マルチインテリジェント・ボディ・システムの現状と展望

Author: Jinming Source: HashKey Capital Translated by: Good Oba, Golden Finance

はじめに

人工知能エージェント（AI Agent）のコンセプトは、環境を理解し、ユーザーや機械に代わって自律的に目標を達成するためのアクションを実行することができるインテリジェントなソフトウェアシステムを指し、1980年代にはすでに導入されていました。しかし、ディープラーニングと大規模言語モデル（LLM）が台頭し、人間のような反応を理解し生成する能力が実証された2010年代になってから、このコンセプトは支持を集め始めました。

今日、LLMは私たちの生活に欠かせないものとなっており、ChatGPTのような製品は世界中で1550万人以上の有料会員を誇っています。ChatGPT、Claude、DeepSeekのようなLLMの広範な採用は、エージェント経済の自然な進展への道を開いた。エージェントはLLMよりも複雑であり、単一のモデルまたは複数のモデル、およびツールセットとエージェントのアイデンティティを定義するフレームワークで構成されるシステムとして定義される（図1）。

役割、ツールキットを備えたエージェントは、ユーザーの代わりにタスクを受け取り、分析し、処理し、自律的にアクションを実行することができますが、フィードバックを提供し、強化学習を通じて学習するために人間の関与が必要になることもあります。エージェントは本質的にコンポーザブルであり、エージェントがより専門化され、技術的に成熟するにつれて、エージェントシステムの人間が関与する部分は後回しになり、エージェント間のコミュニケーションが、複雑なワークフローを簡素化し、効率性を向上させるための焦点となるでしょう。エージェントベースのフレームワークが進歩し続けるにつれて、透明性、分散化、インセンティブの調整に基づく技術であるブロックチェーンとの統合を通じて、さまざまなアプリケーションで飛躍的な向上が見込まれます。

さらに、ブロックチェーン技術の信頼性、安全性、透明性を活用することで、スマートコントラクト上のエージェントは、自律的なウォレット取引を実行し、良い行動にはトークンでインセンティブを与え、敵対的な行動にはペナルティを与えることができます。本プレゼンテーションでは、まずマルチ・インテリジェント・ボディ・システムとは何か、そしてこれらのシステム開発をサポートするオーケストレーション・フレームワークを探求し、マルチ・インテリジェント・ボディ・システムとWeb3テクノロジーとのシナジー効果を理解する。そして、Web3 Multi-Intelligentsia フレームワークのユースケース、課題、問題解決の取り組みを探ります。

図1：エージェントの構成要素

多知能体システム

マルチインテリジェント身体システムでは、単一インテリジェント身体システムとは異なり、インテリジェンスがそれぞれの領域に集中し、人間のチームワークを模倣して協力することで、多段階の複雑な実世界の問題を効率的に解決することができます（図2）。これにより、単一のLLMベースの知能の認知・推論能力が強化され、より高い拡張性と効率が得られる。単一のLLMベースの知能では、タスクを最初から最後まで完了させるという大変な負担を知能が負うことになるため、タスクが複雑化し、要求が厳しくなるにつれて、遅延やボトルネックにつながることが多い。

マルチインテリジェント体システムでは、通常、タスク要件を定義し、タスクをより小さなタスクに分解し、その能力に基づいてサブタスクをインテリジェンスに委譲するタスクマネージャーが存在します。マルチインテリジェントボディシステムの協調的な性質は、各インテリジェントボディがその役割に関連するコンテキストのみを保存できるようにすることで、効率的なメモリ管理を促進します。分散アーキテクチャのため、インテリジェンスは大きなメモリ負荷を扱う必要がなく、スケーラビリティを向上させ、より幅広いユースケースへの扉を開きます。

