En résumé;

• Dans les start-ups Web2, les projets d'agents d'IA sont populaires et matures, principalement dans les services aux entreprises. Dans l'espace Web3, les projets axés sur la formation de modèles et l'agrégation de plateformes sont devenus dominants en raison de leur rôle clé dans la construction d'écosystèmes.
• Actuellement, les projets d'IA Agent ne représentent que 8% des projets Web3, mais leur capitalisation boursière représente jusqu'à 23% du secteur de l'IA. Cela démontre une forte compétitivité sur le marché, et nous prévoyons que plusieurs projets dépasseront une valorisation de 1 milliard de dollars à mesure que la technologie se développe et que l'acceptation du marché augmente.
• Pour les projets Web3, l'intégration de la technologie AI dans les applications non-AI core pourrait devenir un avantage stratégique. Lorsqu'il est combiné avec des projets d'Agent AI, il faut veiller à construire l'ensemble de l'écosystème et à concevoir des modèles économiques de jetons pour favoriser la décentralisation et les effets de réseau.

La vague de l'IA : projets émergents et valorisations croissantes

Depuis le lancement de ChatGPT en novembre 2022, il a attiré plus de 100 millions d'utilisateurs en seulement deux mois. En mai 2024, le chiffre d'affaires mensuel de ChatGPT avait atteint un incroyable 20,3 millions de dollars, et OpenAI a rapidement publié des versions itératives telles que GPT-4 et GPT-4o. Ce rythme rapide a incité les géants traditionnels de la technologie à reconnaître l'importance des modèles d'IA de pointe comme LLMs. Des entreprises comme Google ont lancé le grand modèle de langage PaLM2, Meta a lancé Llama3, et des entreprises chinoises ont introduit des modèles tels que Ernie Bot et Zhipu Qingyan, mettant en avant l'IA comme un champ de bataille crucial.

La course entre les géants de la technologie a non seulement accéléré le développement d'applications commerciales, mais a également stimulé la recherche en intelligence artificielle open source. Le rapport AI Index 2024 montre que le nombre de projets liés à l'IA sur GitHub a explosé passant de 845 en 2011 à environ 1,8 million d'ici 2023, avec une augmentation de 59,3% en 2023, reflétant l'enthousiasme de la communauté mondiale des développeurs pour la recherche en IA.

Cet engouement pour la technologie de l'IA se reflète directement sur le marché de l'investissement, qui a connu une croissance explosive au deuxième trimestre 2024. Il y a eu 16 investissements liés à l'IA dépassant 150 millions de dollars à l'échelle mondiale, soit le double du premier trimestre. Le financement total des startups en IA a atteint 24 milliards de dollars, plus que doublant d'une année sur l'autre. Notamment, xAI d'Elon Musk a levé 6 milliards de dollars, avec une valorisation de 24 milliards de dollars, ce qui en fait la deuxième startup en IA la plus valorisée après OpenAI.

Top 10 financements du secteur de l'IA au T2 2024, Source: Yiou, https://www.iyiou.com/data/202407171072366

Le développement rapide de l'IA est en train de remodeler le paysage technologique à un rythme sans précédent. De la concurrence féroce entre les géants de la technologie à la communauté open source en plein essor, en passant par la ferveur du marché financier pour les concepts d'IA, les projets émergent en continu, les montants d'investissement atteignent de nouveaux sommets et les valorisations augmentent au même rythme. Dans l'ensemble, le marché de l'IA connaît un âge d'or de croissance rapide, avec des avancées majeures dans le traitement du langage grâce à de grands modèles de langage et à des technologies de génération augmentée par récupération. Cependant, des défis subsistent pour traduire ces avancées technologiques en produits réels, tels que l'incertitude de la sortie du modèle, le risque de générer des informations inexactes (hallucinations) et des problèmes de transparence du modèle, en particulier dans les applications à haute fiabilité.

Dans ce contexte, nous avons commencé à faire des recherches sur les agents d’IA, qui mettent l’accent sur la résolution de problèmes et l’interaction avec des environnements réels. Ce changement marque l’évolution de l’IA, qui passe de modèles de langage pur à des systèmes intelligents capables de comprendre, d’apprendre et de résoudre des problèmes du monde réel. Nous voyons des promesses dans les agents d’IA, car ils comblent progressivement le fossé entre la technologie de l’IA et la résolution de problèmes pratiques. Alors que l’IA évolue pour remodeler les cadres de productivité, le Web3 reconstruit les relations de production de l’économie numérique. Lorsque les trois piliers de l’IA – les données, les modèles et la puissance de calcul – fusionneront avec les principes fondamentaux du Web3 que sont la décentralisation, les économies de jetons et les contrats intelligents, nous prévoyons la naissance d’une série d’applications innovantes. Dans cette intersection prometteuse, les agents d’IA, avec leur capacité à exécuter des tâches de manière autonome, présentent un immense potentiel pour des applications à grande échelle. Par conséquent, nous nous penchons sur les diverses applications des agents d’IA dans le Web3, de l’infrastructure Web3, du middleware et des couches d’application aux marchés de données et de modèles, dans le but d’identifier et d’évaluer les types de projets et les scénarios d’application les plus prometteurs afin d’approfondir notre compréhension de l’intégration de l’IA et du Web3.

Clarification du concept : Introduction et aperçu de la classification des agents d'IA

Introduction de base

Avant d'introduire les agents IA, pour aider les lecteurs à mieux comprendre la différence entre leur définition et les modèles traditionnels, utilisons un scénario du monde réel comme exemple : Supposons que vous prévoyez un voyage. Un modèle de langue traditionnel fournit des informations sur la destination et des suggestions de voyage. La technologie de génération augmentée par recherche (RAG) peut offrir un contenu de destination plus riche et plus spécifique. En revanche, un agent IA agit comme Jarvis de la Iron Mandes films - il comprend vos besoins, recherche activement des vols et des hôtels en fonction de votre demande, effectue des réservations et ajoute l'itinéraire à votre calendrier.

