Text original: Deep Value Memetics; Traducător: Azuma

Puncte cheie

În această raportare, discutăm despre peisajul de dezvoltare al principalelor cadre din domeniul Crypto & AI. Vom examina cele patru cadre principale de astăzi - Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC), ZerePy (ZEREBRO), analizând diferențele lor tehnologice și potențialul de dezvoltare.

În săptămâna trecută, am analizat și testat cele patru cadre de mai sus, concluziile fiind următoarele.

  • Considerăm că Eliza (cu o cotă de piață de aproximativ 60%, cu o capitalizare de piață de aproximativ 900 de milioane de dolari la momentul publicării originale, ajungând la aproximativ 1,4 miliarde de dolari la data publicării) va continua să domine cota de piață. Valoarea Eliza provine din avantajul său de primărie și din adoptarea accelerată de către dezvoltatori, așa cum demonstrează cei 193 de contribuabili de pe GitHub, 1800 de fork-uri și peste 6000 de stele, făcând-o una dintre cele mai populare biblioteci de software de pe GitHub.

  • G.A.M.E (cu o cotă de piață de aproximativ 20%, cu o capitalizare de piață de aproximativ 300 de milioane de dolari la momentul publicării originale, scăzând la aproximativ 257 de milioane de dolari la data publicării) a avut o dezvoltare foarte bună până acum și a experimentat o adoptare rapidă, așa cum a fost anunțat anterior de Protocolul Virtuals, cu peste 200 de proiecte construite pe G.A.M.E, cu cereri zilnice depășind 150,000 și o rată de creștere săptămânală de peste 200%. G.A.M.E va continua să beneficieze de explozia VIRTUAL și ar putea deveni unul dintre cei mai mari câștigători din acest ecosistem.

  • Rig (cu o cotă de piață de aproximativ 15%, cu o capitalizare de piață de aproximativ 160 de milioane de dolari la momentul publicării originale, ajungând la aproximativ 279 de milioane de dolari la data publicării) se remarcă prin designul său modular, fiind foarte atrăgător și ușor de utilizat, având potențialul de a domina ecosistemul Solana (RUST).

  • Zerepy (cu o cotă de piață de aproximativ 5%, cu o capitalizare de piață de aproximativ 300 de milioane de dolari la momentul publicării originale, ajungând la aproximativ 424 de milioane de dolari la data publicării) este o aplicație mai de nișă, specifică unei comunități entuziaste ZEREBRO, iar colaborarea recentă cu comunitatea ai16z ar putea genera anumite sinergii.

În statisticile de mai sus, "cota de piață" a fost calculată luând în considerare în mod cuprinzător capitalizarea de piață, istoricul dezvoltării și amploarea pieței terminale a sistemului de operare de bază.

Credem că cadrele AI vor deveni cel mai rapid segment de creștere în acest ciclu, cu o capitalizare de piață totală de aproximativ 1,7 miliarde de dolari, care va crește cu ușurință la 20 de miliarde de dolari, un număr care ar putea fi considerat conservator în comparație cu evaluarea de 20 de miliarde de dolari a Layer 1 în vârful din 2021 - când multe proiecte individuale aveau evaluări de peste 20 de miliarde de dolari. Deși cadrele menționate servesc piețe finale diferite (lanțuri/ecosisteme), având în vedere că considerăm că acest segment va crește în ansamblu, adoptarea unei metode ponderate după capitalizare ar putea fi relativ cea mai prudentă.

Cele patru cadre

La intersecția AI și Crypto, au apărut mai multe cadre menite să accelereze dezvoltarea AI, inclusiv Eliza (AI16Z), G.A.M.E (GAME), Rig (ARC) și ZerePy (ZEREBRO). De la proiecte din comunitatea open source la soluții de afaceri axate pe performanță, fiecare cadru răspunde diferitelor nevoi și filozofii ale dezvoltării agenților.

În tabelul de mai jos, am enumerat tehnologiile cheie, componentele și avantajele fiecărui cadru.

