Déconstruction du cadre d'IA : de l'agent intelligent à l'exploration de la Décentralisation
Introduction
Le domaine des agents d'IA a récemment connu un développement rapide, avec une attention continue du marché. En seulement deux mois, la narration combinant l'IA et les cryptomonnaies a presque connu des changements chaque semaine. Récemment, les projets de type "framework" dominés par le récit technologique sont devenus le point focal du marché, plusieurs projets ayant une valeur marchande dépassant des millions de dollars, voire des milliards de dollars. Ce type de projet a donné naissance à de nouveaux modèles d'émission d'actifs : émettre des jetons à partir de dépôts de code GitHub et des agents construits sur le framework peuvent à nouveau émettre des jetons. En se basant sur le framework, avec l'agent comme couche d'application, un modèle semblable à une plateforme d'émission d'actifs est en train de se former, représentant en réalité un modèle d'infrastructure propre à l'ère de l'IA. Cet article partira d'une introduction au framework pour explorer l'impact du framework IA sur le domaine des cryptomonnaies.
I. Qu'est-ce qu'un cadre?
Le cadre AI est un outil ou une plateforme de développement sous-jacente, intégrant des modules, des bibliothèques et des outils préconstruits, simplifiant le processus de construction de modèles AI complexes. On peut considérer le cadre comme le système d'exploitation de l'ère AI, comme Windows ou Linux dans les systèmes de bureau, ou iOS et Android sur les appareils mobiles. Chaque cadre a ses avantages et ses inconvénients, les développeurs peuvent choisir en fonction de leurs besoins.
Bien que le "cadre AI" soit un concept émergent dans le domaine des cryptomonnaies, depuis la création de Theano en 2010, les cadres AI existent depuis près de 14 ans. Le domaine traditionnel de l'IA dispose de cadres matures disponibles, tels que TensorFlow de Google, Pytorch de Meta, etc.
Les projets de cadres émergents dans le domaine des cryptomonnaies sont créés en réponse à la forte demande d'Agents sous l'essor de l'IA, et se dérivent vers d'autres secteurs, formant des cadres d'IA dans différents sous-domaines. Voici quelques exemples de cadres principaux :
1.1 Eliza
Eliza est un cadre de simulation multi-agents, utilisé pour créer, déployer et gérer des agents AI autonomes. Développé en TypeScript, il offre une bonne compatibilité et une intégration facile des API.
Principalement axé sur les scénarios de réseaux sociaux, prend en charge l'intégration multi-plateformes, telles que Discord, X/Twitter, Telegram, etc. Prend en charge l'analyse de documents PDF, l'extraction de contenu de liens, le traitement audio et vidéo, l'analyse d'images, etc.
Actuellement, quatre types de cas d'utilisation sont supportés : applications d'assistant AI, rôles de médias sociaux, travailleurs du savoir et rôles interactifs.
Les modèles pris en charge incluent : l'inférence locale de modèles open source ( tels que Llama3, Qwen1.5), l'inférence cloud API OpenAI, la configuration par défaut étant Nous Hermes Llama 3.1B, et une intégration avec Claude pour réaliser des requêtes complexes.
1.2 G.A.M.E
G.A.M.E est un cadre d'IA multimodal généré et géré automatiquement, principalement destiné à la conception de NPC intelligents dans les jeux. Sa caractéristique est que même les utilisateurs à faible code, voire sans code, peuvent l'utiliser, il suffit de modifier les paramètres pour participer à la conception de l'Agent.
La conception centrale est un design modulaire où plusieurs sous-systèmes travaillent en synergie, incluant l'interface de notification Agent, le sous-système de perception, le moteur de planification stratégique, le contexte mondial, le module de traitement de dialogue, et d'autres composants.
Flux de travail : Les développeurs lancent 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 utilise le système de mémoire, le contexte mondial et les informations de la bibliothèque d'Agents pour élaborer et exécuter un plan d'action. Le module d'apprentissage surveille en continu les résultats des actions de l'Agent et ajuste le comportement de l'Agent.
Les cas d'application se concentrent principalement sur la prise de décision, le retour d'information, la perception et la personnalité des agents dans un environnement virtuel, adaptés aux jeux et au métavers.
1.3 Rig
Rig est un outil open source écrit en Rust, simplifiant le développement d'applications de grands modèles de langage (LLM). Il fournit une interface opérationnelle unifiée, facilitant l'interaction avec plusieurs fournisseurs de services LLM et bases de données vectorielles.