Dans l'industrie, les agents d'IA sont généralement définis comme des systèmes intelligents capables de percevoir l'environnement et de prendre des mesures appropriées en recueillant des informations environnementales via des capteurs, en les traitant et en influençant l'environnement via des actionneurs (Stuart Russell & Peter Norvig, 2020). Nous considérons un agent d'IA comme un assistant qui intègre des LLM (grands modèles de langage), RAG, la mémoire, la planification des tâches et l'usage d'outils. Il fournit non seulement des informations, mais aussi des plans, décompose les tâches et les exécute effectivement.

Selon cette définition et ces caractéristiques, nous pouvons voir que les agents d'IA se sont déjà intégrés dans notre vie quotidienne et sont appliqués dans divers scénarios. Par exemple, AlphaGo, Siri et la conduite autonome de niveau 5 et supérieur de Tesla peuvent tous être considérés comme des exemples d'agents d'IA. Le trait commun de ces systèmes est leur capacité à percevoir les entrées utilisateur externes et à prendre des décisions qui affectent le monde réel en fonction de ces entrées.

Pour clarifier les concepts en utilisant ChatGPT comme exemple, il est important de distinguer queTransformateurest l'architecture technique qui forme la base des modèles d'IA, tandis que GPTfait référence à la série de modèles développés sur la base de cette architecture. GPT-1, GPT-4 et GPT-4o représentent différentes étapes de développement du modèle. ChatGPT, en tant qu'évolution basée sur le modèle GPT, peut être considéré comme un agent d'IA.

Aperçu de la classification

Actuellement, il n'existe pas de norme de classification unifiée pour les agents d'IA sur le marché. En étiquetant 204 projets d'agents d'IA sur les marchés Web2 et Web3 en fonction de leurs caractéristiques saillantes, nous avons créé des classifications primaires et secondaires. Les classifications primaires incluent l'infrastructure, la génération de contenu et l'interaction utilisateur, qui sont ensuite divisées en fonction des cas d'utilisation réels :

• Infrastructure: Se concentre sur la construction de composants fondamentaux dans le domaine des agents d'IA, y compris les plateformes, les modèles, les données, les outils de développement et les services B2B de niveau entreprise.
• Outils de développement: Fournir aux développeurs des outils auxiliaires et des frameworks pour construire des Agents d'IA.
• Traitement des données : Traitement et analyse des données dans différents formats, principalement utilisés pour aider à la prise de décision et fournir des sources pour la formation.
• Entraînement du modèle : Fournit des services de formation de modèles pour l'IA, y compris l'inférence, l'établissement et les paramètres du modèle, etc.
• Services B2B : principalement destinés aux utilisateurs d'entreprise, fournissant des services d'entreprise, des solutions verticales et automatisées.
• Agrégation de plateforme: une plateforme qui intègre plusieurs services et outils d'Agent d'IA.
• Interaction utilisateur : similaire à la génération de contenu, mais avec une interaction continue et bidirectionnelle. Les agents d'interaction comprennent non seulement les besoins des utilisateurs et y répondent, mais fournissent également des commentaires en utilisant le traitement du langage naturel (NLP), permettant une communication bidirectionnelle.
• Compagnon émotionnel : Agent IA qui offre un soutien émotionnel et une compagnie.
• Basé sur GPT : Agent d'IA basé sur le modèle GPT (Transformer de pré-entraînement génératif).
• Recherche : Agent qui se concentre sur les fonctions de recherche et fournit une récupération d'informations plus précise.
• Génération de contenu : Projets axés sur la création de contenu en utilisant des technologies de modèle volumineux basées sur les instructions des utilisateurs, classés en génération de texte, génération d'images, génération de vidéos et génération audio.

Analyse du développement de l'agent d'IA Web2

Selon nos recherches, le développement des agents d'IA dans l'internet traditionnel Web2 montre une concentration claire dans des secteurs spécifiques. Environ les deux tiers des projets sont axés sur l'infrastructure, en particulier sur les services B2B et les outils de développement. Nous avons analysé ce phénomène et identifié plusieurs facteurs clés :

Impact de la maturité technologique : La domination des projets d'infrastructure est largement due à la maturité des technologies sous-jacentes. Ces projets sont souvent construits sur des technologies et des cadres bien établis, ce qui réduit la difficulté et le risque de développement. Ils servent de « pelles » dans le domaine de l'IA, fournissant une base solide pour le développement et l'application des agents d'IA.

Demande du marché: un autre facteur clé est la demande du marché. Comparé au marché des consommateurs, le marché des entreprises a un besoin plus urgent de la technologie de l'IA, en particulier pour des solutions visant à améliorer l'efficacité opérationnelle et à réduire les coûts. Pour les développeurs, le flux de trésorerie stable des clients d'entreprise facilite le développement de projets ultérieurs.

Limitations de l'application : En même temps, nous avons remarqué que l'IA de génération de contenu a des scénarios d'application limités sur le marché B2B. En raison de l'instabilité de sa production, les entreprises ont tendance à préférer des applications qui augmentent de manière fiable la productivité, c'est pourquoi l'IA de génération de contenu occupe une plus petite part du paysage du projet.

Cette tendance reflète les considérations pratiques de la maturité technologique, de la demande du marché et des scénarios d'application. À mesure que la technologie de l'IA continue de progresser et que les demandes du marché deviennent plus claires, nous nous attendons à ce que ce paysage évolue, mais l'infrastructure devrait probablement rester un pilier du développement des agents d'IA.

