Auteur : Deep Value Memetics, traduction : Jinse Caijing xiaozou
Dans cet article, nous allons explorer les perspectives du cadre Crypto X AI. Nous allons nous concentrer sur les quatre principaux cadres actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.
1. Introduction
Au cours de la semaine dernière, nous avons testé et étudié les quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY. Voici nos conclusions.
Nous pensons que l’AI16Z continuera de dominer. La valeur d’Eliza (environ 60 % de part de marché, plus d’un milliard de dollars de capitalisation boursière) réside dans son avantage de premier arrivé (l’effet Lindy) et son utilisation croissante par les développeurs, comme en témoignent des données telles que 193 contributeurs, 1 800 forks et plus de 6 000 étoiles, ce qui en fait l’un des dépôts 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, obtenant une adoption rapide. Comme vient de l'annoncer VIRTUAL, la plateforme compte plus de 200 projets, 150 000 demandes par jour et un taux de croissance hebdomadaire de 200 %. GAME continuera de bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.
Rig (ARC, avec une part de marché d’environ 15 % et une capitalisation boursière d’environ 160 millions de dollars) est très convaincant en raison de sa conception modulaire, qui est très facile à utiliser et peut dominer l’écosystème Solana (RUST) en tant que « pure-play ».
Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement de niche, spécialement conçue pour la communauté passionnée de ZEREBRO. Sa récente collaboration avec la communauté ai16z pourrait générer des synergies.
Nous avons noté que notre calcul de part de marché couvre la capitalisation boursière, les enregistrements de développement et le marché des systèmes d'exploitation sous-jacents.
Nous pensons que, dans ce cycle de marché, le segment de marché des frameworks sera le domaine à la croissance la plus rapide, avec une capitalisation boursière totale de 1,7 milliard de dollars qui pourrait facilement atteindre 20 milliards de dollars, ce qui reste relativement conservateur par rapport à l'évaluation de pointe des L1 en 2021, lorsque de nombreuses évaluations de L1 ont dépassé 20 milliards de dollars. Bien que ces frameworks servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous pensons que ce domaine est en tendance haussière continue, une approche pondérée par la capitalisation boursière pourrait être la méthode la plus prudente.
2. Quatre grands cadres
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages de chaque cadre principal.
(1) Aperçu du cadre
Dans le domaine croisé de l'IA et de la cryptographie, 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 des besoins et à des philosophies différents dans le processus de développement des agents IA, allant des projets communautaires open source aux solutions d'entreprise axées sur la performance.
Cet article commence par une introduction aux frameworks, à ce qu’ils sont, aux langages de programmation qu’ils utilisent, aux architectures techniques, aux algorithmes, aux fonctionnalités uniques qu’ils possèdent et aux cas d’utilisation potentiels que le framework peut utiliser. Nous comparons ensuite chaque cadre en termes de disponibilité, d’évolutivité, d’adaptabilité et de performances, en explorant leurs forces et leurs limites.
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, offrant une plateforme flexible et évolutive pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes, tout en maintenant une personnalité et des connaissances cohérentes.
Les fonctionnalités clés de ce cadre comprennent une architecture multi-agents qui prend en charge le déploiement et la gestion simultanés de plusieurs personnalités d'IA uniques, ainsi qu'un système de rôles qui crée différents agents à l'aide d'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 de recherche améliorée générative (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 ce qui concerne les capacités de communication et de médias des agents d’IA, Eliza est un excellent choix. En termes de communication, le cadre prend en charge les intégrations avec la fonction de canal vocal de Discord, la fonction X, Telegram et l’accès direct aux API pour des cas d’utilisation personnalisés. D’autre part, les capacités de traitement des médias du cadre peuvent être étendues à la lecture et à l’analyse de documents PDF, à l’extraction et à la synthèse de contenu de liens, à la transcription audio, au traitement de contenu vidéo, à l’analyse d’images et à la synthèse de conversations pour gérer efficacement un large éventail d’entrées et de sorties multimédias.
