Вступ

У попередніх статтях ми часто обговорювали наші погляди на поточний стан AI Memes і майбутній розвиток AI Agents. Однак швидкий розвиток наративу та еволюція треку AI Agent все ще були дещо приголомшливими. За короткі два місяці, що минули з моменту запуску «Терміналу правди» та початку Agent Summer, наратив інтеграції штучного інтелекту та криптовалют розвивався майже щотижня. Останнім часом увага ринку почала зміщуватися в бік «рамкових» проектів, які в першу чергу керуються технологічними наративами. За останні кілька тижнів ця нішева підгалузь вже створила кілька проєктів-єдинорогів з ринковою капіталізацією понад мільярд доларів. Ці проєкти також призвели до нової парадигми випуску активів, де проєкти випускають токени на основі своїх репозиторіїв коду GitHub, а агенти, побудовані на цих фреймворках, також можуть випускати токени. В основі цієї структури лежать фреймворки, з Agents в якості шару вище. Вона нагадує платформу випуску активів, але насправді це унікальна інфраструктурна модель, що з'явилася в епоху штучного інтелекту. Як нам ставитися до цього нового тренду? Ця стаття почнеться зі вступу до фреймворків і запропонує інтерпретацію того, що фреймворки штучного інтелекту означають для криптовалюти, поєднуючи ці ідеї з нашими власними міркуваннями.

I. Що таке рамка?

За визначенням, фреймворк штучного інтелекту — це базовий інструмент розробки або платформа, яка об'єднує набір готових модулів, бібліотек та інструментів для спрощення процесу побудови складних моделей штучного інтелекту. Ці фреймворки зазвичай також включають функції для обробки даних, навчання моделей і прогнозування. Простими словами, ви можете думати про фреймворк як про операційну систему для епохи штучного інтелекту, подібну до настільних операційних систем, таких як Windows або Linux, або мобільних операційних систем, таких як iOS і Android. Кожен фреймворк має свої переваги та недоліки, що дозволяє розробникам вибирати, виходячи зі своїх конкретних потреб.

Хоча термін «фреймворк штучного інтелекту» все ще є відносно новою концепцією в криптосфері, його розробка насправді налічує майже 14 років, починаючи з Теано в 2010 році. У традиційній спільноті штучного інтелекту як академічні кола, так і промисловість вже розробили дуже зрілі фреймворки на вибір, такі як TensorFlow від Google, PyTorch від Meta, PaddlePaddle від Baidu та MagicAnimate від ByteDance, кожен з яких має свої переваги в різних сценаріях.

Проекти фреймворку штучного інтелекту, які наразі з'являються в Crypto, базуються на попиті на велику кількість Агентів, що виник з бумом штучного інтелекту, і вони подальше розгалужуються на інші треки в Crypto, утворюючи різноманітні фреймворки для конкретних підгалузей. Давайте дослідимо деякі з поточних основних фреймворків в галузі, щоб краще проілюструвати цю точку.

1.1 Еліза

Спочатку розглянемо Елізу, фреймворк, створений ai16z. Це багатоагентний симуляційний фреймворк, призначений для створення, розгортання та управління автономними штучними інтелектуальними агентами. Розроблений з використанням TypeScript як мови програмування, його перевага полягає в кращій сумісності та простішій інтеграції API. Згідно з офіційною документацією, Еліза в першу чергу призначена для соціальних мереж, пропонуючи підтримку для інтеграцій на різних платформах. Фреймворк надає повнофункціональну інтеграцію Discord, підтримку голосових каналів, автоматизовані облікові записи для X/Twitter, інтеграцію з Telegram та прямий доступ до API. Щодо обробки медіа-контенту, він підтримує читання та аналіз PDF-документів, вилучення та узагальнення посилань, аудіотранскрипцію, роботу з відео контентом, аналіз зображень та узагальнення розмов.