Analyse des principaux projets d'agents d'intelligence artificielle Web2

Compilation des projets leader de l'agent d'AI de Web2, source: base de données du projet ArkStream

Nous avons analysé certains des principaux projets d'agents d'IA sur le marché Web2, provenant de la base de données du projet ArkStream. En utilisant Character AI, Perplexity AI et Midjourney comme exemples, nous plongeons dans leurs détails.

Character AI:

• Aperçu du produit: Character.AI propose des systèmes de conversation basés sur l'IA et des outils de création de personnages virtuels. La plateforme permet aux utilisateurs de créer, former et interagir avec des personnages virtuels capables d'engager des conversations en langage naturel et d'effectuer des tâches spécifiques.
• Analyse des données : En mai, Character.AI a enregistré 277 millions de visites et plus de 3,5 millions d'utilisateurs actifs quotidiens, dont la plupart sont âgés de 18 à 34 ans, ce qui indique une base d'utilisateurs plus jeune. Character AI a connu un succès sur le marché des capitaux, avec une levée de fonds de 150 millions de dollars et une valorisation de 1 milliard de dollars, dirigée par a16z.
• Analyse technique : Character AI a signé un accord de licence non exclusif avec Alphabet, la société mère de Google, pour utiliser son grand modèle de langage. Les fondateurs de l'entreprise, Noam Shazeer et Daniel De Freitas, ont participé au développement du modèle de langage conversationnel de Google, Llama.

Perplexity AI :

• Aperçu du produit: Perplexité gratte Internet pour fournir des réponses détaillées, garantissant la fiabilité des informations en citant des références et des liens. Il éduque et guide les utilisateurs pour poser des questions de suivi et rechercher des mots-clés, répondant à divers besoins de requête.
• Analyse des données : Perplexity compte désormais 10 millions d'utilisateurs actifs mensuels, avec une croissance de 8,6 % du trafic sur son application mobile et de bureau en février, attirant environ 50 millions d'utilisateurs. Perplexity AI a récemment levé 62,7 millions de dollars de financement, avec une valorisation de 1,04 milliard de dollars, dirigée par Daniel Gross, avec la participation de Stan Druckenmiller et NVIDIA.
• L'analyse technique : La perplexité utilise principalement des modèles GPT-3.5 affinés et deux grands modèles affinés à partir de modèles open source : pplx-7b-online et pplx-70b-online. Ces modèles sont adaptés à la recherche universitaire et aux requêtes de domaine vertical, garantissant l'authenticité et la fiabilité de l'information.

Mi-voyage :

• Aperçu du produit : Les utilisateurs peuvent créer des images dans divers styles et thèmes sur Midjourney à travers des invites, couvrant un large éventail de besoins créatifs allant du réalisme à l'abstraction. La plateforme offre également un mélange et une édition d'images, permettant aux utilisateurs de superposer des images et de transférer des styles, avec une génération en temps réel permettant d'obtenir des images en quelques secondes à quelques minutes.
• Analyse des données : La plateforme compte 15 millions d'utilisateurs inscrits, dont 1,5 à 2,5 millions d'utilisateurs actifs. Selon les informations du marché public, Midjourney n'a pas levé de fonds auprès des investisseurs et s'est maintenu grâce à la réputation entrepreneuriale du fondateur David et à ses ressources.
• Analyse technique : Midjourney utilise son propre modèle propriétaire. Depuis la sortie de Midjourney V4 en août 2022, la plateforme utilise un modèle d'IA génératif basé sur la diffusion. Les paramètres d'entraînement du modèle sont rapportés à varier de 30 à 40 milliards, offrant une base solide pour la diversité et la précision de sa génération d'images.

Défis de la commercialisation

Après avoir fait l’expérience de plusieurs agents d’IA Web2, nous avons observé un parcours d’itération de produit commun : de se concentrer initialement sur des tâches uniques et spécifiques, puis d’étendre leurs capacités pour gérer des scénarios multitâches plus complexes. Cette tendance met en évidence le potentiel des agents d’IA dans l’amélioration de l’efficacité et de l’innovation, indiquant qu’ils joueront un rôle plus essentiel à l’avenir. Sur la base des statistiques préliminaires de 125 projets d’agents d’IA dans le Web2, nous avons constaté que la plupart des projets sont concentrés dans la génération de contenu (par exemple, Jasper AI), les outils de développement (par exemple, Replit) et les services B2B (par exemple, Cresta), la catégorie la plus importante. Ce résultat était contraire à nos attentes, car nous avions initialement prédit qu’avec la maturité croissante de la technologie des modèles d’IA, le marché grand public (C-end) connaîtrait une croissance explosive des agents d’IA. Cependant, après une analyse plus approfondie, nous avons réalisé que la commercialisation des agents d’IA grand public est beaucoup plus difficile et complexe que prévu.

Prenons l'exemple de Character.AI. D'une part, Character.AI a une excellente performance en termes de trafic. Cependant, en raison de son modèle économique unique - reposant sur un abonnement de 9,9 USD - il a rencontré des difficultés avec des revenus d'abonnement limités et des coûts d'inférence élevés pour les utilisateurs intensifs, ce qui a finalement conduit à son acquisition par Google en raison de difficultés à monétiser le trafic et maintenir la trésorerie. Ce cas montre que même avec un excellent trafic et un financement, les applications d'agents d'IA grand public font face à d'importants défis de commercialisation. La plupart des produits n'ont pas encore atteint le niveau où ils peuvent remplacer ou aider efficacement les humains, ce qui entraîne une faible volonté des utilisateurs de payer. Dans nos recherches, nous avons constaté que de nombreuses startups rencontrent des problèmes similaires à ceux de Character.AI, ce qui indique que le développement des agents d'IA grand public n'est pas fluide et nécessite une exploration plus approfondie de la maturité technique, de la valeur du produit et de l'innovation du modèle économique pour libérer leur potentiel sur le marché grand public.