マルチ・インテリジェントボディシステム開発の鍵は、インテリジェンスが設定された目標を達成するために、互いに効率的に通信し、協調することを可能にするマルチ・インテリジェントボディフレームワークにあります。様々なマルチ・インテリジェント・ボディ・フレームワーク、マルチ・インテリジェント・ボディ強化学習（MARL）、シミュレーション環境、改良されたインテリジェント・ボディ・オーケストレーション・レイヤーを通じて、暗号業界を含む様々な業界にわたるインテリジェント・ボディ・ドリブン・アプリケーションのエキサイティングな機会が開かれる。以下では、インテリジェントボディ駆動型ワークフローを通じて新たな可能性を解き放つ、Web2およびWeb3のマルチインテリジェントボディオーケストレーションフレームワークのいくつかを検証します。

マルチインテリジェント・オーケストレーション・フレームワーク

マルチインテリジェント・オーケストレーション・フレームワークは、問題を解決するためのLLMベースのインテリジェンスの管理を扱います。マルチ・インテリジェント・オーケストレーション・システムは、複雑なタスクを自動化する際に、個々のインテリジェンスと比較して簡略化し、効率を向上させる上で重要な役割を果たします。

図2：マルチエージェント・フレームワーク・アーキテクチャ

これはマルチエージェント・フレームワークの網羅的なリストではないことに注意してください。進化し続けているため、これは網羅的なリストではないことに注意してください。

AutoGen

AutoGenは、Microsoft ResearchのArtificial Intelligence Frontier Labによって設計されたオープンソースのマルチインテリジェンスフレームワークです。AutoGen Coreは、Pythonおよび.NET言語でプログラム可能なメッセージングおよびイベント駆動型のインテリジェンスを実装しています。AgentChat APIは、インテリジェンス間のシームレスな通信を可能にし、Core APIの上に構築されています。AgentChatAPIは、インテリジェンス間のシームレスな通信を可能にし、Core API上に構築されています。Webブラウジング、ビデオ分析、ファイル分析、ラングチェーンツールのラッピングなどの機能をインテリジェンスに実行させるための拡張機能が利用可能です。MagenticOneはAutoGenマルチ・インテリジェンス・フレームワーク上に構築されており、コーディング、ウェブ閲覧、ファイル管理などのタスクを実行します。

CrewAI

CrewAIはオープンソースのマルチインテリジェンスプラットフォームで、明確に定義された役割ベースのマルチインテリジェンスオーケストレーションにより、効率的でシームレスなタスク自動化を可能にします。タスクの自動化を実現します。そのアーキテクチャにより、設定可能な役割、目標、パーソナリティを持つインテリジェンスが順次または並行して相互作用し、整然としたタスクの実行を保証します。CrewAIはまた、LangChainとLlamaIndexツール、およびPortkeyが提供するエンタープライズグレードの機能へのアクセスを提供し、インテリジェンスが外部API、データベース、検索システムを簡単に使用できるようにします。また、このプラットフォームは開発者に優しく、YAMLベースの設定をサポートしているため、開発者は簡単にインテリジェンスを設定し、展開することができます。

Langroid

LangroidはオープンソースのPythonプログラミングフレームワークであり、その中心的な設計原理としてマルチ知能体プログラミングを採用しています。知能体に市民と同様の地位を与える。シンプルさ、直感性、拡張性で開発者に認められているこのフレームワークは、複雑な知能体アプリケーションのニーズを満たすために、様々なモジュールとツールを提供します。デフォルトでは、インテリジェンスはメッセージトランスレータとして動作し、LLMレスポンダ、インテリジェンスレスポンダ、ユーザレスポンダの3つのレスポンダメソッドを持っています。LLMレスポンダ、インテリジェンスレスポンダ、ユーザレスポンダです。これらのレスポンダメソッドを組み合わせることで、インテリジェンスは機能を実行し、人間が読める自然言語応答を生成し、インテリジェンスのワークフローに人間のフィードバックを組み込むことができます。タスクをインテリジェンスにカプセル化することで、サブタスクを他のインテリジェンスに委譲し、インタラクションをオーケストレーションすることができます。OpenAI LLMとLLM関数コールは、ToolMessageメカニズムを通してサポートされ、インテリジェンスが様々なツールと関数にアクセスできるようにします。LanceDB、Qdrant、Chromaなどのベクターストアとの統合により、Langroidのインテリジェンスは持続的なダイアログの状態とベクターストアのメモリを持っており、複雑な動的シナリオの管理に長けています。

