TL;DR

• Di startup Web2, proyek AI Agent populer dan matang, terutama dalam layanan perusahaan. Di ruang Web3, proyek yang difokuskan pada pelatihan model dan agregasi platform telah menjadi mainstream karena peran kunci mereka dalam membangun ekosistem.
• Saat ini, proyek AI Agent hanya menyumbang 8% dari proyek Web3, tetapi kapitalisasi pasarnya mencapai 23% dari sektor AI. Hal ini menunjukkan kompetitivitas pasar yang kuat, dan kami mengharapkan beberapa proyek akan melampaui valuasi $1 miliar seiring dengan berkembangnya teknologi dan peningkatan penerimaan pasar.
• Untuk proyek Web3, mengintegrasikan teknologi AI ke dalam aplikasi inti non-AI dapat menjadi keuntungan strategis. Saat menggabungkan dengan proyek AI Agent, perhatian harus diberikan pada membangun seluruh ekosistem dan merancang model ekonomi token untuk mempromosikan desentralisasi dan efek jaringan.

Gelombang Kecerdasan Buatan: Proyek-proyek yang Muncul dan Penilaian yang Meningkat

Sejak diluncurkannya ChatGPT pada November 2022, ia menarik lebih dari 100 juta pengguna dalam waktu hanya dua bulan. Pada Mei 2024, pendapatan bulanan ChatGPT telah mencapai $20,3 juta yang menakjubkan, dan OpenAI dengan cepat merilis versi iteratif seperti GPT-4 dan GPT-4o. Kecepatan ini mendorong para raksasa teknologi tradisional untuk mengakui pentingnya model AI canggih seperti LLMs. Perusahaan seperti Google merilis model bahasa besar PaLM2, Meta meluncurkan Llama3, dan perusahaan-perusahaan Tiongkok memperkenalkan model-model seperti Ernie Bot dan Zhipu Qingyan, menyoroti AI sebagai medan perang yang penting.

Persaingan di antara raksasa teknologi tidak hanya mempercepat perkembangan aplikasi komersial tetapi juga mendorong penelitian AI open-source. Laporan AI Index 2024 menunjukkan bahwa jumlah proyek terkait AI di GitHub melonjak dari 845 pada tahun 2011 menjadi sekitar 1,8 juta pada tahun 2023, dengan peningkatan tahunan sebesar 59,3% pada tahun 2023, mencerminkan antusiasme komunitas pengembang global terhadap penelitian AI.

Antusiasme ini terhadap teknologi AI secara langsung tercermin dalam pasar investasi, yang mengalami pertumbuhan yang luar biasa di kuartal kedua 2024. Ada 16 investasi terkait AI yang melebihi $150 juta secara global, dua kali lipat dari kuartal pertama. Total pendanaan startup AI melonjak menjadi $24 miliar, lebih dari dua kali lipat dibanding tahun sebelumnya. Terutama, xAI milik Elon Musk berhasil mengumpulkan $6 miliar, dengan valuasi sebesar $24 miliar, menjadikannya startup AI dengan valuasi tertinggi kedua setelah OpenAI.

10 pendanaan sektor AI teratas di Q2 2024, Sumber: Yiou,https://www.iyiou.com/data/202407171072366

Pengembangan AI yang pesat sedang membentuk lanskap teknologi dengan kecepatan yang belum pernah terjadi sebelumnya. Dari persaingan sengit di antara raksasa teknologi hingga komunitas sumber terbuka yang berkembang pesat, dan semangat pasar modal terhadap konsep AI, proyek-proyek terus bermunculan, jumlah investasi mencapai rekor baru, dan valuasi terus meningkat. Secara keseluruhan, pasar AI sedang mengalami masa emas pertumbuhan cepat, dengan kemajuan besar dalam pemrosesan bahasa yang didorong oleh model bahasa besar dan teknologi generasi dengan penambahan pengambilan. Namun, tantangan tetap ada dalam menerjemahkan kemajuan teknologi ini ke dalam produk nyata, seperti ketidakpastian output model, risiko menghasilkan informasi yang tidak akurat (halusinasi), dan masalah transparansi model—terutama hal yang kritis dalam aplikasi yang membutuhkan keandalan tinggi.

Dalam konteks ini, kami telah mulai meneliti AI Agents, yang menekankan pemecahan masalah dan interaksi dengan lingkungan dunia nyata. Perubahan ini menandai evolusi AI dari model bahasa murni menjadi sistem cerdas yang mampu benar-benar memahami, belajar, dan menyelesaikan masalah dunia nyata. Kami melihat harapan dalam AI Agents, karena mereka secara bertahap memperpendek kesenjangan antara teknologi AI dan pemecahan masalah praktis. Saat AI berkembang untuk membentuk kerangka produktivitas, Web3 sedang merekonstruksi hubungan produksi dalam ekonomi digital. Ketika tiga pilar AI—data, model, dan daya komputasi—melebur dengan prinsip inti Web3 tentang desentralisasi, ekonomi token, dan kontrak pintar, kami memperkirakan lahirnya serangkaian aplikasi inovatif. Dalam perpotongan yang menjanjikan ini, AI Agents, dengan kemampuannya untuk mengeksekusi tugas secara mandiri, menunjukkan potensi besar untuk aplikasi skala besar. Oleh karena itu, kami sedang menyelami berbagai aplikasi AI Agents dalam Web3, mulai dari infrastruktur Web3, lapisan middleware, dan aplikasi hingga pasar data dan model, dengan tujuan untuk mengidentifikasi dan menilai jenis proyek yang paling menjanjikan dan skenario aplikasi untuk memperdalam pemahaman kami tentang integrasi AI-Web3.

Pengklarifikasian konsep: Pengantar dan Tinjauan Klasifikasi Agen AI

Pengenalan dasar

Sebelum memperkenalkan AI Agents, untuk membantu pembaca memahami perbedaan antara definisi mereka dan model tradisional, mari gunakan skenario dunia nyata sebagai contoh: Misalkan Anda sedang merencanakan perjalanan. Model bahasa besar tradisional menyediakan informasi tujuan dan saran perjalanan. Teknologi peningkatan generasi berdasarkan pencarian (RAG) dapat menawarkan konten tujuan yang lebih kaya dan lebih spesifik. Sebaliknya, AI Agent berperan seperti Jarvis dari Iron Manfilm—itu memahami kebutuhan Anda, secara aktif mencari penerbangan dan hotel berdasarkan permintaan Anda, melakukan reservasi, dan menambahkan jadwal perjalanan ke kalender Anda.

