Resumo

• Nas startups Web2, os projetos de Agentes de IA são populares e maduros, principalmente nos serviços empresariais. No espaço Web3, os projetos focados na formação de modelos e na agregação de plataformas tornaram-se mainstream devido ao seu papel-chave na construção de ecossistemas.
• Atualmente, os projetos de Agentes de IA representam apenas 8% dos projetos Web3, mas a sua capitalização de mercado representa até 23% do setor de IA. Isso demonstra uma forte competitividade de mercado, e esperamos que vários projetos ultrapassem uma avaliação de $1 bilhão à medida que a tecnologia amadurece e a aceitação de mercado aumenta.
• Para projetos Web3, integrar tecnologia de IA em aplicações principais não relacionadas à IA pode se tornar uma vantagem estratégica. Ao combinar com projetos de Agentes de IA, deve-se prestar atenção à construção de todo o ecossistema e ao design de modelos econômicos de tokens para promover a descentralização e os efeitos de rede.

A Onda de IA: Projetos Emergentes e Avaliações Crescentes

Desde o lançamento do ChatGPT em novembro de 2022, atraiu mais de 100 milhões de usuários em apenas dois meses. Em maio de 2024, a receita mensal do ChatGPT havia atingido incríveis $20.3 milhões, e a OpenAI rapidamente lançou versões iterativas como GPT-4 e GPT-4o. Esse ritmo rápido levou os gigantes tradicionais de tecnologia a reconhecer a importância de modelos de IA de ponta como LLMs. Empresas como o Google lançaram o grande modelo de linguagem PaLM2, o Meta lançou o Llama3, e empresas chinesas introduziram modelos como Ernie Bot e Zhipu Qingyan, destacando a IA como um campo de batalha crucial.

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

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

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

O rápido desenvolvimento da IA está a remodelar o panorama tecnológico a um ritmo sem precedentes. Desde a feroz competição entre gigantes tecnológicos até à próspera comunidade open-source, e a efervescência do mercado de capitais por conceitos de IA, os projetos estão a surgir continuamente, os montantes de investimento atingem novos máximos e as avaliações estão a subir em conformidade. No geral, o mercado de IA está numa era dourada de crescimento rápido, com avanços significativos no processamento de linguagem impulsionados por grandes modelos de linguagem e tecnologias de geração com recuperação aumentada. No entanto, persistem desafios na tradução destes avanços tecnológicos em produtos reais, como a incerteza na saída do modelo, o risco de gerar informação imprecisa (alucinações) e problemas com a transparência do modelo—especialmente críticos em aplicações de alta confiabilidade.

Neste contexto, começamos a pesquisar Agentes de IA, que enfatizam a resolução de problemas e a interação com ambientes do mundo real. Essa mudança marca a evolução da IA de modelos de linguagem pura para sistemas inteligentes capazes de entender, aprender e resolver problemas do mundo real. Vemos promessa nos Agentes de IA, pois eles estão gradualmente preenchendo a lacuna entre a tecnologia de IA e a resolução prática de problemas. À medida que a IA evolui para remodelar os frameworks de produtividade, o Web3 está reconstruindo as relações de produção da economia digital. Quando os três pilares da IA - dados, modelos e poder computacional - se fundem com os princípios básicos do Web3 de descentralização, economias de tokens e contratos inteligentes, prevemos o nascimento de uma série de aplicações inovadoras. Nesta promissora intersecção, os Agentes de IA, com sua capacidade de executar tarefas autonomamente, mostram um imenso potencial para aplicações em larga escala. Portanto, estamos explorando as diversas aplicações de Agentes de IA no Web3, desde infraestrutura, middleware e camadas de aplicação do Web3 até mercados de dados e modelos, com o objetivo de identificar e avaliar os tipos de projetos mais promissores e cenários de aplicação para aprofundar nossa compreensão da integração IA-Web3.

