Texto original: Deep Value Memetics; Traductor: Azuma

Resumen de puntos clave

En este informe, discutimos el panorama de desarrollo de varios marcos prominentes en el ámbito de Crypto & IA. Examinaremos los cuatro marcos principales actuales: Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO), analizando sus diferencias técnicas y potencial de desarrollo.

En la última semana, analizamos y probamos los cuatro marcos mencionados, y el resumen de las conclusiones es el siguiente.

  • Creemos que Eliza (con una participación de mercado de aproximadamente 60%, valor de mercado de aproximadamente 900 millones de dólares en el momento de la redacción original, y aproximadamente 1.4 mil millones de dólares en el momento de la publicación) continuará dominando la cuota de mercado. El valor de Eliza radica en su ventaja inicial y la adopción acelerada por parte de los desarrolladores, lo que queda demostrado por los 193 contribuyentes, 1800 bifurcaciones y más de 6000 estrellas en GitHub, convirtiéndola en una de las bibliotecas de software más populares en GitHub.

  • G.A.M.E (con una participación de mercado de aproximadamente 20%, valor de mercado de aproximadamente 300 millones de dólares en el momento de la redacción original, y aproximadamente 257 millones de dólares en el momento de la publicación) ha tenido un desarrollo muy fluido hasta ahora y también está experimentando una rápida adopción. Como se mencionó en el anuncio anterior de Virtuals Protocol, hay más de 200 proyectos construidos sobre G.A.M.E, con más de 150,000 solicitudes diarias y una tasa de crecimiento semanal superior al 200%. G.A.M.E seguirá beneficiándose del estallido de VIRTUAL y tiene el potencial de convertirse en uno de los mayores ganadores de este ecosistema.

  • Rig (con una participación de mercado de aproximadamente 15%, valor de mercado de aproximadamente 160 millones de dólares en el momento de la redacción original, y aproximadamente 279 millones de dólares en el momento de la publicación) presenta un diseño modular muy atractivo y fácil de operar, con el potencial de dominar en el ecosistema de Solana (RUST).

  • Zerepy (con una participación de mercado de aproximadamente 5%, valor de mercado de aproximadamente 300 millones de dólares en el momento de la redacción original, y aproximadamente 424 millones de dólares en el momento de la publicación) es una aplicación más de nicho, específica para una comunidad ferviente de ZEREBRO, cuya reciente colaboración con la comunidad de ai16z podría generar cierta sinergia.

En las estadísticas anteriores, la "participación de mercado" considera integralmente la capitalización de mercado, el historial de desarrollo y la amplitud del mercado de sistemas operativos de base.

Creemos que el marco de IA se convertirá en el sector de más rápido crecimiento en este ciclo, con un valor total de mercado de aproximadamente 1.7 mil millones de dólares que podría crecer fácilmente a 20 mil millones de dólares. En comparación con la valoración de Layer 1 en su pico de 2021, esta cifra puede seguir siendo conservadora, ya que en ese momento muchas valoraciones de proyectos individuales superaban los 20 mil millones de dólares. Aunque los marcos mencionados anteriormente sirven a diferentes mercados finales (cadenas/ecosistemas), dado que creemos que este sector crecerá en su totalidad, adoptar un enfoque ponderado por capitalización de mercado podría ser relativamente más prudente.

Los cuatro marcos

En la intersección de la IA y las criptomonedas, han surgido varios marcos destinados a acelerar el desarrollo de IA, que incluyen Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO). Desde proyectos de la comunidad de código abierto hasta soluciones empresariales centradas en el rendimiento, cada marco atiende diferentes necesidades y filosofías de desarrollo de agentes.

En la tabla a continuación, enumeramos las tecnologías clave, componentes y ventajas de cada marco.

Este informe se centrará primero en qué son estos marcos, los lenguajes de programación que utilizan, su arquitectura técnica, algoritmos y características únicas con casos de uso potencial. Luego compararemos cada marco según su facilidad de uso, escalabilidad, adaptabilidad y rendimiento, al tiempo que discutimos sus ventajas y limitaciones.

