Déconstruction du cadre IA : de l'agent intelligent à l'exploration de la Décentralisation
Introduction
La vitesse de développement de la filière des agents IA est impressionnante. Depuis que le "terminal de vérité" a déclenché la frénésie des agents, le récit de la combinaison de l'IA et des cryptomonnaies a presque chaque semaine de nouvelles évolutions. Récemment, l'attention du marché s'est tournée vers des projets de "type cadre" dominés par le récit technologique. Ce sous-secteur a vu émerger plusieurs projets noirs valant plus d'un milliard, voire plus de dix milliards, en l'espace de quelques semaines.
Ce type de projet a donné naissance à un nouveau modèle d'émission d'actifs : émettre des tokens à partir de dépôts de code GitHub, et les Agents développés sur la base de ce cadre peuvent également émettre des tokens. Ce modèle "cadre en bas, Agent en haut", bien qu'il ressemble à première vue à une plateforme d'émission d'actifs, est en réalité un modèle d'infrastructure propre à l'ère de l'IA. Cet article commencera par un aperçu du cadre et explorera l'impact profond des cadres d'IA sur le domaine des cryptomonnaies.
I. Qu'est-ce qu'un cadre ?
Le cadre IA est un ensemble d'outils ou de plateformes de développement de base intégrant des modules préconstruits, des bibliothèques et des outils, simplifiant le processus de construction de modèles IA complexes. On peut le comprendre comme le système d'exploitation de l'ère IA, comme Windows et Linux sur ordinateur de bureau, ou iOS et Android sur mobile. Chaque cadre a ses caractéristiques, et les développeurs peuvent choisir librement en fonction de leurs besoins.
Bien que le "cadre AI" soit un concept émergent dans le domaine des cryptomonnaies, son parcours de développement dure depuis près de 14 ans. Dans le domaine de l'IA traditionnelle, il existe déjà plusieurs cadres matures disponibles, tels que TensorFlow de Google et PyTorch de Meta.
Les projets de cadre émergents dans le domaine des cryptomonnaies sont principalement conçus pour répondre à la demande massive d'Agents engendrée par la frénésie de l'IA, et s'étendent progressivement à d'autres secteurs pour former différents cadres d'IA dans des domaines spécifiques. Voici une introduction à quelques cadres principaux :
1.1 Eliza
Eliza est un cadre de simulation multi-agent, spécialement conçu pour créer, déployer et gérer des agents AI autonomes. Développé en TypeScript, il offre une bonne compatibilité et des capacités d'intégration API.
Eliza est principalement axé sur les scénarios de médias sociaux, prenant en charge l'intégration multi-plateforme, y compris Discord, X/Twitter, Telegram, etc. En ce qui concerne le traitement du contenu multimédia, il prend en charge l'analyse de documents PDF, l'extraction de contenu de liens, la transcription audio, le traitement vidéo, l'analyse d'images, etc.
Eliza prend actuellement en charge quatre types principaux d'utilisation :
Applications de type assistant IA
Rôle des médias sociaux
Travailleurs de la connaissance
Rôle interactif
En ce qui concerne le support des modèles, Eliza peut utiliser des modèles open source pour l'inférence locale et prend également en charge l'utilisation de services d'inférence cloud via API.
1.2 G.A.M.E
G.A.M.E (Framework d'Entités Multimodales Autonomes Génératives) est un cadre d'IA multimodale génératif et de gestion lancé par Virtual, visant principalement la conception de NPC intelligents dans les jeux. La caractéristique de ce cadre est que les utilisateurs sans formation en programmation peuvent l'utiliser, il suffit de modifier les paramètres pour participer à la conception des Agents.
La conception centrale de G.A.M.E adopte une architecture modulaire avec plusieurs sous-systèmes travaillant en collaboration, y compris une interface de suggestion d'agent, un sous-système de perception, un moteur de planification stratégique, un contexte mondial, un module de traitement des dialogues, et d'autres composants.