Această raportare se va concentra mai întâi asupra acestor cadre, ce limbaje de programare folosesc, arhitectura tehnologică, algoritmii și funcțiile unice cu cazuri de utilizare potențiale. Apoi, vom compara fiecare cadru pe baza ușurinței de utilizare, scalabilității, adaptabilității și performanței, discutând în același timp avantajele și limitările lor.

Eliza

Eliza este un cadru open source multi-agent dezvoltat de ai16z, destinat creării, desfășurării și gestionării agenților AI autonomi. Este dezvoltat în limbajul TypeScript, oferind o platformă flexibilă și scalabilă pentru construirea agenților inteligenți capabili să interacționeze cu oamenii pe mai multe platforme, menținând în același timp o personalitate și cunoștințe consistente.

Funcțiile de bază ale acestui cadru includ: suport pentru desfășurarea simultană și gestionarea mai multor personalități AI unice într-o arhitectură multi-agent; utilizarea framework-ului de fișiere de roluri pentru a crea un sistem de roluri diversificat pentru agenți; oferirea de gestionarea memoriei pe termen lung și gestionarea contextului perceput printr-un sistem avansat de generare îmbunătățită a recuperării (RAG). În plus, cadrul Eliza oferă integrare fluidă de platformă, putând realiza conexiuni fiabile cu Discord, X și alte platforme de socializare.

În ceea ce privește funcționalitățile de comunicare și media ale agenților AI, Eliza este o alegere excelentă. În comunicare, cadrul suportă integrarea cu funcțiile canalelor vocale Discord, funcțiile X, Telegram, precum și accesul API direct pentru cazuri de utilizare personalizate. Pe de altă parte, funcțiile de procesare a media ale acestui cadru s-au extins pentru a include citirea și analiza documentelor PDF, extragerea și rezumarea conținutului din linkuri, transcrierea audio, procesarea conținutului video, analiza imaginilor și rezumarea dialogurilor, putând gestiona eficient diverse intrări și ieșiri media.

Eliza oferă suport flexibil pentru modele AI, permițând inferența locală folosind modele open source, inferență bazată pe cloud utilizând configurații implicite precum OpenAI și Nous Hermes Llama 3.1 B, și suportă integrarea Claude pentru a gestiona interogări complexe. Eliza a adoptat o arhitectură modulară, având un sistem de acțiuni extins, suport pentru clienți personalizați și o API cuprinzătoare, asigurând scalabilitatea și adaptabilitatea între aplicații.

Cazurile de utilizare ale Eliza acoperă mai multe domenii, inclusiv asistenți AI pentru suportul clienților, gestionarea comunității, sarcini personale; de asemenea, actori de social media precum generatori automați de conținut, reprezentanți de brand; poate acționa și ca lucrător cunoștințe, având roluri precum asistent de cercetare, analist de conținut și operator de procesare a documentelor; precum și roluri interactive sub formă de roboți de rol, mentori educaționali și agenți de interacțiune.

Arhitectura Eliza se concentrează în jurul unui runtime agent (agent runtime), care se integrează fără probleme cu un sistem de roluri (susținut de furnizorii de modele), un manager de memorie (conectat la baza de date) și un sistem de acțiuni (legat de clientul platformei). Funcționalitățile unice ale acestui cadru includ un sistem de plugin-uri care permite extinderea modulară a funcțiilor, suport pentru interacțiuni multimodale precum voce, text și media, precum și compatibilitate cu modele AI de vârf precum Llama, GPT-4 și Claude. Cu un design versatil și puternic, Eliza devine un instrument puternic pentru dezvoltarea aplicațiilor AI în diverse domenii.

G.A.M.E

G.A.M.E este dezvoltat de echipa oficială Virtuals, având denumirea completă "Cadru de Entități Generative Autonome Multimodale (The Generative Autonomous Multimodal Entities Framework)", acest cadru având scopul de a oferi dezvoltatorilor interfețe API și kituri de dezvoltare software (SDK) pentru a experimenta cu agenți AI. Acest cadru oferă o abordare structurată pentru gestionarea comportamentului, deciziilor și procesului de învățare al agenților AI.