Eliza

Eliza es un marco de simulación de múltiples agentes de código abierto desarrollado por ai16z, diseñado para crear, desplegar y gestionar agentes de IA autónomos. Se desarrolla utilizando TypeScript como lenguaje de programación, proporcionando una plataforma flexible y escalable para construir agentes inteligentes que pueden interactuar con humanos en múltiples plataformas, manteniendo una personalidad y conocimientos consistentes.

Las características centrales de este marco incluyen: soporte para el despliegue y gestión simultánea de múltiples personalidades de IA únicas en una arquitectura de múltiples agentes; un sistema de roles que utiliza un marco de archivos de roles para crear agentes diversificados; y funciones de gestión de memoria que ofrecen memoria a largo plazo y contexto sensible a través de un avanzado sistema de generación aumentada de recuperación (RAG). Además, el marco Eliza proporciona integración fluida de plataforma, permitiendo conexiones fiables con Discord, X y otras plataformas de redes sociales.

En términos de comunicación y funciones de medios de agentes de IA, Eliza es una excelente opción. En términos de comunicación, este marco admite integración con funciones de canales de voz de Discord, funciones de X, Telegram y acceso directo a APIs personalizadas para casos de uso específicos. Por otro lado, las capacidades de procesamiento de medios de este marco se han ampliado para incluir lectura y análisis de documentos PDF, extracción y resumen de contenido de enlaces, transcripción de audio, procesamiento de contenido de video, análisis de imágenes y resúmenes de diálogos, lo que permite manejar eficazmente una variedad de entradas y salidas de medios.

Eliza ofrece soporte flexible para modelos de IA, permitiendo inferencias locales mediante el uso de modelos de código abierto, inferencias basadas en la nube a través de OpenAI y configuraciones predeterminadas como Nous Hermes Llama 3.1 B, y admite la integración de Claude para manejar consultas complejas. Eliza utiliza una arquitectura modular, con un amplio sistema de acciones, soporte para clientes personalizados y una API completa, asegurando escalabilidad y adaptabilidad entre aplicaciones.

Los casos de uso de Eliza abarcan múltiples dominios, como asistentes de IA relacionados con atención al cliente, gestión de comunidades y tareas personales; creadores de contenido automatizado, representantes de marca y otros roles en redes sociales; también puede funcionar como trabajadores del conocimiento, desempeñando roles como asistentes de investigación, analistas de contenido y procesadores de documentos; así como roles interactivos en forma de robots de rol, mentores educativos y agentes de bienes raíces.

La arquitectura de Eliza se construye en torno a un tiempo de ejecución de agentes que se integra sin problemas con un sistema de roles (soportado por proveedores de modelos), un administrador de memoria (conectado a bases de datos) y un sistema de acciones (enlazado a clientes de plataformas). Las características únicas de este marco incluyen un sistema de plugins que permite la expansión modular de funciones, soportando interacciones multimodales como voz, texto y medios, así como compatibilidad con modelos de IA líderes como Llama, GPT-4 y Claude. Con su diseño versátil y potente, Eliza se convierte en una poderosa herramienta para desarrollar aplicaciones de IA en múltiples dominios.

G.A.M.E

G.A.M.E es desarrollado por el equipo oficial de Virtuals, cuyo nombre completo es "Marco de Entidades Multimodales Autónomas Generativas (The Generative Autonomous Multimodal Entities Framework)", diseñado para proporcionar a los desarrolladores interfaces de programación de aplicaciones (API) y kits de desarrollo de software (SDK) para experimentar con agentes de IA. Este marco ofrece un enfoque estructurado para gestionar el comportamiento, decisiones y procesos de aprendizaje de los agentes de IA.

  • Los componentes centrales de G.A.M.E son los siguientes: primero, la "Interfaz de Indicación de Agentes" es la entrada para que los desarrolladores integren G.A.M.E en los agentes para obtener comportamientos de agentes.

  • El "subsistema de percepción" inicia la sesión al especificar parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes. Combina el mensaje entrante en un formato adecuado para el "motor de planificación estratégica", actuando como un mecanismo de entrada sensible para el agente de IA, ya sea en forma de diálogo o respuesta. El núcleo aquí es el "módulo de procesamiento de diálogos", responsable de manejar los mensajes y respuestas del agente, y colaborar con el "subsistema de percepción" para interpretar y responder efectivamente a las entradas.

