Zusammenfassung; Zu lang; Nicht gelesen

• In Web2-Startups sind AI-Agentenprojekte beliebt und ausgereift, insbesondere in Unternehmensdienstleistungen. Im Web3-Bereich sind Projekte, die sich auf Modelltraining und Plattformaggregation konzentrieren, aufgrund ihrer Schlüsselrolle bei der Entwicklung von Ökosystemen zum Mainstream geworden.
• Derzeit machen KI-Agentenprojekte nur 8% der Web3-Projekte aus, aber ihre Marktkapitalisierung macht bis zu 23% des KI-Sektors aus. Dies zeigt eine starke Marktkonkurrenz, und wir erwarten, dass mehrere Projekte eine Bewertung von über 1 Milliarde US-Dollar erreichen, wenn die Technologie reift und die Marktzulassung zunimmt.
• Für Web3-Projekte kann die Integration von KI-Technologie in nicht-KI-Kernanwendungen zu einem strategischen Vorteil werden. Bei der Kombination mit AI-Agent-Projekten sollte darauf geachtet werden, das gesamte Ökosystem aufzubauen und Token-Wirtschaftsmodelle zu entwerfen, um Dezentralisierung und Netzwerkeffekte zu fördern.

Die AI-Welle: Aufstrebende Projekte und steigende Bewertungen

Seit der Einführung von ChatGPT im November 2022 hat es in nur zwei Monaten über 100 Millionen Benutzer angezogen. Bis Mai 2024 hatte ChatGPT einen monatlichen Umsatz von erstaunlichen 20,3 Millionen Dollar erreicht, und OpenAI veröffentlichte schnell iterative Versionen wie GPT-4 und GPT-4o. Dieses schnelle Tempo hat traditionelle Tech-Giganten dazu veranlasst, die Bedeutung von modernen KI-Modellen wie LLMs anzuerkennen. Unternehmen wie Google haben das große Sprachmodell PaLM2 veröffentlicht, Meta hat Llama3 gestartet und chinesische Unternehmen haben Modelle wie Ernie Bot und Zhipu Qingyan vorgestellt, um KI als entscheidenden Schlachtfeld hervorzuheben.

Der Wettlauf unter den Technologiegiganten hat nicht nur die Entwicklung von kommerziellen Anwendungen beschleunigt, sondern auch die Open-Source-KI-Forschung vorangetrieben. Der AI-Index-Bericht 2024 zeigt, dass die Anzahl der KI-bezogenen Projekte auf GitHub von 845 im Jahr 2011 auf etwa 1,8 Millionen im Jahr 2023 in die Höhe geschossen ist, mit einem Anstieg von 59,3% gegenüber dem Vorjahr 2023, was die Begeisterung der globalen Entwicklergemeinschaft für die KI-Forschung widerspiegelt.

Diese Begeisterung für KI-Technologie spiegelt sich direkt auf dem Investitionsmarkt wider, der im zweiten Quartal 2024 ein explosives Wachstum verzeichnete. Es gab weltweit 16 KI-bezogene Investitionen, die $150 Millionen überstiegen, doppelt so viele wie im ersten Quartal. Die Gesamtfinanzierung von KI-Startups stieg auf $24 Milliarden und verdoppelte sich damit im Jahresvergleich. Bemerkenswert ist, dass xAI von Elon Musk $6 Milliarden aufbrachte und mit einer Bewertung von $24 Milliarden zum zweithöchst bewerteten KI-Startup nach OpenAI wurde.

Top 10 AI-Sektor-Finanzierungen im 2. Quartal 2024, Quelle: Yiou, https://www.iyiou.com/data/202407171072366

Die rasante Entwicklung der KI gestaltet die Technologielandschaft in einem beispiellosen Tempo um. Von der harten Konkurrenz unter den Technologiegiganten über die boomende Open-Source-Community bis hin zur Begeisterung des Kapitalmarktes für KI-Konzepte entstehen kontinuierlich Projekte, erreichen Investitionssummen neue Höchststände und steigen die Bewertungen stetig an. Insgesamt befindet sich der KI-Markt in einem goldenen Zeitalter des schnellen Wachstums, mit bedeutenden Fortschritten in der Sprachverarbeitung, die von großen Sprachmodellen und Technologien zur reaktivierten Generierung angetrieben werden. Allerdings bleiben Herausforderungen bei der Umsetzung dieser technologischen Fortschritte in reale Produkte bestehen, wie die Unsicherheit bei der Modellausgabe, das Risiko der Erzeugung ungenauer Informationen (Halluzinationen) und Probleme mit der Modelltransparenz – insbesondere in hochzuverlässigen Anwendungen.

In diesem Zusammenhang haben wir begonnen, KI-Agenten zu erforschen, die den Schwerpunkt auf die Problemlösung und die Interaktion mit realen Umgebungen legen. Diese Verschiebung markiert die Entwicklung der KI von reinen Sprachmodellen hin zu intelligenten Systemen, die in der Lage sind, reale Probleme wirklich zu verstehen, zu lernen und zu lösen. Wir sehen vielversprechende KI-Agenten, da sie nach und nach die Lücke zwischen KI-Technologie und praktischer Problemlösung schließen. Während sich die KI weiterentwickelt, um die Produktivitätsrahmenbedingungen neu zu gestalten, rekonstruiert das Web3 die Produktionsbeziehungen der digitalen Wirtschaft. Wenn die drei Säulen der KI – Daten, Modelle und Rechenleistung – mit den Kernprinzipien des Web3 – Dezentralisierung, Token-Ökonomie und Smart Contracts – verschmelzen, sehen wir die Geburt einer Reihe innovativer Anwendungen voraus. An dieser vielversprechenden Schnittstelle zeigen KI-Agenten mit ihrer Fähigkeit, Aufgaben autonom auszuführen, ein immenses Potenzial für großflächige Anwendungen. Daher befassen wir uns mit den vielfältigen Anwendungen von KI-Agenten im Web3, von der Web3-Infrastruktur, Middleware und Anwendungsschichten bis hin zu Daten- und Modellmarktplätzen, mit dem Ziel, die vielversprechendsten Projekttypen und Anwendungsszenarien zu identifizieren und zu bewerten, um unser Verständnis der KI-Web3-Integration zu vertiefen.

Konzeptklärung: Einführung und Überblick der Klassifizierung von KI-Agenten

Grundlegende Einführung

Bevor wir KI-Agenten einführen, um den Lesern den Unterschied zwischen ihrer Definition und traditionellen Modellen besser verständlich zu machen, wollen wir ein reales Szenario als Beispiel verwenden: Nehmen wir an, Sie planen eine Reise. Ein traditionelles großes Sprachmodell bietet Informationen über Reiseziele und Reisevorschläge. Die Retrieval-augmented Generation (RAG)-Technologie kann jedoch reichhaltigere, spezifischere Informationen zu Reisezielen bieten. Im Gegensatz dazu fungiert ein KI-Agent ähnlich wie Jarvis aus dem Film EisenmannFilme – es versteht Ihre Bedürfnisse, sucht aktiv nach Flügen und Hotels basierend auf Ihrer Anfrage, nimmt Reservierungen vor und fügt den Reiseplan zu Ihrem Kalender hinzu.

