TL;DR

• En las startups de Web2, los proyectos de Agentes de IA son populares y maduros, principalmente en servicios empresariales. En el espacio de Web3, los proyectos centrados en el entrenamiento de modelos y la agregación de plataformas se han vuelto predominantes debido a su papel clave en la construcción de ecosistemas.
• Actualmente, los proyectos de Agentes de IA representan solo el 8% de los proyectos Web3, pero su capitalización de mercado representa hasta un 23% del sector de IA. Esto demuestra una fuerte competitividad en el mercado, y esperamos que varios proyectos superen una valoración de $1 mil millones a medida que la tecnología madure y la aceptación del mercado aumente.
• Para proyectos Web3, integrar la tecnología de inteligencia artificial en aplicaciones principales no relacionadas con la IA podría convertirse en una ventaja estratégica. Al combinar con proyectos de Agentes de IA, se debe prestar atención a la construcción de todo el ecosistema y al diseño de modelos económicos de tokens para promover la descentralización y los efectos de red.

La Ola de IA: Proyectos Emergentes y Valoraciones en Alza

Desde el lanzamiento de ChatGPT en noviembre de 2022, ha atraído a más de 100 millones de usuarios en solo dos meses. Para mayo de 2024, los ingresos mensuales de ChatGPT habían alcanzado la asombrosa cifra de $20.3 millones, y OpenAI lanzó rápidamente versiones iterativas como GPT-4 y GPT-4o. Este ritmo rápido ha llevado a los gigantes tecnológicos tradicionales a reconocer la importancia de modelos de IA de vanguardia como los LLM. Empresas como Google lanzaron el modelo de lenguaje grande PaLM2, Meta lanzó Llama3, y las empresas chinas presentaron modelos como Ernie Bot y Zhipu Qingyan, destacando la IA como un campo de batalla crucial.

La competencia entre los gigantes tecnológicos no solo ha acelerado el desarrollo de aplicaciones comerciales, sino que también ha impulsado la investigación de AI de código abierto. El informe AI Index 2024 muestra que el número de proyectos relacionados con AI en GitHub se disparó de 845 en 2011 a alrededor de 1,8 millones en 2023, con un aumento interanual del 59,3% en 2023, lo que refleja el entusiasmo de la comunidad global de desarrolladores por la investigación de AI.

Este entusiasmo por la tecnología de IA se refleja directamente en el mercado de inversiones, que ha experimentado un crecimiento explosivo en el segundo trimestre de 2024. Hubo 16 inversiones relacionadas con la IA que superaron los $150 millones a nivel mundial, el doble que en el primer trimestre. La financiación total de startups de IA se disparó a $24 mil millones, más del doble que el año anterior. Cabe destacar que xAI de Elon Musk recaudó $6 mil millones, con una valoración de $24 mil millones, lo que lo convierte en la startup de IA de mayor valor después de OpenAI.

Top 10 financiamientos del sector de IA en el segundo trimestre de 2024, Fuente: Yiou,https://www.iyiou.com/data/202407171072366

El rápido desarrollo de la IA está remodelando el panorama tecnológico a un ritmo sin precedentes. Desde la feroz competencia entre los gigantes tecnológicos hasta la próspera comunidad de código abierto y el fervor del mercado de capitales por los conceptos de IA, los proyectos están surgiendo continuamente, las inversiones alcanzan nuevos máximos y las valoraciones suben al mismo ritmo. En general, el mercado de la IA se encuentra en una edad de oro de crecimiento rápido, con avances importantes en el procesamiento del lenguaje impulsados por grandes modelos de lenguaje y tecnologías de generación aumentada por recuperación. Sin embargo, persisten desafíos a la hora de traducir estos avances tecnológicos en productos reales, como la incertidumbre en la salida del modelo, el riesgo de generar información inexacta (alucinaciones) y problemas de transparencia del modelo, especialmente críticos en aplicaciones de alta confiabilidad.

En este contexto, hemos comenzado a investigar Agentes de IA, que hacen hincapié en la resolución de problemas y la interacción con entornos del mundo real. Este cambio marca la evolución de la IA desde modelos de lenguaje puro hasta sistemas inteligentes capaces de comprender, aprender y resolver verdaderamente problemas del mundo real. Vemos promesa en los Agentes de IA, ya que están acortando gradualmente la brecha entre la tecnología de IA y la resolución práctica de problemas. A medida que la IA evoluciona para remodelar los marcos de productividad, Web3 está reconstruyendo las relaciones de producción de la economía digital. Cuando los tres pilares de la IA: datos, modelos y potencia de cálculo, se fusionan con los principios fundamentales de descentralización, economías de tokens y contratos inteligentes de Web3, preveemos el nacimiento de una serie de aplicaciones innovadoras. En esta intersección prometedora, los Agentes de IA, con su capacidad para ejecutar tareas de forma autónoma, muestran un inmenso potencial para aplicaciones a gran escala. Por lo tanto, nos estamos adentrando en las diversas aplicaciones de los Agentes de IA en Web3, desde infraestructuras, middleware y capas de aplicaciones de Web3 hasta mercados de datos y modelos, con el objetivo de identificar y evaluar los tipos de proyectos más prometedores y los escenarios de aplicación para profundizar en nuestra comprensión de la integración de IA-Web3.

Aclaración de conceptos: Introducción y Resumen de la Clasificación de Agentes de IA

Introducción básica

Antes de presentar los Agentes de IA, para ayudar a los lectores a comprender mejor la diferencia entre su definición y los modelos tradicionales, usemos un escenario del mundo real como ejemplo: Supongamos que estás planeando un viaje. Un modelo de lenguaje grande tradicional proporciona información sobre destinos y sugerencias de viaje. La tecnología de generación aumentada por recuperación (RAG) puede ofrecer un contenido de destinos más rico y específico. En contraste, un Agente de IA actúa como Jarvis de Iron Man películas—entiende tus necesidades, busca activamente vuelos y hoteles según tu solicitud, hace reservas y agrega el itinerario a tu calendario.

