TL;DR

• В стартапах Web2 проекты AI Agent популярны и зрелы, преимущественно в корпоративных сервисах. В пространстве Web3 проекты, сфокусированные на тренировке моделей и агрегации платформ, стали главными потому, что они играют ключевую роль в создании экосистем.
• В настоящее время проекты AI Agent составляют всего 8% от общего числа проектов Web3, но их капитализация рынка составляет до 23% отрасли искусственного интеллекта. Это демонстрирует сильную рыночную конкуренцию, и мы ожидаем, что несколько проектов превзойдут оценку в $1 миллиард по мере зрелости технологий и увеличения рыночной акцептации.
• Для проектов Web3 интеграция технологии искусственного интеллекта в не-ИИ ядерные приложения может стать стратегическим преимуществом. При комбинировании с проектами AI Agent следует обращать внимание на создание всей экосистемы и разработку моделей токеномической экономики для поощрения децентрализации и сетевых эффектов.

Волна искусственного интеллекта: новые проекты и растущая оценка

С момента запуска ChatGPT в ноябре 2022 года за два месяца привлек более 100 миллионов пользователей. К маю 2024 года ежемесячный доход ChatGPT достиг удивительных 20,3 миллиона долларов, и OpenAI быстро выпустила итеративные версии, такие как GPT-4 и GPT-4o. Этот быстрый темп заставил традиционных техногигантов признать важность передовых моделей искусственного интеллекта, таких как LLMs. Компании, такие как Google, выпустили большую языковую модель PaLM2, Meta запустила Llama3, а китайские компании представили модели, такие как Ernie Bot и Zhipu Qingyan, подчеркивая ИИ как ключевую битву.

Борьба среди гигантов технологической отрасли не только ускоряет развитие коммерческих приложений, но и стимулирует исследования в области искусственного интеллекта с открытым исходным кодом. Отчет AI Index 2024 показывает, что количество проектов, связанных с искусственным интеллектом на GitHub, возросло с 845 в 2011 году до около 1,8 миллиона к 2023 году, с увеличением на 59,3% год к году в 2023 году, что свидетельствует о энтузиазме глобального сообщества разработчиков в отношении исследований в области искусственного интеллекта.

Этот энтузиазм по отношению к технологии искусственного интеллекта напрямую отражается на инвестиционном рынке, который испытал взрывной рост во втором квартале 2024 года. Глобально было сделано 16 инвестиций, связанных с ИИ, превышающих 150 миллионов долларов, что в два раза больше, чем в первом квартале. Общий объем инвестиций в ИИ стартапы вырос до 24 миллиардов долларов, более чем в два раза превышая показатель год к году. Отметим, что xAI Элона Маска привлекла 6 миллиардов долларов с оценкой в 24 миллиарда долларов, что делает ее вторым по стоимости стартапом по искусственному интеллекту после OpenAI.

Топ-10 финансирования в секторе искусственного интеллекта во 2 квартале 2024 года, Источник: Yiou,https://www.iyiou.com/data/202407171072366

Стремительное развитие искусственного интеллекта меняет технологический ландшафт беспрецедентными темпами. От жесткой конкуренции между технологическими гигантами до бурно развивающегося сообщества разработчиков ПО с открытым исходным кодом и страсти рынка капитала к концепциям искусственного интеллекта — проекты появляются постоянно, суммы инвестиций достигают новых максимумов, а оценки растут в ногу с ними. В целом, рынок искусственного интеллекта переживает золотой век быстрого роста, при этом значительные достижения в области обработки языка обусловлены большими языковыми моделями и технологиями генерации, дополненными извлечением. Тем не менее, остаются проблемы с воплощением этих технологических достижений в реальные продукты, такие как неопределенность выходных данных модели, риск получения неточной информации (галлюцинации) и проблемы с прозрачностью модели, что особенно важно в приложениях с высокой надежностью.

В связи с этим мы начали исследовать ИИ-агентов, которые делают упор на решение проблем и взаимодействие с реальной средой. Этот сдвиг знаменует собой эволюцию ИИ от чисто языковых моделей к интеллектуальным системам, способным по-настоящему понимать, обучаться и решать реальные проблемы. Мы видим многообещающие перспективы в ИИ-агентах, поскольку они постепенно преодолевают разрыв между технологиями ИИ и практическим решением проблем. По мере того, как искусственный интеллект развивается, чтобы изменить рамки производительности, Web3 реконструирует производственные отношения цифровой экономики. Когда три столпа ИИ — данные, модели и вычислительная мощность — сольются с основными принципами Web3 — децентрализацией, экономикой токенов и смарт-контрактами, мы предвидим рождение ряда инновационных приложений. На этом многообещающем пересечении агенты ИИ, с их способностью автономно выполнять задачи, демонстрируют огромный потенциал для крупномасштабных приложений. Поэтому мы углубляемся в различные приложения агентов ИИ в Web3, от инфраструктуры Web3, промежуточного программного обеспечения и уровней приложений до рынков данных и моделей, стремясь определить и оценить наиболее перспективные типы проектов и сценарии приложений, чтобы углубить наше понимание интеграции ИИ и Web3.