Dalam industri, AI Agents umumnya didefinisikan sebagai sistem cerdas yang mampu mempersepsikan lingkungan dan mengambil tindakan yang tepat dengan mengumpulkan informasi lingkungan melalui sensor, memprosesnya, dan mempengaruhi lingkungan melalui aktuator (Stuart Russell & Peter Norvig, 2020). Kami menganggap AI Agent sebagai asisten yang mengintegrasikan LLM (Large Language Models), RAG, memori, perencanaan tugas, dan penggunaan alat. Ini tidak hanya menyediakan informasi tetapi juga merencanakan, memecah tugas, dan benar-benar melaksanakannya.

Berdasar pada definisi dan karakteristik ini, kita dapat melihat bahwa Agen AI telah terintegrasi ke dalam kehidupan sehari-hari kita dan diterapkan dalam berbagai skenario. Misalnya, AlphaGo, Siri, dan kendaraan otonom Level 5 dan di atas Tesla dapat dianggap sebagai contoh Agen AI. Ciri umum di antara sistem-sistem ini adalah kemampuan mereka untuk mempersepsi input pengguna eksternal dan membuat keputusan yang memengaruhi dunia nyata berdasarkan input tersebut.

Untuk menjelaskan konsep menggunakan ChatGPT sebagai contoh, penting untuk membedakan bahwa Transformatoradalah arsitektur teknis yang membentuk dasar dari model AI, sementara GPTmerujuk pada serangkaian model yang dikembangkan berdasarkan arsitektur ini. GPT-1, GPT-4, dan GPT-4o mewakili tahapan pengembangan model yang berbeda. ChatGPT, sebagai evolusi berdasarkan model GPT, dapat dianggap sebagai Agen AI.

Ikhtisar Klasifikasi

Saat ini, belum ada standar klasifikasi yang seragam untuk AI Agent di pasar. Dengan menandai 204 proyek AI Agent di pasar Web2 dan Web3 berdasarkan fitur utama mereka, kami membuat klasifikasi utama dan sekunder. Klasifikasi utama meliputi infrastruktur, pembuatan konten, dan interaksi pengguna, yang kemudian dibagi lebih lanjut berdasarkan kasus penggunaan yang sebenarnya:

• Infrastruktur: Berfokus pada membangun komponen dasar di bidang AI Agent, termasuk platform, model, data, alat pengembangan, dan layanan B2B tingkat perusahaan.
• Alat pengembangan: Memberikan pengembang dengan alat bantu dan kerangka kerja untuk membangun Agen AI.
• Pemrosesan data: Memproses dan menganalisis data dalam berbagai format, terutama digunakan untuk membantu pengambilan keputusan dan menyediakan sumber untuk pelatihan.
• Pelatihan model: Menyediakan layanan pelatihan model untuk AI, termasuk inferensi, pembentukan dan pengaturan model, dll.
• Layanan B2B: terutama untuk pengguna perusahaan, menyediakan layanan perusahaan, solusi vertikal, dan otomatis.
• Agregasi platform: sebuah platform yang mengintegrasikan berbagai layanan dan alat AI Agent.
• Interaksi Pengguna: Mirip dengan pembuatan konten, tetapi dengan interaksi dua arah yang berkelanjutan. Agen Interaksi tidak hanya memahami dan merespons kebutuhan pengguna tetapi juga memberikan umpan balik menggunakan pemrosesan bahasa alami (NLP), memungkinkan komunikasi dua arah.
• Kepersahabatan emosional: Agen AI yang menyediakan dukungan emosional dan persahabatan.
• Berdasarkan GPT: Agen AI berdasarkan model GPT (generative pre-training Transformer).
• Pencarian: Agen yang berfokus pada fungsi pencarian dan memberikan pengambilan informasi yang lebih akurat.
• Generasi Konten: Proyek yang berfokus pada membuat konten menggunakan teknologi model besar berdasarkan instruksi pengguna, dikategorikan menjadi generasi teks, generasi gambar, generasi video, dan generasi audio.

Analisis Pengembangan Agen AI Web2

Menurut penelitian kami, pengembangan AI Agents di internet Web2 tradisional menunjukkan konsentrasi yang jelas pada sektor-sektor tertentu. Sekitar dua pertiga dari proyek-proyek tersebut difokuskan pada infrastruktur, terutama pada layanan B2B dan alat pengembang. Kami menganalisis fenomena ini dan mengidentifikasi beberapa faktor kunci:

Dampak Kematangan Teknologi: Dominasi proyek infrastruktur sebagian besar disebabkan oleh kematangan teknologi yang mendasarinya. Proyek-proyek ini sering kali dibangun dengan menggunakan teknologi dan kerangka kerja yang sudah mapan, yang mengurangi kesulitan dan risiko pengembangan. Mereka berfungsi sebagai "sekop" di bidang AI, memberikan dasar yang kokoh untuk pengembangan dan aplikasi AI Agent.

Permintaan Pasar: Faktor kunci lainnya adalah permintaan pasar. Dibandingkan dengan pasar konsumen, pasar perusahaan memiliki kebutuhan yang lebih mendesak terhadap teknologi AI, terutama untuk solusi yang bertujuan meningkatkan efisiensi operasional dan mengurangi biaya. Bagi para pengembang, arus kas stabil dari pelanggan perusahaan membuatnya lebih mudah untuk mengembangkan proyek-proyek selanjutnya.

Keterbatasan Aplikasi: Pada saat yang sama, kami menyadari bahwa kecerdasan buatan yang menghasilkan konten memiliki skenario aplikasi yang terbatas di pasar B2B. Karena ketidakstabilan outputnya, bisnis cenderung memilih aplikasi yang dapat meningkatkan produktivitas secara handal, itulah sebabnya kecerdasan buatan yang menghasilkan konten hanya memegang bagian kecil dalam lanskap proyek.