In der Branche werden AI-Agenten im Allgemeinen als intelligente Systeme definiert, die in der Lage sind, die Umgebung wahrzunehmen und angemessene Maßnahmen zu ergreifen, indem sie Umgebungsinformationen durch Sensoren sammeln, verarbeiten und die Umgebung durch Aktuatoren beeinflussen (Stuart Russell & Peter Norvig, 2020). Wir betrachten einen AI-Agenten als Assistenten, der LLM (Large Language Models), RAG, Gedächtnis, Aufgabenplanung und Werkzeugnutzung integriert. Er bietet nicht nur Informationen, sondern plant auch Aufgaben, bricht sie herunter und führt sie tatsächlich aus.

Basierend auf dieser Definition und den Merkmalen können wir sehen, dass KI-Agenten bereits in unser tägliches Leben integriert sind und in verschiedenen Szenarien angewendet werden. Zum Beispiel können AlphaGo, Siri und Teslas autonomes Fahren der Stufe 5 und höher alle als Beispiele für KI-Agenten betrachtet werden. Das gemeinsame Merkmal dieser Systeme ist ihre Fähigkeit, externe Benutzereingaben wahrzunehmen und Entscheidungen zu treffen, die die reale Welt basierend auf diesen Eingaben beeinflussen.

Um Konzepte anhand von ChatGPT als Beispiel zu klären, ist es wichtig zu unterscheiden, dassTransformerist die technische Architektur, die das Fundament von KI-Modellen bildet, während GPTbezieht sich auf die Serie von Modellen, die auf dieser Architektur entwickelt wurden. GPT-1, GPT-4 und GPT-4o repräsentieren verschiedene Stadien der Modellentwicklung. ChatGPT, als eine Weiterentwicklung des GPT-Modells, kann als KI-Agent betrachtet werden.

Überblick über die Klassifizierung

Derzeit gibt es keinen einheitlichen Klassifizierungsstandard für KI-Agenten auf dem Markt. Durch die Markierung von 204 KI-Agentenprojekten in den Web2- und Web3-Märkten basierend auf ihren herausragenden Merkmalen haben wir sowohl primäre als auch sekundäre Klassifikationen erstellt. Die primären Klassifikationen umfassen Infrastruktur, Inhalteerstellung und Benutzerinteraktion, die dann weiter nach tatsächlichen Anwendungsfällen unterteilt werden:

• Infrastruktur: Konzentriert sich auf den Aufbau grundlegender Komponenten im Bereich des KI-Agenten, einschließlich Plattformen, Modellen, Daten, Entwicklungstools und unternehmensweiten B2B-Diensten.
• Entwicklungswerkzeuge: Bieten Entwicklern Hilfsmittel und Rahmenbedingungen zum Aufbau von KI-Agenten.
• Datenverarbeitung: Daten in verschiedenen Formaten verarbeiten und analysieren, hauptsächlich zur Unterstützung von Entscheidungsfindung und Bereitstellung von Quellen für Schulungen.
• Modelltraining: Bietet Modelltrainingsservices für KI an, einschließlich Inferenz, Modellentwicklung und -einstellungen usw.
• B2B-Dienste: Hauptsächlich für Unternehmensbenutzer, die Unternehmensdienste, vertikale und automatisierte Lösungen bereitstellen.
• Plattform-Aggregation: eine Plattform, die mehrere KI-Agenten-Services und -Tools integriert.
• Benutzerinteraktion: Ähnlich wie bei der Inhalterstellung, aber mit fortlaufender beidseitiger Interaktion. Interaktionsagenten verstehen nicht nur Benutzerbedürfnisse und reagieren darauf, sondern geben auch Feedback mittels natürlicher Sprachverarbeitung (NLP), was eine bidirektionale Kommunikation ermöglicht.
• Emotionale Begleitung: KI-Agent, der emotionale Unterstützung und Begleitung bietet.
• GPT-basiert: AI-Agent auf Basis des GPT (generative Pre-Training Transformer) Modells.
• Suche: Agent, der sich auf Suchfunktionen konzentriert und eine genauere Informationssuche ermöglicht.
• Inhalteerstellung: Projekte, die sich darauf konzentrieren, Inhalte mithilfe von großen Modelltechnologien gemäß Benutzeranweisungen zu erstellen, unterteilt in Texterstellung, Bildgenerierung, Videogenerierung und Audiogenerierung.

Analyse der Entwicklung von Web2 AI-Agenten

Laut unserer Forschung konzentriert sich die Entwicklung von KI-Agenten im traditionellen Web2-Internet eindeutig auf bestimmte Sektoren. Etwa zwei Drittel der Projekte konzentrieren sich auf die Infrastruktur, insbesondere auf B2B-Dienstleistungen und Entwicklertools. Wir haben dieses Phänomen analysiert und mehrere Schlüsselfaktoren identifiziert:

Auswirkungen der Technologiereife: Die Dominanz von Infrastrukturprojekten ist weitgehend auf die Reife der zugrunde liegenden Technologien zurückzuführen. Diese Projekte basieren oft auf etablierten Technologien und Frameworks, was die Schwierigkeit und das Risiko der Entwicklung reduziert. Sie dienen als die 'Schaufeln' im KI-Bereich und bieten eine solide Grundlage für die Entwicklung und Anwendung von KI-Agenten.

Marktnachfrage: Ein weiterer wichtiger Faktor ist die Marktnachfrage. Im Vergleich zum Verbrauchermarkt hat der Unternehmensmarkt einen dringenderen Bedarf an KI-Technologie, insbesondere an Lösungen zur Verbesserung der Betriebseffizienz und Kostensenkung. Für Entwickler macht der stabile Cashflow von Unternehmenskunden die Entwicklung nachfolgender Projekte einfacher.

Anwendungseinschränkungen: Gleichzeitig haben wir festgestellt, dass KI-generierte Inhalte auf dem B2B-Markt nur begrenzte Anwendungsszenarien haben. Aufgrund der Instabilität ihrer Ergebnisse ziehen es Unternehmen vor, Anwendungen zu nutzen, die die Produktivität zuverlässig steigern, weshalb KI-generierte Inhalte nur einen kleinen Teil der Projektlage einnehmen.

Dieser Trend spiegelt die praktischen Überlegungen zur technologischen Reife, Marktnachfrage und Anwendungsszenarien wider. Da die KI-Technologie weiter voranschreitet und die Marktnachfrage klarer wird, erwarten wir, dass sich dieses Bild verschieben wird, aber die Infrastruktur wird wahrscheinlich ein Eckpfeiler der Entwicklung von KI-Agenten bleiben.

