Wall Street Sajikan "Sepuluh Raksasa AI & Teknologi"

marsbit19m yang lalu

Transaksi Merger dan Akuisisi di Pasar Kripto Sedang Sangat Aktif

**Ringkasan:** Aktivitas merger dan akuisisi (M&A) di pasar kripto sedang sangat aktif, menyentuh tingkat tertinggi historis, dengan porsi M&A mencapai sekitar 42% dari total transaksi pasar primer. Lonjakan ini terutama didorong oleh lesunya pasar pendanaan, di mana jumlah putaran pendanaan turun drastis. Hal ini menciptakan peluang bagi perusahaan besar seperti Coinbase, Kraken, Ripple, dan MoonPay untuk mengakuisisi tim, teknologi, lisensi, dan akses pasar dengan harga yang lebih rendah dan daya tawar yang lebih kuat. Fokus utama akuisisi saat ini meliputi: 1. **Infrastruktur perdagangan** (terutama derivatif dan multi-aset). 2. **Pembayaran & stablecoin** (memperluas jaringan dan kepatuhan). 3. **Aset RWA & distribusi** (menguasai sumber aliran aset baru). 4. **Lisensi dan sumber daya kepatuhan regulasi.** Perubahan ini menggeser logika keluar (*exit*) bagi startup, dari sekadar bergantung pada peluncuran token ke kemungkinan diakuisisi berdasarkan nilai strategis dan kemampuan riil produk. Meski memberi sinyal positif bahwa pasar masih dinamis, tren ini juga mengindikasikan industri kripto menjadi lebih terpusat. Pasar beralih dari era startup berbiaya rendah ke konsolidasi di bawah raksasa yang menguasai lintasan aset, likuiditas, dan kepatuhan regulasi.

链捕手30m yang lalu

Transaksi Merger dan Akuisisi di Pasar Kripto Sedang Sangat Aktif

链捕手30m yang lalu

Transaksi Merger dan Akuisisi di Pasar Kripto Sedang Sangat Aktif

Pasar kripto mengalami peningkatan aktivitas merger dan akuisisi (M&A) yang signifikan, dengan proporsinya mencapai rekor tertinggi sekitar 42% dari total transaksi primer menurut data RootData. Lonjakan ini terutama didorong oleh lesunya pasar pendanaan, di mana jumlah putaran pendanaan turun drastis dari sekitar 100 menjadi 50 per bulan. Kondisi ini menciptakan peluang bagi perusahaan besar untuk mengakuisisi tim, teknologi, lisensi, dan aset strategis lainnya dengan harga yang lebih rendah dan persaingan yang lebih sedikit. Pemain utama seperti Coinbase, Kraken, Ripple, dan MoonPay aktif melakukan akuisisi untuk memperkuat kemampuan inti mereka, seperti infrastruktur perdagangan (terutama derivatif), pembayaran & stablecoin, kepatuhan regulasi, serta distribusi dan penerbitan aset (RWA). Pergeseran ini mengubah logika keluar (exit) di pasar primer, dari ketergantungan pada penerbitan token menuju nilai strategis yang dapat diintegrasikan ke dalam platform yang lebih besar. Meski memberi jalan keluar baru bagi startup, tren ini juga mengindikasikan industri kripto yang semakin terpusat, dengan hambatan masuk yang lebih tinggi karena dominasi platform besar dan kompleksitas regulasi.