Tren ini mencerminkan pertimbangan praktis kematangan teknologi, permintaan pasar, dan skenario aplikasi. Ketika teknologi AI terus berkembang dan permintaan pasar menjadi lebih jelas, kami mengharapkan lanskap ini akan berubah, tetapi infrastruktur kemungkinan akan tetap menjadi dasar pengembangan AI Agent.

Analisis Proyek Agen AI Web2 Terkemuka

Kompilasi proyek-proyek unggulan AI Agent Web2, sumber: basis data proyek ArkStream

Kami menganalisis beberapa proyek AI Agent terkemuka di pasar Web2, yang berasal dari database proyek ArkStream. Menggunakan Character AI, Perplexity AI, dan Midjourney sebagai contoh, kami menyelidiki detailnya.

Karakter AI:

• Ikhtisar Produk: Character.AI menawarkan sistem percakapan berbasis AI dan alat pembuatan karakter virtual. Platform ini memungkinkan pengguna untuk membuat, melatih, dan berinteraksi dengan karakter virtual yang dapat terlibat dalam percakapan bahasa alami dan melakukan tugas-tugas tertentu.
• Analisis Data: Pada bulan Mei, Character.AI memiliki 277 juta kunjungan dan lebih dari 3,5 juta pengguna aktif harian, sebagian besar berusia antara 18 dan 34 tahun, menunjukkan pangkalan pengguna yang lebih muda. Character AI telah berhasil di pasar modal, mengumpulkan $150 juta pendanaan dengan valuasi $1 miliar, dipimpin oleh a16z.
• Analisis Teknis: Karakter AI telah menandatangani perjanjian lisensi non-eksklusif dengan Alphabet, perusahaan induk Google, untuk menggunakan model bahasa besar miliknya. Para pendiri perusahaan, Noam Shazeer dan Daniel De Freitas, terlibat dalam mengembangkan model bahasa percakapan Google, Llama.

Perplexity AI:

• Gambaran Produk: Perplexity mengumpulkan informasi dari internet untuk memberikan jawaban yang detail, memastikan keandalan informasi dengan menyebutkan referensi dan tautan. Ini memberikan pembelajaran dan panduan kepada pengguna untuk bertanya pertanyaan lanjutan dan mencari kata kunci, memenuhi beragam kebutuhan pertanyaan.
• Analisis Data: Kepanikan telah mencapai 10 juta pengguna aktif bulanan, dengan lalu lintas aplikasi seluler dan desktopnya tumbuh 8,6% pada bulan Februari, menarik sekitar 50 juta pengguna. Perplexity AI baru-baru ini mengumpulkan dana sebesar $62,7 juta, dengan valuasi $1,04 miliar, dipimpin oleh Daniel Gross, dengan partisipasi dari Stan Druckenmiller dan NVIDIA.
• Analisis Teknis: Perplexity pada dasarnya menggunakan model GPT-3.5 yang disesuaikan dengan baik dan dua model besar yang disesuaikan dengan baik dari model open-source: pplx-7b-online dan pplx-70b-online. Model-model ini cocok untuk penelitian akademis dan kueri domain vertikal, memastikan keaslian dan kehandalan informasi.

Midjourney:

• Ikhtisar Produk: Pengguna dapat membuat gambar dalam berbagai gaya dan tema di Midjourney melalui petunjuk, mencakup berbagai kebutuhan kreatif mulai dari realisme hingga abstraksi. Platform ini juga menawarkan penggabungan dan pengeditan gambar, memungkinkan pengguna untuk tumpang tindih gambar dan mentransfer gaya, dengan generasi waktu nyata yang memungkinkan output gambar dalam hitungan detik hingga menit.
• Analisis Data: Platform ini memiliki 15 juta pengguna terdaftar, dengan 1,5 hingga 2,5 juta pengguna aktif. Berdasarkan informasi pasar publik, Midjourney belum mengumpulkan uang dari investor dan telah bertahan melalui reputasi dan sumber daya wirausaha pendiri David.
• Analisis Teknikal: Midjourney menggunakan model proprietary-nya sendiri. Sejak perilisan Midjourney V4 pada Agustus 2022, platform ini telah menggunakan model AI generatif berbasis difusi. Parameter pelatihan model dilaporkan berkisar antara 30 hingga 40 miliar, memberikan dasar yang kuat untuk keberagaman dan akurasi generasi gambar.

Tantangan Komersialisasi

Setelah mengalami beberapa Agen AI Web2, kami mengamati jalur iterasi produk umum: dari awalnya berfokus pada satu tugas khusus hingga kemudian memperluas kemampuan mereka untuk menangani skenario multi-tugas yang lebih kompleks. Tren ini menyoroti potensi Agen AI dalam meningkatkan efisiensi dan inovasi, menunjukkan bahwa mereka akan memainkan peran yang lebih penting di masa depan. Berdasarkan statistik awal dari 125 proyek Agen AI di Web2, kami menemukan bahwa sebagian besar proyek terkonsentrasi pada pembuatan konten (misalnya, Jasper AI), alat pengembang (misalnya, Replit), dan layanan B2B (misalnya, Cresta), kategori terbesar. Temuan ini bertentangan dengan harapan kami, karena kami awalnya memperkirakan bahwa dengan meningkatnya kematangan teknologi model AI, pasar konsumen (C-end) akan mengalami pertumbuhan Agen AI yang eksplosif. Namun, setelah analisis lebih lanjut, kami menyadari bahwa komersialisasi Agen AI konsumen jauh lebih menantang dan kompleks dari yang diharapkan.

Ambil Character.AI sebagai contoh. Di satu sisi, Character.AI memiliki beberapa kinerja lalu lintas terbaik. Namun, karena model bisnis tunggalnya—mengandalkan biaya langganan $9.9 USD—mengalami kesulitan dengan pendapatan langganan terbatas dan biaya inferensi tinggi untuk pengguna berat, akhirnya mengakibatkan akuisisinya oleh Google karena kesulitan dalam memonetisasi lalu lintas dan mempertahankan arus kas. Kasus ini menunjukkan bahwa bahkan dengan lalu lintas dan pendanaan yang sangat baik, aplikasi C-end AI Agent menghadapi tantangan komersialisasi yang signifikan. Sebagian besar produk belum mencapai standar di mana mereka dapat menggantikan atau membantu manusia secara efektif, yang mengakibatkan keengganan pengguna untuk membayar. Dalam penelitian kami, kami menemukan bahwa banyak startup menghadapi masalah serupa seperti Character.AI, menunjukkan bahwa pengembangan Consumer AI Agents tidak lancar dan memerlukan eksplorasi yang lebih dalam terhadap kematangan teknis, nilai produk, dan inovasi model bisnis untuk membuka potensinya di pasar C-end.