Analyse der führenden Web2 KI-Agentenprojekte

Zusammenstellung der KI-Agenten führenden Projekte von Web2, Quelle: ArkStream Projekt-Datenbank

Wir haben einige der führenden KI-Agentenprojekte im Web2-Markt analysiert, die aus der ArkStream-Projektdatenbank stammen. Anhand von Character AI, Perplexity AI und Midjourney gehen wir auf ihre Details ein.

Character AI:

• Produktübersicht: Character.AI bietet KI-basierte Konversationssysteme und Tools zur Erstellung virtueller Charaktere an. Die Plattform ermöglicht es Benutzern, virtuelle Charaktere zu erstellen, zu trainieren und mit ihnen in natürlichen Sprachgesprächen zu interagieren und spezifische Aufgaben auszuführen.
• Datenanalyse: Im Mai hatte Character.AI 277 Millionen Besuche und über 3,5 Millionen täglich aktive Benutzer, von denen die meisten zwischen 18 und 34 Jahre alt sind, was auf eine jüngere Benutzerbasis hinweist. Character AI hat sich auf dem Kapitalmarkt gut entwickelt und 150 Millionen US-Dollar an Finanzierung mit einer Bewertung von 1 Milliarde US-Dollar gesammelt, angeführt von a16z.
• Technische Analyse: Character AI hat eine nicht-exklusive Lizenzvereinbarung mit Alphabet, dem Mutterunternehmen von Google, unterzeichnet, um sein großes Sprachmodell zu nutzen. Die Gründer des Unternehmens, Noam Shazeer und Daniel De Freitas, waren an der Entwicklung des Konversations-Sprachmodells von Google, Llama, beteiligt.

Perplexity AI:

• Produktübersicht: Perplexity durchsucht das Internet, um detaillierte Antworten bereitzustellen, und gewährleistet die Zuverlässigkeit von Informationen, indem Referenzen und Links zitiert werden. Es bildet Benutzer aus und führt sie dabei, Folgefragen zu stellen und nach Schlüsselwörtern zu suchen, um unterschiedlichen Abfragebedürfnissen gerecht zu werden.
• Datenanalyse: Die Tiefe hat 10 Millionen monatlich aktive Benutzer erreicht, wobei der Traffic seiner mobilen und Desktop-Apps im Februar um 8,6% gestiegen ist und etwa 50 Millionen Benutzer angezogen hat. Perplexity AI hat kürzlich 62,7 Millionen US-Dollar an Finanzierung erhalten und wird mit 1,04 Milliarden US-Dollar bewertet. Angeführt wurde die Finanzierungsrunde von Daniel Gross, unter Beteiligung von Stan Druckenmiller und NVIDIA.
• Technische Analyse: Perplexity verwendet hauptsächlich feinabgestimmte GPT-3.5-Modelle und zwei große, aus Open-Source-Modellen feinabgestimmte Modelle: pplx-7b-online und pplx-70b-online. Diese Modelle eignen sich für wissenschaftliche Forschung und vertikale Domänenabfragen und gewährleisten die Authentizität und Zuverlässigkeit von Informationen.

Mitte der Reise:

• Produktübersicht: Benutzer können auf Midjourney durch Aufforderungen Bilder in verschiedenen Stilen und Themen erstellen, die eine breite Palette kreativer Bedürfnisse von Realismus bis Abstraktion abdecken. Die Plattform bietet auch Bildmischung und Bearbeitung, wodurch Benutzer Bilder überlagern und Stile übertragen können, wobei die Echtzeitgenerierung Bildausgaben in Sekunden bis Minuten ermöglicht.
• Datenanalyse: Die Plattform hat 15 Millionen registrierte Benutzer, davon 1,5 bis 2,5 Millionen aktive Benutzer. Basierend auf öffentlich verfügbaren Marktdaten hat Midjourney kein Geld von Investoren eingesammelt und sich durch den unternehmerischen Ruf und die Ressourcen des Gründers David selbst erhalten.
• Technische Analyse: Midjourney verwendet sein proprietäres Modell. Seit der Veröffentlichung von Midjourney V4 im August 2022 verwendet die Plattform ein diffusionsbasiertes generatives KI-Modell. Berichten zufolge liegen die Trainingsparameter des Modells im Bereich von 30 bis 40 Milliarden und bieten eine solide Grundlage für die Vielfalt und Genauigkeit der Bildgenerierung.

Kommerzialisierungsherausforderungen

Nachdem wir mehrere Web2 KI-Agenten erlebt haben, beobachteten wir einen gemeinsamen Produktiterationspfad: von anfänglichem Fokus auf einzelne, spezifische Aufgaben bis hin zur Erweiterung ihrer Fähigkeiten, um komplexere, multiaufgabenfähige Szenarien zu bewältigen. Dieser Trend unterstreicht das Potenzial von KI-Agenten zur Verbesserung von Effizienz und Innovation und deutet darauf hin, dass sie in Zukunft eine wichtigere Rolle spielen werden. Basierend auf vorläufigen Statistiken von 125 KI-Agentenprojekten in Web2 stellten wir fest, dass die meisten Projekte auf die Erstellung von Inhalten (z.B. Jasper AI), Entwicklerwerkzeuge (z.B. Replit) und B2B-Dienste (z.B. Cresta), die größte Kategorie, konzentriert sind. Diese Erkenntnis widersprach unseren Erwartungen, da wir ursprünglich vorhergesagt hatten, dass mit der zunehmenden Reife der KI-Modelltechnologie der Verbrauchermarkt (C-Ende) ein explosionsartiges Wachstum von KI-Agenten erleben würde. Nach weiterer Analyse realisierten wir jedoch, dass die Kommerzialisierung von Verbraucher-KI-Agenten viel herausfordernder und komplexer ist als erwartet.

Nehmen wir Character.AI als Beispiel. Auf der einen Seite hat Character.AI eine der besten Traffic-Leistungen. Aufgrund seines einzigartigen Geschäftsmodells – das sich auf eine Abonnementgebühr von 9,9 US-Dollar stützt – hatte das Unternehmen jedoch mit begrenzten Abonnementeinnahmen und hohen Inferenzkosten für Vielnutzer zu kämpfen, was schließlich zu einer Übernahme durch Google führte, da es Schwierigkeiten bei der Monetarisierung des Datenverkehrs und der Aufrechterhaltung des Cashflows gab. Dieser Fall zeigt, dass C-End-KI-Agent-Anwendungen trotz hervorragendem Traffic und hervorragender Finanzierung vor erheblichen Kommerzialisierungsherausforderungen stehen. Die meisten Produkte haben noch nicht den Standard erreicht, bei dem sie den Menschen ersetzen oder effektiv unterstützen können, was zu einer geringen Zahlungsbereitschaft der Nutzer führt. In unserer Forschung haben wir festgestellt, dass viele Startups auf ähnliche Probleme stoßen wie Character.AI, was darauf hindeutet, dass die Entwicklung von KI-Agenten für Verbraucher nicht reibungslos verläuft und eine tiefere Untersuchung der technischen Reife, des Produktwerts und der Geschäftsmodellinnovation erfordert, um ihr Potenzial auf dem C-End-Markt zu erschließen.