  • El "motor de planificación estratégica" trabaja en conjunto con el "módulo de procesamiento de diálogos" y el "operador de billetera en cadena", generando respuestas y planes. Este motor opera en dos niveles: como un planificador de alto nivel, creando estrategias amplias basadas en contexto u objetivos; y como una estrategia de bajo nivel, convirtiendo esas estrategias en políticas ejecutables, que se desglosan aún más en planificadores de acciones (para especificar tareas) y ejecutores de planes (para ejecutar tareas).

  • Un componente separado pero crítico es el "contexto del mundo", que hace referencia al entorno, información del mundo y estado del juego, proporcionando el contexto necesario para la toma de decisiones del agente. Además, el "repositorio de agentes" se utiliza para almacenar atributos a largo plazo, como objetivos, reflexiones, experiencias y personalidad, que en conjunto dan forma al comportamiento y proceso de toma de decisiones del agente. Este marco utiliza "memoria de trabajo a corto plazo" y "procesador de memoria a largo plazo"; la memoria a corto plazo retiene información relevante sobre acciones anteriores, resultados y planes actuales; en contraste, el procesador de memoria a largo plazo extrae información clave según criterios como importancia, actualidad y relevancia. Esta memoria almacena conocimientos sobre experiencias, reflexiones, personalidad dinámica, contexto del mundo y memoria de trabajo del agente para mejorar la toma de decisiones y proporcionar una base para el aprendizaje.

  • Para aumentar la disposición, el "módulo de aprendizaje" obtiene datos del "subsistema de percepción" para generar conocimientos generales, que son retroalimentados al sistema para optimizar futuras interacciones. Los desarrolladores pueden ingresar retroalimentación a través de la interfaz sobre acciones, estado del juego y datos sensoriales para mejorar el aprendizaje del agente de IA y aumentar su capacidad de planificación y toma de decisiones.

El flujo de trabajo comienza con la interacción del desarrollador a través de la interfaz de indicaciones de agentes; el "subsistema de percepción" maneja la entrada y la reenvía al "módulo de procesamiento de diálogos", que gestiona la lógica de interacción; luego, el "motor de planificación estratégica" formula y ejecuta planes basados en esta información, utilizando estrategias avanzadas y planificación de acciones detalladas.

Los datos del "contexto del mundo" y el "repositorio de agentes" proporcionan información para estos procesos, mientras que la memoria de trabajo rastrea tareas inmediatas. Al mismo tiempo, el "procesador de memoria a largo plazo" almacena y recupera conocimientos a lo largo del tiempo. El "módulo de aprendizaje" analiza los resultados e integra nuevos conocimientos en el sistema, mejorando continuamente el comportamiento y las interacciones del agente.

Rig

Rig es un marco de código abierto basado en Rust, diseñado para simplificar el desarrollo de aplicaciones de modelos de lenguaje de gran tamaño (LLM). Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM, como OpenAI y Anthropic, y admite varios almacenes de vectores, incluidos MongoDB y Neo4j. La arquitectura modular de este marco cuenta con componentes clave como la "capa de abstracción del proveedor", "integración del almacenamiento de vectores" y "sistema de agentes", que facilitan la interacción sin problemas de LLM.

Rig tiene como audiencia principal a los desarrolladores que construyen aplicaciones de IA/ML utilizando Rust, y como audiencia secundaria a las organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento de vectores en sus aplicaciones de Rust. El repositorio está organizado utilizando una estructura basada en espacios de trabajo, que contiene múltiples crates, logrando escalabilidad y gestión de proyectos eficientes. Las funcionalidades principales de Rig incluyen la "capa de abstracción del proveedor", que estandariza las API utilizadas para completar e integrar proveedores de LLM a través de un manejo coherente de errores; el componente de "integración de almacenamiento de vectores" proporciona una interfaz abstracta para múltiples backend y soporta la búsqueda de similitudes en vectores; el "sistema de agentes" simplifica la interacción con LLM, apoyando la generación aumentada de recuperación (RAG) y la integración de herramientas. Además, el marco de integración ofrece capacidades de procesamiento por lotes y operaciones de integración seguras en términos de tipos.

