Pengenalan

Dalam artikel sebelumnya, kami sering membahas pandangan kami tentang keadaan saat ini dari AI Memes dan perkembangan masa depan AI Agents. Namun, perkembangan naratif dan evolusi yang cepat dari jalur AI Agent masih agak menghantui. Dalam dua bulan singkat sejak peluncuran “Truth Terminal” dan dimulainya Agent Summer, naratif integrasi AI dan Crypto telah berkembang hampir setiap minggu. Baru-baru ini, perhatian pasar mulai beralih ke proyek-proyek “kerangka kerja”, yang secara utama didorong oleh naratif teknologi. Subbidang niche ini telah menghasilkan beberapa proyek unicorn dengan kapitalisasi pasar lebih dari satu miliar dolar dalam beberapa minggu terakhir. Proyek-proyek ini juga telah menimbulkan paradigma baru untuk penerbitan aset, di mana proyek-proyek menerbitkan token berdasarkan repositori kode GitHub mereka, dan para Agennya yang dibangun di atas kerangka kerja ini juga dapat menerbitkan token. Pada inti struktur ini, kami memiliki kerangka kerja, dengan Agennya sebagai lapisan di atasnya. Ini menyerupai platform penerbitan aset, namun sebenarnya adalah model infrastruktural yang unik yang muncul di era AI. Bagaimana seharusnya kita melihat tren baru ini? Artikel ini akan dimulai dengan pengantar tentang kerangka kerja dan menawarkan interpretasi tentang apa yang dimaksud dengan kerangka AI untuk Crypto, menggabungkan wawasan ini dengan refleksi kami sendiri.

I. Apa itu Kerangka Kerja?

Secara definisi, sebuah kerangka kerja AI adalah alat atau platform pengembangan yang mendasar yang mengintegrasikan serangkaian modul, pustaka, dan alat pra-dibangun untuk menyederhanakan proses pembangunan model AI yang kompleks. Kerangka kerja ini umumnya juga mencakup fungsi untuk menangani data, melatih model, dan membuat prediksi. Dalam istilah sederhana, Anda dapat menganggap kerangka kerja sebagai sistem operasi untuk era AI, mirip dengan sistem operasi desktop seperti Windows atau Linux, atau sistem operasi seluler seperti iOS dan Android. Setiap kerangka kerja memiliki kelebihan dan kekurangan masing-masing, memungkinkan pengembang memilih berdasarkan kebutuhan spesifik mereka.

Meskipun istilah "kerangka AI" masih merupakan konsep yang relatif baru dalam bidang Crypto, perkembangannya sebenarnya sudah dimulai sejak sekitar 14 tahun yang lalu, dimulai dengan Theano pada tahun 2010. Di komunitas AI tradisional, baik akademisi maupun industri sudah mengembangkan kerangka yang sangat matang untuk dipilih, seperti TensorFlow dari Google, PyTorch dari Meta, PaddlePaddle dari Baidu, dan MagicAnimate dari ByteDance, masing-masing memiliki keunggulan dalam skenario yang berbeda.

Proyek kerangka AI yang saat ini muncul dalam Crypto didasarkan pada permintaan akan sejumlah besar Agen yang muncul dari ledakan AI, dan ini telah bercabang menjadi lintasan lain dalam Crypto, akhirnya membentuk kerangka AI yang berbeda untuk subbidang tertentu. Mari jelajahi beberapa kerangka utama saat ini di industri untuk lebih menggambarkan poin ini.