Le cadre Eliza offre un support flexible pour les modèles d'IA grâce à l'inférence locale de modèles open source, à l'inférence cloud d'OpenAI et à des configurations par défaut (comme Nous Hermes Llama 3.1B), tout en intégrant le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large support pour les systèmes d'exploitation, des clients personnalisés et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.
Les cas d'utilisation d'Eliza couvrent plusieurs domaines, tels que : assistant IA pour le support client, modération de communauté et tâches personnelles, ainsi que créateur de contenu automatique, robot interactif et représentant de marque dans des rôles de médias sociaux. Il peut également agir en tant que travailleur de la connaissance, jouant des rôles d'assistant de recherche, d'analyste de contenu et de processeur de documents, tout en soutenant des rôles d'interaction sous la forme de robots de jeu de rôle, de mentors éducatifs et d'agents d'appui.
L'architecture d'Eliza est construite autour du runtime d'agent, qui s'intègre parfaitement à son système de rôles (soutenu par les fournisseurs de modèles), au gestionnaire de mémoire (connecté à la base de données) et au système d'exploitation (lié au client de la plateforme). Les fonctionnalités uniques de ce cadre incluent un système de plugins qui prend en charge l'extension modulaire des fonctionnalités, le support d'interactions multimodales telles que la voix, le texte et les médias, et la compatibilité avec les principaux modèles d'IA (tels que Llama, GPT-4 et Claude). Grâce à sa conception polyvalente et puissante, Eliza se distingue comme un outil puissant pour le développement d'applications d'IA dans divers 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 avec des agents IA. Ce cadre offre une approche structurée pour gérer le comportement, la prise de décision 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 intégrant le GAME dans l'agent pour accéder au comportement de l'agent. Le sous-système de perception (Perception Subsystem) lance une session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.
Il intégrera les informations entrantes dans un format adapté au moteur de planification stratégique (Strategic Planning Engine) servant de mécanisme d'entrée pour l'agent AI, que ce soit sous forme de dialogue ou de réaction. Au cœur se trouve le module de traitement du dialogue, qui gère 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 travaille en collaboration avec le module de traitement de dialogue et l'opérateur de portefeuille en chaîne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalité : en tant que planificateur de haut niveau, il crée des stratégies générales en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il convertit ces stratégies en stratégies exploitables, qui se divisent en planificateurs d'actions pour des tâches spécifiques et en exécuteurs de plan pour l'exécution 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 de travail à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve les comportements précédents, les résultats et les informations pertinentes du plan actuel. En revanche, le processeur de mémoire à long terme extrait des informations clés selon des 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 pour améliorer la prise de décision et fournir une base d'apprentissage.
Le module d'apprentissage utilise les données provenant du sous-système de perception pour générer des connaissances générales, qui sont renvoyées dans le système pour 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'augmenter ses capacités de planification et de prise de décision.
Le flux de travail commence par l'interaction des développeurs via une interface de suggestion d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement de dialogue, qui gère 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 notifications de données provenant des contextes mondiaux et des dépôts d'agents informent ces processus, tandis que la mémoire de travail suit les tâches instantanées. En même temps, le processeur de mémoire à long terme stocke et récupère les connaissances à long terme. Le module d'apprentissage analyse les résultats et intègre 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 open source en Rust, 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. L'architecture modulaire unique de ce framework réside dans ses composants principaux, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration de stockage de vecteurs et le système d'agents, afin de 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 lorsqu'une 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 de vecteurs du contexte. La réponse est générée et affinée à l'aide d'un flux de travail complexe (tel que RAG) avant d'être renvoyée au client, le processus impliquant la récupération de documents et la compréhension du contexte. Le système intègre plusieurs fournisseurs LLM et un stockage de vecteurs, s'adaptant aux mises à jour de la disponibilité ou des performances des modèles.
Les cas d'utilisation de Rig sont variés, y compris les systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, les systèmes de recherche et de récupération de documents pour une découverte de contenu efficace, ainsi que des chatbots ou assistants virtuels offrant des interactions contextuellement conscientes pour le service client ou l'éducation. Il prend également en charge la génération de contenu, facilitant la création de 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, tout en restant cohérent avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire et permet le déploiement des agents sur les plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, une intégration avec Twitter, un support pour OpenAI et les LLM d'Anthropic, ainsi qu'un système de connexion modulaire pour des fonctionnalités améliorées.
