TL;DR

• Em startups de Web2, projetos de agentes de IA são populares e maduros, principalmente em serviços empresariais. No espaço Web3, projetos focados em treinamento de modelos e agregação de plataforma se tornaram mainstream devido ao seu papel chave na construção de ecossistemas.
• Atualmente, os projetos de Agente de IA representam apenas 8% dos projetos Web3, mas sua capitalização de mercado corresponde a até 23% do setor de IA. Isso demonstra uma forte competitividade de mercado, e esperamos que vários projetos ultrapassem uma avaliação de $1 bilhão à medida que a tecnologia amadurece e a aceitação de mercado aumenta.
• Para projetos Web3, integrar a tecnologia de IA em aplicativos principais não relacionados à IA pode se tornar uma vantagem estratégica. Ao combinar com projetos de Agente de IA, atenção deve ser dada à construção de todo o ecossistema e à concepção de modelos econômicos de token para promover a descentralização e os efeitos de rede.

A Onda de IA: Projetos Emergentes e Avaliações Crescentes

Desde o lançamento do ChatGPT em novembro de 2022, ele atraiu mais de 100 milhões de usuários em apenas dois meses. Em maio de 2024, a receita mensal do ChatGPT atingiu impressionantes US$ 20,3 milhões, e a OpenAI rapidamente lançou versões iterativas, como GPT-4 e GPT-4o. Esse ritmo acelerado levou gigantes tradicionais da tecnologia a reconhecer a importância de modelos de IA de ponta, como LLMs. Empresas como o Google lançaram o grande modelo de linguagem PaLM2, a Meta lançou o Llama3 e empresas chinesas introduziram modelos como Ernie Bot e Zhipu Qingyan, destacando a IA como um campo de batalha crucial.

A corrida entre gigantes da tecnologia não apenas acelerou o desenvolvimento de aplicações comerciais, mas também impulsionou a pesquisa de IA de código aberto. O relatório do Índice de IA de 2024 mostra que o número de projetos relacionados à IA no GitHub disparou de 845 em 2011 para cerca de 1,8 milhão até 2023, com um aumento de 59,3% ano após ano em 2023, refletindo o entusiasmo da comunidade global de desenvolvedores pela pesquisa de IA.

Esse entusiasmo pela tecnologia de IA é diretamente refletido no mercado de investimentos, que viu um crescimento explosivo no segundo trimestre de 2024. Houve 16 investimentos relacionados à IA que ultrapassaram US$ 150 milhões globalmente, o dobro do primeiro trimestre. O financiamento total de startups de IA aumentou para US$ 24 bilhões, mais que dobrando em relação ao ano anterior. Vale ressaltar que a xAI de Elon Musk levantou US$ 6 bilhões, com uma avaliação de US$ 24 bilhões, tornando-se a segunda startup de IA com maior valorização depois da OpenAI.

Top 10 financiamentos do setor de IA no 2º trimestre de 2024, Fonte: Yiou, https://www.iyiou.com/data/202407171072366

O rápido desenvolvimento da IA está remodelando o cenário tecnológico em um ritmo sem precedentes. Desde a competição acirrada entre os gigantes da tecnologia até a próspera comunidade de código aberto e o fervor do mercado de capitais pelos conceitos de IA, os projetos estão surgindo continuamente, os valores de investimento estão atingindo novos patamares e as avaliações estão aumentando. No geral, o mercado de IA está em uma era dourada de crescimento rápido, com avanços significativos no processamento de linguagem impulsionados por grandes modelos de linguagem e tecnologias de geração aumentada por recuperação. No entanto, desafios persistem na tradução desses avanços tecnológicos em produtos reais, como a incerteza na saída do modelo, o risco de geração de informações imprecisas (alucinações) e problemas com a transparência do modelo - especialmente críticos em aplicações de alta confiabilidade.

Neste contexto, começamos a pesquisar Agentes de IA, que enfatizam a resolução de problemas e a interação com ambientes do mundo real. Essa mudança marca a evolução da IA, de modelos de linguagem pura para sistemas inteligentes capazes de compreender, aprender e resolver verdadeiramente problemas do mundo real. Vemos promessa nos Agentes de IA, à medida que estão gradualmente reduzindo a lacuna entre a tecnologia de IA e a resolução prática de problemas. À medida que a IA evolui para remodelar estruturas de produtividade, a Web3 está reconstruindo as relações de produção da economia digital. Quando os três pilares da IA - dados, modelos e poder computacional - se unem aos princípios fundamentais da descentralização da Web3, economias de tokens e contratos inteligentes, prevemos o surgimento de uma série de aplicações inovadoras. Nessa interseção promissora, os Agentes de IA, com sua capacidade de executar tarefas autonomamente, mostram um potencial imenso para aplicações em grande escala. Portanto, estamos explorando as diversas aplicações de Agentes de IA na Web3, desde infraestrutura, middleware e camadas de aplicativos Web3 até mercados de dados e modelos, com o objetivo de identificar e avaliar os tipos de projeto mais promissores e cenários de aplicação para aprofundar nossa compreensão da integração IA-Web3.

Esclarecimento de conceitos: Introdução e Visão Geral da Classificação de Agentes de IA

Introdução básica

Antes de apresentar os Agentes de IA, para ajudar os leitores a entender melhor a diferença entre sua definição e modelos tradicionais, vamos usar um cenário do mundo real como exemplo: Suponha que você esteja planejando uma viagem. Um modelo de linguagem tradicional fornece informações sobre o destino e sugestões de viagem. A tecnologia de geração aumentada por recuperação (RAG) pode oferecer conteúdo de destino mais rico e específico. Em contraste, um Agente de IA age como o Jarvis do Homem de Ferrofilmes - ele entende suas necessidades, busca ativamente por voos e hotéis com base em sua solicitação, faz reservas e adiciona o itinerário ao seu calendário.

