ผู้เขียนต้นฉบับ: Zeke นักวิจัย YBB Capital
คำนำ
ในบทความก่อนหน้านี้ เราได้พูดคุยถึงมุมมองของเราเกี่ยวกับสถานะปัจจุบันของ AI Meme และการพัฒนาในอนาคตของ AI Agent หลายครั้ง อย่างไรก็ตาม การพัฒนาอย่างรวดเร็วและวิวัฒนาการที่น่าทึ่งของการเล่าเรื่องของเส้นทาง AI Agent ยังคงล้นหลามอยู่เล็กน้อย ในเวลาเพียงสองเดือนนับตั้งแต่ “Terminal of Truth” เปิดตัว Agent Summer การเล่าเรื่องของการผสมผสานระหว่าง AI และ Crypto ได้เปลี่ยนไปเกือบทุกสัปดาห์ เมื่อเร็ว ๆ นี้ ความสนใจของตลาดเริ่มมุ่งเน้นไปที่โครงการ กรอบ ที่ถูกครอบงำโดยการเล่าเรื่องทางเทคนิค ในช่วงไม่กี่สัปดาห์ที่ผ่านมา กลุ่มนี้ได้สร้างม้ามืดจำนวนมากที่มีมูลค่าตลาดมากกว่า 100 ล้านหรือแม้กระทั่งมากกว่า 1 พันล้าน โปรเจ็กต์ประเภทนี้ได้ก่อให้เกิดกระบวนทัศน์การออกสินทรัพย์ใหม่ กล่าวคือ โปรเจ็กต์ใช้ฐานโค้ด Github เพื่อออกเหรียญ และตัวแทนที่สร้างขึ้นตามเฟรมเวิร์กก็สามารถออกเหรียญได้อีกครั้ง ใช้เฟรมเป็นด้านล่างและเอเจนต์เป็นด้านบน ดูเหมือนแพลตฟอร์มการออกสินทรัพย์ แต่จริงๆ แล้วมันเป็นโมเดลโครงสร้างพื้นฐานที่เกิดขึ้นใหม่ซึ่งเป็นเอกลักษณ์ของยุค AI เราควรตรวจสอบเทรนด์ใหม่นี้อย่างไร? บทความนี้จะเริ่มต้นจากการแนะนำกรอบงานและรวมเข้ากับความคิดของตัวเองเพื่อตีความว่ากรอบงาน AI มีความหมายอย่างไรต่อ Crypto?
1. กรอบคืออะไร?
ตามคำจำกัดความ กรอบงาน AI คือเครื่องมือหรือแพลตฟอร์มการพัฒนาระดับต่ำที่รวมชุดโมดูล ไลบรารี และเครื่องมือที่สร้างไว้ล่วงหน้า เพื่อลดความซับซ้อนของกระบวนการสร้างแบบจำลอง AI ที่ซับซ้อน โดยทั่วไปเฟรมเวิร์กเหล่านี้ยังรวมถึงฟังก์ชันสำหรับการประมวลผลข้อมูล โมเดลการฝึก และการคาดการณ์ กล่าวโดยสรุป คุณยังสามารถเข้าใจกรอบการทำงานในฐานะระบบปฏิบัติการในยุค AI ได้อีกด้วย เช่น Windows และ Linux ในระบบปฏิบัติการเดสก์ท็อป หรือ iOS และ Android ในเทอร์มินัลมือถือ แต่ละเฟรมเวิร์กมีข้อดีและข้อเสียของตัวเอง และนักพัฒนาสามารถเลือกได้อย่างอิสระตามความต้องการเฉพาะ
แม้ว่าคำว่า กรอบงาน AI ยังคงเป็นแนวคิดที่เกิดขึ้นใหม่ในสาขา Crypto เมื่อพิจารณาจากต้นกำเนิด แต่กระบวนการพัฒนาของกรอบงาน AI นั้นจริง ๆ แล้วใช้เวลาเกือบ 14 ปีนับตั้งแต่ Theano เกิดในปี 2010 ในแวดวง AI แบบดั้งเดิม มีเฟรมเวิร์กที่เป็นผู้ใหญ่มากให้เลือกทั้งในด้านวิชาการและอุตสาหกรรม เช่น TensorFlow ของ Google, Pytorch ของ Meta, Flying Paddle ของ Baidu และ MagicAnimate ของ Byte แต่ละเฟรมเวิร์กเหล่านี้มีข้อดีของตัวเองสำหรับสถานการณ์ที่แตกต่างกัน