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 répond également aux domaines de la création de contenu tels que la musique, les mèmes et les NFT, en faisant un outil essentiel pour les plateformes de contenu numérique et basées sur la blockchain.
(2) Comparaison des quatre grands cadres
À notre avis, chaque cadre offre une approche unique pour le 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 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 peut 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 PNJ, mais est limité par la complexité accrue due à son domaine de niche 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.
Tirant parti de Python, ZerePy offre un haut niveau de convivialité pour les tâches d’IA créatives, avec une faible courbe d’apprentissage pour les développeurs Python, en particulier pour ceux qui ont des antécédents en IA/ML, et bénéficie d’un fort soutien de la communauté grâce à la communauté crypto de Zerebro. ZerePy se spécialise dans les applications d’IA créatives telles que les NFT, se positionnant comme un outil puissant pour les médias numériques et l’art. Bien qu’il se nourrisse de créativité, sa portée est relativement étroite par rapport à d’autres cadres.
En termes d'évolutivité, ELIZA a fait des progrès considérables dans sa mise à jour V2, introduisant un fil de conversation unifié et un cadre central évolutif, permettant une gestion efficace sur plusieurs plates-formes. 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 sa scalabilité est gérée par des algorithmes efficaces et un système distribué potentiel basé sur la blockchain, bien qu'elle puisse être limitée par certains moteurs de jeu ou réseaux blockchain.
Le framework Rig exploite les performances d’évolutivité de Rust et est conçu pour les applications à haut débit, ce qui est particulièrement efficace pour les déploiements au niveau de l’entreprise, bien que cela puisse signifier que l’obtention 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 axe de concentration pourrait limiter son application 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 grâce à son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour le traitement de tâches AI complexes sont également impressionnants. 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 est optimisé pour les interactions rapides sur les réseaux sociaux, un temps de réponse rapide étant crucial, mais lors du traitement de tâches de calcul plus complexes, ses performances peuvent varier.
Le GAME développé par Virtual Protocol se concentre sur l'interaction en temps réel haute performance dans les scènes de jeu, 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 du 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.
L'avantage d'ELIZA réside dans sa flexibilité et son évolutivité, grâce à son système de plugins et à la configuration des rôles, ce qui lui confère une grande adaptabilité, favorable aux interactions sociales d'IA multiplateformes.
GAME offre des fonctionnalités d'interaction en temps réel uniques dans les jeux, renforcées par l'intégration de la blockchain pour une participation novatrice de l'IA.
Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, mettant l'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 dans l'art numérique, soutenu par un modèle de développement dynamique reposant sur une communauté vibrante.
Chaque cadre a ses propres limites. 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 des applications plus larges, et la blockchain ajoute une complexité supplémentaire. Rig, en raison de sa courbe d'apprentissage abrupte liée à Rust, pourrait décourager certains développeurs, tandis que l'attention restreinte de Zerepy sur la production créative pourrait limiter 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 la performance.
Cas d'utilisation : un choix idéal pour les applications d'IA à l'échelle de l'entreprise, car il met l'accent sur l'efficacité et l'évolutivité.
Communauté : pas vraiment 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, avec un accent particulier sur les systèmes multi-agents.
Communauté : communauté fortement axée sur la participation, avec une large implication sur GitHub.
**ZerePy (ZEREBRO) : **
Langage : Python, le rendant accessible à une base de développeurs IA plus large.
Cas d'utilisation : applicable à l'automatisation des médias sociaux et à des tâches d'agents IA plus simples.
Communauté : Relativement nouvelle, mais avec la popularité de Python et le soutien des contributeurs d'AI16Z, elle devrait croître.
JEU (VIRTUEL) :
Focus : 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. Tendance 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 est à noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité des projets et de la valeur perçue des projets.
