Auteur : Deep Value Memetics, Traduction : Jinse Caijing xiaozou
Dans cet article, nous examinerons les perspectives du cadre Crypto X AI. Nous nous concentrerons sur les quatre cadres principaux actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.
1. Introduction
Au cours de la semaine dernière, nous avons étudié et testé les quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY. Voici nos conclusions.
Nous croyons qu'AI16Z continuera à dominer. La valeur d'Eliza (environ 60 % de parts de marché, une capitalisation boursière de plus de 1 milliard de dollars) réside dans son avantage de premier arrivé (effet Lindy) et dans son utilisation croissante par de plus en plus de développeurs. 193 contributeurs, 1800 forks et plus de 6000 étoiles en sont la preuve, ce qui en fait l'un des dépôts de code les plus populaires sur Github.
Jusqu'à présent, le développement de GAME (avec une part de marché d'environ 20 % et une capitalisation boursière d'environ 300 millions de dollars) se déroule très bien, avec une adoption rapide, comme vient de l'annoncer VIRTUAL. La plateforme compte plus de 200 projets, 150 000 demandes quotidiennes et un taux de croissance hebdomadaire de 200 %. GAME continuera à bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.
Rig (ARC, part de marché d'environ 15 %, capitalisation boursière d'environ 160 millions de dollars) est très remarquable en raison de sa conception modulaire qui est très facile à utiliser, et peut jouer un rôle dominant en tant que "pure-play" dans l'écosystème Solana (RUST).
Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement niche, spécifiquement destinée à la fervente communauté ZEREBRO. Sa récente collaboration avec la communauté ai16z pourrait engendrer des synergies.
Nous avons noté que notre calcul de part de marché couvre la capitalisation boursière, les antécédents de développement et le marché des systèmes d'exploitation sous-jacents.
Nous pensons que, dans ce cycle de marché, le segment des cadres sera le domaine à la croissance la plus rapide, une capitalisation boursière totale de 1,7 milliard de dollars pourrait facilement atteindre 20 milliards de dollars, ce qui reste relativement conservateur par rapport aux évaluations maximales des L1 de 2021, lorsque de nombreuses évaluations de L1 ont dépassé les 20 milliards de dollars. Bien que ces cadres servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous considérons que ce domaine est en tendance haussière continue, une approche pondérée par la capitalisation boursière pourrait être la plus prudente.
2、Quatre grands cadres
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages des principaux cadres.
(1) Aperçu du cadre
Dans le domaine croisé de l'IA et de la crypto, plusieurs cadres ont favorisé le développement de l'IA. Ce sont ELIZA d'AI16Z, RIG d'ARC, ZEREBRO de ZEREPY, et VIRTUAL de GAME. Chaque cadre répond à différents besoins et concepts dans le processus de développement d'agents IA, allant des projets communautaires open source aux solutions d'entreprise axées sur la performance.
Cet article présente d'abord les frameworks, en expliquant ce qu'ils sont, quelles langages de programmation, architectures techniques et algorithmes ils utilisent, quelles fonctionnalités uniques ils possèdent, ainsi que les cas d'utilisation potentiels des frameworks. Ensuite, nous comparerons chaque framework en termes de convivialité, d'évolutivité, d'adaptabilité et de performance, en explorant leurs avantages et limites respectifs.
ELIZA (développé par ai16z)
Eliza est un cadre open source de simulation multi-agents, conçu pour créer, déployer et gérer des agents AI autonomes. Il est développé en langage de programmation TypeScript et offre une plateforme flexible et évolutive pour construire des agents intelligents capables d'interagir avec des humains sur plusieurs plateformes tout en maintenant une personnalité et des connaissances cohérentes.
Les fonctionnalités principales de ce cadre incluent une architecture multi-agents qui prend en charge le déploiement et la gestion simultanés de plusieurs personnalités AI uniques, ainsi qu'un système de rôles pour créer différents agents en utilisant un cadre de fichiers de rôles, et des fonctionnalités de gestion de la mémoire à long terme et de mémoire contextuelle grâce à un système d'amélioration de la génération avec recherche avancée (RAG). De plus, le cadre Eliza offre une intégration fluide de la plateforme, permettant une connexion fiable avec Discord, X et d'autres plateformes de médias sociaux.
En termes de communication et de fonctionnalités médiatiques des agents AI, Eliza est un excellent choix. Du point de vue de la communication, le cadre prend en charge l'intégration avec la fonctionnalité de canal vocal de Discord, les fonctionnalités X, Telegram, ainsi qu'un accès API pour des cas d'utilisation personnalisés. D'autre part, les capacités de traitement des médias de ce cadre peuvent être étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu lié, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, ce qui permet de traiter efficacement divers types d'entrées et de sorties médiatiques.
Le cadre Eliza offre un support flexible des modèles d'IA grâce à l'inférence locale des modèles open source, à l'inférence cloud d'OpenAI et à des configurations par défaut (comme Nous Hermes Llama 3.1B), et intègre le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large éventail de systèmes d'exploitation, un support client personnalisable et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.
Les cas d'utilisation d'Eliza s'étendent sur plusieurs domaines, tels que : assistant IA pour le support client, l'examen communautaire et les tâches personnelles, ainsi que des rôles sur les réseaux sociaux tels que créateur de contenu automatique, robot interactif et représentant de marque. Il peut également agir en tant que travailleur du savoir, jouant des rôles tels qu'assistant de recherche, analyste de contenu et processeur de documents, et prend en charge des rôles interactifs sous forme de robots de jeu de rôle, de mentors éducatifs et d'agents de liaison.
L'architecture d'Eliza est construite autour d'un environnement d'exécution d'agent (agent runtime), qui s'intègre de manière transparente avec son système de rôles (soutenu par les fournisseurs de modèles), son gestionnaire de mémoire (connecté à une base de données) et son système d'exploitation (connecté au client de la plateforme). Les caractéristiques uniques de ce cadre incluent un système de plugins qui prend en charge l'extension modulaire des fonctionnalités, prend en charge l'interaction multimodale, y compris la voix, le texte et les médias, et est compatible avec les principaux modèles d'IA (tels que Llama, GPT-4 et Claude). Grâce à sa conception polyvalente et puissante, Eliza se démarque comme un outil puissant pour le développement d'applications d'IA inter-domaines.
G.A.M.E (développé par Virtuals Protocol)
Le cadre d'entités multimodales autonomes génératives (G.A.M.E) vise à fournir aux développeurs un accès API et SDK pour des expériences d'agents IA. Ce cadre offre une approche structurée pour gérer le comportement, les décisions et le processus d'apprentissage des agents IA.
Les composants principaux sont les suivants : tout d'abord, l'interface de demande d'agent (Agent Prompting Interface) est le point d'entrée pour les développeurs pour intégrer GAME dans l'agent et accéder aux comportements de l'agent. Le sous-système de perception (Perception Subsystem) lance la session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.