En comptant les évaluations de la plupart des projets d'agents d'IA, par rapport aux évaluations de projets plafonnés tels que OpenAI et xAI, il reste encore de la place pour près de 10 à 50 fois. Il est indéniable que le plafond de l'application côté C est encore assez élevé, ce qui prouve que c'est toujours une bonne piste. Cependant, sur la base de l'analyse ci-dessus, nous pensons que par rapport au côté C, le marché côté B pourrait être la destination finale des agents d'IA. En construisant une plateforme, les entreprises intègrent les agents d'IA dans des logiciels de gestion tels que les domaines verticaux, la CRM et le OA de bureau. Cela permet non seulement d'améliorer l'efficacité opérationnelle des entreprises, mais offre également aux agents d'IA un espace d'application plus large. Par conséquent, nous avons des raisons de croire que les services côté B seront la principale direction du développement à court terme des agents d'IA dans l'Internet traditionnel Web2.

État de développement et perspectives de l'agent Web3 AI

Présentation du projet

Comme nous l'avons analysé précédemment, même les applications AI Agent bénéficiant d'un financement de premier ordre et d'un bon trafic d'utilisateurs rencontrent des difficultés lors de la commercialisation. Ensuite, nous analyserons le développement actuel des projets AI Agent dans Web3. En évaluant une série de projets représentatifs - leurs innovations techniques, leur performance sur le marché, les commentaires des utilisateurs et leur potentiel de croissance - nous visons à découvrir des suggestions pertinentes. Le graphique ci-dessous présente plusieurs projets représentatifs qui ont déjà émis des jetons et qui ont une valeur marchande relativement élevée:

Compilation des projets phares de l'agent d'IA de Web2, source: base de données de projet ArkStream

Selon nos statistiques sur le marché de l'agent Web3 AI, les types de projets en développement montrent également une concentration claire dans des secteurs spécifiques. La plupart des projets relèvent de l'infrastructure, avec moins de projets de génération de contenu. Beaucoup de ces projets visent à exploiter les données et la puissance de calcul distribuées fournies par les utilisateurs pour répondre aux besoins de formation des modèles des propriétaires de projets ou pour créer des plateformes tout-en-un intégrant divers services et outils d'agent AI. Des outils de développement aux applications d'interaction frontale et aux applications génératives, la plupart des industries traditionnelles d'agents d'AI sont actuellement limitées aux ajustements de paramètres en open source ou à la construction d'applications à l'aide de modèles existants. Cette méthode n'a pas encore généré d'effets de réseau significatifs pour les entreprises ou les utilisateurs individuels.

Analyse de l'état

Nous pensons qu’à ce stade, ce phénomène peut être dû aux facteurs suivants :

Incompatibilité entre le marché et la technologie : La combinaison de Web3 et des agents d'IA ne présente actuellement pas d'avantage significatif par rapport aux marchés traditionnels. Le véritable avantage réside dans l'amélioration des relations de production en optimisant les ressources et la collaboration grâce à la décentralisation. Cela peut entraîner des difficultés d'interaction et de développement d'applications pour rivaliser avec des concurrents traditionnels disposant de ressources techniques et financières plus solides.

Limitations de Scénario d'Application : Dans l'environnement Web3, il peut ne pas y avoir autant de demande pour la génération d'images, de vidéos ou de contenu textuel. Au lieu de cela, les fonctionnalités décentralisées et distribuées de Web3 sont plus souvent utilisées pour réduire les coûts et améliorer l'efficacité dans le domaine de l'IA traditionnelle, plutôt que pour s'étendre à de nouveaux scénarios d'application.

La cause profonde de ce phénomène peut résider dans l'état actuel du développement de l'industrie de l'IA et sa direction future. La technologie de l'IA en est encore à ses débuts, semblable aux premiers jours de la révolution industrielle lorsque les moteurs à vapeur ont été remplacés par des moteurs électriques. Elle n'a pas encore atteint le stade de l'électrification et d'une application généralisée.

Nous croyons que l'avenir de l'IA suivra probablement un chemin similaire. Les modèles généraux deviendront progressivement normalisés, tandis que les modèles affinés connaîtront un développement diversifié. Les applications d'IA seront largement dispersées dans les entreprises et les utilisateurs individuels, l'accent se déplaçant vers l'interconnexion et l'interaction entre les modèles. Cette tendance est étroitement alignée sur les principes de Web3, car Web3 est connu pour sa compositionnalité et sa nature sans permission, ce qui correspond bien à l'idée du réglage fin décentralisé des modèles. Les développeurs auront une plus grande liberté pour combiner et ajuster différents modèles. De plus, la décentralisation offre des avantages uniques dans des domaines tels que la protection de la vie privée des données et l'allocation des ressources informatiques pour la formation des modèles.

Avec les avancées technologiques, notamment l'émergence d'innovations telles que LoRA (Low-Rank Adaptation), les barrières techniques et les coûts du réglage fin des modèles ont considérablement diminué. Cela facilite le développement de modèles publics pour des scénarios spécifiques ou pour répondre aux besoins personnalisés des utilisateurs. Les projets d'agents IA au sein de Web3 peuvent pleinement tirer parti de ces avancées pour explorer de nouvelles méthodes de formation, des mécanismes d'incitation innovants et de nouveaux modèles de partage et de collaboration de modèles, ce qui est souvent difficile à réaliser dans les systèmes centralisés traditionnels.

De plus, la concentration des projets Web3 sur la formation de modèles reflète des considérations stratégiques quant à son importance au sein de l'ensemble de l'écosystème de l'IA. Ainsi, l'accent mis par les projets Web3 AI Agent sur la formation de modèles est une convergence naturelle des tendances technologiques, de la demande du marché et des avantages de l'industrie Web3. Ensuite, nous fournirons des exemples de projets de formation de modèles dans les industries Web2 et Web3 et ferons des comparaisons.