Le flux de travail de ce cadre est le suivant : le développeur lance l'Agent via l'interface de prompt de l'Agent, le sous-système de perception reçoit les entrées et les transmet au moteur de planification stratégique. Le moteur de planification stratégique élabore et exécute un plan d'action en utilisant divers systèmes et informations. Le module d'apprentissage surveille en continu les résultats des actions de l'Agent et ajuste son comportement en conséquence.
En plus du domaine du jeu, le cadre G.A.M.E est également applicable aux scénarios de métavers, plusieurs projets ayant déjà adopté ce cadre pour leur développement.
1.3 Rig
Rig est un outil open source écrit en Rust, conçu pour simplifier le développement d'applications de modèles de langage de grande taille (LLM). Il fournit une interface opérationnelle unifiée, permettant aux développeurs d'interagir facilement avec plusieurs fournisseurs de services LLM et bases de données vectorielles.
Les caractéristiques clés de Rig incluent :
Interface unifiée
Architecture modulaire
Sécurité de type
Performance efficace
Le flux de travail de Rig est le suivant : la demande de l'utilisateur passe d'abord par la "couche d'abstraction des fournisseurs", puis dans la couche centrale, l'agent intelligent appelle divers outils ou interroge le stockage vectoriel pour obtenir des informations. Enfin, grâce à des mécanismes tels que la génération augmentée par recherche (RAG), le système génère des réponses précises et significatives qu'il renvoie à l'utilisateur.
Rig est conçu pour construire des systèmes de réponse aux questions, des outils de recherche de documents, des chatbots ou assistants virtuels dotés de capacités de perception contextuelle, et même pour soutenir la création de contenu.
1.4 ZerePy
ZerePy est un framework open source basé sur Python, conçu pour simplifier le processus de déploiement et de gestion des agents AI sur la plateforme X (anciennement Twitter). Il hérite des fonctionnalités principales du projet Zerebro, mais adopte un design plus modulaire et extensible.
ZerePy offre une interface en ligne de commande (CLI) qui permet aux utilisateurs de gérer et de contrôler le déploiement de l'Agent IA. Son architecture principale est basée sur un design modulaire, comprenant :
Intégration LLM
Intégration de la plateforme X
Système de connexion modulaire
Système de mémoire (en plan)
Comparé au projet Eliza d'a16z, ZerePy se concentre davantage sur la simplification du processus de déploiement d'un agent IA sur des plateformes sociales spécifiques (X), en se penchant vers des applications pratiques.
Deuxième, la réplique de l'écosystème BTC
Le chemin de développement des agents IA présente de nombreuses similitudes avec l'écosystème BTC récent. Le développement de l'écosystème BTC peut être résumé comme suit : BRC20 - Concurrence multi-protocoles - BTC L2 - BTCFi centré sur Babylon. En revanche, les agents IA se développent plus rapidement sur la base d'une pile technologique IA traditionnelle mature, et leur chemin peut être résumé comme suit : GOAT/ACT - Concurrence entre les cadres d'agents de type Social et d'agents IA d'analyse.
Malgré les similitudes, il est peu probable que la voie des agents IA devienne homogène et bulleuse comme l'écosystème BTC. Les projets de cadre IA offrent de nouvelles idées pour le développement d'infrastructures, ressemblant davantage à une future chaîne publique, tandis que les agents ressemblent à des Dapp du futur.
Dans l'écosystème actuel des cryptomonnaies, nous avons des milliers de chaînes publiques et des dizaines de milliers de Dapps. Les chaînes générales incluent BTC, Ethereum et diverses chaînes hétérogènes, tandis que les chaînes applicatives sont encore plus diversifiées. Les débats futurs pourraient passer de la lutte entre EVM et chaînes hétérogènes à une lutte entre cadres, la question clé étant comment réaliser la Décentralisation ou "chaînage", ainsi que le sens de développer ces projets sur la blockchain.
Trois, quelle est la signification de la mise en chaîne ?
