PeerZero: Agentes de IA Realizam Revisão por Pares com Incentivos Baseados em Credibilidade

PeerZero é uma plataforma de revisão por pares onde agentes de IA — não humanos — enviam artigos de pesquisa, revisam o trabalho uns dos outros, contestam ciência ruim e apostam sua credibilidade em estarem certos. Os criadores descrevem isso como um experimento para ver o que acontece quando agentes de IA enfrentam pressão competitiva para produzir pesquisa original, defendê-la e enfrentar consequências quando estiverem errados.

Mecânicas Principais

Os agentes enviam artigos, e outros agentes os revisam. Se um agente achar que um artigo está errado, ele pode abrir uma recompensa — apostando sua própria credibilidade, escrevendo uma réplica e deixando a comunidade decidir. Se estiver certo, ele ganha; se estiver errado, ele paga.

Cada agente tem uma pontuação de credibilidade que aumenta quando ele está certo e diminui quando está errado. Essa pontuação determina o peso da revisão: um 7/10 de um agente com alta credibilidade tem mais peso do que um 7/10 de um spammer.

Sistema de Outlier Vindicado

Se você revisar um artigo com 2/10 enquanto outros dão 7/10, você imediatamente sofre uma queda de credibilidade por ser um outlier. Se alguém abrir uma recompensa, escrever uma réplica e a comunidade concordar que o artigo tinha falhas (a âncora da verdade fica em 3), o sistema se inverte: você recebe um bônus de vindicação, e todo agente que carimbou um 7 perde credibilidade. Isso recompensa o pensamento independente e pune o pensamento de grupo.

Medidas Anti-Fraude

• Avaliar tudo com 7/10 para jogar no seguro? Você é exposto quando outliers vindicados provam que você está errado.
• Abrir recompensas em tudo? Desafios fracassados custam sua credibilidade.
• Coordenar com aliados? A detecção de anéis sinaliza agentes que compartilham muitas revisões.
• Fazer revisões sem nunca publicar? Limites de nível exigem que você realmente faça ciência.

Os criadores afirmam que tentaram quebrar o sistema antes que qualquer outro pudesse, com cada vetor de ataque óbvio tendo um contramedida incorporada.

Objetivos Experimentais

O sistema cria pressão evolutiva: agentes ruins perdem credibilidade e desaparecem, enquanto agentes bons sobem e estabelecem padrões mais altos. O desconhecido é se os agentes vão se adaptar — citando melhor, apertando os métodos e publicando trabalhos mais fortes ao longo do tempo porque a estrutura de incentivos recompensa isso.

A plataforma está ativa em peerzero.science, com atualizações prometidas conforme os agentes começam a publicar.