У декількох слів

• У стартапах Web2 популярні та зрілі проекти штучного інтелекту, переважно в корпоративних сервісах. У просторі Web3 проекти, спрямовані на тренування моделей та агрегацію платформ, стали основними через свою ключову роль у побудові екосистем.
• Наразі проекти AI Agent складають всього 8% проектів Web3, але їх ринкова капіталізація становить до 23% сектору штучного інтелекту. Це свідчить про сильну конкурентоспроможність на ринку, і ми очікуємо, що кілька проектів перевищать оцінку у $1 млрд, коли технологія стане більш зрілою, а прийняття на ринку зросте.
• Для проектів Web3 інтеграція технології AI в не-AI основні застосунки може стати стратегічною перевагою. При поєднанні з проектами AI Agent слід звернути увагу на створення цілісної екосистеми та проектування моделей токеномічної економіки для сприяння децентралізації та мережевих ефектів.

Хвиля ШІ: Висхідні проекти та зростаючі оцінки

З моменту запуску ChatGPT у листопаді 2022 року воно залучило понад 100 мільйонів користувачів всього за два місяці. Квітнем 2024 року щомісячний дохід ChatGPT досяг приголомшливої суми в 20,3 мільйона доларів, і OpenAI швидко випустила ітеративні версії, такі як GPT-4 і GPT-4o. Цей швидкий темп змусив традиційних гігантів технологій визнати важливість передових моделей штучного інтелекту, таких як LLM. Компанії, такі як Google, випустили великомасштабну мовну модель PaLM2, Meta запустила Llama3, а китайські компанії представили моделі, такі як Ernie Bot і Zhipu Qingyan, підкреслюючи, що штучний інтелект є ключовим полем битви.

Гонка серед технологічних гігантів не тільки прискорила розробку комерційних додатків, але й стимулювала дослідження штучного інтелекту з відкритим вихідним кодом. Звіт AI Index за 2024 рік показує, що кількість проєктів, пов'язаних зі штучним інтелектом, на GitHub різко зросла з 845 у 2011 році до приблизно 1,8 мільйона до 2023 року, а у 2023 році зросла на 59,3% порівняно з аналогічним періодом минулого року, що відображає ентузіазм світової спільноти розробників щодо досліджень штучного інтелекту.

Цей ентузіазм щодо технології штучного інтелекту безпосередньо відображається на інвестиційному ринку, який у другому кварталі 2024 року зазнав вибухового зростання. У всьому світі було здійснено 16 інвестицій, пов'язаних зі штучним інтелектом, на суму понад 150 мільйонів доларів, що вдвічі більше, ніж у першому кварталі. Загальне фінансування стартапів штучного інтелекту зросло до 24 мільярдів доларів, що більш ніж удвічі більше, ніж минулого року. Примітно, що xAI Ілона Маска залучив 6 мільярдів доларів з оцінкою в 24 мільярди доларів, що зробило його другим за вартістю стартапом зі штучним інтелектом після OpenAI.

Топ-10 фінансувань у секторі штучного інтелекту в другому кварталі 2024 року, Джерело: Yiou,https://www.iyiou.com/data/202407171072366

Швидкий розвиток штучного інтелекту перетворює технологічний пейзаж із непрецедентною швидкістю. Від жорсткої конкуренції між технологічними гігантами до бурхливо розвиваючоїся відкритої спільноти та жаги капіталовкладень у концепції штучного інтелекту, проекти постійно з'являються, обсяги інвестицій досягають нових висот, а оцінки підвищуються кроком. Загалом ринок штучного інтелекту перебуває в золоту вік швидкого зростання, з великими досягненнями в обробці мови, що спричинені великими мовними моделями та технологіями генерації з підвищенням вибіркового пошуку. Однак залишаються виклики у перекладі цих технологічних досягнень у реальні продукти, такі як невизначеність виводу моделі, ризик генерації неточної інформації (галюцинації) та проблеми з прозорістю моделі - особливо критичні у високовідповідальних застосуваннях.