Caractéristiques principales :
Interface unifiée
Architecture modulaire
Type sûr
Performance efficace
Flux de travail : les demandes des utilisateurs passent par la couche d'abstraction du fournisseur, l'agent intelligent appelle des outils ou interroge le stockage vectoriel pour obtenir des informations, et génère des réponses via des mécanismes comme la récupération améliorée générative (RAG).
Les cas d'utilisation incluent les systèmes de questions-réponses, les outils de recherche de documents, les chatbots, les assistants virtuels et la création de contenu, etc.
1.4 ZerePy
ZerePy est un framework open source basé sur Python, simplifiant le processus de déploiement et de gestion des agents IA sur la plateforme X. Héritant du projet Zerebro, il est plus modulaire et facile à étendre.
Fournir une interface en ligne de commande (CLI) pour gérer l'Agent AI. L'architecture principale est basée sur un design modulaire, comprenant :
Intégration LLM : prise en charge des modèles OpenAI et Anthropic
Intégration de la plateforme X : intégration directe de l'API de la plateforme X
Système de connexion modulaire : facilite l'ajout de support pour d'autres plateformes ou services
Système de mémoire ( en cours de planification ) : permettre à l'Agent de se souvenir des interactions et des informations contextuelles précédentes.
Par rapport à Eliza, ZerePy se concentre davantage sur la simplification du processus de déploiement d'Agent AI sur la plateforme X, en privilégiant les applications pratiques.
Deuxième, la reproduction de l'écosystème BTC
Le chemin de développement des agents IA est similaire à celui de l'écosystème BTC : GOAT/ACT - Agents de type Social/Agents d'analyse IA - Concurrence des cadres. On s'attend à ce que les projets d'infrastructure axés sur la décentralisation et la sécurité des agents deviennent le thème principal de la prochaine étape.
Le projet de cadre d'IA propose de nouvelles idées de développement d'infrastructure. Comparé à Memecoin Launchpad et au protocole d'inscriptions, le cadre d'IA ressemble davantage à une future blockchain publique, et l'Agent ressemble davantage à un futur Dapp.
L'avenir des débats pourrait passer de la lutte entre EVM et chaînes hétérogènes à une lutte de cadres. La question clé est de savoir comment réaliser la Décentralisation ou la chaîne, ainsi que la signification du développement de cadres d'IA sur la blockchain.
Trois, quelle est la signification de la mise en chaîne ?
Le problème central auquel fait face la combinaison de la blockchain et de l'IA est : est-ce significatif ? En se référant à l'expérience réussie de DeFi, les raisons de soutenir la chaîne d'agents peuvent inclure :
Réduire les coûts d'utilisation, améliorer l'accessibilité et la sélectivité, permettant ainsi aux utilisateurs ordinaires de participer au "droit de location" de l'IA.
Fournir des solutions de sécurité basées sur la blockchain, répondant aux besoins d'interaction entre l'Agent et des portefeuilles réels ou virtuels.
Créer des opportunités d'investissement uniques dans la finance blockchain, telles que la puissance de calcul et le marquage de données liés aux Agents.
Réaliser un processus de raisonnement transparent et traçable, améliorer l'interopérabilité, et être plus attrayant que les navigateurs d'agent proposés par les géants traditionnels de l'internet.
Quatre, économie créative
Les projets de type cadre pourraient offrir à l'avenir des opportunités d'entrepreneuriat similaires au GPT Store. Un cadre simplifiant le processus de construction d'agent et offrant des combinaisons de fonctionnalités complexes pourrait avoir un avantage, formant une économie créative Web3 plus intéressante que le GPT Store.
Il existe de nombreux besoins à satisfaire dans le Web3, et le système économique peut rendre les politiques des géants du Web2 plus équitables. L'introduction de l'économie communautaire aide à améliorer l'Agent. L'économie créative de l'Agent offrira aux gens ordinaires des opportunités de participation, et les futurs mèmes AI pourraient être plus intelligents et intéressants que les Agents sur les plateformes existantes.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
14 J'aime
Récompense
14
4
Reposter
Partager
Commentaire
0/400
OnlyOnMainnet
· Il y a 21h
émission d'un jeton émission d'un jeton encore quelque chose de nouveau
Voir l'originalRépondre0
WalletAnxietyPatient
· Il y a 22h
Oh, c'est encore le moment de couper les coupons et d'émission d'un jeton.
