Riepilogo dei punti principali
In questo rapporto, abbiamo discusso delle principali architetture emergenti nel settore Crypto & AI. Esamineremo le quattro principali architetture attuali: Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) e ZerePy (ZEREBRO), analizzando le loro differenze tecniche e il potenziale di sviluppo.
Nella scorsa settimana, abbiamo analizzato e testato le quattro principali architetture sopra menzionate, e le conclusioni sono riassunte di seguito.
Riteniamo che Eliza (con una quota di mercato di circa il 60% e un valore di mercato di circa 900 milioni di dollari al momento della scrittura, salito a circa 1,4 miliardi di dollari al momento della pubblicazione) continuerà a dominare il mercato. Il valore di Eliza risiede nel suo vantaggio iniziale e nell'adozione accelerata da parte degli sviluppatori, come dimostrano i 193 collaboratori, 1800 fork e oltre 6000 stelle su GitHub, rendendolo uno dei repository più popolari su GitHub.
G.A.M.E (con una quota di mercato di circa il 20% e un valore di mercato di circa 300 milioni di dollari al momento della scrittura, sceso a circa 257 milioni di dollari al momento della pubblicazione) ha fatto molta strada fino ad ora ed è in fase di rapida adozione, come indicato negli annunci rilasciati in precedenza da Virtuals Protocol, con oltre 200 progetti già costruiti su G.A.M.E e più di 150.000 richieste giornaliere, con un tasso di crescita settimanale superiore al 200%. G.A.M.E continuerà a beneficiare dell'esplosione di VIRTUAL e potrebbe diventare uno dei più grandi vincitori di questo ecosistema.
Rig (con una quota di mercato di circa il 15% e un valore di mercato di circa 160 milioni di dollari al momento della scrittura, salito a circa 279 milioni di dollari al momento della pubblicazione) ha un design modulare molto interessante e facile da usare, con l'intento di occupare una posizione dominante nell'ecosistema Solana (RUST).
Zerepy (con una quota di mercato di circa il 5% e un valore di mercato di circa 300 milioni di dollari al momento della scrittura, salito a circa 424 milioni di dollari al momento della pubblicazione) è un'applicazione più di nicchia, specifica per una comunità ZEREBRO appassionata, e la sua recente collaborazione con la comunità ai16z potrebbe generare alcuni effetti sinergici.
Nelle statistiche sopra, la "quota di mercato" considera in modo integrato capitalizzazione di mercato, record di sviluppo e ampiezza del mercato terminale del sistema operativo sottostante.
Crediamo che le architetture AI diventeranno il settore in più rapida crescita di questo ciclo, con una capitalizzazione di mercato totale attuale di circa 1,7 miliardi di dollari che potrebbe facilmente crescere fino a 20 miliardi di dollari; rispetto alla valutazione di picco di Layer 1 nel 2021, questo numero potrebbe ancora essere conservativo - all'epoca, molte singole valutazioni di progetti superarono i 20 miliardi di dollari. Sebbene le architetture sopra menzionate servano mercati finali diversi (catena/ecosistema), poiché riteniamo che questo settore crescerà nel suo insieme, adottare un approccio ponderato basato sulla capitalizzazione di mercato potrebbe essere relativamente più prudente.
Quattro principali architetture
All'intersezione tra AI e Crypto, sono emerse diverse architetture progettate per accelerare lo sviluppo dell'AI, tra cui Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO). Dai progetti open-source a soluzioni aziendali focalizzate sulle prestazioni, ogni architettura soddisfa esigenze e filosofie diverse nello sviluppo di agenti.
Nella tabella sottostante, abbiamo elencato le tecnologie chiave, i componenti e i vantaggi di ciascuna architettura.
Fonte immagine: Deep Value Memetics
Questo rapporto si concentrerà prima su cosa sono queste architetture, quali linguaggi di programmazione, architetture tecniche, algoritmi e funzionalità uniche con potenziali applicazioni utilizzano. Poi confronteremo ciascuna architettura in base a usabilità, scalabilità, adattabilità e prestazioni, discutendo i loro vantaggi e limiti.
Eliza
Eliza è un'architettura open-source multi-agente sviluppata da ai16z, progettata per creare, dispiegare e gestire agenti AI autonomi. È sviluppata in TypeScript e offre una piattaforma flessibile e scalabile per costruire agenti intelligenti in grado di interagire con gli esseri umani su più piattaforme, mantenendo una personalità e conoscenza coerenti.