marsbit31m yang lalu

Transaksi Merger dan Akuisisi di Pasar Kripto Sedang Sangat Aktif

marsbit31m yang lalu

Peta Ekosistem Privasi Solana: Tumpukan Privasi Lengkap dari Komputasi ke AI

**Ringkasan: Peta Ekosistem Privasi Solana, dari Komputasi hingga AI** Ekosistem privasi Solana masih dalam tahap awal. Untuk menciptakan tumpukan privasi yang matang dan dapat dikomposisikan, elemen-elemen seperti verifikasi formal, tanpa komite, kekekalan, dan kode sumber terbuka diperlukan. Arsitektur unik Solana memungkinkan skalabilitas tanpa bergantung pada rollup yang persisten. Dua bidang utama pengembangan privasi di Solana adalah Neobanks dan Private DeFi. Dari segi teknologi, solusi akhir kemungkinan akan menggabungkan FHE (Fully Homomorphic Encryption) dan ZK (Zero-Knowledge Proofs). **Komputasi Privasi (Private Compute):** * **Arcium:** Menyediakan komputasi privasi melalui MPC (Multi-Party Computation), dengan data diproses di MXEs (Multi-Party eXecution Environments) dan diselesaikan di Solana. Mereka juga membangun standar token Confidential SPL (C-SPL) untuk transaksi rahasia. * **Magic Block:** Menggunakan TEE (Trusted Execution Environment) untuk membuat lingkungan eksekusi pribadi (Private Ephemeral Rollup) yang menjaga kerahasiaan, skalabilitas, dan komposabilitas. Kedua infrastruktur ini mendukung pembuatan buku order privat, kolam gelap (dark pool), dan aplikasi DeFi privat. **Transfer dan Saldo Privasi:** * **Umbra:** Dibangun di atas Arcium, memperkenalkan Encrypted Token Accounts (ETAs) yang menyembunyikan jumlah transaksi, saldo, dan menghubungkan pengirim dengan penerima melalui pool pencampur dan bukti ZK. Juga menawarkan fitur kepatuhan. * **Privacy Cash & Hush:** Menggunakan pool pencampur seperti Tornado untuk SOL. Hush mengintegrasikan yield staking (jitoSOL) dan penukaran privat melalui Jupiter. **Tanpa Jejak di Chain (No Onchain Trail):** Solusi untuk melindungi strategi perdagangan dari front-running dan MEV: * **encifherio:** Antarmuka DeFi privat yang merutekan transaksi melalui Jupiter sambil mengenkripsi detailnya menggunakan ElGamal. Pemrosesan terjadi di TEE. * **VanishTrade:** Infrastruktur yang merutekan transaksi melalui likuiditas terselubung untuk melindungi strategi. * **Darklake:** Membangun infrastruktur likuiditas native-ZK dan kolam gelap, termasuk zk-AMM yang menyembunyikan data slippage sebelum eksekusi untuk mencegah serangan sandwich. **Pasar Prediksi Privasi (Private Prediction Markets):** Protokol seperti **Melee Markets** memanfaatkan infrastruktur MPC Arcium untuk mengenkripsi buku order di pasar prediksi, memungkinkan peserta bertaruh tanpa mengungkapkan posisi mereka secara publik hingga penyelesaian. **AI Privasi (Private AI):** Sebagai agen AI semakin banyak beroperasi di on-chain, **Loyal** membangun protokol cerdas yang terdesentralisasi dan anti-sensor. Dengan memanfaatkan rollup sementara Magic Block dan komputasi terenkripsi Arcium, Loyal menyimpan data pengguna (percakapan, preferensi) dalam bentuk terenkripsi di Solana, dengan aturan akses ketat. Pengguna memiliki dan dapat mengelola data mereka, sekaligus melakukan transaksi dan manajemen dana secara privat.