Clarificação do conceito: Introdução e Visão Geral da Classificação de Agentes de IA

Introdução básica

Antes de apresentar os Agentes de IA, para ajudar os leitores a entender melhor a diferença entre sua definição e modelos tradicionais, vamos usar um cenário do mundo real como exemplo: Suponha que você esteja planejando uma viagem. Um modelo de linguagem grande e tradicional fornece informações sobre o destino e sugestões de viagem. A tecnologia de geração com recuperação aprimorada (RAG) pode oferecer conteúdo de destino mais rico e específico. Em contraste, um Agente de IA age como o Jarvis do Gate.Homem de Ferrofilmes - entende as suas necessidades, pesquisa ativamente voos e hotéis com base no seu pedido, faz reservas e adiciona o itinerário ao seu calendário.

Na indústria, os Agentes de IA são geralmente definidos como sistemas inteligentes capazes de perceber o ambiente e tomar ações apropriadas através da recolha de informação ambiental através de sensores, processando-a e afetando o ambiente através de atuadores (Stuart Russell & Peter Norvig, 2020). Vemos um Agente de IA como um assistente que integra LLM (Modelos de Linguagem Grandes), RAG, memória, planeamento de tarefas e uso de ferramentas. Ele não só fornece informação, mas também planeia, desmembra tarefas e efetivamente as executa.

Com base nesta definição e características, podemos ver que os Agentes de IA já se integraram em nossas vidas diárias e são aplicados em vários cenários. Por exemplo, AlphaGo, Siri e a condução autónoma de nível 5 e acima da Tesla podem todos ser considerados exemplos de Agentes de IA. A característica comum entre esses sistemas é a capacidade de perceber entradas de usuário externas e tomar decisões que afetam o mundo real com base nessas entradas.

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

Visão Geral da Classificação

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

• Infraestrutura: Concentra-se na construção de componentes fundamentais no campo de AI Agent, incluindo plataformas, modelos, dados, ferramentas de desenvolvimento e serviços B2B de nível empresarial.
• Ferramentas de desenvolvimento: Fornecer aos desenvolvedores ferramentas auxiliares e estruturas para construir Agentes de IA.
• Processamento de dados: Processar e analisar dados em diferentes formatos, principalmente usado para auxiliar na tomada de decisões e fornecer fontes para treinamento.
• Treinamento de modelo: Fornece serviços de treinamento de modelo para AI, incluindo inferência, estabelecimento e configurações do modelo, etc.
• Serviços B2B: principalmente para utilizadores empresariais, fornecendo serviço empresarial, soluções verticais e automatizadas.
• Agregação de plataformas: uma plataforma que integra múltiplos serviços e ferramentas de Agente de IA.
• Interação do Utilizador: Semelhante à geração de conteúdo, mas com uma interação contínua bidirecional. Os Agentes de Interação não só compreendem e respondem às necessidades do utilizador, como também fornecem feedback utilizando Processamento de Linguagem Natural (NLP), permitindo uma comunicação bidirecional.
• Companhia emocional: Agente de IA que fornece apoio emocional e companhia.
• Baseado em GPT: Agente de IA baseado no modelo GPT (generative pre-training Transformer).
• Pesquisa: Agente que se concentra nas funções de pesquisa e fornece uma recuperação de informações mais precisa.
• Geração de Conteúdo: Projetos focados na criação de conteúdo usando tecnologias de modelos grandes com base em instruções do usuário, categorizados em geração de texto, geração de imagem, geração de vídeo e geração de áudio.

Análise do Desenvolvimento de Agente de IA Web2

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

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

Procura de mercado: Outro fator-chave é a procura de mercado. Comparativamente ao mercado de consumo, o mercado empresarial tem uma necessidade mais urgente de tecnologia de IA, especialmente para soluções destinadas a melhorar a eficiência operacional e reduzir custos. Para os programadores, o fluxo de caixa estável dos clientes empresariais torna mais fácil desenvolver projetos subsequentes.

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

Esta tendência reflete as considerações práticas da maturidade da tecnologia, da procura de mercado e dos cenários de aplicação. À medida que a tecnologia de IA continua a avançar e as exigências do mercado se tornam mais claras, esperamos que este panorama se altere, mas a infraestrutura provavelmente continuará a ser uma pedra angular do desenvolvimento de Agentes de IA.