CAMEL

CAMELはオープンソースのマルチ・インテリジェント・ボディ・フレームワークで、汎用のインフラストラクチャを提供します。インフラストラクチャである。CAMELの一部として、ソーシャルモジュールはマルチインテリジェンスの調整において重要な役割を果たします。RolePlayingとBabyAGIという2つのフレームワークで構成され、知的身体の相互作用を管理し、目標指向の結果を推進するように設計されています。CAMELはさまざまなベクターデータベースやLLMと統合することで、RAGをサポートし、インテリジェンスに永続的なメモリを提供するため、大規模なエンタープライズアプリケーションに適している。しかし、RolePlayingフレームワークの成功には、現在のところ、開発者に効果的なキューエンジニアリングのスキルとペルソナ設計が要求されるため、コーディングやAIの強力なバックグラウンドがない人にとっては、親しみにくいかもしれない。CAMELは、リアルタイム情報にアクセスし、マルチモーダル機能をサポートし、グラフィカルなRAGを利用するAIチャットボット、Eigent Botを展開している。CAMELはAIチャットボットEigent Botを導入した。

MetaGPT

MetaGPTはメタプログラミングされたマルチインテリジェンスのオーケストレーションフレームワークであり、標準的な操作手順（SOP）をプロンプトのシーケンスとしてエンコードします。インテリジェンスの役割と責任を明確に定義しています。MetaGPTの知能は、1対1の対話ではなく、共有メッセージプールへの定義された出力フォーマットを介して通信を行うため、無関係なコンテンツや欠落したコンテンツを減らすことができます。MetaGPTは、明確に定義された役割がコード品質とタスク割り当てを向上させるソフトウェア開発環境において特に効果的です。コード生成ベンチマークに対して測定したところ、MetaGPTはHumanEvalで85.9%、MBPPで87.7%という大きな結果を達成しました。

LangGraph

LangGraphはLangChainのクリエイターによって開発されたオープンソースのインテリジェンスフレームワークです。複雑なマルチインテリジェンスワークフローをモジュールアーキテクチャで管理するように設計されており、異なるインテリジェンスが通信し、調整し、タスクを効率的に実行することを可能にします。LangGraphは、インテリジェントなワークフローの異なるコンポーネント間の関係をモデル化するためにグラフベースのアーキテクチャを使用することにより、分散システム間での動的なタスク割り当て、シームレスなスケーラビリティ、ロバストな問題解決を容易にします。この革新的なアプローチは、永続的なコンテキスト保持を必要とするマルチステップワークフローの状態管理を簡素化します。さらに、軽量なラッパーであるLangchain Model Context Protocol (MCP) Adapterにより、LangGraphインテリジェンスで使用するMCPツールをLangchainツールに簡単に変換することができ、利用可能なツールセットを拡張することができます。マルチインテリジェンス空間において、LangGraphはLangChainエコシステムを活用することで、強力なネットワーク効果から利益を得ています。

ElizaOS

おそらく最も有名なWeb3マルチインテリジェンスフレームワークであるElizaOSは、オープンソースのTypeScriptマルチインテリジェンスフレームワークです。Web3コンポーネントを組み込んだフレームワークで、暗号業界における参入障壁やアクセシビリティの問題に対処している。このフレームワークはモジュラー設計で、広範なプラグイン・セットが付属しており、現在、さまざまなモデル（OpenAI、DeepSeek、Llama、Qwenなど）、プラットフォーム統合（Twitter、Discord、Telegram、Farcasterなど）、25以上のチェーン互換性（Solana、Ethereum、Ton、Aptitudeなど）をサポートしている、Ethereum、Ton、Aptos、Sui、Seiなど）。ElizaOSのコア・アーキテクチャは、インテリジェンス、ロール・ファイル、プロバイダー、オペレーション、エバリュエーターで構成され、インテリジェンスがさまざまなタスクを実行する際に、永続的で、メモリとコンテキストを認識し、エバリュエーターからフィードバックを得て、より良いパフォーマンスを確保することを可能にします。