Le funzionalità principali di questa architettura includono: supporto per il dispiegamento e la gestione simultanea di più personalità AI uniche in un'architettura multi-agente; creazione di un sistema di ruoli per agenti diversificati utilizzando una struttura di file di ruolo; fornitura di funzionalità di gestione della memoria a lungo termine e contesto percepito tramite un sistema avanzato di generazione migliorata da recupero (RAG). Inoltre, l'architettura Eliza offre integrazione fluida con piattaforme, consentendo connessioni affidabili con Discord, X e altre piattaforme di social media.
In termini di comunicazione e funzionalità media degli agenti AI, Eliza è un'ottima scelta. Per quanto riguarda la comunicazione, l'architettura supporta l'integrazione con le funzionalità dei canali vocali di Discord, funzionalità di X, Telegram e accesso API diretto per applicazioni personalizzate. D'altra parte, le funzionalità di elaborazione dei media dell'architettura sono state ampliate per includere la lettura e analisi di documenti PDF, estrazione e sintesi di contenuti da collegamenti, trascrizione audio, elaborazione di contenuti video, analisi delle immagini e sintesi delle conversazioni, consentendo di gestire efficacemente vari input e output multimediali.
Eliza offre un supporto flessibile per i modelli AI, consentendo di eseguire inferenza locale utilizzando modelli open-source, inferenza basata su cloud tramite configurazioni predefinite come OpenAI e Nous Hermes Llama 3.1 B, e supporta l'integrazione di Claude per gestire query complesse. Eliza adotta un'architettura modulare, con un ampio sistema di azioni, supporto per client personalizzati e un'API completa, garantendo scalabilità e adattabilità tra le applicazioni.
Le applicazioni di Eliza coprono vari settori, come assistenti AI legati al supporto clienti, gestione della comunità, e compiti personali; per esempio, creatori di contenuti automatici, rappresentanti di marchi e ruoli sui social media; può anche fungere da lavoratore della conoscenza, agendo come assistente alla ricerca, analista di contenuti e operatore di documenti; e in forme di ruoli interattivi come robot di gioco di ruolo, tutor educativi e agenti di intrattenimento.
L'architettura di Eliza è costruita attorno a un runtime per agenti, che può integrarsi senza soluzione di continuità con un sistema di ruoli (supportato da fornitori di modelli), gestori di memoria (collegati a database) e un sistema di azioni (collegato a client di piattaforme). Le funzionalità uniche di questa architettura includono un sistema di applicazioni ampliato che consente l'ampliamento modulare delle funzionalità, supportando interazioni multimodali come voce, testo e media, e compatibilità con modelli AI leader come Llama, GPT-4 e Claude. Con la sua versatilità e potente design, Eliza diventa un potente strumento per lo sviluppo di applicazioni AI in vari settori.
G.A.M.E
G.A.M.E è sviluppato dal team ufficiale di Virtuals, il cui nome completo è "Generative Autonomous Multimodal Entities Framework", progettato per fornire agli sviluppatori interfacce API e kit di strumenti software per esperimenti con agenti AI. L'architettura offre un metodo strutturato per gestire il comportamento, le decisioni e il processo di apprendimento degli agenti AI.
Il componente principale di G.A.M.E è l'"Interfaccia di prompting per agenti" (Agent Prompting Interface), che è il punto di ingresso per gli sviluppatori per integrare G.A.M.E negli agenti e ottenere comportamenti degli agenti.
Il "Sottosistema percettivo" avvia la sessione specificando parametri come ID della sessione, ID dell'agente, utente e altri dettagli pertinenti. Sintetizza i messaggi in entrata in un formato adatto per il "Motore di pianificazione strategica", fungendo da meccanismo di input sensoriale per l'agente AI, sia sotto forma di dialogo che di reazione. Il cuore di questo sistema è il "Modulo di gestione delle conversazioni", che si occupa dei messaggi e delle risposte dell'agente, collaborando con il "Sottosistema percettivo" per interpretare e rispondere efficacemente agli input.
Il "Motore di pianificazione strategica" lavora in sinergia con il "Modulo di gestione delle conversazioni" e l'"Operatore del portafoglio on-chain" per generare risposte e piani. Questo motore opera su due livelli: come pianificatore di alto livello, crea strategie ampie basate sul contesto o sugli obiettivi; come strategia di basso livello, traduce queste strategie in politiche eseguibili, ulteriormente suddivise in pianificatori di azioni (per specificare compiti) ed esecutori di piani (per eseguire compiti).