Projets de formation de modèles

Humans.ai

• Aperçu du projet : Humans.ai est une bibliothèque algorithmique AI diversifiée et un environnement de déploiement de formation couvrant divers domaines tels que les images, les vidéos, l'audio et le texte. La plateforme prend en charge les développeurs pour la formation et l'optimisation avancées des modèles, et leur permet de partager et d'échanger leurs modèles. Une innovation notable est que Humans.ai utilise des NFT pour stocker des modèles AI et les données biométriques des utilisateurs, rendant le processus de création de contenu AI plus personnalisé et sécurisé.
• Analyse des données : La valeur marchande du jeton de Humans.ai, Heart, est d’environ 68 millions de dollars. Ils ont 56 000 abonnés sur Twitter, bien que les données des utilisateurs n’aient pas été divulguées.
• Analyse technique : Humans.ai ne développe pas ses propres modèles mais utilise une approche modulaire, conditionnant tous les modèles disponibles en NFT, offrant aux utilisateurs une solution d'IA flexible et évolutive.

FLock.io

• Présentation du projet : FLock.io est une plateforme de co-création d’IA basée sur la technologie d’apprentissage fédéré (une méthode d’apprentissage automatique décentralisée qui met l’accent sur la confidentialité des données). Il vise à résoudre les problèmes dans le domaine de l’IA, tels que le faible engagement du public, la protection insuffisante de la vie privée et le monopole de la technologie de l’IA par les grandes entreprises. La plateforme permet aux utilisateurs de contribuer aux données tout en protégeant la vie privée, en favorisant la démocratisation et la décentralisation de la technologie de l’IA.
• Analyse des données: FLock.io a réalisé une levée de fonds de 6 millions de dollars au début de 2024, menée par Lightspeed Faction et Tagus Capital, avec la participation supplémentaire de DCG, OKX Ventures et d'autres.
• Analyse technique : L'architecture de FLock.io est basée sur l'apprentissage fédéré, une méthode décentralisée qui favorise la protection de la vie privée. Elle utilise également zkFL, le chiffrement homomorphique et le calcul sécurisé en multiparti (SMPC) pour offrir des garanties supplémentaires en matière de confidentialité.

Il s'agit d'exemples de projets de formation de modèles dans l'espace de l'agent Web3 AI, mais des plates-formes similaires existent également dans Web2, telles que Predibase.

Predibase

• Aperçu du projet: Predibase se concentre sur l'optimisation de l'IA et des grands modèles de langage, permettant aux utilisateurs d'ajuster et de déployer des modèles de langage open source, tels que Llama, CodeLlama et Phi. La plateforme prend en charge diverses techniques d'optimisation telles que la quantification, l'adaptation à faible rang et l'entraînement distribué efficace en mémoire.
• Analyse des données : Predibase a annoncé la réalisation d'une levée de fonds de série A de 12,2 millions de dollars, dirigée par Felicis, avec des grandes entreprises telles que Uber, Apple, Meta et des startups comme Paradigm et Koble.ai en tant qu'utilisateurs de la plateforme.
• Analyse technique : Les utilisateurs de Predibase ont formé plus de 250 modèles. La plate-forme utilise l’architecture LoRAX et le framework Ludwig : LoRAX permet à des milliers de LLM affinés de fonctionner sur un seul GPU, ce qui réduit considérablement les coûts sans affecter le débit ou la latence. Ludwig est un framework déclaratif que Predibase utilise pour développer, entraîner, affiner et déployer des modèles de langage de pointe et de deep learning.
• Analyse du projet : Predibase offre des fonctionnalités conviviales qui fournissent des services de création d'applications d'IA personnalisées pour différents niveaux d'utilisateurs. Que ce soit pour les utilisateurs finaux C ou B, les débutants ou les professionnels de l'IA expérimentés, Predibase répond à un large éventail de besoins.

Pour les débutants, l'automatisation en un clic de la plateforme simplifie le processus de construction et de formation des modèles, en gérant automatiquement les tâches complexes. Pour les utilisateurs expérimentés, elle offre des options de personnalisation plus poussées, notamment l'accès et l'ajustement de paramètres plus avancés. Lors de la comparaison des plates-formes traditionnelles de formation de modèles d'IA avec les projets d'IA Web3, bien que leurs structures globales et leur logique puissent être similaires, nous avons constaté des différences significatives dans leur architecture technique et leurs modèles économiques.

• Profondeur technique et innovation : Les plates-formes traditionnelles d’entraînement de modèles d’IA présentent souvent des obstacles techniques plus profonds, tels que l’utilisation de technologies propriétaires telles que l’architecture LoRAX et le framework Ludwig. Ces frameworks offrent des fonctionnalités robustes, permettant à la plateforme de gérer des tâches complexes d’entraînement de modèles d’IA. Cependant, les projets Web3 peuvent se concentrer davantage sur la décentralisation et l’ouverture, en mettant moins l’accent sur l’innovation technique profonde.
• Flexibilité du modèle économique : Un goulot d'étranglement courant dans la formation traditionnelle des modèles d'IA est le manque de flexibilité du modèle économique. Les plateformes exigent généralement des utilisateurs qu'ils paient pour former des modèles, limitant ainsi la durabilité du projet, notamment aux premiers stades où une large participation des utilisateurs et une collecte de données sont nécessaires. En revanche, les projets Web3 ont souvent des modèles économiques plus flexibles, tels que la tokenomie pilotée par les communautés.
• Défis de protection de la vie privée: La protection de la vie privée est un autre problème clé. Par exemple, bien que Predibase offre des services de cloud privé virtuel sur AWS, compter sur une architecture tierce comporte toujours le risque potentiel de fuites de données.

