Resumen de puntos clave
En este informe, discutimos el panorama de desarrollo de varias arquitecturas dominantes dentro de la industria Crypto & AI. Examinaremos las cuatro arquitecturas dominantes actualmente: Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO), analizando sus diferencias tecnológicas y potencial de desarrollo.
En la última semana, hemos analizado y probado las cuatro principales arquitecturas mencionadas, y el resumen de nuestras conclusiones es el siguiente.
Creemos que Eliza (con una cuota de mercado de aproximadamente 60%, con un valor de mercado de alrededor de 900 millones de dólares en el momento de la redacción, y aproximadamente 1.4 mil millones a la fecha de publicación) continuará dominando la cuota de mercado. El valor de Eliza reside en su ventaja inicial y en la adopción acelerada por parte de los desarrolladores, como lo demuestra la presencia de 193 contribuyentes en Github, 1,800 bifurcaciones y más de 6,000 estrellas, lo que la convierte en uno de los repositorios de software más populares en Github.
G.A.M.E (con una cuota de mercado de aproximadamente 20%, con un valor de mercado de alrededor de 300 millones de dólares en el momento de la redacción, y aproximadamente 257 millones a la fecha de publicación) ha tenido un desarrollo muy positivo hasta ahora y está experimentando una rápida adopción, como se indicó anteriormente en el anuncio de Virtuals Protocol, con más de 200 proyectos construidos sobre G.A.M.E, más de 150,000 solicitudes diarias y un crecimiento semanal de más del 200%. G.A.M.E seguirá beneficiándose de la explosión de VIRTUAL y tiene el potencial de convertirse en uno de los mayores ganadores del ecosistema.
Rig (con una cuota de mercado de aproximadamente 15%, con un valor de mercado de alrededor de 160 millones de dólares en el momento de la redacción, y aproximadamente 279 millones a la fecha de publicación) tiene un diseño modular muy atractivo y fácil de usar, con expectativas de dominar en el ecosistema de Solana (RUST).
Zerepy (con una cuota de mercado de aproximadamente 5%, con un valor de mercado de alrededor de 300 millones de dólares en el momento de la redacción, y aproximadamente 424 millones a la fecha de publicación) es una aplicación más de nicho, específica para una entusiasta comunidad de ZEREBRO, cuya reciente colaboración con la comunidad ai16z podría generar ciertos efectos de sinergia.
En las estadísticas anteriores, la 'cuota de mercado' considera de forma integral el valor de mercado, el historial de desarrollo y la amplitud del mercado final del sistema operativo subyacente.
Creemos que las arquitecturas de IA se convertirán en el sector de más rápido crecimiento en este ciclo, con una capitalización de mercado total de aproximadamente 1.7 mil millones de dólares que fácilmente podría crecer a 20 mil millones de dólares; en comparación con la valoración de Layer 1 en su pico en 2021, esta cifra puede seguir siendo conservadora, dado que muchas valoraciones de proyectos individuales superaron los 20 mil millones de dólares. Si bien las arquitecturas mencionadas sirven a diferentes mercados finales (cadena/ecosistema), dado que creemos que este sector crecerá en conjunto, adoptar un enfoque ponderado por capitalización de mercado puede ser el más prudente.
Cuatro arquitecturas principales
En la intersección de IA y Crypto, han surgido varias arquitecturas destinadas a acelerar el desarrollo de IA, incluyendo Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) y ZerePy (ZEREBRO). Desde proyectos comunitarios de código abierto hasta soluciones empresariales centradas en el rendimiento, cada arquitectura satisface diferentes necesidades y filosofías en el desarrollo de agentes.
En la tabla a continuación, hemos enumerado las tecnologías clave, componentes y ventajas de cada arquitectura.
Fuente de la imagen: Deep Value Memetics
Este informe se centrará primero en qué son estas arquitecturas, los lenguajes de programación que utilizan, las arquitecturas tecnológicas, los algoritmos y las características únicas con aplicaciones potenciales. Luego compararemos cada arquitectura en base a facilidad de uso, escalabilidad, adaptabilidad y rendimiento, al tiempo que discutimos sus ventajas y limitaciones.