Використання, якими зараз підтримується Eliza, включає наступні чотири категорії:

1. Додатки Штучного Інтелекту: агенти служби підтримки клієнтів, адміністратори спільноти, особисті помічники.
2. Ролі в соціальних мережах: автоматизовані створювачі контенту, інтерактивні боти, представники брендів.
3. Робітники знань: дослідницькі помічники, аналітики вмісту, обробники документів.
4. Інтерактивні ролі: персонажі для гри ролями, освітні наставники, розважальні роботи.

Моделі, які наразі підтримуються Елізою:

1. Моделі локального висновку з відкритим кодом: такі як Llama3, Qwen1.5, BERT.
2. Хмарна інференція через API OpenAI.
3. Стандартна конфігурація як Nous Hermes Llama 3.1B.
4. Інтеграція з Клодом для складних запитів.

1.2 Г.А.М.Е

G.A.M.E (Generative Autonomous Multimodal Entities Framework) - це багатомодальна AI-платформа для автоматичної генерації та управління, запущена компанією Virtual. Вона призначена переважно для розробки розумних NPC в іграх. Одним з унікальних аспектів цієї платформи є те, що вона дозволяє навіть користувачам з низьким рівнем знань або жодних знань в програмуванні брати участь в проектуванні агентів, просто змінюючи параметри через її іспитовий інтерфейс.

Щодо архітектури проекту, G.A.M.E побудована на модульному дизайні, де кілька підсистем працюють разом у співпраці. Докладна архітектура виглядає наступним чином:

1. Інтерфейс промптінгу агента: Інтерфейс для розробників для взаємодії з фреймворком штучного інтелекту. За допомогою цього інтерфейсу розробники можуть ініціювати сесію та вказати ідентифікатори сесії, агента, користувача та інші параметри.
2. Підсистема сприйняття: відповідає за отримання вхідної інформації, синтезування її та відправлення до стратегічного планувального двигуна. Також вона обробляє відповіді від модуля обробки діалогу.
3. Стратегічний планувальний двигун: основа всієї структури, розділена на високорівневого планувальника і низькорівневу політику. Високорівневий планувальник відповідає за формулювання довгострокових цілей та планів, тоді як низькорівнева політика перекладає ці плани у конкретні дії.
4. Контекст світу: Містить інформацію про навколишнє середовище, стан світу та дані про стан гри, що допомагають агентам зрозуміти їх поточний контекст.
5. Модуль обробки діалогу: відповідає за обробку повідомлень та відповідей, генеруючи результати у вигляді діалогу або реакцій.
6. Оператор кошелька на ланцюгу: Ймовірно, пов'язаний з застосуванням технології блокчейн, хоча конкретні функції неясні.
7. Модуль навчання: Вивчає відгуки та оновлює базу знань агента.
8. Робоча пам'ять: Зберігає недавні дії, результати та поточні плани, серед іншої короткострокової інформації.
9. Процесор довгострокової пам'яті: витягує та ранжує важливу інформацію про агента та його робочу пам'ять на основі таких факторів, як важливість, останність та відповідність.
10. Репозиторій агента: зберігає цілі, роздуми, досвід та характеристики агента.
11. Планувальник дій: Генерує конкретні плани дій на основі стратегій низького рівня.
12. Виконавець плану: Виконує ділові плани, що генеруються планувальником дій.

Робочий процес: Розробники ініціюють Агента через інтерфейс підказки Агента, де Підсистема сприйняття отримує вхідні дані та надсилає їх до Стратегічного планувального двигуна. Двигун, за допомогою системи пам'яті, контексту світу та репозиторію Агента, формулює та виконує план дій. Модуль навчання контролює дії Агента та налаштовує його поведінку відповідно.

Сценарії застосування: Загальна технічна архітектура цієї структури зосереджена на прийнятті рішень, зворотньому зв'язку, сприйнятті та особистості Агентів у віртуальних середовищах. Крім гри, ця структура також застосовна в Метавсвіті. Список нижче з Virtual показує, що багато проектів вже використовують цю структуру для будівництва.

1.3 Rig

Rig - це відкрите програмне забезпечення, написане мовою Rust, спеціально розроблене для спрощення розробки додатків великого мовного моделювання (LLM). Воно надає єдиний інтерфейс, який дозволяє розробникам легко взаємодіяти з кількома постачальниками послуг LLM (такими як OpenAI і Anthropic) та різними векторними базами даних (наприклад, MongoDB та Neo4j).