Wenn man die Bewertungen der meisten KI-Agentenprojekte zählt und mit den Bewertungen von Deckenprojekten wie OpenAI und xAI vergleicht, gibt es immer noch Raum für etwa 10-50 Mal. Es ist unbestreitbar, dass die Decke der C-Seite-Agentenanwendung immer noch hoch genug ist und beweist, dass es immer noch eine gute Spur ist. Basierend auf der obigen Analyse glauben wir jedoch, dass der B-Seitenmarkt im Vergleich zur C-Seite das endgültige Ziel von KI-Agenten sein kann. Durch den Aufbau einer Plattform integrieren Unternehmen KI-Agenten in Managementsoftware wie vertikale Bereiche, CRM und Büro-OA. Dies verbessert nicht nur die betriebliche Effizienz für Unternehmen, sondern bietet auch KI-Agenten einen breiteren Anwendungsbereich. Daher haben wir Grund zu der Annahme, dass B-Seiten-Services die Hauptrichtung der kurzfristigen Entwicklung von KI-Agenten im Web2 traditionellen Internet sein werden.

Web3 KI-Agenten-Entwicklungsstand und Aussichten

Projektübersicht

Wie bereits analysiert, haben selbst KI-Agentenanwendungen mit Spitzenfinanzierung und gutem Nutzertraffic Schwierigkeiten bei der Kommerzialisierung. Als nächstes werden wir die aktuelle Entwicklung von KI-Agentenprojekten in Web3 analysieren. Durch die Bewertung einer Reihe von repräsentativen Projekten – ihrer technischen Innovationen, Marktleistung, Nutzerfeedback und Wachstumspotenzial – wollen wir aufschlussreiche Vorschläge aufdecken. Die folgende Tabelle zeigt mehrere repräsentative Projekte, die bereits Token ausgegeben haben und einen relativ hohen Marktwert besitzen:

Zusammenstellung der KI-Agenten führenden Projekte von Web2, Quelle: ArkStream-Projektdatenbank

Laut unserer Statistik zum Web3 AI Agentenmarkt konzentrieren sich die Arten von entwickelten Projekten auch deutlich auf bestimmte Sektoren. Die meisten Projekte fallen unter die Infrastruktur, mit weniger Inhaltsgenerierungsprojekten. Viele dieser Projekte zielen darauf ab, die vom Benutzer bereitgestellten verteilten Daten und Rechenleistung zu nutzen, um die Modellschulungsbedürfnisse der Projektbesitzer zu erfüllen oder All-in-One-Plattformen zu schaffen, die verschiedene KI-Agentendienste und -tools integrieren. Von Entwicklertools über Front-End-Interaktionsanwendungen und generative Anwendungen sind die meisten traditionellen KI-Agentenindustrien derzeit auf Open-Source-Parameteranpassungen oder den Aufbau von Anwendungen unter Verwendung vorhandener Modelle beschränkt. Diese Methode hat bisher keine signifikanten Netzwerkeffekte für Unternehmen oder einzelne Benutzer generiert.

Statusanalyse

Wir glauben, dass dieses Phänomen in diesem Stadium möglicherweise von den folgenden Faktoren angetrieben wird:

Markt- und Technologieungleichgewicht: Die Kombination aus Web3 und KI-Agenten zeigt derzeit keinen signifikanten Vorteil gegenüber traditionellen Märkten. Der eigentliche Vorteil liegt in der Verbesserung der Produktionsbeziehungen durch Optimierung von Ressourcen und Zusammenarbeit durch Dezentralisierung. Dies kann dazu führen, dass Interaktions- und generative Anwendungen Schwierigkeiten haben, mit traditionellen Wettbewerbern mit stärkeren technischen und finanziellen Ressourcen zu konkurrieren.

Anwendungsszenario-Beschränkungen: In der Web3-Umgebung besteht möglicherweise nicht so viel Bedarf an der Generierung von Bildern, Videos oder Textinhalten. Stattdessen werden die dezentralen und verteilten Funktionen von Web3 häufiger genutzt, um Kosten zu senken und die Effizienz im traditionellen KI-Bereich zu verbessern, anstatt in neue Anwendungsszenarien zu expandieren.

Die Wurzelursache dieses Phänomens könnte im aktuellen Entwicklungsstand der KI-Branche und ihrer zukünftigen Richtung liegen. Die KI-Technologie befindet sich noch in ihren Anfängen, ähnlich wie in den Anfängen der Industriellen Revolution, als Dampfmaschinen durch Elektromotoren ersetzt wurden. Sie hat noch nicht das Stadium der Elektrifizierung mit weitreichender Anwendung erreicht.

Wir glauben, dass die Zukunft der KI wahrscheinlich einen ähnlichen Weg einschlagen wird. Allgemeine Modelle werden allmählich standardisiert, während feinabgestimmte Modelle eine vielfältige Entwicklung erfahren werden. KI-Anwendungen werden weit über Unternehmen und einzelne Benutzer verteilt sein, wobei der Fokus auf der Verbindung und Interaktion zwischen Modellen liegt. Dieser Trend steht im engen Zusammenhang mit den Prinzipien von Web3, da Web3 für seine Zusammensetzbarkeit und permissionless Natur bekannt ist, was gut zur Idee der dezentralisierten Feinabstimmung von Modellen passt. Entwickler werden mehr Freiheit haben, verschiedene Modelle zu kombinieren und anzupassen. Darüber hinaus bietet die Dezentralisierung einzigartige Vorteile in Bereichen wie dem Schutz der Datenprivatsphäre und der Zuweisung von Rechenressourcen für das Modelltraining.

Dank technologischer Fortschritte, insbesondere dem Aufkommen von Innovationen wie LoRA (Low-Rank Adaptation), wurden die Kosten und technischen Barrieren für die Feinabstimmung von Modellen erheblich gesenkt. Dies erleichtert die Entwicklung öffentlicher Modelle für spezifische Szenarien oder zur Erfüllung der individuellen Bedürfnisse der Benutzer. KI-Agentenprojekte innerhalb von Web3 können diese Fortschritte voll ausnutzen, um neue Schulungsmethoden, innovative Anreizmechanismen und neue Modelle für Modellfreigabe und Zusammenarbeit zu erkunden, die in traditionellen zentralisierten Systemen oft schwer zu erreichen sind.