Rig aprovecha múltiples ventajas tecnológicas para asegurar confiabilidad y rendimiento. Las operaciones asíncronas utilizan el tiempo de ejecución asíncrono de Rust para manejar eficientemente un gran número de solicitudes concurrentes; el mecanismo de manejo de errores inherente del marco mejora la capacidad de recuperación de fallos en proveedores de IA o en operaciones de bases de datos; la seguridad de tipos previene errores en tiempo de compilación, aumentando la mantenibilidad del código; los procesos eficientes de serialización y deserialización ayudan a manejar datos en formatos como JSON, cruciales para la comunicación y almacenamiento de servicios de IA; el registro detallado y los paneles ayudan aún más en la depuración y monitoreo de aplicaciones.

El flujo de trabajo en Rig comienza cuando el cliente inicia una solicitud, que fluye a través de la "capa de abstracción del proveedor" para interactuar con el modelo LLM correspondiente; luego, los datos son procesados por la capa central, donde el agente puede usar herramientas o acceder a almacenamiento de vectores para obtener contexto; mediante flujos de trabajo complejos como RAG, se generan y refinan respuestas, que incluyen recuperación de documentos y comprensión de contexto, y luego se devuelven al cliente. Este sistema integra múltiples proveedores de LLM y almacenamiento de vectores, adaptándose a la disponibilidad o cambios en el rendimiento de los modelos.

Los casos de uso de Rig son diversos, incluyendo sistemas de respuesta a preguntas que recuperan documentos relevantes para proporcionar respuestas precisas, búsqueda y recuperación de documentos para un descubrimiento de contenido eficiente, y chatbots o asistentes virtuales que ofrecen interacciones contextuales para atención al cliente o educación. También admite la generación de contenido, capaz de crear texto y otros materiales basados en patrones aprendidos, siendo una herramienta versátil para desarrolladores y organizaciones.

ZerePy

ZerePy es un marco de código abierto escrito en Python, diseñado para desplegar agentes en X utilizando OpenAI o Anthropic LLM. ZerePy se deriva de una versión modular del backend de Zerebro, permitiendo a los desarrolladores lanzar agentes con funcionalidades similares a las del núcleo de Zerebro. Aunque este marco proporciona una base para el despliegue de agentes, se requiere un ajuste de modelo para generar salidas creativas. ZerePy simplifica el desarrollo y despliegue de agentes de IA personalizados, siendo especialmente adecuado para la creación de contenido en plataformas sociales, fomentando un ecosistema creativo de IA enfocado en el arte y aplicaciones descentralizadas.

Este marco está construido en el lenguaje Python, enfatizando la autonomía de los agentes y centrándose en la generación de producción creativa, en consonancia con la arquitectura de Eliza y la asociación. Su diseño modular admite la integración de sistemas de memoria, facilitando el despliegue de agentes en plataformas sociales. Sus principales características incluyen una interfaz de línea de comandos para la gestión de agentes, integración con X, soporte para LLM de OpenAI y Anthropic, y un sistema de conexión modular para mejorar las funciones.

Los casos de uso de ZerePy abarcan la automatización de redes sociales, donde los usuarios pueden desplegar agentes de IA para publicar, responder, dar me gusta y compartir, aumentando así la participación en la plataforma. Además, es aplicable en la creación de contenido en áreas como música, notas y NFT, siendo una herramienta esencial para las artes digitales y plataformas de contenido basadas en blockchain.

Comparación horizontal

En nuestra opinión, cada uno de los marcos mencionados ofrece un enfoque único para el desarrollo de IA, atendiendo a necesidades y entornos específicos, esto hace que la discusión no se limite a si estos marcos son competidores entre sí, sino a si cada marco puede proporcionar utilidad y valor únicos.

  • Eliza destaca por su interfaz amigable para el usuario, especialmente adecuada para desarrolladores familiarizados con entornos de JavaScript y Node.js. Su completa documentación ayuda a configurar agentes de IA en diversas plataformas, aunque su rica gama de funciones puede presentar una curva de aprendizaje moderada, Eliza es muy adecuada para construir agentes incrustados en la web, ya que gran parte de la infraestructura de frontend está construida en TypeScript. Este marco es conocido por su arquitectura de múltiples agentes, capaz de desplegar agentes de personalidad de IA diversificados a través de plataformas como Discord, X y Telegram. Su avanzado sistema RAG para la gestión de memoria lo hace especialmente adecuado para construir asistentes de IA tipo atención al cliente o aplicaciones de redes sociales. Aunque ofrece flexibilidad, un fuerte soporte comunitario y un rendimiento consistente entre plataformas, todavía se encuentra en una etapa temprana, lo que puede presentar una curva de aprendizaje para los desarrolladores.