Ключові особливості:

• Уніфікований інтерфейс: Незалежно від того, який постачальник LLM або векторне сховище використовується, Rig пропонує єдиний метод доступу, що значно зменшує складність інтеграційних робіт.
• Модулярна архітектура: Фреймворк використовує модулярний дизайн, який включає ключові компоненти, такі як "Шар абстрагування постачальника", "Інтерфейс зберігання векторів" та "Інтелектуальна система агентів", забезпечуючи гнучкість та масштабованість системи.
• Type Safety: Використовуючи можливості Rust, Rig досягає безпечного вбудовування операцій, забезпечуючи якість коду та безпеку виконання.
• Висока продуктивність: Система підтримує асинхронне програмування, оптимізуючи можливості конкурентної обробки. Вбудовані функції журналювання та моніторингу допомагають при здійсненні технічного обслуговування та усуненні неполадок.

Робочий процес: Коли користувач входить в систему Rig, запит спочатку проходить через «Абстракційний шар провайдера», який стандартизує різницю між різними постачальниками та забезпечує послідовну обробку помилок. У основному шарі розумні агенти можуть викликати різні інструменти або запитувати векторне сховище для отримання необхідної інформації. Нарешті, перед поверненням їх користувачеві, використовуються високорівневі механізми, такі як Retrieval-Augmented Generation (RAG), які поєднують отримання документів та контекстуальне розуміння для генерації точних і значущих відповідей.

Використання: Rig підходить для створення систем, які потребують швидкого і точного відповідання на запитання, створення ефективних інструментів пошуку документів, розробки контекстно-орієнтованих чат-ботів або віртуальних помічників, а також підтримки створення контенту шляхом автоматичної генерації тексту або іншого контенту на основі існуючих шаблонів даних.

1.4 ZerePy

ZerePy - це відкрита платформа на основі Python, призначена для спрощення розгортання та управління штучними інтелектуальними агентами на платформі X (раніше Twitter). Вона розвивалася з проекту Zerebro та успадкувала його основні функціональні можливості, але була розроблена більш модульною та масштабованою. Мета полягає в тому, щоб дозволити розробникам легко створювати персоналізованих штучних інтелектуальних агентів та впроваджувати різноманітні завдання автоматизації та створення контенту на платформі X.

ZerePy надає інтерфейс командного рядка (CLI), що дозволяє користувачам зручно керувати та контролювати розгорнуті агенти ШІ. Його основна архітектура є модульною, що дозволяє розробникам гнучко інтегрувати різні функціональні модулі, такі як:

• Інтеграція LLM: ZerePy підтримує великі мовні моделі (LLM) від OpenAI та Anthropic, що дозволяє розробникам вибирати модель, найкраще підходить для їх застосування. Це дозволяє агентам генерувати високоякісний текстовий контент.
• Інтеграція платформи X: Каркас безпосередньо інтегрується з API X, що дозволяє агентам виконувати завдання, такі як публікація, відповідь, лайк та ретвіт.
• Система модульного з'єднання: Ця система дозволяє розробникам легко додавати підтримку для інших соціальних платформ або сервісів, що розширює функціональність рамок.
• Система пам'яті (майбутні плани): Хоча в поточній версії ще не повністю реалізовано, мета дизайну ZerePy включає інтеграцію системи пам'яті, яка дозволить агентам запам'ятовувати попередні взаємодії та контекстуальну інформацію для генерації більш зв'язаного та персоналізованого контенту.

Хоча як ZerePy, так і Eliza від a16z націлені на створення та управління AI-агентами, вони відрізняються архітектурою та фокусом. Eliza спрямована на багатоагентні симуляції та більш широке дослідження штучного інтелекту, тоді як ZerePy зосереджується на спрощенні розгортання AI-агентів на конкретних соціальних платформах (X), що робить його більш орієнтованим на застосування.