En la industria, los Agentes de IA se definen generalmente como sistemas inteligentes capaces de percibir el entorno y tomar acciones apropiadas mediante la recopilación de información ambiental a través de sensores, su procesamiento y la afectación del entorno a través de actuadores (Stuart Russell y Peter Norvig, 2020). Vemos a un Agente de IA como un asistente que integra LLM (Modelos de Lenguaje Grande), RAG, memoria, planificación de tareas y uso de herramientas. No solo proporciona información, sino que también planea, descompone tareas y las ejecuta realmente.

Basándonos en esta definición y características, podemos ver que los Agentes de IA ya se han integrado en nuestra vida diaria y se aplican en varios escenarios. Por ejemplo, AlphaGo, Siri y la conducción autónoma de nivel 5 y superior de Tesla pueden considerarse ejemplos de Agentes de IA. La característica común entre estos sistemas es su capacidad para percibir las entradas de usuario externas y tomar decisiones que afecten el mundo real en función de esas entradas.

Para aclarar conceptos utilizando ChatGPT como ejemplo, es importante distinguir que Transformeres la arquitectura técnica que forma la base de los modelos de IA, mientras que GPTse refiere a la serie de modelos desarrollados basados en esta arquitectura. GPT-1, GPT-4 y GPT-4o representan diferentes etapas del desarrollo del modelo. ChatGPT, como una evolución basada en el modelo GPT, puede considerarse un Agente de IA.

Visión general de la clasificación

Actualmente, no existe un estándar de clasificación unificado para los Agentes de IA en el mercado. Al etiquetar 204 proyectos de Agentes de IA en los mercados Web2 y Web3 según sus características destacadas, creamos clasificaciones primarias y secundarias. Las clasificaciones primarias incluyen infraestructura, generación de contenido e interacción con el usuario, que luego se dividen aún más según los casos de uso reales:

• Infraestructura: Se centra en la construcción de componentes fundamentales en el campo de los Agentes de IA, incluyendo plataformas, modelos, datos, herramientas de desarrollo y servicios B2B a nivel empresarial.
• Herramientas de desarrollo: Proporcionar a los desarrolladores herramientas auxiliares y marcos para construir Agentes de IA.
• Procesamiento de datos: Procesar y analizar datos en diferentes formatos, principalmente utilizado para ayudar en la toma de decisiones y proporcionar fuentes para entrenamiento.
• Entrenamiento de modelos: Proporciona servicios de entrenamiento de modelos para IA, incluyendo inferencia, establecimiento y configuración de modelos, etc.
• Servicios B2B: principalmente para usuarios empresariales, proporcionando servicio empresarial, soluciones verticales y automatizadas.
• Agregación de plataformas: una plataforma que integra múltiples servicios y herramientas de Agente de IA.
• Interacción del usuario: Similar a la generación de contenido, pero con una interacción bidireccional continua. Los agentes de interacción no solo entienden y responden a las necesidades del usuario, sino que también proporcionan comentarios utilizando el procesamiento del lenguaje natural (PLN), lo que permite una comunicación bidireccional.
• Compañía emocional: Agente de IA que proporciona apoyo emocional y compañía.
• Basado en GPT: Agente de IA basado en el modelo GPT (generative pre-training Transformer).
• Búsqueda: Agente que se enfoca en las funciones de búsqueda y proporciona una recuperación de información más precisa.
• Generación de contenido: proyectos enfocados en crear contenido utilizando tecnologías de modelos grandes basados en instrucciones de usuario, categorizados en generación de texto, generación de imágenes, generación de videos y generación de audio.

Análisis del Desarrollo de Agentes de IA Web2

Según nuestra investigacióon, el desarrollo de Agentes de IA en el tradicional Internet Web2 muestra una clara concentración en sectores específicos. Aproximadamente dos tercios de los proyectos se centran en infraestructura, particularmente en servicios B2B y herramientas para desarrolladores. Analizamos este fenómeno e identificamos varios factores clave:

Impacto de la madurez de la tecnología: El dominio de los proyectos de infraestructura se debe en gran parte a la madurez de las tecnologías subyacentes. Estos proyectos a menudo se construyen sobre tecnologías y marcos bien establecidos, lo que reduce la dificultad y el riesgo del desarrollo. Sirven como las 'palas' en el campo de la IA, proporcionando una base sólida para el desarrollo y la aplicación de agentes de IA.

Demanda del Mercado: Otro factor clave es la demanda del mercado. En comparación con el mercado de consumo, el mercado empresarial tiene una necesidad más urgente de la tecnología de IA, especialmente para soluciones destinadas a mejorar la eficiencia operativa y reducir costos. Para los desarrolladores, el flujo de efectivo estable de los clientes empresariales hace que sea más fácil desarrollar proyectos posteriores.

Limitaciones de la aplicación: Al mismo tiempo, notamos que la IA de generación de contenido tiene aplicaciones limitadas en el mercado B2B. Debido a la inestabilidad de su producción, las empresas tienden a preferir aplicaciones que impulsen de manera confiable la productividad, por eso la IA de generación de contenido ocupa una parte más pequeña del panorama de proyectos.

Esta tendencia refleja las consideraciones prácticas de la madurez tecnológica, la demanda del mercado y los escenarios de aplicación. A medida que la tecnología de IA continúa avanzando y las demandas del mercado se vuelven más claras, esperamos que este panorama cambie, pero es probable que la infraestructura siga siendo un pilar del desarrollo de los agentes de IA.

