ผู้แต่ง: Deep Value Memetics แปลโดย Golden Finance xiaozou
ในบทความนี้เราจะสำรวจอนาคตของกรอบ Crypto X AI เราจะมุ่งเน้นไปที่กรอบหลักสี่กรอบในปัจจุบัน (ELIZA, GAME, ARC, ZEREPY) และความแตกต่างทางเทคนิคของแต่ละกรอบ
1、บทนำ
เราได้ทำการศึกษาและทดสอบสี่กรอบงาน Crypto X AI หลัก ได้แก่ ELIZA, GAME, ARC, ZEREPY ในช่วงสัปดาห์ที่ผ่านมา โดยสรุปผลได้ดังนี้.
เรามั่นใจว่า AI16Z จะยังคงครองตลาดต่อไป ค่าของ Eliza (ส่วนแบ่งการตลาดประมาณ 60% มูลค่าตลาดเกิน 1 พันล้านดอลลาร์) มาจากข้อได้เปรียบเชิงพาณิชย์ในช่วงแรก (Lindy Effect) และการที่มีนักพัฒนาที่ใช้เพิ่มขึ้นเรื่อยๆ ข้อมูลเช่น 193 ผู้มีส่วนร่วม, 1800 ฟอร์ก และมากกว่า 6000 ดาว เป็นการพิสูจน์ว่า Eliza เป็นหนึ่งในโค้ดรีโปที่ได้รับความนิยมสูงสุดใน Github.
จนถึงปัจจุบัน การพัฒนา GAME (มีส่วนแบ่งการตลาดประมาณ 20% มูลค่าตลาดประมาณ 300 ล้านดอลลาร์) เป็นไปอย่างราบรื่น กำลังได้รับการนำไปใช้ที่รวดเร็ว ดังที่ VIRTUAL เพิ่งประกาศว่า แพลตฟอร์มนี้มีโครงการมากกว่า 200 โครงการ จำนวนการร้องขอต่อวัน 150,000 และอัตราการเติบโตต่อสัปดาห์ 200% GAME จะยังคงได้รับประโยชน์จากการเติบโตของ VIRTUAL และจะกลายเป็นหนึ่งในผู้ชนะที่ใหญ่ที่สุดในระบบนิเวศของมัน.
Rig（ARC，占ตลาดประมาณ 15%，มูลค่าตลาดประมาณ 1.6 พันล้านเหรียญสหรัฐ）น่าสนใจเป็นอย่างมาก เนื่องจากการออกแบบที่เป็นโมดูลทำให้ใช้งานง่าย และสามารถเป็น “pure-play” ในระบบนิเวศของ Solana (RUST) ได้อย่างมีอำนาจ.
Zerepy (ส่วนแบ่งการตลาดประมาณ 5%, มูลค่าตลาดประมาณ 300 ล้านดอลลาร์) เป็นแอปพลิเคชันที่ค่อนข้างเฉพาะกลุ่มซึ่งมุ่งเป้าไปที่ชุมชน ZEREBRO ที่กระตือรือร้น ซึ่งเมื่อไม่นี้ได้ร่วมมือกับชุมชน ai16z อาจเกิดผลพลอยได้ที่ดีขึ้น.
เราสังเกตว่า การคำนวณส่วนแบ่งตลาดของเราครอบคลุมถึงมูลค่าตลาด, บันทึกการพัฒนา และตลาดระบบปฏิบัติการพื้นฐาน
เราเชื่อว่าในวัฏจักรตลาดนี้ ตลาดย่อยของเฟรมเวิร์กจะเป็นพื้นที่ที่เติบโตเร็วที่สุด มูลค่าตลาดรวม 1.7 พันล้านดอลลาร์อาจเติบโตได้อย่างง่ายดายถึง 20 พันล้านดอลลาร์ ซึ่งยังคงถือว่าค่อนข้างอนุรักษ์นิยมเมื่อเปรียบเทียบกับมูลค่าสูงสุดของ L1 ในปี 2021 เมื่อหลาย L1 มีมูลค่ามากกว่า 20 พันล้านดอลลาร์ แม้ว่าเฟรมเวิร์กเหล่านี้จะให้บริการตลาดปลายทางที่แตกต่างกัน (เช่น เครือข่าย/ระบบนิเวศ) แต่เนื่องจากเราเชื่อว่าเขตนี้กำลังอยู่ในแนวโน้มที่เพิ่มขึ้น วิธีการถ่วงน้ำหนักตามมูลค่าตลาดอาจเป็นวิธีที่ระมัดระวังที่สุด
2、สี่กรอบใหญ่
ในตารางด้านล่างนี้ เราได้ระบุเทคโนโลยีหลัก ส่วนประกอบ และข้อได้เปรียบของแต่ละกรอบงานหลักไว้
! 9QWj2COuwGQYXBstk6MThoHfphrEq4UXz95DfgzC.png
（1）ภาพรวมของกรอบงาน
ในสาขาที่มีการตัดกันระหว่าง AI X Crypto มีกรอบงานหลายอย่างที่ช่วยส่งเสริมการพัฒนา AI ซึ่งได้แก่ ELIZA ของ AI16Z, RIG ของ ARC, ZEREBRO ของ ZEREPY และ VIRTUAL ของ GAME กรอบงานแต่ละอันตอบสนองความต้องการและแนวคิดที่แตกต่างกันในกระบวนการพัฒนาเอเจนต์ AI ตั้งแต่โครงการชุมชนโอเพนซอร์สไปจนถึงโซลูชันระดับองค์กรที่มุ่งเน้นประสิทธิภาพ
บทความนี้จะเริ่มต้นด้วยการแนะนำเฟรมเวิร์ก ว่ามันคืออะไร ใช้ภาษาโปรแกรมอะไร สถาปัตยกรรมเทคโนโลยี อัลกอริธึม และมีฟังก์ชันเฉพาะอะไรบ้าง รวมถึงกรณีการใช้งานที่เป็นไปได้สำหรับเฟรมเวิร์ก จากนั้นเราจะเปรียบเทียบเฟรมเวิร์กแต่ละตัวในด้านความสามารถในการใช้งาน ความสามารถในการขยายตัว ความสามารถในการปรับตัว และประสิทธิภาพ เพื่อสำรวจข้อดีและข้อจำกัดของแต่ละตัว.