Voir l'originalRépondre0
GateUser-74b10196
· Il y a 22h
Encore une vague de pigeons à prendre les gens pour des idiots
Voir l'originalRépondre0
MemecoinResearcher
· Il y a 22h
ser, a effectué une rapide analyse de corrélation sur les tokens de framework... ngmi à moins que nous ne retournions le coefficient mémétique tbh
Nouveau modèle de cadre d'IA : explorer l'avenir de la Décentralisation et de l'économie des agents.
Déconstruction du cadre d'IA : de l'agent intelligent à l'exploration de la Décentralisation
Introduction
Le domaine des agents d'IA a récemment connu un développement rapide, avec une attention continue du marché. En seulement deux mois, la narration combinant l'IA et les cryptomonnaies a presque connu des changements chaque semaine. Récemment, les projets de type "framework" dominés par le récit technologique sont devenus le point focal du marché, plusieurs projets ayant une valeur marchande dépassant des millions de dollars, voire des milliards de dollars. Ce type de projet a donné naissance à de nouveaux modèles d'émission d'actifs : émettre des jetons à partir de dépôts de code GitHub et des agents construits sur le framework peuvent à nouveau émettre des jetons. En se basant sur le framework, avec l'agent comme couche d'application, un modèle semblable à une plateforme d'émission d'actifs est en train de se former, représentant en réalité un modèle d'infrastructure propre à l'ère de l'IA. Cet article partira d'une introduction au framework pour explorer l'impact du framework IA sur le domaine des cryptomonnaies.
I. Qu'est-ce qu'un cadre?
Le cadre AI est un outil ou une plateforme de développement sous-jacente, intégrant des modules, des bibliothèques et des outils préconstruits, simplifiant le processus de construction de modèles AI complexes. On peut considérer le cadre comme le système d'exploitation de l'ère AI, comme Windows ou Linux dans les systèmes de bureau, ou iOS et Android sur les appareils mobiles. Chaque cadre a ses avantages et ses inconvénients, les développeurs peuvent choisir en fonction de leurs besoins.
Bien que le "cadre AI" soit un concept émergent dans le domaine des cryptomonnaies, depuis la création de Theano en 2010, les cadres AI existent depuis près de 14 ans. Le domaine traditionnel de l'IA dispose de cadres matures disponibles, tels que TensorFlow de Google, Pytorch de Meta, etc.
Les projets de cadres émergents dans le domaine des cryptomonnaies sont créés en réponse à la forte demande d'Agents sous l'essor de l'IA, et se dérivent vers d'autres secteurs, formant des cadres d'IA dans différents sous-domaines. Voici quelques exemples de cadres principaux :
1.1 Eliza
Eliza est un cadre de simulation multi-agents, utilisé pour créer, déployer et gérer des agents AI autonomes. Développé en TypeScript, il offre une bonne compatibilité et une intégration facile des API.
Principalement axé sur les scénarios de réseaux sociaux, prend en charge l'intégration multi-plateformes, telles que Discord, X/Twitter, Telegram, etc. Prend en charge l'analyse de documents PDF, l'extraction de contenu de liens, le traitement audio et vidéo, l'analyse d'images, etc.
Actuellement, quatre types de cas d'utilisation sont supportés : applications d'assistant AI, rôles de médias sociaux, travailleurs du savoir et rôles interactifs.
Les modèles pris en charge incluent : l'inférence locale de modèles open source ( tels que Llama3, Qwen1.5), l'inférence cloud API OpenAI, la configuration par défaut étant Nous Hermes Llama 3.1B, et une intégration avec Claude pour réaliser des requêtes complexes.
1.2 G.A.M.E
G.A.M.E est un cadre d'IA multimodal généré et géré automatiquement, principalement destiné à la conception de NPC intelligents dans les jeux. Sa caractéristique est que même les utilisateurs à faible code, voire sans code, peuvent l'utiliser, il suffit de modifier les paramètres pour participer à la conception de l'Agent.
La conception centrale est un design modulaire où plusieurs sous-systèmes travaillent en synergie, incluant l'interface de notification Agent, le sous-système de perception, le moteur de planification stratégique, le contexte mondial, le module de traitement de dialogue, et d'autres composants.