Уточнение концепции: Введение и обзор классификации AI-агентов

Базовое введение

Прежде чем представить AI Agents, чтобы помочь читателям лучше понять разницу между их определением и традиционными моделями, давайте использовать реальный сценарий в качестве примера: предположим, вы планируете поездку. Традиционная большая языковая модель предоставляет информацию о месте назначения и рекомендации по путешествию. Технология Retrieval-augmented generation (RAG) может предложить более богатое, более конкретное содержание места назначения. В отличие от этого, AI Agent действует подобно Джарвису из Железный человекфильмы – он понимает ваши потребности, активно ищет рейсы и отели в соответствии с вашим запросом, делает бронирование и добавляет план поездки в ваш календарь.

В отрасли ИИ-агенты обычно определяются как интеллектуальные системы, способные воспринимать окружающую среду и предпринимать соответствующие действия, собирая информацию об окружающей среде с помощью датчиков, обрабатывая ее и воздействуя на окружающую среду с помощью исполнительных механизмов (Stuart Russell & Peter Norvig, 2020). Мы рассматриваем ИИ-агента как помощника, который интегрирует LLM (Large Language Models), RAG, память, планирование задач и использование инструментов. Он не только предоставляет информацию, но и планирует, разбивает задачи и фактически выполняет их.

Исходя из этого определения и характеристик, мы видим, что AI Agents уже интегрированы в нашу повседневную жизнь и применяются в различных сценариях. Например, AlphaGo, Siri и автономное вождение уровня 5 и выше Tesla можно рассматривать как примеры AI Agents. Общая черта этих систем заключается в их способности воспринимать внешние пользовательские входы и принимать решения, которые влияют на реальный мир на основе этих входов.

Для пояснения понятий на примере ChatGPT важно отметить, что Трансформаторявляется технической архитектурой, которая является основой моделей искусственного интеллекта, в то время как GPTотносится к серии моделей, разработанных на основе этой архитектуры. GPT-1, GPT-4 и GPT-4o представляют различные этапы развития модели. ChatGPT, как эволюция на основе модели GPT, может рассматриваться как искусственный интеллект.

Обзор классификации

В настоящее время на рынке нет единого классификационного стандарта для искусственного интеллекта Агенты. При пометке 204 проектов AI Agent на рынках Web2 и Web3 на основе их выдающихся особенностей, мы создали как первичные, так и вторичные классификации. Первичные классификации включают инфраструктуру, генерацию контента и взаимодействие с пользователем, которые затем дополнительно делятся на основе реальных случаев использования:

• Инфраструктура: фокусируется на создании фундаментальных компонентов в области AI Agent, включая платформы, модели, данные, инструменты разработки и корпоративные B2B-сервисы.
• Инструменты разработки: Предоставляют разработчикам вспомогательные инструменты и фреймворки для создания AI-агентов.
• Обработка данных: Обработка и анализ данных в различных форматах, в основном используется для помощи в принятии решений и предоставления источников для обучения.
• Обучение моделей: Предоставляет услуги по обучению моделей для искусственного интеллекта, включая вывод, создание и настройку модели и т. д.
• B2B-сервисы: в основном для корпоративных пользователей, предоставляющие предприятий, вертикальные и автоматизированные решения.
• Агрегация платформ: платформа, которая интегрирует несколько сервисов и инструментов искусственного интеллекта.
• Взаимодействие с пользователем: Аналогично созданию контента, но с непрерывным двусторонним взаимодействием. Агенты взаимодействия не только понимают и реагируют на потребности пользователя, но и предоставляют обратную связь с использованием обработки естественного языка (NLP), обеспечивая двустороннюю коммуникацию.
• Эмоциональная компаньонка: ИИ-агент, который обеспечивает эмоциональную поддержку и компаньонство.
• Основанный на GPT: Искусственный интеллект, основанный на модели GPT (генеративно-предварительное обучение трансформера).
• Поиск: Агент, который фокусируется на функциях поиска и обеспечивает более точное извлечение информации.
• Генерация контента: Проекты, направленные на создание контента с использованием технологий больших моделей на основе инструкций пользователей, классифицируются на генерацию текста, генерацию изображений, генерацию видео и генерацию аудио.

Анализ разработки Web2 AI агента

Согласно нашему исследованию, развитие AI Agents в традиционном интернете Web2 показывает явную концентрацию в определенных секторах. Около двух третей проектов сосредоточены на инфраструктуре, особенно в области B2B-услуг и инструментов разработчика. Мы проанализировали это явление и выявили несколько ключевых факторов:

Влияние зрелости технологий: Преобладание инфраструктурных проектов во многом обусловлено зрелостью базовых технологий. Эти проекты часто строятся на хорошо узнаваемых технологиях и фреймворках, что снижает сложность и риск разработки. Они служат «лопатами» в области искусственного интеллекта, обеспечивая прочное основание для развития и применения искусственного интеллекта.

Рыночный спрос: Еще одним ключевым фактором является рыночный спрос. По сравнению с потребительским рынком, корпоративный рынок имеет более острую потребность в технологиях ИИ, особенно в решениях, направленных на повышение операционной эффективности и снижение затрат. Для разработчиков стабильный денежный поток от корпоративных заказчиков облегчает разработку последующих проектов.

Ограничения приложения: В то же время мы заметили, что искусственный интеллект для генерации контента имеет ограниченные сценарии применения на рынке B2B. В связи с нестабильностью его результатов бизнесы склонны предпочитать приложения, надежно повышающие производительность, поэтому искусственный интеллект для генерации контента занимает меньшую часть ландшафта проекта.