Un componente separato ma fondamentale è il "Contesto mondiale", che fa riferimento all'ambiente, alle informazioni del mondo e allo stato del gioco, fornendo il contesto necessario per le decisioni degli agenti. Inoltre, la "Libreria agenti" è utilizzata per memorizzare proprietà a lungo termine, come obiettivi, riflessioni, esperienze e personalità, tutte influenzando il comportamento e il processo decisionale dell'agente. L'architettura utilizza "memoria di lavoro a breve termine" e "processore di memoria a lungo termine": la memoria di lavoro a breve termine conserva informazioni rilevanti su azioni precedenti, risultati e piani attuali; al contrario, il processore di memoria a lungo termine estrae informazioni chiave in base a criteri di importanza, recentità e rilevanza. Questa memoria conserva conoscenze riguardanti esperienze, riflessioni, personalità dinamiche, contesto mondiale e memoria di lavoro per migliorare le decisioni e fornire una base per l'apprendimento.
Per migliorare l'assetto, il "Modulo di apprendimento" acquisisce dati dal "Sottosistema percettivo" per generare conoscenze generali; queste conoscenze vengono restituite nel sistema per ottimizzare le interazioni future. Gli sviluppatori possono inserire feedback tramite l'interfaccia su azioni, stato del gioco e dati sensoriali, per migliorare l'apprendimento dell'agente AI e aumentare le sue capacità di pianificazione e decisione.
Il flusso di lavoro inizia con l'interazione degli sviluppatori tramite l'Interfaccia di prompting per agenti; il "Sottosistema percettivo" gestisce gli input e li inoltra al "Modulo di gestione delle conversazioni", che gestisce la logica interattiva; successivamente, il "Motore di pianificazione strategica" formula e attua piani basati su queste informazioni, utilizzando strategie avanzate e pianificazione dettagliata delle azioni.
I dati provenienti da "contesto mondiale" e "libreria agenti" forniscono informazioni per questi processi, mentre la memoria di lavoro traccia compiti in tempo reale. Nel frattempo, il "processore di memoria a lungo termine" memorizza e recupera conoscenze nel tempo. Il "modulo di apprendimento" analizza i risultati e integra nuove conoscenze nel sistema, migliorando comportamenti e interazioni degli agenti.
Rig
Rig è un'architettura open-source basata su Rust, progettata per semplificare lo sviluppo di applicazioni di modelli linguistici di grandi dimensioni (LLM). Fornisce un'interfaccia unificata per interagire con più fornitori di LLM (come OpenAI e Anthropic) e supporta vari sistemi di archiviazione vettoriale, inclusi MongoDB e Neo 4 j. La sua architettura modulare presenta componenti chiave come "Livello di astrazione del fornitore", "Integrazione di archiviazione vettoriale" e "Sistema di agenti", facilitando interazioni senza soluzione di continuità con i LLM.
Il pubblico principale di Rig include sviluppatori che costruiscono applicazioni AI/ML utilizzando Rust, mentre il pubblico secondario include organizzazioni che cercano di integrare più fornitori di LLM e archiviazione vettoriale nelle loro applicazioni Rust. La libreria utilizza una struttura basata su workspace, contenente diversi crate, per raggiungere scalabilità e gestione del progetto efficiente. Le funzionalità principali di Rig includono il "Livello di astrazione del fornitore" (Provider Abstraction Layer), che standardizza le API utilizzate per completare e integrare fornitori di LLM attraverso una gestione coerente degli errori; il componente "Integrazione di archiviazione vettoriale" fornisce un'interfaccia astratta per più backend e supporta la ricerca di similarità vettoriale; il "Sistema di agenti" semplifica l'interazione LLM, supportando la generazione migliorata da recupero (RAG) e integrazione di strumenti. Inoltre, l'architettura di embedding fornisce capacità di batch e operazioni di embedding a tipo sicuro.
Rig sfrutta diversi vantaggi tecnici per garantire affidabilità e prestazioni. Le operazioni asincrone utilizzano il runtime asincrono di Rust per gestire in modo efficiente un gran numero di richieste concorrenti; il meccanismo di gestione degli errori intrinseco dell'architettura migliora la resilienza ai guasti delle interazioni con fornitori di intelligenza artificiale o operazioni di database; la sicurezza dei tipi previene errori di compilazione, migliorando la manutenibilità del codice; i processi di serializzazione e deserializzazione efficienti aiutano a gestire dati in formati come JSON, essenziali per le comunicazioni e lo stoccaggio dei servizi di intelligenza artificiale; registri e dashboard dettagliati aiutano ulteriormente nel debugging e nel monitoraggio delle applicazioni.