Lorsqu'il s'agit de combiner la blockchain avec quoi que ce soit, il faut faire face à une question centrale : cette combinaison a-t-elle un sens ? En regardant les succès du DeFi, ses avantages résident dans une accessibilité accrue, une meilleure efficacité et des coûts réduits, ainsi qu'une sécurité sans avoir besoin de faire confiance à une Décentralisation. Sur la base de cette idée, la chaînalisation de l'Agent IA pourrait avoir les raisons suivantes :
Réduire les coûts d'utilisation, améliorer l'accessibilité et le choix, afin que les utilisateurs ordinaires puissent également participer au "droit de location" de l'IA.
Fournir des solutions de sécurité basées sur la blockchain, répondant aux besoins de sécurité lors de l'interaction entre l'Agent et le monde réel ou virtuel.
Créer un modèle financier blockchain unique, permettant aux utilisateurs ordinaires de participer à l'automatisation de la création de marché ou d'investir dans les ressources nécessaires telles que la puissance de calcul et le marquage des données pour les Agents.
Réaliser un processus de raisonnement transparent et traçable peut être plus attrayant que le navigateur agent proposé par les géants de l'internet traditionnel.
Quatre, les nouvelles opportunités de l'économie créative
Les projets de type cadre pourraient offrir à l'avenir des opportunités entrepreneuriales similaires à celles de GPT Store. Bien que la publication d'Agent via un cadre soit encore complexe pour les utilisateurs ordinaires, simplifier le processus de construction d'Agent et fournir un cadre de combinaisons de fonctionnalités complexes pourrait très bien dominer à l'avenir. Cela formera une économie créative Web3 plus intéressante que GPT Store.
Contrairement à l'actuel GPT Store principalement dominé par des entreprises traditionnelles Web2, l'économie créative de l'IA dans le domaine Web3 pourrait être plus équitable et introduire une économie communautaire pour améliorer les Agents. Cela offrira des opportunités de participation aux gens ordinaires, les futurs projets AI Meme pourraient être plus intelligents et plus intéressants que les Agents existants.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Déconstruction du cadre d'IA : de l'agent intelligent au plan futur décentralisé
Déconstruction du cadre IA : de l'agent intelligent à l'exploration de la Décentralisation
Introduction
La vitesse de développement de la filière des agents IA est impressionnante. Depuis que le "terminal de vérité" a déclenché la frénésie des agents, le récit de la combinaison de l'IA et des cryptomonnaies a presque chaque semaine de nouvelles évolutions. Récemment, l'attention du marché s'est tournée vers des projets de "type cadre" dominés par le récit technologique. Ce sous-secteur a vu émerger plusieurs projets noirs valant plus d'un milliard, voire plus de dix milliards, en l'espace de quelques semaines.
Ce type de projet a donné naissance à un nouveau modèle d'émission d'actifs : émettre des tokens à partir de dépôts de code GitHub, et les Agents développés sur la base de ce cadre peuvent également émettre des tokens. Ce modèle "cadre en bas, Agent en haut", bien qu'il ressemble à première vue à une plateforme d'émission d'actifs, est en réalité un modèle d'infrastructure propre à l'ère de l'IA. Cet article commencera par un aperçu du cadre et explorera l'impact profond des cadres d'IA sur le domaine des cryptomonnaies.
I. Qu'est-ce qu'un cadre ?
Le cadre IA est un ensemble d'outils ou de plateformes de développement de base intégrant des modules préconstruits, des bibliothèques et des outils, simplifiant le processus de construction de modèles IA complexes. On peut le comprendre comme le système d'exploitation de l'ère IA, comme Windows et Linux sur ordinateur de bureau, ou iOS et Android sur mobile. Chaque cadre a ses caractéristiques, et les développeurs peuvent choisir librement en fonction de leurs besoins.