ELIZA (ligne rouge) :
D’une base basse en juillet à une forte augmentation du nombre d’étoiles fin novembre (61 000 étoiles), cela indique une augmentation rapide de l’intérêt et attire l’attention des développeurs. Cette croissance exponentielle montre qu’ELIZA a gagné en popularité grâce à ses fonctionnalités, ses mises à jour et son implication dans la communauté. Sa popularité dépasse de loin celle d’autres concurrents, ce qui suggère qu’il bénéficie d’un fort soutien de la communauté et d’une applicabilité ou d’un intérêt plus large dans la communauté de l’IA.
RIG (ligne bleue) :
Rig est le plus ancien des quatre frameworks, et son nombre d’étoiles est modeste mais en constante augmentation, et est susceptible d’augmenter considérablement au cours du mois prochain. Il a atteint 1 700 étoiles, mais il continue de monter. Le développement constant, les mises à jour et un nombre croissant d’utilisateurs sont les raisons de l’accumulation constante de l’intérêt des utilisateurs. Cela peut refléter un petit nombre d’utilisateurs du cadre ou une réputation qui est encore en train de se construire.
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 davantage de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs au code.
JEU (ligne verte) :
Ce projet a le moins de stars, 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 bâtisseurs qu'il y a un peu plus d'un mois, et plus de 200 projets sont en cours de construction avec GAME.
4. Raisons haussières pour le cadre
La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront en charge TEE natif à l'avenir, permettant ainsi aux proxies de fonctionner dans un environnement sécurisé. Une des fonctionnalités à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs de s'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 est prévu pour le 1er janvier 2025, et devrait avoir un impact positif sur le token AI16Z sous-jacent au cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre et à attirer des talents de haute qualité, les efforts de ses principaux contributeurs ayant déjà prouvé qu'il a cette capacité.
Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser à la fois GAME et ELIZA dans un seul projet, chacun servant un objectif spécifique. Cette approche devrait attirer des bâtisseurs qui se concentrent sur la logique commerciale plutôt que sur la complexité technique. Bien que le cadre ait été rendu public depuis seulement une trentaine de jours, il a réalisé 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.
Rig, représenté par le jeton ARC, a un grand potentiel, bien que son cadre en soit encore aux premiers stades de croissance et que les plans visant à favoriser l’adoption du projet ne soient en ligne que depuis quelques jours. Mais des projets de haute qualité avec ARC devraient bientôt émerger, similaires au Virtual Flywheel, mais en mettant l’accent sur Solana. L’équipe est optimiste quant au partenariat avec Solana, comparant la relation d’ARC avec Solana à Virtual to Base. Il convient de noter que l’équipe encourage non seulement les nouveaux projets à démarrer avec Rig, mais encourage également les développeurs à améliorer le cadre Rig lui-même.
Zerepy est un nouveau cadre lancé récemment, qui attire de plus en plus d'attention en raison de 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 bénéficie d'un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui étaient auparavant peu représentés dans la compétition des infrastructures d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité de l'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 allons explorer les perspectives du cadre Crypto X AI. Nous allons nous concentrer sur les quatre principaux cadres actuels (ELIZA, GAME, ARC, ZEREPY) et leurs différences techniques respectives.
1. Introduction
Au cours de la semaine dernière, nous avons testé et étudié les quatre principaux cadres Crypto X AI : ELIZA, GAME, ARC et ZEREPY. Voici nos conclusions.
Nous pensons que l’AI16Z continuera de dominer. La valeur d’Eliza (environ 60 % de part de marché, plus d’un milliard de dollars de capitalisation boursière) réside dans son avantage de premier arrivé (l’effet Lindy) et son utilisation croissante par les développeurs, comme en témoignent des données telles que 193 contributeurs, 1 800 forks et plus de 6 000 étoiles, ce qui en fait l’un des dépôts 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, obtenant une adoption rapide. Comme vient de l'annoncer VIRTUAL, la plateforme compte plus de 200 projets, 150 000 demandes par jour et un taux de croissance hebdomadaire de 200 %. GAME continuera de bénéficier de l'essor de VIRTUAL et deviendra l'un des plus grands gagnants de son écosystème.