Na indústria, os AI Agents são geralmente definidos como sistemas inteligentes capazes de perceber o ambiente e tomar ações apropriadas reunindo informações ambientais por meio de sensores, processando-as e afetando o ambiente por meio de atuadores (Stuart Russell & Peter Norvig, 2020). Vemos um AI Agent como um assistente que integra LLM (Large Language Models), RAG, memória, planejamento de tarefas e uso de ferramentas. Ele não apenas fornece informações, mas também planeja, divide tarefas e as executa de fato.

Com base nessa definição e características, podemos ver que os Agentes de IA já estão integrados em nossa vida diária e são aplicados em vários cenários. Por exemplo, AlphaGo, Siri e o nível 5 e superior de direção autônoma da Tesla podem ser considerados exemplos de Agentes de IA. A característica comum entre esses sistemas é sua capacidade de perceber as entradas externas do usuário e tomar decisões que afetam o mundo real com base nessas entradas.

Para esclarecer conceitos usando ChatGPT como exemplo, é importante distinguir que Transformadoré a arquitetura técnica que forma a base dos modelos de IA, enquanto GPTrefere-se à série de modelos desenvolvidos com base nesta arquitetura. GPT-1, GPT-4 e GPT-4o representam diferentes estágios de desenvolvimento do modelo. ChatGPT, como uma evolução baseada no modelo GPT, pode ser considerado um Agente de IA.

Visão Geral da Classificação

Atualmente, não existe um padrão de classificação unificado para Agentes de IA no mercado. Ao marcar 204 projetos de Agentes de IA nos mercados Web2 e Web3 com base em seus recursos proeminentes, criamos classificações primárias e secundárias. As classificações primárias incluem infraestrutura, geração de conteúdo e interação com o usuário, que são então divididas ainda mais com base nos casos de uso reais:

• Infraestrutura: Concentra-se na construção de componentes fundamentais no campo do Agente de IA, incluindo plataformas, modelos, dados, ferramentas de desenvolvimento e serviços B2B de nível empresarial.
• Ferramentas de desenvolvimento: Fornecer aos desenvolvedores ferramentas auxiliares e estruturas para construir Agentes de IA.
• Processamento de dados: processar e analisar dados em diferentes formatos, principalmente usado para ajudar na tomada de decisão e fornecer fontes para treinamento.
• Treinamento de modelo: Fornece serviços de treinamento de modelos para IA, incluindo inferência, estabelecimento e configurações de modelos, etc.
• Serviços B2B: principalmente para usuários empresariais, fornecendo serviços empresariais, soluções verticais e automatizadas.
• Agregação de plataformas: uma plataforma que integra múltiplos serviços e ferramentas de Agente de IA.
• Interação do usuário: semelhante à geração de conteúdo, mas com interação bidirecional contínua. Os Agentes de Interação não apenas entendem e respondem às necessidades do usuário, mas também fornecem feedback usando processamento de linguagem natural (NLP), permitindo uma comunicação bidirecional.
• Companhia emocional: agente de IA que fornece suporte emocional e companhia.
• Baseado em GPT: Agente de IA baseado no modelo GPT (generative pre-training Transformer).
• Pesquisa: Agente que se concentra em funções de busca e fornece recuperação de informações mais precisa.
• Geração de Conteúdo: Projetos focados na criação de conteúdo usando tecnologias de modelos grandes com base em instruções do usuário, categorizados em geração de texto, geração de imagem, geração de vídeo e geração de áudio.

Análise do Desenvolvimento do Agente de IA Web2

De acordo com nossa pesquisa, o desenvolvimento de Agentes de IA na internet tradicional Web2 mostra uma clara concentração em setores específicos. Cerca de dois terços dos projetos estão focados em infraestrutura, especialmente em serviços B2B e ferramentas para desenvolvedores. Analisamos esse fenômeno e identificamos vários fatores-chave:

Impacto da Maturidade Tecnológica: A predominância de projetos de infraestrutura deve-se em grande parte à maturidade das tecnologias subjacentes. Esses projetos muitas vezes são construídos em tecnologias e estruturas bem estabelecidas, reduzindo a dificuldade e o risco de desenvolvimento. Eles servem como as "pás" no campo da IA, fornecendo uma base sólida para o desenvolvimento e aplicação de Agentes de IA.

Demanda de mercado: outro fator-chave é a demanda de mercado. Comparado ao mercado de consumidores, o mercado empresarial tem uma necessidade mais urgente de tecnologia de IA, especialmente para soluções voltadas para melhorar a eficiência operacional e reduzir custos. Para os desenvolvedores, o fluxo de caixa estável dos clientes empresariais torna mais fácil desenvolver projetos subsequentes.

Limitações da Aplicação: Ao mesmo tempo, notamos que a inteligência artificial de geração de conteúdo tem aplicação limitada em cenários de mercado B2B. Devido à instabilidade de sua saída, as empresas tendem a preferir aplicativos que impulsionem de forma confiável a produtividade, razão pela qual a inteligência artificial de geração de conteúdo ocupa uma parte menor do panorama do projeto.