Foresight News37m yang lalu

Peta Ekosistem Privasi Solana: Tumpukan Privasi Lengkap dari Komputasi ke AI

Foresight News37m yang lalu

Trading

Spot
Futures

Artikel Populer

Apa Itu $S$

Memahami SPERO: Tinjauan Komprehensif Pengenalan SPERO Seiring dengan perkembangan lanskap inovasi, munculnya teknologi web3 dan proyek cryptocurrency memainkan peran penting dalam membentuk masa depan digital. Salah satu proyek yang telah menarik perhatian di bidang dinamis ini adalah SPERO, yang dilambangkan sebagai SPERO,$$s$. Artikel ini bertujuan untuk mengumpulkan dan menyajikan informasi terperinci tentang SPERO, untuk membantu para penggemar dan investor memahami dasar-dasar, tujuan, dan inovasi dalam domain web3 dan crypto. Apa itu SPERO,$$s$? SPERO,$$s$ adalah proyek unik dalam ruang crypto yang berusaha memanfaatkan prinsip desentralisasi dan teknologi blockchain untuk menciptakan ekosistem yang mendorong keterlibatan, utilitas, dan inklusi finansial. Proyek ini dirancang untuk memfasilitasi interaksi peer-to-peer dengan cara baru, memberikan pengguna solusi dan layanan keuangan yang inovatif. Pada intinya, SPERO,$$s$ bertujuan untuk memberdayakan individu dengan menyediakan alat dan platform yang meningkatkan pengalaman pengguna dalam ruang cryptocurrency. Ini termasuk memungkinkan metode transaksi yang lebih fleksibel, mendorong inisiatif yang dipimpin komunitas, dan menciptakan jalur untuk peluang finansial melalui aplikasi terdesentralisasi (dApps). Visi mendasar dari SPERO,$$s$ berputar di sekitar inklusivitas, bertujuan untuk menjembatani kesenjangan dalam keuangan tradisional sambil memanfaatkan manfaat teknologi blockchain. Siapa Pencipta SPERO,$$s$? Identitas pencipta SPERO,$$s$ tetap agak samar, karena ada sumber daya publik yang terbatas yang memberikan informasi latar belakang terperinci tentang pendiriannya. Kurangnya transparansi ini dapat berasal dari komitmen proyek terhadap desentralisasi—sebuah etos yang banyak proyek web3 bagi, memprioritaskan kontribusi kolektif di atas pengakuan individu. Dengan memusatkan diskusi di sekitar komunitas dan tujuan kolektifnya, SPERO,$$s$ mewujudkan esensi pemberdayaan tanpa menonjolkan individu tertentu. Dengan demikian, memahami etos dan misi SPERO tetap lebih penting daripada mengidentifikasi pencipta tunggal. Siapa Investor SPERO,$$s$? SPERO,$$s$ didukung oleh beragam investor mulai dari modal ventura hingga investor malaikat yang berdedikasi untuk mendorong inovasi di sektor crypto. Fokus investor ini umumnya sejalan dengan misi SPERO—memprioritaskan proyek yang menjanjikan kemajuan teknologi sosial, inklusivitas finansial, dan tata kelola terdesentralisasi. Fondasi investor ini biasanya tertarik pada proyek yang tidak hanya menawarkan produk inovatif tetapi juga memberikan kontribusi positif kepada komunitas blockchain dan ekosistemnya. Dukungan dari investor ini memperkuat SPERO,$$s$ sebagai pesaing yang patut diperhitungkan di domain proyek crypto yang berkembang pesat. Bagaimana SPERO,$$s$ Bekerja? SPERO,$$s$ menerapkan kerangka kerja multi-faceted yang membedakannya dari proyek cryptocurrency konvensional. Berikut adalah beberapa fitur kunci yang menekankan keunikan dan inovasinya: Tata Kelola Terdesentralisasi: SPERO,$$s$ mengintegrasikan model tata kelola terdesentralisasi, memberdayakan pengguna untuk berpartisipasi aktif dalam proses pengambilan keputusan mengenai masa depan proyek. Pendekatan ini mendorong rasa kepemilikan dan akuntabilitas di antara anggota komunitas. Utilitas Token: SPERO,$$s$ memanfaatkan token