Il synthétise les informations entrantes dans un format adapté au moteur de planification stratégique (Strategic Planning Engine) agissant comme un mécanisme d'entrée sensorielle pour l'agent AI, que ce soit sous forme de dialogue ou de réaction. Son noyau est le module de traitement du dialogue, utilisé pour traiter les messages et les réponses de l'agent, et collabore avec le sous-système de perception pour interpréter et répondre efficacement aux entrées.
Le moteur de planification stratégique fonctionne en collaboration avec le module de traitement des dialogues et l'opérateur de portefeuille en ligne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalités : en tant que planificateur de haut niveau, il crée des stratégies étendues en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il transforme ces stratégies en stratégies actionnables, qui sont ensuite subdivisées en planificateurs d'actions pour des tâches spécifiques et en exécutants de plans pour la réalisation des tâches.
Un autre composant indépendant mais important est le World Context (contexte mondial), qui fait référence à l'environnement, aux informations mondiales et à l'état du jeu, fournissant le contexte nécessaire aux décisions de l'agent. De plus, l'Agent Repository (dépôt d'agents) est utilisé pour stocker des attributs à long terme, tels que les objectifs, les réflexions, les expériences et la personnalité, qui façonnent ensemble le comportement et le processus décisionnel de l'agent.
Ce cadre utilise un processeur de mémoire à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve des informations pertinentes sur les comportements, les résultats précédents et les plans actuels. En revanche, le processeur de mémoire à long terme extrait des informations clés en fonction de critères tels que l'importance, la récence et la pertinence. La mémoire à long terme stocke les expériences, les réflexions, la personnalité dynamique, le contexte mondial et les connaissances de la mémoire de travail de l'agent, afin d'améliorer la prise de décision et de fournir une base d'apprentissage.
Le module d'apprentissage utilise des données provenant du sous-système de perception pour générer des connaissances générales, lesquelles sont renvoyées au système afin d'améliorer les interactions futures. Les développeurs peuvent entrer des retours concernant les actions, l'état du jeu et les données sensorielles via l'interface, afin d'améliorer la capacité d'apprentissage de l'agent IA et d'accroître ses capacités de planification et de décision.
Le flux de travail commence lorsque les développeurs interagissent via l'interface de prompt d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement de dialogue, qui est responsable de la gestion de la logique d'interaction. Ensuite, le moteur de planification stratégique élabore et exécute des plans en fonction de ces informations, en utilisant des stratégies de haut niveau et des plans d'action détaillés.
Les données du contexte mondial et des référentiels proxy informent ces processus, tandis que la mémoire de travail suit les tâches instantanées. Dans le même temps, les processeurs de mémoire à long terme stockent et récupèrent les connaissances à long terme. Les modules d’apprentissage analysent les résultats et intègrent de nouvelles connaissances dans le système, permettant une amélioration continue du comportement et des interactions des agents.
RIG (développé par ARC)
Rig est un framework Rust open source conçu pour simplifier le développement d'applications de grands modèles de langage. Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM (comme OpenAI et Anthropic) et prend en charge divers stockages de vecteurs, y compris MongoDB et Neo4j. Ce qui rend l'architecture modulaire de ce framework unique, ce sont ses composants de base, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration de stockage de vecteurs et le système d'agents, pour faciliter l'interaction transparente avec les LLM.
Le public principal de Rig comprend les développeurs qui créent des applications d’IA/ML à l’aide de Rust, suivis par les organisations qui cherchent à intégrer plusieurs fournisseurs de LLM et magasins de vecteurs dans leurs propres applications Rust. Le référentiel utilise une architecture d’espace de travail avec plusieurs caisses pour prendre en charge l’évolutivité et une gestion de projet efficace. Sa principale caractéristique est la couche d’abstraction du fournisseur, qui fournit une normalisation pour la complétion et l’intégration d’API entre différents fournisseurs LLM avec une gestion cohérente des erreurs. Le composant Vector Store Integration fournit une interface abstraite pour plusieurs backends et prend en charge les recherches de similarité vectorielle. Le système d’agent simplifie les interactions LLM, prend en charge la génération améliorée de récupération (RAG) et l’intégration d’outils. En outre, le cadre d’intégration offre des capacités de traitement par lots et des opérations d’intégration pour la sécurité des types.
Rig tire parti d’un certain nombre d’avantages techniques pour garantir fiabilité et performance. Les opérations asynchrones tirent parti du runtime asynchrone de Rust pour gérer efficacement un grand nombre de requêtes simultanées. Le mécanisme de gestion des erreurs inhérent au cadre améliore la résilience face aux opérations défaillantes d’un fournisseur d’IA ou d’une base de données. La sécurité des types peut éviter les erreurs dans le processus de compilation, améliorant ainsi la maintenabilité du code. Des processus efficaces de sérialisation et de désérialisation prennent en charge le traitement des données dans des formats tels que JSON, qui est essentiel pour la communication et le stockage des services d’IA. L’enregistrement et l’instrumentation détaillés facilitent également le débogage et la surveillance des applications.
Le flux de travail de Rig commence lorsque la demande est initiée par le client, et cette demande interagit avec le modèle LLM approprié via la couche d'abstraction du fournisseur. Ensuite, les données sont traitées par la couche centrale, où l'agent peut utiliser des outils ou accéder à un stockage vectoriel de contexte. La réponse est générée et raffinée à travers un flux de travail complexe (comme RAG) avant d'être renvoyée au client, ce processus impliquant la récupération de documents et la compréhension du contexte. Le système intègre plusieurs fournisseurs de LLM et de stockage vectoriel, s'adaptant aux mises à jour de disponibilité ou de performance des modèles.
Les cas d'utilisation de Rig sont variés, y compris des systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, des systèmes de recherche et de récupération de documents pour une découverte de contenu efficace, ainsi que des chatbots ou assistants virtuels offrant des interactions contextuelles pour le service client ou l'éducation. Il prend également en charge la génération de contenu, permettant de créer des textes et d'autres matériaux basés sur des modes d'apprentissage, ce qui en fait un outil polyvalent pour les développeurs et les organisations.
Zerepy (développé par ZEREPY et blorm)
ZerePy est un framework open-source écrit en langage Python qui a pour but de déployer des agents sur X à l’aide d’OpenAI ou de LLM Anthropic. Dérivé d’une version modulaire du backend de Zerebro, ZerePy permet aux développeurs de lancer des agents avec des fonctionnalités de base similaires à celles de Zerebro. Bien que le cadre constitue la base du déploiement de l’agent, il est essentiel d’affiner le modèle pour générer un résultat créatif. ZerePy simplifie le développement et le déploiement d’agents d’IA personnalisés, en particulier pour la création de contenu sur les plateformes sociales, favorisant un écosystème créatif basé sur l’IA pour l’art et les applications décentralisées.