Análise dos principais projetos de agentes de IA da Web2

Compilação de projetos líderes de agentes de AI do Web2, fonte: banco de dados do projeto ArkStream

Analisamos alguns dos principais projetos de Agentes de IA no mercado Web2, obtidos a partir da base de dados do projeto ArkStream. Usando a AI do Character, a AI da Perplexidade e a Midjourney como exemplos, aprofundamos seus detalhes.

Inteligência Artificial do Personagem:

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

Perplexity AI:

• Visão geral do produto: A Perplexidade raspa a internet para fornecer respostas detalhadas, garantindo a fiabilidade da informação ao citar referências e links. Educa e orienta os utilizadores a fazer perguntas de acompanhamento e a procurar palavras-chave, satisfazendo diversas necessidades de consulta.
• Análise de Dados: A Perplexidade atingiu 10 milhões de usuários ativos mensais, com o tráfego de seu aplicativo móvel e de desktop crescendo 8,6% em fevereiro, atraindo cerca de 50 milhões de usuários. A Perplexidade AI levantou recentemente $62,7 milhões em financiamento, com uma avaliação de $1,04 bilhão, liderada por Daniel Gross, com a participação de Stan Druckenmiller e NVIDIA.
• Análise técnica: Perplexity utiliza principalmente modelos GPT-3.5 bem ajustados e dois grandes modelos ajustados a partir de modelos de código aberto: pplx-7b-online e pplx-70b-online. Esses modelos são adequados para pesquisas acadêmicas e consultas de domínio vertical, garantindo a autenticidade e confiabilidade das informações.

Midjourney:

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

Desafios de Comercialização

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

Tomemos o Character.AI como exemplo. Por um lado, o Character.AI tem um desempenho de tráfego muito bom. No entanto, devido ao seu modelo de negócio singular - baseado numa taxa de subscrição de 9,9 USD - lutou com receitas limitadas de subscrição e custos elevados de inferência para utilizadores intensivos, acabando por ser adquirido pela Google devido a dificuldades na monetização de tráfego e na manutenção do fluxo de caixa. Este caso mostra que, mesmo com um tráfego e financiamento excelentes, as aplicações de Agentes de IA para consumidores finais enfrentam desafios significativos de comercialização. A maioria dos produtos ainda não atingiu o padrão em que podem substituir ou ajudar eficazmente os humanos, resultando numa baixa disposição dos utilizadores para pagar. Na nossa pesquisa, descobrimos que muitas startups enfrentam problemas semelhantes aos do Character.AI, o que indica que o desenvolvimento de Agentes de IA para consumidores finais não é fácil e requer uma exploração mais profunda da maturidade técnica, do valor do produto e da inovação do modelo de negócio para desbloquear o seu potencial no mercado de consumidores finais.

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

Estado e Perspectivas do Desenvolvimento do Agente de IA Web3

Visão geral do projeto

Como analisado anteriormente, mesmo aplicativos AI Agent com financiamento de primeira linha e bom tráfego de usuários enfrentam dificuldades na comercialização. A seguir, analisaremos o desenvolvimento atual de projetos de AI Agent na Web3. Ao avaliar uma série de projetos representativos — suas inovações técnicas, desempenho de mercado, feedback dos usuários e potencial de crescimento — pretendemos descobrir sugestões perspicazes. O gráfico abaixo mostra vários projetos representativos que já emitiram tokens e possuem um valor de mercado relativamente alto:

Compilação de projetos líderes do Agente de IA da Web2, fonte: banco de dados do projeto ArkStream

De acordo com as nossas estatísticas sobre o mercado do Agente de IA Web3, os tipos de projetos em desenvolvimento também mostram uma clara concentração em setores específicos. A maioria dos projetos está relacionada à infraestrutura, com menos projetos de geração de conteúdo. Muitos desses projetos visam aproveitar os dados distribuídos fornecidos pelos utilizadores e o poder de computação para satisfazer as necessidades de treino do modelo dos proprietários do projeto ou para criar plataformas tudo-em-um que integram vários serviços e ferramentas de Agente de IA. Desde ferramentas para programadores até aplicações de interação de front-end e aplicações generativas, a maioria das indústrias tradicionais de Agente de IA está atualmente limitada a ajustes de parâmetros de código aberto ou à construção de aplicações utilizando modelos existentes. Este método ainda não gerou efeitos significativos na rede para empresas ou utilizadores individuais.