Ces différences sont devenues des goulots d'étranglement dans l'industrie traditionnelle de l'IA. En raison de la nature d'Internet, ces problèmes sont difficiles à résoudre efficacement. En même temps, cela présente à la fois des opportunités et des défis pour le Web3, où les projets qui peuvent résoudre ces problèmes en premier lieu deviendront probablement des pionniers dans l'industrie.

Autres catégories de projets d'agents Web3 AI

Après avoir discuté des projets d'agents d'IA axés sur la formation de modèles, nous élargissons maintenant notre vision à d'autres types de projets d'agents d'IA dans l'industrie Web3. Ces projets, bien qu'ils ne se concentrent pas exclusivement sur la formation de modèles, présentent des performances distinctives en termes de financement, de valorisation des jetons et de présence sur le marché. Voici quelques projets d'agents d'IA représentatifs et influents dans leurs domaines respectifs:

Myshell (en anglais seulement)

• Présentation du produit: Myshell fournit une plateforme complète d'agent d'IA où les utilisateurs peuvent créer, partager et personnaliser des agents d'IA. Ces agents peuvent offrir une compagnie et aider à l'efficacité du travail. La plateforme comprend différents styles d'agents d'IA, de l'anime au traditionnel, et prend en charge les interactions via l'audio, la vidéo et le texte. Une caractéristique remarquable est l'intégration de plusieurs modèles existants, notamment GPT-4o, GPT-4 et Claude, offrant ainsi une expérience de première qualité. De plus, Myshell introduit un système de trading similaire aux courbes d'obligations FT, incitant les créateurs à développer des modèles d'IA de grande valeur tout en donnant aux utilisateurs la chance d'investir et de partager les bénéfices.
• Analyse des données: La dernière levée de fonds de Myshell a valorisé l'entreprise à environ 80 millions de dollars, menée par Dragonfly, avec la participation de Binance, Hashkey et Folius. Avec près de 180 000 abonnés sur Twitter, elle dispose d'une communauté dédiée d'utilisateurs et de développeurs, malgré une participation sur Discord inférieure à un dixième de sa base d'abonnés.
• Analyse technique : Myshell ne développe pas de modèles d'IA de manière indépendante mais sert de plateforme d'intégration, combinant des modèles comme Claude et GPT-4. Cette stratégie lui permet d'offrir aux utilisateurs une expérience d'IA unifiée et avancée.
• Expérience subjective : MyShell permet aux utilisateurs de créer et de personnaliser librement des agents d’IA en fonction de leurs propres besoins. Qu’il s’agisse d’un compagnon personnel ou d’un assistant professionnel, il peut s’adapter à divers scénarios tels que l’audio et la vidéo. Même si les utilisateurs n’utilisent pas le proxy de MyShell, ils peuvent profiter du modèle payant Web2 intégré à moindre coût. En outre, la plate-forme combine le concept économique de FT, permettant aux utilisateurs non seulement d’utiliser des services d’IA, mais aussi d’investir dans des agents d’IA pour lesquels ils sont optimistes, augmentant ainsi l’effet de richesse grâce au mécanisme de la courbe de liaison.

Delysium

• Aperçu du produit: Delysium fournit un réseau d'agents d'IA centré sur l'intention, permettant aux agents de mieux coopérer pour offrir aux utilisateurs une expérience Web3 conviviale. Actuellement, Delysium a lancé deux agents d'IA: Lucy et Jerry. Lucy est un agent d'IA en réseau. La vision est de fournir une assistance d'outils, tels que la requête des 10 premières adresses de détention de devises, etc. Cependant, la fonction de l'agent pour exécuter des intentions on-chain n'a pas encore été ouverte, et il ne peut exécuter que quelques instructions de base, telles que le staking AGI dans l'écosystème. Ou l'échanger contre USDT. Jerry est similaire à GPT dans l'écosystème Delysium, et est principalement responsable de répondre aux questions dans l'écosystème, telles que la distribution de jetons.
• Analyse des données : Le premier tour de financement s'est élevé à 4 millions de dollars en 2022, et la même année, il a été annoncé que la société avait réalisé un financement stratégique de 10 millions de dollars. Son jeton AGI a actuellement une capitalisation boursière d'environ 130 millions de dollars. Il n'y a pas de données utilisateur les plus récentes. Selon les statistiques officielles de Delysium, Lucy compte plus de 1,4 million de connexions indépendantes de portefeuille à ce jour en juin 2023.

Sleepless AI

• Aperçu du produit: Une plateforme de jeu de compagnie émotionnelle qui combine la technologie Web3 et les agents d'IA pour fournir des jeux de compagnie virtuels LUI et ELLE, utilisant AIGC et LLM pour plonger les utilisateurs dans des interactions avec des personnages virtuels. Les utilisateurs peuvent modifier les attributs du personnage, les vêtements, etc. pendant la conversation en cours. Son modèle de langue compatible assure que le personnage s'itére à chaque conversation et devient de plus en plus compréhensif envers l'utilisateur.
• Analyse des données: Le projet a levé un total de 3,7 millions de dollars, avec des investisseurs tels que Binance Labs, Foresight Ventures et Folius Ventures. La valeur marchande totale actuelle des jetons a atteint environ 400 millions de dollars. Il compte 116 000 abonnés Twitter, 190 000 réservations enregistrées selon les statistiques officielles et 43 000 utilisateurs actifs. On peut dire que sa fidélité d'utilisateur est assez forte.
• Analyse technique : Bien que l'officiel n'ait pas révélé sur quel modèle linguistique majeur du marché leur produit est basé, Sleepless AI assure que les utilisateurs sentiront de plus en plus que le personnage les comprend pendant le processus de discussion. Par conséquent, lors de la conception de la formation LLM, ils entraînent chaque personnage séparément, et combinent la base de données vectorielle et le système de paramètres de personnalité pour permettre au personnage d'avoir une mémoire.
• Expérience subjective: Sleepless AI aborde les petit amis et petites amies AI du point de vue free-to-play, et n'est pas seulement intégré dans la boîte de chat d'un robot conversationnel. Le projet améliore considérablement l'authenticité des humains virtuels grâce à des arts de haute qualité, des modèles de langage continuellement itératifs, un doublage de haute qualité et complet, ainsi qu'une série de fonctions telles qu'un réveil, une aide au sommeil, un enregistrement du cycle menstruel, une compagnie d'étude, etc. Cette valeur émotionnelle ne peut être ressentie par d'autres applications du marché. De plus, Sleepless AI crée un mécanisme de paiement de contenu équilibré à plus long terme. Les utilisateurs peuvent choisir de vendre des NFT sans tomber dans le dilemme du P2E ou du Ponzi. Ce modèle prend en compte à la fois le revenu du joueur et l'expérience de jeu.