Il flusso di lavoro in Rig inizia con il client che avvia una richiesta, che fluisce attraverso il "Livello di astrazione del fornitore", interagendo con il modello LLM corrispondente; successivamente, i dati sono elaborati dal livello centrale, dove l'agente può utilizzare strumenti o accedere all'archiviazione vettoriale per ottenere contesto; la risposta viene generata e perfezionata attraverso flussi di lavoro complessi come RAG, che includono il recupero di documenti e la comprensione del contesto, prima di tornare al client. Il sistema integra più fornitori di LLM e archiviazione vettoriale, adattandosi alla disponibilità o alle variazioni delle prestazioni dei modelli.
Le applicazioni di Rig sono varie, includendo sistemi di risposta a domande che recuperano documenti rilevanti per fornire risposte accurate, ricerca e recupero di documenti per una scoperta di contenuti efficiente, e chatbot o assistenti virtuali per fornire interazioni contestuali per il servizio clienti o l'istruzione. Supporta anche la generazione di contenuti, in grado di creare testi e altri materiali basati su schemi appresi, rendendolo uno strumento multifunzionale per sviluppatori e organizzazioni.
ZerePy
ZerePy è un'architettura open-source scritta in Python, progettata per dispiegare agenti su X utilizzando i LLM di OpenAI o Anthropic. ZerePy deriva da una versione modulare del backend di Zerebro, consentendo agli sviluppatori di avviare agenti con funzionalità simili a quelle del core di Zerebro. Sebbene l'architettura fornisca una base per il dispiegamento degli agenti, è necessario un fine-tuning del modello per generare output creativi. ZerePy semplifica lo sviluppo e il dispiegamento di agenti AI personalizzati, particolarmente adatta per la creazione di contenuti sulle piattaforme sociali, facilitando un ecosistema creativo AI mirato all'arte e alle applicazioni decentralizzate.
L'architettura è costruita utilizzando il linguaggio Python, enfatizzando l'autonomia degli agenti e focalizzandosi sulla generazione di output creativi, in linea con la collaborazione architettonica + partner di Eliza. La sua progettazione modulare supporta l'integrazione dei sistemi di memoria, facilitando il dispiegamento degli agenti sulle piattaforme sociali. Le sue funzionalità principali includono un'interfaccia a riga di comando per la gestione degli agenti, integrazione con X, supporto per LLM di OpenAI e Anthropic, e un sistema di connessione modulare per funzionalità avanzate.
Le applicazioni di ZerePy coprono l'automazione dei social media, consentendo agli utenti di dispiegare agenti AI per pubblicare, rispondere, mettere mi piace e ritwittare, aumentando il coinvolgimento sulla piattaforma. Inoltre, è adatta per la creazione di contenuti in settori come la musica, i memo e gli NFT, rappresentando uno strumento importante per l'arte digitale e le piattaforme di contenuti basate su blockchain.
Confronto orizzontale
Riteniamo che ogni architettura sopra menzionata offra approcci unici allo sviluppo dell'AI, rispondendo a bisogni e ambienti specifici, il che fa sì che il dibattito non si concentri più sul fatto che queste architetture siano concorrenti, ma piuttosto sulla loro capacità di fornire utilità e valore unici.
Eliza si distingue per la sua interfaccia user-friendly, particolarmente adatta per gli sviluppatori familiari con gli ambienti JavaScript e Node.js. La sua documentazione completa aiuta a configurare agenti AI su diverse piattaforme, sebbene il suo ricco set di funzionalità possa presentare una curva di apprendimento moderata, ma grazie all'uso di TypeScript, Eliza è molto adatta per costruire agenti incorporati nel web, dato che la maggior parte delle infrastrutture front-end sono costruite con TypeScript. L'architettura è nota per la sua architettura multi-agente, in grado di dispiegare agenti AI di personalità diversificata su piattaforme come Discord, X e Telegram. Il suo avanzato sistema RAG è utilizzato per la gestione della memoria, rendendolo particolarmente adatto per costruire assistenti AI per il supporto clienti o applicazioni sui social media. Anche se offre flessibilità, un forte supporto della comunità e prestazioni cross-platform coerenti, è ancora nelle fasi iniziali e potrebbe rappresentare una curva di apprendimento per gli sviluppatori.