Bien que le "cadre AI" soit un concept émergent dans le domaine des cryptomonnaies, son parcours de développement dure depuis près de 14 ans. Dans le domaine de l'IA traditionnelle, il existe déjà plusieurs cadres matures disponibles, tels que TensorFlow de Google et PyTorch de Meta.
Les projets de cadre émergents dans le domaine des cryptomonnaies sont principalement conçus pour répondre à la demande massive d'Agents engendrée par la frénésie de l'IA, et s'étendent progressivement à d'autres secteurs pour former différents cadres d'IA dans des domaines spécifiques. Voici une introduction à quelques cadres principaux :
1.1 Eliza
Eliza est un cadre de simulation multi-agent, spécialement conçu pour créer, déployer et gérer des agents AI autonomes. Développé en TypeScript, il offre une bonne compatibilité et des capacités d'intégration API.
Eliza est principalement axé sur les scénarios de médias sociaux, prenant en charge l'intégration multi-plateforme, y compris Discord, X/Twitter, Telegram, etc. En ce qui concerne le traitement du contenu multimédia, il prend en charge l'analyse de documents PDF, l'extraction de contenu de liens, la transcription audio, le traitement vidéo, l'analyse d'images, etc.
Eliza prend actuellement en charge quatre types principaux d'utilisation :
En ce qui concerne le support des modèles, Eliza peut utiliser des modèles open source pour l'inférence locale et prend également en charge l'utilisation de services d'inférence cloud via API.
1.2 G.A.M.E
G.A.M.E (Framework d'Entités Multimodales Autonomes Génératives) est un cadre d'IA multimodale génératif et de gestion lancé par Virtual, visant principalement la conception de NPC intelligents dans les jeux. La caractéristique de ce cadre est que les utilisateurs sans formation en programmation peuvent l'utiliser, il suffit de modifier les paramètres pour participer à la conception des Agents.
La conception centrale de G.A.M.E adopte une architecture modulaire avec plusieurs sous-systèmes travaillant en collaboration, y compris une interface de suggestion d'agent, un sous-système de perception, un moteur de planification stratégique, un contexte mondial, un module de traitement des dialogues, et d'autres composants.
Le flux de travail de ce cadre est le suivant : le développeur lance l'Agent via l'interface de prompt de l'Agent, le sous-système de perception reçoit les entrées et les transmet au moteur de planification stratégique. Le moteur de planification stratégique élabore et exécute un plan d'action en utilisant divers systèmes et informations. Le module d'apprentissage surveille en continu les résultats des actions de l'Agent et ajuste son comportement en conséquence.
En plus du domaine du jeu, le cadre G.A.M.E est également applicable aux scénarios de métavers, plusieurs projets ayant déjà adopté ce cadre pour leur développement.
1.3 Rig
Rig est un outil open source écrit en Rust, conçu pour simplifier le développement d'applications de modèles de langage de grande taille (LLM). Il fournit une interface opérationnelle unifiée, permettant aux développeurs d'interagir facilement avec plusieurs fournisseurs de services LLM et bases de données vectorielles.
Les caractéristiques clés de Rig incluent :
Le flux de travail de Rig est le suivant : la demande de l'utilisateur passe d'abord par la "couche d'abstraction des fournisseurs", puis dans la couche centrale, l'agent intelligent appelle divers outils ou interroge le stockage vectoriel pour obtenir des informations. Enfin, grâce à des mécanismes tels que la génération augmentée par recherche (RAG), le système génère des réponses précises et significatives qu'il renvoie à l'utilisateur.
Rig est conçu pour construire des systèmes de réponse aux questions, des outils de recherche de documents, des chatbots ou assistants virtuels dotés de capacités de perception contextuelle, et même pour soutenir la création de contenu.
1.4 ZerePy
ZerePy est un framework open source basé sur Python, conçu pour simplifier le processus de déploiement et de gestion des agents AI sur la plateforme X (anciennement Twitter). Il hérite des fonctionnalités principales du projet Zerebro, mais adopte un design plus modulaire et extensible.