Análise de status

Acreditamos que este fenômeno nesta fase possa ser impulsionado pelos seguintes fatores:

Desajuste entre Mercado e Tecnologia: A combinação de Web3 e Agentes de IA atualmente não apresenta uma vantagem significativa sobre os mercados tradicionais. A verdadeira vantagem reside na melhoria das relações de produção, otimizando recursos e colaboração por meio da descentralização. Isso pode fazer com que as aplicações de interação e geração enfrentem dificuldades para competir com concorrentes tradicionais que possuem recursos técnicos e financeiros mais fortes.

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

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

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

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

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

Projetos de Treinamento de Modelos

Humans.ai

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

FLock.io

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

Estes são exemplos de projetos de treinamento de modelos dentro do espaço do Agente de IA Web3, mas plataformas semelhantes também existem no Web2, como o Predibase.

Predibase

• Visão geral do projeto: A Predibase se concentra na IA e na otimização de modelos de linguagem grande, permitindo que os usuários ajustem e implantem modelos de linguagem grandes de código aberto, como Llama, CodeLlama, e Phi. A plataforma suporta várias técnicas de otimização, como quantização, adaptação de baixo nível e treinamento distribuído com eficiência de memória.
• Análise de Dados: A Predibase anunciou a conclusão de uma rodada da Série A de $12.2 milhões liderada pela Felicis, com grandes empresas como Uber, Apple, Meta, e startups como Paradigm e Koble.ai como utilizadores da plataforma.
• Análise Técnica: Os usuários da Predibase treinaram mais de 250 modelos. A plataforma utiliza a arquitetura LoRAX e o framework Ludwig: LoRAX permite que milhares de LLMs ajustados sejam executados em uma única GPU, reduzindo significativamente os custos sem afetar o rendimento ou a latência. Ludwig é um framework declarativo que a Predibase usa para desenvolver, treinar, ajustar e implantar modelos de aprendizado profundo e linguagem grande de ponta.
• Análise do Projeto: A Predibase oferece recursos fáceis de usar que fornecem serviços de construção de aplicativos de IA personalizados para diferentes níveis de usuários. Seja para usuários finais ou usuários de negócios, iniciantes ou profissionais experientes em IA, a Predibase atende a uma ampla gama de necessidades.

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

• Profundidade Técnica e Inovação: As plataformas tradicionais de treino de modelos de IA frequentemente têm barreiras técnicas mais profundas, como o uso de tecnologias proprietárias como a arquitetura LoRAX e o framework Ludwig. Estes frameworks oferecem funcionalidades robustas, permitindo que a plataforma lide com tarefas complexas de treino de modelos de IA. No entanto, os projetos Web3 podem focar mais na descentralização e abertura, com menos ênfase na inovação técnica profunda.
• Flexibilidade do modelo de negócios: Um gargalo comum no treinamento do modelo tradicional de IA é a falta de flexibilidade no modelo de negócios. As plataformas normalmente exigem que os usuários paguem para treinar modelos, limitando a sustentabilidade do projeto, especialmente nos estágios iniciais, quando a ampla participação dos usuários e a coleta de dados são necessárias. Em contraste, os projetos Web3 geralmente têm modelos de negócios mais flexíveis, como tokenomics impulsionados por comunidades.
• Desafios de Proteção da Privacidade: A proteção da privacidade é outra questão-chave. Por exemplo, embora a Predibase ofereça serviços de nuvem privada virtual na AWS, depender de uma arquitetura de terceiros sempre carrega o potencial risco de vazamento de dados.