Análisis de los principales proyectos de agentes de IA Web2

Compilación de proyectos líderes de agentes de IA de la Web2, fuente: base de datos del proyecto ArkStream

Analizamos algunos de los principales proyectos de Agentes de IA en el mercado Web2, obtenidos de la base de datos del proyecto ArkStream. Utilizando Character AI, Perplexity AI y Midjourney como ejemplos, nos adentramos en sus detalles.

Character AI:

• Descripción del producto: Character.AI ofrece sistemas de conversación basados en IA y herramientas de creación de personajes virtuales. La plataforma permite a los usuarios crear, entrenar e interactuar con personajes virtuales que pueden participar en conversaciones naturales y realizar tareas específicas.
• Análisis de datos: En mayo, Character.AI tuvo 277 millones de visitas y más de 3,5 millones de usuarios activos diarios, la mayoría de los cuales tienen entre 18 y 34 años, lo que indica una base de usuarios más joven. Character AI ha tenido un buen desempeño en el mercado de capitales, recaudando $150 millones en financiamiento con una valoración de $1 mil millones, liderado por a16z.
• Análisis técnico: Character AI ha firmado un acuerdo de licencia no exclusivo con Alphabet, la empresa matriz de Google, para utilizar su gran modelo de lenguaje. Los fundadores de la compañía, Noam Shazeer y Daniel De Freitas, participaron en el desarrollo del modelo de lenguaje conversacional de Google, Llama.

Perplejidad AI:

• Descripción del producto: Perplejidad raspa internet para proporcionar respuestas detalladas, asegurando la confiabilidad de la información citando referencias y enlaces. Educa y guía a los usuarios en hacer preguntas de seguimiento y buscar palabras clave, satisfaciendo diversas necesidades de consulta.
• Análisis de datos: La Perplejidad ha alcanzado 10 millones de usuarios activos mensuales, con un crecimiento del 8.6% en el tráfico de su aplicación móvil y de escritorio en febrero, atrayendo a unos 50 millones de usuarios. Perplejidad AI recientemente recaudó $62.7 millones en financiamiento, con una valoración de $1.04 mil millones, liderada por Daniel Gross, con la participación de Stan Druckenmiller y NVIDIA.
• Análisis técnico: La perplejidad utiliza principalmente modelos GPT-3.5 afinados y dos modelos grandes afinados a partir de modelos de código abierto: pplx-7b-online y pplx-70b-online. Estos modelos son adecuados para la investigación académica y las consultas de dominio vertical, lo que garantiza la autenticidad y confiabilidad de la información.

Medio viaje:

• Descripción del producto: Los usuarios pueden crear imágenes en varios estilos y temas en Midjourney a través de indicaciones, cubriendo una amplia gama de necesidades creativas, desde el realismo hasta la abstracción. La plataforma también ofrece mezcla y edición de imágenes, lo que permite a los usuarios superponer imágenes y transferir estilos, con generación en tiempo real que permite obtener imágenes en cuestión de segundos a minutos.
• Análisis de datos: la plataforma tiene 15 millones de usuarios registrados, con 1,5 a 2,5 millones de usuarios activos. Según la información del mercado público, Midjourney no ha recaudado dinero de inversores y se ha sostenido a través de la reputación emprendedora y los recursos del fundador David.
• Análisis técnico: Midjourney utiliza su propio modelo patentado. Desde el lanzamiento de Midjourney V4 en agosto de 2022, la plataforma ha estado utilizando un modelo de IA generativa basado en difusión. Se informa que los parámetros de entrenamiento del modelo van desde 30 a 40 mil millones, lo que proporciona una base sólida para la diversidad y precisión de su generación de imágenes.

Desafíos de comercialización

Después de experimentar varios agentes de IA Web2, observamos una ruta común de iteración de productos: desde centrarse inicialmente en tareas únicas y específicas hasta ampliar posteriormente sus capacidades para manejar escenarios más complejos y multitarea. Esta tendencia pone de manifiesto el potencial de los agentes de IA para mejorar la eficiencia y la innovación, lo que indica que desempeñarán un papel más importante en el futuro. Basándonos en las estadísticas preliminares de 125 proyectos de AI Agent en Web2, descubrimos que la mayoría de los proyectos se concentran en la generación de contenidos (por ejemplo, Jasper AI), las herramientas de desarrollo (por ejemplo, Replit) y los servicios B2B (por ejemplo, Cresta), la categoría más grande. Este hallazgo fue contrario a nuestras expectativas, ya que inicialmente predijimos que con la creciente madurez de la tecnología de modelos de IA, el mercado de consumo (C-end) experimentaría un crecimiento explosivo de los agentes de IA. Sin embargo, después de un análisis más profundo, nos dimos cuenta de que la comercialización de agentes de IA de consumo es mucho más desafiante y compleja de lo esperado.

Tomemos Character.AI como ejemplo. Por un lado, Character.AI tiene uno de los mejores rendimientos de tráfico. Sin embargo, debido a su modelo de negocio singular, que depende de una tarifa de suscripción de $9.9 USD, luchó con ingresos limitados por suscripción y altos costos de inferencia para usuarios intensivos, lo que finalmente llevó a su adquisición por parte de Google debido a dificultades para monetizar el tráfico y mantener el flujo de efectivo. Este caso muestra que incluso con un tráfico y financiamiento excelentes, las aplicaciones de agentes de IA para consumidores enfrentan desafíos significativos en la comercialización. La mayoría de los productos aún no han alcanzado el estándar en el que pueden reemplazar o ayudar eficazmente a los humanos, lo que resulta en una baja disposición de los usuarios a pagar. En nuestra investigación, descubrimos que muchas startups encuentran problemas similares a los de Character.AI, lo que indica que el desarrollo de agentes de IA para consumidores no es sencillo y requiere una exploración más profunda de la madurez técnica, el valor del producto y la innovación en el modelo de negocio para desbloquear su potencial en el mercado de consumidores.