1.1 Eliza

Pertama, mari kita pertimbangkan Eliza, sebuah kerangka kerja yang dibuat oleh ai16z. Ini adalah kerangka kerja simulasi multi-agent yang dirancang untuk membuat, mendeploy, dan mengelola agen AI otonom. Dikembangkan menggunakan TypeScript sebagai bahasa pemrograman, keunggulannya terletak pada kompatibilitas yang lebih baik dan integrasi API yang lebih mudah. Menurut dokumentasi resmi, Eliza dirancang terutama untuk media sosial, menawarkan dukungan untuk integrasi multi-platform. Kerangka kerja ini menyediakan integrasi Discord yang lengkap, mendukung saluran suara, akun otomatis untuk X/Twitter, integrasi Telegram, dan akses API langsung. Dalam hal pemrosesan konten media, ia mendukung membaca dan menganalisis dokumen PDF, mengekstrak dan merangkum tautan, transkripsi audio, penanganan konten video, analisis gambar, dan ringkasan percakapan.

Saat ini, kasus penggunaan yang didukung oleh Eliza mencakup empat kategori berikut:

1. Aplikasi Asisten AI: agen dukungan pelanggan, administrator komunitas, asisten pribadi.
2. Peran Media Sosial: Pembuat konten otomatis, bot interaktif, perwakilan merek.
3. Pekerja Pengetahuan: asisten peneliti, analis konten, pengolah dokumen.
4. Peran Interaktif: Karakter bermain peran, tutor pendidikan, bot hiburan.

Model yang saat ini didukung oleh Eliza adalah:

1. Model inferensi lokal open-source: seperti Llama3, Qwen1.5, BERT.
2. Inferensi cloud melalui API OpenAI.
3. Konfigurasi default sebagai Nous Hermes Llama 3.1B.
4. Integrasi dengan Claude untuk query yang kompleks.

1.2 G.A.M.E

G.A.M.E (Generative Autonomous Multimodal Entities Framework) adalah kerangka AI multimodal untuk generasi dan manajemen otomatis, diluncurkan oleh Virtual. Ini dirancang terutama untuk desain NPC cerdas dalam permainan. Salah satu aspek unik dari kerangka ini adalah bahwa itu memungkinkan pengguna kode rendah atau tidak ada kode untuk berpartisipasi dalam desain Agen dengan hanya memodifikasi parameter melalui antarmuka ujinya.

Dalam hal arsitektur proyek, G.A.M.E dibangun dengan desain modular, di mana beberapa subsistem bekerja bersama secara kolaboratif. Arsitektur terperinci adalah sebagai berikut:

1. Antarmuka Prompting Agen: Antarmuka untuk pengembang berinteraksi dengan kerangka kerja AI. Melalui antarmuka ini, pengembang dapat memulai sesi dan menentukan ID sesi, ID agen, ID pengguna, dan parameter lainnya.
2. Sistem Persepsi: Bertanggung jawab untuk menerima informasi input, mensintesisnya, dan mengirimkannya ke mesin perencanaan strategis. Ini juga menangani respons dari modul pemrosesan dialog.
3. Mesin Perencanaan Strategis: Inti dari seluruh kerangka, terdiri dari perencana tingkat tinggi dan kebijakan tingkat rendah. Perencana tingkat tinggi bertanggung jawab untuk merumuskan tujuan dan rencana jangka panjang, sedangkan kebijakan tingkat rendah menerjemahkan rencana-rencana ini menjadi tindakan-tindakan spesifik.
4. Konteks Dunia: Berisi informasi lingkungan, status dunia, dan data status game, membantu agen memahami konteks saat ini mereka.
5. Modul Pengolahan Dialog: Menangani pesan dan tanggapan, menghasilkan dialog atau reaksi sebagai output.
6. Operator Dompet On-Chain: Kemungkinan terkait dengan aplikasi teknologi blockchain, meskipun fungsi spesifiknya tidak jelas.
7. Modul Pembelajaran: Belajar dari umpan balik dan memperbarui basis pengetahuan agen.
8. Working Memory: Menyimpan tindakan terkini, hasil, dan rencana saat ini, di antara informasi jangka pendek lainnya.
9. Prosesor Memori Jangka Panjang: Mengekstrak dan menilai informasi penting tentang agen dan memori kerjanya berdasarkan faktor-faktor seperti pentingnya, kebaruan, dan relevansi.
10. Repositori Agen: Menyimpan tujuan, refleksi, pengalaman, dan karakteristik agen.
11. Action Planner: Menghasilkan rencana tindakan spesifik berdasarkan strategi tingkat rendah.
12. Pelaksana Rencana: Melaksanakan rencana tindakan yang dihasilkan oleh perencana tindakan.