ZerePy offre une interface en ligne de commande (CLI) qui permet aux utilisateurs de gérer et de contrôler le déploiement de l'Agent IA. Son architecture principale est basée sur un design modulaire, comprenant :
Comparé au projet Eliza d'a16z, ZerePy se concentre davantage sur la simplification du processus de déploiement d'un agent IA sur des plateformes sociales spécifiques (X), en se penchant vers des applications pratiques.
Deuxième, la réplique de l'écosystème BTC
Le chemin de développement des agents IA présente de nombreuses similitudes avec l'écosystème BTC récent. Le développement de l'écosystème BTC peut être résumé comme suit : BRC20 - Concurrence multi-protocoles - BTC L2 - BTCFi centré sur Babylon. En revanche, les agents IA se développent plus rapidement sur la base d'une pile technologique IA traditionnelle mature, et leur chemin peut être résumé comme suit : GOAT/ACT - Concurrence entre les cadres d'agents de type Social et d'agents IA d'analyse.
Malgré les similitudes, il est peu probable que la voie des agents IA devienne homogène et bulleuse comme l'écosystème BTC. Les projets de cadre IA offrent de nouvelles idées pour le développement d'infrastructures, ressemblant davantage à une future chaîne publique, tandis que les agents ressemblent à des Dapp du futur.
Dans l'écosystème actuel des cryptomonnaies, nous avons des milliers de chaînes publiques et des dizaines de milliers de Dapps. Les chaînes générales incluent BTC, Ethereum et diverses chaînes hétérogènes, tandis que les chaînes applicatives sont encore plus diversifiées. Les débats futurs pourraient passer de la lutte entre EVM et chaînes hétérogènes à une lutte entre cadres, la question clé étant comment réaliser la Décentralisation ou "chaînage", ainsi que le sens de développer ces projets sur la blockchain.
Trois, quelle est la signification de la mise en chaîne ?
Lorsqu'il s'agit de combiner la blockchain avec quoi que ce soit, il faut faire face à une question centrale : cette combinaison a-t-elle un sens ? En regardant les succès du DeFi, ses avantages résident dans une accessibilité accrue, une meilleure efficacité et des coûts réduits, ainsi qu'une sécurité sans avoir besoin de faire confiance à une Décentralisation. Sur la base de cette idée, la chaînalisation de l'Agent IA pourrait avoir les raisons suivantes :
Réduire les coûts d'utilisation, améliorer l'accessibilité et le choix, afin que les utilisateurs ordinaires puissent également participer au "droit de location" de l'IA.
Fournir des solutions de sécurité basées sur la blockchain, répondant aux besoins de sécurité lors de l'interaction entre l'Agent et le monde réel ou virtuel.
Créer un modèle financier blockchain unique, permettant aux utilisateurs ordinaires de participer à l'automatisation de la création de marché ou d'investir dans les ressources nécessaires telles que la puissance de calcul et le marquage des données pour les Agents.
Réaliser un processus de raisonnement transparent et traçable peut être plus attrayant que le navigateur agent proposé par les géants de l'internet traditionnel.
Quatre, les nouvelles opportunités de l'économie créative
Les projets de type cadre pourraient offrir à l'avenir des opportunités entrepreneuriales similaires à celles de GPT Store. Bien que la publication d'Agent via un cadre soit encore complexe pour les utilisateurs ordinaires, simplifier le processus de construction d'Agent et fournir un cadre de combinaisons de fonctionnalités complexes pourrait très bien dominer à l'avenir. Cela formera une économie créative Web3 plus intéressante que GPT Store.
Contrairement à l'actuel GPT Store principalement dominé par des entreprises traditionnelles Web2, l'économie créative de l'IA dans le domaine Web3 pourrait être plus équitable et introduire une économie communautaire pour améliorer les Agents. Cela offrira des opportunités de participation aux gens ordinaires, les futurs projets AI Meme pourraient être plus intelligents et plus intéressants que les Agents existants.