Эта тенденция отражает практические соображения зрелости технологий, рыночного спроса и сценариев применения. По мере продвижения технологии искусственного интеллекта и ясности рыночного спроса, мы ожидаем изменения ландшафта, но, вероятно, инфраструктура останется краеугольным камнем развития агентов искусственного интеллекта.

Анализ ведущих проектов AI-агента Web2

Сборка ведущих проектов AI Agent Web2, источник: база данных проекта ArkStream

Мы проанализировали некоторые из ведущих проектов по искусственному интеллекту в рынке Web2, полученные из базы данных проекта ArkStream. Используя Character AI, Perplexity AI и Midjourney в качестве примеров, мы погружаемся в их детали.

Character AI:

• Обзор продукта: Character.AI предлагает системы разговоров на основе искусственного интеллекта и инструменты создания виртуальных персонажей. Платформа позволяет пользователям создавать, обучать и взаимодействовать с виртуальными персонажами, которые могут вести беседы на естественном языке и выполнять определенные задачи.
• Анализ данных: в мае сайт Character.AI посетили 277 миллионов человек, а количество активных пользователей в день превышает 3,5 миллиона человек, большинство из которых в возрасте от 18 до 34 лет, что указывает на молодую аудиторию. Character AI успешно выступила на рынке капитала, привлекла $150 миллионов финансирования с оценкой в $1 миллиард, под руководством a16z.
• Технический анализ: Компания Character AI заключила неэксклюзивное лицензионное соглашение с Alphabet, материнской компанией Google, чтобы использовать ее большую языковую модель. Основатели компании, Ноам Шазир и Даниэль Де Фрейтас, участвовали в разработке разговорной языковой модели Google, Llama.

Perplexity AI:

• Обзор продукта: Perplexity скрэпит интернет, чтобы предоставить детальные ответы, обеспечивая надежность информации путем ссылок и ссылок. Он обучает и помогает пользователям задавать последующие вопросы и искать ключевые слова, отвечая разнообразным потребностям запроса.
• Анализ данных: Perplexity достигла 10 миллионов активных пользователей ежемесячно, с ростом трафика мобильного и настольного приложений на 8,6% в феврале, привлекая около 50 миллионов пользователей. Perplexity AI недавно привлекла $62,7 миллиона финансирования с оценкой в $1,04 миллиарда, под руководством Даниэля Гросса, с участием Стэна Дракенмиллера и NVIDIA.
• Технический анализ: Perplexity в основном использует настроенные модели GPT-3.5 и две большие модели, настроенные на основе открытых моделей: pplx-7b-online и pplx-70b-online. Эти модели подходят для академических исследований и запросов вертикальной области, обеспечивая подлинность и надежность информации.

Промежуточный этап:

• Обзор продукта: Пользователи могут создавать изображения в различных стилях и темах на Midjourney с помощью подсказок, охватывающих широкий спектр творческих потребностей от реализма до абстракции. Платформа также предлагает смешивание и редактирование изображений, позволяя пользователям наложить изображения и передать стили, с возможностью генерации изображений в режиме реального времени за считанные секунды или минуты.
• Анализ данных: На платформе зарегистрировано 15 миллионов пользователей, из которых активны 1,5-2,5 миллиона. Согласно общедоступной рыночной информации, Midjourney не привлекал инвестиции и обеспечивал себя за счет предпринимательской репутации и ресурсов основателя Дэвида.
• Технический анализ: Midjourney использует собственную проприетарную модель. С момента выпуска Midjourney V4 в августе 2022 года платформа использует диффузионную генеративную модель искусственного интеллекта. Параметры обучения модели, по сообщениям, варьируются от 30 до 40 миллиардов, обеспечивая прочную основу для разнообразия и точности генерации изображений.

Проблемы коммерциализации

Попробовав несколько ИИ-агентов Web2, мы наблюдали общий путь итерации продукта: от первоначального сосредоточения на отдельных конкретных задачах до последующего расширения их возможностей для обработки более сложных, многозадачных сценариев. Эта тенденция подчеркивает потенциал ИИ-агентов в повышении эффективности и инноваций, указывая на то, что они будут играть более важную роль в будущем. Основываясь на предварительной статистике 125 проектов AI Agent в Web2, мы обнаружили, что большинство проектов сосредоточены в генерации контента (например, Jasper AI), инструментах разработчика (например, Replit) и B2B-сервисах (например, Cresta). Этот вывод противоречил нашим ожиданиям, поскольку изначально мы предсказывали, что с ростом зрелости технологии моделей ИИ на потребительском рынке будет наблюдаться взрывной рост числа ИИ-агентов. Однако после дальнейшего анализа мы поняли, что коммерциализация потребительских ИИ-агентов является гораздо более сложной задачей, чем ожидалось.

Возьмем, Character.AI в качестве примера. С одной стороны, Character.AI имеет одни из лучших показателей трафика. Тем не менее, из-за своей уникальной бизнес-модели, основанной на абонентской плате в размере 9,9 долларов США, она боролась с ограниченным доходом от подписки и высокими затратами на логический вывод для активных пользователей, что в конечном итоге привело к ее приобретению Google из-за трудностей с монетизацией трафика и поддержанием денежного потока. Этот случай показывает, что даже при отличном трафике и финансировании приложения C-end AI Agent сталкиваются со значительными проблемами коммерциализации. Большинство продуктов еще не достигли стандарта, при котором они могут заменить или эффективно помогать людям, что приводит к низкой готовности пользователей платить. В нашем исследовании мы обнаружили, что многие стартапы сталкиваются с теми же проблемами, что и Character.AI, что указывает на то, что разработка потребительских ИИ-агентов не проходит гладко и требует более глубокого изучения технической зрелости, ценности продукта и инноваций бизнес-модели, чтобы раскрыть свой потенциал на рынке C-end.