Ce cadre est développé en Python, mettant l'accent sur l'autonomie des agents, et se concentre sur la génération de sorties créatives, en restant cohérent avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Son design modulaire prend en charge l'intégration des systèmes de mémoire et permet le déploiement des agents sur des plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, une intégration avec Twitter, un soutien aux LLM d'OpenAI et d'Anthropic, ainsi qu'un système de connexion modulaire pour améliorer les fonctionnalités.
Les cas d'utilisation de ZerePy couvrent le domaine de l'automatisation des médias sociaux, permettant aux utilisateurs de déployer des agents d'intelligence artificielle pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur la plateforme. De plus, il s'adresse également à la création de contenu dans des domaines tels que la musique, les mèmes et les NFT, en faisant un outil important pour les plateformes de contenu artistique numérique et basées sur la blockchain.
(2) Comparaison des quatre grands cadres
À notre avis, chaque cadre offre une approche unique au développement de l'intelligence artificielle, répondant à des besoins et des environnements spécifiques. Nous déplaçons notre attention de la relation concurrentielle entre ces cadres vers l'unicité de chaque cadre.
ELIZA se distingue par son interface conviviale, en particulier pour les développeurs qui sont familiers avec JavaScript et Node.js environnements. Sa documentation complète permet de mettre en place des agents d’IA sur une variété de plateformes, bien que son ensemble complet de fonctionnalités puisse s’accompagner d’une certaine courbe d’apprentissage. Développé avec TypeScript, Eliza est idéal pour la construction de proxys intégrés dans le Web, car la plupart du front-end de l’infrastructure Web est développé avec TypeScript. Le cadre est connu pour son architecture multi-agents, qui peut déployer différentes personnalités d’IA sur des plateformes telles que Discord, X et Telegram. Son système RAG avancé géré par la mémoire le rend particulièrement efficace pour le support client ou les assistants IA dans les applications de médias sociaux. Bien qu’il offre de la flexibilité, un solide soutien de la communauté et des performances multiplateformes constantes, il n’en est encore qu’à ses débuts et peut constituer une courbe d’apprentissage pour les développeurs.
GAME est conçu spécialement pour les développeurs de jeux, offrant une interface à faible code ou sans code via une API, permettant ainsi aux utilisateurs ayant peu de compétences techniques dans le domaine du jeu de l'utiliser. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui pourrait représenter une courbe d'apprentissage abrupte pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu programmatique et le comportement des NPC, mais est limité par la complexité accrue due à son domaine de spécialisation et à l'intégration de la blockchain.
En raison de l’utilisation du langage Rust, Rig n’est peut-être pas très convivial compte tenu de la complexité du langage, ce qui représente un défi d’apprentissage important, mais il a une interaction intuitive pour ceux qui maîtrisent la programmation système. Contrairement à TypeScripe, le langage de programmation lui-même est connu pour ses performances et la sécurité de sa mémoire. Il dispose de contrôles rigoureux au moment de la compilation et d’abstractions à coût zéro, qui sont nécessaires pour exécuter des algorithmes d’IA complexes. Le langage est très efficace et son faible degré de contrôle le rend idéal pour les applications d’IA gourmandes en ressources. Le cadre fournit une solution haute performance avec une conception modulaire et évolutive, ce qui le rend idéal pour les applications d’entreprise. Cependant, pour les développeurs qui ne sont pas familiers avec Rust, l’utilisation de Rust entraînera inévitablement une courbe d’apprentissage abrupte.
ZerePy utilise Python pour offrir une haute disponibilité pour les tâches d'IA créative, la courbe d'apprentissage pour les développeurs Python est relativement basse, en particulier pour ceux ayant une formation en IA/ML, et bénéficie d'un fort soutien communautaire grâce à la communauté cryptographique de Zerebro. ZerePy excelle dans des applications d'intelligence artificielle créative telles que les NFT, se positionnant comme un puissant outil pour les médias numériques et l'art. Bien qu'il prospère en termes de créativité, son champ d'application est relativement étroit par rapport à d'autres frameworks.
En matière d'évolutivité, ELIZA a réalisé des progrès significatifs dans sa mise à jour V2, introduisant une ligne de message unifiée et un cadre central évolutif, permettant une gestion efficace sur plusieurs plateformes. Cependant, sans optimisation, cette gestion des interactions multi-plateformes pourrait poser des défis en matière d'évolutivité.
GAME excelle dans le traitement en temps réel requis par les jeux, et l'évolutivité est gérée par des algorithmes efficaces et un système distribué de blockchain potentiel, bien qu'elle puisse être limitée par des moteurs de jeu ou des réseaux blockchain spécifiques.
Le cadre Rig utilise les performances d'évolutivité de Rust, conçu pour des applications à fort débit, ce qui est particulièrement efficace pour les déploiements d'entreprise, même si cela peut signifier que la réalisation d'une véritable évolutivité nécessite une configuration complexe.
La scalabilité de Zerepy est axée sur la production créative, soutenue par des contributions communautaires, mais son champ d'application pourrait limiter son utilisation dans un environnement d'intelligence artificielle plus large. La scalabilité pourrait être mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.
En termes d'adaptabilité, ELIZA est en tête avec son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour traiter des tâches complexes d'IA sont également excellents. ZerePy montre une grande adaptabilité dans le domaine créatif, mais est moins adapté à des applications d'intelligence artificielle plus larges.
En termes de performance, ELIZA a été optimisé pour les interactions rapides sur les réseaux sociaux, avec un temps de réponse rapide qui est crucial, mais lors du traitement de tâches de calcul plus complexes, ses performances peuvent varier.
Le GAME développé par Virtual Protocol se concentre sur des interactions en temps réel de haute performance dans les scénarios de jeu, en utilisant un processus de décision efficace et une blockchain potentielle pour des opérations d'intelligence artificielle décentralisées.
Le cadre Rig, basé sur le langage Rust, offre d'excellentes performances pour les tâches de calcul haute performance, et est adapté aux applications d'entreprise où l'efficacité de calcul est cruciale.
La performance de Zerepy est conçue sur mesure pour la création de contenu créatif, avec des indicateurs centrés sur l'efficacité et la qualité de la génération de contenu, qui peuvent ne pas être très applicables en dehors du domaine créatif.
Les avantages d'ELIZA résident dans sa flexibilité et son évolutivité, grâce à son système de plugins et sa configuration des rôles, ce qui lui confère une grande adaptabilité, favorable aux interactions sociales de l'IA multiplateforme.
GAME offre une fonctionnalité d'interaction en temps réel unique dans le jeu, améliorée par l'intégration de la blockchain pour un engagement novateur de l'IA.
Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, avec un accent sur la fourniture d'un code modulaire propre pour la santé des projets à long terme.
Zerepy excelle dans le développement de la créativité, se positionnant en leader dans l'application de l'intelligence artificielle à l'art numérique, soutenu par un modèle de développement dynamique axé sur la communauté.
Chaque cadre a ses propres limitations. ELIZA est encore à un stade précoce, avec des problèmes de stabilité potentiels et une courbe d'apprentissage pour les nouveaux développeurs. Les jeux de niche peuvent limiter une application plus large, et la blockchain ajoute encore de la complexité. Rig pourrait décourager certains développeurs en raison de la courbe d'apprentissage abrupte que constitue Rust, tandis que l'attention limitée de Zerepy sur la créativité pourrait restreindre son utilisation dans d'autres domaines de l'IA.
(3) Résumé de la comparaison des cadres
Rig (ARC)：
Langage : Rust, axé sur la sécurité et les performances.
Cas d'utilisation : un choix idéal pour les applications IA de niveau entreprise, car il met l'accent sur l'efficacité et l'évolutivité.
Communauté : moins axée sur la communauté, davantage sur les développeurs techniques.
Eliza (AI16Z) :
Langage : TypeScript, mettant l'accent sur la flexibilité de web3 et la participation de la communauté.
Cas d'utilisation : conçu pour l'interaction sociale, les DAO et les transactions, mettant particulièrement l'accent sur les systèmes multi-agents.
Communauté : fortement axée sur la communauté, avec une large participation sur GitHub.
ZerePy (ZEREBRO) :
Langage : Python, le rendant accessible à une base de développeurs IA plus large.
Cas d'utilisation : adapté à l'automatisation des médias sociaux et à des tâches d'agents AI plus simples.
Communauté : relativement nouvelle, mais en raison de la popularité de Python et du soutien des contributeurs d'AI16Z, elle devrait croître.
JEU (VIRTUEL) :
Point focal : agents d'intelligence artificielle autonomes et adaptatifs, capables d'évoluer en fonction des interactions dans un environnement virtuel.
Cas d'utilisation : le plus adapté pour l'apprentissage et l'adaptation des agents IA, comme dans les jeux ou les mondes virtuels.
Communauté : une communauté innovante, mais qui est encore en train de déterminer sa position dans la concurrence.
3. Tendances des données de Star sur Github
L'image ci-dessus montre les données de suivi des étoiles GitHub depuis la publication de ces cadres. Il convient de noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité du projet et de la valeur perçue du projet.
ELIZA (ligne rouge) :
À partir d'une base basse en juillet, suivie d'une forte augmentation du nombre de stars fin novembre (atteignant 61 000 étoiles), cela montre que l'intérêt des gens augmente rapidement, attirant l'attention des développeurs. Cette croissance exponentielle indique qu'ELIZA a déjà acquis une énorme attractivité grâce à ses fonctionnalités, ses mises à jour et l'engagement de la communauté. Sa popularité dépasse de loin celle des autres concurrents, ce qui indique qu'elle bénéficie d'un solide soutien communautaire et qu'elle a une applicabilité ou un intérêt plus large dans la communauté de l'intelligence artificielle.
RIG (ligne bleue) :
Rig est le cadre le plus ancien des quatre grands, avec un nombre modéré d'étoiles mais en constante augmentation, et il est très probable qu'il connaisse une forte augmentation au cours du mois prochain. Il a atteint 1700 étoiles, mais continue d'augmenter. Le développement continu, les mises à jour et le nombre croissant d'utilisateurs sont les raisons de l'accumulation constante d'intérêt des utilisateurs. Cela peut refléter le fait que ce cadre a une base d'utilisateurs restreinte ou qu'il est encore en train d'accumuler sa réputation.
ZEREPY (ligne jaune) :
ZerePy a été lancé il y a quelques jours et a déjà accumulé 181 étoiles. Il est important de souligner que ZerePy nécessite plus de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs en code.
JEU (ligne verte) :
Ce projet a le plus petit nombre d'étoiles. Il est à noter que ce cadre peut être appliqué directement aux agents dans l'écosystème virtuel via une API, éliminant ainsi le besoin de visibilité sur Github. Cependant, ce cadre n'a été ouvert aux constructeurs que depuis un peu plus d'un mois, et plus de 200 projets utilisent GAME pour construire.
4. Raisons d'optimisme du cadre
La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront à l'avenir en charge le TEE natif, permettant ainsi aux proxy de fonctionner dans un environnement sécurisé. Une fonctionnalité à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs d'enregistrer et d'intégrer des plugins de manière transparente.
De plus, Eliza V2 prendra en charge la messagerie anonyme automatisée multiplateforme. Le livre blanc de l'économie des tokens sera publié le 1er janvier 2025, et devrait avoir un impact positif sur le token AI16Z sous-jacent du cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre, attirant ainsi des talents de haute qualité, dont les efforts des principaux contributeurs ont déjà prouvé qu'il avait cette capacité.
Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser simultanément GAME et ELIZA dans un seul projet, chacun servant des objectifs spécifiques. Cette approche devrait attirer les bâtisseurs qui se concentrent sur la logique métier plutôt que sur la complexité technique. Bien que ce cadre n'ait été rendu public que depuis une trentaine de jours, il a fait des progrès substantiels grâce aux efforts de l'équipe pour attirer le soutien de plus de contributeurs. Tous les projets lancés sur VIRTUAL devraient utiliser GAME.
Le Rig représenté par le token ARC a un énorme potentiel, bien que son cadre soit encore à un stade précoce de croissance et que le plan pour promouvoir l'adoption du projet ne soit en ligne que depuis quelques jours. Cependant, des projets de haute qualité adoptant ARC devraient apparaître rapidement, similaires à Virtual Flywheel, mais en mettant l'accent sur Solana. L'équipe est optimiste quant à la collaboration avec Solana, comparant la relation entre ARC et Solana à celle de Virtual avec Base. Il convient de noter que l'équipe encourage non seulement les nouveaux projets à utiliser Rig pour se lancer, mais également les développeurs à améliorer le cadre Rig lui-même.
Zerepy est un nouveau cadre lancé, qui attire de plus en plus d'attention grâce à sa collaboration avec Eliza. Ce cadre attire les contributeurs d'Eliza, qui travaillent activement à son amélioration. Sous l'impulsion des fans de ZEREBRO, il compte un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui étaient auparavant sous-représentés dans la compétition des infrastructures d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité en IA.
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Comparaison des quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY
Auteur : Deep Value Memetics, Traduction : Jinse Caijing xiaozou
Dans cet article, nous examinerons les perspectives du cadre Crypto X AI. Nous nous concentrerons sur les quatre cadres principaux actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.