ELIZA (พัฒนาโดย ai16z)
Eliza เป็นกรอบการจำลองหลายตัวแทนแบบโอเพ่นซอร์สที่ออกแบบมาเพื่อสร้าง ติดตั้ง และจัดการตัวแทน AI อิสระ โดยพัฒนาด้วยภาษาโปรแกรม TypeScript ซึ่งให้แพลตฟอร์มที่ยืดหยุ่นและขยายได้สำหรับการสร้างตัวแทนอัจฉริยะที่สามารถมีปฏิสัมพันธ์กับมนุษย์ในหลายแพลตฟอร์ม และรักษาเอกลักษณ์และความรู้ที่สอดคล้องกัน
ฟังก์ชันหลักของกรอบงานนี้รวมถึงสถาปัตยกรรมหลายตัวแทนที่สนับสนุนการปรับใช้และจัดการบุคลิกภาพ AI ที่ไม่ซ้ำกันหลายตัวพร้อมกัน รวมถึงระบบบทบาทที่สร้างตัวแทนต่างๆ โดยใช้กรอบไฟล์บทบาท และฟังก์ชันการจัดการหน่วยความจำที่มีการรับรู้บริบทและหน่วยความจำระยะยาวผ่านระบบการสร้างที่เพิ่มขึ้นด้วยการค้นหาขั้นสูง (RAG) นอกจากนี้ กรอบงาน Eliza ยังมีการรวมแพลตฟอร์มที่ราบรื่น ซึ่งสามารถเชื่อมต่อกับ Discord, X และแพลตฟอร์มโซเชียลมีเดียอื่นๆ ได้อย่างเชื่อถือได้
จากมุมมองของฟังก์ชันการสื่อสารและสื่อของ AI ตัวแทน Eliza เป็นตัวเลือกที่ยอดเยี่ยม ในด้านการสื่อสาร โครงสร้างนี้รองรับการเข้าถึงฟังก์ชันช่องเสียงของ Discord, ฟังก์ชัน X, Telegram และการเข้าถึง API โดยตรงสำหรับกรณีการใช้งานที่ปรับแต่งได้ ในทางกลับกัน ฟังก์ชันการประมวลผลสื่อของโครงสร้างนี้สามารถขยายไปยังการอ่านและวิเคราะห์เอกสาร PDF การดึงเนื้อหาลิงก์และการสรุป การถอดเสียงเสียง การประมวลผลเนื้อหาวิดีโอ การวิเคราะห์ภาพและการสรุปการสนทนา ซึ่งสามารถจัดการกับการป้อนข้อมูลและการส่งออกสื่อประเภทต่างๆ ได้อย่างมีประสิทธิภาพ
กรอบ Eliza รองรับโมเดล AI ที่ยืดหยุ่นผ่านการอนุมานในท้องถิ่นจากโมเดลโอเพ่นซอร์ส การอนุมานจากคลาวด์ของ OpenAI และการตั้งค่าเริ่มต้น (เช่น Nous Hermes Llama 3.1B) รวมถึงการสนับสนุนการจัดการงานที่ซับซ้อนด้วย Claude Eliza ใช้สถาปัตยกรรมแบบโมดูลาร์ มีการสนับสนุนระบบปฏิบัติการที่หลากหลาย การสนับสนุนลูกค้าแบบกำหนดเอง และ API ที่ครบครัน เพื่อให้แน่ใจว่ามีความสามารถในการขยายตัวและปรับตัวระหว่างแอปพลิเคชันต่างๆ
กรณีการใช้งานของ Eliza ข้ามหลายสาขา เช่น: ผู้ช่วย AI สำหรับการสนับสนุนลูกค้า การตรวจสอบชุมชน และงานส่วนบุคคล รวมถึงผู้สร้างเนื้อหา ผู้ช่วยโต้ตอบ และตัวแทนแบรนด์ในบทบาทโซเชียลมีเดีย นอกจากนี้ยังสามารถทำหน้าที่เป็นผู้ทำงานด้านความรู้ โดยทำหน้าที่เป็นผู้ช่วยวิจัย นักวิเคราะห์เนื้อหา และผู้ประมวลผลเอกสาร รวมถึงสนับสนุนบทบาทการโต้ตอบต่าง ๆ เช่น หุ่นยนต์แสดงบทบาท ผู้สอนทางการศึกษา และตัวแทนขาย.
สถาปัตยกรรมของ Eliza สร้างขึ้นรอบ ๆ ตัวประมวลผลตัวแทน (agent runtime) ซึ่งรวมเข้ากับระบบบทบาท (สนับสนุนโดยผู้ให้บริการโมเดล) ผู้จัดการหน่วยความจำ (เชื่อมต่อกับฐานข้อมูล) และระบบปฏิบัติการ (เชื่อมโยงกับแพลตฟอร์มลูกค้า) อย่างราบรื่น ฟีเจอร์ที่โดดเด่นของเฟรมเวิร์กนี้รวมถึงระบบปลั๊กอินที่สนับสนุนการขยายฟังก์ชันแบบโมดูลาร์ รองรับการโต้ตอบแบบหลายโหมดเช่นเสียง ข้อความ และสื่อ และเข้ากันได้กับโมเดล AI ชั้นนำ (เช่น Llama, GPT-4 และ Claude) ด้วยการออกแบบที่หลากหลายและทรงพลัง Eliza จึงโดดเด่นในฐานะเครื่องมือที่ทรงพลังในการพัฒนาแอปพลิเคชัน AI ข้ามสาขา.