Подсчитав оценки большинства проектов AI Agent по сравнению с оценками потолочных проектов, таких как OpenAI и xAI, здесь все еще есть место примерно на 10-50 раз больше. Нельзя отрицать, что потенциал приложения C-стороны Agent все еще достаточно высок, доказывая, что это все еще хороший путь. Однако, основываясь на вышесказанном анализе, мы считаем, что по сравнению с C-стороной, рынок B-стороны может быть конечной целью AI Agent. Путем создания платформы предприятия интегрируют AI Agent в управленческое программное обеспечение, такие как вертикальные области, CRM и офисное OA. Это не только повышает операционную эффективность предприятий, но и обеспечивает AI Agent более широкое пространство применения. Поэтому у нас есть все основания считать, что услуги B-стороны будут основным направлением краткосрочного развития AI Agent в Web2 традиционном интернете.

Статус и перспективы развития Web3 AI Agent

Обзор проекта

Как уже анализировалось ранее, даже приложения AI Agent с крупными инвестициями и хорошим пользовательским трафиком сталкиваются с трудностями в коммерциализации. Далее мы проанализируем текущее развитие проектов AI Agent в Web3. Оценивая ряд представительных проектов - их технические инновации, рыночную производительность, отзывы пользователей и потенциал роста, мы стремимся выявить полезные предложения. Ниже приведена диаграмма нескольких представительных проектов, которые уже выпустили токены и имеют относительно высокую рыночную стоимость:

Сборка ведущих проектов AI Agent Web2, источник: база данных проекта ArkStream

Согласно нашей статистике по рынку Web3 AI Agent, типы разрабатываемых проектов также показывают четкую концентрацию в конкретных секторах. Большинство проектов относятся к инфраструктуре, с меньшим количеством проектов по созданию контента. Многие из этих проектов нацелены на использование предоставленных пользователями распределенных данных и вычислительных мощностей для удовлетворения потребностей владельцев проектов в обучении моделей или для создания универсальных платформ, интегрирующих различные сервисы и инструменты AI Agent. От инструментов разработчика до приложений для взаимодействия с клиентами и генеративных приложений — большинство традиционных отраслей ИИ-агентов в настоящее время ограничены корректировкой параметров с открытым исходным кодом или созданием приложений с использованием существующих моделей. Этот метод пока не вызвал значительных сетевых эффектов для предприятий или отдельных пользователей.

Анализ состояния

Мы считаем, что этот феномен на данном этапе может быть обусловлен следующими факторами:

Несоответствие рынка и технологий: Комбинация Web3 и AI-агентов в настоящее время не показывает значительного преимущества перед традиционными рынками. Истинное преимущество заключается в улучшении производственных отношений путем оптимизации ресурсов и совместной работы через децентрализацию. Это может привести к тому, что интерактивные и генеративные приложения будут бороться за конкуренцию с традиционными конкурентами с более сильными техническими и финансовыми ресурсами.

Ограничения сценария применения: В среде Web3 может не быть такого большого спроса на создание изображений, видео или текстового контента. Вместо этого децентрализованные и распределенные функции Web3 чаще используются для снижения затрат и повышения эффективности в традиционной области искусственного интеллекта, а не для расширения на новые сценарии применения.

Корень этого явления может заключаться в текущем состоянии развития отрасли искусственного интеллекта и ее будущем направлении. Технологии искусственного интеллекта все еще находятся в начальной стадии, аналогичной ранним дням промышленной революции, когда паровые двигатели были заменены электродвигателями. Они еще не достигли этапа электрификации широкого применения.

Мы считаем, что будущее ИИ, скорее всего, пойдет по тому же пути. Общие модели будут постепенно стандартизироваться, в то время как тонко настроенные модели будут получать разнообразное развитие. Приложения ИИ будут широко распределены между предприятиями и индивидуальными пользователями, при этом акцент сместится на взаимосвязь и взаимодействие между моделями. Эта тенденция тесно связана с принципами Web3, поскольку Web3 известен своей компонуемостью и отсутствием разрешений, что хорошо согласуется с идеей децентрализованной тонкой настройки моделей. У разработчиков появится большая свобода в комбинировании и настройке различных моделей. Кроме того, децентрализация дает уникальные преимущества в таких областях, как защита конфиденциальности данных и выделение вычислительных ресурсов для обучения моделей.

С технологическими достижениями, особенно появлением инноваций, таких как LoRA (Low-Rank Adaptation), затраты и технические барьеры для тонкой настройки моделей были значительно снижены. Это упрощает разработку общедоступных моделей для конкретных сценариев или удовлетворение персональных потребностей пользователей. Проекты AI Agent в рамках Web3 могут полностью использовать эти достижения для изучения новых методов обучения, инновационных механизмов стимулирования и новых моделей совместного использования и сотрудничества, что часто трудно достичь в традиционных централизованных системах.