โครงการกรอบงานที่กำลังเกิดขึ้นใน Crypto ถูกสร้างขึ้นตามความต้องการของตัวแทนจำนวนมากในช่วงเริ่มต้นของกระแสความเจริญของ AI นี้ จากนั้นได้มาจากเส้นทาง Crypto อื่น ๆ ในที่สุดก็สร้างกรอบงาน AI ในแผนกย่อยที่แตกต่างกัน ลองใช้กรอบงานกระแสหลักหลายๆ กรอบในแวดวงปัจจุบันเป็นตัวอย่างเพื่อขยายประโยคนี้
1.1 เอลิซ่า
ขั้นแรก ดู Eliza จาก ai16z เป็นตัวอย่าง เฟรมเวิร์กนี้เป็นเฟรมเวิร์กการจำลองหลายเอเจนต์ที่ใช้เพื่อสร้าง ปรับใช้ และจัดการ AI Agent แบบอัตโนมัติโดยเฉพาะ ข้อดีของการพัฒนาโดยใช้ TypeScript ในฐานะภาษาการเขียนโปรแกรมคือความเข้ากันได้ดีกว่าและการรวม API ที่ง่ายขึ้น
ตามเอกสารอย่างเป็นทางการ สถานการณ์เป้าหมายหลักของ Eliza คือโซเชียลมีเดีย เช่น การสนับสนุนการรวมหลายแพลตฟอร์ม เฟรมเวิร์กนี้ให้การรวม Discord ที่มีคุณสมบัติครบถ้วนและรองรับช่องเสียง บัญชีอัตโนมัติบนแพลตฟอร์ม X/Twitter การรวม Telegram และ API โดยตรง . เข้าถึง. ในแง่ของการประมวลผลเนื้อหาสื่อ รองรับการอ่านและวิเคราะห์เอกสาร PDF การดึงและการสรุปเนื้อหาลิงก์ การถอดเสียง การประมวลผลเนื้อหาวิดีโอ การวิเคราะห์และคำอธิบายรูปภาพ และการสรุปบทสนทนา
กรณีการใช้งานที่ Eliza รองรับในปัจจุบันแบ่งออกเป็นสี่ประเภทหลัก:
แอปพลิเคชันผู้ช่วย AI: ตัวแทนฝ่ายสนับสนุนลูกค้า ผู้จัดการชุมชน ผู้ช่วยส่วนตัว
บทบาทโซเชียลมีเดีย: ผู้สร้างเนื้อหาอัตโนมัติ บอทเชิงโต้ตอบ ตัวแทนแบรนด์
คนทำงานที่มีความรู้: ผู้ช่วยวิจัย นักวิเคราะห์เนื้อหา ผู้ประมวลผลเอกสาร
ตัวละครแบบโต้ตอบ: ตัวละครสวมบทบาท, ผู้ให้คำปรึกษาด้านการศึกษา, หุ่นยนต์เพื่อความบันเทิง
ปัจจุบัน Eliza รองรับโมเดล:
โอเพ่นซอร์สโมเดลการอนุมานท้องถิ่น: เช่น Llama 3, Qwen 1.5, BERT;
การอนุมานบนคลาวด์โดยใช้ API ของ OpenAI
การกำหนดค่าเริ่มต้นคือ Nous Hermes Llama 3.1 B;
ผสานรวมกับ Claude สำหรับการสืบค้นที่ซับซ้อน
1.2 เกม
GAME (Generative Autonomous Multimodal Entities Framework) เป็นเฟรมเวิร์ก AI หลายรูปแบบสำหรับการสร้างและการจัดการอัตโนมัติที่เปิดตัวโดย Virtual ฉากหลักคือการออกแบบ NPC อัจฉริยะในเกม แม้จะไม่ใช้โค้ดก็ตาม ผู้ใช้ขั้นพื้นฐานก็สามารถใช้งานได้ตามอินเทอร์เฟซทดลองใช้งาน ผู้ใช้จำเป็นต้องแก้ไขพารามิเตอร์เพื่อเข้าร่วมในการออกแบบตัวแทนเท่านั้น