G.A.M.E (พัฒนาโดย Virtuals Protocol)
กรอบการทำงานของเอนทิตีหลายโหมดที่เป็นอิสระแบบสร้างสรรค์ (G.A.M.E) มีจุดมุ่งหมายเพื่อให้การเข้าถึง API และ SDK แก่นักพัฒนาสำหรับการทดลอง AI ตัวแทน กรอบการทำงานนี้นำเสนอวิธีการที่มีโครงสร้างในการจัดการพฤติกรรม การตัดสินใจ และกระบวนการเรียนรู้ของ AI ตัวแทน
ส่วนประกอบหลักมีดังนี้: ก่อนอื่น อินเทอร์เฟซการเสนอแนะของตัวแทน (Agent Prompting Interface) เป็นจุดเริ่มต้นที่นักพัฒนาสามารถเข้าถึงพฤติกรรมของตัวแทนโดยการรวม GAME ลงในตัวแทน ระบบการรับรู้ (Perception Subsystem) เริ่มเซสชันโดยการระบุหมายเลขเซสชัน หมายเลขตัวแทน ผู้ใช้ และพารามิเตอร์อื่น ๆ ที่เกี่ยวข้อง
มันจะแปลงข้อมูลที่เข้ามาให้เป็นรูปแบบที่เหมาะสมกับเครื่องยนต์วางแผนกลยุทธ์ (Strategic Planning Engine) ทำหน้าที่เป็นกลไกการป้อนข้อมูลของ AI เอเจนต์ ไม่ว่าจะเป็นในรูปแบบของการสนทนาหรือการตอบสนอง แกนหลักคือโมดูลการจัดการการสนทนา ซึ่งใช้ในการจัดการข้อความและการตอบสนองจากเอเจนต์ และทำงานร่วมกับระบบการรับรู้เพื่อการตีความและตอบสนองต่อข้อมูลอย่างมีประสิทธิภาพ.
เครื่องยนต์วางแผนกลยุทธ์ทำงานร่วมกับโมดูลการประมวลผลการสนทนาและผู้ดำเนินการกระเป๋าเงินบนบล็อกเชนเพื่อสร้างการตอบสนองและแผนงาน ฟังก์ชันของเครื่องยนต์นี้มีสองระดับ: ในฐานะที่เป็นผู้วางแผนระดับสูง สร้างกลยุทธ์ที่กว้างขวางตามบริบทหรือเป้าหมาย; ในฐานะที่เป็นกลยุทธ์ระดับต่ำ แปลงกลยุทธ์เหล่านี้ให้เป็นกลยุทธ์ที่ปฏิบัติได้ ซึ่งจะถูกแบ่งออกเป็นผู้วางแผนการดำเนินการสำหรับงานที่กำหนดและผู้ดำเนินการแผนสำหรับการดำเนินการงาน.
อีกหนึ่งส่วนประกอบที่สำคัญแต่แยกต่างหากคือ World Context (บริบทโลก) ซึ่งอ้างอิงถึงสภาพแวดล้อม ข้อมูลทั่วโลก และสถานะของเกม เพื่อให้บริบทที่จำเป็นสำหรับการตัดสินใจของเอเจนต์ นอกจากนี้ Agent Repository (ที่เก็บเอเจนต์) ใช้สำหรับจัดเก็บคุณสมบัติระยะยาว เช่น เป้าหมาย การสะท้อนประสบการณ์ และบุคลิกภาพ ซึ่งทั้งหมดนี้มีส่วนร่วมในการกำหนดพฤติกรรมและกระบวนการตัดสินใจของเอเจนต์.
กรอบงานนี้ใช้หน่วยความจำระยะสั้นและหน่วยความจำระยะยาวในการประมวลผล หน่วยความจำระยะสั้นจะเก็บข้อมูลเกี่ยวกับพฤติกรรม ผลลัพธ์ และข้อมูลที่เกี่ยวข้องกับแผนปัจจุบันที่ผ่านมาของมัน ในขณะที่หน่วยความจำระยะยาวจะดึงข้อมูลที่สำคัญตามเกณฑ์ต่าง ๆ เช่น ความสำคัญ ความใกล้ชิด และความเกี่ยวข้อง หน่วยความจำระยะยาวเก็บประสบการณ์ การสะท้อน การสร้างบุคลิกภาพแบบพลศาสตร์ บริบทโลก และความรู้เกี่ยวกับหน่วยความจำในการทำงาน เพื่อเสริมสร้างการตัดสินใจและให้ฐานการเรียนรู้
โมดูลการเรียนรู้ใช้ข้อมูลจากระบบการรับรู้ในการสร้างความรู้ทั่วไป ซึ่งความรู้เหล่านี้จะถูกส่งกลับไปยังระบบเพื่อปรับปรุงการโต้ตอบในอนาคต นักพัฒนาสามารถป้อนข้อมูลเกี่ยวกับการกระทำ สถานะเกม และข้อมูลความรู้สึกผ่านทางอินเตอร์เฟส เพื่อเสริมสร้างความสามารถในการเรียนรู้ของ AI เอเจนต์ และเพิ่มขีดความสามารถในการวางแผนและการตัดสินใจของมัน.
กระบวนการทำงานเริ่มต้นจากนักพัฒนาที่มีปฏิสัมพันธ์ผ่านหน้าต่างตัวแทน ข้อมูลที่ป้อนจะถูกประมวลผลโดยระบบรับรู้และส่งต่อไปยังโมดูลการจัดการการสนทนา โมดูลการจัดการการสนทนาจะรับผิดชอบในการจัดการตรรกะของการปฏิสัมพันธ์ จากนั้นเครื่องยนต์การวางแผนเชิงกลยุทธ์จะกำหนดและดำเนินการตามแผนโดยอิงจากข้อมูลเหล่านี้ โดยใช้กลยุทธ์ที่มีระดับสูงและแผนปฏิบัติการที่มีรายละเอียด
ข้อมูลจากบริบททั่วโลกและคลังเก็บตัวแทนจะแจ้งข้อมูลเหล่านี้ไปยังกระบวนการ ในขณะที่หน่วยความจำทำงานติดตามงานทันที ในขณะเดียวกันโปรเซสเซอร์หน่วยความจำระยะยาวจะเก็บและเรียกคืนความรู้ระยะยาว โมดูลการเรียนรู้วิเคราะห์ผลลัพธ์และรวมความรู้ใหม่เข้ากับระบบ ทำให้พฤติกรรมและการโต้ตอบของตัวแทนสามารถปรับปรุงได้อย่างต่อเนื่อง.
RIG (พัฒนาโดย ARC)
Rig เป็นกรอบงาน Rust แบบโอเพนซอร์ส ที่มีจุดมุ่งหมายเพื่อทำให้การพัฒนาแอปพลิเคชันของโมเดลภาษาขนาดใหญ่เป็นเรื่องง่ายขึ้น มันให้การเชื่อมต่อที่เป็นหนึ่งเดียวกับผู้ให้บริการ LLM หลายราย (เช่น OpenAI และ Anthropic) และรองรับการจัดเก็บเวกเตอร์ที่หลากหลาย รวมถึง MongoDB และ Neo4j ความโดดเด่นของสถาปัตยกรรมแบบโมดูลาร์ของกรอบงานนี้อยู่ที่ส่วนประกอบหลัก เช่น เลเยอร์การทำให้เป็นนามธรรมของผู้ให้บริการ (Provider Abstraction Layer) การรวมการจัดเก็บเวกเตอร์ และระบบตัวแทน เพื่ออำนวยความสะดวกในการโต้ตอบกับ LLM อย่างไร้รอยต่อ.