Dengan menghitung valuasi sebagian besar proyek AI Agent, dibandingkan dengan valuasi proyek ceiling seperti OpenAI dan xAI, masih ada ruang untuk hampir 10-50 kali. Tidak dapat disangkal bahwa ceiling aplikasi C-side Agent masih cukup tinggi, membuktikan bahwa masih menjadi jalur yang baik. Namun, berdasarkan analisis di atas, kami percaya bahwa dibandingkan dengan C-side, pasar B-side mungkin menjadi tujuan akhir dari AI Agent. Dengan membangun platform, perusahaan mengintegrasikan AI Agent ke dalam perangkat lunak manajemen seperti bidang vertikal, CRM, dan kantor OA. Ini tidak hanya meningkatkan efisiensi operasional bagi perusahaan, tetapi juga memberikan ruang aplikasi yang lebih luas bagi AI Agent. Oleh karena itu, kita memiliki alasan untuk percaya bahwa layanan B-side akan menjadi arah utama pengembangan AI Agents jangka pendek di Web2 internet tradisional.

Status Pengembangan Agen AI Web3 dan Prospek

Ikhtisar proyek

Seperti yang telah dianalisis sebelumnya, bahkan aplikasi AI Agent dengan pendanaan kelas atas dan lalu lintas pengguna yang baik menghadapi kesulitan dalam komersialisasi. Selanjutnya, kami akan menganalisis perkembangan terkini dari proyek AI Agent di Web3. Dengan mengevaluasi serangkaian proyek representatif - inovasi teknis mereka, performa pasar, umpan balik pengguna, dan potensi pertumbuhan - kami bertujuan untuk mengungkapkan saran yang berharga. Grafik di bawah ini menunjukkan beberapa proyek representatif yang telah mengeluarkan token dan memiliki nilai pasar yang relatif tinggi:

Kumpulan proyek unggulan AI Agent Web2, sumber: basis data proyek ArkStream

Menurut statistik kami tentang pasar Web3 AI Agent, jenis proyek yang dikembangkan juga menunjukkan konsentrasi yang jelas dalam sektor-sektor tertentu. Sebagian besar proyek termasuk dalam infrastruktur, dengan proyek generasi konten yang lebih sedikit. Banyak dari proyek-proyek ini bertujuan untuk memanfaatkan data terdistribusi yang diberikan oleh pengguna dan daya komputasi untuk memenuhi kebutuhan pelatihan model pemilik proyek atau untuk menciptakan platform all-in-one yang mengintegrasikan berbagai layanan dan alat AI Agent. Dari alat pengembang hingga aplikasi interaksi front-end dan aplikasi generatif, sebagian besar industri AI Agent tradisional saat ini terbatas pada penyesuaian parameter sumber terbuka atau membangun aplikasi menggunakan model yang sudah ada. Metode ini belum menghasilkan efek jaringan yang signifikan bagi perusahaan atau pengguna individu.

Analisis Status

Kami percaya bahwa fenomena ini pada tahap ini mungkin didorong oleh faktor-faktor berikut:

Mismatch Pasar dan Teknologi: Kombinasi antara Web3 dan AI Agents saat ini belum menunjukkan keunggulan yang signifikan dibandingkan dengan pasar tradisional. Keunggulan sebenarnya terletak pada peningkatan hubungan produksi dengan mengoptimalkan sumber daya dan kolaborasi melalui desentralisasi. Hal ini dapat menyebabkan interaksi dan aplikasi generatif kesulitan bersaing dengan pesaing tradisional yang memiliki sumber daya teknis dan keuangan yang lebih kuat.

Keterbatasan Skenario Aplikasi: Dalam lingkungan Web3, mungkin tidak ada banyak permintaan untuk menghasilkan gambar, video, atau konten teks. Sebaliknya, fitur terdesentralisasi dan terdistribusi Web3 lebih sering digunakan untuk mengurangi biaya dan meningkatkan efisiensi dalam bidang kecerdasan buatan tradisional, daripada untuk memperluas ke skenario aplikasi baru.

Akar masalah dari fenomena ini mungkin terletak pada kondisi perkembangan saat ini dari industri AI dan arah masa depannya. Teknologi AI masih berada dalam tahap awal, mirip dengan masa-masa awal revolusi industri ketika mesin uap digantikan oleh motor listrik. Belum mencapai tahap elektrifikasi aplikasi yang luas.

Kami percaya bahwa masa depan AI kemungkinan besar akan mengikuti jalur yang serupa. Model umum secara bertahap akan menjadi standar, sementara model yang disesuaikan akan melihat perkembangan yang beragam. Aplikasi AI akan tersebar luas di perusahaan dan pengguna individu, dengan fokus beralih ke keterhubungan dan interaksi antara model-model. Tren ini sangat sejalan dengan prinsip-prinsip Web3, karena Web3 dikenal karena komposabilitas dan sifat tanpa izinnya, yang cocok dengan gagasan penyesuaian model secara terdesentralisasi. Pengembang akan memiliki kebebasan yang lebih besar untuk menggabungkan dan menyesuaikan berbagai model. Selain itu, desentralisasi menawarkan keunggulan unik dalam hal perlindungan privasi data dan alokasi sumber daya komputasi untuk pelatihan model.

Dengan kemajuan teknologi, terutama munculnya inovasi seperti LoRA (Low-Rank Adaptation), biaya dan hambatan teknis untuk penyetelan model telah signifikan turun. Hal ini membuat lebih mudah untuk mengembangkan model publik untuk skenario tertentu atau memenuhi kebutuhan personal pengguna. Proyek AI Agent dalam Web3 dapat sepenuhnya memanfaatkan kemajuan ini untuk mengeksplor metode pelatihan baru, mekanisme insentif inovatif, dan model-model baru dari berbagi dan kolaborasi model, yang seringkali sulit dicapai dalam sistem terpusat tradisional.