注目すべき例として、ai16z DAO Fundがあります。これはElizaOSフレームワークを活用して自律的なインテリジェンスを構築し、市場のシグナルをフィルタリングして様々なミームコインを取引していました。

Web3で最も成熟したスマートボディフレームワークであるElizaOSスマートボディフレームワークは、Web3開発者の間で人気が高まり続けています。の統合があります。将来的には、SmartBody Launch Platformを立ち上げる計画で、ノー・ローコードのSmartBody Launch Platformを提供することで、開発者の興味をさらにそそることができるでしょう。

RIG

3K以上のgithubスターを持つもう1つの人気のあるWeb3スマートボディフレームワークは、RustベースのオープンソーススマートボディであるRIGです。RIGフレームワークは、キューチェイニングから条件ロジック、並列タスク実行まで、高度な推論パターンをサポートしながら、軽量なコアを提供することで際立っている。RIGフレームワークは、サポートされているLLMプロバイダ（OpenAI、cohere、DeepSeekなど）全体で統一されたAPIを提供し、RAG実装のための簡素化されたエンベッディングとベクトルストレージをサポートする。また、LLMベースのアプリケーションのためにフレームワークを拡張可能にするカスタムツールを作成することもできます。

Rustの非同期機能を使用することで、マルチインテリジェンスシステムは複数のタスクを同時に処理できます。RIGの開発元であるARCは、Solana Foundationと提携し、RIGを使用してRustベースのインテリジェンスを構築する開発者を対象に助成金を提供することで、フレームワークの採用を促進している。さらにARCは、Virtualsと同様のローンチ・プラットフォーム・モデルを使用するインテリジェンス・ローンチ・プラットフォームであるForgeをローンチしたが、現在はホワイトリストに登録されたチームにのみプラットフォームへのアクセスを許可している。 RIGとForgeローンチ・プラットフォームの注目すべきユースケースは、取引戦略ライブラリによって駆動されるインテリジェンスのグループを編成し、HyperliquidでRustベースのインテリジェンスを構築するマルチインテリジェンス・ヘッジファンドであるAskJimmyプラットフォームである。RIGとForgeのローンチ・プラットフォームの注目すべきユースケースは、AskJimmyプラットフォームです。AskJimmyプラットフォームは、取引戦略のライブラリによって駆動されるインテリジェンスのクラスターを編成し、Hyperliquid、Drift、GMXなどの主要プラットフォーム上でEVMとSolanaにわたってシームレスに取引を実行するマルチインテリジェンス・ヘッジファンドです。

G.A.M.E

バーチャル・プロトコル・チームが開発したG.A.M.Eフレームワークは、PythonとJavaScriptをベースにしたオープンソースのマルチインテリジェンス・フレームワークです。JavaScriptベースのオープンソースマルチインテリジェンスフレームワークで、オンチェーンインテリジェンスの作成を容易にします。Web3ライブラリであるGOAT SDKとの統合により、様々なプロトコルにまたがる200以上のオンチェーンオペレーションをインテリジェンスに提供します。タスク処理は階層的アプローチによって達成され、タスクプランナーがタスクをサブタスクに分解し、最終的なアウトプットを提供するために調整と通信を行う専門化された作業インテリジェンスに委任する。AIXBT（独自のXアカウントを持つAI主導のオンチェーン分析インフルエンサー）は、立ち上げ以来、その分析的洞察で広く認知されるようになり、この記事を書いている時点で49万人以上のフォロワーがいる。

ソース：Virtuals Protocol GAME architecture

uAgents

uAgentsはFetch.AIによって開発されたPythonベースのマルチインテリジェンスフレームワークで、様々なWeb2.0と統合されています。LangChain、Vertex AI、CrewAIなどの様々なWeb2フレームワークと統合されており、Fetch.AIブロックチェーン上で自律的なインテリジェンスを簡単に作成し、展開することができます。一度作成されると、インテリジェンスはAlmanacスマートコントラクトに登録され、他のインテリジェンスがコントラクトを簡単に照会し、そのインテリジェンスアドレスとHTTPエンドポイントを通して受信インテリジェンスを特定できるようにします。暗号化されたセキュリティにより、インテリジェンス間のやり取りは安全性を保ち、セキュリティを損なうことなく、最も適切なインテリジェンスがユーザーの要求を満たすことができる。