Al contar las valoraciones de la mayoría de los proyectos de Agentes de IA, en comparación con las valoraciones de proyectos de techo como OpenAI y xAI, todavía hay espacio para cerca de 10-50 veces. No se puede negar que el techo de la aplicación de Agentes del lado C sigue siendo lo suficientemente alto, lo que demuestra que todavía es un buen camino. Sin embargo, basándonos en el análisis anterior, creemos que en comparación con el lado C, el mercado del lado B puede ser el destino final de los Agentes de IA. Al construir una plataforma, las empresas integran Agentes de IA en software de gestión como campos verticales, CRM y oficina OA. Esto no solo mejora la eficiencia operativa para las empresas, sino que también proporciona a los Agentes de IA un espacio de aplicación más amplio. Por lo tanto, tenemos motivos para creer que los servicios del lado B serán la dirección principal del desarrollo a corto plazo de los Agentes de IA en el Internet tradicional Web2.

Estado y perspectivas del desarrollo del agente de inteligencia artificial Web3

Resumen del proyecto

Como se analizó anteriormente, incluso las aplicaciones de Agentes de IA con financiación de primer nivel y un buen tráfico de usuarios enfrentan dificultades en la comercialización. A continuación, analizaremos el desarrollo actual de los proyectos de Agentes de IA en Web3. Al evaluar una serie de proyectos representativos, sus innovaciones técnicas, rendimiento en el mercado, comentarios de los usuarios y potencial de crecimiento, buscamos descubrir sugerencias perspicaces. El gráfico a continuación muestra varios proyectos representativos que ya han emitido tokens y tienen un valor de mercado relativamente alto:

Compilación de proyectos líderes de agentes de IA de Web2, fuente: base de datos del proyecto ArkStream

Según nuestras estadísticas sobre el mercado de agentes AI Web3, los tipos de proyectos que se desarrollan también muestran una clara concentración en sectores específicos. La mayoría de los proyectos se incluyen en la infraestructura, con menos proyectos de generación de contenido. Muchos de estos proyectos tienen como objetivo aprovechar los datos distribuidos y la capacidad de cómputo proporcionados por los usuarios para satisfacer las necesidades de entrenamiento del modelo de los propietarios del proyecto o crear plataformas todo en uno que integren diversos servicios y herramientas de agentes AI. Desde herramientas para desarrolladores hasta aplicaciones de interacción de front-end y aplicaciones generativas, la mayoría de las industrias tradicionales de agentes AI se limitan actualmente a ajustes de parámetros de código abierto o a la construcción de aplicaciones utilizando modelos existentes. Este método aún no ha generado efectos de red significativos para las empresas o usuarios individuales.

Análisis de Estado

Creemos que este fenómeno en esta etapa puede estar impulsado por los siguientes factores:

Desajuste entre el mercado y la tecnología: la combinación de Web3 y agentes de IA actualmente no muestra una ventaja significativa sobre los mercados tradicionales. La verdadera ventaja radica en mejorar las relaciones de producción mediante la optimización de los recursos y la colaboración a través de la descentralización. Esto puede hacer que las aplicaciones interactivas y generativas luchen por competir con competidores tradicionales con recursos técnicos y financieros más sólidos.

Limitaciones del Escenario de Aplicación: En el entorno Web3, puede que no haya tanta demanda para generar imágenes, videos o contenido de texto. En cambio, las características descentralizadas y distribuidas de Web3 se utilizan con mayor frecuencia para reducir costos y mejorar la eficiencia dentro del campo tradicional de la inteligencia artificial, en lugar de expandirse hacia nuevos escenarios de aplicación.

La causa fundamental de este fenómeno puede estar en el estado actual de desarrollo de la industria de la IA y su dirección futura. La tecnología de IA aún se encuentra en sus primeras etapas, similar a los primeros días de la revolución industrial, cuando las máquinas de vapor fueron reemplazadas por motores eléctricos. Todavía no ha alcanzado la etapa de electrificación de aplicación generalizada.

Creemos que el futuro de la IA probablemente seguirá un camino similar. Los modelos generales se estandarizarán gradualmente, mientras que los modelos ajustados se desarrollarán de manera diversificada. Las aplicaciones de IA se dispersarán ampliamente en empresas y usuarios individuales, con el enfoque cambiando hacia la interconexión y la interacción entre modelos. Esta tendencia se alinea estrechamente con los principios de Web3, ya que Web3 es conocido por su composabilidad y su naturaleza sin permisos, lo que encaja bien con la idea de ajustar modelos de manera descentralizada. Los desarrolladores tendrán mayor libertad para combinar y ajustar varios modelos. Además, la descentralización ofrece ventajas únicas en áreas como la protección de la privacidad de los datos y la asignación de recursos informáticos para el entrenamiento de modelos.

Con los avances tecnológicos, especialmente la aparición de innovaciones como LoRA (Low-Rank Adaptation), los costos y las barreras técnicas para el ajuste fino del modelo se han reducido significativamente. Esto facilita el desarrollo de modelos públicos para escenarios específicos o para satisfacer las necesidades personalizadas de los usuarios. Los proyectos de Agentes de IA dentro de Web3 pueden aprovechar plenamente estos avances para explorar nuevos métodos de entrenamiento, mecanismos de incentivos innovadores y nuevos modelos de intercambio y colaboración de modelos, que a menudo son difíciles de lograr en sistemas centralizados tradicionales.