Eliza
Eliza es una arquitectura de simulación de múltiples agentes de código abierto desarrollada por ai16z, diseñada para crear, desplegar y gestionar agentes de IA autónomos. Se desarrolla en TypeScript, ofreciendo una plataforma flexible y escalable para construir agentes inteligentes capaces de interactuar con humanos en múltiples plataformas, manteniendo personalidades y conocimientos consistentes.
Las funciones centrales de esta arquitectura incluyen: soporte para el despliegue y la gestión simultánea de múltiples personalidades únicas de IA en una arquitectura de múltiples agentes; creación de un sistema de roles para agentes diversos utilizando una estructura de archivos de roles; y la gestión de memoria a largo plazo y contexto perceptible a través de un sistema de generación mejorada por recuperación (RAG). Además, la arquitectura Eliza también ofrece una integración fluida de plataformas, permitiendo una conexión confiable con Discord, X y otras plataformas de redes sociales.
En términos de comunicación y funciones de medios para agentes de IA, Eliza es una excelente opción. En comunicación, la arquitectura admite integración con la función de canal de voz de Discord, funciones de X, Telegram y acceso directo a API para aplicaciones personalizadas. Por otro lado, las funciones de procesamiento de medios de la arquitectura 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 conversaciones, lo que permite manejar efectivamente una variedad de entradas y salidas de medios.
Eliza ofrece soporte flexible para modelos de IA, permitiendo la inferencia local utilizando modelos de código abierto, así como la inferencia en la nube utilizando configuraciones predeterminadas como OpenAI y Nous Hermes Llama 3.1 B, además de soportar la integración de Claude para manejar consultas complejas. Eliza adopta una arquitectura modular, con un amplio sistema de acciones, soporte personalizado para clientes y una API integral, asegurando la escalabilidad y adaptabilidad entre aplicaciones.
Las aplicaciones de Eliza abarcan múltiples industrias, como asistentes de IA relacionados con soporte al cliente, gestión comunitaria y tareas personales; creadores de contenido automatizados, representantes de marcas y otros roles en redes sociales; puede actuar también como trabajador del conocimiento, desempeñando roles de asistente de investigación, analista de contenido y procesador de documentos; y roles interactivos en forma de robots de rol, tutores educativos y agentes de entretenimiento.
La arquitectura de Eliza está construida alrededor de un tiempo de ejecución de agentes (agent runtime) que se integra sin problemas con un sistema de roles (respaldado por proveedores de modelos), un gestor de memoria (conectado a bases de datos) y un sistema de acciones (que se conecta al cliente de la plataforma). Las características únicas de esta arquitectura incluyen un sistema de aplicaciones ampliadas que permite la expansión modular de funcionalidades, soportando interacciones multimodales como voz, texto y medios, así como la compatibilidad con modelos de IA líderes como Llama, GPT-4 y Claude. Con su diseño multifuncional y potente, Eliza se convierte en una herramienta poderosa para el desarrollo de aplicaciones de IA a través de diversas industrias.
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', diseñado para proporcionar a los desarrolladores APIs y SDK para experimentar con agentes de IA. La arquitectura ofrece un enfoque estructurado para gestionar el comportamiento, la toma de decisiones y los procesos de aprendizaje de los agentes.
Los componentes centrales de G.A.M.E son los siguientes: primero, la 'Interfaz de Sugerencias de Agentes' es el punto de entrada donde los desarrolladores integran G.A.M.E en los agentes para obtener su comportamiento.
El 'subsistema de percepción' inicia sesiones especificando parámetros como ID de sesión, ID de agente, usuario y otros detalles relevantes. Sintetiza los mensajes entrantes en un formato adecuado para el 'motor de planificación estratégica', actuando como el mecanismo de entrada sensorial del agente de IA, ya sea en forma de diálogo o reacción. El núcleo aquí es el 'módulo de procesamiento de diálogo', que se encarga de manejar mensajes y respuestas del agente, colaborando con el 'subsistema de percepción' para interpretar y responder eficazmente a las entradas.