Rig (ARC, avec une part de marché d’environ 15 % et une capitalisation boursière d’environ 160 millions de dollars) est très convaincant en raison de sa conception modulaire, qui est très facile à utiliser et peut dominer l’écosystème Solana (RUST) en tant que « pure-play ».
Zerepy (part de marché d'environ 5 %, capitalisation boursière d'environ 300 millions de dollars) est une application relativement de niche, spécialement conçue pour la communauté passionnée de ZEREBRO. Sa récente collaboration avec la communauté ai16z pourrait générer des synergies.
Nous avons noté que notre calcul de part de marché couvre la capitalisation boursière, les enregistrements de développement et le marché des systèmes d'exploitation sous-jacents.
Nous pensons que, dans ce cycle de marché, le segment de marché des frameworks sera le domaine à la croissance la plus rapide, avec une capitalisation boursière totale de 1,7 milliard de dollars qui pourrait facilement atteindre 20 milliards de dollars, ce qui reste relativement conservateur par rapport à l'évaluation de pointe des L1 en 2021, lorsque de nombreuses évaluations de L1 ont dépassé 20 milliards de dollars. Bien que ces frameworks servent différents marchés finaux (chaînes/écosystèmes), étant donné que nous pensons que ce domaine est en tendance haussière continue, une approche pondérée par la capitalisation boursière pourrait être la méthode la plus prudente.
2. Quatre grands cadres
Dans le tableau ci-dessous, nous avons répertorié les technologies clés, les composants et les avantages de chaque cadre principal.
(1) Aperçu du cadre
Dans le domaine croisé de l'IA et de la cryptographie, 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 des besoins et à des philosophies différents dans le processus de développement des agents IA, allant des projets communautaires open source aux solutions d'entreprise axées sur la performance.
Cet article commence par une introduction aux frameworks, à ce qu’ils sont, aux langages de programmation qu’ils utilisent, aux architectures techniques, aux algorithmes, aux fonctionnalités uniques qu’ils possèdent et aux cas d’utilisation potentiels que le framework peut utiliser. Nous comparons ensuite chaque cadre en termes de disponibilité, d’évolutivité, d’adaptabilité et de performances, en explorant leurs forces et leurs limites.
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, offrant une plateforme flexible et évolutive pour construire des agents intelligents capables d'interagir avec les humains sur plusieurs plateformes, tout en maintenant une personnalité et des connaissances cohérentes.
Les fonctionnalités clés de ce cadre comprennent une architecture multi-agents qui prend en charge le déploiement et la gestion simultanés de plusieurs personnalités d'IA uniques, ainsi qu'un système de rôles qui crée différents agents à l'aide d'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 de recherche améliorée générative (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 ce qui concerne les capacités de communication et de médias des agents d’IA, Eliza est un excellent choix. En termes de communication, le cadre prend en charge les intégrations avec la fonction de canal vocal de Discord, la fonction X, Telegram et l’accès direct aux API pour des cas d’utilisation personnalisés. D’autre part, les capacités de traitement des médias du cadre peuvent être étendues à la lecture et à l’analyse de documents PDF, à l’extraction et à la synthèse de contenu de liens, à la transcription audio, au traitement de contenu vidéo, à l’analyse d’images et à la synthèse de conversations pour gérer efficacement un large éventail d’entrées et de sorties multimédias.
Le cadre Eliza offre un support flexible pour les modèles d'IA grâce à l'inférence locale de modèles open source, à l'inférence cloud d'OpenAI et à des configurations par défaut (comme Nous Hermes Llama 3.1B), tout en intégrant le support de Claude pour le traitement de tâches complexes. Eliza adopte une architecture modulaire, avec un large support pour les systèmes d'exploitation, des clients personnalisés et une API complète, garantissant l'évolutivité et l'adaptabilité entre les applications.
Les cas d'utilisation d'Eliza couvrent plusieurs domaines, tels que : assistant IA pour le support client, modération de communauté et tâches personnelles, ainsi que créateur de contenu automatique, robot interactif et représentant de marque dans des rôles de médias sociaux. Il peut également agir en tant que travailleur de la connaissance, jouant des rôles d'assistant de recherche, d'analyste de contenu et de processeur de documents, tout en soutenant des rôles d'interaction sous la forme de robots de jeu de rôle, de mentors éducatifs et d'agents d'appui.