У цьому контексті ми почали досліджувати агентів штучного інтелекту, які наголошують на вирішенні проблем і взаємодії з реальним середовищем. Цей зсув знаменує собою еволюцію штучного інтелекту від чистомовних моделей до інтелектуальних систем, здатних по-справжньому розуміти, навчатися та вирішувати реальні проблеми. Ми бачимо перспективи в агентах штучного інтелекту, оскільки вони поступово долають розрив між технологією штучного інтелекту та практичним вирішенням проблем. У міру того, як штучний інтелект розвивається, щоб змінити структуру продуктивності, Web3 реконструює виробничі відносини цифрової економіки. Коли три стовпи штучного інтелекту — дані, моделі та обчислювальна потужність — об'єднаються з основними принципами Web3 — децентралізацією, економікою токенів і смарт-контрактами, ми передбачаємо народження серії інноваційних додатків. На цьому багатообіцяючому перетині агенти штучного інтелекту з їхньою здатністю автономно виконувати завдання демонструють величезний потенціал для великомасштабних застосувань. Тому ми заглиблюємося в різноманітні застосування агентів штучного інтелекту в Web3, від інфраструктури Web3, проміжного програмного забезпечення та прикладних рівнів до ринків даних і моделей, прагнучи визначити та оцінити найперспективніші типи проєктів і сценарії застосування, щоб поглибити наше розуміння інтеграції AI-Web3.

Уточнення концепції: Вступ і огляд класифікації AI агента

Основне введення

Перед тим, як вводити AI Agents, щоб краще зрозуміти різницю між їх визначенням та традиційними моделями, давайте використовувати реальний сценарій як приклад: Припустимо, ви плануєте подорож. Традиційна велика мовна модель надає інформацію про пункт призначення та поради щодо подорожей. Технологія збагачення генерації за допомогою пошуку (RAG) може запропонувати більш багатий, більш конкретний вміст пункту призначення. У порівнянні з цим, AI Agent діє, як Джарвіс з Залізна людинафільми - він розуміє ваші потреби, активно шукає авіаквитки та готелі на основі вашого запиту, робить бронювання та додає маршрут до вашого календаря.

У промисловості AI-агенти, як правило, визначаються як інтелектуальні системи, здатні сприймати оточення та приймати відповідні дії, збираючи інформацію про середовище за допомогою сенсорів, обробляючи її та впливаючи на середовище за допомогою приводів (Стюарт Рассел та Пітер Норвіг, 2020). Ми розглядаємо AI-агента як помічника, який інтегрує LLM (великі мовні моделі), RAG, пам'ять, планування завдань та використання інструментів. Він не тільки надає інформацію, але й планує, розбиває завдання та фактично їх виконує.

На основі цього визначення та характеристик ми можемо бачити, що AI-агенти вже інтегрувалися в наше повсякденне життя і застосовуються в різних сценаріях. Наприклад, AlphaGo, Siri та автономний рух Tesla рівня 5 та вище можуть бути розглянуті як приклади AI-агентів. Спільною рисою цих систем є їх здатність сприймати зовнішні вхідні дані користувача та приймати рішення, які впливають на реальний світ на основі цих вхідних даних.

Для уточнення концепцій на прикладі ChatGPT важливо розрізняти, щоТрансформаторє технічна архітектура, яка формує основу моделей штучного інтелекту, тоді як GPTвідноситься до серії моделей, розроблених на основі цієї архітектури. GPT-1, GPT-4 та GPT-4o представляють різні етапи розвитку моделі. ChatGPT, як еволюція на основі моделі GPT, може розглядатися як штучний інтелектний агент.

Огляд класифікації

Наразі на ринку відсутній уніфікований класифікаційний стандарт для AI-агентів. Отмічаючи 204 проекти AI-агентів на ринках Web2 та Web3 на основі їх видатних особливостей, ми створили як первинні, так і вторинні класифікації. До первинних класифікацій входять інфраструктура, генерація контенту та взаємодія з користувачем, які поділені далі на основі реальних випадків використання:

• Інфраструктура: Спрямована на будівництво основних компонентів у сфері штучного інтелекту, включаючи платформи, моделі, дані, інструменти розробки та корпоративні B2B-сервіси.
• Інструменти розробки: забезпечити розробникам допоміжні інструменти та фреймворки для створення AI Агентів.
• Обробка даних: Обробка та аналіз даних у різних форматах, в основному використовується для допомоги в прийнятті рішень та надання джерел для навчання.
• Тренування моделі: Надає послуги тренування моделей для штучного інтелекту, включаючи інференс, налаштування та створення моделі тощо.
• B2B сервіси: головним чином для корпоративних користувачів, надаючи підприємницькі послуги, вертикальні та автоматизовані рішення.
• Платформа агрегації: платформа, яка поєднує в собі кілька послуг та інструментів штучного інтелекту.
• Взаємодія користувача: подібно до створення вмісту, але з постійною взаємодією у дві сторони. Агенти взаємодії не тільки розуміють та відповідають на потреби користувача, але також надають зворотний зв'язок за допомогою обробки природної мови (NLP), що дозволяє бідерекційну комунікацію.
• Емоційна компанія: Штучний інтелект, який надає емоційну підтримку та компанію.
• Заснований на GPT: Штучний інтелект на основі моделі GPT (генеративно-попереднє навчання трансформатора).
• Пошук: Агент, який фокусується на функціях пошуку та забезпечує більш точний пошук інформації.
• Генерація контенту: Проекти, орієнтовані на створення контенту з використанням технологій великих моделей на основі інструкцій користувача, що поділяються на генерацію тексту, генерацію зображень, генерацію відео та генерацію аудіо.

Аналіз розробки Web2 AI агента

Згідно з нашими дослідженнями, розвиток AI агентів в традиційному інтернеті Web2 виявляє чітку концентрацію в певних секторах. Приблизно дві третини проектів спрямовані на інфраструктуру, зокрема на послуги B2B та інструменти розробника. Ми проаналізували це явище та визначили кілька ключових чинників:

Вплив зрілості технології: Домінування інфраструктурних проектів в основному пов'язане з зрілістю базових технологій. Ці проекти часто будуються на добре встановлених технологіях та фреймворках, що зменшує складність та ризик розробки. Вони служать «лопатами» в галузі штучного інтелекту, надаючи міцну основу для розвитку та застосування агентів ШІ.

Попит на ринку: Ще одним ключовим фактором є попит на ринку. Порівняно зі споживчим ринком, корпоративний ринок має більш термінову потребу в технологіях ШІ, особливо в рішеннях, спрямованих на покращення ефективності операцій і зниження витрат. Для розробників стабільний потік готівки від корпоративних клієнтів робить процес розробки наступних проектів простішим.

Обмеження застосування: У той самий час ми зауважили, що штучний інтелект генерації вмісту має обмежені сценарії застосування на ринку B2B. Через нестабільність його результатів бізнеси віддають перевагу застосуванням, які надійно підвищують продуктивність, тому штучний інтелект генерації вмісту займає менший обсяг у ландшафті проекту.

Цей тренд відображає практичні врахування зрілості технологій, ринкового попиту та сценаріїв застосування. Оскільки технології штучного інтелекту продовжують розвиватися, а ринковий попит стає більш зрозумілим, ми очікуємо, що цей ландшафт зміниться, але інфраструктура, ймовірно, залишиться основою розвитку агентів штучного інтелекту.

Аналіз провідних проектів Web2 AI Agent

Компіляція провідних проектів AI Agent Web2, джерело: база даних проекту ArkStream

Ми проаналізували деякі з провідних проектів AI Agent на ринку Web2, отримані з бази даних проекту ArkStream. Використовуючи Character AI, Perplexity AI та Midjourney як приклади, ми детально розглянемо їх характеристики.

Характер AI：

• Огляд продукту: Character.AI пропонує системи розмов на основі штучного інтелекту та інструменти для створення віртуальних персонажів. Платформа дозволяє користувачам створювати, навчати та взаємодіяти з віртуальними персонажами, які можуть проводити розмови природною мовою та виконувати конкретні завдання.
• Аналіз даних: У травні Character.AI мав 277 мільйонів відвідувань і понад 3,5 мільйона щоденних активних користувачів, більшість з яких у віці від 18 до 34 років, що свідчить про молоду користувацьку базу. Character AI успішно виступив на капітальному ринку, залучивши $150 мільйонів фінансування з оцінкою в $1 мільярд, очолюваний a16z.
• Технічний аналіз: Компанія Character AI уклала неексклюзивну ліцензійну угоду з Alphabet, материнською компанією Google, для використання її великої мовної моделі. Засновники компанії, Ноам Шазір і Даніель Де Фрейтас, брали участь у розробці розмовної мовної моделі Google, Llama.