El 'motor de planificación estratégica' trabaja en conjunto con el 'módulo de procesamiento de diálogo' y el 'operador de billetera en cadena' para generar respuestas y planes. Este motor opera en dos niveles: como planificador de alto nivel, creando estrategias amplias basadas en contexto u objetivos; y como planificador de bajo nivel, transformando estas estrategias en políticas ejecutables, desglosadas en un planificador de acciones (para especificar tareas) y un ejecutor de planes (para ejecutar tareas).
Un componente separado pero crítico es el 'contexto del mundo', que refiere a la información ambiental, estado del mundo y de juego, proporcionando el contexto necesario para la toma de decisiones del agente. Además, la 'biblioteca de agentes' se utiliza para almacenar atributos a largo plazo, como objetivos, reflexiones, experiencias y personalidad, que en conjunto moldean el comportamiento y procesos de decisión del agente. La arquitectura utiliza 'memoria de trabajo a corto plazo' y un 'procesador de memoria a largo plazo': la memoria a corto plazo retiene información relevante sobre acciones previas, resultados y planes actuales; en contraste, el procesador de memoria a largo plazo extrae información clave basada en criterios como importancia, actualidad y relevancia. Esta memoria almacena recuerdos sobre las experiencias, reflexiones, personalidades dinámicas, contextos del mundo y conocimientos de memoria de trabajo del agente, mejorando la toma de decisiones y proporcionando una base para el aprendizaje.
Para aumentar la disposición, el 'módulo de aprendizaje' obtiene datos del 'subsistema de percepción' para generar conocimiento general, el cual se retroalimenta al sistema para optimizar futuras interacciones. Los desarrolladores pueden introducir retroalimentación sobre acciones, estado del juego y datos sensoriales a través de la interfaz para mejorar el aprendizaje del agente de IA y aumentar sus capacidades de planificación y decisión.
El flujo de trabajo comienza con la interacción del desarrollador a través de la interfaz de sugerencias de agentes; el 'subsistema de percepción' procesa la entrada y la reenvía al 'módulo de procesamiento de diálogo', que gestiona la lógica de interacción; luego, el 'motor de planificación estratégica' elabora y ejecuta planes utilizando información y estrategia avanzada.
Los datos de 'contexto del mundo' y 'biblioteca de agentes' informan estos procesos, mientras que la memoria de trabajo rastrea tareas en tiempo real. Al mismo tiempo, el 'procesador de memoria a largo plazo' almacena y recupera conocimiento a lo largo del tiempo. El 'módulo de aprendizaje' analiza resultados y integra nuevo conocimiento en el sistema, mejorando continuamente el comportamiento e interacción de los agentes.
Rig
Rig es una arquitectura de código abierto basada en Rust, diseñada para simplificar el desarrollo de aplicaciones de modelos de lenguaje grande (LLM). Proporciona una interfaz unificada para interactuar con múltiples proveedores de LLM (como OpenAI y Anthropic) y admite varios almacenes vectoriales, incluidos MongoDB y Neo 4 j. La arquitectura modular cuenta con componentes clave como la 'Capa de Abstracción de Proveedores', 'Integración de Almacenamiento Vectorial' y 'Sistema de Agentes', facilitando la interacción sin problemas con LLM.
El público principal de Rig incluye desarrolladores que construyen aplicaciones de IA/ML utilizando Rust, y el público secundario incluye organizaciones que buscan integrar múltiples proveedores de LLM y almacenamiento vectorial en sus aplicaciones Rust. La biblioteca utiliza una estructura basada en espacios de trabajo que contiene múltiples crates, logrando escalabilidad y gestión eficiente de proyectos. Las funcionalidades principales de Rig incluyen la 'Capa de Abstracción de Proveedores', que estandariza las API de proveedores LLM a través de un manejo de errores consistente; el componente de 'Integración de Almacenamiento Vectorial' que proporciona una interfaz abstracta para múltiples backend y soporta búsqueda de similitud vectorial; y el 'Sistema de Agentes' que simplifica la interacción LLM, soportando generación mejorada por recuperación (RAG) e integración de herramientas. Además, la arquitectura de incrustación proporciona capacidad de procesamiento por lotes y operaciones de incrustación seguras por tipo.