  • Componentele esențiale ale G.A.M.E sunt următoarele: în primul rând, "interfața de sugestie a agenților" (Agent Prompting Interface) este punctul de intrare pentru dezvoltatori pentru a integra G.A.M.E în agenți pentru a obține comportamentele agenților.

  • "Sistemul de percepție" activează sesiunea specificând parametrii precum ID-ul sesiunii, ID-ul agentului, utilizatorul și alte detalii relevante. Acesta sintetizează mesajele primite într-un format adecvat pentru "motorul de planificare strategică", servind ca mecanism de input senzorial pentru agenții AI, fie în formă de dialog, fie ca reacție. Aici, esențial este "modulul de procesare a dialogului", care se ocupă de mesajele și răspunsurile primite de la agenți și colaborează cu "sistemul de percepție" pentru a interpreta și răspunde eficient la intrări.

  • "Motorul de planificare strategică" colaborează cu "modulul de procesare a dialogului" și "operatorul de portofel on-chain" pentru a genera răspunsuri și planuri. Acest motor funcționează pe două niveluri: ca planificator de nivel înalt, creând strategii generale în funcție de context sau obiective; ca strategie de nivel inferior, transformând aceste strategii în politici executabile, împărțite ulterior în planificatori de acțiuni (pentru a specifica sarcini) și executori de planuri (pentru a desfășura sarcini).

  • Un component separat, dar crucial, este "contextul lumii", care face referire la mediu, informațiile lumii și starea jocului, oferind contextul necesar pentru deciziile agenților. În plus, "biblioteca agenților" este utilizată pentru a stoca atributele pe termen lung, precum obiectivele, reflecțiile, experiențele și personalitatea, care în mod colectiv modelează comportamentul și procesul decizional al agentului. Acest cadru utilizează "memoria de lucru pe termen scurt" și "procesorul de memorie pe termen lung" - memoria pe termen scurt păstrează informații relevante despre acțiunile anterioare, rezultate și planuri curente; în comparație, procesorul de memorie pe termen lung extrage informații esențiale pe baza importanței, recentului și relevanței. Această memorie stochează cunoștințe despre experiențele agentului, reflecțiile, personalitatea dinamică, contextul lumii și memoria de lucru pentru a îmbunătăți deciziile și a oferi o bază pentru învățare.

  • Pentru a îmbunătăți structura, "modulul de învățare" preia date de la "sistemul de percepție" pentru a genera cunoștințe generale, care sunt returnate în sistem pentru a optimiza interacțiunile viitoare. Dezvoltatorii pot introduce feedback prin interfață cu privire la acțiuni, starea jocului și datele senzoriale pentru a îmbunătăți învățarea agenților AI și a le crește abilitățile de planificare și decizie.

Fluxul de lucru începe cu interacțiunea dezvoltatorilor prin interfața de sugestie a agenților; "sistemul de percepție" prelucrează intrările și le redirecționează către "modulul de procesare a dialogului", care gestionează logica interacțiunii; apoi, "motorul de planificare strategică" elaborează și execută planuri bazate pe aceste informații, utilizând strategii avansate și planificare detaliată a acțiunilor.

Datele din "contextul lumii" și "biblioteca agenților" oferă informații pentru aceste procese, în timp ce memoria de lucru urmărește sarcinile imediate. Între timp, "procesorul de memorie pe termen lung" stochează și recuperează cunoștințele în timp. "Modulul de învățare" analizează rezultatele și integrează cunoștințele noi în sistem, îmbunătățind comportamentul și interacțiunile agenților.