Кроме того, концентрация проектов Web3 на обучении моделей отражает стратегические соображения о его важности во всей экосистеме искусственного интеллекта. Таким образом, фокус проектов Web3 AI Agent на обучении моделей является естественным слиянием технологических тенденций, рыночного спроса и преимуществ индустрии Web3. Далее мы приведем примеры проектов по обучению моделей в индустриях Web2 и Web3 и сделаем сравнения.

Типовые учебные проекты

Humans.ai

• Обзор проекта: Humans.ai представляет собой диверсифицированную библиотеку алгоритмов ИИ и среду развертывания обучения, охватывающую различные области, такие как изображения, видео, аудио и текст. Платформа поддерживает разработчиков в дальнейшем обучении и оптимизации моделей, а также позволяет им делиться своими моделями и обмениваться ими. Примечательное новшество заключается в том, что Humans.ai использует NFT для хранения моделей ИИ и биометрических данных пользователей, что делает процесс создания контента ИИ более персонализированным и безопасным.
• Анализ данных: Рыночная стоимость токена Heart компании Humans.ai составляет около 68 миллионов долларов. У них 56 тысяч подписчиков в Твиттере, хотя данные пользователей не были раскрыты.
• Технический анализ: Humans.ai не разрабатывает собственные модели, а использует модульный подход, упаковывая все доступные модели в NFT, предоставляя пользователям гибкое и масштабируемое AI-решение.

FLock.io

• Обзор проекта: FLock.io - это платформа совместного создания ИИ на основе технологии федеративного обучения (децентрализованный метод машинного обучения, который акцентирует на защите данных). Она стремится решить проблемы в области ИИ, такие как низкое участие общественности, недостаточная защита конфиденциальности и монополия технологии ИИ крупными корпорациями. Платформа позволяет пользователям вносить вклад в данные, защищая конфиденциальность, способствуя демократизации и децентрализации технологии ИИ.
• Анализ данных: FLock.io завершила серию Seed-раундов на $6 миллионов в начале 2024 года, которую возглавили Lightspeed Faction и Tagus Capital, а также приняли участие DCG, OKX Ventures и другие.
• Технический анализ: Архитектура FLock.io основана на федеративном обучении, децентрализованном методе, способствующем защите конфиденциальности. Он также использует zkFL, гомоморфное шифрование и безопасные вычисления многих участников (SMPC) для обеспечения дополнительных средств защиты конфиденциальности.

Это примеры проектов по обучению моделей в пространстве Web3 AI Agent, но аналогичные платформы также существуют в Web2, такие как Predibase.

Predibase

• Обзор проекта: Predibase фокусируется на оптимизации искусственного интеллекта и крупных языковых моделей, позволяя пользователям настраивать и развертывать открытые крупные языковые модели, такие как Llama, CodeLlama и Phi. Платформа поддерживает различные техники оптимизации, такие как квантование, адаптация низкого ранга и память-эффективное распределенное обучение.
• Анализ данных: Predibase объявила о завершении раунда серии А на сумму $12,2 млн, возглавляемого Felicis, с крупными компаниями, такими как Uber, Apple, Meta, и стартапами, такими как Paradigm и Koble.ai в качестве пользователей платформы.
• Технический анализ: пользователи Predibase обучили более 250 моделей. Платформа использует архитектуру LoRAX и фреймворк Ludwig: LoRAX позволяет запускать тысячи настроенных LLM на одном GPU, значительно снижая затраты без ущерба для производительности или задержки. Ludwig - это декларативный фреймворк, который Predibase использует для разработки, обучения, настройки и развертывания передовых моделей глубокого обучения и больших языковых моделей.
• Анализ проекта: Predibase предлагает удобные функции, которые предоставляют настраиваемые услуги по созданию приложений искусственного интеллекта для различных уровней пользователей. Независимо от того, это C-конечные или B-конечные пользователи, начинающие или опытные профессионалы в области искусственного интеллекта, Predibase удовлетворяет широкий спектр потребностей.

Для начинающих платформа автоматизации одним щелчком упрощает процесс создания и обучения модели, автоматически обрабатывая сложные задачи. Опытным пользователям предоставляются более глубокие возможности настройки, включая доступ к и изменение более продвинутых параметров. При сравнении традиционных платформ обучения модели и веб-проектов AI третьего поколения мы обнаружили значительные различия в их технической архитектуре и бизнес-моделях.

• Техническая Глубина и Инновации: Традиционные платформы обучения моделей искусственного интеллекта часто имеют более глубокие технические барьеры, такие как использование собственных технологий, таких как архитектура LoRAX и фреймворк Ludwig. Эти фреймворки предлагают мощные функции, позволяющие платформе справляться с сложными задачами обучения моделей искусственного интеллекта. Однако проекты Web3 могут уделять больше внимания децентрализации и открытости, с меньшим упором на глубокие технические инновации.
• Гибкость бизнес-модели: общая проблема в традиционном обучении моделей искусственного интеллекта - это отсутствие гибкости в бизнес-модели. Платформы обычно требуют от пользователей оплаты обучения моделей, что ограничивает устойчивость проекта, особенно на ранних этапах, когда необходимо широкое участие пользователей и сбор данных. В отличие от этого, у проектов Web3 часто более гибкие бизнес-модели, такие как токеномика, основанная на сообществах.
• Проблемы защиты конфиденциальности: Защита конфиденциальности является еще одним важным вопросом. Например, хотя Predibase предлагает услуги виртуального частного облака на AWS, полагаться на архитектуру третьих сторон всегда несет потенциальный риск утечки данных.