Selain itu, konsentrasi proyek Web3 pada pelatihan model mencerminkan pertimbangan strategis tentang pentingnya dalam seluruh ekosistem AI. Dengan demikian, fokus proyek Web3 AI Agent pada pelatihan model adalah konvergensi alami dari tren teknologi, permintaan pasar, dan keunggulan industri Web3. Selanjutnya, kami akan memberikan contoh proyek pelatihan model di industri Web2 dan Web3 serta membuat perbandingan.

Proyek Pelatihan Model

Humans.ai

• Ikhtisar Proyek: Humans.ai adalah perpustakaan algoritma AI yang beragam dan lingkungan penyebaran pelatihan yang mencakup berbagai bidang seperti gambar, video, audio, dan teks. Platform ini mendukung pengembang dalam pelatihan dan pengoptimalan model lebih lanjut, dan memungkinkan mereka untuk berbagi dan memperdagangkan model mereka. Inovasi yang mencolok adalah bahwa Humans.ai menggunakan NFT untuk menyimpan model AI dan data biometrik pengguna, membuat proses penciptaan konten AI lebih personal dan aman.
• Analisis Data: Nilai pasar token Humans.ai, Heart, sekitar $68 juta. Mereka memiliki 56 ribu pengikut di Twitter, meskipun data pengguna belum diungkapkan.
• Analisis Teknis: Humans.ai tidak mengembangkan modelnya sendiri tetapi menggunakan pendekatan modular, mengemas semua model yang tersedia menjadi NFT, menyediakan pengguna dengan solusi AI yang fleksibel dan skalabel.

FLock.io

• Gambaran Proyek: FLock.io adalah platform co-creation AI berbasis teknologi pembelajaran federasi (metode pembelajaran mesin terdesentralisasi yang menekankan privasi data). Tujuannya adalah untuk mengatasi titik-titik sakit dalam bidang AI, seperti keterlibatan publik yang rendah, perlindungan privasi yang tidak memadai, dan monopoli teknologi AI oleh perusahaan-perusahaan besar. Platform ini memungkinkan pengguna untuk berkontribusi pada data sambil melindungi privasi, mempromosikan demokratisasi dan desentralisasi teknologi AI.
• Analisis Data: FLock.io menyelesaikan putaran awal pendanaan sebesar $6 juta pada awal 2024, dipimpin oleh Lightspeed Faction dan Tagus Capital, dengan partisipasi tambahan dari DCG, OKX Ventures, dan lainnya.
• Analisis Teknis: Arsitektur FLock.io didasarkan pada pembelajaran terfederasi, sebuah metode terdesentralisasi yang mempromosikan perlindungan privasi. Ini juga menggunakan zkFL, enkripsi homomorfik, dan komputasi multi-pihak yang aman (SMPC) untuk memberikan perlindungan privasi tambahan.

Ini adalah contoh dari proyek pelatihan model dalam ruang Web3 AI Agent, tetapi platform serupa juga ada di Web2, seperti Predibase.

Predibase

• Ikhtisar Proyek: Predibase berfokus pada optimasi AI dan model bahasa besar, memungkinkan pengguna untuk menyesuaikan dan menerapkan model bahasa besar sumber terbuka, seperti Llama, CodeLlama, dan Phi. Platform ini mendukung berbagai teknik optimasi seperti kuantisasi, adaptasi peringkat rendah, dan pelatihan terdistribusi yang efisien dalam penggunaan memori.
• Analisis Data: Predibase mengumumkan penyelesaian putaran Seri A sebesar $12,2 juta yang dipimpin oleh Felicis, dengan perusahaan-perusahaan besar seperti Uber, Apple, Meta, dan startup seperti Paradigm dan Koble.ai sebagai pengguna platform.
• Analisis Teknis: Pengguna Predibase telah melatih lebih dari 250 model. Platform ini menggunakan arsitektur LoRAX dan kerangka kerja Ludwig: LoRAX memungkinkan ribuan LLM yang disesuaikan untuk berjalan pada satu GPU, secara signifikan mengurangi biaya tanpa mempengaruhi throughput atau laten. Ludwig adalah kerangka deklaratif yang digunakan oleh Predibase untuk mengembangkan, melatih, menyetel ulang, dan mengimplementasikan model pembelajaran mendalam dan bahasa besar yang canggih.
• Analisis Proyek: Predibase menawarkan fitur yang ramah pengguna yang menyediakan layanan pembangunan aplikasi AI yang disesuaikan untuk berbagai tingkat pengguna. Baik untuk pengguna akhir C-end atau B-end, pemula atau profesional AI berpengalaman, Predibase memenuhi berbagai kebutuhan.

Bagi pemula, otomatisasi satu-klik dari platform ini mempermudah proses pembangunan dan pelatihan model, secara otomatis menangani tugas-tugas kompleks. Bagi pengguna berpengalaman, platform ini menyediakan opsi kustomisasi yang lebih mendalam, termasuk akses dan penyesuaian parameter yang lebih canggih. Saat membandingkan platform pelatihan model AI tradisional dengan proyek AI Web3, meskipun kerangka dan logika keseluruhannya mungkin mirip, kami menemukan perbedaan signifikan dalam arsitektur teknis dan model bisnis mereka.

• Teknikal Kedalaman dan Inovasi: Platform pelatihan model Kecerdasan Buatan tradisional seringkali memiliki hambatan teknis yang lebih dalam, seperti menggunakan teknologi properti seperti arsitektur LoRAX dan kerangka kerja Ludwig. Kerangka kerja ini menawarkan fitur-fitur yang kuat, memungkinkan platform untuk menangani tugas-tugas pelatihan model Kecerdasan Buatan yang kompleks. Namun, proyek Web3 mungkin lebih fokus pada desentralisasi dan keterbukaan, dengan penekanan yang kurang pada inovasi teknis yang mendalam.
• Fleksibilitas Model Bisnis: Engkel umum dalam pelatihan model AI tradisional adalah kurangnya fleksibilitas dalam model bisnis. Platform biasanya meminta pengguna untuk membayar untuk melatih model, membatasi keberlanjutan proyek, terutama di tahap awal ketika partisipasi pengguna yang luas dan pengumpulan data diperlukan. Sebaliknya, proyek Web3 seringkali memiliki model bisnis yang lebih fleksibel, seperti tokenomics yang didorong oleh komunitas.
• Tantangan Perlindungan Privasi: Perlindungan privasi adalah isu penting lainnya. Sebagai contoh, meskipun Predibase menawarkan layanan awan pribadi virtual di AWS, bergantung pada arsitektur pihak ketiga selalu membawa potensi risiko bocornya data.