1. Introduction
Au cours de la semaine dernière, nous avons étudié et testé les quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY. Voici nos conclusions.
Nous croyons qu'AI16Z continuera à dominer. La valeur d'Eliza (environ 60 % de parts de marché, une capitalisation boursière de plus de 1 milliard de dollars) réside dans son avantage de premier arrivé (effet Lindy) et dans son utilisation croissante par de plus en plus de développeurs. 193 contributeurs, 1800 forks et plus de 6000 étoiles en sont la preuve, ce qui en fait l'un des dépôts de code les plus populaires sur Github.
Jusqu'à présent, le développement de GAME (avec une part de marché d'environ 20 % et une capitalisation boursière d'environ 300 millions de dollars) se déroule très bien, avec une adoption rapide, comme vient de l'annoncer VIRTUAL. La plateforme compte plus de 200 projets, 150 000 demandes quotidiennes et un taux de croissance hebdomadaire de 200 %. GAME continuera à bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.
Rig (ARC, part de marché d'environ 15 %, capitalisation boursière d'environ 160 millions de dollars) est très remarquable en raison de sa conception modulaire qui est très facile à utiliser, et peut jouer un rôle dominant en tant que "pure-play" dans l'écosystème Solana (RUST).
Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement niche, spécifiquement destinée à la fervente communauté ZEREBRO. Sa récente collaboration avec la communauté ai16z pourrait engendrer des synergies.
Nous avons noté que notre calcul de part de marché couvre la capitalisation boursière, les antécédents de développement et le marché des systèmes d'exploitation sous-jacents.
Nous pensons que, dans ce cycle de marché, le segment des cadres sera le domaine à la croissance la plus rapide, une capitalisation boursière totale de 1,7 milliard de dollars pourrait facilement atteindre 20 milliards de dollars, ce qui reste relativement conservateur par rapport aux évaluations maximales des L1 de 2021, lorsque de nombreuses évaluations de L1 ont dépassé les 20 milliards de dollars. Bien que ces cadres servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous considérons que ce domaine est en tendance haussière continue, une approche pondérée par la capitalisation boursière pourrait être la plus prudente.
2、Quatre grands cadres
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages des principaux cadres.
(1) Aperçu du cadre
Dans le domaine croisé de l'IA et de la crypto, plusieurs cadres ont favorisé le développement de l'IA. Ce sont ELIZA d'AI16Z, RIG d'ARC, ZEREBRO de ZEREPY, et VIRTUAL de GAME. Chaque cadre répond à différents besoins et concepts dans le processus de développement d'agents IA, allant des projets communautaires open source aux solutions d'entreprise axées sur la performance.
Cet article présente d'abord les frameworks, en expliquant ce qu'ils sont, quelles langages de programmation, architectures techniques et algorithmes ils utilisent, quelles fonctionnalités uniques ils possèdent, ainsi que les cas d'utilisation potentiels des frameworks. Ensuite, nous comparerons chaque framework en termes de convivialité, d'évolutivité, d'adaptabilité et de performance, en explorant leurs avantages et limites respectifs.
ELIZA (développé par ai16z)
Eliza est un cadre open source de simulation multi-agents, conçu pour créer, déployer et gérer des agents AI autonomes. Il est développé en langage de programmation TypeScript et offre une plateforme flexible et évolutive pour construire des agents intelligents capables d'interagir avec des humains sur plusieurs plateformes tout en maintenant une personnalité et des connaissances cohérentes.
Les fonctionnalités principales de ce cadre incluent une architecture multi-agents qui prend en charge le déploiement et la gestion simultanés de plusieurs personnalités AI uniques, ainsi qu'un système de rôles pour créer différents agents en utilisant un cadre de fichiers de rôles, et des fonctionnalités de gestion de la mémoire à long terme et de mémoire contextuelle grâce à un système d'amélioration de la génération avec recherche avancée (RAG). De plus, le cadre Eliza offre une intégration fluide de la plateforme, permettant une connexion fiable avec Discord, X et d'autres plateformes de médias sociaux.
En termes de communication et de fonctionnalités médiatiques des agents AI, Eliza est un excellent choix. Du point de vue de la communication, le cadre prend en charge l'intégration avec la fonctionnalité de canal vocal de Discord, les fonctionnalités X, Telegram, ainsi qu'un accès API pour des cas d'utilisation personnalisés. D'autre part, les capacités de traitement des médias de ce cadre peuvent être étendues à la lecture et à l'analyse de documents PDF, à l'extraction et au résumé de contenu lié, à la transcription audio, au traitement de contenu vidéo, à l'analyse d'images et au résumé de dialogues, ce qui permet de traiter efficacement divers types d'entrées et de sorties médiatiques.
Le cadre Eliza offre un support flexible des modèles d'IA grâce à l'inférence locale des modèles open source, à l'inférence cloud d'OpenAI et à des configurations par défaut (comme Nous Hermes Llama 3.1B), et intègre le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large éventail de systèmes d'exploitation, un support client personnalisable et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.
Les cas d'utilisation d'Eliza s'étendent sur plusieurs domaines, tels que : assistant IA pour le support client, l'examen communautaire et les tâches personnelles, ainsi que des rôles sur les réseaux sociaux tels que créateur de contenu automatique, robot interactif et représentant de marque. Il peut également agir en tant que travailleur du savoir, jouant des rôles tels qu'assistant de recherche, analyste de contenu et processeur de documents, et prend en charge des rôles interactifs sous forme de robots de jeu de rôle, de mentors éducatifs et d'agents de liaison.
L'architecture d'Eliza est construite autour d'un environnement d'exécution d'agent (agent runtime), qui s'intègre de manière transparente avec son système de rôles (soutenu par les fournisseurs de modèles), son gestionnaire de mémoire (connecté à une base de données) et son système d'exploitation (connecté au client de la plateforme). Les caractéristiques uniques de ce cadre incluent un système de plugins qui prend en charge l'extension modulaire des fonctionnalités, prend en charge l'interaction multimodale, y compris la voix, le texte et les médias, et est compatible avec les principaux modèles d'IA (tels que Llama, GPT-4 et Claude). Grâce à sa conception polyvalente et puissante, Eliza se démarque comme un outil puissant pour le développement d'applications d'IA inter-domaines.
G.A.M.E (développé par Virtuals Protocol)
Le cadre d'entités multimodales autonomes génératives (G.A.M.E) vise à fournir aux développeurs un accès API et SDK pour des expériences d'agents IA. Ce cadre offre une approche structurée pour gérer le comportement, les décisions et le processus d'apprentissage des agents IA.
Les composants principaux sont les suivants : tout d'abord, l'interface de demande d'agent (Agent Prompting Interface) est le point d'entrée pour les développeurs pour intégrer GAME dans l'agent et accéder aux comportements de l'agent. Le sous-système de perception (Perception Subsystem) lance la session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.