Rig

Rig este un cadru open source bazat pe Rust, destinat simplificării dezvoltării aplicațiilor cu modele lingvistice de mari dimensiuni (LLM). Oferă o interfață unificată pentru interacțiunea cu mai mulți furnizori LLM (precum OpenAI și Anthropic) și suportă diverse stocări de vectori, inclusiv MongoDB și Neo4j. Arhitectura modulară a acestui cadru include componente esențiale precum "stratul de abstractizare a furnizorului", "integrarea stocării vectorilor" și "sistemul de agenți", facilitând interacțiunea fără probleme între LLM.

Audiența principală a lui Rig include dezvoltatorii care construiesc aplicații AI/ML utilizând Rust, iar audiența secundară include organizațiile care caută să integreze mai mulți furnizori de LLM și stocări de vectori în aplicațiile lor Rust. Biblioteca este organizată într-o structură bazată pe spații de lucru, conținând mai multe crate, realizând scalabilitate și management eficient al proiectelor. Funcționalitățile principale ale Rig includ "stratul de abstractizare a furnizorului" (Provider Abstraction Layer), care standardizează API-urile folosite pentru a finaliza și integra furnizorii de LLM printr-o gestionare unificată a erorilor; componenta "integrarea stocării vectorilor" oferă o interfață de abstractizare pentru mai multe backend-uri și suportă căutarea similitudinii vectorilor; "sistemul de agenți" simplifică interacțiunea cu LLM, susținând generarea îmbunătățită a recuperării (RAG) și integrarea instrumentelor. În plus, cadrul de integrare oferă capacități de procesare în lot și operații de integrare sigure din punct de vedere al tipurilor.

Rig își valorifică avantajele tehnologice pentru a asigura fiabilitate și performanță. Operațiunile asincrone utilizează runtime-ul asincron Rust pentru a gestiona eficient un număr mare de solicitări concurente; mecanismul de gestionare a erorilor înnăscut al acestui cadru îmbunătățește capacitatea de recuperare de la eșecurile furnizorilor de AI sau operațiunilor de bază de date; siguranța tipurilor previne erorile de compilare, îmbunătățind astfel menținerea codului; procesele eficiente de serializare și deserializare ajută la gestionarea datelor în formate precum JSON, esențiale pentru comunicarea și stocarea serviciilor de AI; logarea detaliată și instrumentele de monitorizare ajută suplimentar la depanarea și monitorizarea aplicațiilor.

Fluxul de lucru din Rig începe cu clientul care inițiază o solicitare, care trece prin "stratul de abstractizare a furnizorului", interacționând cu modelul LLM corespunzător; apoi, datele sunt procesate de stratul de bază, agenții pot utiliza instrumente în stratul de bază sau accesa stocarea vectorilor pentru a obține context; generarea și perfecționarea răspunsurilor are loc prin fluxuri de lucru complexe precum RAG, care includ recuperarea documentelor și înțelegerea contextului, returnând apoi rezultatul clientului. Acest sistem integrează mai mulți furnizori de LLM și stocări de vectori, adaptându-se la disponibilitatea sau schimbările de performanță a modelelor.

Cazurile de utilizare pentru Rig sunt variate, incluzând recuperarea documentelor relevante pentru a oferi răspunsuri precise în sistemele de răspuns la întrebări, căutarea și recuperarea documentelor pentru descoperirea eficientă a conținutului, precum și chatbot-uri sau asistenți virtuali care oferă interacțiuni contextuale pentru asistența clienților sau educație. Suportă de asemenea generarea de conținut, capabilă să creeze texte și alte materiale pe baza modelelor învățate, fiind un instrument versatil pentru dezvoltatori și organizații.

ZerePy

ZerePy este un cadru open source scris în Python, destinat desfășurării agenților pe X, utilizând LLM-uri OpenAI sau Anthropic. ZerePy se bazează pe o versiune modulară a backend-ului Zerebro, permițând dezvoltatorilor să lanseze agenți folosind funcționalități similare cu cele ale funcțiilor de bază Zerebro. Deși cadrul oferă o bază pentru desfășurarea agenților, este necesară o ajustare a modelului pentru a genera rezultate creative. ZerePy simplifică dezvoltarea și desfășurarea agenților AI personalizați, fiind deosebit de potrivit pentru crearea de conținut pe platformele sociale, sprijinind un ecosistem creativ AI orientat spre artă și aplicații descentralizate.