L'architecture d'Eliza est construite autour du runtime d'agent, qui s'intègre parfaitement à son système de rôles (soutenu par les fournisseurs de modèles), au gestionnaire de mémoire (connecté à la base de données) et au système d'exploitation (lié au client de la plateforme). Les fonctionnalités uniques de ce cadre incluent un système de plugins qui prend en charge l'extension modulaire des fonctionnalités, le support d'interactions multimodales telles que la voix, le texte et les médias, et la compatibilité avec les principaux modèles d'IA (tels que Llama, GPT-4 et Claude). Grâce à sa conception polyvalente et puissante, Eliza se distingue comme un outil puissant pour le développement d'applications d'IA dans divers 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 avec des agents IA. Ce cadre offre une approche structurée pour gérer le comportement, la prise de décision 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 intégrant le GAME dans l'agent pour accéder au comportement de l'agent. Le sous-système de perception (Perception Subsystem) lance une session en spécifiant des paramètres tels que l'ID de session, l'ID de l'agent, l'utilisateur et d'autres détails pertinents.
Il intégrera les informations entrantes dans un format adapté au moteur de planification stratégique (Strategic Planning Engine) servant de mécanisme d'entrée pour l'agent AI, que ce soit sous forme de dialogue ou de réaction. Au cœur se trouve le module de traitement du dialogue, qui gère 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 travaille en collaboration avec le module de traitement de dialogue et l'opérateur de portefeuille en chaîne pour générer des réponses et des plans. Ce moteur a deux niveaux de fonctionnalité : en tant que planificateur de haut niveau, il crée des stratégies générales en fonction du contexte ou des objectifs ; en tant que stratégie de bas niveau, il convertit ces stratégies en stratégies exploitables, qui se divisent en planificateurs d'actions pour des tâches spécifiques et en exécuteurs de plan pour l'exécution 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 de travail à court terme et un processeur de mémoire à long terme. La mémoire à court terme conserve les comportements précédents, les résultats et les informations pertinentes du plan actuel. En revanche, le processeur de mémoire à long terme extrait des informations clés selon des 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 pour améliorer la prise de décision et fournir une base d'apprentissage.
Le module d'apprentissage utilise les données provenant du sous-système de perception pour générer des connaissances générales, qui sont renvoyées dans le système pour 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'augmenter ses capacités de planification et de prise de décision.
Le flux de travail commence par l'interaction des développeurs via une interface de suggestion d'agent. Les entrées sont traitées par le sous-système de perception et transmises au module de traitement de dialogue, qui gère 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 notifications de données provenant des contextes mondiaux et des dépôts d'agents informent ces processus, tandis que la mémoire de travail suit les tâches instantanées. En même temps, le processeur de mémoire à long terme stocke et récupère les connaissances à long terme. Le module d'apprentissage analyse les résultats et intègre 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 open source en Rust, 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. L'architecture modulaire unique de ce framework réside dans ses composants principaux, tels que la couche d'abstraction des fournisseurs (Provider Abstraction Layer), l'intégration de stockage de vecteurs et le système d'agents, afin de 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 lorsqu'une 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 de vecteurs du contexte. La réponse est générée et affinée à l'aide d'un flux de travail complexe (tel que RAG) avant d'être renvoyée au client, le processus impliquant la récupération de documents et la compréhension du contexte. Le système intègre plusieurs fournisseurs LLM et un stockage de vecteurs, s'adaptant aux mises à jour de la disponibilité ou des performances des modèles.