Rig asegura fiabilidad y rendimiento aprovechando múltiples ventajas tecnológicas. Las operaciones asíncronas utilizan el tiempo de ejecución asíncrono de Rust para manejar eficientemente una alta cantidad de solicitudes concurrentes; el mecanismo de manejo de errores inherente a la arquitectura mejora la capacidad de recuperación ante fallos en proveedores de inteligencia artificial o operaciones de bases de datos; la seguridad de tipo previene errores en tiempo de compilación, mejorando la mantenibilidad del código; los procesos de serialización y deserialización eficientes ayudan a manejar datos en formatos como JSON, que son cruciales para la comunicación y almacenamiento de servicios de inteligencia artificial; y un registro detallado y paneles de control ayudan aún más en la depuración y monitoreo de aplicaciones.
El flujo de trabajo en Rig comienza con una solicitud iniciada por el cliente, fluyendo a través de la 'Capa de Abstracción de Proveedores', interactuando con el modelo LLM correspondiente; luego, los datos son procesados por la capa central, donde el agente puede usar herramientas o acceder a almacenamiento vectorial para obtener contexto; mediante flujos de trabajo complejos como RAG, se generan y refinan las respuestas, que incluyen recuperación de documentos y comprensión del contexto, antes de ser devueltas al cliente. Este sistema integra múltiples proveedores de LLM y almacenamiento vectorial, adaptándose a la disponibilidad o variaciones de rendimiento del modelo.
Las aplicaciones de Rig son diversas, incluyendo sistemas de preguntas y respuestas que recuperan documentos relevantes para proporcionar respuestas precisas, búsqueda y recuperación de documentos para descubrimiento de contenido eficiente, así como chatbots o asistentes virtuales que brindan interacciones conscientes del contexto para servicio 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 una arquitectura de código abierto escrita en Python, diseñada para desplegar agentes en X utilizando LLM de OpenAI o Anthropic. ZerePy se origina de una versión modular del backend de Zerebro, permitiendo a los desarrolladores iniciar agentes con funciones similares a las de Zerebro. Aunque la arquitectura proporciona la base para el despliegue de agentes, se requiere un ajuste fino del modelo para generar producciones 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.
La arquitectura está construida en lenguaje Python, enfatizando la autonomía de los agentes y centrándose en la generación de producciones creativas, en línea con la asociación de arquitectura + socios de Eliza. Su diseño modular admite la integración de sistemas de memoria, facilitando el despliegue de agentes en plataformas sociales. Sus funciones principales 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 funcionalidad mejorada.
Las aplicaciones de ZerePy abarcan la automatización de redes sociales, donde los usuarios pueden desplegar agentes de IA para publicar, responder, dar me gusta y retuitear, aumentando así la participación en la plataforma. Además, es aplicable a la creación de contenido en industrias como la música, notas y NFT, siendo una herramienta importante para el arte digital y las plataformas de contenido basadas en blockchain.
Comparación horizontal
Creemos que cada una de las arquitecturas mencionadas ofrece un enfoque único para el desarrollo de IA, satisfaciendo necesidades y entornos específicos, lo que hace que el debate no se limite a si estas arquitecturas son competidoras entre sí, sino que se concentre en si cada arquitectura puede proporcionar utilidad y valor únicos.
Eliza se destaca por su interfaz amigable, especialmente para desarrolladores familiarizados con los entornos de JavaScript y Node.js. Su documentación integral ayuda en el establecimiento de 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 integrados en la web, dado que la mayoría de la infraestructura web frontend está construida en TypeScript. La arquitectura es conocida por su estructura de múltiples agentes, capaz de desplegar agentes de personalidad diversa a través de plataformas como Discord, X y Telegram. Su avanzado sistema RAG se utiliza para la gestión de memoria, lo que la hace particularmente adecuada para construir asistentes de IA para soporte al cliente o aplicaciones de redes sociales. Aunque ofrece flexibilidad, un sólido soporte comunitario y un rendimiento consistente multiplataforma, todavía se encuentra en una etapa temprana y 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 usuarios con menor nivel técnico en la industria del juego. Sin embargo, se centra en el desarrollo de juegos e integración blockchain, lo que puede presentar una curva de aprendizaje más pronunciada para quienes carecen de experiencia en estos ámbitos. Destaca en la generación de contenido programático y el comportamiento de NPC, pero también está limitado por su industria de nicho y la complejidad adicional que implica la integración blockchain.