Acest cadru este construit în limbajul Python, punând accent pe autonomia agenților, concentrându-se pe generarea de rezultate creative, aliniindu-se cu arhitectura și parteneriatele Eliza. Designul său modular susține integrarea sistemului de memorie, facilitând desfășurarea agenților pe platformele sociale. Funcționalitățile sale principale includ o interfață de linie de comandă pentru gestionarea agenților, integrarea cu X, suport pentru LLM-uri OpenAI și Anthropic, precum și un sistem modular de conectare pentru extinderea funcțiilor.

Cazurile de utilizare ale ZerePy acoperă automatizarea rețelelor sociale, utilizatorii putând desfășura agenți AI pentru a publica, răspunde, a da like și a redistribui, sporind astfel implicarea pe platformă. De asemenea, este potrivit pentru crearea de conținut în domenii precum muzica, notele de lucru și NFT-uri, fiind un instrument important pentru arta digitală și platformele de conținut bazate pe blockchain.

Comparație orizontală

În opinia noastră, fiecare dintre cadrele menționate oferă o abordare unică pentru dezvoltarea AI, abordând nevoi și medii specifice, ceea ce face ca dezbaterea să nu se limiteze la întrebarea dacă aceste cadre sunt concurente, ci să se concentreze pe fiecare cadru în parte dacă poate oferi o utilitate și valoare unică.

  • Eliza se remarcă prin interfața sa prietenoasă cu utilizatorul, fiind deosebit de potrivită pentru dezvoltatorii familiarizați cu JavaScript și Node.js. Documentația sa cuprinzătoare ajută la configurarea agenților AI pe diverse platforme, deși setul său bogat de funcții poate prezenta o curbă moderată de învățare, datorită utilizării TypeScript, Eliza este foarte potrivită pentru construirea agenților în rețele, având în vedere că majoritatea infrastructurii web front-end este construită cu TypeScript. Acest cadru este cunoscut pentru arhitectura sa multi-agent, capabilă să desfășoare agenți AI personalizați pe platforme diverse precum Discord, X și Telegram. Sistemul său avansat RAG pentru gestionarea memoriei îl face deosebit de potrivit pentru construirea asistenților AI de tip suport pentru clienți sau aplicații de social media. Deși oferă flexibilitate, un puternic suport din partea comunității și o performanță constantă între platforme, rămâne totuși într-o etapă incipientă, ceea ce poate prezenta o curbă de învățare pentru dezvoltatori.

  • G.A.M.E este conceput special pentru dezvoltatorii de jocuri, oferind o interfață low-code sau no-code prin API, facilitând accesul utilizatorilor cu un nivel tehnic scăzut în cadrul jocurilor. Totuși, se concentrează pe dezvoltarea jocurilor și integrarea blockchain-ului, ceea ce poate însemna o curbă de învățare abruptă pentru cei fără experiență relevantă. Excelează în generarea de conținut programatic și comportamentele NPC, dar este de asemenea limitat de specializarea sa și complexitatea suplimentară care apare la integrarea blockchain-ului.

  • Rig, datorită utilizării limbajului Rust, poate fi mai puțin prietenos cu utilizatorii din cauza complexității acestui limbaj, ceea ce prezintă mari provocări în învățare, dar poate oferi interacțiuni intuitive pentru cei care sunt experimentați în programarea sistemelor. Comparativ cu TypeScript, Rust este renumit pentru performanța și siguranța sa în ceea ce privește memoria. Are verificări stricte în timpul compilării și abstractizări fără costuri, esențiale pentru rularea algoritmilor AI complexi. Caracteristicile sale eficiente și de control redus îl fac o alegere ideală pentru aplicațiile AI care consumă multe resurse. Acest cadru adoptă un design modular și scalabil, oferind soluții de înaltă performanță, fiind extrem de potrivit pentru aplicații de afaceri. Totuși, pentru dezvoltatorii care nu sunt familiarizați cu limbajul Rust, utilizarea acestuia poate prezenta o curbă de învățare abruptă.