Alur kerja: Pengembang memulai Agen melalui Antarmuka Dorongan Agen, di mana Subsistem Persepsi menerima masukan dan mengirimkannya ke Mesin Perencanaan Strategis. Mesin tersebut, dengan bantuan sistem memori, konteks dunia, dan repositori Agen, merumuskan dan mengeksekusi rencana tindakan. Modul Pembelajaran memantau tindakan Agen dan menyesuaikan perilakunya sesuai.

Skenario Aplikasi: Dari arsitektur teknis secara keseluruhan, kerangka kerja ini berfokus pada pengambilan keputusan, umpan balik, persepsi, dan kepribadian Agen di lingkungan virtual. Selain untuk bermain game, kerangka kerja ini juga dapat diterapkan pada Metaverse. Daftar di bawah ini dari Virtual menunjukkan bahwa banyak proyek telah mengadopsi kerangka kerja ini untuk konstruksi.

1.3 Rig

Rig adalah alat sumber terbuka yang ditulis dalam Rust, yang dirancang khusus untuk menyederhanakan pengembangan aplikasi model bahasa besar (LLM). Ini menyediakan antarmuka yang bersatu yang memungkinkan pengembang berinteraksi dengan mudah dengan beberapa penyedia layanan LLM (seperti OpenAI dan Anthropic) dan berbagai basis data vektor (seperti MongoDB dan Neo4j).

Fitur Utama:

• Antarmuka Terpadu: Terlepas dari penyedia LLM atau penyimpanan vektor yang digunakan, Rig menawarkan metode akses yang konsisten, yang sangat mengurangi kompleksitas kerja integrasi.
• Arsitektur Modular: Kerangka kerja menggunakan desain modular, yang mencakup komponen-komponen kunci seperti “Provider Abstraction Layer,” “Vector Storage Interface,” dan “Intelligent Agent System,” memastikan fleksibilitas dan skalabilitas sistem.
• Keamanan Jenis: Dengan memanfaatkan fitur-fitur Rust, Rig mencapai operasi penanaman yang aman secara tipe, memastikan kualitas kode dan keamanan runtime.
• Kinerja Tinggi: Sistem ini mendukung pemrograman asynchronous, mengoptimalkan kemampuan pemrosesan konkurensi. Fitur logging dan monitoring bawaan membantu dalam pemeliharaan dan pemecahan masalah.

Alur kerja: Ketika pengguna memasuki sistem Rig, permintaan pertama kali melewati 'Provider Abstraction Layer,' yang mengstandarisasi perbedaan antara berbagai penyedia dan memastikan penanganan kesalahan yang konsisten. Di lapisan inti, agen cerdas dapat memanggil berbagai alat atau meminta penyimpanan vektor untuk mengambil informasi yang diperlukan. Akhirnya, mekanisme canggih seperti Retrieval-Augmented Generation (RAG) menggabungkan pemulihan dokumen dan pemahaman kontekstual untuk menghasilkan respons yang akurat dan bermakna sebelum mengembalikannya kepada pengguna.

Kasus Penggunaan: Rig cocok untuk membangun sistem yang membutuhkan jawaban pertanyaan yang cepat dan akurat, menciptakan alat pencarian dokumen yang efisien, mengembangkan chatbot atau asisten virtual yang sadar konteks, dan bahkan mendukung pembuatan konten dengan menghasilkan teks atau bentuk konten lainnya secara otomatis berdasarkan pola data yang ada.