Rig, al utilizar el lenguaje Rust, puede resultar menos amigable para los usuarios debido a la complejidad de este lenguaje, lo que plantea un gran desafío de aprendizaje, aunque para quienes dominan la programación de sistemas, puede ofrecer interacciones intuitivas. Comparado con TypeScript, Rust es conocido por su rendimiento y seguridad de memoria. Posee verificaciones estrictas en tiempo de compilación y abstracciones sin costo, necesarias para ejecutar algoritmos complejos de inteligencia artificial. Las características de eficiencia y bajo control de este lenguaje lo convierten en una opción ideal para aplicaciones de IA que requieren muchos recursos. La arquitectura está diseñada de manera modular y escalable, ofreciendo soluciones de alto rendimiento, siendo muy adecuada para aplicaciones empresariales. Sin embargo, para desarrolladores no familiarizados con Rust, usarlo puede presentar una curva de aprendizaje pronunciada.
ZerePy utiliza el lenguaje Python, proporcionando una mayor accesibilidad para tareas creativas de IA. Para desarrolladores de Python, especialmente aquellos con experiencia en IA/ML, la curva de aprendizaje es baja, y gracias a la popularidad de ZEREBRO, se beneficia de un sólido apoyo comunitario. ZerePy se destaca en aplicaciones de IA creativa como NFTs, posicionándose como una poderosa herramienta en la industria de los medios digitales y el arte. Aunque es excepcional en creatividad, su rango de aplicación es relativamente estrecho en comparación con otras arquitecturas.
En términos de escalabilidad, las comparaciones de las cuatro arquitecturas son las siguientes.
Eliza ha logrado un progreso significativo tras la actualización de la versión V2, introduciendo una línea de mensajes unificada y una arquitectura central ampliable, logrando una gestión eficiente multiplataforma. Sin embargo, sin optimización, gestionar esta interacción multiplataforma podría presentar desafíos en términos de escalabilidad.
G.A.M.E brilla en el procesamiento en tiempo real requerido por los juegos, con escalabilidad gestionada a través de algoritmos eficientes y un potencial sistema descentralizado basado en blockchain, aunque puede estar limitado por restricciones de motores de juego específicos o redes blockchain.
La arquitectura Rig puede aprovechar las ventajas de rendimiento de Rust para lograr una mejor escalabilidad, diseñada intrínsecamente para aplicaciones de alto rendimiento, lo que puede ser especialmente eficaz para implementaciones empresariales, aunque esto puede significar que lograr una verdadera escalabilidad requiere configuraciones complejas.
La escalabilidad de ZerePy se centra en la producción creativa y cuenta con el apoyo de contribuciones comunitarias, aunque el enfoque de esta arquitectura puede limitar su aplicabilidad en un entorno de inteligencia artificial más amplio; su escalabilidad puede ser desafiada por la diversidad de tareas creativas más que por la cantidad de usuarios.
En términos de aplicabilidad, Eliza lidera con su sistema de aplicaciones ampliado y compatibilidad multiplataforma, seguida de G.A.M.E en entornos de juego y Rig para manejar tareas complejas de IA. ZerePy ha demostrado ser altamente adaptable en la industria creativa, pero tiene menos aplicabilidad en la industria de IA más amplia.
En términos de rendimiento, los resultados de las pruebas de las cuatro arquitecturas son los siguientes.
Eliza ha sido optimizada para interacciones rápidas en redes sociales, pero su rendimiento al manejar tareas computacionales más complejas puede variar.
G.A.M.E se centra en la interacción en tiempo real de alto rendimiento en escenarios de juego, aprovechando procesos de toma de decisiones eficientes y posibles operaciones de IA descentralizadas mediante blockchain.
Rig, basado en Rust, puede proporcionar un excelente rendimiento para tareas de cálculo de alto rendimiento, adecuado para aplicaciones empresariales donde la eficiencia de cálculo es crucial.