ในแง่ของสถาปัตยกรรมโครงการ การออกแบบหลักของ GAME คือการออกแบบแบบโมดูลาร์ที่ใช้ระบบย่อยหลายระบบในการทำงานร่วมกัน โดยมีรายละเอียดสถาปัตยกรรมดังแสดงด้านล่าง
Agent Prompting Interface: อินเทอร์เฟซสำหรับนักพัฒนาในการโต้ตอบกับกรอบงาน AI ผ่านอินเทอร์เฟซนี้ นักพัฒนาสามารถเริ่มต้นเซสชันและระบุพารามิเตอร์ เช่น รหัสเซสชัน รหัสตัวแทน รหัสผู้ใช้
ระบบย่อยการรับรู้: ระบบย่อยการรับรู้มีหน้าที่รับข้อมูลอินพุต สังเคราะห์และส่งไปยังกลไกการวางแผนเชิงกลยุทธ์ นอกจากนี้ยังจัดการการตอบสนองจากโมดูลประมวลผลกล่องโต้ตอบ
เครื่องมือวางแผนเชิงกลยุทธ์: เครื่องมือวางแผนเชิงกลยุทธ์เป็นส่วนสำคัญของกรอบการทำงานทั้งหมด และแบ่งออกเป็นผู้วางแผนระดับสูง (นักวางแผนระดับสูง) และนโยบายระดับต่ำ (นโยบายระดับต่ำ) นักวางแผนระดับสูงจะพัฒนาเป้าหมายและแผนระยะยาว ในขณะที่กลยุทธ์ระดับต่ำจะแปลแผนเหล่านั้นให้เป็นขั้นตอนการดำเนินการที่เป็นรูปธรรม
บริบทของโลก: บริบทของโลกประกอบด้วยข้อมูล เช่น ข้อมูลด้านสิ่งแวดล้อม สถานะโลก และสถานะของเกม ข้อมูลนี้ใช้เพื่อช่วยให้ตัวแทนเข้าใจสถานการณ์ปัจจุบัน
โมดูลการประมวลผลบทสนทนา: โมดูลการประมวลผลบทสนทนามีหน้าที่ในการประมวลผลข้อความและการตอบกลับ โดยสามารถสร้างบทสนทนาหรือปฏิกิริยาเป็นเอาท์พุตได้
ผู้ให้บริการกระเป๋าสตางค์แบบออนไลน์: ผู้ให้บริการกระเป๋าสตางค์แบบออนไลน์อาจมีส่วนร่วมในสถานการณ์การประยุกต์ใช้เทคโนโลยีบล็อกเชน และฟังก์ชันเฉพาะยังไม่ชัดเจน
โมดูลการเรียนรู้: โมดูลการเรียนรู้เรียนรู้จากคำติชมและอัปเดตฐานความรู้ของตัวแทน
หน่วยความจำในการทำงาน: หน่วยความจำในการทำงานจัดเก็บข้อมูลระยะสั้น เช่น การดำเนินการล่าสุดของตัวแทน ผลลัพธ์ และแผนปัจจุบัน
ตัวประมวลผลหน่วยความจำระยะยาว: ตัวประมวลผลหน่วยความจำระยะยาวมีหน้าที่ในการดึงข้อมูลที่สำคัญเกี่ยวกับเอเจนต์และหน่วยความจำในการทำงาน และจัดอันดับตามปัจจัยต่างๆ เช่น คะแนนความสำคัญ ความใหม่ และความเกี่ยวข้อง
พื้นที่เก็บข้อมูลของตัวแทน: พื้นที่เก็บข้อมูลของตัวแทนจะจัดเก็บเป้าหมาย การสะท้อน ประสบการณ์ บุคลิกภาพ และคุณลักษณะอื่นๆ ของตัวแทน
ผู้วางแผนการดำเนินการ: ผู้วางแผนการดำเนินการจะสร้างแผนปฏิบัติการเฉพาะตามกลยุทธ์ระดับต่ำ
ผู้ดำเนินการแผน: ผู้ดำเนินการแผนมีหน้าที่รับผิดชอบในการดำเนินการตามแผนปฏิบัติการที่สร้างโดยผู้วางแผนปฏิบัติการ