Además, la concentración de proyectos Web3 en el entrenamiento de modelos refleja consideraciones estratégicas sobre su importancia dentro de todo el ecosistema de inteligencia artificial. Así, el enfoque de los proyectos de agentes de inteligencia artificial de Web3 en el entrenamiento de modelos es una convergencia natural de las tendencias tecnológicas, la demanda del mercado y las ventajas de la industria de Web3. A continuación, proporcionaremos ejemplos de proyectos de entrenamiento de modelos tanto en las industrias Web2 como en las Web3 y realizaremos comparaciones.

Proyectos de entrenamiento de modelos

Humans.ai

• Descripción del proyecto: Humans.ai es una biblioteca diversificada de algoritmos de IA y un entorno de implementación de entrenamiento que abarca diversos campos como imágenes, videos, audio y texto. La plataforma apoya a los desarrolladores en el entrenamiento y la optimización adicional de modelos, y les permite compartir y comerciar con sus modelos. Una innovación notable es que Humans.ai utiliza NFTs para almacenar modelos de IA y datos biométricos de los usuarios, lo que hace que el proceso de creación de contenido de IA sea más personalizado y seguro.
• Análisis de datos: el valor de mercado del token Heart de Humans.ai es de unos 68 millones de dólares. Tienen 56 mil seguidores en Twitter, aunque no se ha revelado ningún dato de usuario.
• Análisis técnico: Humans.ai no desarrolla sus propios modelos, sino que utiliza un enfoque modular, empaquetando todos los modelos disponibles en NFT, proporcionando a los usuarios una solución de IA flexible y escalable.

FLock.io

• Descripción del proyecto: FLock.io es una plataforma de co-creación de IA basada en la tecnología de aprendizaje federado (un método de aprendizaje automático descentralizado que enfatiza la privacidad de los datos). Su objetivo es abordar los puntos débiles en el campo de la IA, como la baja participación pública, la protección insuficiente de la privacidad y el monopolio de la tecnología de IA por parte de grandes corporaciones. La plataforma permite a los usuarios contribuir con datos mientras protege la privacidad, promoviendo la democratización y descentralización de la tecnología de IA.
• Análisis de datos: FLock.io completó una ronda inicial de $6 millones a principios de 2024, liderada por Lightspeed Faction y Tagus Capital, con la participación adicional de DCG, OKX Ventures y otros.
• Análisis técnico: la arquitectura de FLock.io se basa en el aprendizaje federado, un método descentralizado que promueve la protección de la privacidad. También utiliza zkFL, cifrado homomórfico y computación segura de múltiples partes (SMPC) para proporcionar salvaguardias adicionales de privacidad.

Estos son ejemplos de proyectos de entrenamiento de modelos dentro del espacio de Agentes de IA Web3, pero también existen plataformas similares en Web2, como Predibase.

Predibase

• Visión general del proyecto: Predibase se centra en la optimización de inteligencia artificial y modelos de lenguaje grandes, lo que permite a los usuarios ajustar y desplegar modelos de lenguaje grandes de código abierto, como Llama, CodeLlama y Phi. La plataforma admite diversas técnicas de optimización como cuantificación, adaptación de rango bajo y entrenamiento distribuido eficiente en memoria.
• Análisis de datos: Predibase anunció la finalización de una ronda Serie A de $12.2 millones liderada por Felicis, con importantes empresas como Uber, Apple, Meta, y startups como Paradigm y Koble.ai como usuarios de la plataforma.
• Análisis técnico: Los usuarios de Predibase han entrenado más de 250 modelos. La plataforma utiliza la arquitectura LoRAX y el marco Ludwig: LoRAX permite que miles de LLM ajustados se ejecuten en una sola GPU, lo que reduce significativamente los costos sin afectar el rendimiento o la latencia. Ludwig es un marco declarativo que Predibase utiliza para desarrollar, entrenar, ajustar e implementar aprendizaje profundo de vanguardia y modelos de lenguaje de gran tamaño.
• Análisis del proyecto: Predibase ofrece funciones fáciles de usar que brindan servicios de construcción de aplicaciones de inteligencia artificial personalizadas para diferentes niveles de usuarios. Ya sea para usuarios de extremo C o B, principiantes o profesionales experimentados en inteligencia artificial, Predibase atiende a una amplia gama de necesidades.

Para principiantes, la automatización de un clic de la plataforma simplifica el proceso de construcción y entrenamiento del modelo, manejando automáticamente tareas complejas. Para usuarios experimentados, ofrece opciones de personalización más profundas, incluido el acceso y ajuste de parámetros más avanzados. Al comparar las plataformas tradicionales de entrenamiento de modelos de IA con los proyectos de IA Web3, si bien sus marcos generales y lógica pueden ser similares, encontramos diferencias significativas en su arquitectura técnica y modelos de negocio.

• Profundidad técnica e innovación: Las plataformas tradicionales de entrenamiento de modelos de IA a menudo tienen barreras técnicas más profundas, como el uso de tecnologías propietarias como la arquitectura LoRAX y el marco de trabajo Ludwig. Estos marcos ofrecen características sólidas, lo que permite que la plataforma maneje tareas complejas de entrenamiento de modelos de IA. Sin embargo, los proyectos Web3 pueden centrarse más en la descentralización y la apertura, con menos énfasis en la innovación técnica profunda.
• Flexibilidad del modelo de negocio: Un cuello de botella común en el entrenamiento de modelos de IA tradicionales es la falta de flexibilidad en el modelo de negocio. Las plataformas suelen requerir que los usuarios paguen para entrenar modelos, lo que limita la sostenibilidad del proyecto, especialmente en las primeras etapas cuando se necesita una amplia participación de usuarios y recopilación de datos. En cambio, los proyectos Web3 a menudo tienen modelos de negocio más flexibles, como la tokenomía impulsada por comunidades.
• Desafíos de protección de la privacidad: La protección de la privacidad es otro tema clave. Por ejemplo, aunque Predibase ofrece servicios de nube privada virtual en AWS, depender de una arquitectura de terceros siempre conlleva el riesgo potencial de filtraciones de datos.