Essa tendência reflete as considerações práticas da maturidade da tecnologia, demanda de mercado e cenários de aplicação. À medida que a tecnologia de IA continua avançando e as demandas do mercado se tornam mais claras, esperamos que esse cenário mude, mas a infraestrutura provavelmente continuará sendo um pilar do desenvolvimento de Agentes de IA.

Análise dos principais projetos de agentes de IA Web2

Compilação dos principais projetos de agentes de IA da Web2, fonte: banco de dados do projeto ArkStream

Analisamos alguns dos principais projetos de Agentes de IA no mercado Web2, obtidos do banco de dados do projeto ArkStream. Usando Character AI, Perplexity AI e Midjourney como exemplos, mergulhamos em seus detalhes.

Character AI:

• Visão geral do produto: A Character.AI oferece sistemas de conversação baseados em IA e ferramentas de criação de personagens virtuais. A plataforma permite aos usuários criar, treinar e interagir com personagens virtuais que podem participar em conversas em linguagem natural e realizar tarefas específicas.
• Análise de Dados: Em maio, a Character.AI teve 277 milhões de visitas e mais de 3,5 milhões de usuários ativos diariamente, a maioria dos quais tem entre 18 e 34 anos, indicando uma base de usuários mais jovem. A Character AI teve um bom desempenho no mercado de capitais, levantando $150 milhões em financiamento com uma avaliação de $1 bilhão, liderada pela a16z.
• Análise Técnica: A Character AI assinou um acordo de licenciamento não exclusivo com a Alphabet, empresa controladora do Google, para usar seu grande modelo de linguagem. Os fundadores da empresa, Noam Shazeer e Daniel De Freitas, estiveram envolvidos no desenvolvimento do modelo de linguagem conversacional do Google, Llama.

Perplexidade AI:

• Visão geral do produto: Perplexidade raspa a internet para fornecer respostas detalhadas, garantindo a confiabilidade das informações citando referências e links. Ele educa e orienta os usuários a fazer perguntas de acompanhamento e buscar palavras-chave, atendendo a diversas necessidades de consulta.
• Análise de dados: Perplexity alcançou 10 milhões de usuários ativos mensais, com seu tráfego de aplicativos móveis e desktop crescendo 8,6% em fevereiro, atraindo cerca de 50 milhões de usuários. A Perplexity AI recentemente arrecadou US$ 62,7 milhões em financiamento, com uma avaliação de US$ 1,04 bilhão, liderada por Daniel Gross, com a participação de Stan Druckenmiller e NVIDIA.
• Análise técnica: A Perplexidade usa principalmente modelos GPT-3.5 ajustados e dois grandes modelos ajustados a partir de modelos de código aberto: pplx-7b-online e pplx-70b-online. Esses modelos são adequados para pesquisa acadêmica e consultas de domínio vertical, garantindo a autenticidade e confiabilidade das informações.

Meio de jornada:

• Visão geral do produto: Os usuários podem criar imagens em vários estilos e temas no Midjourney por meio de prompts, cobrindo uma ampla gama de necessidades criativas, desde o realismo até a abstração. A plataforma também oferece mesclagem e edição de imagens, permitindo que os usuários sobreponham imagens e transfiram estilos, com geração em tempo real permitindo saídas de imagem em segundos a minutos.
• Análise de Dados: A plataforma tem 15 milhões de usuários registrados, com 1,5 a 2,5 milhões de usuários ativos. Com base em informações públicas de mercado, a Midjourney não levantou dinheiro de investidores e se sustentou através da reputação empreendedora do fundador David e de seus recursos.
• Análise Técnica: Midjourney utiliza seu próprio modelo proprietário. Desde o lançamento do Midjourney V4 em agosto de 2022, a plataforma tem utilizado um modelo AI generativo baseado em difusão. Os parâmetros de treinamento do modelo, segundo relatos, variam de 30 a 40 bilhões, proporcionando uma base sólida para a diversidade e precisão de sua geração de imagens.

Desafios da Comercialização

Após experimentar vários Agentes de IA da Web2, observamos um caminho comum de iteração de produtos: desde o foco inicial em tarefas únicas e específicas até a expansão de suas capacidades para lidar com cenários multitasques mais complexos. Essa tendência destaca o potencial dos Agentes de IA na melhoria da eficiência e inovação, indicando que desempenharão um papel mais crítico no futuro. Com base em estatísticas preliminares de 125 projetos de Agentes de IA na Web2, descobrimos que a maioria dos projetos está concentrada na geração de conteúdo (por exemplo, Jasper AI), ferramentas para desenvolvedores (por exemplo, Replit) e serviços B2B (por exemplo, Cresta), a maior categoria. Essa descoberta foi contrária às nossas expectativas, pois inicialmente prevíamos que, com o aumento da maturidade da tecnologia de modelos de IA, o mercado de consumo (C-end) experimentaria um crescimento explosivo de Agentes de IA. No entanto, após uma análise mais aprofundada, percebemos que a comercialização de Agentes de IA para consumidores é muito mais desafiadora e complexa do que o esperado.

Tomemos Character.AI como exemplo. Por um lado, Character.AI tem um dos melhores desempenhos de tráfego. No entanto, devido ao seu modelo de negócios singular – contando com uma taxa de assinatura de US$ 9,9 – ela lutou com receita de assinatura limitada e altos custos de inferência para usuários pesados, eventualmente levando à sua aquisição pelo Google devido a dificuldades em monetizar o tráfego e manter o fluxo de caixa. Este caso mostra que, mesmo com excelente tráfego e financiamento, os aplicativos C-end AI Agent enfrentam desafios significativos de comercialização. A maioria dos produtos ainda não atingiu o padrão em que eles podem substituir ou efetivamente ajudar os seres humanos, resultando em baixa disposição do usuário para pagar. Em nossa pesquisa, descobrimos que muitas startups encontram problemas semelhantes aos Character.AI, indicando que o desenvolvimento de agentes de IA de consumo não é suave e requer uma exploração mais profunda da maturidade técnica, valor do produto e inovação do modelo de negócios para desbloquear seu potencial no mercado C-end.