G.A.M.E è progettato per sviluppatori di giochi, fornendo un'interfaccia a basso codice o senza codice attraverso API, facilitando l'accesso per quegli utenti con minori competenze tecniche nell'industria dei giochi. Tuttavia, si concentra sullo sviluppo di giochi e sull'integrazione blockchain, quindi la curva di apprendimento può essere ripida per chi non ha esperienza. Eccelle nella generazione di contenuti programmati e nel comportamento degli NPC, ma è anche limitata dalla sua nicchia e dalla complessità aggiuntiva nell'integrazione blockchain.
Rig, a causa dell'uso del linguaggio Rust, potrebbe risultare poco amichevole per gli utenti a causa della complessità di questo linguaggio, presentando sfide significative per l'apprendimento, ma per chi è esperto nella programmazione di sistema, può fornire interazioni intuitive. Rispetto a TypeScript, Rust è noto per le sue prestazioni e la sicurezza della memoria. Ha controlli rigorosi durante la compilazione e astrazioni a costo zero, necessari per eseguire algoritmi di intelligenza artificiale complessi. L'efficienza e le caratteristiche di basso controllo di questo linguaggio lo rendono una scelta ideale per applicazioni AI ad alta intensità di risorse. L'architettura ha una progettazione modulare e scalabile che può fornire soluzioni ad alte prestazioni, molto adatte per applicazioni aziendali. Tuttavia, per gli sviluppatori non familiari con il linguaggio Rust, l'utilizzo di Rust presenta una curva di apprendimento ripida.
ZerePy utilizza il linguaggio Python, offrendo una maggiore usabilità per compiti creativi AI. Per gli sviluppatori Python, in particolare quelli con background in AI/ML, la curva di apprendimento è bassa, e grazie alla popolarità di ZEREBRO, si ottiene un forte supporto della comunità. ZerePy si distingue per le sue eccellenti prestazioni nelle applicazioni AI creative come NFT, e si posiziona come uno strumento potente nell'industria dei media digitali e dell'arte. Anche se eccelle nella creatività, il suo ambito di applicazione è relativamente ristretto rispetto ad altre architetture.
In termini di scalabilità, il confronto tra le quattro architetture è il seguente.
Eliza ha fatto progressi significativi dopo l'aggiornamento alla versione V2, introducendo un flusso di messaggi unificato e un'architettura centrale scalabile, facilitando una gestione efficiente cross-platform. Tuttavia, senza ottimizzazione, gestire questa interazione multi-piattaforma potrebbe presentare sfide di scalabilità.
G.A.M.E si distingue per il suo trattamento in tempo reale richiesto dai giochi, con la scalabilità gestita tramite algoritmi efficienti e potenziali sistemi decentralizzati basati su blockchain, sebbene possa essere limitata da specifici motori di gioco o restrizioni di rete blockchain.
L'architettura Rig può sfruttare i vantaggi prestazionali di Rust per ottenere una scalabilità migliore, progettata per applicazioni ad alto throughput, il che potrebbe rivelarsi particolarmente efficace per distribuzioni aziendali, sebbene ciò possa significare che raggiungere una vera scalabilità richieda configurazioni complesse.
La scalabilità di ZerePy è mirata all'output creativo e supportata dai contributi della comunità, ma il focus di questa architettura potrebbe limitare le sue applicazioni in un contesto AI più ampio; la sua scalabilità potrebbe essere messa alla prova dalla diversità dei compiti creativi piuttosto che dalla quantità di utenti.
In termini di applicabilità, Eliza è lontanamente in testa grazie al suo sistema di applicazioni scalabili e alla compatibilità cross-platform, seguita da G.A.M.E negli ambienti di gioco e Rig per compiti AI complessi. ZerePy ha mostrato un'alta adattabilità nell'industria creativa, ma è meno adatta per applicazioni AI più ampie.
In termini di prestazioni, i risultati dei test delle quattro architetture sono i seguenti.
Eliza è ottimizzata per l'interazione rapida sui social media, ma le sue prestazioni potrebbero variare quando si tratta di gestire compiti computazionali più complessi.
G.A.M.E si concentra su interazioni in tempo reale ad alte prestazioni negli scenari di gioco, sfruttando processi decisionali efficienti e potenziali operazioni AI decentralizzate tramite blockchain.