Les cas d'utilisation de Rig sont variés, y compris les systèmes de questions-réponses qui récupèrent des documents pertinents pour fournir des réponses précises, les systèmes de recherche et de récupération de documents pour une découverte de contenu efficace, ainsi que des chatbots ou assistants virtuels offrant des interactions contextuellement conscientes pour le service client ou l'éducation. Il prend également en charge la génération de contenu, facilitant la création de 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, tout en restant cohérent avec l'architecture d'ELIZA et sa relation de collaboration avec ELIZA. Sa conception modulaire prend en charge l'intégration des systèmes de mémoire et permet le déploiement des agents sur les plateformes sociales. Les principales fonctionnalités incluent une interface en ligne de commande pour la gestion des agents, une intégration avec Twitter, un support pour OpenAI et les LLM d'Anthropic, ainsi qu'un système de connexion modulaire pour des fonctionnalités améliorées.
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 répond également aux domaines de la création de contenu tels que la musique, les mèmes et les NFT, en faisant un outil essentiel pour les plateformes de contenu numérique et basées sur la blockchain.
(2) Comparaison des quatre grands cadres
À notre avis, chaque cadre offre une approche unique pour le 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 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 peut 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 PNJ, mais est limité par la complexité accrue due à son domaine de niche 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.
Tirant parti de Python, ZerePy offre un haut niveau de convivialité pour les tâches d’IA créatives, avec une faible courbe d’apprentissage pour les développeurs Python, en particulier pour ceux qui ont des antécédents en IA/ML, et bénéficie d’un fort soutien de la communauté grâce à la communauté crypto de Zerebro. ZerePy se spécialise dans les applications d’IA créatives telles que les NFT, se positionnant comme un outil puissant pour les médias numériques et l’art. Bien qu’il se nourrisse de créativité, sa portée est relativement étroite par rapport à d’autres cadres.
En termes d'évolutivité, ELIZA a fait des progrès considérables dans sa mise à jour V2, introduisant un fil de conversation unifié et un cadre central évolutif, permettant une gestion efficace sur plusieurs plates-formes. 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 sa scalabilité est gérée par des algorithmes efficaces et un système distribué potentiel basé sur la blockchain, bien qu'elle puisse être limitée par certains moteurs de jeu ou réseaux blockchain.
Le framework Rig exploite les performances d’évolutivité de Rust et est conçu pour les applications à haut débit, ce qui est particulièrement efficace pour les déploiements au niveau de l’entreprise, bien que cela puisse signifier que l’obtention 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 axe de concentration pourrait limiter son application 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 grâce à son système de plugins et sa compatibilité multiplateforme, tandis que GAME dans son environnement de jeu et Rig pour le traitement de tâches AI complexes sont également impressionnants. 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 est optimisé pour les interactions rapides sur les réseaux sociaux, un temps de réponse rapide étant crucial, mais lors du traitement de tâches de calcul plus complexes, ses performances peuvent varier.
Le GAME développé par Virtual Protocol se concentre sur l'interaction en temps réel haute performance dans les scènes de jeu, 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 du 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.
L'avantage d'ELIZA réside dans sa flexibilité et son évolutivité, grâce à son système de plugins et à la configuration des rôles, ce qui lui confère une grande adaptabilité, favorable aux interactions sociales d'IA multiplateformes.
GAME offre des fonctionnalités d'interaction en temps réel uniques dans les jeux, renforcées par l'intégration de la blockchain pour une participation novatrice de l'IA.
Les avantages de Rig résident dans ses performances et sa scalabilité pour les tâches d'intelligence artificielle d'entreprise, mettant l'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 dans l'art numérique, soutenu par un modèle de développement dynamique reposant sur une communauté vibrante.
Chaque cadre a ses propres limites. 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 des applications plus larges, et la blockchain ajoute une complexité supplémentaire. Rig, en raison de sa courbe d'apprentissage abrupte liée à Rust, pourrait décourager certains développeurs, tandis que l'attention restreinte de Zerepy sur la production créative pourrait limiter 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 la performance.
Cas d'utilisation : un choix idéal pour les applications d'IA à l'échelle de l'entreprise, car il met l'accent sur l'efficacité et l'évolutivité.
Communauté : pas vraiment 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, avec un accent particulier sur les systèmes multi-agents.
Communauté : communauté fortement axée sur la participation, avec une large implication sur GitHub.
**ZerePy (ZEREBRO) : **
Langage : Python, le rendant accessible à une base de développeurs IA plus large.