Ao contar as avaliações da maioria dos projetos de Agentes de IA, comparadas com as avaliações de projetos de teto como OpenAI e xAI, ainda há espaço para cerca de 10-50 vezes. É inegável que o teto da aplicação do Agente do lado C ainda é alto o suficiente, provando que ainda é uma boa direção. No entanto, com base na análise acima, acreditamos que, em comparação com o lado C, o mercado do lado B pode ser o destino final do Agente de IA. Ao construir uma plataforma, as empresas integram o Agente de IA ao software de gestão, como campos verticais, CRM e escritório OA. Isso não apenas melhora a eficiência operacional das empresas, mas também fornece ao Agente de IA um espaço de aplicação mais amplo. Portanto, temos motivos para acreditar que os serviços do lado B serão a principal direção do desenvolvimento de curto prazo dos Agentes de IA na Internet tradicional Web2.

Status de Desenvolvimento e Perspectivas do Agente de IA Web3

Visão geral do projeto

Como analisado anteriormente, mesmo as aplicações de Agentes de IA com financiamento de alto nível e bom tráfego de usuários enfrentam dificuldades na comercialização. Em seguida, analisaremos o desenvolvimento atual de projetos de Agentes de IA na Web3. Ao avaliar uma série de projetos representativos - suas inovações técnicas, desempenho de mercado, feedback dos usuários e potencial de crescimento - pretendemos descobrir sugestões perspicazes. O gráfico abaixo mostra vários projetos representativos que já emitiram tokens e possuem um valor de mercado relativamente alto:

Compilação dos principais projetos líderes de agentes de IA da Web2, fonte: banco de dados do projeto ArkStream

De acordo com nossas estatísticas sobre o mercado de agentes de IA Web3, os tipos de projetos em desenvolvimento também mostram uma clara concentração em setores específicos. A maioria dos projetos se enquadra na infraestrutura, com menos projetos de geração de conteúdo. Muitos desses projetos têm como objetivo aproveitar os dados distribuídos fornecidos pelo usuário e o poder computacional para atender às necessidades de treinamento de modelos dos proprietários do projeto ou criar plataformas tudo-em-um que integrem vários serviços e ferramentas de agentes de IA. Desde ferramentas de desenvolvimento até aplicativos de interação de front-end e aplicativos gerativos, a maioria das indústrias tradicionais de agentes de IA está atualmente limitada a ajustes de parâmetros de código aberto ou à construção de aplicativos usando modelos existentes. Este método ainda não gerou efeitos significativos de rede para empresas ou usuários individuais.

Análise de Status

Acreditamos que esse fenômeno nessa fase pode ser impulsionado pelos seguintes fatores:

Descompasso entre Mercado e Tecnologia: A combinação de Web3 e agentes de IA atualmente não mostra uma vantagem significativa em relação aos mercados tradicionais. A verdadeira vantagem está em melhorar as relações de produção, otimizando recursos e colaboração por meio da descentralização. Isso pode fazer com que as aplicações interativas e generativas lutem para competir com concorrentes tradicionais com recursos técnicos e financeiros mais fortes.

Limitações do Cenário de Aplicação: No ambiente Web3, pode não haver tanta demanda para a geração de imagens, vídeos ou conteúdo de texto. Em vez disso, as características descentralizadas e distribuídas do Web3 são mais frequentemente utilizadas para reduzir custos e melhorar a eficiência no campo tradicional de IA, em vez de expandir para novos cenários de aplicação.

A causa raiz desse fenômeno pode residir no estado atual de desenvolvimento da indústria de IA e sua direção futura. A tecnologia de IA ainda está em seus estágios iniciais, semelhante aos primeiros dias da revolução industrial, quando as máquinas a vapor foram substituídas por motores elétricos. Ainda não atingiu o estágio de eletrificação da aplicação generalizada.

Acreditamos que o futuro da IA provavelmente seguirá um caminho semelhante. Modelos gerais se tornarão gradualmente padronizados, enquanto modelos finamente ajustados verão desenvolvimento diversificado. As aplicações de IA serão amplamente dispersas entre empresas e usuários individuais, com o foco mudando para a interconexão e interação entre modelos. Essa tendência está alinhada com os princípios do Web3, pois o Web3 é conhecido por sua composabilidade e natureza sem permissão, o que se encaixa bem com a ideia de ajuste fino descentralizado de modelos. Os desenvolvedores terão maior liberdade para combinar e ajustar vários modelos. Além disso, a descentralização oferece vantagens únicas em áreas como proteção de privacidade de dados e alocação de recursos de computação para treinamento de modelos.

Com os avanços tecnológicos, especialmente o surgimento de inovações como LoRA (Adaptação de Baixa Classificação), os custos e as barreiras técnicas para o ajuste fino do modelo foram significativamente reduzidos. Isso torna mais fácil desenvolver modelos públicos para cenários específicos ou atender às necessidades personalizadas dos usuários. Os projetos de Agentes de IA dentro da Web3 podem aproveitar totalmente esses avanços para explorar novos métodos de treinamento, mecanismos de incentivo inovadores e novos modelos de compartilhamento e colaboração de modelos, o que muitas vezes é difícil de alcançar em sistemas centralizados tradicionais.