Il synthétise les informations entrantes dans un format adapté au moteur de planification stratégique (Strategic Planning Engine) agissant comme un mécanisme d'entrée sensorielle pour l'agent AI, que ce soit sous forme de dialogue ou de réaction. Son noyau est le module de traitement du dialogue, utilisé pour traiter les messages et les réponses de l'agent, et collabore avec le sous-système de perception pour interpréter et répondre efficacement aux entrées.
Le moteur de planification stratégique fonctionne en collaboration avec le module de traitement des dialogues et l'opérateur de portefeuille en ligne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalités : en tant que planificateur de haut niveau, il crée des stratégies étendues en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il transforme ces stratégies en stratégies actionnables, qui sont ensuite subdivisées en planificateurs d'actions pour des tâches spécifiques et en exécutants de plans pour la réalisation des tâches.
Un autre composant indépendant mais important est le World Context (contexte mondial), qui fait référence à l'environnement, aux informations mondiales et à l'état du jeu, fournissant le contexte nécessaire aux décisions de l'agent. De plus, l'Agent Repository (dépôt d'agents) est utilisé pour stocker des attributs à long terme, tels que les objectifs, les réflexions, les expériences et la personnalité, qui façonnent ensemble le comportement et le processus décisionnel de l'agent.
Ce cadre utilise un processeur de mémoire à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve des informations pertinentes sur les comportements, les résultats précédents et les plans actuels. En revanche, le processeur de mémoire à long terme extrait des informations clés en fonction de critères tels que l'importance, la récence et la pertinence. La mémoire à long terme stocke les expériences, les réflexions, la personnalité dynamique, le contexte mondial et les connaissances de la mémoire de travail de l'agent, afin d'améliorer la prise de décision et de fournir une base d'apprentissage.
Le module d'apprentissage utilise des données provenant du sous-système de perception pour générer des connaissances générales, lesquelles sont renvoyées au système afin d'améliorer les interactions futures. Les développeurs peuvent entrer des retours concernant les actions, l'état du jeu et les données sensorielles via l'interface, afin d'améliorer la capacité d'apprentissage de l'agent IA et d'accroître ses capacités de planification et de décision.
Le flux de travail commence lorsque les développeurs interagissent via l'interface de prompt d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement de dialogue, qui est responsable de la gestion de la logique d'interaction. Ensuite, le moteur de planification stratégique élabore et exécute des plans en fonction de ces informations, en utilisant des stratégies de haut niveau et des plans d'action détaillés.
Les données du contexte mondial et des référentiels proxy informent ces processus, tandis que la mémoire de travail suit les tâches instantanées. Dans le même temps, les processeurs de mémoire à long terme stockent et récupèrent les connaissances à long terme. Les modules d’apprentissage analysent les résultats et intègrent de nouvelles connaissances dans le système, permettant une amélioration continue du comportement et des interactions des agents.
RIG (développé par ARC)
Rig est un framework Rust open source conçu pour simplifier le développement d'applications de grands modèles de langage. Il fournit une interface unifiée pour interagir avec plusieurs fournisseurs de LLM (comme OpenAI et Anthropic) et prend en charge divers stockages de vecteurs, y compris MongoDB et Neo4j. Ce qui rend l'architecture modulaire de ce framework unique, ce sont ses composants de base, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration de stockage de vecteurs et le système d'agents, pour faciliter l'interaction transparente avec les LLM.
Le public principal de Rig comprend les développeurs qui créent des applications d’IA/ML à l’aide de Rust, suivis par les organisations qui cherchent à intégrer plusieurs fournisseurs de LLM et magasins de vecteurs dans leurs propres applications Rust. Le référentiel utilise une architecture d’espace de travail avec plusieurs caisses pour prendre en charge l’évolutivité et une gestion de projet efficace. Sa principale caractéristique est la couche d’abstraction du fournisseur, qui fournit une normalisation pour la complétion et l’intégration d’API entre différents fournisseurs LLM avec une gestion cohérente des erreurs. Le composant Vector Store Integration fournit une interface abstraite pour plusieurs backends et prend en charge les recherches de similarité vectorielle. Le système d’agent simplifie les interactions LLM, prend en charge la génération améliorée de récupération (RAG) et l’intégration d’outils. En outre, le cadre d’intégration offre des capacités de traitement par lots et des opérations d’intégration pour la sécurité des types.
Rig tire parti d’un certain nombre d’avantages techniques pour garantir fiabilité et performance. Les opérations asynchrones tirent parti du runtime asynchrone de Rust pour gérer efficacement un grand nombre de requêtes simultanées. Le mécanisme de gestion des erreurs inhérent au cadre améliore la résilience face aux opérations défaillantes d’un fournisseur d’IA ou d’une base de données. La sécurité des types peut éviter les erreurs dans le processus de compilation, améliorant ainsi la maintenabilité du code. Des processus efficaces de sérialisation et de désérialisation prennent en charge le traitement des données dans des formats tels que JSON, qui est essentiel pour la communication et le stockage des services d’IA. L’enregistrement et l’instrumentation détaillés facilitent également le débogage et la surveillance des applications.
Le flux de travail de Rig commence lorsque la demande est initiée par le client, et cette demande interagit avec le modèle LLM approprié via la couche d'abstraction du fournisseur. Ensuite, les données sont traitées par la couche centrale, où l'agent peut utiliser des outils ou accéder à un stockage vectoriel de contexte. La réponse est générée et raffinée à travers un flux de travail complexe (comme RAG) avant d'être renvoyée au client, ce processus impliquant la récupération de documents et la compréhension du contexte. Le système intègre plusieurs fournisseurs de LLM et de stockage vectoriel, s'adaptant aux mises à jour de disponibilité ou de performance des modèles.
Les cas d'utilisation de Rig sont variés, y compris des systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, des systèmes de recherche et de récupération de documents pour une découverte de contenu efficace, ainsi que des chatbots ou assistants virtuels offrant des interactions contextuelles pour le service client ou l'éducation. Il prend également en charge la génération de contenu, permettant de créer des textes et d'autres matériaux basés sur des modes d'apprentissage, ce qui en fait un outil polyvalent pour les développeurs et les organisations.
Zerepy (développé par ZEREPY et blorm)
ZerePy est un framework open-source écrit en langage Python qui a pour but de déployer des agents sur X à l’aide d’OpenAI ou de LLM Anthropic. Dérivé d’une version modulaire du backend de Zerebro, ZerePy permet aux développeurs de lancer des agents avec des fonctionnalités de base similaires à celles de Zerebro. Bien que le cadre constitue la base du déploiement de l’agent, il est essentiel d’affiner le modèle pour générer un résultat créatif. ZerePy simplifie le développement et le déploiement d’agents d’IA personnalisés, en particulier pour la création de contenu sur les plateformes sociales, favorisant un écosystème créatif basé sur l’IA pour l’art et les applications décentralisées.