Эти различия стали узким местом в традиционной отрасли искусственного интеллекта. Из-за особенностей интернета эти проблемы сложно эффективно решить. В то же время это представляет собой как возможности, так и вызовы для Web3, где проекты, способные первыми решить эти проблемы, вероятно, станут пионерами в отрасли.

Другие категории проектов веб-3 искусственного интеллекта агентов

После обсуждения проектов AI Agent, сфокусированных на обучении моделей, мы теперь расширяем нашу точку зрения на другие типы проектов AI Agent в индустрии Web3. Эти проекты, хотя и не исключительно сфокусированы на обучении моделей, демонстрируют отличительную производительность в терминах финансирования, оценки токенов и присутствия на рынке. Ниже представлены некоторые представительные и влиятельные проекты AI Agent в их соответствующих областях:

Myshell

• Обзор продукта: Myshell предоставляет полноценную платформу AI Agent, где пользователи могут создавать, делиться и персонализировать AI-агентов. Эти агенты могут предоставлять компаньонство и помогать повышать эффективность работы. Платформа включает в себя различные стили AI-агентов, от аниме до традиционных, и поддерживает взаимодействия через аудио, видео и текст. Значительной особенностью является интеграция нескольких существующих моделей, включая GPT-4o, GPT-4 и Claude, обеспечивая премиальный опыт. Кроме того, Myshell представляет торговую систему, аналогичную кривым FT bonding, стимулируя создателей развивать высокоценные модели AI, давая пользователям возможность инвестировать и делиться прибылью.
• Анализ данных: Последний раунд финансирования Myshell оценил компанию примерно в $80 миллионов, возглавляемый Dragonfly, с участием Binance, Hashkey и Folius. У нее почти 180 тысяч подписчиков в Twitter, у нее есть преданные сообщество пользователей и разработчиков, несмотря на то, что вовлеченность в Discord менее чем в десять раз меньше ее базы подписчиков.
• Технический анализ: Myshell не разрабатывает модели ИИ самостоятельно, а служит интеграционной платформой, объединяющей такие модели, как Claude и GPT-4. Эта стратегия позволяет предлагать пользователям унифицированный и расширенный опыт работы с искусственным интеллектом.
• Субъективный опыт: MyShell позволяет пользователям свободно создавать и настраивать AI-агентов в соответствии с их потребностями. Будь то личный компаньон или профессиональный ассистент, он может адаптироваться к различным сценариям, таким как аудио и видео. Даже если пользователи не используют прокси MyShell, они могут наслаждаться интегрированной платной моделью Web2 по более низкой цене. Кроме того, платформа объединяет экономическую концепцию FT, позволяя пользователям не только использовать AI-сервисы, но и инвестировать в AI-агентов, в которых они оптимистично смотрят, увеличивая богатство через механизм кривой привязки.

Delysium

• Обзор продукта: Delysium предоставляет сеть AI-агентов, ориентированных на намерения, позволяя агентам лучше сотрудничать, чтобы предоставить пользователям дружественный опыт Web3. В настоящее время Delysium запустила двух AI-агентов: Люси и Джерри. Люси - это сетевой AI-агент. Видение заключается в предоставлении инструментальной помощи, такой как запрос Топ-10 адресов для хранения валюты и т. д. Однако в настоящее время функция агента по выполнению намерений на цепочке еще не открыта, и он может выполнять только некоторые базовые инструкции, такие как стейкинг AGI в экосистеме. Или обменять его на USDT. Джерри похож на GPT в экосистеме Delysium и в основном отвечает на вопросы в рамках экосистемы, такие как распределение токенов.
• Анализ данных: Первый раунд финансирования составил 4 миллиона долларов США в 2022 году, и в том же году было объявлено, что завершил стратегическое финансирование на сумму 10 миллионов долларов США. Его токен AGI в настоящее время имеет FDV около 130 миллионов долларов. Нет последних данных пользователей. Согласно официальной статистике от Delysium, Люси насчитывает более 1,4 миллиона независимых подключений кошельков к июню 2023 года.

Неспящий ИИ

• Обзор продукта: игровая платформа эмоционального компаньонства, объединяющая технологии Web3 и AI Agent для предоставления виртуальных игр HIM и HER с использованием AIGC и LLM для погружения пользователей во взаимодействие с виртуальными персонажами. Пользователи могут изменять атрибуты персонажа, одежду и т. д. во время продолжающегося разговора. Совместимая модель большого языка обеспечивает итерацию персонажа в каждом разговоре и повышает его понимание пользователя.
• Анализ данных: Проект привлек общую сумму в 3,7 миллиона долларов США, среди инвесторов Binance Labs, Foresight Ventures и Folius Ventures. Текущая общая рыночная стоимость токенов составляет около 400 миллионов долларов США. У него 116 тысяч подписчиков в Twitter, 190 тысяч зарегистрированных бронирований по официальной статистике и 43 тысяч активных пользователей. Можно сказать, что его приверженность пользователями довольно сильна.
• Технический анализ: Хотя официально не сообщается, на какой основе продукт Sleepless AI, видимо, основан на одной из крупных моделей языка на рынке, обеспечивает, что пользователи будут чувствовать, что персонаж понимает их все больше и больше во время процесса чата. Поэтому, проектируя LLM-тренировку, они обучают каждый персонаж по отдельности, а также объединяют векторную базу данных и систему параметров личности, чтобы дать персонажу возможность иметь память.
• Субъективный опыт: Sleepless AI подходит к AI Boyfriend и AI Girlfriend с точки зрения Free-to-Play, и не просто интегрируется в чат-бокс разговорного робота. Проект значительно повышает подлинность виртуальных людей благодаря высокозатратному искусству, непрерывно итеративным языковым моделям, качественной и полной озвучке, а также ряду функций, таких как будильник, снотворное, запись менструального цикла, сопровождение в учебе и т. д. Эта эмоциональная ценность не может быть почувствована другими приложениями на рынке. Кроме того, Sleepless AI создает долгосрочный сбалансированный механизм оплаты контента. Пользователи могут выбрать продажу NFT, не попадая в тупик P2E или Понзи. Эта модель учитывает как доход игрока, так и игровой опыт.