Além disso, a concentração de projetos Web3 no treinamento de modelos reflete considerações estratégicas sobre sua importância dentro de todo o ecossistema de IA. Assim, o foco dos projetos Web3 AI Agent no treinamento de modelos é uma convergência natural das tendências tecnológicas, da demanda de mercado e das vantagens da indústria Web3. Em seguida, forneceremos exemplos de projetos de treinamento de modelos em ambas as indústrias Web2 e Web3 e faremos comparações.

Projetos de Treinamento de Modelos

Humans.ai

• Visão geral do projeto: Humans.ai é uma biblioteca diversificada de algoritmos de IA e ambiente de implantação de treinamento que abrange vários campos, como imagens, vídeos, áudio e texto. A plataforma apoia os desenvolvedores em treinamento adicional e otimização de modelos, e permite que eles compartilhem e negociem seus modelos. Uma inovação notável é que Humans.ai usa NFTs para armazenar modelos de IA e dados biométricos dos usuários, tornando o processo de criação de conteúdo de IA mais personalizado e seguro.
• Análise de Dados: O valor de mercado do token Heart da Humans.ai é de cerca de $68 milhões. Eles têm 56 mil seguidores no Twitter, embora os dados do usuário não tenham sido divulgados.
• Análise Técnica: Humans.ai não desenvolve seus próprios modelos, mas utiliza uma abordagem modular, empacotando todos os modelos disponíveis em NFTs, fornecendo aos usuários uma solução de IA flexível e escalável.

FLock.io

• Visão geral do projeto: FLock.io é uma plataforma de co-criação de IA baseada na tecnologia de aprendizado federado (um método de aprendizado de máquina descentralizado que enfatiza a privacidade de dados). Seu objetivo é abordar pontos críticos no campo da IA, como baixo envolvimento público, proteção insuficiente de privacidade e o monopólio da tecnologia de IA por grandes corporações. A plataforma permite que os usuários contribuam com dados enquanto protegem a privacidade, promovendo a democratização e descentralização da tecnologia de IA.
• Análise de Dados: FLock.io concluiu uma rodada semente de $6 milhões no início de 2024, liderada por Lightspeed Faction e Tagus Capital, com participação adicional da DCG, OKX Ventures e outros.
• Análise Técnica: A arquitetura do FLock.io é baseada em aprendizado federado, um método descentralizado que promove a proteção da privacidade. Também utiliza zkFL, criptografia homomórfica e computação segura de várias partes (SMPC) para fornecer salvaguardas adicionais de privacidade.

Esses são exemplos de projetos de treinamento de modelos dentro do espaço Web3 AI Agent, mas plataformas semelhantes também existem na Web2, como a Predibase.

Predibase

• Visão Geral do Projeto: Predibase foca na otimização de IA e grandes modelos de linguagem, permitindo aos usuários ajustar e implantar modelos de linguagem grandes de código aberto, como Llama, CodeLlama e Phi. A plataforma suporta várias técnicas de otimização como quantização, adaptação de baixa classificação e treinamento distribuído eficiente em memória.
• Análise de dados: A Predibase anunciou a conclusão de uma rodada Série A de US$ 12,2 milhões liderada pela Felicis, com grandes empresas como Uber, Apple, Meta e startups como Paradigm e Koble.ai como usuários da plataforma.
• Análise técnica: os usuários do Predibase treinaram mais de 250 modelos. A plataforma utiliza a arquitetura LoRAX e o framework Ludwig: o LoRAX permite que milhares de LLMs ajustados funcionem em uma única GPU, reduzindo significativamente os custos sem afetar a taxa de transferência ou a latência. Ludwig é um framework declarativo que o Predibase usa para desenvolver, treinar, ajustar e implantar modelos avançados de deep learning e grandes linguagens.
• Análise do Projeto: O Predibase oferece recursos amigáveis ao usuário que fornecem serviços de construção de aplicativos de IA personalizados para diferentes níveis de usuários. Seja para usuários finais ou empresariais, iniciantes ou profissionais experientes em IA, o Predibase atende a uma ampla gama de necessidades.

Para iniciantes, a automação de um clique da plataforma simplifica o processo de construção e treinamento do modelo, lidando automaticamente com tarefas complexas. Para usuários experientes, ele fornece opções de personalização mais profundas, incluindo acesso e ajuste de parâmetros mais avançados. Ao comparar plataformas tradicionais de treinamento de modelos de IA com projetos de IA Web3, embora seus quadros e lógica gerais possam ser semelhantes, encontramos diferenças significativas em sua arquitetura técnica e modelos de negócios.

• Profundidade técnica e inovação: As plataformas tradicionais de treinamento de modelos de IA geralmente têm barreiras técnicas mais profundas, como o uso de tecnologias proprietárias como a arquitetura LoRAX e a estrutura Ludwig. Essas estruturas oferecem recursos robustos, permitindo que a plataforma lide com tarefas complexas de treinamento de modelos de IA. No entanto, os projetos Web3 podem se concentrar mais na descentralização e abertura, com menos ênfase em inovação técnica profunda.
• Flexibilidade do Modelo de Negócios: Um gargalo comum no treinamento de modelos de IA tradicionais é a falta de flexibilidade no modelo de negócios. As plataformas geralmente exigem que os usuários paguem para treinar os modelos, limitando a sustentabilidade do projeto, especialmente nas fases iniciais quando é necessária uma ampla participação dos usuários e coleta de dados. Em contraste, os projetos Web3 frequentemente possuem modelos de negócios mais flexíveis, como tokenomics impulsionado por comunidades.
• Desafios de Proteção de Privacidade: A proteção da privacidade é outra questão-chave. Por exemplo, embora o Predibase ofereça serviços de nuvem privada virtual na AWS, depender da arquitetura de terceiros sempre carrega o risco potencial de vazamento de dados.