ขั้นตอนการทำงาน: นักพัฒนาเริ่มต้นเอเจนต์ผ่านอินเทอร์เฟซพร้อมท์ของเอเจนต์ และระบบย่อยการรับรู้จะได้รับอินพุตและส่งผ่านไปยังกลไกการวางแผนเชิงกลยุทธ์ กลไกการวางแผนเชิงกลยุทธ์ใช้ข้อมูลจากระบบหน่วยความจำ บริบทของโลก และไลบรารีตัวแทนเพื่อพัฒนาและดำเนินการตามแผนปฏิบัติการ โมดูลการเรียนรู้จะติดตามผลลัพธ์ของการกระทำของตัวแทนอย่างต่อเนื่อง และปรับพฤติกรรมของตัวแทนตามผลลัพธ์
สถานการณ์การใช้งาน: จากมุมมองของสถาปัตยกรรมทางเทคนิคทั้งหมด เฟรมเวิร์กนี้มุ่งเน้นไปที่การตัดสินใจของเอเจนต์ ข้อเสนอแนะ การรับรู้ และบุคลิกภาพในสภาพแวดล้อมเสมือนจริงเป็นหลัก ในแง่ของกรณีการใช้งาน นอกเหนือจากเกมแล้ว ยังใช้ได้กับ Metaverse คุณสามารถดูได้ในรายการด้านล่างเสมือนว่ามีโครงการจำนวนมากที่ถูกสร้างขึ้นโดยใช้กรอบงานนี้
1.3แท่นขุดเจาะ
Rig เป็นเครื่องมือโอเพ่นซอร์สที่เขียนด้วยภาษา Rust ซึ่งออกแบบมาเพื่อทำให้การพัฒนาแอปพลิเคชันโมเดลภาษาขนาดใหญ่ (LLM) ง่ายขึ้น ช่วยให้นักพัฒนาสามารถโต้ตอบกับผู้ให้บริการ LLM หลายราย (เช่น OpenAI และ Anthropic) และฐานข้อมูลเวกเตอร์ต่างๆ (เช่น MongoDB และ Neo 4 j) ได้อย่างง่ายดาย โดยจัดให้มีอินเทอร์เฟซการทำงานแบบครบวงจร
คุณสมบัติหลัก:
อินเทอร์เฟซแบบรวม: ไม่ว่าผู้ให้บริการ LLM หรือพื้นที่จัดเก็บเวกเตอร์รายใด Rig สามารถให้วิธีการเข้าถึงที่สอดคล้องกัน ซึ่งช่วยลดความซับซ้อนของงานบูรณาการได้อย่างมาก
สถาปัตยกรรมแบบแยกส่วน: เฟรมเวิร์กใช้การออกแบบแบบแยกส่วน ซึ่งรวมถึงส่วนสำคัญ เช่น เลเยอร์นามธรรมของผู้ให้บริการ อินเทอร์เฟซการจัดเก็บข้อมูลแบบเวกเตอร์ และ ระบบตัวแทนอัจฉริยะ เพื่อให้มั่นใจถึงความยืดหยุ่นและความสามารถในการปรับขนาดของระบบ
ความปลอดภัยของประเภท: ใช้คุณสมบัติของ Rust เพื่อดำเนินการฝังประเภทที่ปลอดภัย เพื่อให้มั่นใจถึงคุณภาพของรหัสและความปลอดภัยรันไทม์
ประสิทธิภาพที่มีประสิทธิภาพ: รองรับโหมดการเขียนโปรแกรมแบบอะซิงโครนัสและปรับความสามารถในการประมวลผลพร้อมกันให้เหมาะสม ฟังก์ชันการบันทึกและการตรวจสอบในตัวช่วยบำรุงรักษาและแก้ไขปัญหา
ขั้นตอนการทำงาน: เมื่อคำขอของผู้ใช้เข้าสู่ระบบ Rig คำขอนั้นจะผ่าน เลเยอร์นามธรรมของผู้ให้บริการ ก่อน ซึ่งมีหน้าที่รับผิดชอบในการกำหนดมาตรฐานความแตกต่างระหว่างผู้ให้บริการที่แตกต่างกัน และรับรองความสอดคล้องในการจัดการข้อผิดพลาด ถัดไป ในเลเยอร์หลัก เอเจนต์อัจฉริยะสามารถเรียกใช้เครื่องมือต่างๆ หรือสอบถามร้านค้าเวกเตอร์เพื่อรับข้อมูลที่ต้องการ ในที่สุด ด้วยกลไกขั้นสูง เช่น การดึงข้อมูล Augmented Generation (RAG) ระบบสามารถรวมการดึงเอกสารและการทำความเข้าใจบริบทเพื่อสร้างการตอบสนองที่แม่นยำและมีความหมายก่อนที่จะส่งคืนให้กับผู้ใช้