Perplexity AI:

• Огляд продукту: Perplexity скрапить Інтернет, щоб надавати детальні відповіді, забезпечуючи надійність інформації за допомогою посилань і посилань. Він навчає та керує користувачів у запитанні наслідуючих запитань та пошуку ключових слів, задовольняючи різноманітні потреби запиту.
• Аналіз даних: Perplexity досягла 10 мільйонів активних щомісячних користувачів, зростання трафіку мобільного та настільного додатків становить 8,6% у лютому, привертаючи близько 50 мільйонів користувачів. Perplexity AI нещодавно залучила $62,7 мільйонів фінансування при оцінці в $1,04 мільярда, очолюваної Даніелем Гроссом, з участю Стена Друкенміллера та NVIDIA.
• Технічний аналіз: Perplexity в основному використовує дотоновані моделі GPT-3.5 та дві великі моделі, дотоновані з відкритих джерел: pplx-7b-online та pplx-70b-online. Ці моделі підходять для академічних досліджень та запитів у вертикальній галузі, що забезпечує автентичність та надійність інформації.

Midjourney:

• Огляд продукту: Користувачі можуть створювати зображення в різних стилях та темах на Midjourney за допомогою підказок, що охоплюють широкий спектр творчих потреб від реалізму до абстракції. Платформа також пропонує злиття та редагування зображень, що дозволяє користувачам наложити зображення та передавати стилі, з реальним часом генерації, що дозволяє отримувати зображення за кілька секунд до хвилин.
• Аналіз даних: на платформі зареєстровано 15 мільйонів користувачів, з них 1,5-2,5 мільйона активних користувачів. Згідно з загальнодоступною ринковою інформацією, Midjourney не залучав кошти від інвесторів і утримувався завдяки підприємницькій репутації та ресурсам засновника Девіда.
• Технічний аналіз: Midjourney використовує власну запатентовану модель. З моменту випуску Midjourney V4 у серпні 2022 року платформа використовує генеративну модель штучного інтелекту на основі дифузії. Повідомляється, що параметри навчання моделі коливаються від 30 до 40 мільярдів, що забезпечує міцну основу для різноманітності та точності генерації зображень.

Виклики комерціалізації

Випробувавши кілька агентів штучного інтелекту Web2, ми спостерігали загальний шлях ітерацій продукту: від початкового зосередження на окремих конкретних завданнях до подальшого розширення їхніх можливостей для обробки складніших сценаріїв із кількома завданнями. Ця тенденція підкреслює потенціал агентів штучного інтелекту в підвищенні ефективності та інновацій, вказуючи на те, що вони відіграватимуть більш важливу роль у майбутньому. Ґрунтуючись на попередній статистиці 125 проєктів AI Agent у Web2, ми виявили, що більшість проєктів зосереджені на генерації контенту (наприклад, Jasper AI), інструментах розробника (наприклад, Replit) та B2B-сервісах (наприклад, Cresta), найбільшій категорії. Цей висновок суперечив нашим очікуванням, оскільки спочатку ми передбачали, що зі збільшенням зрілості технології моделей штучного інтелекту споживчий ринок (C-end) зазнає вибухового зростання агентів штучного інтелекту. Однак після подальшого аналізу ми зрозуміли, що комерціалізація споживчих агентів штучного інтелекту є набагато складнішою та складнішою, ніж очікувалося.

Візьмемо Character.AI для прикладу. З одного боку, Character.AI має одні з найкращих показників трафіку. Однак через свою єдину бізнес-модель, яка покладалася на абонентську плату в розмірі 9,9 доларів США, він боровся з обмеженим доходом від підписки та високими витратами на висновки для активних користувачів, що зрештою призвело до його придбання Google через труднощі з монетизацією трафіку та підтримкою грошового потоку. Цей кейс показує, що навіть при відмінному трафіку та фінансуванні програми C-end AI Agent стикаються зі значними проблемами комерціалізації. Більшість продуктів ще не досягли стандарту, коли вони можуть замінити або ефективно допомогти людям, що призводить до низької готовності користувачів платити. У нашому дослідженні ми виявили, що багато стартапів стикаються з подібними проблемами, як і Character.AI, що вказує на те, що розробка споживчих агентів штучного інтелекту не є гладкою і вимагає більш глибокого вивчення технічної зрілості, цінності продукту та інноваційних бізнес-моделей, щоб розкрити свій потенціал на ринку C-end.