Essas diferenças se tornaram gargalos na indústria tradicional de IA. Devido à natureza da internet, esses problemas são difíceis de resolver de forma eficiente. Ao mesmo tempo, isso apresenta tanto oportunidades quanto desafios para a Web3, onde projetos que podem resolver esses problemas primeiro provavelmente se tornarão pioneiros na indústria.

Outras Categorias de Projetos de Agentes de IA Web3

Depois de discutir projetos de Agentes de IA focados em treinamento de modelos, agora expandimos nossa visão para outros tipos de projetos de Agentes de IA na indústria Web3. Esses projetos, embora não exclusivamente focados em treinamento de modelos, demonstram desempenho distintivo em termos de financiamento, valoração de tokens e presença no mercado. Abaixo estão alguns projetos de Agentes de IA representativos e influentes em seus respectivos campos:

Myshell

• Visão geral do produto: Myshell fornece uma plataforma abrangente de Agente de IA onde os usuários podem criar, compartilhar e personalizar agentes de IA. Esses agentes podem oferecer companhia e ajudar na eficiência do trabalho. A plataforma inclui diversos estilos de agentes de IA, desde anime até tradicionais, e suporta interações via áudio, vídeo e texto. Um recurso destacado é a integração de vários modelos existentes, incluindo GPT-4o, GPT-4 e Claude, proporcionando uma experiência premium. Além disso, o Myshell apresenta um sistema de negociação semelhante às curvas de vinculação FT, incentivando os criadores a desenvolver modelos de IA de alto valor, enquanto dá aos usuários a chance de investir e compartilhar os lucros.
• Análise de dados: A última rodada de financiamento da Myshell avaliou a empresa em cerca de US$ 80 milhões, liderada pela Dragonfly, com participação da Binance, Hashkey e Folius. Com quase 180 mil seguidores no Twitter, tem uma comunidade dedicada de usuários e desenvolvedores, apesar do engajamento do Discord ser menos de um décimo de sua base de seguidores.
• Análise técnica: Myshell não desenvolve modelos de IA independentemente, mas atua como plataforma de integração, combinando modelos como Claude e GPT-4. Essa estratégia permite oferecer aos usuários uma experiência de IA unificada e avançada.
• Experiência Subjetiva: MyShell permite aos usuários criar e personalizar livremente agentes de IA de acordo com suas necessidades. Seja como um companheiro pessoal ou um assistente profissional, ele pode se adaptar a vários cenários, como áudio e vídeo. Mesmo que os usuários não usem o proxy do MyShell, eles podem desfrutar do modelo pago integrado Web2 a um custo menor. Além disso, a plataforma combina o conceito econômico de FT, permitindo aos usuários não apenas usar os serviços de IA, mas também investir em agentes de IA nos quais estão otimistas, aumentando o efeito da riqueza por meio do mecanismo de curva de vinculação.

Delysium

• Visão geral do produto: Delysium fornece uma rede de Agentes de IA centrada em intenção, permitindo que os Agentes cooperem melhor para trazer aos usuários uma experiência amigável do Web3. Atualmente, a Delysium lançou dois Agentes de IA: Lucy e Jerry. Lucy é um Agente de IA em rede. A visão é fornecer assistência de ferramentas, como consultar os 10 principais endereços de detenção de moedas, etc. No entanto, atualmente a função do Agente de executar intenções on-chain ainda não foi aberta e só pode executar algumas instruções básicas, como fazer staking de AGI dentro do ecossistema ou trocá-lo por USDT. Jerry é semelhante ao GPT no ecossistema da Delysium e é principalmente responsável por responder perguntas dentro do ecossistema, como distribuição de tokens.
• Análise de Dados: A primeira rodada de financiamento foi de US$4 milhões em 2022 e, no mesmo ano, foi anunciado que havia completado um financiamento estratégico de US$10 milhões. Seu token AGI atualmente tem um valor total de cerca de US$130 milhões. Não há dados de usuários mais recentes. De acordo com as estatísticas oficiais da Delysium, Lucy acumulou mais de 1,4 milhão de conexões de carteira independentes até junho de 2023.