กลุ่มเป้าหมายหลักของ Rig รวมถึงนักพัฒนาที่ใช้ Rust ในการสร้างแอปพลิเคชัน AI/ML และกลุ่มองค์กรที่ต้องการรวมผู้ให้บริการ LLM หลายรายและการจัดเก็บเวกเตอร์เข้าในแอปพลิเคชัน Rust ของตน โครงการใช้สถาปัตยกรรมการทำงานร่วมกัน โดยมีหลาย crate ที่สนับสนุนความสามารถในการขยายและการจัดการโครงการที่มีประสิทธิภาพ คุณสมบัติหลักมีชั้นนามธรรมของผู้ให้บริการ ซึ่งให้การมาตรฐานสำหรับการทำงานและการฝัง API ระหว่างผู้ให้บริการ LLM ที่แตกต่างกัน โดยมีการจัดการข้อผิดพลาดที่สอดคล้องกัน ส่วนประกอบการรวมการจัดเก็บเวกเตอร์ (Vector Store Integration) มีอินเทอร์เฟซนามธรรมสำหรับหลายแบ็กเอนด์และสนับสนุนการค้นหาความคล้ายคลึงกันของเวกเตอร์ ระบบตัวแทนช่วยทำให้การโต้ตอบกับ LLM ง่ายขึ้น สนับสนุนการสร้างที่เพิ่มขึ้นจากการค้นหา (RAG) และการรวมเครื่องมือ นอกจากนี้ แพลตฟอร์มการฝังยังมีฟังก์ชันการประมวลผลแบบแบตช์และการดำเนินการฝังที่มีความปลอดภัยแบบประเภท (type safety)
Rig ใช้ประโยชน์จากเทคโนโลยีหลายอย่างเพื่อรับประกันความเชื่อถือได้และประสิทธิภาพ การดำเนินการแบบอะซิงโครนัสใช้เวลารันไทม์อะซิงโครนัสของ Rust เพื่อจัดการคำขอที่มีการทำงานพร้อมกันจำนวนมากอย่างมีประสิทธิภาพ กลไกการจัดการข้อผิดพลาดที่มีอยู่ในกรอบการทำงานช่วยเพิ่มความสามารถในการฟื้นฟูจากการล้มเหลวของผู้ให้บริการปัญญาประดิษฐ์หรือการดำเนินการฐานข้อมูล ความปลอดภัยของประเภทสามารถป้องกันข้อผิดพลาดในกระบวนการคอมไพล์ ซึ่งช่วยเพิ่มความสามารถในการบำรุงรักษาของโค้ด กระบวนการจัดเรียงและจัดเรียงข้อมูลที่มีประสิทธิภาพรองรับการประมวลผลข้อมูลในรูปแบบต่างๆ เช่น JSON ซึ่งมีความสำคัญต่อการสื่อสารและการจัดเก็บบริการ AI การบันทึกและการตรวจจับที่ละเอียดช่วยในการดีบักและติดตามแอปพลิเคชันได้ต่อไป.
การทำงานของ Rig จะเริ่มขึ้นเมื่อมีการส่งคำขอจากไคลเอนต์ คำขอนี้จะโต้ตอบกับโมเดล LLM ที่เหมาะสมผ่านชั้นนามธรรมของผู้ให้บริการ จากนั้นข้อมูลจะถูกประมวลผลโดยชั้นหลัก ในชั้นหลัก ตัวแทนสามารถใช้เครื่องมือหรือเข้าถึงการจัดเก็บเวกเตอร์ของบริบทได้ คำตอบจะถูกสร้างและปรับแต่งผ่านกระบวนการที่ซับซ้อน (เช่น RAG) ก่อนที่จะส่งกลับไปยังไคลเอนต์ ซึ่งกระบวนการนี้เกี่ยวข้องกับการค้นคืนเอกสารและการทำความเข้าใจบริบท ระบบนี้รวมผู้ให้บริการ LLM หลายรายและการจัดเก็บเวกเตอร์ ซึ่งมีความสามารถในการปรับตัวต่อการอัปเดตความพร้อมใช้งานหรือประสิทธิภาพของโมเดล
กรณีการใช้งานของ Rig นั้นหลากหลาย รวมถึงระบบถาม-ตอบที่ค้นหเอกสารที่เกี่ยวข้องเพื่อให้การตอบสนองที่ถูกต้อง ระบบค้นหาและเรียกคืนเอกสารสำหรับการค้นพบเนื้อหาที่มีประสิทธิภาพ และแชทบ็อตหรือผู้ช่วยเสมือนที่ให้การโต้ตอบที่มีความรู้สึกต่อบริบทสำหรับการบริการลูกค้าหรือการศึกษา นอกจากนี้ยังสนับสนุนการสร้างเนื้อหา รองรับการสร้างข้อความและวัสดุอื่น ๆ ตามรูปแบบการเรียนรู้ ทำให้เป็นเครื่องมือทั่วไปสำหรับนักพัฒนาและองค์กรต่าง ๆ
Zerepy (พัฒนาโดย ZEREPY และ blorm)