cryptocurrency-nya sendiri, yang dirancang untuk melayani berbagai fungsi dalam ekosistem. Token ini memungkinkan transaksi, hadiah, dan fasilitasi layanan yang ditawarkan di platform, meningkatkan keterlibatan dan utilitas secara keseluruhan. Arsitektur Berlapis: Arsitektur teknis SPERO,$$s$ mendukung modularitas dan skalabilitas, memungkinkan integrasi fitur dan aplikasi tambahan secara mulus seiring dengan perkembangan proyek. Kemampuan beradaptasi ini sangat penting untuk mempertahankan relevansi di lanskap crypto yang selalu berubah. Keterlibatan Komunitas: Proyek ini menekankan inisiatif yang dipimpin komunitas, menggunakan mekanisme yang memberikan insentif untuk kolaborasi dan umpan balik. Dengan memelihara komunitas yang kuat, SPERO,$$s$ dapat lebih baik memenuhi kebutuhan pengguna dan beradaptasi dengan tren pasar. Fokus pada Inklusi: Dengan menawarkan biaya transaksi yang rendah dan antarmuka yang ramah pengguna, SPERO,$$s$ bertujuan untuk menarik basis pengguna yang beragam, termasuk individu yang mungkin sebelumnya tidak terlibat dalam ruang crypto. Komitmen ini terhadap inklusi sejalan dengan misi utamanya untuk memberdayakan melalui aksesibilitas. Garis Waktu SPERO,$$s$ Memahami sejarah proyek memberikan wawasan penting tentang trajektori dan tonggak perkembangannya. Berikut adalah garis waktu yang disarankan yang memetakan peristiwa signifikan dalam evolusi SPERO,$$s$: Fase Konseptualisasi dan Ideasi: Ide awal yang membentuk dasar SPERO,$$s$ dikembangkan, sangat selaras dengan prinsip desentralisasi dan fokus komunitas dalam industri blockchain. Peluncuran Whitepaper Proyek: Setelah fase konseptual, whitepaper komprehensif yang merinci visi, tujuan, dan infrastruktur teknologi SPERO,$$s$ dirilis untuk menarik minat dan umpan balik komunitas. Pembangunan Komunitas dan Keterlibatan Awal: Upaya jangkauan aktif dilakukan untuk membangun komunitas pengguna awal dan investor potensial, memfasilitasi diskusi seputar tujuan proyek dan mendapatkan dukungan. Acara Generasi Token: SPERO,$$s$ melakukan acara generasi token (TGE) untuk mendistribusikan token asli kepada pendukung awal dan membangun likuiditas awal dalam ekosistem. Peluncuran dApp Awal: Aplikasi terdesentralisasi (dApp) pertama yang terkait dengan SPERO,$$s$ diluncurkan, memungkinkan pengguna untuk terlibat dengan fungsionalitas inti platform. Pengembangan Berkelanjutan dan Kemitraan: Pembaruan dan peningkatan berkelanjutan terhadap penawaran proyek, termasuk kemitraan strategis dengan pemain lain di ruang blockchain, telah membentuk SPERO,$$s$ menjadi pemain yang kompetitif dan berkembang di pasar crypto. Kesimpulan SPERO,$$s$ berdiri sebagai bukti potensi web3 dan cryptocurrency untuk merevolusi sistem keuangan dan memberdayakan individu. Dengan komitmen terhadap tata kelola terdesentralisasi, keterlibatan komunitas, dan fungsionalitas yang dirancang secara inovatif, ia membuka jalan menuju lanskap keuangan yang lebih inklusif. Seperti halnya investasi di ruang crypto yang berkembang pesat, calon investor dan pengguna dianjurkan untuk melakukan riset secara menyeluruh dan terlibat dengan perkembangan yang sedang berlangsung dalam SPERO,$$s$. Proyek ini menunjukkan semangat inovatif industri crypto, mengundang eksplorasi lebih lanjut ke dalam berbagai kemungkinan yang ada. Meskipun perjalanan SPERO,$$s$ masih berlangsung, prinsip-prinsip dasarnya mungkin benar-benar mempengaruhi masa depan cara kita berinteraksi dengan teknologi, keuangan, dan satu sama lain dalam ekosistem digital yang saling terhubung.