IA sem dormir

• Visão geral do produto: Uma plataforma de jogos de companheirismo emocional que combina Web3 e tecnologia de Agente de IA para fornecer jogos de companhia virtual HIM e HER, usando AIGC e LLM para imergir os usuários em interações com personagens virtuais. Os usuários podem modificar os atributos do personagem, roupas, etc. durante a conversa em andamento. Seu grande modelo de linguagem compatível garante que o personagem itere sobre si mesmo em cada conversa e se torne mais compreensivo com o usuário.
• Análise de dados: O projeto levantou um total de US$ 3,7 milhões, com investidores incluindo Binance Labs, Foresight Ventures e Folius Ventures. O valor de mercado total atual dos tokens atingiu aproximadamente US$ 400 milhões. Tem 116 mil seguidores no Twitter, 190 mil reservas registradas de acordo com estatísticas oficiais e 43 mil usuários ativos. Pode-se dizer que sua aderência ao usuário é bastante forte.
• Análise técnica: Embora o funcionário não tenha revelado em qual modelo de linguagem principal no mercado seu produto é baseado, a IA Sleepless garante que os usuários sentirão que o personagem os entende cada vez mais durante o processo de bate-papo. Portanto, ao projetar o treinamento de LLM, cada personagem treina um modelo separadamente e combina o banco de dados vetorial e o sistema de parâmetros de personalidade para permitir que o personagem tenha memória.
• Experiência subjetiva: A IA sem sono aborda o namorado e a namorada de IA de uma perspectiva Free-to-Play, e não é apenas integrada à caixa de bate-papo de um robô conversacional. O projeto aumenta muito a autenticidade dos humanos virtuais por meio de arte de alto custo, modelos de linguagem continuamente iterativos, dublagem completa e de alta qualidade e uma série de funções, como despertador, sonífero, gravação do período menstrual, companhia de estudo, etc. Esse tipo de valor emocional não pode ser sentido por outras aplicações no mercado. Além disso, a Sleepless AI cria um mecanismo de pagamento de conteúdo equilibrado e de longo prazo. Os usuários podem optar por vender NFT sem cair no dilema de P2E ou Ponzi. Esse modelo leva em conta tanto a renda do jogador quanto a experiência de jogo.

Análise Prospectiva

Na indústria Web3, os projetos do AI Agent abrangem várias direções, incluindo cadeias públicas, gerenciamento de dados, proteção de privacidade, redes sociais, serviços de plataforma e poder de computação. Em termos de valor de mercado de tokens, o valor de mercado total de tokens de projetos de AI Agent atingiu quase US$ 3,8 bilhões, enquanto o valor de mercado total de toda a trilha de IA está perto de US$ 16,2 bilhões. Os projetos do AI Agent representam cerca de 23% do valor de mercado na trilha de IA.

Embora haja apenas cerca de uma dúzia de projetos de Agente de IA, o que parece relativamente pouco em comparação com toda a trilha de IA, sua valoração de mercado representa quase um quarto. Esta proporção de valor de mercado na trilha de IA mais uma vez valida nossa crença de que esta subtrilha tem um grande potencial de crescimento.

Após nossa análise, levantamos uma questão central: Quais características os projetos Agent precisam ter para atrair financiamento excelente e serem listados nas principais exchanges? Para responder a essa pergunta, exploramos projetos bem-sucedidos na indústria Agent, como Fetch.ai, Olas Network, SingularityNET e Myshell.

Descobrimos que esses projetos compartilham algumas características significativas: todos eles pertencem à categoria de agregação de plataforma dentro da classe de infraestrutura. Eles constroem uma ponte, conectando usuários que precisam de Agentes de um lado (tanto B2B quanto B2C), e desenvolvedores e validadores responsáveis pela depuração e treinamento do modelo do outro lado. Independentemente do nível de aplicação, todos eles estabeleceram um ciclo fechado ecológico completo.

Percebemos que se os produtos deles estão relacionados à cadeia ou não, não parece ser o fator mais crucial. Isso nos leva a uma conclusão preliminar: no domínio Web3, a lógica de focar em aplicações práticas em Web2 pode não ser totalmente aplicável. Para os principais produtos AI Agent em Web3, construir um ecossistema completo e fornecer funcionalidades diversas pode ser mais importante do que a qualidade e desempenho de um único produto. Em outras palavras, o sucesso de um projeto depende não apenas do que ele oferece, mas sim de como integra recursos, promove colaboração e cria efeitos de rede dentro do ecossistema. Essa capacidade de construir ecossistemas pode ser um fator chave para que os projetos AI Agent se destaquem na trilha Web3.

O método de integração correto para projetos de AI Agent em Web3 não é focar no desenvolvimento profundo de um único aplicativo, mas adotar um modelo inclusivo. Essa abordagem envolve migrar e integrar diversos frameworks e tipos de produtos da era Web2 para o ambiente Web3, a fim de construir um ecossistema de ciclo autossustentável. Esse ponto também pode ser visto na mudança estratégica da OpenAI, pois eles optaram por lançar uma plataforma de aplicativos este ano, em vez de apenas atualizar seu modelo.

Em resumo, acreditamos que o projeto AI ​​Agent deve focar nos seguintes aspectos:

• Construção de ecossistema: Vá além de aplicativos únicos para construir um ecossistema que inclua múltiplos serviços e funções, promovendo interação e agregação de valor entre diferentes componentes.
• Modelo Tokenômico: Projetar um modelo econômico de tokens razoável para incentivar os usuários a participarem da construção da rede e contribuírem com dados e poder de computação.
• Integração de Domínios Cruzados: Explore as possíveis aplicações de Agentes de IA em diferentes áreas, criando novos cenários de uso e valor através da integração de domínios cruzados.

Depois de resumir esses três aspectos, também fornecemos algumas sugestões prospectivas para equipes de projetos com diferentes direções de foco: uma para produtos de aplicativos não-AI, e outra para projetos nativos focados na trilha de Agente AI.

Para produtos de aplicativos não centrais de IA:

Mantenha uma perspectiva de longo prazo, foque em seus produtos principais enquanto integra a tecnologia de IA e espere pela oportunidade certa em linha com os tempos. Nas tendências tecnológicas e de mercado atuais, acreditamos que usar a IA como um meio de atrair usuários e aumentar a competitividade do produto se tornou um meio importante de competitividade. Embora a contribuição real de longo prazo da tecnologia de IA para o desenvolvimento do projeto ainda seja uma incógnita, acreditamos que isso oferece uma janela valiosa para os primeiros adotantes da tecnologia de IA. Claro, a premissa é que eles já tenham um produto muito sólido.