1.4 ZerePy

ZerePy adalah kerangka kerja sumber terbuka berbasis Python yang dirancang untuk menyederhanakan implementasi dan manajemen agen kecerdasan buatan pada platform X (dahulu Twitter). Ini berkembang dari proyek Zerebro dan mewarisi fungsionalitas intinya tetapi dirancang secara lebih modular dan dapat diskalakan. Tujuannya adalah memungkinkan pengembang untuk dengan mudah membuat agen kecerdasan buatan yang dipersonalisasi dan mengimplementasikan berbagai tugas otomatisasi dan pembuatan konten pada X.

ZerePy menyediakan antarmuka baris perintah (CLI), sehingga memudahkan pengguna untuk mengelola dan mengontrol agen AI yang mereka implementasikan. Arsitektur intinya modular, memungkinkan pengembang untuk fleksibel mengintegrasikan modul fungsional yang berbeda, seperti:

• Integrasi LLM: ZerePy mendukung model bahasa besar (LLM) dari OpenAI dan Anthropic, memungkinkan pengembang untuk memilih model yang paling cocok untuk aplikasi mereka. Ini memungkinkan agen untuk menghasilkan konten teks berkualitas tinggi.
• Integrasi Platform X: Kerangka langsung mengintegrasikan dengan API X, memungkinkan agen untuk melakukan tugas seperti posting, membalas, menyukai, dan retweeting.
• Sistem Koneksi Modular: Sistem ini memungkinkan pengembang untuk dengan mudah menambahkan dukungan untuk platform sosial atau layanan lainnya, memperluas fungsionalitas kerangka kerja.
• Sistem Memori (Rencana Masa Depan): Meskipun belum sepenuhnya diimplementasikan dalam versi saat ini, tujuan desain ZerePy termasuk mengintegrasikan sistem memori yang akan memungkinkan agen untuk mengingat interaksi sebelumnya dan informasi kontekstual untuk menghasilkan konten yang lebih koheren dan personal.

Meskipun ZerePy dan proyek Eliza a16z bertujuan untuk membangun dan mengelola agen AI, namun keduanya berbeda dalam arsitektur dan fokus. Eliza lebih berorientasi pada simulasi multi-agen dan penelitian AI yang lebih luas, sedangkan ZerePy berfokus pada menyederhanakan implementasi agen AI pada platform sosial tertentu (X), menjadikannya lebih berorientasi pada aplikasi.

II. Sebuah Replika dari Ekosistem BTC

Dalam hal jalur pengembangan, agen AI memiliki banyak kesamaan dengan ekosistem BTC dari akhir 2023 hingga awal 2024. Trajektori pengembangan ekosistem BTC dapat disederhanakan sebagai berikut: persaingan multi-protokol BRC20-Atomical/Rune dan lainnya — BTC L2 — BTCFi yang berpusat di sekitar Babylon. Sementara agen AI telah mengembangkan lebih cepat berdasarkan tumpukan teknologi AI tradisional yang matang, jalur pengembangan mereka secara keseluruhan mencerminkan ekosistem BTC dalam beberapa hal. Saya akan merangkumnya sebagai berikut: GOAT/ACT — Agen tipe sosial — Kompetisi kerangka kerja agen AI analitis. Dari perspektif tren, proyek infrastruktur yang berfokus pada desentralisasi dan keamanan seputar agen kemungkinan juga akan melanjutkan gelombang kerangka kerja ini, menjadi tema dominan berikutnya.

Jadi, apakah jalur ini, seperti ekosistem BTC, akan mengarah pada homogenisasi dan pembentukan gelembung? Saya rasa tidak. Pertama, narasi agen AI tidak tentang mereproduksi sejarah rantai kontrak pintar. Kedua, apakah proyek kerangka kerja AI yang ada ini kuat secara teknis atau masih terjebak dalam tahap PPT atau hanya Ctrl + C dan Ctrl + V, setidaknya mereka menyediakan pendekatan pengembangan infrastruktur baru. Banyak artikel telah membandingkan kerangka kerja AI dengan platform penerbitan aset, dan agen dengan aset. Namun, dibandingkan dengan Memecoin Launchpads dan protokol Inscription, saya pribadi percaya kerangka kerja AI menyerupai rantai publik masa depan, sementara agen menyerupai DApps masa depan.