Perbedaan ini telah menjadi hambatan dalam industri AI tradisional. Karena sifat internet, masalah ini sulit untuk diselesaikan dengan efisien. Pada saat yang sama, ini menyajikan peluang dan tantangan bagi Web3, di mana proyek-proyek yang dapat menyelesaikan masalah ini pertama akan menjadi pelopor dalam industri.

Kategori Lain dari Proyek Web3 AI Agent

Setelah membahas proyek AI Agent yang difokuskan pada pelatihan model, kita sekarang memperluas pandangan kita ke jenis proyek AI Agent lainnya di industri Web3. Proyek-proyek ini, meskipun tidak secara eksklusif difokuskan pada pelatihan model, menunjukkan performa yang khas dalam hal pendanaan, penilaian token, dan kehadiran pasar. Berikut adalah beberapa proyek AI Agent yang representatif dan berpengaruh di bidang masing-masing:

Myshell

• Gambaran Produk: Myshell menyediakan platform Agen AI komprehensif di mana pengguna dapat membuat, berbagi, dan mempersonalisasi agen AI. Agen-agen ini dapat menawarkan teman dan membantu efisiensi kerja. Platform ini mencakup beragam gaya agen AI, dari anime hingga tradisional, dan mendukung interaksi melalui audio, video, dan teks. Fitur unggulan adalah integrasi beberapa model yang ada, termasuk GPT-4o, GPT-4, dan Claude, memberikan pengalaman premium. Selain itu, Myshell memperkenalkan sistem perdagangan yang mirip dengan kurva ikatan FT, mendorong para pencipta untuk mengembangkan model AI bernilai tinggi sambil memberikan pengguna kesempatan untuk berinvestasi dan berbagi profit.
• Analisis Data: Putaran pendanaan terakhir Myshell menilai perusahaan sekitar $80 juta, dipimpin oleh Dragonfly, dengan partisipasi dari Binance, Hashkey, dan Folius. Dengan hampir 180K pengikut Twitter, ia memiliki komunitas pengguna dan pengembang yang berdedikasi, meskipun keterlibatan Discord kurang dari sepersepuluh dari basis pengikutnya.
• Analisis Teknis: Myshell tidak mengembangkan model AI secara independen tetapi berperan sebagai platform integrasi, menggabungkan model-model seperti Claude dan GPT-4. Strategi ini memungkinkannya untuk menawarkan pengalaman AI yang bersatu dan canggih kepada pengguna.
• Pengalaman Subjektif: MyShell memungkinkan pengguna untuk secara bebas membuat dan menyesuaikan agen AI sesuai dengan kebutuhan mereka sendiri. Baik sebagai teman pribadi maupun asisten profesional, ia dapat beradaptasi dengan berbagai skenario seperti audio dan video. Bahkan jika pengguna tidak menggunakan proxy MyShell, mereka dapat menikmati model berbayar Web2 terintegrasi dengan biaya lebih rendah. Selain itu, platform ini mengombinasikan konsep ekonomi FT, memungkinkan pengguna tidak hanya menggunakan layanan AI, tetapi juga berinvestasi dalam agen AI yang mereka optimis, meningkatkan efek kekayaan melalui mekanisme kurva ikatan.

Delysium

• Gambaran Produk: Delysium menyediakan jaringan Agen AI yang berpusat pada niat, memungkinkan Agen untuk lebih baik bekerjasama untuk memberikan pengalaman Web3 yang ramah kepada pengguna. Saat ini, Delysium telah meluncurkan dua Agen AI: Lucy dan Jerry. Lucy adalah Agen AI yang terhubung jaringan. Visinya adalah memberikan bantuan alat, seperti menanyakan alamat penahanan mata uang teratas 10, dll. Namun, saat ini fungsi Agen untuk menjalankan niat on-chain belum dibuka, dan hanya dapat menjalankan beberapa instruksi dasar, seperti staking AGI dalam ekosistem. Atau menukarnya dengan USDT. Jerry mirip dengan GPT dalam ekosistem Delysium, dan bertanggung jawab terutama untuk menjawab pertanyaan dalam ekosistem, seperti distribusi token.
• Analisis Data: Pendanaan putaran pertama sebesar US$4 juta pada tahun 2022, dan pada tahun yang sama diumumkan telah menyelesaikan pembiayaan strategis sebesar US$10 juta. Tokennya AGI saat ini memiliki FDV sekitar $ 130 juta. Tidak ada data pengguna terbaru. Menurut statistik resmi dari Delysium, Lucy telah mengumpulkan lebih dari 1,4 juta koneksi dompet independen per Juni 2023.

Tidur AI

• Gambaran Produk: Sebuah platform permainan keterikatan emosional yang menggabungkan Web3 dan teknologi AI Agent untuk menyediakan permainan teman virtual HIM dan HER, menggunakan AIGC dan LLM untuk menenggelamkan pengguna dalam interaksi dengan karakter virtual. Pengguna dapat memodifikasi atribut, pakaian, dll. karakter selama percakapan berlangsung. Model bahasa besar yang kompatibel memastikan bahwa karakter mengiterasi dirinya dalam setiap percakapan dan menjadi lebih memahami pengguna.
• Analisis Data: Proyek ini telah mengumpulkan total dana sebesar US$3,7 juta, dengan investor termasuk Binance Labs, Foresight Ventures, dan Folius Ventures. Nilai pasar total token saat ini telah mencapai sekitar US$400 juta. Memiliki 116K pengikut di Twitter, 190K pendaftaran terdaftar menurut statistik resmi, dan 43K pengguna aktif. Bisa dikatakan bahwa daya tarik penggunanya sangat kuat.
• Analisis Teknis: Meskipun pejabat tidak mengungkapkan model bahasa utama apa yang mendasari produk mereka di pasar, Sleepless AI memastikan bahwa pengguna akan merasa bahwa karakter tersebut semakin memahami mereka selama proses obrolan. Oleh karena itu, saat merancang pelatihan LLM, mereka Setiap karakter melatih model secara terpisah, dan menggabungkan basis data vektor dan sistem parameter kepribadian untuk memungkinkan karakter memiliki ingatan.
• Pengalaman Subyektif: AI Tanpa Tidur mendekati AI Boyfriend dan AI Girlfriend dari perspektif Free-to-Play, dan tidak hanya diintegrasikan ke dalam kotak obrolan robot percakapan. Proyek ini sangat meningkatkan keaslian manusia virtual melalui seni berbiaya tinggi, model bahasa berulang terus menerus, sulih suara berkualitas tinggi dan lengkap, dan serangkaian fungsi seperti jam alarm, bantuan tidur, perekaman periode menstruasi, persahabatan belajar, dll. Nilai emosional semacam ini tidak dapat dirasakan oleh aplikasi lain di pasaran. Selain itu, Sleepless AI menciptakan mekanisme pembayaran konten seimbang jangka panjang. Pengguna dapat memilih untuk menjual NFT tanpa jatuh ke dalam dilema P2E atau Ponzi. Model ini memperhitungkan pendapatan pemain dan pengalaman bermain.