ZerePy เป็นโครงสร้างพื้นฐานแบบเปิดซึ่งเขียนด้วยภาษา Python โดยมีวัตถุประสงค์เพื่อใช้ OpenAI หรือ Anthropic LLM ในการปรับใช้ตัวแทนบน X เป็นเวอร์ชันโมดูลาร์ที่มาจากแบ็กเอนด์ของ Zerebro ZerePy อนุญาตให้นักพัฒนาเริ่มต้นตัวแทนซึ่งมีฟังก์ชันหลักที่คล้ายกับ Zerebro แม้ว่าโครงสร้างนี้จะให้พื้นฐานสำหรับการปรับใช้ตัวแทน แต่การปรับแต่งโมเดลเป็นสิ่งจำเป็นเพื่อสร้างผลลัพธ์ที่สร้างสรรค์ ZerePy ทำให้การพัฒนาและปรับใช้ตัวแทน AI ที่ปรับให้เหมาะสมเป็นเรื่องง่าย โดยเฉพาะอย่างยิ่งสำหรับการสร้างเนื้อหาบนแพลตฟอร์มโซเชียล ทำให้เกิดระบบนิเวศสร้างสรรค์ที่ขับเคลื่อนด้วย AI สำหรับศิลปะและแอปพลิเคชันแบบกระจายศูนย์
กรอบงานนี้พัฒนาด้วยภาษาไพธอน เน้นความเป็นอิสระของตัวแทน โดยมุ่งเน้นที่การสร้างผลลัพธ์ที่สร้างสรรค์ ซึ่งสอดคล้องกับโครงสร้างของ ELIZA และความสัมพันธ์กับ ELIZA การออกแบบแบบโมดูลาร์สนับสนุนการรวมระบบหน่วยความจำ และสนับสนุนการปรับใช้ตัวแทนบนแพลตฟอร์มโซเชียล ฟังก์ชันหลักรวมถึงอินเทอร์เฟซบรรทัดคำสั่งสำหรับการจัดการตัวแทน การรวมกับ Twitter การสนับสนุน OpenAI และ Anthropic LLM และระบบเชื่อมต่อแบบโมดูลาร์สำหรับการเพิ่มฟังก์ชัน
กรณีการใช้งานของ ZerePy ครอบคลุมด้านการทำงานอัตโนมัติบนโซเชียลมีเดีย ผู้ใช้สามารถปรับใช้ตัวแทนปัญญาประดิษฐ์เพื่อทำการโพสต์ ตอบกลับ ถูกใจ และแชร์ ซึ่งช่วยเพิ่มการมีส่วนร่วมในแพลตฟอร์ม นอกจากนี้ยังตอบสนองต่อการสร้างเนื้อหาในด้านต่าง ๆ เช่น ดนตรี มีม และ NFT ทำให้เป็นเครื่องมือสำคัญสำหรับศิลปะดิจิทัลและแพลตฟอร์มเนื้อหาที่ใช้บล็อกเชน.
（2）เปรียบเทียบกรอบงานสี่ประการ
ในมุมมองของเรา ทุกกรอบงานมีวิธีการที่เป็นเอกลักษณ์ในการพัฒนา人工智能เพื่อตอบสนองความต้องการและสภาพแวดล้อมที่เฉพาะเจาะจง เราได้เปลี่ยนโฟกัสจากความสัมพันธ์การแข่งขันของกรอบงานเหล่านี้ไปที่เอกลักษณ์เฉพาะของแต่ละกรอบงานแทน
ELIZA โดดเด่นด้วยอินเทอร์เฟซที่เป็นมิตรต่อผู้ใช้ โดยเฉพาะสำหรับนักพัฒนาที่คุ้นเคยกับสภาพแวดล้อม JavaScript และ Node.js เอกสารที่ครอบคลุมช่วยในการตั้งค่าเอเจนต์ปัญญาประดิษฐ์บนแพลตฟอร์มต่างๆ แม้ว่าชุดฟังก์ชันที่กว้างขวางจะอาจนำมาซึ่งเส้นโค้งการเรียนรู้บางอย่าง การพัฒนาโดยใช้ TypeScript ทำให้ Eliza เป็นตัวเลือกที่เหมาะสมในการสร้างเอเจนต์ที่ฝังอยู่ในเว็บ เนื่องจากโครงสร้างพื้นฐานของเว็บส่วนใหญ่พัฒนาขึ้นด้วย TypeScript เฟรมเวิร์กนี้เป็นที่รู้จักในด้านสถาปัตยกรรมหลายเอเจนต์ ซึ่งสามารถปรับใช้บุคลิกภาพปัญญาประดิษฐ์ที่แตกต่างกันบนแพลตฟอร์มต่างๆ เช่น Discord, X และ Telegram ระบบการจัดการหน่วยความจำ RAG ที่ล้ำสมัยทำให้มันมีประสิทธิภาพโดยเฉพาะในผู้ช่วยปัญญาประดิษฐ์ในบริการลูกค้าหรือแอปพลิเคชันโซเชียลมีเดีย แม้ว่ามันจะเสนอความยืดหยุ่น การสนับสนุนจากชุมชนที่แข็งแกร่ง และประสิทธิภาพที่สม่ำเสมอข้ามแพลตฟอร์ม แต่ก็ยังอยู่ในระยะเริ่มต้น ซึ่งอาจทำให้เกิดเส้นโค้งการเรียนรู้สำหรับนักพัฒนา
GAME ถูกออกแบบมาเพื่อพัฒนาเกมโดยเฉพาะ โดยให้บริการ API ที่มีอินเทอร์เฟซที่มีโค้ดต่ำหรือตัวเลือกไม่มีโค้ด เพื่อให้ผู้ที่มีความรู้ทางเทคนิคต่ำในด้านเกมสามารถใช้งานได้ อย่างไรก็ตาม มันมุ่งเน้นไปที่การพัฒนาเกมและการรวมเข้ากับบล็อกเชน ซึ่งอาจทำให้เกิดเส้นโค้งการเรียนรู้ที่ชันสำหรับผู้ที่ไม่มีประสบการณ์ที่เกี่ยวข้อง มันมีความโดดเด่นในด้านการสร้างเนื้อหาของโปรแกรมและพฤติกรรมของ NPC แต่ถูกจำกัดโดยความซับซ้อนที่เพิ่มขึ้นจากการแยกย่อยของมันและการรวมเข้ากับบล็อกเชน.