Di ruang Crypto saat ini, kami memiliki ribuan rantai publik dan puluhan ribu DApps. Di ranah rantai tujuan umum, kami memiliki BTC, Ethereum, dan berbagai rantai heterogen, sementara bentuk rantai aplikasi lebih beragam, seperti rantai game, rantai penyimpanan, dan rantai Dex. Rantai publik dan kerangka AI sangat mirip secara alamiah, dan DApps dapat berkorespondensi dengan baik dengan agen.

Di era Crypto dalam AI, sangat mungkin bahwa ruang akan berkembang ke arah ini, dengan perdebatan di masa depan bergeser dari EVM versus rantai heterogen ke debat kerangka kerja. Masalah saat ini lebih tentang desentralisasi, atau bagaimana "merantai" itu. Saya percaya bahwa proyek infrastruktur AI di masa depan akan berkembang di sekitar fondasi ini. Poin penting lainnya adalah: Apa pentingnya melakukan ini di blockchain?

III. Signifikansi On-Chain

Tidak peduli dengan apa yang digabungkan oleh blockchain, pada akhirnya menghadapi satu pertanyaan kritis: Apakah itu bermakna? Dalam artikel tahun lalu, saya mengkritik GameFi karena prioritas yang salah, di mana pengembangan infrastruktur terlalu maju, dan dalam artikel-artikel sebelumnya tentang AI, saya mengungkapkan keraguan tentang kemanfaatan saat ini dari menggabungkan AI dengan Crypto. Setelah semua, kekuatan pendorong naratif untuk proyek-proyek tradisional semakin melemah. Beberapa proyek tradisional yang berhasil tahun lalu dalam hal harga token umumnya adalah yang dapat menyamai atau melampaui kekuatan harga.

Apa yang dapat dilakukan AI untuk Crypto? Sebelumnya, saya memikirkan kasus penggunaan seperti agen AI yang melakukan tugas atas nama pengguna, Metaverse, dan agen sebagai karyawan - ide-ide yang relatif biasa tetapi dengan tuntutan tertentu. Namun, tuntutan ini tidak memerlukan keberadaan penuh di rantai, dan dari sudut pandang logika bisnis, mereka tidak dapat membentuk loop tertutup. Browser agen yang disebutkan dalam artikel terakhir, yang menerapkan niat, dapat menghasilkan permintaan untuk pelabelan data dan daya komputasi inferensi, tetapi kedua elemen ini masih belum terintegrasi dengan baik, dan dari segi daya komputasi, komputasi terpusat masih memiliki keunggulan.

Kembali ke keberhasilan DeFi, alasan DeFi berhasil memotong sebagian keuangan tradisional adalah karena memberikan aksesibilitas yang lebih besar, efisiensi yang lebih baik, biaya yang lebih rendah, dan keamanan tanpa kepercayaan. Jika kita mempertimbangkan kerangka kerja ini, saya pikir mungkin ada beberapa alasan mengapa "chainization" agen mungkin masuk akal:

1. Pengurangan Biaya: Dapatkah chainisasi agen menurunkan biaya penggunaan, sehingga mencapai aksesibilitas yang lebih besar dan lebih banyak pilihan bagi pengguna? Ini pada akhirnya dapat memungkinkan pengguna biasa untuk berpartisipasi dalam apa yang secara tradisional menjadi domain eksklusif "penyewaan" AI raksasa teknologi Web2.
2. Keamanan: Menurut definisi yang paling sederhana, agen adalah AI yang dapat berinteraksi dengan dunia virtual atau dunia nyata. Jika agen dapat melakukan intervensi di dunia nyata atau bahkan di dompet virtual saya, maka solusi keamanan berbasis blockchain bisa menjadi kebutuhan.
3. Permainan Keuangan Khusus Blockchain: Bisakah agen menciptakan seperangkat mekanisme keuangan unik di blockchain? Misalnya, dalam AMM (Automated Market Maker), penyedia likuiditas (LP) memungkinkan pengguna biasa berpartisipasi dalam pembuatan pasar otomatis. Demikian pula, jika agen membutuhkan daya komputasi atau pelabelan data, pengguna dapat berinvestasi dalam protokol-protokol ini dalam bentuk USDT, berdasarkan kepercayaan mereka pada sistem. Atau, agen dalam skenario aplikasi yang berbeda dapat membentuk struktur keuangan baru.
4. Interoperabilitas DeFi: Meskipun DeFi saat ini kurang memiliki interoperabilitas yang sempurna, agen mungkin dapat mengatasi masalah ini dengan memungkinkan proses penalaran yang transparan dan dapat dilacak, mengisi kesenjangan.

IV. Kreativitas?

Proyek-proyek kerangka kerja di masa depan juga akan memberikan kesempatan kewirausahaan yang mirip dengan Toko GPT. Meskipun peluncuran agen melalui kerangka kerja masih kompleks bagi pengguna biasa, saya percaya bahwa menyederhanakan proses konstruksi agen dan menyediakan kombinasi fungsi yang lebih kompleks akan memberikan keunggulan kompetitif bagi kerangka kerja tersebut di masa depan. Hal ini bisa menyebabkan terciptanya ekonomi kreatif Web3 yang jauh lebih menarik daripada Toko GPT.

Saat ini, Toko GPT masih lebih berorientasi pada penggunaan praktis tradisional, dengan sebagian besar aplikasi populer yang dibuat oleh perusahaan Web2 tradisional. Selain itu, pendapatan yang dihasilkan sebagian besar dikuasai oleh para pencipta. Menurut penjelasan resmi OpenAI, strateginya hanyalah untuk memberikan dukungan keuangan kepada pengembang yang luar biasa di Amerika Serikat, menawarkan subsidi hingga jumlah tertentu.

Dari perspektif permintaan, Web3 masih memiliki banyak kesenjangan yang perlu diisi, dan dari sudut pandang sistem ekonomi, dapat membuat kebijakan tidak adil dari raksasa Web2 menjadi lebih adil. Selain itu, kita dapat secara alami memperkenalkan ekonomi komunitas untuk memperbaiki agen lebih lanjut. Ekonomi kreatif di sekitar agen akan memberikan kesempatan bagi orang biasa untuk berpartisipasi. Di masa depan, meme AI akan jauh lebih cerdas dan menarik daripada agen yang diterbitkan oleh GOAT atau Clanker.

Tentang YBB

YBB adalah dana web3 yang mendedikasikan dirinya untuk mengidentifikasi proyek-proyek yang menentukan Web3 dengan visi untuk menciptakan habitat online yang lebih baik bagi semua penghuni internet. Didirikan oleh sekelompok pengikut blockchain yang telah aktif berpartisipasi dalam industri ini sejak 2013, YBB selalu bersedia membantu proyek-proyek tahap awal untuk berkembang dari 0 menjadi 1. Kami menghargai inovasi, gairah yang dijalankan sendiri, dan produk yang berorientasi pada pengguna sambil mengakui potensi kripto dan aplikasi blockchain.

Situs web | Twi: @YBBCapital

Disclaimer:

1. Artikel ini dicetak ulang dari [YBB Capital]. Semua hak cipta milik penulis asli [Peneliti YBB Capital Zeke]. Jika ada keberatan terhadap cetak ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penyangkalan Tanggung Jawab: Pandangan dan pendapat yang terdapat dalam artikel ini semata-mata merupakan pandangan penulis dan tidak merupakan nasihat investasi.
3. Tim Pembelajaran Gate telah menerjemahkan artikel tersebut ke dalam bahasa lain. Menyalin, mendistribusikan, atau melakukan plagiarisme terhadap artikel-artikel yang diterjemahkan dilarang kecuali disebutkan.