Analisis Prospek

Di industri Web3, proyek AI Agent mencakup beberapa arah termasuk public chain, manajemen data, perlindungan privasi, jaringan sosial, layanan platform, dan kekuatan komputasi. Dalam hal nilai pasar token, total nilai pasar token proyek AI Agent telah mencapai hampir $3,8 miliar, sementara nilai pasar total seluruh jejak AI mendekati $16,2 miliar. Proyek AI Agent menyumbang sekitar 23% dari nilai pasar dalam jejak AI.

Meskipun hanya ada sekitar satu lusin proyek AI Agent, yang tampaknya relatif sedikit dibandingkan dengan seluruh lintasan AI, valuasi pasar mereka mencakup hampir seperempatnya. Proporsi nilai pasar ini dalam lintasan AI sekali lagi memvalidasi keyakinan kami bahwa sub-lintasan ini memiliki potensi pertumbuhan yang besar.

Setelah analisis kami, kami mengajukan pertanyaan inti: Apa karakteristik yang diperlukan proyek Agen untuk menarik pendanaan yang sangat baik dan terdaftar di bursa teratas? Untuk menjawab pertanyaan ini, kami mengeksplorasi proyek-proyek sukses di industri Agen, seperti Fetch.ai, Jaringan Olas, SingularityNET, dan Myshell.

Kami menemukan bahwa proyek-proyek ini memiliki beberapa fitur penting yang sama: semuanya termasuk dalam kategori agregasi platform dalam kelas infrastruktur. Mereka membangun jembatan, menghubungkan pengguna yang membutuhkan Agen di satu ujung (baik B2B maupun B2C), dan pengembang serta validator yang bertanggung jawab atas debugging dan pelatihan model di ujung lainnya. Terlepas dari tingkat aplikasi, semuanya telah membentuk lingkaran tertutup ekologi yang lengkap.

Kami melihat bahwa apakah produk mereka terkait dengan on-chain atau off-chain tidak terlihat menjadi faktor paling penting. Hal ini membawa kami pada kesimpulan awal: di ranah Web3, logika berfokus pada aplikasi praktis di Web2 mungkin tidak sepenuhnya berlaku. Untuk produk AI Agent terkemuka di Web3, membangun ekosistem lengkap dan menyediakan fungsionalitas yang beragam mungkin lebih kritis daripada kualitas dan kinerja dari satu produk. Dengan kata lain, kesuksesan proyek tidak hanya bergantung pada apa yang ditawarkannya tetapi lebih pada bagaimana mengintegrasikan sumber daya, mempromosikan kolaborasi, dan menciptakan efek jaringan dalam ekosistem. Kemampuan untuk membangun ekosistem mungkin menjadi faktor kunci bagi proyek AI Agent untuk unggul di lintasan Web3.

Metode integrasi yang benar untuk proyek Agen AI di Web3 bukanlah fokus pada pengembangan mendalam dari satu aplikasi, tetapi untuk mengadopsi model inklusif. Pendekatan ini melibatkan migrasi dan integrasi beragam kerangka kerja dan jenis produk dari era Web2 ke lingkungan Web3 untuk membangun ekosistem siklus mandiri. Poin ini juga dapat dilihat dalam pergeseran strategis OpenAI, karena mereka memilih untuk meluncurkan platform aplikasi tahun ini daripada hanya memperbarui model mereka.

Secara ringkas, kami percaya bahwa proyek AI Agent harus fokus pada aspek-aspek berikut:

• Pembangunan Ekosistem: Melampaui aplikasi tunggal untuk membangun sebuah ekosistem yang mencakup berbagai layanan dan fungsi, mempromosikan interaksi dan penambahan nilai antara berbagai komponen.
• Model Tokenomik: Rancang model ekonomi token yang masuk akal untuk memberi insentif kepada pengguna untuk berpartisipasi dalam pembangunan jaringan dan menyumbangkan data dan daya komputasi.
• Integrasi Lintas Domain: Jelajahi potensi aplikasi AI Agent di berbagai bidang, menciptakan skenario penggunaan dan nilai baru melalui integrasi lintas domain.

Setelah merangkum tiga aspek ini, kami juga memberikan beberapa saran proyek yang bersifat proaktif untuk tim dengan fokus arah yang berbeda: satu untuk produk aplikasi inti non-AI, dan yang lainnya untuk proyek asli yang fokus pada jalur Agen AI.

Untuk produk aplikasi non-AI core:

Mempertahankan perspektif jangka panjang, fokus pada produk inti mereka sambil mengintegrasikan teknologi AI, dan menunggu kesempatan yang tepat sesuai dengan perkembangan zaman. Dalam tren teknologi dan pasar saat ini, kami percaya bahwa menggunakan AI sebagai media lalu lintas untuk menarik pengguna dan meningkatkan daya saing produk telah menjadi sarana penting dalam persaingan. Meskipun kontribusi jangka panjang yang sebenarnya dari teknologi AI terhadap pengembangan proyek masih menjadi tanda tanya, kami percaya ini memberikan jendela berharga bagi para pengguna awal teknologi AI. Tentu saja, asumsinya adalah bahwa mereka sudah memiliki produk yang sangat solid.