สถานการณ์การใช้งาน: Rig ไม่เพียงแต่เหมาะสำหรับการสร้างระบบตอบคำถามที่ต้องการคำตอบที่รวดเร็วและแม่นยำเท่านั้น แต่ยังสามารถใช้เพื่อสร้างเครื่องมือค้นหาเอกสารที่มีประสิทธิภาพ แชทบอทแบบ Context-Aware หรือผู้ช่วยเสมือน และยังรองรับการสร้างเนื้อหาตามรูปแบบข้อมูลที่มีอยู่อีกด้วย สร้างข้อความหรือเนื้อหารูปแบบอื่นโดยอัตโนมัติ
1.4 เซเรไพ
ZerePy เป็นเฟรมเวิร์กโอเพ่นซอร์สที่ใช้ Python ออกแบบมาเพื่อลดความซับซ้อนของกระบวนการปรับใช้และจัดการ AI Agent บนแพลตฟอร์ม X (เดิมคือ Twitter) เกิดจากโครงการ Zerebro โดยสืบทอดฟังก์ชันการทำงานหลัก แต่ได้รับการออกแบบในลักษณะโมดูลาร์มากขึ้นและขยายได้ง่าย เป้าหมายคือการช่วยให้นักพัฒนาสามารถสร้างตัวแทน AI ส่วนบุคคลได้อย่างง่ายดาย และใช้งานอัตโนมัติและการสร้างเนื้อหาต่างๆ บน X
ZerePy จัดเตรียมอินเทอร์เฟซบรรทัดคำสั่ง (CLI) เพื่ออำนวยความสะดวกให้ผู้ใช้จัดการและควบคุม AI Agent 1 ที่ปรับใช้ สถาปัตยกรรมหลักมีพื้นฐานมาจากการออกแบบโมดูลาร์ ช่วยให้นักพัฒนาสามารถรวมโมดูลการทำงานต่างๆ ได้อย่างยืดหยุ่น เช่น:
การบูรณาการ LLM: ZerePy รองรับโมเดลภาษาขนาดใหญ่ (LLM) ของ OpenAI และ Anthropic ดังนั้นนักพัฒนาจึงสามารถเลือกโมเดลที่เหมาะสมกับสถานการณ์การใช้งานของตนได้ดีที่สุด สิ่งนี้ทำให้ตัวแทนสามารถสร้างเนื้อหาข้อความคุณภาพสูงได้
การรวมแพลตฟอร์ม X: เฟรมเวิร์กจะรวม API ของแพลตฟอร์ม X โดยตรง ทำให้ตัวแทนสามารถดำเนินการต่างๆ เช่น การโพสต์ การตอบกลับ การถูกใจ และการส่งต่อ
ระบบการเชื่อมต่อแบบโมดูลาร์: ระบบนี้ช่วยให้นักพัฒนาสามารถเพิ่มการรองรับแพลตฟอร์มหรือบริการโซเชียลอื่น ๆ ได้อย่างง่ายดาย และขยายฟังก์ชันการทำงานของเฟรมเวิร์ก
ระบบหน่วยความจำ (แผนในอนาคต): แม้ว่ามันอาจจะไม่ได้ถูกนำมาใช้อย่างสมบูรณ์ในเวอร์ชันปัจจุบัน แต่เป้าหมายการออกแบบของ ZerePy รวมถึงการบูรณาการระบบหน่วยความจำเพื่อให้ตัวแทนสามารถจดจำการโต้ตอบและข้อมูลบริบทก่อนหน้านี้เพื่อสร้างเนื้อหาที่สอดคล้องกันและเป็นส่วนตัวมากขึ้น
แม้ว่าทั้งโปรเจ็กต์ ZerePy และ Eliza ของ a16z จะทุ่มเทให้กับการสร้างและจัดการเอเจนต์ AI แต่ก็มีสถาปัตยกรรมและเป้าหมายที่แตกต่างกันเล็กน้อย Eliza มุ่งเน้นไปที่การจำลองแบบหลายตัวแทนและการวิจัย AI ในวงกว้าง ในขณะที่ ZerePy มุ่งเน้นไปที่การลดความซับซ้อนของกระบวนการปรับใช้ AI Agent บนแพลตฟอร์มโซเชียลเฉพาะ (X) โดยเลือกใช้การทำให้ง่ายขึ้นในการใช้งานจริง