II. Репліка екосистеми BTC

Щодо шляху розвитку, AI агенти мають багато спільних рис з екосистемою BTC з кінця 2023 року до початку 2024 року. Траєкторія розвитку екосистеми BTC може бути просто узагальнена як: BRC20-Атомічний/Rune та інші багатопротокольні змагання — BTC L2 — BTCFi, зосереджені навколо Вавилона. У той же час, AI агенти розвивалися швидше на основі зрілої традиційної технологічної стопи штабів AI, але їх загальний шлях розвитку відображає екосистему BTC в декількох аспектах. Я б узагальнив це так: GOAT/ACT — Соціальні агенти — Змагання аналітичного AI агентового фреймворку. З погляду тенденцій, інфраструктурні проекти, спрямовані на децентралізацію та безпеку навколо агентів, ймовірно, також продовжать цю хвилю фреймворку і стануть наступною домінуючою темою.

Так чи інакше, чи буде ця траса, подібно до екосистеми BTC, приводити до однорідності та утворення бульбашок? Я так не думаю. По-перше, наратив про штучні інтелектуальні агенти не полягає в тому, щоб відтворювати історію ланцюгів смарт-контрактів. По-друге, чи ці існуючі проекти штучного інтелектуального фреймворку технічно міцні, чи все ще застрягли на етапі презентації або це просто Ctrl+C та Ctrl+V, принаймні вони надають новий підхід до розвитку інфраструктури. Багато статей порівнюють штучні інтелектуальні фреймворки з платформами для емісії активів, а агентів з активами. Однак, на відміну від Memecoin Launchpads та протоколів реєстрації, я особисто вважаю, що штучні інтелектуальні фреймворки нагадують майбутні громадські ланцюги, тоді як агенти нагадують майбутні DApps.

У сучасному просторі криптовалюти ми маємо тисячі публічних ланцюгів і десятки тисяч Додатків на основі блокчейну. У сфері універсальних ланцюгів є BTC, Ethereum та різноманітні гетерогенні ланцюги, тоді як форми застосункових ланцюгів є більш різноманітними, такими як ланцюги ігор, ланцюги зберігання та ланцюги Dex. Публічні ланцюги та фреймворки ШІ схожі за своєю природою, і Додатки на основі блокчейну можуть добре кореспондувати з агентами.

В епоху криптовалют у штучному інтелекті дуже ймовірно, що простір розвиватиметься в цьому напрямку, а майбутні дебати перейдуть від EVM проти гетерогенних ланцюгів до дебатів про фреймворки. Поточне питання більше про децентралізацію, або про те, як її «ланцюжити». Я вірю, що майбутні проєкти AI-інфраструктури розвиватимуться навколо цього фундаменту. Ще один важливий момент: яке значення має це для блокчейну?

III. Значення On-Chain

Незалежно від того, з чим поєднується блокчейн, він в остаточному підсумку стикається з одним критичним питанням: чи має він сенс? У минулорічній статті я критикував GameFi за неправильний пріоритет, де розвиток інфраструктури був занадто передовим, а в попередніх статтях про штучний інтелект я висловлював сумніви щодо поточної практичності поєднання штучного інтелекту з криптовалютою. У сукупності сила, що визначає наратив для традиційних проектів, зростаюча слабшає. Кілька традиційних проектів, які в минулому році відзначилися добрими показниками ціни токена, взагалі були ті, що могли зрівнятися або перевершити силу ціни.

Що може зробити штучний інтелект для криптовалюти? Раніше я думав про використання штучного інтелекту для виконання завдань від імені користувачів, Metaverse та агентів як співробітників - дещо мунданних ідей, але з певними вимогами. Однак ці вимоги не потребують повного об'єднання в ланцюжок, а з точки зору бізнес-логіки вони не можуть утворювати закритий цикл. Браузер агента, згаданий у минулій статті, який реалізує наміри, може генерувати вимоги до маркування даних та обчислювальної потужності інференції, але ці два елементи все ще не тісно інтегровані, і з точки зору обчислювальної потужності централізовані обчислення все ще мають перевагу.