Darüber hinaus spiegelt die Konzentration von Web3-Projekten auf das Modelltraining strategische Überlegungen zur Bedeutung innerhalb des gesamten KI-Ökosystems wider. Daher ist der Fokus von Web3 AI-Agentenprojekten auf das Modelltraining eine natürliche Konvergenz von Technologietrends, Marktnachfrage und den Vorteilen der Web3-Branche. Als nächstes werden wir Beispiele für Modelltrainingsprojekte sowohl in den Web2- als auch in den Web3-Branche geben und Vergleiche anstellen.

Modell-Trainingsprojekte

Humans.ai

• Projektübersicht: Humans.ai ist eine diversifizierte KI-Algorithmenbibliothek und Trainingsumgebung, die verschiedene Bereiche wie Bilder, Videos, Audio und Text abdeckt. Die Plattform unterstützt Entwickler bei der Weiterschulung und Optimierung von Modellen und ermöglicht es ihnen, ihre Modelle zu teilen und zu handeln. Eine bemerkenswerte Innovation ist, dass Humans.ai NFTs verwendet, um KI-Modelle und biometrische Daten der Nutzer zu speichern, wodurch der Prozess der Erstellung von KI-Inhalten personalisierter und sicherer wird.
• Datenanalyse: Der Marktwert des Tokens Heart von Humans.ai beträgt etwa 68 Millionen US-Dollar. Sie haben 56.000 Follower auf Twitter, obwohl Benutzerdaten nicht offengelegt wurden.
• Technische Analyse: Humans.ai entwickelt keine eigenen Modelle, sondern verfolgt einen modularen Ansatz, der alle verfügbaren Modelle in NFTs verpackt und den Benutzern eine flexible und skalierbare KI-Lösung bietet.

FLock.io

• Projektübersicht: FLock.io ist eine KI-Ko-Kreativplattform, die auf der Technologie des föderierten Lernens basiert (eine dezentralisierte Methode des maschinellen Lernens, die die Datenschutz betont). Sie zielt darauf ab, Probleme im KI-Bereich wie geringe öffentliche Beteiligung, unzureichender Datenschutz und das Monopol der KI-Technologie durch große Unternehmen anzugehen. Die Plattform ermöglicht es den Benutzern, Daten beizutragen, während die Privatsphäre geschützt wird, und fördert die Demokratisierung und Dezentralisierung der KI-Technologie.
• Datenanalyse: FLock.io hat Anfang 2024 eine Seed-Runde in Höhe von 6 Millionen US-Dollar abgeschlossen, die von Lightspeed Faction und Tagus Capital angeführt wurde, mit zusätzlicher Beteiligung von DCG, OKX Ventures und anderen.
• Technische Analyse: Die Architektur von FLock.io basiert auf föderiertem Lernen, einer dezentralisierten Methode, die den Datenschutz fördert. Es verwendet auch zkFL, homomorphe Verschlüsselung und sichere Multi-Party-Computation (SMPC), um zusätzliche Datenschutzmaßnahmen bereitzustellen.

Dies sind Beispiele für Modelltrainingsprojekte im Web3 AI Agenten-Bereich, aber ähnliche Plattformen existieren auch im Web2, wie beispielsweise Predibase.

Predibase

• Projektübersicht: Predibase konzentriert sich auf die Optimierung von KI und großen Sprachmodellen und ermöglicht es Benutzern, Open-Source-große Sprachmodelle wie Llama, CodeLlama und Phi feinzustimmen und bereitzustellen. Die Plattform unterstützt verschiedene Optimierungstechniken wie Quantisierung, Anpassung mit geringem Rang und speichereffizientes verteiltes Training.
• Datenanalyse: Predibase gab die Fertigstellung einer Serie-A-Runde in Höhe von 12,2 Millionen US-Dollar bekannt, die von Felicis angeführt wurde und große Unternehmen wie Uber, Apple, Meta sowie Startups wie Paradigm und Koble.ai als Plattformnutzer hat.
• Technische Analyse: Predibase-Benutzer haben über 250 Modelle trainiert. Die Plattform verwendet die LoRAX-Architektur und das Ludwig-Framework: LoRAX ermöglicht es Tausenden von feinabgestimmten LLMs, auf einer einzigen GPU ausgeführt zu werden, wodurch die Kosten erheblich reduziert werden, ohne die Durchsatzrate oder Latenzzeit zu beeinträchtigen. Ludwig ist ein deklaratives Framework, das Predibase zur Entwicklung, Schulung, Feinabstimmung und Bereitstellung modernster Deep-Learning- und großer Sprachmodelle verwendet.
• Projektanalyse: Predibase bietet benutzerfreundliche Funktionen, die maßgeschneiderte KI-Anwendungserstellungsdienste für verschiedene Benutzerebenen bereitstellen. Ob für C-End- oder B-End-Nutzer, Einsteiger oder erfahrene KI-Profis, Predibase deckt ein breites Spektrum an Bedürfnissen ab.

Für Anfänger vereinfacht die Plattform die Modellbildung und den Schulungsprozess mit einem Klick, wobei automatisch komplexe Aufgaben erledigt werden. Für erfahrene Benutzer bietet sie tiefere Anpassungsoptionen, einschließlich des Zugriffs auf und der Anpassung von fortgeschritteneren Parametern. Beim Vergleich traditioneller KI-Modellschulungsplattformen mit Web3-KI-Projekten haben wir zwar festgestellt, dass ihre Gesamtframeworks und Logik ähnlich sein können, jedoch signifikante Unterschiede in ihrer technischen Architektur und ihren Geschäftsmodellen.

• Technische Tiefe und Innovation: Traditionelle KI-Modell-Trainingsplattformen haben oft tiefere technische Barrieren, wie die Verwendung proprietärer Technologien wie der LoRAX-Architektur und dem Ludwig-Framework. Diese Frameworks bieten robuste Funktionen, die es der Plattform ermöglichen, komplexe KI-Modell-Trainingsaufgaben zu bewältigen. Web3-Projekte können sich jedoch stärker auf Dezentralisierung und Offenheit konzentrieren und weniger Wert auf tiefe technische Innovation legen.
• Flexibilität des Geschäftsmodells: Ein häufiges Engpassproblem beim traditionellen KI-Modelltraining ist die mangelnde Flexibilität im Geschäftsmodell. Plattformen verlangen in der Regel von Benutzern, dass sie für das Training von Modellen bezahlen, was die Nachhaltigkeit des Projekts einschränkt, insbesondere in den frühen Stadien, in denen breite Benutzerbeteiligung und Datensammlung erforderlich sind. Im Gegensatz dazu haben Web3-Projekte oft flexiblere Geschäftsmodelle, wie z.B. tokenomische Modelle, die von Communities angetrieben werden.
• Datenschutzherausforderungen: Datenschutz ist ein weiteres wichtiges Thema. Obwohl Predibase beispielsweise virtuelle private Cloud-Services auf AWS anbietet, birgt die Abhängigkeit von einer Architektur eines Drittanbieters immer das potenzielle Risiko von Datenlecks.