  • ZerePy utilizează limbajul Python, oferind o utilizabilitate mai mare pentru sarcinile AI creative. Pentru dezvoltatorii Python, în special cei cu experiență în AI/ML, curba de învățare este mai scăzută, iar datorită popularității ZEREBRO, beneficiază de un puternic suport din partea comunității. ZerePy excelează în aplicațiile AI creative, precum NFT-uri, și se poziționează ca un instrument puternic în domeniul media digitale și artei. Deși se descurcă excelent în aspectele creative, domeniul său de aplicare este relativ restrâns în comparație cu alte cadre.

În ceea ce privește scalabilitatea, comparația celor patru cadre este următoarea.

  • Eliza a făcut progrese semnificative după actualizarea V2, introducând un flux de mesaje unificat și un cadru central scalabil, permițând gestionarea eficientă între platforme. Totuși, fără o optimizare, gestionarea acestei interacțiuni multiplatformă ar putea prezenta provocări de scalabilitate.

  • G.A.M.E excelează în procesarea în timp real necesară jocurilor, scalabilitatea sa putând fi gestionată prin algoritmi eficienți și potențiale sisteme distribuite blockchain, deși poate fi constrânsă de anumite motoare de joc sau rețele blockchain.

  • Cadrele Rig pot valorifica avantajele performanței Rust pentru a realiza o scalabilitate mai bună, fiind proiectate pentru aplicații cu un flux mare de date, ceea ce poate fi deosebit de eficient pentru desfășurarea în întreprinderi, deși poate însemna că pentru a atinge o scalabilitate reală este nevoie de configurări complexe.

  • Scalabilitatea ZerePy se concentrează pe producția creativă, beneficiind de suportul comunității, dar focalizarea cadrului ar putea limita aplicarea sa în medii mai largi de inteligență artificială, iar scalabilitatea sa ar putea fi testată mai mult de diversitatea sarcinilor creative decât de numărul utilizatorilor.

În ceea ce privește aplicabilitatea, Eliza este de departe în frunte datorită sistemului său de plugin-uri și compatibilității între platforme, urmată de G.A.M.E în medii de joc și Rig în gestionarea sarcinilor complexe de AI. ZerePy a demonstrat o adaptabilitate ridicată în domeniul creativ, dar este mai puțin potrivit în domeniul aplicațiilor AI mai largi.

În ceea ce privește performanța, rezultatele testelor pentru cele patru cadre sunt după cum urmează.

  • Eliza este optimizată pentru interacțiuni rapide în rețelele sociale, dar performanța sa poate varia atunci când se ocupă de sarcini de calcul mai complexe.

  • G.A.M.E se concentrează pe interacțiuni în timp real de înaltă performanță în scenarii de joc, putând utiliza procese de decizie eficiente și blockchain-uri potențiale pentru operațiuni AI descentralizate.

  • Rig, bazat pe Rust, oferă o performanță excelentă pentru sarcini de calcul de înaltă performanță, fiind ideal pentru aplicațiile de afaceri în care eficiența calculului este crucială.

  • Performanța ZerePy este optimizată pentru crearea de conținut creativ, metricile sale fiind centrate pe eficiența și calitatea generării de conținut, fiind posibil ca în afara domeniului creativ să nu fie foarte generalizabile.