Pada akhirnya, jika teknologi AI mencapai terobosan baru di masa depan, proyek-proyek yang sudah mengintegrasikan AI akan dapat mengiterasi produk-produk mereka dengan lebih cepat, sehingga dapat mengambil peluang dan menjadi pemimpin industri. Hal ini mirip dengan bagaimana e-commerce siaran langsung secara bertahap menggantikan penjualan offline sebagai saluran lalu lintas baru di platform media sosial dalam beberapa tahun terakhir. Pada saat itu, para pedagang dengan produk yang solid yang memilih untuk mengikuti tren baru dan mencoba e-commerce siaran langsung dengan segera menonjol dengan keunggulan masuk lebih awal ketika e-commerce siaran langsung benar-benar meledak.

Kami percaya bahwa di tengah ketidakpastian pasar, untuk produk aplikasi non-AI inti, mempertimbangkan pengenalan waktu AI Agents mungkin merupakan keputusan strategis. Ini tidak hanya dapat meningkatkan paparan pasar produk saat ini tetapi juga membawa titik pertumbuhan baru bagi produk dalam pengembangan teknologi AI yang berkelanjutan.

Untuk proyek-proyek asli yang berfokus pada Agen AI:

Menyeimbangkan inovasi teknologi dan permintaan pasar adalah kunci keberhasilan. Dalam proyek-proyek AI Agent asli, tim proyek perlu melihat ke arah tren pasar, bukan hanya pengembangan teknologi. Saat ini, beberapa proyek Agent yang terintegrasi dengan Web3 di pasar mungkin terlalu fokus pada pengembangan dalam satu arah teknis, atau telah membangun visi besar, tetapi pengembangan produk tidak sejalan. Kedua ekstrim ini tidak mendukung pengembangan jangka panjang proyek.

Oleh karena itu, kami menyarankan kepada tim proyek, sambil memastikan kualitas produk, juga harus memperhatikan dinamika pasar, dan menyadari bahwa logika aplikasi AI di industri internet tradisional mungkin tidak berlaku untuk Web3. Sebaliknya, mereka perlu belajar dari proyek-proyek yang telah mencapai hasil di pasar Web3. Fokus pada label yang mereka miliki, seperti pelatihan model dan fungsi inti agregasi platform yang disebutkan dalam artikel, serta narasi yang mereka ciptakan, seperti modularisasi AI dan kolaborasi multi-Agent. Menjajaki narasi yang menarik bisa menjadi kunci bagi proyek-proyek untuk mencapai terobosan di pasar.

Kesimpulan

Baik itu produk inti non-AI atau proyek Agen AI asli, hal yang paling penting adalah menemukan waktu dan jalur teknis yang tepat untuk memastikannya tetap kompetitif dan inovatif di pasar yang selalu berubah. Atas dasar menjaga kualitas produk, pihak proyek harus mengamati tren pasar, belajar dari kasus yang berhasil, dan pada saat yang sama berinovasi untuk mencapai pembangunan berkelanjutan di pasar.

Ringkasan

Pada akhir artikel, kami menganalisis trek Web3 AI Agent dari berbagai sudut pandang:

• Investasi modal dan perhatian pasar: Meskipun proyek Agen AI saat ini tidak memiliki keunggulan dalam jumlah listing di industri Web3, mereka menyumbang hampir 50% dari penilaian pasar, menunjukkan bahwa pasar modal sangat mengakui jalur ini. Dengan investasi modal yang lebih banyak dan perhatian pasar yang meningkat, dapat dipastikan bahwa lebih banyak proyek bernilai tinggi akan muncul di jalur AI Agent.
• Lanskap kompetitif dan kemampuan inovasi: Lanskap kompetitif jalur Agen AI di industri Web3 belum sepenuhnya terbentuk. Pada tingkat aplikasi saat ini, tidak ada produk fenomenal dan terkemuka yang mirip dengan ChatGPT. Ini memberi banyak ruang bagi pihak-pihak proyek baru untuk pertumbuhan dan inovasi. Ketika teknologi matang dan proyek-proyek sebelumnya diinovasikan, trek ini diharapkan dapat mengembangkan produk yang lebih kompetitif, meningkatkan penilaian seluruh trek.
• Perhatikan tokenomics dan insentif pengguna: Signifikansi Web3 adalah untuk mengubah hubungan produksi dan membuat proses sentralisasi yang awalnya diterapkan dan melatih model AI menjadi lebih terdesentralisasi. Melalui desain tokenomics yang masuk akal dan program insentif pengguna, daya komputasi yang tidak terpakai atau dataset pribadi dapat didistribusikan kembali. Selain itu, solusi seperti ZKML dapat melindungi privasi data, lebih lanjut mengurangi biaya daya komputasi dan data, dan memungkinkan lebih banyak pengguna individu untuk berpartisipasi dalam pembangunan industri AI.

Singkatnya, kami optimis tentang jalur Agen AI. Kami memiliki alasan untuk percaya bahwa beberapa proyek dengan valuasi melebihi $ 1 miliar akan muncul di jalur ini. Melalui perbandingan horizontal, narasi AI Agent cukup menarik dan ruang pasarnya cukup besar. Valuasi pasar saat ini umumnya rendah. Mempertimbangkan pesatnya perkembangan teknologi AI, pertumbuhan permintaan pasar, investasi modal dan potensi inovasi perusahaan di jalurnya, di masa depan, ketika teknologi matang dan penerimaan pasar meningkat, jalur ini diperkirakan akan melihat beberapa proyek dengan valuasi lebih dari $ 1 miliar muncul.

pernyataan:

1. Artikel ini direproduksi dari [ArkStream Capital], judul aslinya adalah "Laporan Penelitian Track ArkStream Capital: Bisakah Agen AI menjadi sedotan penyelamat hidup untuk Web3+AI?" Jika Anda keberatan dengan cetak ulang, silakan hubungi Tim Pembelajaran Gate, tim akan menanganinya secepat mungkin sesuai dengan prosedur yang berlaku.

2. Penyangkalan: Pandangan dan opini yang tercantum dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak merupakan saran investasi apa pun.

3. Versi bahasa lain dari artikel diterjemahkan oleh tim Gate Learn, tidak disebutkan diGate.io, artikel terjemahan mungkin tidak boleh direproduksi, didistribusikan, atau diplagiat.