Анализ перспектив

В индустрии Web3 проекты AI Agent охватывают несколько направлений, включая общедоступные цепи, управление данными, защиту конфиденциальности, социальные сети, платформенные услуги и вычислительную мощность. В токенном рыночном значении общая рыночная стоимость проектов AI Agent достигла почти 3,8 миллиарда долларов, в то время как общая рыночная стоимость всего трека AI приблизительно составляет 16,2 миллиарда долларов. Проекты AI Agent составляют около 23% рыночной стоимости в треке AI.

Хотя всего есть около десяти проектов AI Agent, что кажется относительно немногим по сравнению со всем AI-треком, их рыночная оценка составляет почти четверть. Эта доля рыночной стоимости в AI-треке еще раз подтверждает нашу веру в то, что этот субтрек имеет большой потенциал роста.

После нашего анализа мы поставили перед собой ключевой вопрос: какие характеристики должны иметь проекты Agent, чтобы привлечь превосходное финансирование и быть включенными в лучшие биржи? Чтобы ответить на этот вопрос, мы изучили успешные проекты в индустрии Agent, такие как Fetch.ai, Olas Network, SingularityNET и Myshell.

Мы обнаружили, что у этих проектов есть некоторые значимые особенности: все они относятся к категории агрегации платформы в классе инфраструктуры. Они строят мост, соединяющий пользователей, которым нужны агенты, с одной стороны (как B2B, так и B2C), и разработчиков и валидаторов, ответственных за отладку модели и обучение, - с другой стороны. Независимо от уровня применения, все они установили полный экологический закрытый цикл.

Мы заметили, что то, связаны ли их продукты с сетью или вне сети, похоже, не является самым важным фактором. Это приводит нас к предварительному выводу: в домене Web3 логика сосредоточения на практических приложениях в Web2 может быть не в полной мере. Для ведущих продуктов AI Agent в Web3 создание полной экосистемы и предоставление разнообразных функций может быть более важным, чем качество и производительность одного продукта. Другими словами, успех проекта зависит не только от того, что он предлагает, но и от того, как он интегрирует ресурсы, способствует сотрудничеству и создает сетевые эффекты в экосистеме. Эта способность создавать экосистемы может стать ключевым фактором для проектов AI Agent, чтобы выделиться на треке Web3.

Правильный метод интеграции проектов AI Agent в Web3 заключается не в том, чтобы сосредоточиться на глубокой разработке одного приложения, а в том, чтобы принять инклюзивную модель. Этот подход включает в себя миграцию и интеграцию различных продуктовых фреймворков и типов из эпохи Web2 в среду Web3 для создания самоциклической экосистемы. Этот момент также можно увидеть в стратегическом сдвиге OpenAI, поскольку они решили запустить платформу приложений в этом году, а не просто обновить свою модель.

В заключение, мы считаем, что проект AI ​​Agent должен сосредоточиться на следующих аспектах:

• Построение экосистемы: выходите за рамки отдельных приложений и создавайте экосистему, которая включает в себя несколько сервисов и функций, способствуя взаимодействию и добавлению стоимости между различными компонентами.
• Модель токеномики: Разработать разумную токеномическую модель для стимулирования пользователей участвовать в строительстве сети и вносить данные и вычислительную мощность.
• Интеграция между областями: Исследуйте потенциальные применения искусственного интеллекта в различных областях, создавая новые сценарии использования и ценность через интеграцию между областями.

Подводя итоги этих трех аспектов, мы также предлагаем некоторые перспективные рекомендации для команд проектов с разными направлениями развития: одна для продуктов, не являющихся ядерными приложениями ИИ, и другая для нативных проектов, сфокусированных на треке AI Agent.

Для продуктов, не относящихся к ядру искусственного интеллекта:

Сохраняйте долгосрочную перспективу, сосредотачивайтесь на своих основных продуктах, интегрируя технологию искусственного интеллекта, и ждите подходящей возможности, соответствующей времени. В текущих технологических и рыночных тенденциях мы считаем, что использование искусственного интеллекта в качестве трафикового средства для привлечения пользователей и усиления конкурентоспособности продукта стало важным средством конкурентоспособности. Хотя фактический долгосрочный вклад технологии искусственного интеллекта в развитие проекта остается вопросительным знаком, мы считаем, что это предоставляет ценное окно для ранних принимателей технологии искусственного интеллекта. Конечно, при условии, что у них уже есть очень надежный продукт.