Diese Unterschiede sind zu Engpässen in der traditionellen AI-Branche geworden. Aufgrund der Natur des Internets sind diese Probleme schwer effizient zu lösen. Gleichzeitig eröffnet dies sowohl Chancen als auch Herausforderungen für Web3, wo Projekte, die diese Probleme als Erste lösen können, wahrscheinlich Pioniere in der Branche werden.

Andere Kategorien von Web3 AI Agent Projekten

Nachdem wir uns mit AI-Agentenprojekten beschäftigt haben, die sich auf das Modelltraining konzentrieren, erweitern wir nun unseren Blick auf andere Arten von AI-Agentenprojekten in der Web3-Branche. Diese Projekte konzentrieren sich zwar nicht ausschließlich auf das Modelltraining, zeigen jedoch eine herausragende Leistung in Bezug auf Finanzierung, Token-Bewertung und Marktposition. Im Folgenden finden Sie einige repräsentative und einflussreiche AI-Agentenprojekte in ihren jeweiligen Bereichen:

Myshell

• Produktübersicht: Myshell bietet eine umfassende KI-Agentenplattform, auf der Benutzer KI-Agenten erstellen, teilen und personalisieren können. Diese Agenten können Gesellschaft leisten und die Arbeitseffizienz unterstützen. Die Plattform umfasst verschiedene KI-Agentenstile, von Anime bis traditionell, und unterstützt Interaktionen über Audio, Video und Text. Ein herausragendes Merkmal ist die Integration mehrerer bestehender Modelle, einschließlich GPT-4o, GPT-4 und Claude, die ein Premium-Erlebnis bieten. Darüber hinaus führt Myshell ein Handelssystem ein, das ähnlich wie FT-Bindungskurven funktioniert und Ersteller dazu anregt, hochwertige KI-Modelle zu entwickeln, während Benutzern die Möglichkeit gegeben wird, zu investieren und an Gewinnen zu partizipieren.
• Datenanalyse: Die letzte Finanzierungsrunde von Myshell bewertete das Unternehmen mit rund 80 Millionen US-Dollar, angeführt von Dragonfly, mit Beteiligung von Binance, Hashkey und Folius. Mit fast 180.000 Twitter-Followern hat es eine engagierte Community von Benutzern und Entwicklern, obwohl das Discord-Engagement weniger als ein Zehntel seiner Follower-Basis beträgt.
• Technische Analyse: Myshell entwickelt keine AI-Modelle unabhängig, sondern dient als Integrationsplattform, die Modelle wie Claude und GPT-4 kombiniert. Diese Strategie ermöglicht es, den Benutzern ein vereinheitlichtes und fortschrittliches AI-Erlebnis zu bieten.
• Subjektive Erfahrung: MyShell ermöglicht es Benutzern, KI-Agenten frei zu erstellen und anzupassen, je nach ihren eigenen Bedürfnissen. Ob als persönlicher Begleiter oder als professioneller Assistent, er kann sich an verschiedene Szenarien wie Audio und Video anpassen. Selbst wenn Benutzer den MyShell-Proxy nicht verwenden, können sie das integrierte Web2-Bezahlmodell zu geringeren Kosten nutzen. Darüber hinaus kombiniert die Plattform das wirtschaftliche Konzept von FT und ermöglicht es Benutzern nicht nur, KI-Dienste zu nutzen, sondern auch in KI-Agenten zu investieren, von denen sie optimistisch sind, und den Wohlstandseffekt durch den Bonding-Curve-Mechanismus zu erhöhen.

Delysium

• Produktübersicht: Delysium bietet ein absichtszentriertes KI-Agenten-Netzwerk, das Agenten ermöglicht, besser zusammenzuarbeiten, um den Benutzern ein benutzerfreundliches Web3-Erlebnis zu bieten. Derzeit hat Delysium zwei KI-Agenten eingeführt: Lucy und Jerry. Lucy ist ein vernetzter KI-Agent. Die Vision besteht darin, Hilfestellungswerkzeuge bereitzustellen, wie z.B. die Abfrage der Top 10 Adressen mit Währungsguthaben usw. Die Funktion des Agenten, On-Chain-Intentionen auszuführen, wurde jedoch noch nicht geöffnet und er kann nur einige grundlegende Anweisungen ausführen, wie z.B. AGI innerhalb des Ökosystems zu staken. Oder es gegen USDT einzutauschen. Jerry ähnelt GPT im Delysium-Ökosystem und ist hauptsächlich dafür verantwortlich, Fragen innerhalb des Ökosystems zu beantworten, wie z.B. Tokenverteilung.
• Datenanalyse: Die erste Finanzierungsrunde betrug 2022 4 Millionen US-Dollar, und im selben Jahr wurde bekannt gegeben, dass eine strategische Finanzierung in Höhe von 10 Millionen US-Dollar abgeschlossen wurde. Ihr Token AGI hat derzeit eine FDV von etwa 130 Millionen US-Dollar. Es liegen keine aktuellen Benutzerdaten vor. Gemäß offizieller Statistik von Delysium hat Lucy bis Juni 2023 mehr als 1,4 Millionen unabhängige Wallet-Verbindungen angesammelt.

Schlaflose KI

• Produktübersicht: Eine emotionale Begleiterspielplattform, die Web3 und KI-Agententechnologie kombiniert, um virtuelle Begleiterspiele HIM und HER anzubieten, die AIGC und LLM verwenden, um Benutzer in Interaktionen mit virtuellen Charakteren einzutauchen. Benutzer können die Attribute, Kleidung usw. des Charakters während des laufenden Gesprächs ändern. Das kompatible große Sprachmodell stellt sicher, dass der Charakter in jedem Gespräch selbst iteriert und das Verständnis des Benutzers verbessert.
• Datenanalyse: Das Projekt hat insgesamt 3,7 Millionen US-Dollar eingesammelt, darunter Investoren wie Binance Labs, Foresight Ventures und Folius Ventures. Der aktuelle Gesamtmarktwert der Token hat etwa 400 Millionen US-Dollar erreicht. Es hat 116.000 Twitter-Follower, 190.000 registrierte Reservierungen gemäß offizieller Statistik und 43.000 aktive Benutzer. Man kann sagen, dass seine Benutzerbindung ziemlich stark ist.
• Technische Analyse: Obwohl der Offizielle nicht bekannt gegeben hat, auf welchem großen Sprachmodell auf dem Markt ihr Produkt basiert, stellt Sleepless AI sicher, dass die Benutzer während des Chat-Prozesses das Gefühl haben, dass die Figur sie immer besser versteht. Daher trainieren sie bei der Gestaltung des LLM-Trainings jedes Charakters separat ein Modell und kombinieren die Vektordatenbank und das Persönlichkeitsparameter-System, um dem Charakter eine Erinnerung zu ermöglichen.
• Subjektive Erfahrung: Sleepless AI nähert sich AI-Boyfriend und AI-Girlfriend aus einer Free-to-Play-Perspektive und ist nicht nur in die Chatbox eines Gesprächsroboters integriert. Das Projekt steigert die Authentizität virtueller Menschen durch hochkostenintensive Kunst, kontinuierlich iterative Sprachmodelle, hochwertige und vollständige Synchronisation sowie eine Reihe von Funktionen wie Wecker, Schlafhilfe, Aufzeichnung des Menstruationszyklus, Lernbegleitung usw. Dieser emotionale Wert kann von anderen Anwendungen auf dem Markt nicht wahrgenommen werden. Darüber hinaus schafft Sleepless AI einen langfristigen, ausgewogenen Content-Zahlungsmechanismus. Benutzer können wählen, NFT zu verkaufen, ohne in das Dilemma von P2E oder Ponzi zu geraten. Dieses Modell berücksichtigt sowohl das Einkommen der Spieler als auch das Spielerlebnis.