  • G.A.M.E está diseñado para desarrolladores de juegos, proporcionando una interfaz de bajo código o sin código a través de API, facilitando el acceso a aquellos con menor nivel técnico en el ámbito de los juegos. Sin embargo, se centra en el desarrollo de juegos y la integración de blockchain, lo que puede generar una curva de aprendizaje pronunciada para quienes no tienen experiencia en estas áreas. Se destaca en la generación de contenido programático y el comportamiento de NPC, pero también está limitado por su nicho y la complejidad adicional al integrarse con blockchain.

  • Rig, debido a su uso del lenguaje Rust, puede resultar poco amigable para los usuarios debido a la complejidad del lenguaje, lo que representa un gran desafío de aprendizaje, pero para aquellos familiarizados con la programación en sistemas, puede ofrecer interacciones intuitivas. En comparación con TypeScript, Rust es conocido por su rendimiento y seguridad de memoria. Tiene estrictas verificaciones en tiempo de compilación y abstracciones de costo cero, que son necesarias para ejecutar algoritmos de IA complejos. Las características eficientes y de bajo control de este lenguaje lo convierten en una opción ideal para aplicaciones de IA que consumen recursos. Este marco adopta un diseño modular y escalable, lo que puede proporcionar soluciones de alto rendimiento, siendo especialmente adecuado para aplicaciones empresariales. Sin embargo, para los desarrolladores no familiarizados con el lenguaje Rust, su uso puede presentar una curva de aprendizaje pronunciada.

  • ZerePy utiliza el lenguaje Python, proporcionando una mayor accesibilidad para tareas creativas de IA. Para los desarrolladores de Python, especialmente aquellos con antecedentes en IA/ML, la curva de aprendizaje es baja, y debido a la popularidad de ZEREBRO, puede contar con un fuerte apoyo comunitario. ZerePy se destaca en aplicaciones creativas de IA, como NFT, y se posiciona como una poderosa herramienta en el ámbito de los medios digitales y el arte. Aunque se desempeña excelentemente en aspectos creativos, su rango de aplicación es relativamente estrecho en comparación con otros marcos.

En términos de escalabilidad, la comparación entre los cuatro marcos es la siguiente.

  • Eliza ha realizado notables avances tras la actualización de la versión 2, introduciendo una línea de mensaje unificada y un marco central escalable que permite una gestión eficiente entre plataformas. Sin embargo, sin optimización, gestionar esta interacción multiplataforma puede presentar desafíos de escalabilidad.

  • G.A.M.E destaca en el procesamiento en tiempo real necesario para juegos, su escalabilidad puede gestionarse a través de algoritmos eficientes y sistemas distribuidos potenciales de blockchain, aunque puede estar restringida por motores de juego específicos o limitaciones de redes blockchain.

  • El marco Rig puede aprovechar las ventajas de rendimiento de Rust para lograr una mejor escalabilidad, diseñado intrínsecamente para aplicaciones de alto rendimiento, lo que puede ser especialmente efectivo para implementaciones empresariales, aunque esto puede significar que se requiere una configuración compleja para lograr una verdadera escalabilidad.

  • La escalabilidad de ZerePy está orientada a la producción creativa, respaldada por contribuciones comunitarias, pero el enfoque de este marco podría limitar su aplicación en entornos de inteligencia artificial más amplios, su escalabilidad podría ser desafiada por la diversidad de tareas creativas en lugar de la cantidad de usuarios.

En términos de aplicabilidad, Eliza lidera con su sistema de plugins y compatibilidad entre plataformas, seguida de G.A.M.E en entornos de juegos y Rig para manejar tareas complejas de IA. ZerePy ha demostrado un alto grado de adaptabilidad en el ámbito creativo, pero puede no ser tan aplicable en áreas más amplias de aplicaciones de IA.

En términos de rendimiento, los resultados de las pruebas de los cuatro marcos son los siguientes.

  • Eliza está optimizada para interacciones rápidas en redes sociales, pero su rendimiento puede variar al manejar tareas computacionales más complejas.