El rendimiento de ZerePy se orienta hacia la creación de contenido creativo, con métricas centradas en la eficiencia y calidad en la generación de contenido, lo que puede ser menos aplicable fuera de la industria creativa.
Combinando el análisis integral de las ventajas y desventajas mencionadas, Eliza ofrece una mejor flexibilidad y capacidad de expansión, con un sistema de aplicaciones ampliado y configuraciones de roles que le confieren una gran adaptabilidad, facilitando la interacción social de inteligencia artificial multiplataforma; G.A.M.E ofrece capacidades únicas de interacción en tiempo real en escenarios de juego y, a través de la integración blockchain, proporciona una participación novedosa de IA; las ventajas de Rig radican en su rendimiento y capacidad de expansión, siendo adecuada para tareas de IA a nivel empresarial, y se enfoca en la simplicidad y modularidad del código para garantizar el desarrollo saludable a largo plazo del proyecto; Zerepy se especializa en fomentar la creatividad, ocupando una posición de liderazgo en aplicaciones de IA en arte digital, y cuenta con el apoyo de un vibrante modelo de desarrollo impulsado por la comunidad.
En resumen, cada arquitectura tiene sus limitaciones. Eliza sigue en una etapa temprana, con posibles problemas de estabilidad y una curva de aprendizaje más larga para nuevos desarrolladores; el enfoque de nicho de G.A.M.E puede limitar su aplicación más amplia, y la introducción de blockchain también aumenta 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 limitarse en su aplicación en otras industrias de IA debido a su enfoque estrecho en la producción creativa.
Resumen de comparaciones clave
Rig (ARC)
Lenguaje: Rust, enfocado en seguridad y rendimiento.
Aplicación: Enfocado en eficiencia y escalabilidad, ideal para aplicaciones de IA empresariales.
Comunidad: Menos impulsada por la comunidad, más centrada en desarrolladores técnicos.
Eliza (AI16Z)
Lenguaje: TypeScript, enfatizando la flexibilidad de Web3 y la participación comunitaria.
Aplicación: Diseñada específicamente para interacciones sociales, DAO y transacciones, con un enfoque especial en sistemas de múltiples agentes.
Comunidad: Altamente impulsada por la comunidad, con amplias conexiones con GitHub.
ZerePy (ZEREBRO):
Lenguaje: Python, más fácilmente adoptado por un grupo más amplio de desarrolladores de IA.
Aplicación: Adecuada para la automatización de redes sociales y tareas más simples de agentes de IA.
Comunidad: Relativamente nueva, pero con potencial de crecimiento debido a la popularidad de Python y el apoyo de contribuyentes de ai16z.
G.A.M.E (VIRTUAL, GMAE):
Punto clave: Agentes de IA autónomos y auto-adaptativos, capaces de evolucionar en función de interacciones dentro del entorno virtual.
Aplicación: Más adecuada para escenarios donde los agentes necesitan aprender y adaptarse, como en juegos o mundos virtuales.
Comunidad: Innovadora, pero aún en proceso de definir su posicionamiento en la competencia.
Crecimiento de datos en Github
Fuente de la imagen: Deep Value Memetics
La gráfica anterior muestra la evolución de la cantidad de estrellas en GitHub desde el lanzamiento de estas arquitecturas. En general, las estrellas en GitHub pueden servir como un indicador del interés de la comunidad, la popularidad del proyecto y la percepción del valor del proyecto.
Eliza (línea roja): El gráfico muestra un crecimiento notable y estable en la cantidad de estrellas de esta arquitectura, comenzando de una base baja en julio y aumentando drásticamente a finales de noviembre, alcanzando ahora 6,100 estrellas. Esto indica un rápido aumento del interés en torno a esta arquitectura, atrayendo la atención de desarrolladores. El crecimiento exponencial sugiere que Eliza ha ganado una gran atracción debido a sus características, actualizaciones y participación comunitaria, siendo su popularidad mucho mayor que la de otros productos, lo que indica un fuerte apoyo de la comunidad y un interés o aplicabilidad más amplia en la comunidad de inteligencia artificial.