Prognoseanalyse

Im Web3-Bereich decken AI-Agentenprojekte mehrere Richtungen ab, einschließlich öffentlicher Ketten, Datenmanagement, Datenschutz, sozialer Netzwerke, Plattformdienste und Rechenleistung. In Bezug auf den Token-Marktwert hat der Gesamt-Token-Marktwert von AI-Agentenprojekten fast 3,8 Milliarden US-Dollar erreicht, während der Gesamtmarktwert des gesamten AI-Tracks nahezu 16,2 Milliarden US-Dollar beträgt. AI-Agentenprojekte machen etwa 23% des Marktwerts im AI-Track aus.

Obwohl es nur etwa ein Dutzend KI-Agentenprojekte gibt, was im Vergleich zum gesamten KI-Bereich relativ wenig erscheint, macht ihre Marktbewertung fast ein Viertel aus. Dieser Marktwertanteil im KI-Bereich bestätigt erneut unseren Glauben daran, dass dieser Sub-Track ein großes Wachstumspotenzial hat.

Nach unserer Analyse stellten wir eine Kernfrage: Welche Eigenschaften benötigen Agentenprojekte, um exzellente Finanzierung zu erreichen und auf Top-Börsen gelistet zu werden? Um diese Frage zu beantworten, haben wir erfolgreiche Projekte in der Agentenindustrie wie Fetch.ai, Olas Network, SingularityNET und Myshell untersucht.

Wir haben festgestellt, dass diese Projekte einige wichtige Merkmale gemeinsam haben: Sie gehören alle zur Kategorie Plattformaggregation innerhalb der Infrastrukturklasse. Sie bilden eine Brücke, indem sie Benutzer, die Agenten benötigen, auf der einen Seite (sowohl B2B als auch B2C) und Entwickler und Validatoren, die für das Debuggen und Trainieren von Modellen verantwortlich sind, auf der anderen Seite miteinander verbinden. Unabhängig von der Anwendungsstufe haben sie alle einen vollständigen ökologischen Kreislauf etabliert.

Wir haben festgestellt, dass es nicht der wichtigste Faktor zu sein scheint, ob ihre Produkte On-Chain oder Off-Chain sind. Dies führt uns zu einer vorläufigen Schlussfolgerung: Im Web3-Bereich ist die Logik der Fokussierung auf praktische Anwendungen im Web2 möglicherweise nicht vollständig anwendbar. Für führende KI-Agent-Produkte im Web3 kann der Aufbau eines vollständigen Ökosystems und die Bereitstellung verschiedener Funktionalitäten wichtiger sein als die Qualität und Leistung eines einzelnen Produkts. Mit anderen Worten: Der Erfolg eines Projekts hängt nicht nur davon ab, was es bietet, sondern vielmehr davon, wie es Ressourcen integriert, die Zusammenarbeit fördert und Netzwerkeffekte innerhalb des Ökosystems schafft. Diese Fähigkeit, Ökosysteme aufzubauen, könnte ein Schlüsselfaktor für KI-Agentenprojekte sein, um sich im Web3-Track abzuheben.

Die richtige Integrationsmethode für KI-Agentenprojekte im Web3 besteht darin, sich nicht auf die Tiefenentwicklung einer einzelnen Anwendung zu konzentrieren, sondern ein integratives Modell zu übernehmen. Dieser Ansatz beinhaltet die Migration und Integration verschiedener Produkt-Frameworks und -Typen aus der Web2-Ära in die Web3-Umgebung, um ein selbstlaufendes Ökosystem aufzubauen. Dieser Punkt zeigt sich auch in der strategischen Neuausrichtung von OpenAI, da sie sich entschieden haben, in diesem Jahr eine Anwendungsplattform zu starten, anstatt nur ihr Modell zu aktualisieren.

Zusammenfassend sind wir der Meinung, dass sich das KI-Agent-Projekt auf die folgenden Aspekte konzentrieren sollte:

• Aufbau von Ökosystemen: Gehen Sie über einzelne Anwendungen hinaus und bauen Sie ein Ökosystem auf, das mehrere Dienste und Funktionen umfasst, um Interaktion und Mehrwert zwischen verschiedenen Komponenten zu fördern.
• Tokenomisches Modell: Entwerfen Sie ein vernünftiges Tokenomisches Modell, um Benutzer dazu zu motivieren, am Netzwerkaufbau teilzunehmen und Daten sowie Rechenleistung beizusteuern.
• Cross-Domain-Integration: Erkundung der potenziellen Anwendungen von KI-Agenten in verschiedenen Bereichen, Schaffung neuer Anwendungsszenarien und Werte durch die Integration über Domänen hinweg.

Nach Zusammenfassung dieser drei Aspekte geben wir auch einige zukunftsweisende Vorschläge für Projektteams mit unterschiedlichen Fokusrichtungen: einen für Nicht-KI-Kernanwendungsprodukte und einen anderen für native Projekte, die sich auf die AI-Agenten-Spur konzentrieren.

Für Nicht-KI-Kernanwendungsprodukte:

Behalten Sie eine langfristige Perspektive bei, konzentrieren Sie sich auf ihre Kernprodukte und integrieren Sie gleichzeitig AI-Technologie. Warten Sie auf die richtige Gelegenheit im Einklang mit den Zeiten. In den aktuellen technologischen und marktbedingten Trends sind wir der Meinung, dass die Verwendung von AI als Verkehrsmittel zur Anziehung von Benutzern und zur Verbesserung der Wettbewerbsfähigkeit des Produkts zu einem wichtigen Wettbewerbsmittel geworden ist. Obwohl der tatsächliche langfristige Beitrag der AI-Technologie zur Projektentwicklung noch fraglich ist, glauben wir, dass dies für frühe Anwender der AI-Technologie ein wertvolles Fenster bietet. Natürlich vorausgesetzt, dass sie bereits ein sehr solides Produkt haben.