เนื่องจากการใช้ภาษา Rust ซึ่งมีความซับซ้อน ทำให้ Rig อาจไม่ค่อยเป็นมิตร ซึ่งนำมาซึ่งความท้าทายในการเรียนรู้ที่สำคัญ แต่สำหรับผู้ที่ชำนาญในการเขียนโปรแกรมระบบ มันมีการโต้ตอบที่เข้าใจง่าย ภาษาโปรแกรมนี้มีชื่อเสียงในด้านประสิทธิภาพและความปลอดภัยของหน่วยความจำ (memory safety) เมื่อเปรียบเทียบกับ typescripe มีการตรวจสอบที่เข้มงวดในช่วงเวลาคอมไพล์และการทำงานที่ไม่มีค่าใช้จ่าย ซึ่งจำเป็นต่อการรันอัลกอริธึม AI ที่ซับซ้อน ภาษาเหล่านี้มีประสิทธิภาพสูง และการควบคุมระดับต่ำทำให้เหมาะสำหรับแอปพลิเคชัน AI ที่ต้องใช้ทรัพยากรมาก เฟรมเวิร์กนี้ให้โซลูชันประสิทธิภาพสูงที่มีการออกแบบแบบโมดูลาร์และขยายได้ ทำให้เป็นตัวเลือกที่เหมาะสมสำหรับแอปพลิเคชันในระดับองค์กร อย่างไรก็ตาม สำหรับนักพัฒนาที่ไม่คุ้นเคยกับ Rust การใช้ Rust ย่อมหลีกเลี่ยงไม่ได้ที่จะต้องเผชิญกับเส้นโค้งการเรียนรู้ที่สูงชัน.
ZerePy ใช้ Python เพื่อให้ความสามารถในการใช้งานสูงสำหรับงาน AI เชิงสร้างสรรค์ โดยมีเส้นโค้งการเรียนรู้ที่ต่ำสำหรับนักพัฒนา Python โดยเฉพาะอย่างยิ่งสำหรับนักพัฒนาที่มีพื้นฐาน AI/ML และได้รับประโยชน์จากการสนับสนุนชุมชนที่แข็งแกร่งเนื่องจากชุมชนเข้ารหัสของ Zerebro ZerePy เชี่ยวชาญในแอปพลิเคชัน AI เชิงสร้างสรรค์เช่น NFT โดยวางตำแหน่งตนเองเป็นเครื่องมือที่มีพลังสำหรับสื่อดิจิทัลและศิลปะ แม้ว่ามันจะเติบโตในด้านความคิดสร้างสรรค์ แต่ขอบเขตของมันค่อนข้างแคบเมื่อเปรียบเทียบกับกรอบงานอื่น ๆ
ในด้านความสามารถในการขยายตัว ELIZA ได้ทำความก้าวหน้าอย่างมากในอัปเดต V2 โดยได้แนะนำสายข้อความที่เป็นเอกภาพและกรอบหลักที่สามารถขยายได้ซึ่งสนับสนุนการจัดการที่มีประสิทธิภาพข้ามแพลตฟอร์มหลายแพลตฟอร์ม อย่างไรก็ตาม หากไม่มีการปรับแต่ง การจัดการการโต้ตอบข้ามแพลตฟอร์มนี้อาจก่อให้เกิดความท้าทายด้านความสามารถในการขยายตัว
GAMEมีประสิทธิภาพยอดเยี่ยมในด้านการประมวลผลแบบเรียลไทม์ที่จำเป็นสำหรับเกม ความสามารถในการขยายตัวถูกจัดการผ่านอัลกอริธึมที่มีประสิทธิภาพและระบบบล็อกเชนที่กระจายศูนย์ที่มีศักยภาพ ถึงแม้ว่าอาจจะถูกจำกัดโดยเอนจินเกมหรือเครือข่ายบล็อกเชนที่เฉพาะเจาะจง.
กรอบ Rig ใช้คุณสมบัติการขยายตัวของ Rust โดยออกแบบมาสำหรับแอปพลิเคชันที่มีการรับส่งข้อมูลสูง ซึ่งมีประโยชน์โดยเฉพาะสำหรับการปรับใช้ระดับองค์กร แม้ว่านี่อาจหมายความว่าการทำให้เกิดความสามารถในการขยายตัวอย่างแท้จริงอาจต้องการการตั้งค่าที่ซับซ้อน.
Zerepy ความสามารถในการขยายตัวมุ่งเน้นไปที่การสร้างสรรค์ โดยมีการสนับสนุนจากชุมชน แต่จุดสนใจของมันอาจจำกัดการใช้งานในสภาพแวดล้อมของปัญญาประดิษฐ์ที่กว้างขึ้น ความสามารถในการขยายตัวอาจถูกทดสอบจากความหลากหลายของงานสร้างสรรค์มากกว่าจำนวนผู้ใช้
ในด้านการปรับตัว ELIZA เป็นผู้นำด้วยระบบปลั๊กอินและความเข้ากันได้ข้ามแพลตฟอร์ม เกม GAME ในสภาพแวดล้อมการเล่นเกมก็ยอดเยี่ยมในการจัดการงาน AI ที่ซับซ้อนเช่นกัน ZerePy แสดงให้เห็นถึงความสามารถในการปรับตัวสูงในด้านความคิดสร้างสรรค์ แต่ไม่ค่อยเหมาะสำหรับการใช้งาน AI ที่กว้างขึ้น.
ในด้านประสิทธิภาพ ELIZA ได้รับการปรับให้เหมาะสมสำหรับการโต้ตอบทางสังคมบนสื่อออนไลน์อย่างรวดเร็ว เวลาในการตอบสนองที่รวดเร็วเป็นกุญแจสำคัญ แต่ในการจัดการกับงานคำนวณที่ซับซ้อนมากขึ้น อาจมีประสิทธิภาพที่แตกต่างออกไป.
GAME ที่พัฒนาโดย Virtual Protocol มุ่งเน้นไปที่การโต้ตอบแบบเรียลไทม์ที่มีประสิทธิภาพสูงในฉากเกม โดยใช้กระบวนการตัดสินใจที่มีประสิทธิภาพและบล็อกเชนที่มีศักยภาพในการดำเนินการปัญญาประดิษฐ์แบบกระจายศูนย์.
กรอบ Rig สร้างจากภาษา Rust ซึ่งให้ประสิทธิภาพที่ยอดเยี่ยมสำหรับงานคอมพิวเตอร์ประสิทธิภาพสูง เหมาะสำหรับแอปพลิเคชันธุรกิจที่มีความสำคัญต่อประสิทธิภาพการคำนวณ.
การแสดงผลของ Zerepy ได้รับการปรับแต่งให้เหมาะสมกับการสร้างเนื้อหาสร้างสรรค์ โดยมีมาตรวัดที่มุ่งเน้นที่ประสิทธิภาพและคุณภาพของการสร้างเนื้อหา ซึ่งอาจไม่เป็นที่แพร่หลายมากนักในด้านอื่นๆ ของความคิดสร้างสรรค์.