比較分析（Web2フレームワークとWeb3フレームワーク）

Web3マルチ・インテリジェント・ボディ・フレームワークの利点

Web2マルチインテリジェンス・フレームワークは比較的成熟しており、組織的に強い需要がありますが、Web3マルチインテリジェンス・フレームワークと比べると、ネイティブのインチェーン機能が不足しています。Web2ツールを使用する開発者は、スマートコントラクトとのやり取りやブロックチェーンのデータを解析するためにサードパーティのライブラリを添付する必要があり、複雑さと潜在的な脆弱性をもたらす。Web3マルチスマートボディフレームワークを使用する開発者は、これらのフレームワークが提供するビルトインオンチェーン機能の恩恵を受け、オンチェーンスマートボディをデプロイする際に、よりシームレスなエクスペリエンスを提供することができます。さらに、基盤となるインフラとしてブロックチェーンとスマートコントラクトを活用することで、オンチェーンスマートボディは、ウォレットがユーザーに代わってオンチェーン操作を実行したり、インセンティブの一貫性を確保したりするなど、暗号トラックから利益を得ることができます。

Web3マルチスマートボディフレームワークのパフォーマンス指標

Web3でワークフローを簡素化する

Web3ワークフロー

Web2プロキシ・フレームワークの成熟度と人気が高まっているにもかかわらず、Web3では2024年の第4四半期までプロキシのコンセプトは支持を集めませんでした。ElizaOS、Virtuals Protocol、RIG (それぞれ独自のトークンを持つ) などの主要なプレイヤーは、このコンセプトの新しいバージョンを実装しました。ElizaOS、Virtuals Protocol、RIG（それぞれ独自のトークンを持つ）などの主要プレーヤーは、大きな時価総額を達成しており、単なる投機的取引ではなく、Web3におけるAIプロキシへの強い需要を浮き彫りにしている。これらのトークンの時価総額に反映されている興奮は根拠のないものではなく、Web3は現在も主流への採用に向けて取り組んでいる。ブロックチェーン上のエージェントが自律的にオンチェーン操作を実行できるようにすることは、ユーザー体験を一変させる大きな可能性を秘めている。実現可能な効率性に加え、Web3におけるエージェントの問題は、ブロックチェーンにおけるAIの同様の議論、すなわち透明性とトレーサビリティ、高度なセキュリティ機能にまで遡ることができる。エージェントのトランザクションはブロックチェーン上に記録され、ユーザーはエージェントが行ったアクションを簡単に追跡・検証することができる。以下に、エージェントの採用に最適な主要分野をいくつか紹介します。

DeFAI

オンチェーン取引は本質的に複雑であり、ユーザーはブロックチェーンとWeb3ウォレットについて少なくとも基本的な理解を持っている必要があります。そのため、ユーザーエクスペリエンスが低く、非暗号化ネイティブのユーザーにとっては依然として大きな障壁となっている。ソーシャルログインは最近、様々なWeb3ウォレットプロバイダーによって広く採用されていますが、アカウントとチェーンの抽象化の開発はまだ遅く、限定的です。ユーザーはDeFiをナビゲートする際に、ガス料金、ウォレットアドレス、ブリッジングなどの概念を理解する必要があります。対照的に、OpenAIの最近導入されたOperator Agentは、トランザクションを実行するためにユーザー側の簡単な自然言語処理のみを必要とし、バックエンドのエージェント処理を通じてユーザーが取らなければならない複数のステップを抽象化しています。web3も同じであるべきで、AIエージェントを様々なDeFi（DeFAI）プロトコルと統合することで、ユーザーエントリーを容易にし、シームレスな体験を促進できると考えています。シームレスな体験。