Estas diferencias se han convertido en cuellos de botella en la industria tradicional de IA. Debido a la naturaleza de Internet, estos problemas son difíciles de resolver de manera eficiente. Al mismo tiempo, esto presenta oportunidades y desafíos para Web3, donde los proyectos que puedan resolver estos problemas primero probablemente se convertirán en pioneros en la industria.

Otras categorías de proyectos de agentes de inteligencia artificial de Web3

Después de discutir proyectos de agentes de inteligencia artificial centrados en el entrenamiento de modelos, ahora ampliamos nuestra visión a otros tipos de proyectos de agentes de inteligencia artificial en la industria Web3. Estos proyectos, aunque no se centran exclusivamente en el entrenamiento de modelos, demuestran un rendimiento distintivo en términos de financiación, valoración de tokens y presencia en el mercado. A continuación se presentan algunos proyectos de agentes de inteligencia artificial representativos e influyentes en sus respectivos campos:

Myshell

• Descripción del producto: Myshell proporciona una plataforma completa de agente de IA donde los usuarios pueden crear, compartir y personalizar agentes de IA. Estos agentes pueden ofrecer compañía y ayudar con la eficiencia en el trabajo. La plataforma incluye diversos estilos de agentes de IA, desde anime hasta tradicionales, y admite interacciones mediante audio, video y texto. Una característica destacada es la integración de múltiples modelos existentes, incluidos GPT-4o, GPT-4 y Claude, que brindan una experiencia premium. Además, Myshell introduce un sistema de comercio similar a las curvas de enlace de FT, incentivando a los creadores a desarrollar modelos de IA de alto valor y brindando a los usuarios la oportunidad de invertir y compartir las ganancias.
• Análisis de datos: la última ronda de financiamiento de Myshell valoró la compañía en alrededor de $80 millones, liderada por Dragonfly, con la participación de Binance, Hashkey y Folius. Con casi 180K seguidores en Twitter, tiene una comunidad dedicada de usuarios y desarrolladores, a pesar de que el compromiso en Discord es menos de una décima parte de su base de seguidores.
• Análisis técnico: Myshell no desarrolla modelos de IA de forma independiente, sino que actúa como plataforma de integración, combinando modelos como Claude y GPT-4. Esta estrategia le permite ofrecer a los usuarios una experiencia de IA unificada y avanzada.
• Experiencia subjetiva: MyShell permite a los usuarios crear y personalizar libremente agentes de IA según sus propias necesidades. Ya sea como acompañante personal o como asistente profesional, puede adaptarse a diversos escenarios como audio y video. Incluso si los usuarios no utilizan el proxy de MyShell, pueden disfrutar del modelo de pago Web2 integrado a un coste menor. Además, la plataforma combina el concepto económico de FT, lo que permite a los usuarios no solo utilizar los servicios de IA, sino también invertir en agentes de IA sobre los que son optimistas, aumentando el efecto riqueza a través del mecanismo de la curva de vinculación.

Delysium

• Descripción general del producto: Delysium proporciona una red de agentes de IA centrada en la intención, lo que permite a los agentes cooperar mejor para brindar a los usuarios una experiencia Web3 amigable. Actualmente, Delysium ha lanzado dos agentes de IA: Lucy y Jerry. Lucy es una agente de IA en red. La visión es proporcionar asistencia de herramientas, como consultar las 10 principales direcciones de tenencia de divisas, etc. Sin embargo, actualmente aún no se ha abierto la función del Agente para ejecutar intenciones on-chain, y solo puede ejecutar algunas instrucciones básicas, como hacer staking de AGI dentro del ecosistema. O cámbialo por USDT. Jerry es similar a GPT en el ecosistema de Delysium, y es el principal responsable de responder preguntas dentro del ecosistema, como la distribución de tokens.
• Análisis de datos: la primera ronda de financiamiento fue de 4 millones de dólares en 2022 y en el mismo año se anunció que se había completado un financiamiento estratégico de 10 millones de dólares. Su token AGI actualmente tiene un valor de capitalización de mercado de alrededor de 130 millones de dólares. No hay datos de usuario más recientes. Según las estadísticas oficiales de Delysium, Lucy ha acumulado más de 1,4 millones de conexiones de billetera independientes hasta junio de 2023.

IA insomne

• Descripción del producto: Una plataforma de juegos de compañía emocional que combina tecnología Web3 y AI Agent para proporcionar juegos de compañía virtual HIM y HER, utilizando AIGC y LLM para sumergir a los usuarios en interacciones con personajes virtuales. Los usuarios pueden modificar los atributos del personaje, la ropa, etc. durante la conversación en curso. Su modelo de lenguaje grande compatible asegura que el personaje itere en sí mismo en cada conversación y se vuelva más comprensivo con el usuario.
• Análisis de datos: El proyecto ha recaudado un total de US$3.7 millones, con inversores que incluyen a Binance Labs, Foresight Ventures y Folius Ventures. El valor de mercado total actual de los tokens ha alcanzado aproximadamente los US$400 millones. Tiene 116K seguidores en Twitter, 190K reservas registradas según estadísticas oficiales y 43K usuarios activos. Se puede decir que su fidelidad de usuario es bastante fuerte.
• Análisis técnico:Aunque el oficial no reveló en qué modelo de lenguaje principal en el mercado se basa su producto, Sleepless AI asegura que los usuarios sentirán que el personaje los entiende cada vez más durante el proceso de chat. Por lo tanto, al diseñar el entrenamiento de LLM, cada personaje entrena un modelo por separado y combina la base de datos de vectores y el sistema de parámetros de personalidad para permitir que el personaje tenga memoria.
• Experiencia subjetiva: Sleepless AI aborda a AI Boyfriend y AI Girlfriend desde una perspectiva de juego gratuito y no solo está integrado en el cuadro de chat de un robot conversacional. El proyecto mejora en gran medida la autenticidad de los humanos virtuales a través de arte de alto costo, modelos de lenguaje continuamente iterativos, doblaje de alta calidad y completo, y una serie de funciones como despertador, ayuda para dormir, registro del período menstrual, compañía de estudio, etc. Este tipo de valor emocional no se puede sentir en otras aplicaciones del mercado. Además, Sleepless AI crea un mecanismo de pago de contenido a largo plazo y equilibrado. Los usuarios pueden optar por vender NFT sin caer en el dilema de P2E o Ponzi. Este modelo tiene en cuenta tanto los ingresos de los jugadores como la experiencia de juego.