Rig (línea azul): Rig es la más 'antigua' de las cuatro arquitecturas, su crecimiento en estrellas ha sido modesto pero constante, y ha mostrado un aumento notable en el último mes. Su cantidad total de estrellas ha alcanzado 1,700, pero sigue en una trayectoria ascendente. La acumulación estable de atención es el resultado de un desarrollo continuo, actualizaciones y un creciente grupo de usuarios. Esto podría reflejar que Rig está todavía acumulando reputación como arquitectura.
ZerePy (línea amarilla): ZerePy se lanzó hace unos días, y la cantidad de estrellas ha crecido a 181. Es importante destacar 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): La cantidad de estrellas de esta arquitectura es baja, pero es importante mencionar que la arquitectura puede aplicarse directamente a los agentes dentro del ecosistema Virtual a través de API, por lo que no es necesario publicarla en GitHub. Sin embargo, aunque esta arquitectura ha estado disponible para los constructores durante poco más de un mes, ya hay más de 200 proyectos utilizando G.A.M.E para sus construcciones.
Expectativas de actualización de arquitecturas 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 recibirán soporte para el futuro TEE (Entorno de Ejecución Confiable) nativo, permitiendo que los agentes funcionen en un entorno seguro. Un registro de complementos para aplicaciones ampliadas es una función próxima de Eliza, que permitirá a los desarrolladores registrar e integrar aplicaciones ampliadas sin problemas.
Además, Eliza 2.0 admitirá mensajería anónima automatizada y multiplataforma. Se espera que el libro blanco de Tokenomics, programado para publicarse el 1 de enero de 2025 (con propuestas relevantes ya publicadas), tenga un impacto positivo en el token AI16Z que respalda la arquitectura de Eliza. ai16z planea seguir fortaleciendo la utilidad de esta arquitectura y aprovechar el esfuerzo de sus principales contribuyentes para atraer talento de alta calidad.
La arquitectura G.A.M.E proporciona integración sin código para los agentes, permitiendo el uso simultáneo de G.A.M.E y Eliza en un solo proyecto, cada uno sirviendo a aplicaciones específicas. Este enfoque se espera que atraiga a constructores que se centren más en la lógica empresarial que en la complejidad técnica. Aunque la arquitectura ha estado disponible públicamente por solo más de 30 días, ha logrado avances significativos gracias al esfuerzo del equipo por atraer más contribuyentes. Se espera que cada proyecto lanzado en VirtuaI adopte G.A.M.E.
La arquitectura Rig, impulsada por el token ARC, tiene un potencial significativo, aunque su crecimiento arquitectónico está en una etapa temprana y los contratos de proyectos que impulsan la adopción de Rig han estado en línea solo durante unos días. Sin embargo, se anticipa que pronto surgirán proyectos de alta calidad en combinación con ARC, similares a los de Virtual, pero enfocados en Solana. El equipo de Rig tiene una actitud optimista hacia la colaboración con Solana, posicionando a ARC como el Virtual de Solana. Cabe mencionar que el equipo no solo incentiva los nuevos proyectos que inicien con Rig, sino que también incentiva a los desarrolladores a mejorar la arquitectura de Rig misma.
Zerepy es una nueva arquitectura que, debido a su colaboración con ai16z (la arquitectura Eliza), está ganando atención significativa, atrayendo a contribuyentes de Eliza que están trabajando activamente para mejorar esta arquitectura. Zerepy disfruta de un apoyo entusiasta impulsado por la comunidad de ZEREBRO y está abriendo nuevas oportunidades para desarrolladores de Python que anteriormente no tenían espacio para destacar en la competitiva industria de infraestructura de IA. Se espera que esta arquitectura desempeñe un papel importante en la creatividad de IA.
Este artículo se reproduce con autorización de: (BlockBeats)
Autor original: Deep Value Memetics
‘¡Desarrolladores, atención! Comparativa de las cuatro principales arquitecturas de desarrollo de CryptoAI: ¿Eliza o ZerePy son las mejores?’ Este artículo fue publicado originalmente en ‘Crypto City’