  • G.A.M.E se centra en interacciones en tiempo real de alto rendimiento en escenarios de juegos, aprovechando procesos de decisión eficientes y operaciones de IA descentralizadas potenciales mediante blockchain.

  • Rig, basado en Rust, puede ofrecer un rendimiento excepcional para tareas de computación de alto rendimiento, siendo adecuado para aplicaciones empresariales donde la eficiencia computacional es crucial.

  • El rendimiento de ZerePy está orientado a la creación de contenido creativo, con métricas centradas en la eficiencia y calidad de la generación de contenido, puede no ser tan generalizable fuera del ámbito creativo.

Al considerar el análisis integral de sus ventajas y desventajas, Eliza ofrece mejor flexibilidad y escalabilidad, su sistema de plugins y configuración de roles le otorgan una gran adaptabilidad, favoreciendo interacciones de IA social entre plataformas; G.A.M.E puede proporcionar capacidades únicas de interacción en tiempo real en escenarios de juegos, y ofrece una participación novedosa a través de la integración de blockchain; Las ventajas de Rig residen en su rendimiento y escalabilidad, siendo adecuado para tareas de IA a nivel empresarial y enfocándose en la simplicidad y modularidad del código para asegurar la salud a largo plazo de los proyectos; Zerepy se destaca en cultivar creatividad, liderando en aplicaciones de IA en el arte digital, respaldado por un modelo de desarrollo impulsado por una comunidad vibrante.

En resumen, cada marco tiene sus limitaciones. Eliza sigue en una etapa temprana, con posibles problemas de estabilidad y una curva de aprendizaje prolongada para nuevos desarrolladores; el enfoque de nicho de G.A.M.E puede limitar su aplicación más amplia, y la introducción de blockchain también puede aumentar la complejidad; la curva de aprendizaje de Rig es más pronunciada debido a la complejidad del lenguaje Rust, lo que puede desanimar a algunos desarrolladores; Zerepy puede estar limitado en sus aplicaciones en otros campos de IA debido a su enfoque estrecho en la producción creativa.

Resumen de comparaciones clave

Rig (ARC):

  • Lenguaje: Rust, con un enfoque en la seguridad y el rendimiento.

  • Caso de uso: Enfocado en la eficiencia y escalabilidad, es una opción ideal para aplicaciones de IA a nivel empresarial.

  • Comunidad: Menos impulsada por la comunidad, más centrada en desarrolladores técnicos.

Eliza (AI16Z):

  • Lenguaje: TypeScript, enfatizando la flexibilidad de Web3 y la participación de la comunidad.

  • Caso de uso: Diseñado específicamente para interacción social, DAO y transacciones, con un enfoque particular en sistemas de múltiples agentes.

  • Comunidad: Altamente impulsada por la comunidad, con amplias conexiones con GitHub.

ZerePy (ZEREBRO):

  • Lenguaje: Python, más accesible para una comunidad más amplia de desarrolladores de IA.

  • Caso de uso: Aplicable a la automatización de redes sociales y tareas de agentes de IA más simples.

  • Comunidad: Relativamente nueva, pero con potencial de crecimiento debido a la popularidad de Python y el apoyo de los contribuyentes de ai16z.

G.A.M.E (VIRTUAL, GMAE):

  • Enfoque: Agentes de IA autónomos y adaptativos que pueden evolucionar según la interacción en entornos virtuales.

  • Caso de uso: Más adecuado para escenarios donde los agentes necesitan aprender y adaptarse, como juegos o mundos virtuales.

  • Comunidad: Innovadora, pero aún está definiendo su posicionamiento en la competencia.

Datos de crecimiento de GitHub

El gráfico anterior muestra cómo ha cambiado el número de estrellas en GitHub desde el lanzamiento de estos marcos. En general, las estrellas en GitHub pueden servir como un indicador del interés de la comunidad, popularidad del proyecto y valor percibido del proyecto.