Ce cadre est développé en Python, mettant l'accent sur l'autonomie des agents, et se concentre sur la génération de sorties créatives, en restant cohérent avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Son design modulaire prend en charge l'intégration des systèmes de mémoire et permet le déploiement des agents sur des plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, une intégration avec Twitter, un soutien aux LLM d'OpenAI et d'Anthropic, ainsi qu'un système de connexion modulaire pour améliorer les fonctionnalités.
Les cas d'utilisation de ZerePy couvrent le domaine de l'automatisation des médias sociaux, permettant aux utilisateurs de déployer des agents d'intelligence artificielle pour publier, répondre, aimer et partager, augmentant ainsi l'engagement sur la plateforme. De plus, il s'adresse également à la création de contenu dans des domaines tels que la musique, les mèmes et les NFT, en faisant un outil important pour les plateformes de contenu artistique numérique et basées sur la blockchain.
(2) Comparaison des quatre grands cadres
À notre avis, chaque cadre offre une approche unique au développement de l'intelligence artificielle, répondant à des besoins et des environnements spécifiques. Nous déplaçons notre attention de la relation concurrentielle entre ces cadres vers l'unicité de chaque cadre.
ELIZA se distingue par son interface conviviale, en particulier pour les développeurs qui sont familiers avec JavaScript et Node.js environnements. Sa documentation complète permet de mettre en place des agents d’IA sur une variété de plateformes, bien que son ensemble complet de fonctionnalités puisse s’accompagner d’une certaine courbe d’apprentissage. Développé avec TypeScript, Eliza est idéal pour la construction de proxys intégrés dans le Web, car la plupart du front-end de l’infrastructure Web est développé avec TypeScript. Le cadre est connu pour son architecture multi-agents, qui peut déployer différentes personnalités d’IA sur des plateformes telles que Discord, X et Telegram. Son système RAG avancé géré par la mémoire le rend particulièrement efficace pour le support client ou les assistants IA dans les applications de médias sociaux. Bien qu’il offre de la flexibilité, un solide soutien de la communauté et des performances multiplateformes constantes, il n’en est encore qu’à ses débuts et peut constituer une courbe d’apprentissage pour les développeurs.
GAME est conçu spécialement pour les développeurs de jeux, offrant une interface à faible code ou sans code via une API, permettant ainsi aux utilisateurs ayant peu de compétences techniques dans le domaine du jeu de l'utiliser. Cependant, il se concentre sur le développement de jeux et l'intégration de la blockchain, ce qui pourrait représenter une courbe d'apprentissage abrupte pour ceux qui n'ont pas d'expérience pertinente. Il excelle dans la génération de contenu programmatique et le comportement des NPC, mais est limité par la complexité accrue due à son domaine de spécialisation et à l'intégration de la blockchain.
En raison de l’utilisation du langage Rust, Rig n’est peut-être pas très convivial compte tenu de la complexité du langage, ce qui représente un défi d’apprentissage important, mais il a une interaction intuitive pour ceux qui maîtrisent la programmation système. Contrairement à TypeScripe, le langage de programmation lui-même est connu pour ses performances et la sécurité de sa mémoire. Il dispose de contrôles rigoureux au moment de la compilation et d’abstractions à coût zéro, qui sont nécessaires pour exécuter des algorithmes d’IA complexes. Le langage est très efficace et son faible degré de contrôle le rend idéal pour les applications d’IA gourmandes en ressources. Le cadre fournit une solution haute performance avec une conception modulaire et évolutive, ce qui le rend idéal pour les applications d’entreprise. Cependant, pour les développeurs qui ne sont pas familiers avec Rust, l’utilisation de Rust entraînera inévitablement une courbe d’apprentissage abrupte.
ZerePy utilise Python pour offrir une haute disponibilité pour les tâches d'IA créative, la courbe d'apprentissage pour les développeurs Python est relativement basse, en particulier pour ceux ayant une formation en IA/ML, et bénéficie d'un fort soutien communautaire grâce à la communauté cryptographique de Zerebro. ZerePy excelle dans des applications d'intelligence artificielle créative telles que les NFT, se positionnant comme un puissant outil pour les médias numériques et l'art. Bien qu'il prospère en termes de créativité, son champ d'application est relativement étroit par rapport à d'autres frameworks.
En matière d'évolutivité, ELIZA a réalisé des progrès significatifs dans sa mise à jour V2, introduisant une ligne de message unifiée et un cadre central évolutif, permettant une gestion efficace sur plusieurs plateformes. Cependant, sans optimisation, cette gestion des interactions multi-plateformes pourrait poser des défis en matière d'évolutivité.
GAME excelle dans le traitement en temps réel requis par les jeux, et l'évolutivité est gérée par des algorithmes efficaces et un système distribué de blockchain potentiel, bien qu'elle puisse être limitée par des moteurs de jeu ou des réseaux blockchain spécifiques.
Le cadre Rig utilise les performances d'évolutivité de Rust, conçu pour des applications à fort débit, ce qui est particulièrement efficace pour les déploiements d'entreprise, même si cela peut signifier que la réalisation d'une véritable évolutivité nécessite une configuration complexe.
La scalabilité de Zerepy est axée sur la production créative, soutenue par des contributions communautaires, mais son champ d'application pourrait limiter son utilisation dans un environnement d'intelligence artificielle plus large. La scalabilité pourrait être mise à l'épreuve par la diversité des tâches créatives plutôt que par le nombre d'utilisateurs.
En termes d'adaptabilité, ELIZA est en tête avec son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour traiter des tâches complexes d'IA sont également excellents. ZerePy montre une grande adaptabilité dans le domaine créatif, mais est moins adapté à des applications d'intelligence artificielle plus larges.
En termes de performance, ELIZA a été optimisé pour les interactions rapides sur les réseaux sociaux, avec un temps de réponse rapide qui est crucial, mais lors du traitement de tâches de calcul plus complexes, ses performances peuvent varier.
Le GAME développé par Virtual Protocol se concentre sur des interactions en temps réel de haute performance dans les scénarios de jeu, en utilisant un processus de décision efficace et une blockchain potentielle pour des opérations d'intelligence artificielle décentralisées.
Le cadre Rig, basé sur le langage Rust, offre d'excellentes performances pour les tâches de calcul haute performance, et est adapté aux applications d'entreprise où l'efficacité de calcul est cruciale.
La performance de Zerepy est conçue sur mesure pour la création de contenu créatif, avec des indicateurs centrés sur l'efficacité et la qualité de la génération de contenu, qui peuvent ne pas être très applicables en dehors du domaine créatif.