2. แบบจำลองของระบบนิเวศ BTC
ในความเป็นจริง ในแง่ของเส้นทางการพัฒนา AI Agent มีความคล้ายคลึงกันมากมายกับระบบนิเวศ BTC ณ สิ้นปี 2566 และต้นปี 2567 เส้นทางการพัฒนาของระบบนิเวศ BTC สามารถสรุปได้ง่ายๆ ดังนี้: BRC 20-Atomical/Rune และ multi- การแข่งขันโปรโตคอล - BTC L2 ถึง BTCFi โดยมี Babylon เป็นแกนหลัก AI Agent ได้พัฒนาอย่างรวดเร็วยิ่งขึ้นโดยอิงจากกลุ่มเทคโนโลยี AI แบบดั้งเดิมที่เติบโตเต็มที่ แต่เส้นทางการพัฒนาโดยรวมของมันมีความคล้ายคลึงกันหลายประการกับระบบนิเวศ BTC ฉันจะสรุปโดยย่อดังนี้: GOAT/ACT-Social Agent/Analysis AI Agent-like framework การแข่งขัน. ในแง่ของแนวโน้ม โครงการโครงสร้างพื้นฐานที่มุ่งเน้นไปที่การกระจายอำนาจของตัวแทนและการรักษาความปลอดภัย มักจะเข้าครอบงำกระแสความนิยมของเฟรมเวิร์กนี้ และกลายเป็นธีมหลักของขั้นต่อไป
แล้วเส้นทางนี้จะกลายเป็นเนื้อเดียวกันและเป็นฟองเหมือนระบบนิเวศ BTC หรือไม่? ฉันคิดว่ามันไม่เป็นเช่นนั้น ประการแรก การเล่าเรื่องของ AI Agent ไม่ใช่การสร้างประวัติของห่วงโซ่สัญญาอัจฉริยะขึ้นมาใหม่ ประการที่สอง ไม่ว่าโปรเจ็กต์กรอบงาน AI ที่มีอยู่จะมีประสิทธิภาพทางเทคนิคหรือติดอยู่ในระยะ PPT หรือ Ctrl c+ Ctrl v อย่างน้อยพวกเขาก็ให้แนวคิดใหม่สำหรับการพัฒนาโครงสร้างพื้นฐาน บทความจำนวนมากเปรียบเทียบกรอบงาน AI กับแพลตฟอร์มการออกสินทรัพย์ และตัวแทนกับสินทรัพย์ ที่จริงแล้วเมื่อเปรียบเทียบกับ Memecoin Launchpad และ Inscription Protocol โดยส่วนตัวแล้วฉันรู้สึกว่ากรอบงาน AI เป็นเหมือนเครือข่ายสาธารณะแห่งอนาคตมากกว่า และ เอเจนต์เป็นเหมือน DApp แห่งอนาคตมากกว่า
ใน Crypto ในปัจจุบัน เรามีเครือข่ายสาธารณะนับพันและ DApps นับหมื่น ในบรรดาเชนทั่วไป เรามี BTC, Ethereum และเชนที่แตกต่างกัน ในขณะที่รูปแบบของเชนแอปพลิเคชันมีความหลากหลายมากกว่า เช่น เชนเกม เชนการจัดเก็บข้อมูล และเชน Dex ห่วงโซ่สาธารณะสอดคล้องกับกรอบ AI จริงๆ แล้วทั้งสองมีลักษณะคล้ายกันมากและ Dapp ก็สามารถสอดคล้องกับ Agent ได้เป็นอย่างดี
Crypto ในยุค AI มีแนวโน้มที่จะก้าวไปสู่รูปแบบนี้ การอภิปรายในอนาคตจะเปลี่ยนจากการอภิปรายระหว่าง EVM และ Chaining ที่แตกต่างกันไปเป็นการอภิปรายเกี่ยวกับกรอบงาน ในประเด็นนี้ ฉันคิดว่าโครงการโครงสร้างพื้นฐาน AI ครั้งต่อไปจะเปิดตัวบนพื้นฐานนี้ อีกประเด็นคือ จุดประสงค์ของการทำเช่นนี้บนบล็อกเชนคืออะไร?