A longo prazo, se a tecnologia de IA alcançar novos avanços no futuro, esses projetos que já integraram a IA poderão iterar seus produtos mais rapidamente, assim aproveitando oportunidades e se tornando líderes do setor. Isso é semelhante a como o comércio eletrônico ao vivo gradualmente substituiu as vendas offline como uma nova saída de tráfego nas plataformas de mídia social nos últimos anos. Naquela época, os comerciantes com produtos sólidos que escolheram seguir a nova tendência e tentar o comércio eletrônico ao vivo imediatamente se destacaram com a vantagem da entrada precoce quando o comércio eletrônico ao vivo realmente explodiu.

Acreditamos que, em meio à incerteza do mercado, para produtos de aplicativos não essenciais de IA, considerar a introdução oportuna de Agentes de IA pode ser uma decisão estratégica. Isso não só pode aumentar a exposição do produto no mercado atual, mas também trazer novos pontos de crescimento para o produto no desenvolvimento contínuo da tecnologia de IA.

Para projetos nativos focados em Agentes de IA:

Equilibrar a inovação tecnológica e a demanda do mercado é a chave para o sucesso. Nos projetos de Agentes de IA nativos, as equipes do projeto precisam observar as tendências de mercado, não apenas o desenvolvimento tecnológico. Atualmente, alguns projetos de Agentes integrados à Web3 no mercado podem estar excessivamente focados no desenvolvimento em uma única direção técnica ou ter construído uma grande visão, mas o desenvolvimento do produto não acompanhou. Ambos os extremos não são propícios para o desenvolvimento de longo prazo do projeto.

Portanto, sugerimos que as equipes de projeto, ao garantir a qualidade do produto, também devem prestar atenção à dinâmica do mercado e perceber que a lógica de aplicação de IA na indústria tradicional da internet pode não se aplicar ao Web3. Em vez disso, eles precisam aprender com os projetos que já obtiveram resultados no mercado Web3. Concentrem-se nos rótulos que possuem, como treinamento de modelo e funções principais de agregação de plataforma mencionadas no artigo, bem como nas narrativas que criam, como modularização de IA e colaboração multiagente. Explorar narrativas convincentes pode se tornar a chave para os projetos alcançarem avanços no mercado.

Conclusão

Seja um produto de núcleo não-AI ou um projeto de Agente nativo de AI, o mais crítico é encontrar o momento certo e o caminho técnico para garantir que permaneça competitivo e inovador no mercado em constante mudança. Com base na manutenção da qualidade do produto, as partes do projeto devem observar as tendências de mercado, aprender com casos de sucesso e, ao mesmo tempo, inovar para alcançar um desenvolvimento sustentável no mercado.

Resumo

No final do artigo, analisamos a trilha do Agente de IA Web3 a partir de múltiplos ângulos:

• Investimento de capital e atenção de mercado: Embora os projetos AI Agent não tenham atualmente uma vantagem no número de listagens na indústria Web3, eles representam cerca de 50% da avaliação de mercado, mostrando que o mercado de capitais reconhece altamente essa área. Com mais investimento de capital e aumento da atenção do mercado, é certo que surgirão mais projetos de alto valor na área do AI Agent.
• Paisagem competitiva e capacidades de inovação: A paisagem competitiva da faixa AI Agent na indústria Web3 ainda não foi totalmente formada. No nível atual de aplicação, não há um produto fenomenal e líder semelhante ao ChatGPT. Isso dá às novas partes do projeto muito espaço para crescimento e inovação. À medida que a tecnologia amadurece e os projetos anteriores são inovados, espera-se que a faixa desenvolva produtos mais competitivos, aumentando a avaliação de toda a faixa.
• Preste atenção aos tokenomics e aos incentivos do usuário: A importância da Web3 é remodelar as relações de produção e tornar o processo originalmente centralizado de implantação e treinamento de modelos de IA mais descentralizado. Por meio de design tokenômico razoável e programas de incentivo ao usuário, o poder de computação ocioso ou conjuntos de dados pessoais podem ser redistribuídos. Além disso, soluções como a ZKML podem proteger a privacidade de dados, reduzindo ainda mais o poder de computação e os custos de dados, e permitindo que mais usuários individuais participem da construção da indústria de IA.

Para resumir, estamos otimistas com a trilha do AI Agent. Temos razões para acreditar que vários projetos com avaliações superiores a US$ 1 bilhão surgirão nessa trilha. Através da comparação horizontal, a narrativa do AI Agent é suficientemente convincente e o espaço de mercado é grande o suficiente. As avaliações de mercado atuais são geralmente baixas. Considerando o rápido desenvolvimento da tecnologia de IA, o crescimento da demanda do mercado, o investimento de capital e o potencial de inovação das empresas na pista, no futuro, à medida que a tecnologia amadurece e a aceitação do mercado aumenta, espera-se que vários projetos com avaliações acima de US$ 1 bilhão surjam.

declaração:

1. Este artigo é reproduzido de [ArkStream Capital], o título original é "ArkStream Capital Track Research Report: Can AI Agent be a life-saving straw for Web3+AI?" Se você tiver alguma objeção à republicação, entre em contato com Time de Aprendizado da Gate, a equipe lidará com isso o mais rápido possível de acordo com os procedimentos relevantes.

2. Aviso Legal: As opiniões expressas neste artigo representam apenas as opiniões pessoais do autor e não constituem nenhum conselho de investimento.

3. Outras versões linguísticas do artigo são traduzidas pela equipa do Gate Learn, não mencionadas em Gate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.