ข้อดีของ ELIZA คือการให้ความยืดหยุ่นและความสามารถในการขยายตัว โดยผ่านระบบปลั๊กอินและการกำหนดบทบาท ทำให้มีความเข้ากันได้สูง เหมาะสำหรับการโต้ตอบ AI สังคมข้ามแพลตฟอร์ม.
GAME มีฟังก์ชันการโต้ตอบแบบเรียลไทม์ที่ไม่เหมือนใครในเกม โดยการรวมบล็อกเชนเพื่อเสริมสร้างการมีส่วนร่วมของ AI ที่นวัตกรรมใหม่.
ข้อได้เปรียบของ Rig คือประสิทธิภาพและความสามารถในการปรับขนาดสำหรับงานปัญญาประดิษฐ์ขององค์กร โดยมุ่งเน้นไปที่การจัดเตรียมโค้ดโมดูลาร์ที่สะอาดสำหรับสุขภาพของโครงการระยะยาว
Zerepy เชี่ยวชาญในการพัฒนาความคิดสร้างสรรค์ และอยู่ในระดับแนวหน้าของการใช้ปัญญาประดิษฐ์ในศิลปะดิจิทัล โดยมีการสนับสนุนจากรูปแบบการพัฒนาที่ขับเคลื่อนด้วยชุมชนที่มีชีวิตชีวา
ทุกกรอบงานมีข้อจำกัดของตัวเอง ELIZA ยังคงอยู่ในระยะเริ่มต้น มีปัญหาความเสถียรที่อาจเกิดขึ้นและเส้นโค้งการเรียนรู้ของนักพัฒนารายใหม่ เกมที่มีผู้ใช้น้อยอาจจำกัดการใช้งานที่กว้างขึ้น และบล็อกเชนยังเพิ่มความซับซ้อน Rig อาจทำให้ผู้พัฒนาบางคนรู้สึกกลัวด้วยเส้นโค้งการเรียนรู้ที่ชันจาก Rust ในขณะที่ Zerepy อาจจำกัดการใช้งานในด้าน AI อื่น ๆ ด้วยการมุ่งเน้นที่การสร้างสรรค์ในขอบเขตที่แคบ.
（3）บทสรุปการเปรียบเทียบกรอบ
แท่นขุดเจาะ (ARC):
ภาษา: Rust, เน้นความปลอดภัยและประสิทธิภาพ.
กรณีการใช้งาน: ตัวเลือกที่เหมาะสมสำหรับแอปพลิเคชัน AI ในระดับองค์กร เนื่องจากเน้นที่ประสิทธิภาพและความสามารถในการขยายตัว.
ชุมชน: ไม่ค่อยได้รับการขับเคลื่อนจากชุมชน แต่ให้ความสำคัญกับนักพัฒนาทางเทคนิคมากกว่า.
เอลิซ่า (AI16Z):
ภาษา: TypeScript เน้นความยืดหยุ่นของ web3 และการมีส่วนร่วมของชุมชน.
กรณีการใช้งาน: ออกแบบสำหรับการมีปฏิสัมพันธ์ทางสังคม, DAO และการซื้อขาย โดยเน้นเป็นพิเศษที่ระบบตัวแทนหลายตัว.
ชุมชน: ขับเคลื่อนโดยชุมชนอย่างสูง มีการมีส่วนร่วมจาก GitHub อย่างกว้างขวาง.
ZerePy (ZEREBRO):
ภาษา: Python ทำให้สามารถใช้ได้กับฐานนักพัฒนา AI ที่กว้างขึ้น
กรณีการใช้งาน: เหมาะสำหรับการทำงานอัตโนมัติในโซเชียลมีเดียและงานที่ต้องการตัวแทน AI ที่ง่ายขึ้น.
ชุมชน: ค่อนข้างใหม่ แต่คาดว่าจะเติบโตได้ดีเนื่องจากความนิยมของ Python และการสนับสนุนจากผู้สนับสนุน AI16Z.
เกม (เสมือนจริง)：
จุดเน้น: ตัวแทนปัญญาประดิษฐ์ที่เป็นอิสระและปรับตัวได้ ซึ่งสามารถพัฒนาได้ตามการมีปฏิสัมพันธ์ในสภาพแวดล้อมเสมือน.
กรณีการใช้งาน: เหมาะที่สุดสำหรับการเรียนรู้และปรับตัวของเอไอในสถานการณ์ เช่น เกมหรือโลกเสมือน
ชุมชน: ชุมชนที่สร้างสรรค์ แต่ยังอยู่ในระหว่างการกำหนดตำแหน่งของตนในความแข่งขัน.
3、แนวโน้มข้อมูล Star บน Github
! WwLoIpwzEOFhGg9cRuLcUueFqXpxu7HukpuIxOss.png
ภาพด้านบนคือข้อมูลการติดดาว GitHub ตั้งแต่เฟรมเวิร์กเหล่านี้เปิดตัว มาเป็นที่น่าสังเกตว่า การติดดาว GitHub เป็นตัวบ่งชี้ความสนใจของชุมชน ความนิยมของโครงการ และมูลค่าที่รับรู้ของโครงการ.
ELIZA (สายสีแดง) :
เริ่มจากฐานต่ำในเดือนกรกฎาคมและเพิ่มขึ้นจนถึงจำนวนดาวที่เพิ่มขึ้นอย่างมากในช่วงปลายเดือนพฤศจิกายน (ถึง 61,000 ดวง) ซึ่งแสดงให้เห็นว่าสนใจของผู้คนเพิ่มขึ้นอย่างรวดเร็วและดึงดูดความสนใจของนักพัฒนา การเติบโตอย่างก้าวกระโดดนี้แสดงให้เห็นว่า ELIZA ได้รับความนิยมอย่างมากเนื่องจากฟีเจอร์ การอัปเดต และการมีส่วนร่วมของชุมชน ความนิยมของมันสูงกว่าคู่แข่งอื่น ๆ อย่างมาก ซึ่งแสดงให้เห็นว่ามันมีการสนับสนุนจากชุมชนที่แข็งแกร่ง และมีความน่าสนใจหรือการประยุกต์ใช้ที่กว้างขึ้นในชุมชนปัญญาประดิษฐ์.