Analyse des perspectives

Dans l'industrie Web3, les projets d'agents d'IA couvrent plusieurs directions, notamment les chaînes publiques, la gestion des données, la protection de la vie privée, les réseaux sociaux, les services de plateforme et la puissance de calcul. En termes de valeur marchande des jetons, la valeur marchande totale des projets d'agents d'IA a atteint près de 3,8 milliards de dollars, tandis que la valeur marchande totale de l'ensemble de la filière IA est proche de 16,2 milliards de dollars. Les projets d'agents d'IA représentent environ 23% de la valeur marchande dans la filière IA.

Bien qu'il n'y ait qu'une douzaine de projets d'agent d'IA, ce qui semble relativement peu par rapport à l'ensemble de la piste d'IA, leur valorisation boursière représente près d'un quart. Cette proportion de valeur marchande dans la piste d'IA valide une fois de plus notre conviction que cette sous-piste a un grand potentiel de croissance.

Après notre analyse, nous avons soulevé une question centrale : Quelles caractéristiques les projets Agent doivent-ils avoir pour attirer un financement excellent et être listés sur les meilleures bourses ? Pour répondre à cette question, nous avons exploré des projets réussis dans l'industrie de l'Agent, tels que Fetch.ai, Olas Network, SingularityNET et Myshell.

Nous avons constaté que ces projets partagent certaines caractéristiques significatives: ils appartiennent tous à la catégorie d'agrégation de plateforme dans la classe d'infrastructure. Ils construisent un pont, reliant les utilisateurs qui ont besoin d'agents d'un côté (B2B et B2C), et les développeurs et validateurs responsables du débogage et de la formation de modèles de l'autre côté. Indépendamment du niveau d'application, ils ont tous établi une boucle écologique fermée complète.

Nous avons remarqué que le fait que leurs produits soient liés à la chaîne ou hors chaîne ne semble pas être le facteur le plus crucial. Cela nous amène à une conclusion préliminaire : dans le domaine Web3, la logique de se concentrer sur les applications pratiques dans Web2 ne s'applique peut-être pas pleinement. Pour les principaux produits AI Agent dans Web3, la construction d'un écosystème complet et la fourniture de fonctionnalités diverses pourraient être plus cruciales que la qualité et les performances d'un seul produit. En d'autres termes, le succès d'un projet dépend non seulement de ce qu'il offre, mais surtout de la manière dont il intègre les ressources, favorise la collaboration et crée des effets de réseau au sein de l'écosystème. Cette capacité à construire des écosystèmes pourrait être un facteur clé pour que les projets AI Agent se démarquent dans la voie Web3.

La méthode d'intégration correcte pour les projets d'agent AI dans Web3 n'est pas de se concentrer sur le développement approfondi d'une seule application, mais d'adopter un modèle inclusif. Cette approche implique la migration et l'intégration de divers cadres et types de produits de l'ère Web2 dans l'environnement Web3 pour construire un écosystème autonome. Ce point peut également être vu dans le changement stratégique d'OpenAI, car ils ont choisi de lancer une plateforme d'application cette année plutôt que de simplement mettre à jour leur modèle.

En résumé, nous pensons que le projet AI Agent devrait se concentrer sur les aspects suivants :

• Construction de l'écosystème : aller au-delà des applications individuelles pour construire un écosystème qui inclut plusieurs services et fonctions, favorisant l'interaction et l'ajout de valeur entre les différentes composantes.
• Modèle tokenomique: Concevoir un modèle économique de jeton raisonnable pour encourager les utilisateurs à participer à la construction du réseau et à contribuer aux données et à la puissance de calcul.
• Intégration inter-domaines : Explorez les applications potentielles des agents d’IA dans différents domaines, en créant de nouveaux scénarios d’utilisation et de la valeur grâce à l’intégration inter-domaines.

Après avoir résumé ces trois aspects, nous proposons également quelques suggestions prospectives pour les équipes de projet ayant des orientations différentes : l'une pour les produits d'application non-AI core, et l'autre pour les projets natifs axés sur la piste AI Agent.

Pour les produits d’application de base autres que l’IA :

Maintenir une perspective à long terme, se concentrer sur leurs produits principaux tout en intégrant la technologie de l'IA et attendre la bonne opportunité en ligne avec les temps. Dans les tendances technologiques et de marché actuelles, nous croyons que l'utilisation de l'IA comme moyen de trafic pour attirer les utilisateurs et renforcer la compétitivité des produits est devenue un moyen important de compétitivité. Bien que la contribution réelle à long terme de la technologie de l'IA au développement du projet reste une question en suspens, nous pensons que cela offre une fenêtre précieuse aux adopteurs précoces de la technologie de l'IA. Bien sûr, à condition qu'ils aient déjà un produit très solide.