  • Eliza (línea roja): El gráfico muestra que el número de estrellas de este marco ha crecido significativamente y de manera estable, comenzando con una base baja en julio y comenzando a aumentar drásticamente a finales de noviembre, alcanzando ahora las 6100 estrellas. Esto indica un interés rápidamente creciente en torno a este marco, atrayendo la atención de los desarrolladores. El crecimiento exponencial sugiere que Eliza ha ganado un gran atractivo debido a sus características, actualizaciones y participación comunitaria, su popularidad supera con creces la de otros productos, lo que indica un fuerte apoyo de la comunidad y una aplicabilidad o interés más amplio en la comunidad de inteligencia artificial.

  • Rig (línea azul): Rig es el marco más "antiguo" de los cuatro, su crecimiento en estrellas ha sido modesto pero estable, aunque en el último mes ha aumentado claramente. Su total de estrellas ha alcanzado las 1700, pero sigue en una trayectoria ascendente. La acumulación estable de atención se debe al desarrollo continuo, actualizaciones y una base de usuarios en crecimiento. Esto puede reflejar que Rig es un marco que todavía está acumulando reputación.

  • ZerePy (línea amarilla): ZerePy se lanzó hace unos días, y el número de estrellas ha crecido a 181. Es importante enfatizar que ZerePy necesita más desarrollo para aumentar su visibilidad y tasa de adopción, y la colaboración con ai16z podría atraer a más contribuyentes a su repositorio de código.

  • G.A.M.E (línea verde): El número de estrellas de este marco es bajo, pero es notable que este marco se puede aplicar directamente a los agentes dentro del ecosistema Virtual a través de API, por lo que no es necesario publicar en GitHub. Sin embargo, aunque el marco solo ha estado disponible públicamente para los constructores durante un poco más de un mes, ya hay más de 200 proyectos utilizando G.A.M.E para construir.

Expectativas de actualización del marco de IA

La versión 2.0 de Eliza incluirá integración con el paquete de herramientas de agentes de Coinbase. Todos los proyectos que utilicen Eliza obtendrán soporte para futuros TEE (Entornos de Ejecución Confiables) nativos, permitiendo que los agentes operen en un entorno seguro. El registro de plugins (Plugin Registry) es una función que se lanzará pronto en Eliza, permitiendo a los desarrolladores registrar e integrar plugins sin problemas.

Además, Eliza 2.0 apoyará el mensajería anónima automatizada entre plataformas. Se espera que el libro blanco de Tokenomics, que se publicará el 1 de enero de 2025 (ya se han publicado propuestas relacionadas), tenga un impacto positivo en el token de AI16Z que respalda el marco de Eliza. ai16z planea continuar fortaleciendo la utilidad de este marco y atraer talento de alta calidad, aprovechando el esfuerzo de sus principales contribuyentes.

El marco G.A.M.E ofrece integración sin código para los agentes, permitiendo que G.A.M.E y Eliza se utilicen simultáneamente en un único proyecto, cada uno atendiendo casos de uso específicos. Este enfoque se espera que atraiga a constructores que se centran en la lógica de negocio, en lugar de la complejidad técnica. A pesar de que el marco solo ha estado disponible públicamente durante más de 30 días, ha logrado avances significativos con el apoyo del equipo que trabaja para atraer a más contribuyentes. Se espera que cada proyecto que se inicie en VirtualI adopte G.A.M.E.

El marco Rig impulsado por el token ARC tiene un potencial significativo, aunque el crecimiento de su marco está en una etapa temprana y el programa de contratos para impulsar la adopción de Rig sólo se lanzó hace unos días. Sin embargo, se espera que pronto surjan proyectos de alta calidad en combinación con ARC, similares a la rueda virtual, pero centrados en Solana. El equipo de Rig tiene una perspectiva optimista sobre la colaboración con Solana, posicionando ARC como el virtual de Solana. Cabe destacar que el equipo no solo incentiva el uso de Rig para nuevos proyectos, sino que también motiva a los desarrolladores a mejorar el marco Rig en sí.

Zerepy es un marco recientemente lanzado que está ganando mucha atención debido a su colaboración con ai16z (el marco Eliza), y ha atraído a contribuyentes de Eliza que están trabajando activamente para mejorar el marco. Zerepy cuenta con un ferviente apoyo impulsado por la comunidad ZEREBRO y está abriendo nuevas oportunidades para desarrolladores de Python que anteriormente no tenían espacio en el competitivo campo de la infraestructura de IA. Se espera que este marco desempeñe un papel importante en el aspecto creativo de la IA.