Les avantages d'ELIZA résident dans sa flexibilité et son évolutivité, grâce à son système de plugins et sa configuration des rôles, ce qui lui confère une grande adaptabilité, favorable aux interactions sociales de l'IA multiplateforme.
GAME offre une fonctionnalité d'interaction en temps réel unique dans le jeu, améliorée par l'intégration de la blockchain pour un engagement novateur de l'IA.
Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, avec un accent sur la fourniture d'un code modulaire propre pour la santé des projets à long terme.
Zerepy excelle dans le développement de la créativité, se positionnant en leader dans l'application de l'intelligence artificielle à l'art numérique, soutenu par un modèle de développement dynamique axé sur la communauté.
Chaque cadre a ses propres limitations. ELIZA est encore à un stade précoce, avec des problèmes de stabilité potentiels et une courbe d'apprentissage pour les nouveaux développeurs. Les jeux de niche peuvent limiter une application plus large, et la blockchain ajoute encore de la complexité. Rig pourrait décourager certains développeurs en raison de la courbe d'apprentissage abrupte que constitue Rust, tandis que l'attention limitée de Zerepy sur la créativité pourrait restreindre son utilisation dans d'autres domaines de l'IA.
(3) Résumé de la comparaison des cadres
Rig (ARC)：
Langage : Rust, axé sur la sécurité et les performances.
Cas d'utilisation : un choix idéal pour les applications IA de niveau entreprise, car il met l'accent sur l'efficacité et l'évolutivité.
Communauté : moins axée sur la communauté, davantage sur les développeurs techniques.
Eliza (AI16Z) :
Langage : TypeScript, mettant l'accent sur la flexibilité de web3 et la participation de la communauté.
Cas d'utilisation : conçu pour l'interaction sociale, les DAO et les transactions, mettant particulièrement l'accent sur les systèmes multi-agents.
Communauté : fortement axée sur la communauté, avec une large participation sur GitHub.
ZerePy (ZEREBRO) :
Langage : Python, le rendant accessible à une base de développeurs IA plus large.
Cas d'utilisation : adapté à l'automatisation des médias sociaux et à des tâches d'agents AI plus simples.
Communauté : relativement nouvelle, mais en raison de la popularité de Python et du soutien des contributeurs d'AI16Z, elle devrait croître.
JEU (VIRTUEL) :
Point focal : agents d'intelligence artificielle autonomes et adaptatifs, capables d'évoluer en fonction des interactions dans un environnement virtuel.
Cas d'utilisation : le plus adapté pour l'apprentissage et l'adaptation des agents IA, comme dans les jeux ou les mondes virtuels.
Communauté : une communauté innovante, mais qui est encore en train de déterminer sa position dans la concurrence.
3. Tendances des données de Star sur Github
L'image ci-dessus montre les données de suivi des étoiles GitHub depuis la publication de ces cadres. Il convient de noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité du projet et de la valeur perçue du projet.
ELIZA (ligne rouge) :
À partir d'une base basse en juillet, suivie d'une forte augmentation du nombre de stars fin novembre (atteignant 61 000 étoiles), cela montre que l'intérêt des gens augmente rapidement, attirant l'attention des développeurs. Cette croissance exponentielle indique qu'ELIZA a déjà acquis une énorme attractivité grâce à ses fonctionnalités, ses mises à jour et l'engagement de la communauté. Sa popularité dépasse de loin celle des autres concurrents, ce qui indique qu'elle bénéficie d'un solide soutien communautaire et qu'elle a une applicabilité ou un intérêt plus large dans la communauté de l'intelligence artificielle.
RIG (ligne bleue) :
Rig est le cadre le plus ancien des quatre grands, avec un nombre modéré d'étoiles mais en constante augmentation, et il est très probable qu'il connaisse une forte augmentation au cours du mois prochain. Il a atteint 1700 étoiles, mais continue d'augmenter. Le développement continu, les mises à jour et le nombre croissant d'utilisateurs sont les raisons de l'accumulation constante d'intérêt des utilisateurs. Cela peut refléter le fait que ce cadre a une base d'utilisateurs restreinte ou qu'il est encore en train d'accumuler sa réputation.
ZEREPY (ligne jaune) :
ZerePy a été lancé il y a quelques jours et a déjà accumulé 181 étoiles. Il est important de souligner que ZerePy nécessite plus de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs en code.
JEU (ligne verte) :
Ce projet a le plus petit nombre d'étoiles. Il est à noter que ce cadre peut être appliqué directement aux agents dans l'écosystème virtuel via une API, éliminant ainsi le besoin de visibilité sur Github. Cependant, ce cadre n'a été ouvert aux constructeurs que depuis un peu plus d'un mois, et plus de 200 projets utilisent GAME pour construire.
4. Raisons d'optimisme du cadre
La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront à l'avenir en charge le TEE natif, permettant ainsi aux proxy de fonctionner dans un environnement sécurisé. Une fonctionnalité à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs d'enregistrer et d'intégrer des plugins de manière transparente.
De plus, Eliza V2 prendra en charge la messagerie anonyme automatisée multiplateforme. Le livre blanc de l'économie des tokens sera publié le 1er janvier 2025, et devrait avoir un impact positif sur le token AI16Z sous-jacent du cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre, attirant ainsi des talents de haute qualité, dont les efforts des principaux contributeurs ont déjà prouvé qu'il avait cette capacité.
Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser simultanément GAME et ELIZA dans un seul projet, chacun servant des objectifs spécifiques. Cette approche devrait attirer les bâtisseurs qui se concentrent sur la logique métier plutôt que sur la complexité technique. Bien que ce cadre n'ait été rendu public que depuis une trentaine de jours, il a fait des progrès substantiels grâce aux efforts de l'équipe pour attirer le soutien de plus de contributeurs. Tous les projets lancés sur VIRTUAL devraient utiliser GAME.
Le Rig représenté par le token ARC a un énorme potentiel, bien que son cadre soit encore à un stade précoce de croissance et que le plan pour promouvoir l'adoption du projet ne soit en ligne que depuis quelques jours. Cependant, des projets de haute qualité adoptant ARC devraient apparaître rapidement, similaires à Virtual Flywheel, mais en mettant l'accent sur Solana. L'équipe est optimiste quant à la collaboration avec Solana, comparant la relation entre ARC et Solana à celle de Virtual avec Base. Il convient de noter que l'équipe encourage non seulement les nouveaux projets à utiliser Rig pour se lancer, mais également les développeurs à améliorer le cadre Rig lui-même.
Zerepy est un nouveau cadre lancé, qui attire de plus en plus d'attention grâce à sa collaboration avec Eliza. Ce cadre attire les contributeurs d'Eliza, qui travaillent activement à son amélioration. Sous l'impulsion des fans de ZEREBRO, il compte un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui étaient auparavant sous-représentés dans la compétition des infrastructures d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité en IA.