Análisis de Prospectos

En la industria Web3, los proyectos de Agentes de IA cubren múltiples direcciones, incluyendo cadenas públicas, gestión de datos, protección de la privacidad, redes sociales, servicios de plataforma y potencia informática. En términos de valor de mercado de tokens, el valor total de mercado de tokens de los proyectos de Agentes de IA ha alcanzado casi los $3.8 mil millones, mientras que el valor total de mercado de toda la pista de IA está cerca de los $16.2 mil millones. Los proyectos de Agentes de IA representan aproximadamente el 23% del valor de mercado en la pista de IA.

Aunque solo hay aproximadamente una docena de proyectos de Agentes de IA, lo que parece relativamente poco en comparación con todo el rastro de IA, su valoración de mercado representa casi una cuarta parte. Esta proporción de valor de mercado en el rastro de IA valida una vez más nuestra creencia de que esta sub-pista tiene un gran potencial de crecimiento.

Después de nuestro análisis, planteamos una pregunta clave: ¿Qué características necesitan los proyectos de Agent para atraer una excelente financiación y ser listados en los principales intercambios? Para responder a esta pregunta, exploramos proyectos exitosos en la industria de Agent, como Fetch.ai, Olas Network, SingularityNET y Myshell.

Descubrimos que estos proyectos comparten algunas características significativas: todos pertenecen a la categoría de agregación de plataformas dentro de la clase de infraestructura. Construyen un puente, conectando a los usuarios que necesitan agentes en un extremo (tanto B2B como B2C) y a los desarrolladores y validadores responsables de la depuración y el entrenamiento del modelo en el otro extremo. Independientemente del nivel de aplicación, todos ellos han establecido un circuito cerrado ecológico completo.

Notamos que si sus productos están relacionados con la cadena o no, no parece ser el factor más crucial. Esto nos lleva a una conclusión preliminar: en el dominio Web3, la lógica de centrarse en aplicaciones prácticas en Web2 puede no ser completamente aplicable. Para los principales productos de AI Agent en Web3, la construcción de un ecosistema completo y la provisión de funcionalidades diversas podrían ser más críticas que la calidad y el rendimiento de un solo producto. En otras palabras, el éxito de un proyecto depende no solo de lo que ofrece, sino más bien de cómo integra los recursos, promueve la colaboración y crea efectos de red dentro del ecosistema. Esta capacidad para construir ecosistemas podría ser un factor clave para que los proyectos de AI Agent se destaquen en la pista Web3.

El método de integración correcto para los proyectos de AI Agent en Web3 no es centrarse en el desarrollo profundo de una sola aplicación, sino adoptar un modelo inclusivo. Este enfoque implica migrar e integrar diversos marcos y tipos de productos de la era Web2 al entorno Web3 para construir un ecosistema de autociclismo. Este punto también se puede ver en el cambio estratégico de OpenAI, ya que optaron por lanzar una plataforma de aplicaciones este año en lugar de limitarse a actualizar su modelo.

En resumen, creemos que el proyecto Agente de IA debería centrarse en los siguientes aspectos:

• Construcción del Ecosistema: Vaya más allá de las aplicaciones individuales para construir un ecosistema que incluya múltiples servicios y funciones, promoviendo la interacción y la adición de valor entre diferentes componentes.
• Modelo Tokenómico: Diseñar un modelo económico de tokens razonable para incentivar a los usuarios a participar en la construcción de la red y contribuir con datos y potencia de cálculo.
• Integración entre dominios: explore las posibles aplicaciones de los agentes de IA en diferentes campos, creando nuevos escenarios de uso y valor a través de la integración entre dominios.

Después de resumir estos tres aspectos, también proporcionamos algunas sugerencias prospectivas para equipos de proyectos con diferentes direcciones de enfoque: una para productos de aplicaciones no centrales de IA y otra para proyectos nativos centrados en la pista de Agente de IA.

Para productos de aplicaciones principales que no sean de IA:

Mantenga una perspectiva a largo plazo, enfoque en sus productos principales mientras integra tecnología de IA y espere la oportunidad adecuada acorde a los tiempos. En las actuales tendencias tecnológicas y de mercado, creemos que utilizar la IA como un medio de tráfico para atraer usuarios y mejorar la competitividad del producto se ha convertido en un medio importante de competitividad. Aunque la contribución real a largo plazo de la tecnología de IA al desarrollo del proyecto sigue siendo una incógnita, creemos que esto proporciona una ventana valiosa para los primeros adoptantes de la tecnología de IA. Por supuesto, la premisa es que ya tienen un producto muy sólido.