À long terme, si la technologie de l'IA réalise de nouvelles avancées à l'avenir, les projets qui ont déjà intégré l'IA pourront itérer leurs produits plus rapidement, saisissant ainsi les opportunités et devenant des leaders de l'industrie. Cela est similaire à la façon dont le commerce électronique en direct a progressivement remplacé les ventes hors ligne en tant que nouveau canal de trafic sur les plateformes de médias sociaux ces dernières années. À cette époque, les commerçants ayant des produits solides qui ont choisi de suivre la nouvelle tendance et d'essayer le commerce électronique en direct se sont immédiatement démarqués avec l'avantage d'une entrée précoce lorsque le commerce électronique en direct a véritablement explosé.

Nous croyons que face à l'incertitude du marché, pour les produits d'application non liés à l'IA, considérer l'introduction opportune d'agents d'IA peut être une décision stratégique. Cela peut non seulement augmenter l'exposition du produit sur le marché actuel, mais également apporter de nouveaux points de croissance pour le produit dans le développement continu de la technologie de l'IA.

Pour les projets natifs axés sur les agents d'IA :

L’équilibre entre l’innovation technologique et la demande du marché est la clé du succès. Dans les projets d’agents d’IA natifs, les équipes de projet doivent s’intéresser aux tendances du marché, et pas seulement au développement technologique. À l’heure actuelle, certains projets d’agents intégrés Web3 sur le marché sont peut-être trop axés sur le développement dans une seule direction technique, ou ont construit une grande vision, mais le développement de produits n’a pas suivi. Ces deux extrêmes ne sont pas propices au développement à long terme du projet.

Par conséquent, nous suggérons que les équipes de projet, tout en veillant à la qualité du produit, devraient également prêter attention à la dynamique du marché et réaliser que la logique d'application de l'IA dans l'industrie traditionnelle de l'internet peut ne pas s'appliquer à Web3. Au lieu de cela, ils doivent s'inspirer des projets qui ont déjà obtenu des résultats sur le marché Web3. Concentrez-vous sur les étiquettes qu'ils ont, telles que la formation de modèles et les fonctions centrales d'agrégation de la plateforme mentionnées dans l'article, ainsi que sur les récits qu'ils créent, tels que la modularisation de l'IA et la collaboration multi-agent. Explorer des récits convaincants peut devenir la clé pour que les projets réalisent des percées sur le marché.

Conclusion

Qu’il s’agisse d’un produit de base non basé sur l’IA ou d’un projet d’agent d’IA natif, le plus important est de trouver le bon timing et le bon chemin technique pour s’assurer qu’il reste compétitif et innovant sur un marché en constante évolution. Sur la base du maintien de la qualité des produits, les parties prenantes du projet doivent observer les tendances du marché, apprendre des cas réussis et en même temps innover pour parvenir à un développement durable sur le marché.

Résumé

À la fin de l'article, nous analysons la piste de l'agent Web3 AI sous plusieurs angles :

• Investissement en capital et attention du marché: bien que les projets AI Agent n'aient actuellement pas d'avantage en termes de nombre de listes dans l'industrie Web3, ils représentent près de 50% de la valorisation du marché, ce qui montre que le marché des capitaux reconnaît hautement cette piste. Avec plus d'investissement en capital et une attention croissante du marché, il est certain que plus de projets à forte valeur ajoutée apparaîtront dans la piste AI Agent.
• Paysage concurrentiel et capacités d'innovation : Le paysage concurrentiel de la piste AI Agent dans l'industrie Web3 n'est pas encore pleinement constitué. Au niveau de l'application actuelle, il n'y a pas de produit phénoménal et leader similaire à ChatGPT. Cela laisse aux nouvelles parties prenantes du projet beaucoup de place pour la croissance et l'innovation. À mesure que la technologie mûrit et que les projets précédents sont innovés, la piste devrait développer des produits plus compétitifs, ce qui fera augmenter la valorisation de l'ensemble de la piste.
• Portez attention à la tokenomie et aux incitations des utilisateurs : la signification de Web3 est de remodeler les relations de production et de rendre le processus initialement centralisé de déploiement et de formation des modèles d'IA plus décentralisé. Grâce à une conception de tokenomie raisonnable et à des programmes d'incitation des utilisateurs, la puissance de calcul inutilisée ou les ensembles de données personnels peuvent être redistribués. De plus, des solutions comme ZKML peuvent protéger la confidentialité des données, réduire davantage les coûts de calcul et de données, et permettre à un plus grand nombre d'utilisateurs individuels de participer à la construction de l'industrie de l'IA.

En résumé, nous sommes optimistes quant à la piste de l'Agent IA. Nous avons des raisons de croire que plusieurs projets avec des valorisations dépassant 1 milliard de dollars émergeront dans cette piste. Par comparaison horizontale, le récit de l'Agent IA est suffisamment convaincant et l'espace de marché est suffisamment vaste. Les valorisations actuelles du marché sont généralement faibles. Compte tenu du développement rapide de la technologie de l'IA, de la croissance de la demande du marché, de l'investissement en capital et du potentiel d'innovation des entreprises dans cette piste, il est prévu que, à l'avenir, à mesure que la technologie mûrit et que l'acceptation du marché augmente, cette piste verra l'émergence de plusieurs projets avec des valorisations dépassant 1 milliard de dollars.

déclaration:

1. Cet article est reproduit à partir de [ArkStream Capital], le titre original est « Rapport de recherche sur le suivi des capitaux d’ArkStream : l’agent d’IA peut-il être une paille salvatrice pour le Web3+AI ? » Si vous avez des objections à la réimpression, veuillez contacter Équipe Gate LearnL'équipe s'en occupera dès que possible selon les procédures pertinentes.

2. Avertissement : Les points de vue et opinions exprimés dans cet article ne représentent que les points de vue personnels de l'auteur et ne constituent aucun conseil en investissement.

3. Les autres versions linguistiques de l'article sont traduites par l'équipe Gate Learn, non mentionné dans Gate.io, l’article traduit ne peut être reproduit, distribué ou plagié.