В долгосрочной перспективе, если технология ИИ достигнет новых прорывов в будущем, те проекты, которые уже интегрировали ИИ, смогут быстрее итерировать свои продукты, тем самым используя возможности и становясь лидерами отрасли. Это похоже на то, как в последние годы электронная коммерция в прямом эфире постепенно вытеснила офлайн-продажи в качестве нового источника трафика на платформах социальных сетей. В то время те продавцы с солидными продуктами, которые решили последовать новой тенденции и попробовать электронную коммерцию в реальном времени, сразу же выделились преимуществом раннего входа, когда электронная коммерция в реальном времени действительно взорвалась.

Мы считаем, что в период неопределенности на рынке для продуктов, не являющихся ядром искусственного интеллекта, своевременное внедрение AI Агентов может стать стратегическим решением. Это не только может увеличить рыночную экспозицию продукта на данный момент, но также принести новые точки роста для продукта в непрерывном развитии технологии AI.

Для местных проектов, ориентированных на AI-агентов:

Баланс между технологическими инновациями и рыночным спросом является ключом к успеху. В проектах нативного агента ИИ проектным командам необходимо следить за тенденциями рынка, а не только за развитием технологий. В настоящее время некоторые Web3-интегрированные проекты агентов на рынке могут быть чрезмерно ориентированы на развитие в одном техническом направлении или построить грандиозное видение, но разработка продукта не поспевает за этим. Обе эти крайности не способствуют долгосрочному развитию проекта.

Поэтому мы предлагаем командам проектов, обеспечивая качество продукта, также обращать внимание на динамику рынка, и понимать, что логика применения ИИ в традиционной интернет-индустрии может не применяться к Web3. Вместо этого им нужно учиться у тех проектов, которые уже достигли результатов на рынке Web3. Сосредоточьтесь на их метках, таких как обучение моделей и основные функции платформы агрегации, упомянутых в статье, а также на историях, которые они создают, таких как модульность ИИ и многократное сотрудничество агентов. Исследование убедительных историй может стать ключом к достижению прорывов на рынке проектов.

Заключение

Независимо от того, идет ли речь о продукте, не связанном с искусственным интеллектом, или о нативном проекте AI Agent, самое важное — найти правильное время и технический путь, чтобы гарантировать, что он останется конкурентоспособным и инновационным на постоянно меняющемся рынке. На основе поддержания качества продукции участники проекта должны наблюдать за тенденциями рынка, учиться на успешных кейсах и в то же время внедрять инновации для достижения устойчивого развития на рынке.

Сводка

В конце статьи мы разберем трек Web3 AI Agent с нескольких сторон:

• Капиталовложения и внимание рынка: Хотя проекты AI Agent в настоящее время не имеют преимущества в количестве листингов в индустрии Web3, они составляют около 50% рыночной оценки, что свидетельствует о том, что капиталовложения рынка высоко оценивают эту сферу. С увеличением капиталовложений и растущим вниманием рынка можно быть уверенным, что в сфере AI Agent появятся более высокооцененные проекты.
• Конкурентная среда и инновационные возможности: Конкурентная среда трека AI Agent в индустрии Web3 еще не до конца сформирована. На нынешнем уровне приложений нет феноменального и ведущего продукта, похожего на ChatGPT. Это дает новым участникам проекта много возможностей для роста и инноваций. Ожидается, что по мере развития технологий и внедрения инноваций в предыдущие проекты на трассе будут разрабатываться более конкурентоспособные продукты, что повысит стоимость всей трассы.
• Обратите внимание на токеномику и стимулы пользователей: значение Web3 заключается в том, чтобы изменить производственные отношения и сделать изначально централизованный процесс развертывания и обучения моделей ИИ более децентрализованным. Благодаря разумному дизайну токеномики и программам поощрения пользователей можно перераспределить простаивающие вычислительные мощности или персональные наборы данных. Кроме того, такие решения, как ZKML, могут защитить конфиденциальность данных, еще больше снижая вычислительную мощность и затраты на данные, а также позволяя большему количеству индивидуальных пользователей участвовать в построении индустрии искусственного интеллекта.

Подводя итог, мы оптимистично смотрим на трек AI Agent. У нас есть основания считать, что в этом треке появится несколько проектов с оценкой более 1 миллиарда долларов. При горизонтальном сравнении рассказ AI Agent достаточно убедителен, а рыночное пространство достаточно велико. Текущие рыночные оценки в целом низкие. Учитывая быстрое развитие технологии и рост спроса на рынке, капитальные инвестиции и потенциал инноваций компаний в этом треке, в будущем ожидается появление нескольких проектов с оценкой более 1 миллиарда долларов по мере зрелости технологии и увеличения рыночной акцепции.

утверждение:

1. Эта статья воспроизводится из [ArkStream Capital], оригинальное название - «Отчет исследования ArkStream Capital Track: Может ли искусственный интеллект быть спасательной соломинкой для Web3+AI?» Если у вас есть возражения против перепечатки, пожалуйста, свяжитесь сКоманда Gate Learn, команда будет обрабатывать это как можно скорее в соответствии с соответствующими процедурами.

2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционными рекомендациями.

3. Другие языковые версии статьи переведены командой Gate Learn, не упомянуты в Gate.io, переведенная статья не может быть воспроизведена, распространена или скопирована.