A largo plazo, si la tecnología de IA logra nuevos avances en el futuro, aquellos proyectos que ya hayan integrado la IA podrán iterar sus productos más rápidamente, aprovechando oportunidades y convirtiéndose en líderes de la industria. Esto es similar a cómo el comercio electrónico en vivo gradualmente reemplazó las ventas en línea como un nuevo canal de tráfico en las plataformas de redes sociales en los últimos años. En ese momento, aquellos comerciantes con productos sólidos que eligieron seguir la nueva tendencia y probar el comercio electrónico en vivo de inmediato se destacaron con la ventaja de la entrada temprana cuando el comercio electrónico en vivo realmente explotó.

Creemos que en medio de la incertidumbre del mercado, para productos de aplicaciones no centrales de IA, considerar la introducción oportuna de Agentes de IA puede ser una decisión estratégica. No solo puede aumentar la exposición en el mercado del producto en el presente, sino también aportar nuevos puntos de crecimiento para el producto en el desarrollo continuo de la tecnología de IA.

Para proyectos nativos centrados en agentes de IA:

Equilibrar la innovación tecnológica y la demanda del mercado es clave para el éxito. En los proyectos nativos de Agentes de IA, los equipos de proyectos deben tener en cuenta las tendencias del mercado, no solo el desarrollo tecnológico. Actualmente, algunos proyectos de Agentes integrados en Web3 en el mercado pueden estar excesivamente enfocados en desarrollar en una única dirección técnica, o haber construido una visión grandiosa, pero el desarrollo del producto no ha seguido el ritmo. Ambos extremos no son propicios para el desarrollo a largo plazo del proyecto.

Por lo tanto, sugerimos que los equipos de proyectos, mientras aseguran la calidad del producto, también presten atención a la dinámica del mercado, y comprendan que la lógica de aplicación de la inteligencia artificial en la industria tradicional de Internet puede no ser aplicable a Web3. En su lugar, necesitan aprender de aquellos proyectos que ya han logrado resultados en el mercado de Web3. Enfóquense en las etiquetas que tienen, como el entrenamiento de modelos y las funciones principales de agregación de plataformas mencionadas en el artículo, así como en las narrativas que crean, como la modularización de AI y la colaboración multiagente. Explorar narrativas convincentes puede convertirse en la clave para que los proyectos logren avances en el mercado.

Conclusión

Tanto si se trata de un producto principal que no es de IA como de un proyecto de agente de IA nativo, lo más importante es encontrar el momento oportuno y el camino técnico adecuados para garantizar que siga siendo competitivo e innovador en un mercado en constante cambio. Sobre la base de mantener la calidad del producto, las partes del proyecto deben observar las tendencias del mercado, aprender de los casos exitosos y, al mismo tiempo, innovar para lograr un desarrollo sostenible en el mercado.

Resumen

Al final del artículo, analizamos la pista del Agente de IA Web3 desde múltiples ángulos:

• Inversión de capital y atención del mercado: Aunque los proyectos de AI Agent actualmente no tienen una ventaja en el número de listados en la industria Web3, representan cerca del 50% de la valoración del mercado, lo que demuestra que el mercado de capitales reconoce altamente esta pista. Con una mayor inversión de capital y una mayor atención del mercado, es seguro que aparecerán más proyectos de alto valor en la pista de AI Agent.
• Panorama competitivo y capacidades de innovación: El panorama competitivo de la pista de agentes de IA en la industria Web3 aún no se ha formado por completo. A nivel de aplicación actual, no existe un producto fenomenal y líder similar a ChatGPT. Esto da a los nuevos proyectos mucho espacio para el crecimiento y la innovación. A medida que la tecnología madure y se innoven los proyectos anteriores, se espera que la pista desarrolle productos más competitivos, lo que aumentará la valoración de toda la pista.
• Preste atención a la tokenómica y a los incentivos para los usuarios: La importancia de la Web3 es remodelar las relaciones de producción y hacer que el proceso originalmente centralizado de despliegue y entrenamiento de modelos de IA sea más descentralizado. A través de un diseño tokenómico razonable y programas de incentivos para el usuario, se puede redistribuir la potencia informática inactiva o los conjuntos de datos personales. Además, soluciones como ZKML pueden proteger la privacidad de los datos, reduciendo aún más la potencia informática y los costes de los datos, y permitiendo que más usuarios individuales participen en la construcción de la industria de la IA.

En resumen, somos optimistas sobre la pista de Agentes de IA. Tenemos razones para creer que surgirán múltiples proyectos con valoraciones superiores a $1 billón en esta pista. A través de la comparación horizontal, la narrativa de Agentes de IA es lo suficientemente convincente y el espacio de mercado es lo suficientemente grande. Las valoraciones actuales del mercado son generalmente bajas. Teniendo en cuenta el rápido desarrollo de la tecnología de IA, el crecimiento de la demanda del mercado, la inversión de capital y el potencial de innovación de las empresas en la pista, en el futuro, a medida que la tecnología madure y aumente la aceptación del mercado, se espera que esta pista vea surgir múltiples proyectos con valoraciones superiores a $1 billón.

declaración:

1. Este artículo se reproduce de [ArkStream Capital], el título original es "Informe de investigación de seguimiento de capital de ArkStream: ¿Puede el agente de IA ser una salvavidas para Web3+AI?" Si tienes alguna objeción a la reimpresión, por favor contacta conEquipo de Aprendizaje de Gate, el equipo lo manejará lo más pronto posible de acuerdo a los procedimientos correspondientes.

2. Descargo de responsabilidad: Las opiniones expresadas en este artículo representan solo las opiniones personales del autor y no constituyen ningún consejo de inversión.

3. Otras versiones del artículo son traducidas por el equipo de Gate Learn, no mencionadas en Gate.io, el artículo traducido no puede ser reproducido, distribuido o plagiado.