RIG（สีน้ำเงิน）：
Rig เป็นหนึ่งในสี่กรอบที่มีประวัติศาสตร์ยาวนานที่สุด จำนวนดาวที่มีอยู่ในระดับปานกลางแต่ยังคงเติบโตอย่างต่อเนื่อง ในเดือนถัดไปอาจมีการเพิ่มขึ้นอย่างมาก มันได้ถึง 1700 ดวงดาวแล้ว แต่ยังคงเพิ่มขึ้นอย่างต่อเนื่อง การพัฒนาอย่างต่อเนื่อง การอัปเดต และจำนวนผู้ใช้ที่เพิ่มขึ้นอย่างไม่หยุดยั้งคือสาเหตุที่ทำให้ความสนใจของผู้ใช้เพิ่มขึ้นอย่างต่อเนื่อง นี่อาจสะท้อนให้เห็นว่าผู้ใช้กรอบนี้เป็นกลุ่มเล็กหรือยังคงสะสมชื่อเสียงอยู่
ZEREPY（เส้นสีเหลือง）：
ZerePy เพิ่งเปิดตัวเมื่อไม่กี่วันที่ผ่านมา และมีการสะสมดาวไปแล้ว 181 ดวง สิ่งที่ควรเน้นคือ ZerePy ต้องการการพัฒนามากขึ้นเพื่อเพิ่มการมองเห็นและอัตราการนำไปใช้ ความร่วมมือกับ AI16Z อาจดึงดูดผู้มีส่วนร่วมในการเขียนโค้ดมากขึ้น
GAME（เส้นเขียว）：
จำนวนดาวของโครงการนี้น้อยที่สุด สิ่งที่น่าสังเกตคือกรอบงานนี้สามารถนำไปใช้โดยตรงกับตัวแทนในระบบนิเวศเสมือนผ่าน API ซึ่งทำให้ไม่จำเป็นต้องมีการมองเห็นบน Github อย่างไรก็ตาม กรอบงานนี้เพิ่งเปิดให้ผู้สร้างเมื่อมากกว่าเดือนที่ผ่านมา โดยมีโครงการมากกว่า 200 โครงการที่กำลังใช้ GAME ในการสร้าง
4、กรอบเหตุผลที่มองว่าสูงขึ้น
เวอร์ชัน V2 ของ Eliza จะรวมชุดตัวแทน Coinbase ไว้ด้วย โครงการทั้งหมดที่ใช้ Eliza ในอนาคตจะรองรับ TEE แบบเนทีฟ ทำให้ตัวแทนสามารถทำงานในสภาพแวดล้อมที่ปลอดภัย ฟีเจอร์หนึ่งที่กำลังจะเปิดตัวของ Eliza คือทะเบียนปลั๊กอิน (Plugin Registry) ซึ่งจะช่วยให้นักพัฒนาลงทะเบียนและรวมปลั๊กอินได้อย่างราบรื่น.
นอกจากนี้ Eliza V2 จะรองรับการส่งข้อความข้ามแพลตฟอร์มแบบไม่ระบุตัวตนโดยอัตโนมัติ เอกสารไวท์เปเปอร์ด้านเศรษฐศาสตร์โทเค็นมีกำหนดเปิดตัวในวันที่ 1 มกราคม 2025 และคาดว่าจะมีผลกระทบเชิงบวกต่อโทเค็น AI16Z ที่อยู่ภายใต้กรอบ Eliza แผน AI16Z จะยังคงปรับปรุงการใช้งานของกรอบงานต่อไป และดึงดูดผู้มีความสามารถคุณภาพสูง โดยความพยายามของผู้มีส่วนร่วมหลักได้พิสูจน์แล้วว่ามีความสามารถเช่นนั้น
GAME แพลตฟอร์มมีการรวมแบบไม่มีโค้ดสำหรับตัวแทน ทำให้สามารถใช้ GAME และ ELIZA พร้อมกันในโครงการเดียว โดยแต่ละตัวให้บริการวัตถุประสงค์เฉพาะ วิธีการนี้คาดว่าจะดึงดูดผู้สร้างที่มุ่งเน้นไปที่ตรรกะธุรกิจแทนความซับซ้อนทางเทคนิค แม้ว่าแพลตฟอร์มจะเผยแพร่ต่อสาธารณะเพียง 30 วัน แต่ด้วยความพยายามของทีมในการดึงดูดผู้มีส่วนร่วมมากขึ้น มันได้มีความก้าวหน้าอย่างแท้จริง คาดว่าโครงการทั้งหมดที่เปิดตัวบน VIRTUAL จะใช้ GAME.
Rig ที่มีโทเค็น ARC เป็นตัวแทนมีศักยภาพมหาศาล แม้ว่ากรอบงานของมันจะยังอยู่ในระยะเริ่มต้นของการเติบโต และแผนการส่งเสริมการใช้งานโครงการก็เพิ่งเริ่มต้นขึ้นไม่กี่วันเท่านั้น แต่คาดว่าโครงการคุณภาพสูงที่นำ ARC ไปใช้งานจะเกิดขึ้นในไม่ช้า คล้ายกับ Virtual Flywheel แต่เน้นที่ Solana ทีมงานมีทัศนคติเชิงบวกต่อความร่วมมือกับ Solana และเปรียบเทียบความสัมพันธ์ระหว่าง ARC กับ Solana ว่าเหมือนกับ Virtual กับ Base ควรสังเกตว่าทีมงานไม่เพียงแค่สนับสนุนให้โครงการใหม่ใช้ Rig ในการเริ่มต้น แต่ยังสนับสนุนให้นักพัฒนาปรับปรุงกรอบงาน Rig เองด้วย.
Zerepyเป็นกรอบงานใหม่ที่เพิ่งเปิดตัว ซึ่งกำลังได้รับความสนใจมากขึ้นเรื่อยๆ เนื่องจากความสัมพันธ์ในการร่วมมือกับEliza กรอบงานนี้ดึงดูดผู้มีส่วนร่วมจากEliza ที่กำลังปรับปรุงมันอย่างกระตือรือร้น ด้วยการสนับสนุนจากแฟนๆของZEREBRO มันมีผู้ติดตามที่กระตือรือร้น และมอบโอกาสใหม่ๆให้กับนักพัฒนาPython ที่ก่อนหน้านี้ขาดการเป็นตัวแทนในความแข่งขันด้านโครงสร้างพื้นฐานของปัญญาประดิษฐ์ กรอบงานนี้จะมีบทบาทสำคัญในด้านความคิดสร้างสรรค์ของAI.