Langfristig gesehen werden Projekte, die bereits KI integriert haben, bei neuen Durchbrüchen in der AI-Technologie in der Lage sein, ihre Produkte schneller zu iterieren, um so Chancen zu nutzen und zur Branchenführung zu werden. Ähnlich verhält es sich mit dem schrittweisen Ersatz des Offline-Verkaufs durch Live-Streaming-E-Commerce als neuen Traffic-Outlet auf Social-Media-Plattformen in den letzten Jahren. Zur damaligen Zeit fielen die Händler mit soliden Produkten auf, die dem neuen Trend folgten und sofort Live-Streaming-E-Commerce ausprobierten, als Live-Streaming-E-Commerce wirklich explodierte und sie von dem Vorteil des frühen Einstiegs profitierten.

Wir glauben, dass angesichts der Unsicherheit auf dem Markt für Nicht-KI-Kernanwendungsprodukte die rechtzeitige Einführung von KI-Agenten eine strategische Entscheidung sein kann. Es kann nicht nur die Marktausrichtung des Produkts erhöhen, sondern auch neue Wachstumspunkte für das Produkt in der kontinuierlichen Entwicklung der KI-Technologie bringen.

Für native Projekte, die sich auf KI-Agenten konzentrieren:

Die Balance zwischen technologischer Innovation und Marktnachfrage ist der Schlüssel zum Erfolg. In nativen AI-Agentenprojekten müssen die Projektteams nicht nur auf die technologische Entwicklung, sondern auch auf Markttrends achten. Derzeit sind einige Web3-integrierte Agentenprojekte auf dem Markt möglicherweise zu stark auf eine einzelne technische Richtung ausgerichtet oder haben eine große Vision konstruiert, aber die Produktentwicklung ist nicht Schritt gehalten. Beide Extreme sind nicht förderlich für die langfristige Entwicklung des Projekts.

Daher schlagen wir vor, dass Projektteams bei der Sicherstellung der Produktqualität auch auf die Marktdynamik achten und erkennen sollten, dass die KI-Anwendungslogik in der traditionellen Internetbranche möglicherweise nicht für Web3 gilt. Stattdessen müssen sie von den Projekten lernen, die bereits Ergebnisse auf dem Web3-Markt erzielt haben. Konzentrieren Sie sich auf die von ihnen verwendeten Labels, wie beispielsweise die im Artikel genannten Funktionen zur Modellschulung und Plattformaggregation sowie die von ihnen erstellten Erzählungen, wie KI-Modularisierung und Multi-Agenten-Zusammenarbeit. Die Erforschung überzeugender Erzählungen kann zu einem Durchbruch der Projekte auf dem Markt führen.

Schlussfolgerung

Unabhängig davon, ob es sich um ein Nicht-KI-Kernprodukt oder ein natives KI-Agent-Projekt handelt, ist es am wichtigsten, den richtigen Zeitpunkt und den richtigen technischen Weg zu finden, um sicherzustellen, dass es auf dem sich ständig verändernden Markt wettbewerbsfähig und innovativ bleibt. Auf der Grundlage der Aufrechterhaltung der Produktqualität sollten die Projektbeteiligten Markttrends beobachten, aus erfolgreichen Fällen lernen und gleichzeitig innovativ sein, um eine nachhaltige Entwicklung auf dem Markt zu erreichen.

Zusammenfassung

Am Ende des Artikels analysieren wir den Web3 AI Agent-Track aus mehreren Blickwinkeln:

• Kapitalinvestition und Marktaufmerksamkeit: Obwohl AI-Agentenprojekte derzeit keinen Vorteil bei der Anzahl der Listings in der Web3-Branche haben, machen sie fast 50% der Marktbewertung aus und zeigen damit, dass der Kapitalmarkt diese Sparte sehr anerkennt. Mit zunehmender Kapitalinvestition und steigender Marktaufmerksamkeit ist es sicher, dass weitere hochwertige Projekte im AI-Agenten-Track auftauchen werden.
• Wettbewerbslandschaft und Innovationsfähigkeit: Die Wettbewerbslandschaft des KI-Agenten-Tracks in der Web3-Branche ist noch nicht vollständig ausgebildet. Auf der aktuellen Anwendungsebene gibt es kein phänomenales und führendes Produkt, das ChatGPT ähnlich ist. Dies gibt neuen Projektbeteiligten viel Raum für Wachstum und Innovation. Mit zunehmender Reife der Technologie und der Innovation früherer Projekte wird erwartet, dass die Rennstrecke wettbewerbsfähigere Produkte entwickelt, was die Bewertung der gesamten Strecke in die Höhe treibt.
• Achten Sie auf Tokenomics und Anreize für Benutzer: Die Bedeutung von Web3 besteht darin, Produktionsbeziehungen umzugestalten und den ursprünglich zentralisierten Prozess der Bereitstellung und Schulung von KI-Modellen dezentraler zu gestalten. Durch eine vernünftige Tokenomics-Design und Benutzeranreizprogramme können ungenutzte Rechenleistung oder persönliche Datensätze umverteilt werden. Darüber hinaus können Lösungen wie ZKML den Datenschutz gewährleisten, was die Rechenleistung und Datenkosten weiter reduziert und es ermöglicht, dass mehr individuelle Benutzer an der Entwicklung der KI-Branche teilnehmen.

Zusammenfassend sind wir optimistisch in Bezug auf die AI-Agenten-Spur. Wir haben Grund zu der Annahme, dass mehrere Projekte mit Bewertungen von über 1 Milliarde US-Dollar in dieser Spur entstehen werden. Durch den horizontalen Vergleich ist die Erzählung von AI-Agenten ausreichend überzeugend und der Marktraum groß genug. Die derzeitigen Marktbewertungen sind im Allgemeinen niedrig. Angesichts der rapiden Entwicklung der AI-Technologie, des Wachstums der Marktnachfrage, des Kapitalinvestments und des Innovationspotenzials von Unternehmen in der Spur wird in Zukunft, wenn die Technologie reift und die Markakzeptanz zunimmt, erwartet, dass in dieser Spur mehrere Projekte mit Bewertungen von über 1 Milliarde US-Dollar entstehen.

Erklärung:

1. Dieser Artikel wurde aus [ reproduziertArkStream Capital], der ursprüngliche Titel lautet "ArkStream Capital Track Research Report: Kann KI-Agent ein Lebensretter für Web3+AI sein?" Wenn Sie Einwände gegen den Nachdruck haben, kontaktieren Sie bitte Gate Learn Team, das Team wird es so schnell wie möglich gemäß den entsprechenden Verfahren bearbeiten.

2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen stellen nur die persönlichen Ansichten des Autors dar und stellen keine Anlageberatung dar.

3. Andere Sprachversionen des Artikels werden vom Gate Learn-Team übersetzt, nicht erwähnt in Gate.Gate.io, der übersetzte Artikel darf nicht vervielfältigt, verteilt oder plagiiert werden.