Cas d'utilisation : applicable à l'automatisation des médias sociaux et à des tâches d'agents IA plus simples.
Communauté : Relativement nouvelle, mais avec la popularité de Python et le soutien des contributeurs d'AI16Z, elle devrait croître.
JEU (VIRTUEL) :
Focus : 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. Tendance 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 est à noter que les étoiles GitHub sont un indicateur de l'intérêt de la communauté, de la popularité des projets et de la valeur perçue des projets.
ELIZA (ligne rouge) :
D’une base basse en juillet à une forte augmentation du nombre d’étoiles fin novembre (61 000 étoiles), cela indique une augmentation rapide de l’intérêt et attire l’attention des développeurs. Cette croissance exponentielle montre qu’ELIZA a gagné en popularité grâce à ses fonctionnalités, ses mises à jour et son implication dans la communauté. Sa popularité dépasse de loin celle d’autres concurrents, ce qui suggère qu’il bénéficie d’un fort soutien de la communauté et d’une applicabilité ou d’un intérêt plus large dans la communauté de l’IA.
RIG (ligne bleue) :
Rig est le plus ancien des quatre frameworks, et son nombre d’étoiles est modeste mais en constante augmentation, et est susceptible d’augmenter considérablement au cours du mois prochain. Il a atteint 1 700 étoiles, mais il continue de monter. Le développement constant, les mises à jour et un nombre croissant d’utilisateurs sont les raisons de l’accumulation constante de l’intérêt des utilisateurs. Cela peut refléter un petit nombre d’utilisateurs du cadre ou une réputation qui est encore en train de se construire.
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 davantage de développement pour améliorer sa visibilité et son taux d'adoption. La collaboration avec AI16Z pourrait attirer davantage de contributeurs au code.
JEU (ligne verte) :
Ce projet a le moins de stars, 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 bâtisseurs qu'il y a un peu plus d'un mois, et plus de 200 projets sont en cours de construction avec GAME.
4. Raisons haussières pour le cadre
La version V2 d'Eliza intégrera le kit de proxy Coinbase. Tous les projets utilisant Eliza prendront en charge TEE natif à l'avenir, permettant ainsi aux proxies de fonctionner dans un environnement sécurisé. Une des fonctionnalités à venir d'Eliza est le registre de plugins (Plugin Registry), qui permettra aux développeurs de s'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 est prévu pour le 1er janvier 2025, et devrait avoir un impact positif sur le token AI16Z sous-jacent au cadre Eliza. AI16Z prévoit de continuer à améliorer l'utilité du cadre et à attirer des talents de haute qualité, les efforts de ses principaux contributeurs ayant déjà prouvé qu'il a cette capacité.
Le cadre GAME offre une intégration sans code pour les agents, permettant d'utiliser à la fois GAME et ELIZA dans un seul projet, chacun servant un objectif spécifique. Cette approche devrait attirer des bâtisseurs qui se concentrent sur la logique commerciale plutôt que sur la complexité technique. Bien que le cadre ait été rendu public depuis seulement une trentaine de jours, il a réalisé 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.
Rig, représenté par le jeton ARC, a un grand potentiel, bien que son cadre en soit encore aux premiers stades de croissance et que les plans visant à favoriser l’adoption du projet ne soient en ligne que depuis quelques jours. Mais des projets de haute qualité avec ARC devraient bientôt émerger, similaires au Virtual Flywheel, mais en mettant l’accent sur Solana. L’équipe est optimiste quant au partenariat avec Solana, comparant la relation d’ARC avec Solana à Virtual to Base. Il convient de noter que l’équipe encourage non seulement les nouveaux projets à démarrer avec Rig, mais encourage également les développeurs à améliorer le cadre Rig lui-même.
Zerepy est un nouveau cadre lancé récemment, qui attire de plus en plus d'attention en raison de 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 bénéficie d'un groupe de fervents partisans et offre de nouvelles opportunités aux développeurs Python, qui étaient auparavant peu représentés dans la compétition des infrastructures d'intelligence artificielle. Ce cadre jouera un rôle important dans la créativité de l'IA.