Повертаючись до успіху DeFi, можна сказати, що причина, через яку DeFi вдалося викроїти шматок традиційних фінансів, полягає в тому, що він забезпечує більшу доступність, кращу ефективність, нижчі витрати та безпеку, що не потребує довіри. Якщо ми розглянемо цю структуру, я думаю, що може бути кілька причин, чому «ланцюжок» агентів може мати сенс:

1. Зниження витрат: Чи може ланцюжок агентів знизити витрати на використання, тим самим забезпечивши більшу доступність та більше варіантів для користувачів? Це в кінці кінців може дозволити звичайним користувачам брати участь в тому, що традиційно було виключним привілеєм веб-гігантів Web2 технологій AI «оренди».
2. Безпека: Згідно з найпростішим визначенням, агент - це штучний інтелект, який може взаємодіяти з віртуальним або реальним світом. Якщо агент може втручатися в реальний світ або навіть у мій віртуальний гаманець, то безпекові рішення, засновані на блокчейні, можуть стати необхідністю.
3. Фінансова гра на блокчейні: Чи можуть агенти створити унікальний набір фінансових механізмів на блокчейні? Наприклад, в AMM (Автоматизований ринковий мейкер), постачальники ліквідності (LPs) дозволяють звичайним користувачам брати участь у автоматизованому ринковому мейкінгу. Подібно, якщо агентам потрібна обчислювальна потужність або маркування даних, користувачі можуть інвестувати в ці протоколи у формі USDT, на основі їх довіри до системи. Або агенти в різних сценаріях застосування можуть створити нові фінансові структури.
4. Міжоперативність DeFi: Хоча DeFi наразі не має ідеальної міжоперативності, але агенти можуть вирішити цю проблему, дозволяючи прозорі та відстежувані процеси міркування, заповнюючи прогалини.

IV. Творчість?

Проекты фреймворков у майбутньому також нададуть підприємницькі можливості, аналогічні GPT Store. Хоча запуск агента через фреймворк ще складний для звичайних користувачів, я вважаю, що спрощення процесу конструювання агента та надання більш складних комбінацій функцій нададуть таким фреймворкам конкурентну перевагу в майбутньому. Це може призвести до створення творчої економіки Web3, яка буде набагато цікавішою, ніж GPT Store.

Наразі магазин GPT все ще спрямований переважно на традиційні практичні застосування, більшість популярних додатків створюються традиційними компаніями Web2. Крім того, зароблені доходи в основному монополізовані творцями. Згідно з офіційним поясненням OpenAI, стратегія полягає просто в наданні фінансової підтримки видатним розробникам у Сполучених Штатах, надаючи субсидії до певної суми.

З точки зору попиту, Web3 все ще має багато прогалин, які потрібно заповнити, і з точки зору економічної системи це може зробити несправедливу політику гігантів Web2 більш справедливою. Крім того, ми можемо природним чином запровадити економіку спільноти для подальшого вдосконалення агентів. Креативна економіка навколо агентів надасть можливість звичайним людям брати участь. У майбутньому меми зі штучним інтелектом будуть набагато розумнішими та цікавішими, ніж агенти, випущені GOAT або Clanker.

Про YBB

YBB - це фонд web3, який присвячує себе ідентифікації проектів, що визначають Web3 з метою створення кращого онлайн-середовища для всіх користувачів Інтернету. Заснований групою прихильників блокчейну, які активно беруть участь в цій галузі з 2013 року, YBB завжди готовий допомогти проектам на ранній стадії розвитку. Ми цінуємо інновації, самодостатню пристрасть та продукти, спрямовані на користувача, визнаючи потенціал криптовалют і блокчейн-додатків.

Веб-сайт | Twi: @YBBCapital

Відмова від відповідальності:

1. Цю статтю перепечатано з [YBB Capital]. Усі авторські права належать оригінальному автору [ Дослідник YBB Capital Зік]. Якщо є заперечення до цього перепосту, будь ласка, зв'яжіться з Навчання в Gateкоманда, і вони негайно цим займуться.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно тими, що належать автору і не становлять інвестиційних порад.
3. Команда Learn Gate перекладала статтю на інші мови. Копіювання, розповсюдження або плагіат перекладених статей заборонено, якщо не зазначено інше.