Flux de travail : Les développeurs lancent 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 utilise le système de mémoire, le contexte mondial et les informations de la bibliothèque d'Agents pour élaborer et exécuter un plan d'action. Le module d'apprentissage surveille en continu les résultats des actions de l'Agent et ajuste le comportement de l'Agent.
Les cas d'application se concentrent principalement sur la prise de décision, le retour d'information, la perception et la personnalité des agents dans un environnement virtuel, adaptés aux jeux et au métavers.
1.3 Rig
Rig est un outil open source écrit en Rust, simplifiant le développement d'applications de grands modèles de langage (LLM). Il fournit une interface opérationnelle unifiée, facilitant l'interaction avec plusieurs fournisseurs de services LLM et bases de données vectorielles.
Caractéristiques principales :
Flux de travail : les demandes des utilisateurs passent par la couche d'abstraction du fournisseur, l'agent intelligent appelle des outils ou interroge le stockage vectoriel pour obtenir des informations, et génère des réponses via des mécanismes comme la récupération améliorée générative (RAG).
Les cas d'utilisation incluent les systèmes de questions-réponses, les outils de recherche de documents, les chatbots, les assistants virtuels et la création de contenu, etc.
1.4 ZerePy
ZerePy est un framework open source basé sur Python, simplifiant le processus de déploiement et de gestion des agents IA sur la plateforme X. Héritant du projet Zerebro, il est plus modulaire et facile à étendre.
Fournir une interface en ligne de commande (CLI) pour gérer l'Agent AI. L'architecture principale est basée sur un design modulaire, comprenant :
Par rapport à Eliza, ZerePy se concentre davantage sur la simplification du processus de déploiement d'Agent AI sur la plateforme X, en privilégiant les applications pratiques.
Deuxième, la reproduction de l'écosystème BTC
Le chemin de développement des agents IA est similaire à celui de l'écosystème BTC : GOAT/ACT - Agents de type Social/Agents d'analyse IA - Concurrence des cadres. On s'attend à ce que les projets d'infrastructure axés sur la décentralisation et la sécurité des agents deviennent le thème principal de la prochaine étape.
Le projet de cadre d'IA propose de nouvelles idées de développement d'infrastructure. Comparé à Memecoin Launchpad et au protocole d'inscriptions, le cadre d'IA ressemble davantage à une future blockchain publique, et l'Agent ressemble davantage à un futur Dapp.
L'avenir des débats pourrait passer de la lutte entre EVM et chaînes hétérogènes à une lutte de cadres. La question clé est de savoir comment réaliser la Décentralisation ou la chaîne, ainsi que la signification du développement de cadres d'IA sur la blockchain.
Trois, quelle est la signification de la mise en chaîne ?
Le problème central auquel fait face la combinaison de la blockchain et de l'IA est : est-ce significatif ? En se référant à l'expérience réussie de DeFi, les raisons de soutenir la chaîne d'agents peuvent inclure :
Réduire les coûts d'utilisation, améliorer l'accessibilité et la sélectivité, permettant ainsi aux utilisateurs ordinaires de participer au "droit de location" de l'IA.
Fournir des solutions de sécurité basées sur la blockchain, répondant aux besoins d'interaction entre l'Agent et des portefeuilles réels ou virtuels.
Créer des opportunités d'investissement uniques dans la finance blockchain, telles que la puissance de calcul et le marquage de données liés aux Agents.
Réaliser un processus de raisonnement transparent et traçable, améliorer l'interopérabilité, et être plus attrayant que les navigateurs d'agent proposés par les géants traditionnels de l'internet.
Quatre, économie créative
Les projets de type cadre pourraient offrir à l'avenir des opportunités d'entrepreneuriat similaires au GPT Store. Un cadre simplifiant le processus de construction d'agent et offrant des combinaisons de fonctionnalités complexes pourrait avoir un avantage, formant une économie créative Web3 plus intéressante que le GPT Store.
Il existe de nombreux besoins à satisfaire dans le Web3, et le système économique peut rendre les politiques des géants du Web2 plus équitables. L'introduction de l'économie communautaire aide à améliorer l'Agent. L'économie créative de l'Agent offrira aux gens ordinaires des opportunités de participation, et les futurs mèmes AI pourraient être plus intelligents et intéressants que les Agents sur les plateformes existantes.