3. การม้วนหมายถึงอะไร?
ไม่ว่าบล็อคเชนจะรวมกับอะไรก็ตาม ในที่สุดมันก็ต้องเผชิญกับคำถาม: มันสมเหตุสมผลไหม? ในบทความของปีที่แล้ว ฉันวิพากษ์วิจารณ์ GameFi ที่วางรถเข็นไว้ข้างหน้าม้าและการเปลี่ยนแปลงของ Infra ไปสู่การพัฒนาขั้นสูง ในบทความก่อนหน้านี้เกี่ยวกับ AI ฉันยังแสดงด้วยว่าฉันไม่ได้มองโลกในแง่ดีเกี่ยวกับการรวมกันของ AI x Crypto ในภาคปฏิบัติในขั้นตอนนี้ . ท้ายที่สุดแล้ว แรงผลักดันของการเล่าเรื่องเริ่มอ่อนแอลงสำหรับโครงการแบบดั้งเดิม โครงการดั้งเดิมบางโครงการที่ทำได้ดีในราคาสกุลเงินในปีที่แล้ว โดยพื้นฐานแล้วมีความสามารถในการจับคู่หรือเกินกว่าราคาสกุลเงิน AI สามารถมีประโยชน์อะไรกับ Crypto ได้บ้าง? สิ่งที่ฉันคิดก่อนหน้านี้คือแนวคิดที่ค่อนข้างธรรมดาแต่เป็นที่ต้องการของ Agent ที่ดำเนินการในนามของความตั้งใจในการดำเนินการ Metaverse, Agent ในฐานะพนักงาน ฯลฯ อย่างไรก็ตาม ไม่จำเป็นต้องมีข้อกำหนดเหล่านี้เพื่อเชื่อมโยงกับลูกโซ่โดยสมบูรณ์ และไม่สามารถปิดลูปจากมุมมองของตรรกะทางธุรกิจได้ ความตั้งใจในการใช้งานเบราว์เซอร์ Agent ที่กล่าวถึงในฉบับที่แล้วสามารถได้รับข้อกำหนดสำหรับการติดฉลากข้อมูล พลังการประมวลผลอนุมาน ฯลฯ อย่างไรก็ตาม การรวมกันของทั้งสองยังไม่ใกล้เคียงพอ และส่วนพลังการประมวลผลยังคงถูกครอบงำโดยพลังการประมวลผลแบบรวมศูนย์ในหลาย ๆ ด้าน
ลองคิดทบทวนความสำเร็จของ DeFi อีกครั้ง เหตุผลที่ DeFi สามารถรับส่วนแบ่งจากการเงินแบบเดิมได้ก็เนื่องมาจากมีการเข้าถึงที่สูงกว่า ประสิทธิภาพที่ดีกว่า ต้นทุนที่ต่ำกว่า และความปลอดภัยที่ไม่ต้องการความไว้วางใจในการรวมศูนย์ หากคุณคิดตามแนวความคิดนี้ ฉันคิดว่าอาจมีสาเหตุหลายประการในการสนับสนุนการผูกมัดตัวแทน
1. การเชื่อมโยงตัวแทนสามารถลดต้นทุนการใช้งานและเข้าถึงและคัดเลือกได้มากขึ้นหรือไม่ ในที่สุด “สิทธิ์การเช่า” AI ที่เป็นของบริษัท Web2 รายใหญ่โดยเฉพาะจะสามารถเข้าร่วมได้โดยผู้ใช้ทั่วไป
2. ความปลอดภัย ตามคำจำกัดความที่ง่ายที่สุดของตัวแทน AI ที่สามารถเรียกว่าตัวแทนควรจะสามารถโต้ตอบกับโลกเสมือนจริงหรือโลกแห่งความเป็นจริงได้ หากตัวแทนสามารถแทรกแซงในความเป็นจริงหรือกระเป๋าเงินเสมือนของฉันได้ การรักษาความปลอดภัยบนบล็อกเชน การแก้ปัญหา นอกจากนี้ยังถือได้ว่าเป็นความต้องการที่เข้มงวด