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

Outras categorias de projetos Web3 AI Agent

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

Myshell

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

Delysium

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

AI Sem sono

• Visão geral do produto: uma plataforma de jogos de companhia emocional que combina tecnologia Web3 e AI Agent para fornecer jogos de companhia virtual HIM e HER, usando AIGC e LLM para mergulhar os usuários em interações com personagens virtuais. Os usuários podem modificar os atributos do personagem, roupas, etc. durante a conversa em andamento. Seu modelo de linguagem grande e compatível garante que o personagem itere em si mesmo em cada conversa e se torne mais compreensivo com o usuário.
• Análise de dados: o projeto arrecadou um total de US$3,7 milhões, com investidores incluindo Binance Labs, Foresight Ventures e Folius Ventures. O valor de mercado total atual dos tokens atingiu aproximadamente US$400 milhões. Tem 116K seguidores no Twitter, 190K reservas registradas de acordo com estatísticas oficiais e 43K usuários ativos. Pode-se dizer que a fidelidade do usuário é bastante forte.
• Análise técnica: Embora o oficial não tenha divulgado em qual modelo de linguagem principal do mercado seu produto é baseado, a Sleepless AI garante que os usuários sentirão que o personagem os entende cada vez mais durante o processo de conversa. Portanto, ao projetar o treinamento LLM, eles treinam cada personagem separadamente, e combinam o banco de dados de vetores e o sistema de parâmetros de personalidade para permitir que o personagem tenha memória.
• Experiência Subjetiva: O AI sem sono aborda o Namorado AI e a Namorada AI de uma perspectiva gratuita para jogar e não está apenas integrado na caixa de bate-papo de um robô conversacional. O projeto melhora muito a autenticidade dos humanos virtuais por meio de arte de alto custo, modelos de linguagem iterativos continuamente, dublagem de alta qualidade e completa e uma série de funções como despertador, auxílio para dormir, gravação do período menstrual, companhia de estudo, etc. Esse tipo de valor emocional não pode ser sentido por outros aplicativos no mercado. Além disso, o AI sem sono cria um mecanismo de pagamento de conteúdo equilibrado a longo prazo. Os usuários podem optar por vender NFT sem cair no dilema de P2E ou Ponzi. Esse modelo leva em consideração tanto a renda do jogador quanto a experiência de jogo.

Análise de prospeção

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

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

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

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

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

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

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

• Construção do ecossistema: Ir além de aplicações únicas para construir um ecossistema que inclui múltiplos serviços e funções, promovendo interação e adição de valor entre diferentes componentes.
• Modelo Tokenomic: Projete um modelo econômico de token razoável para incentivar os usuários a participar da construção da rede e contribuir com dados e poder de computação.
• Integração entre domínios: Explore as aplicações potenciais dos agentes de IA em diferentes campos, criando novos cenários de uso e valor por meio da integração entre domínios.

Depois de resumir esses três aspectos, também fornecemos algumas sugestões prospectivas para equipes de projetos com direções de foco diferentes: uma para produtos de aplicação não principais de IA e outra para projetos nativos focados na trilha de Agentes de IA.

Para produtos de aplicação não relacionados ao núcleo de IA:

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

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

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

Para projetos nativos focados em Agentes de IA:

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

Portanto, sugerimos que as equipas de projeto, enquanto garantem a qualidade do produto, devem também prestar atenção à dinâmica do mercado e perceber que a lógica de aplicação de IA na indústria tradicional da internet pode não ser aplicável ao Web3. Em vez disso, precisam aprender com os projetos que já obtiveram resultados no mercado Web3. Concentrem-se nas etiquetas que possuem, como o treino de modelos e as funções principais de agregação de plataformas mencionadas no artigo, assim como nas narrativas que criam, como a modularização da IA e a colaboração multiagente. Explorar narrativas cativantes pode tornar-se a chave para os projetos alcançarem avanços no mercado.

Conclusão

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

Resumo

No final do artigo, analisamos a faixa Web3 AI Agent a partir de múltiplos ângulos:

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

Para resumir, somos otimistas em relação à tendência do Agente de AI. Temos motivos para acreditar que vários projetos com valorações superiores a $1 bilhão surgirão nessa tendência. Através da comparação horizontal, a narrativa do Agente de AI é suficientemente convincente e o espaço do mercado é grande o suficiente. As valorações de mercado atuais são geralmente baixas. Considerando o rápido desenvolvimento da tecnologia de AI, o crescimento da demanda de mercado, o investimento de capital e o potencial de inovação das empresas na tendência, no futuro, à medida que a tecnologia amadurece e a aceitação do mercado aumenta, espera-se que essa tendência veja vários projetos com valorações acima de $1 bilhão surgirem.

Declaração:

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

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

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