75 Total TayanganDipublikasikan pada 2024.12.17Diperbarui pada 2024.12.17

Apa Itu $S$

Apa Itu AGENT S

Agent S: Masa Depan Interaksi Otonom di Web3 Pendahuluan Dalam lanskap Web3 dan cryptocurrency yang terus berkembang, inovasi secara konstan mendefinisikan ulang cara individu berinteraksi dengan platform digital. Salah satu proyek perintis, Agent S, menjanjikan untuk merevolusi interaksi manusia-komputer melalui kerangka agen terbuka. Dengan membuka jalan untuk interaksi otonom, Agent S bertujuan untuk menyederhanakan tugas-tugas kompleks, menawarkan aplikasi transformasional dalam kecerdasan buatan (AI). Eksplorasi mendetail ini akan menyelami seluk-beluk proyek, fitur uniknya, dan implikasinya untuk domain cryptocurrency. Apa itu Agent S? Agent S berdiri sebagai kerangka agen terbuka yang inovatif, dirancang khusus untuk mengatasi tiga tantangan mendasar dalam otomatisasi tugas komputer: Memperoleh Pengetahuan Spesifik Domain: Kerangka ini secara cerdas belajar dari berbagai sumber pengetahuan eksternal dan pengalaman internal. Pendekatan ganda ini memberdayakannya untuk membangun repositori pengetahuan spesifik domain yang kaya, meningkatkan kinerjanya dalam pelaksanaan tugas. Perencanaan Selama Rentang Tugas yang Panjang: Agent S menggunakan perencanaan hierarkis yang ditingkatkan pengalaman, pendekatan strategis yang memfasilitasi pemecahan dan pelaksanaan tugas-tugas rumit dengan efisien. Fitur ini secara signifikan meningkatkan kemampuannya untuk mengelola beberapa subtugas dengan efisien dan efektif. Menangani Antarmuka Dinamis dan Tidak Seragam: Proyek ini memperkenalkan Antarmuka Agen-Komputer (ACI), solusi inovatif yang meningkatkan interaksi antara agen dan pengguna. Dengan memanfaatkan Model Bahasa Besar Multimodal (MLLM), Agent S dapat menavigasi dan memanipulasi berbagai antarmuka pengguna grafis dengan mulus. Melalui fitur-fitur perintis ini, Agent S menyediakan kerangka kerja yang kuat yang mengatasi kompleksitas yang terlibat dalam mengotomatisasi interaksi manusia dengan mesin, membuka jalan untuk berbagai aplikasi dalam AI dan seterusnya. Siapa Pencipta Agent S? Meskipun konsep Agent S secara fundamental inovatif, informasi spesifik tentang penciptanya tetap samar. Pencipta saat ini tidak diketahui, yang menyoroti baik tahap awal proyek atau pilihan strategis untuk menjaga anggota pendiri tetap tersembunyi. Terlepas dari anonimitas, fokus tetap pada kemampuan dan potensi kerangka kerja. Siapa Investor Agent S? Karena Agent S relatif baru dalam ekosistem kriptografi, informasi terperinci mengenai investor dan pendukung keuangannya tidak secara eksplisit didokumentasikan. Kurangnya wawasan yang tersedia untuk umum mengenai fondasi investasi atau organisasi yang mendukung proyek ini menimbulkan pertanyaan tentang struktur pendanaannya dan peta jalan pengembangannya. Memahami dukungan sangat penting untuk mengukur keberlanjutan proyek dan potensi dampak pasar. Bagaimana Cara Kerja Agent S? Di inti Agent S terletak teknologi mutakhir yang memungkinkannya berfungsi secara efektif dalam berbagai pengaturan. Model operasionalnya dibangun di sekitar beberapa fitur kunci: Interaksi Komputer yang Mirip Manusia: Kerangka ini menawarkan perencanaan AI yang canggih, berusaha untuk membuat interaksi dengan komputer lebih intuitif. Dengan meniru perilaku manusia dalam pelaksanaan tugas, ia menjanjikan untuk meningkatkan pengalaman pengguna. Memori Naratif: Digunakan untuk memanfaatkan pengalaman tingkat tinggi, Agent S memanfaatkan memori naratif untuk melacak sejarah tugas, sehingga meningkatkan proses pengambilan keputusannya. Memori Episodik: Fitur ini memberikan panduan langkah demi langkah kepada pengguna, memungkinkan kerangka untuk menawarkan dukungan kontekstual saat tugas berlangsung. Dukungan untuk OpenACI: Dengan kemampuan untuk berjalan secara lokal, Agent S memungkinkan pengguna untuk mempertahankan kontrol atas interaksi dan alur kerja mereka, sejalan dengan etos terdesentralisasi Web3. Integrasi Mudah dengan API Eksternal: Versatilitas dan kompatibilitasnya dengan berbagai