Analizând avantajele și dezavantajele menționate, Eliza oferă o flexibilitate și scalabilitate mai bună, sistemul său de plugin-uri și configurația rolurilor oferindu-i o puternică adaptabilitate, favorizând interacțiunile sociale AI pe mai multe platforme; G.A.M.E poate oferi abilități unice de interacțiune în timp real în scenarii de joc și oferă o implicare inovatoare prin integrarea blockchain-ului; avantajul lui Rig constă în performanța și scalabilitatea sa, fiind potrivit pentru sarcini AI la nivel de întreprindere, punând accent pe claritatea și modularitatea codului, asigurând astfel dezvoltarea sănătoasă pe termen lung a proiectelor; Zerepy excelență în cultivarea creativității, având o poziție de frunte în aplicațiile AI de artă digitală, sprijinite de un model vibrant de dezvoltare bazat pe comunitate.

În concluzie, fiecare cadru are limitările sale. Eliza se află în continuare într-o etapă incipientă, având probleme potențiale de stabilitate, iar curba de învățare pentru dezvoltatorii noi este lungă; abordarea de nișă a G.A.M.E ar putea limita aplicabilitatea sa mai largă, iar introducerea blockchain-ului ar putea adăuga complexitate; curba de învățare a lui Rig este și mai abruptă din cauza complexității limbajului Rust, ceea ce ar putea descuraja unii dezvoltatori; Zerepy se concentrează îngust pe producția creativă, ceea ce ar putea limita aplicabilitatea sa în alte domenii AI.

Compararea principalelor aspecte

Rig (ARC):

  • Limbaj: Rust, punând accent pe siguranță și performanță.

  • Caz de utilizare: axat pe eficiență și scalabilitate, fiind o alegere ideală pentru aplicațiile AI la nivel de întreprindere.

  • Comunitate: mai puțin orientată spre comunitate, concentrându-se mai mult pe dezvoltatorii tehnici.

Eliza (AI16Z):

  • Limbaj: TypeScript, punând accent pe flexibilitatea Web3 și participarea comunității.

  • Caz de utilizare: proiectat special pentru interacțiune socială, DAO și tranzacții, punând accent pe sistemele multi-agent.

  • Comunitate: foarte orientată spre comunitate, cu legături extinse cu GitHub.

ZerePy (ZEREBRO):

  • Limbaj: Python, fiind mai ușor acceptat de o comunitate mai largă de dezvoltatori AI.

  • Caz de utilizare: se aplică automatizării rețelelor sociale și sarcinilor de agent AI mai simple.

  • Comunitate: relativ nouă, dar cu perspective de creștere datorită popularității Python și suportului contribuabililor ai16z.

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

  • Punct de interes: agenți AI autonomi și auto-adaptabili, capabili să evolueze în funcție de interacțiunile din medii virtuale.

  • Caz de utilizare: cel mai potrivit pentru scenarii în care agenții trebuie să învețe și să se adapteze, cum ar fi jocurile sau lumile virtuale.

  • Comunitate: inovatoare, dar încă în proces de stabilire a poziționării sale în competiție.

Creșterea datelor Github

Graficul de mai sus ilustrează schimbările în datele de stele de pe GitHub pentru aceste cadre de la lansarea lor. În general, stelele de pe GitHub pot servi ca indicatori ai interesului comunității, popularității proiectului și valorii percepute a proiectului.

  • Eliza (linia roșie): Graficul arată o creștere semnificativă și stabilă a numărului de stele pentru acest cadru, începând de la o bază scăzută din luna iulie, cu o explozie de interes la sfârșitul lunii noiembrie, ajungând la 6100 de stele. Aceasta arată o creștere rapidă a interesului în jurul acestui cadru, atrăgând atenția dezvoltatorilor. Creșterea exponențială indică faptul că Eliza a câștigat o atracție imensă datorită funcționalităților sale, actualizărilor și participării comunității, popularitatea sa depășind cu mult alte produse, ceea ce sugerează un sprijin puternic din partea comunității, având o aplicabilitate sau un interes mai larg în comunitatea AI.