Rig, basato su Rust, può fornire prestazioni eccezionali per compiti di calcolo ad alte prestazioni, adatto per applicazioni aziendali dove l'efficienza computazionale è fondamentale.
Le prestazioni di ZerePy sono mirate alla creazione di contenuti creativi, con metriche centrate sull'efficienza e qualità della generazione dei contenuti, che potrebbero non essere molto comuni al di fuori dell'industria creativa.
Combinando i suddetti vantaggi e svantaggi, Eliza offre maggiore flessibilità e scalabilità, con un sistema di applicazioni ampliato e configurazioni di ruoli che la rendono altamente adattabile, utile per interazioni sociali AI cross-platform; G.A.M.E offre un'unica capacità di interazione in tempo reale negli scenari di gioco e, grazie all'integrazione blockchain, offre una partecipazione AI innovativa; il vantaggio di Rig risiede nelle sue prestazioni e scalabilità, adatta per compiti AI di livello aziendale, e si concentra sulla semplicità e modularità del codice per garantire la salute a lungo termine del progetto; Zerepy è abile nel coltivare la creatività, essendo all'avanguardia nelle applicazioni AI nell'arte digitale, supportato da un modello di sviluppo guidato da una comunità vivace.
In sintesi, ogni architettura ha le sue limitazioni. Eliza è ancora nelle fasi iniziali, con potenziali problemi di stabilità e una curva di apprendimento lunga per i nuovi sviluppatori; l'attenzione di nicchia di G.A.M.E potrebbe limitare le sue applicazioni più ampie, e l'introduzione della blockchain aumenta la complessità; la curva di apprendimento di Rig è resa più ripida dalla complessità del linguaggio Rust, il che potrebbe scoraggiare alcuni sviluppatori; Zerepy potrebbe limitare le sue applicazioni in altre industrie dell'intelligenza artificiale a causa della sua stretta attenzione alla produzione creativa.
Rassegna dei principali elementi di confronto
Rig (ARC)
Linguaggio: Rust, focalizzato su sicurezza e prestazioni.
Applicazione: focalizzata su efficienza e scalabilità, è una scelta ideale per applicazioni AI di livello aziendale.
Comunità: Meno guidata dalla comunità, più focalizzata su sviluppatori tecnici.
Eliza (AI16Z)
Linguaggio: TypeScript, enfatizzando la flessibilità e la partecipazione della comunità in Web3.
Applicazione: progettata specificamente per interazioni sociali, DAO e transazioni, con un forte focus sui sistemi multi-agente.
Comunità: altamente guidata dalla comunità, con ampie connessioni con GitHub.
ZerePy (ZEREBRO):
Linguaggio: Python, più facilmente accettato da una comunità di sviluppatori AI più ampia.
Applicazione: adatta per l'automazione dei social media e compiti AI più semplici.
Comunità: Relativamente nuova, ma con prospettive di crescita grazie alla popolarità di Python e al supporto dei collaboratori ai16z.
G.A.M.E (VIRTUAL, GMAE):
Punto chiave: agenti AI autonomi e adattivi, in grado di evolversi in base alle interazioni nell'ambiente virtuale.
Applicazione: più adatta per scenari in cui gli agenti devono apprendere e adattarsi, come giochi o mondi virtuali.
Comunità: innovativa, ma ancora in fase di definizione della propria posizione nel mercato.
Andamento dei dati su GitHub
Fonte immagine: Deep Value Memetics
Il grafico sopra mostra l'andamento dei dati di stelle su GitHub da quando queste architetture sono state lanciate. In generale, le stelle su GitHub possono fungere da indicatore di interesse della comunità, popolarità del progetto e valore percepito del progetto.
Eliza (linea rossa): il grafico mostra una crescita significativa e una tendenza stabile nel numero di stelle di questa architettura, partendo da una base bassa a luglio, con un'impennata alla fine di novembre, raggiungendo ora 6100 stelle. Questo indica un rapido aumento dell'interesse attorno a questa architettura, attirando l'attenzione degli sviluppatori. La crescita esponenziale indica che Eliza ha guadagnato un'enorme attrattiva grazie alle sue funzionalità, aggiornamenti e partecipazione della comunità, con una popolarità che supera di gran lunga quella di altri prodotti, suggerendo un ampio interesse o applicabilità nella comunità AI.
Rig (linea blu): Rig è la più "anziana" delle quattro architetture, con una crescita del numero di stelle piuttosto modesta ma stabile; nell'ultimo mese ha mostrato un chiaro aumento. Il totale delle stelle ha raggiunto 1700, rimanendo comunque su un percorso di crescita. L'accumulo stabile di attenzione è dovuto a uno sviluppo continuo, aggiornamenti e una base di utenti in crescita. Questo potrebbe riflettere che Rig è un'architettura che sta ancora accumulando reputazione.
ZerePy (linea gialla): ZerePy ha appena avviato un'impennata, con il numero di stelle che è già cresciuto a 181. È importante sottolineare che ZerePy ha bisogno di ulteriore sviluppo per aumentare la sua visibilità e adozione; la collaborazione con ai16z potrebbe attrarre più collaboratori nel suo repository di codice.
G.A.M.E (linea verde): il numero di stelle di questa architettura è piuttosto ridotto, ma è interessante notare che può essere applicata direttamente agli agenti nell'ecosistema Virtual tramite API, senza necessità di pubblicazione su GitHub. Anche se l'architettura è stata resa pubblica solo poco più di un mese fa, ci sono già oltre 200 progetti che utilizzano G.A.M.E per costruire.
Aspettative di aggiornamento delle architetture AI
La versione 2.0 di Eliza includerà l'integrazione con il pacchetto di strumenti di Coinbase. Tutti i progetti che utilizzano Eliza avranno accesso al supporto per il futuro TEE (Trusted Execution Environment) nativo, consentendo agli agenti di operare in ambienti sicuri. Un registro di plugin ampliato è una funzionalità in arrivo di Eliza che permetterà agli sviluppatori di registrare e integrare senza soluzione di continuità le applicazioni ampliate.
Inoltre, Eliza 2.0 supporterà la messaggistica cross-platform automatizzata e anonima. Si prevede che il white paper Tokenomics, previsto per la pubblicazione il 1° gennaio 2025 (con le proposte correlate già pubblicate), avrà un impatto positivo sui token AI16Z a sostegno dell'architettura Eliza. ai16z prevede di continuare a migliorare l'usabilità dell'architettura e attrarre talenti di alta qualità grazie agli sforzi dei suoi principali collaboratori.
L'architettura G.A.M.E offre integrazione senza codice per gli agenti, consentendo l'uso simultaneo di G.A.M.E ed Eliza in un singolo progetto, ciascuno servendo applicazioni specifiche. Questo approccio è previsto per attrarre costruttori focalizzati sulla logica aziendale piuttosto che sulla complessità tecnica. Sebbene l'architettura sia stata pubblicamente disponibile solo per poco più di 30 giorni, ha fatto progressi significativi grazie agli sforzi del team per attirare un numero maggiore di collaboratori. Si prevede che ogni progetto lanciato su VirtuaI adotterà G.A.M.E.
L'architettura Rig, alimentata dal token ARC, ha un potenziale significativo, sebbene la crescita della sua architettura sia ancora nelle fasi iniziali, con il piano di contratto per promuovere l'adozione di Rig online da pochi giorni. Tuttavia, si prevede che presto emergeranno progetti di alta qualità abbinati ad ARC, simili al volano di Virtual, ma focalizzati su Solana. Il team di Rig è ottimista sulla collaborazione con Solana, posizionando ARC come il Virtual di Solana. È importante notare che il team non solo incentiva nuovi progetti avviati utilizzando Rig, ma incentiva anche gli sviluppatori a migliorare l'architettura Rig stessa.
Zerepy è una nuova architettura che sta attirando molta attenzione grazie alla collaborazione con ai16z (l'architettura Eliza), attirando collaboratori provenienti da Eliza che stanno lavorando attivamente per migliorarla. Zerepy gode del fervente sostegno della comunità ZEREBRO e sta aprendo nuove opportunità per sviluppatori Python che precedentemente non avevano spazio per esprimersi nell'industria competitiva delle infrastrutture AI. Si prevede che questa architettura avrà un ruolo importante nella creatività AI.
Questo articolo è stato ripubblicato con autorizzazione da: (BlockBeats)
Autore originale: Deep Value Memetics
"Sviluppatori, attenzione! Confronto tra le quattro principali architetture di sviluppo AI crittografico: Eliza, ZerePy, chi è il migliore?" Questo articolo è stato originariamente pubblicato su "Crypto City"