platform AI memastikan bahwa Agent S dapat dengan mulus masuk ke dalam ekosistem teknologi yang ada, menjadikannya pilihan menarik bagi pengembang dan organisasi. Fungsionalitas ini secara kolektif berkontribusi pada posisi unik Agent S dalam ruang kripto, saat ia mengotomatisasi tugas-tugas kompleks yang melibatkan banyak langkah dengan intervensi manusia yang minimal. Seiring proyek ini berkembang, aplikasi potensialnya di Web3 dapat mendefinisikan ulang bagaimana interaksi digital berlangsung. Garis Waktu Agent S Pengembangan dan tonggak Agent S dapat dirangkum dalam garis waktu yang menyoroti peristiwa pentingnya: 27 September 2024: Konsep Agent S diluncurkan dalam sebuah makalah penelitian komprehensif berjudul “Sebuah Kerangka Agen Terbuka yang Menggunakan Komputer Seperti Manusia,” yang menunjukkan dasar untuk proyek ini. 10 Oktober 2024: Makalah penelitian tersebut dipublikasikan secara terbuka di arXiv, menawarkan eksplorasi mendalam tentang kerangka kerja dan evaluasi kinerjanya berdasarkan tolok ukur OSWorld. 12 Oktober 2024: Sebuah presentasi video dirilis, memberikan wawasan visual tentang kemampuan dan fitur Agent S, lebih lanjut melibatkan pengguna dan investor potensial. Tanda-tanda dalam garis waktu ini tidak hanya menggambarkan kemajuan Agent S tetapi juga menunjukkan komitmennya terhadap transparansi dan keterlibatan komunitas. Poin Kunci Tentang Agent S Seiring kerangka Agent S terus berkembang, beberapa atribut kunci menonjol, menekankan sifat inovatif dan potensinya: Kerangka Inovatif: Dirancang untuk memberikan penggunaan komputer yang intuitif seperti interaksi manusia, Agent S membawa pendekatan baru untuk otomatisasi tugas. Interaksi Otonom: Kemampuan untuk berinteraksi secara otonom dengan komputer melalui GUI menandakan lompatan menuju solusi komputasi yang lebih cerdas dan efisien. Otomatisasi Tugas Kompleks: Dengan metodologinya yang kuat, ia dapat mengotomatisasi tugas-tugas kompleks yang melibatkan banyak langkah, membuat proses lebih cepat dan kurang rentan terhadap kesalahan. Perbaikan Berkelanjutan: Mekanisme pembelajaran memungkinkan Agent S untuk belajar dari pengalaman masa lalu, terus meningkatkan kinerja dan efektivitasnya. Versatilitas: Adaptabilitasnya di berbagai lingkungan operasi seperti OSWorld dan WindowsAgentArena memastikan bahwa ia dapat melayani berbagai aplikasi. Saat Agent S memposisikan dirinya di lanskap Web3 dan kripto, potensinya untuk meningkatkan kemampuan interaksi dan mengotomatisasi proses menandakan kemajuan signifikan dalam teknologi AI. Melalui kerangka inovatifnya, Agent S mencerminkan masa depan interaksi digital, menjanjikan pengalaman yang lebih mulus dan efisien bagi pengguna di berbagai industri. Kesimpulan Agent S mewakili lompatan berani ke depan dalam pernikahan AI dan Web3, dengan kapasitas untuk mendefinisikan ulang cara kita berinteraksi dengan teknologi. Meskipun masih dalam tahap awal, kemungkinan aplikasinya sangat luas dan menarik. Melalui kerangka komprehensifnya yang mengatasi tantangan kritis, Agent S bertujuan untuk membawa interaksi otonom ke garis depan pengalaman digital. Saat kita melangkah lebih dalam ke dalam ranah cryptocurrency dan desentralisasi, proyek-proyek seperti Agent S pasti akan memainkan peran penting dalam membentuk masa depan teknologi dan kolaborasi manusia-komputer.

926 Total TayanganDipublikasikan pada 2025.01.14Diperbarui pada 2025.01.14

Apa Itu AGENT S

Cara Membeli S

Selamat datang di HTX.com! Kami telah membuat pembelian Sonic (S) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli Sonic (S) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan Sonic (S) AndaSetelah melakukan pembelian, simpan Sonic (S) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading Sonic (S)Lakukan trading Sonic (S) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

1.4k Total TayanganDipublikasikan pada 2025.01.15Diperbarui pada 2026.06.02

Cara Membeli S

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga S (S) disajikan di bawah ini.

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow