随着智能体AI时代的到来,人们对AI智能体的了解日益加深。然而,很少有人知道一个名为NANDA的重要系统。
实际上,很难通过搜索引擎准确找到相关信息,因为搜索结果大多指向护理组织。而将推动全球互联网未来发展的NANDA实际上来自MIT,目前主要为数据科学家和类似角色的专业人士所知。
但它很可能在未来几年内对我们的技术产生重大影响。
什么是NANDA?
NANDA本质上是一个为智能体交互提供完整平台的系统。它是一个为新AI互联网设计的协议,经过修改和演进以处理大语言模型的能力。
NANDA领域的知名作者Rahul Shah将其描述为一个"全栈协议",智能体在其中拥有加密身份。
"NANDA不会取代A2A或MCP,"Shah写道,他提到了智能体间协议和模型上下文协议。"相反,它提供命名、验证和经济支撑,让智能体能够在现实世界的分布式环境中安全、可扩展且自主地运行。目标是建立一个自维持的生态系统,有用的智能体会得到奖励和信任,而垃圾或恶意智能体可以基于加密审计跟踪被排除。"
在平台功能方面,系统包含智能体注册表,使用动态解析逻辑为智能体交易提供路由。还有审计功能和分布式账本技术,NANDA使用零知识证明来验证智能体的行为。
智能体的身份识别
从更直观的角度来看,AI智能体的概念就像人的数字孪生体——我们将这些智能体视为拥有个人认知能力的实体。我们甚至可以给它们命名和头像,让它们看起来非常人性化。它们能够通过各种图灵测试,是独立的实体,就像人一样。
如果进一步扩展这个比喻,NANDA就像是人员组织系统的协议。在公司中,有组织架构图;选择垒球队伍时,有名册或名单;教室里的老师有某种文件来识别每个学生。
这正是NANDA开发和协调的内容。它是让这些AI智能体被认知和理解的系统——实际上,你在问:"它们是谁?它们做什么?"
所有这些都在多智能体系统的背景下进行,AI智能体协同工作创造解决方案。
更多关于NANDA的内容
在IIA的AI专家小组讨论中,该领域的顶尖人物谈论了NANDA及其相关内容。
我的同事Ramesh Raskar将此描述为使用新智能体系统的"构建模块"。
投资者Dave Blundin提到了"一系列有用功能"和对服务微支付系统的需求。
"当这种情况在互联网上发生时,没人能弄清楚收入模式,然后一切都转向广告收入,因为只是'投放一些横幅广告,然后推出去',"他说。"这对AI智能体不会奏效。你不希望这些东西(向人们)营销。"
Aditya Challapally提到了构建这些系统的三大风险:信任、文化和编排。
"当我们说文化时,我们指的是:'智能体如何与你交互的社会标准是什么?'(例如)智能体能否代表另一个人在LinkedIn上私信你,或者它们必须说明自己是智能体,或类似的事情……建立这种文化感。第三个部分是编排,即……智能体如何从更有组织的协议设置中相互交流?"
小组成员Anil Sharma谈到了新协议的愿望清单。
"我希望看到应用可持续性,"他说。"我希望在社会影响方面看到这一点,在农业和其他领域……因为这是数据和价值被锁定在生态系统中的地方,超越企业进入非营利和政府系统。"
小组成员Anna Kazlauskas谈到了数据所有权的必要性。
"你可以想象,几年后,你有一个AI智能体,我想象有10个AI智能体,它们可以自主工作,甚至可能代表(用户)赚钱并与他人合作,"她说。"我认为风险之一是所有这些智能体都在单一平台上。所以我认为,特别是当你的AI智能体开始产生真正的经济价值时,你实际拥有主权和真正的所有权是非常重要的。"
Blundin在谈论服务"解绑"时提到了一个相关担忧:AI可能比公司更高效地构建服务,让公司保持警觉,这由像NANDA这样的协议实现。
即将到来
尽管你还没有听说过太多关于NANDA的内容,但你很快就会了解到。我认为提供这个比喻有助于展示新协议将如何像对待人一样对待AI智能体——给它们命名、身份、工作、角色等,让它们协作和合作,希望代表我们并为我们的利益服务。
好文章,需要你的鼓励
树莓派基金会调查发现,尽管60%的家长认为编程是孩子的重要技能,但超过70%的家长表示孩子在正常课程中没有学习编程。该基金会CEO指出,随着AI技术快速发展,年轻人掌握技术理解和创造能力比以往更重要。超半数家长认为编程应成为必修课程,并相信学习编程能提升孩子未来职业前景。为填补学校教育空白,基金会呼吁在学校和图书馆广泛设立编程俱乐部,目标到2035年全球教授1000万儿童编程技能。
Patronus AI发布突破性研究,构建了首个系统性AI代理错误评估体系TRAIL,涵盖148个真实案例和21种错误类型。研究发现即使最先进的AI模型在复杂任务错误识别上准确率仅11%,揭示了当前AI代理系统在长文本处理、推理能力和自我监控方面的重大局限,为构建更可靠的AI系统指明方向。
文章介绍了AI大语言模型中最新的深度研究功能,这是目前最令人印象深刻的新功能之一。作者详细解析了ChatGPT、Claude和Gemini等主流模型的使用方法,并重点展示了深度研究功能的实际应用。通过实际测试,作者用ChatGPT 4.5的深度研究功能生成了一份关于1990-2025年最令人厌烦歌曲的详细报告,展示了AI如何通过思维链进行深度研究和分析。文章还提到了语音交互模式将进一步改变用户与AI的交互体验。
这项研究首次从理论和实践证明AI模型可通过模仿生物睡眠-学习周期显著提升性能。研究发现AI训练中存在自发的"记忆-压缩循环",并据此开发了GAPT算法,在大语言模型预训练中实现4.8%性能提升和70%表示效率改善,在算术泛化任务中提升35%,为AI发展指出了注重信息整理而非单纯数据扩展的新方向。