  • Rig (linia albastră): Rig este cadrul cel mai "veteran" dintre cele patru, cu o creștere moderată a stelelor, dar stabilă, recent înregistrând o creștere semnificativă în ultima lună. Are un total de 1700 de stele, dar se află în continuare pe o traiectorie ascendentă. Acumularea constantă a atenției se datorează dezvoltării continue, actualizărilor și creșterii constante a bazei de utilizatori. Aceasta ar putea reflecta reputația în creștere a lui Rig.

  • ZerePy (linia galbenă): ZerePy a fost lansat acum câteva zile, iar numărul de stele a crescut deja la 181. Este important de subliniat că ZerePy are nevoie de mai multă dezvoltare pentru a-și spori vizibilitatea și rata de adopție, iar colaborarea cu ai16z ar putea atrage mai mulți contribuabili să participe la biblioteca sa de cod.

  • G.A.M.E (linia verde): Numărul de stele pentru acest cadru este destul de mic, dar este demn de menționat că cadrul poate fi aplicat direct agenților din ecosistemul Virtual prin API, fără a necesita publicarea pe GitHub. Cu toate acestea, deși cadrul a fost disponibil public doar cu puțin mai mult de o lună în urmă, peste 200 de proiecte utilizează deja G.A.M.E pentru a construi.

Așteptările de actualizare ale cadrelor AI

Versiunea 2.0 a lui Eliza va include integrarea cu pachetul de instrumente pentru agenți Coinbase. Toate proiectele care utilizează Eliza vor beneficia de suportul pentru viitorul TEE (mediu de execuție de încredere) nativ, permițând agenților să funcționeze într-un mediu sigur. Registrul de pluginuri este o funcționalitate pe care Eliza o va lansa în curând, permițând dezvoltatorilor să înregistreze și să integreze pluginuri fără întreruperi.

În plus, Eliza 2.0 va susține mesageria anonimă automată între platforme. Așteptata lansare a foii de parcurs Tokenomics pe 1 ianuarie 2025 (cu propuneri relevante publicate) se va traduce într-un impact pozitiv asupra token-ului AI16Z care susține cadrul Eliza. ai16z plănuiește să continue îmbunătățirea utilității acestui cadru și să valorifice eforturile contribuabilor săi principali pentru a aduce talente de înaltă calitate.

Cadrele G.A.M.E oferă integrare fără cod pentru agenți, permițând utilizarea simultană a G.A.M.E și Eliza în același proiect, fiecare servind cazuri de utilizare specifice. Această abordare se așteaptă să atragă constructori care se concentrează pe logica de afaceri mai degrabă decât pe complexitatea tehnică. Deși acest cadru a devenit disponibil public cu puțin peste 30 de zile în urmă, a realizat progrese semnificative cu sprijinul echipei în atragerea mai multor contribuabili. Se estimează că fiecare proiect lansat pe VirtualI va adopta G.A.M.E.

Cadrele Rig, alimentate de token-ul ARC, au un potențial semnificativ, deși creșterea acestui cadru se află într-o etapă incipientă, iar contractele pentru proiectele care promovează adoptarea Rig sunt disponibile de doar câteva zile. Cu toate acestea, se estimează că vor apărea curând proiecte de înaltă calitate care să fie asociate cu ARC, asemănătoare cu Virtual Flywheel, dar axate pe Solana. Echipa Rig este optimistă cu privire la colaborarea cu Solana, poziționând ARC ca Virtual al Solana. Este demn de menționat că echipa nu doar că încurajează utilizarea Rig pentru proiectele noi, ci și dezvoltatorii să îmbunătățească cadrul Rig însuși.

Zerepy este un cadru nou lansat, care câștigă multă atenție datorită colaborării cu ai16z (cadrul Eliza), având contribuabili din Eliza care lucrează activ pentru a îmbunătăți cadrul. Zerepy beneficiază de un suport entuziast din partea comunității ZEREBRO și deschide noi oportunități pentru dezvoltatorii Python care anterior nu au avut multe opțiuni în domeniul competitiv al infrastructurii AI. Se estimează că acest cadru va juca un rol important în aspectele creative ale AI.