ヴァーチャルズ・プロトコルは最近、エージェント同士がどのように通信し、相互作用するかについて標準化されたアプローチを定めたエージェント・コマース・プロトコルを導入しました。このアプローチは、リクエスト、ネゴシエーション、トランザクション、評価を含む4段階のプロセスを導入している。評価者、スマートコントラクトベースのエスクロー、暗号認証の導入は、提供される取引がタスクの要件を満たすことを保証するフレームワークの中核機能である。すべての要件が満たされると、スマートコントラクトのトリガーが資金のロックを解除し、サービスを提供する。エージェント・コマース・プロトコルは、マルチインテリジェントなオーケストレーション・フレームワークが、トラストレスで安全な方法でチェーン上のエージェント間のやり取りを促進するのに役立つ方法の一例に過ぎません。

Olas Protocolは、DeFAIが実際に機能していることを実証しています。同社のPearlアプリショップには、Uniswap、Balancer、Sturdyのようなプラットフォーム上で自動化するためにOlasスタックを使用するMobiusとOptimusエージェントが含まれています。OlasプロトコルのMechマーケットプレイスは、エージェントツールやプラグインのクリアリングハウスとしても機能し、配備されたエージェントがエージェント間コミュニケーションを通じてタスクをアウトソースすることを可能にする。他の注目すべき例として、Questflowがある。Questflowもまた、インテントマッチング型のマルチインテリジェントエージェントオーケストレーションフレームワークを提案しており、ユーザリクエストは、関連するエージェントを認識するオーケストレータによって処理され、エージェントのワークフローの実行を監督するタスクマネージャを介して、これらのタスクにエージェントを委譲する。エージェントはDeagentエージェントレジストリに割り当てられるため、エージェント作成者は公平に報酬を得ることができます。

データ所有権

大規模なエージェント環境と、生成される大量のオンチェーンデータにより、オンチェーン分析はますます価値のある分野となっており、多くのプロジェクトがデータラベリングサービス（Data Labelling Services: DMS）を提供しようとしています。データ・ラベリング・サービス（Sahara AIなど）、トラッキング（Arkham Intelligence、Kaito）、証明登録（EAS、BASなど）を提供しようとしている多くのプロジェクトがある。エージェントは、ユーザーの右腕として、ユーザーから許可を得ることで、Web3における成長するデータランドスケープに貢献することができます。

ゲーム

Web3ゲームコミュニティでは、AIを搭載したエージェントへの関心と需要が高まっています。ゲームエージェントは、ノンプレイヤーキャラクター（NPC）に力を与えたり、ゲーム内の経済を管理したりします。ゲームエージェントは、自律的にタスクを実行し、プレイヤーのアクションに反応することで、ダイナミックで応答性の高い環境を作り出します。この分野の注目すべきプロジェクトには、Parallel社のWayFinderプラットフォームがあり、ゲーム内のさまざまなエージェント・ワークフローでAIエージェントが使用できるナレッジグラフを構築している。Virtuals Protocolはまた、G.A.M.Eフレームワークによって駆動される複数のインテリジェンスが自律的に相互作用し、ダイナミックなゲームシナリオを駆動するRobloxのインタラクティブシミュレーション、Project WestWorldを立ち上げました。

その他の使用例

• AIドリブンDAO：エージェントは、長ったらしい提案を、メインストリームのユーザーが簡単に理解し投票できるようなわかりやすい情報に集約することで、分散化の中核となる精神を高めることができます。

• スマートコントラクト監査、ネットワーク分析、詐欺検出：エージェントはデバッグにおいて重要な役割を果たすことができ、多くの場合、潜在的なリスクを人間よりも早く特定することができるため、人間のインテリジェンスと組み合わせることで、セキュリティリスクを軽減することができます。

• サプライチェーンの最適化：AIの予測力とブロックチェーンの透明性とセキュリティ機能を利用することで、より費用対効果の高いオペレーションを合理化し、可能にすることができます。