3. ตัวแทนสามารถใช้ชุดการเล่นเกมทางการเงินที่เป็นเอกลักษณ์ของบล็อกเชนได้หรือไม่ ตัวอย่างเช่น LP ใน AMM อนุญาตให้บุคคลธรรมดามีส่วนร่วมในการสร้างตลาดอัตโนมัติ ตัวอย่างเช่น ตัวแทนต้องการพลังการประมวลผล การติดป้ายกำกับข้อมูล ฯลฯ และผู้ใช้ลงทุนในโปรโตคอลในรูปแบบของ U หากพวกเขามองโลกในแง่ดี หรือรูปแบบการเล่นทางการเงินใหม่สามารถสร้างขึ้นโดยอิงจากตัวแทนในสถานการณ์การใช้งานที่แตกต่างกัน
4. ปัจจุบัน DeFi ไม่มีการทำงานร่วมกันที่สมบูรณ์แบบ หาก Agent รวมกับ blockchain สามารถให้เหตุผลที่โปร่งใสและตรวจสอบย้อนกลับได้ ก็อาจจะน่าสนใจมากกว่าเบราว์เซอร์ตัวแทนที่ให้บริการโดยยักษ์ใหญ่ทางอินเทอร์เน็ตแบบเดิมที่กล่าวถึงในบทความก่อนหน้านี้
4. ความคิดสร้างสรรค์?
โครงการกรอบการทำงานจะมอบโอกาสในการเป็นผู้ประกอบการที่คล้ายกับ GPT Store ในอนาคต แม้ว่าในปัจจุบันการเผยแพร่ Agent ผ่านเฟรมเวิร์กยังคงซับซ้อนมากสำหรับผู้ใช้ทั่วไป แต่ฉันคิดว่าเฟรมเวิร์กที่ทำให้กระบวนการสร้าง Agent ง่ายขึ้นและมีการผสมผสานฟังก์ชันที่ซับซ้อนบางอย่างจะยังคงมีอยู่เหนือกว่าในอนาคต ดังนั้นจึงสร้าง Web3 ที่น่าสนใจมากกว่า GPT Store .
GPT Store ปัจจุบันยังคงชอบการใช้งานจริงในสาขาแบบดั้งเดิม และแอปยอดนิยมส่วนใหญ่สร้างโดยบริษัท Web2 แบบดั้งเดิม และรายได้จะเป็นของผู้สร้างแต่เพียงผู้เดียว ตามคำอธิบายอย่างเป็นทางการของ OpenAI กลยุทธ์นี้ให้การสนับสนุนทางการเงินและเงินอุดหนุนจำนวนหนึ่งแก่นักพัฒนาที่โดดเด่นบางรายในสหรัฐอเมริกาเท่านั้น
Web3 ยังมีหลายแง่มุมที่ต้องเติมเต็มในแง่ของความต้องการ และระบบเศรษฐกิจยังสามารถทำให้นโยบายที่ไม่ยุติธรรมของยักษ์ใหญ่ Web2 มีความยุติธรรมมากขึ้น นอกจากนี้ เรายังสามารถแนะนำเศรษฐกิจชุมชนเพื่อทำให้ตัวแทนสมบูรณ์แบบยิ่งขึ้นได้ เศรษฐกิจสร้างสรรค์ของเอเจนท์จะเป็นโอกาสให้คนทั่วไปได้มีส่วนร่วม และมีม AI ในอนาคตจะฉลาดกว่าและน่าสนใจกว่าเอเจนต์ที่เผยแพร่ใน GOAT และ Clanker มาก
บทความอ้างอิง:
1. วิวัฒนาการทางประวัติศาสตร์และการสำรวจแนวโน้มของกรอบงาน AI
2.Bybit: AI Rig Complex (ARC): เฟรมเวิร์กเอเจนต์ AI
3. การจดจำคุณค่าเชิงลึก: การเปรียบเทียบแนวนอนของเฟรมเวิร์ก Crypto×AI หลักทั้งสี่: สถานะการนำไปใช้ ข้อดีและข้อเสีย และศักยภาพในการเติบโต