Web3マルチインテリジェント・システムの成熟に向けた課題と取り組み

Web3環境におけるマルチインテリジェント・システム（MAS）(エージェントが分散型インフラストラクチャ上で実行され、多くの場合スマートコントラクトを使用してオーケストレーションされる)は、その設計、デプロイメント、パフォーマンスに影響を与える可能性のある多くの制限や課題に直面しています。

• 個々のLLMに基づくシステムと同様に、マルチ・インテリジェント・ボディ・システムはモデル錯覚のリスクにさらされます。マルチ・インテリジェント・ボディ・システムにおける幻覚のリスクは、幻覚があるエージェントから別のエージェントに渡されるときに悪化する可能性があります。エージェント間のコミュニケーション管理が不十分だと、パフォーマンスが最適でなくなる。その結果、多くのフレームワークは、未来の完全に自律的なエージェントに向かうにつれて、まだ人間の監視を必要とするでしょう。

• エージェント間のコンセンサスと状態の同期を可能にします。マルチインテリジェントシステムでは、タスクを成功裏に完了するために、エージェントは複雑で階層化されたマルチインテリジェントシステムをナビゲートし、全体的なタスク、自身の責任、マルチインテリジェント通信との整合性を確保しなければなりません。

• Web3のエージェントは、基礎となるブロックチェーン上で実行されるため、他の種類のトランザクションとブロックスペースを奪い合うため、スケーラビリティとレイテンシーの問題にも直面します。このため、ブロックチェーンのスケーラビリティの課題が解決されるまでは、大規模なエージェントネットワークの完全なオンチェーン・オーケストレーションは当面見られないかもしれない。ブロックチェーンにおけるセキュリティとプライバシーの課題も、Web3環境特有のものであり、複雑さを増している。Phala Networkはまた、PhalaのTEE能力とGoPlusのTEE能力を活用するため、GoPlusとの提携を発表した。Phala Networkはまた、PhalaのTEE機能とGoPlusのセキュリティ機能でElizaOSエージェントを強化するためのGoPlusとのパートナーシップも発表しました。

• マルチインテリジェントな在庫管理。マルチインテリジェント・システムでは、異なるエージェントが異なるタスクを実行し、異なる情報を保存します。そのため、全体的な目標を確実に達成するためには、情報のコンセンサスを得ることが有用であり、一方で、エージェントによっては機密性の高い情報を扱う場合があるため、強力なアクセス制御メカニズムを実装することが極めて重要です。強力なセキュリティ対策を実装しないと、データプライバシー侵害やタスク実行の失敗につながる可能性があります。

• 科学的なラボ実験、経済学的なモデリング、オンチェーンスキルなど、特定の分野における包括的なベンチマークや評価基準の欠如は、この分野の急速な成長を妨げる可能性があります。

結論

マルチ・インテリジェント・ボディのフレームワークの未来は、期待に満ちていますが、課題も多く、前途が長いことを強調しています。確立され、制度的にも認知されているWeb2マルチインテリジェンス・フレームワークと比較すると、Web3マルチインテリジェンス・フレームワークは、まだ相対的に発展途上にあり、実用化可能なユースケースは限られている。それにもかかわらず、規制の変化と上記の課題を軽減するための継続的な努力は、さらなる採用のための重要な触媒となっています。

さらに、エージェントの作成を簡素化し、エージェントのユースケースを拡張するためのエージェント開発ツール（SendAIスイート、Coinbaseエージェントスイート、ShellAgentノーコードプラットフォーム、Olasスタックなど）の成長は進歩を続けており、開発者の成長と新たなイノベーションを促進しています。GOAT SDK のような Web3 ライブラリの進歩は、エージェントが実装する操作の可能性を広げるのに役立っています。最終的には、テクノロジーが進化し、これらのシステムが成熟するにつれて、エージェントのワークフローが連鎖したインタラクションの中で一般的になることが期待できます。Web2に多くのマルチインテリジェンスフレームワークがあるように、Web3では汎用的でニッチなアプローチを提供するエージェントフレームワークが増えることを期待しています。