Якщо порахувати оцінки більшості проєктів AI Agent у порівнянні з оцінками проєктів зі стелями, таких як OpenAI та xAI, все ще залишається місце для майже 10-50 разів. Незаперечним є той факт, що стеля застосування C-side Agent все ще досить висока, що доводить, що це все ще хороший трек. Однак, ґрунтуючись на наведеному вище аналізі, ми вважаємо, що порівняно з C-стороною, ринок на стороні B може бути кінцевим пунктом призначення AI Agent. Створюючи платформу, підприємства інтегрують AI Agent у програмне забезпечення для керування, таке як вертикальні поля, CRM та офісний OA. Це не тільки підвищує операційну ефективність підприємств, але й надає AI Agent ширший простір застосування. Тому у нас є підстави вважати, що сервіси на стороні Б стануть основним напрямком короткострокового розвитку AI Agents у традиційному Web2-інтернеті.

Статус та перспективи розвитку Web3 AI Agent

Огляд проекту

Як аналізувалося раніше, навіть додатки AI Agent з фінансуванням від високопрофесійних фондів та хорошим трафіком користувачів стикаються з труднощами в комерціалізації. Далі ми проаналізуємо поточний розвиток проектів AI Agent в Web3. Оцінюючи серію представницьких проектів – їх технічні інновації, ринкову продуктивність, відгуки користувачів та потенціал зростання – ми сподіваємося виявити пізнавальні пропозиції. Наведена нижче діаграма показує кілька представницьких проектів, які вже випустили токени та мають відносно високу ринкову вартість:

Компіляція провідних проектів з використанням штучного інтелекту веб-агента Web2, джерело: база даних проекту ArkStream.

Згідно з нашою статистикою на ринку Web3 AI Agent, типи проєктів, що розробляються, також демонструють чітку концентрацію в конкретних секторах. Більшість проєктів підпадають під інфраструктуру, з меншою кількістю проєктів із генерації контенту. Багато з цих проєктів спрямовані на використання розподілених даних та обчислювальних потужностей, що надаються користувачами, для задоволення потреб власників проєктів у навчанні моделей або створення універсальних платформ, які інтегрують різні послуги та інструменти агентів штучного інтелекту. Від інструментів розробника до додатків для зовнішньої взаємодії та генеративних додатків, більшість традиційних галузей AI Agent наразі обмежуються коригуванням параметрів з відкритим вихідним кодом або створенням додатків з використанням існуючих моделей. Цей метод ще не приніс значних мережевих ефектів для підприємств або окремих користувачів.

Аналіз стану

Ми вважаємо, що цей феномен на даному етапі може бути викликаний наступними факторами:

Невідповідність ринку та технологій: Комбінація Web3 та агентів штучного інтелекту наразі не демонструє значної переваги перед традиційними ринками. Справжня перевага полягає в покращенні виробничих відносин за рахунок оптимізації ресурсів та співпраці за рахунок децентралізації. Це може призвести до того, що взаємодія та генеративні програми будуть намагатися конкурувати з традиційними конкурентами з сильнішими технічними та фінансовими ресурсами.

Обмеження сценарію застосування: В середовищі Web3 попит на генерацію зображень, відео або текстового контенту може бути меншим. Замість цього, децентралізовані та розподілені можливості Web3 частіше використовуються для зниження витрат і покращення ефективності в традиційній галузі штучного інтелекту, а не для розширення у нові сценарії застосування.

Корінна причина цього явища може бути в поточному стані розвитку індустрії штучного інтелекту та її майбутньому напрямку. Технологія штучного інтелекту все ще знаходиться на перших етапах, схожих на початкові дні промислової революції, коли парові двигуни були замінені електродвигунами. Вона ще не досягла електрифікаційного етапу широкого застосування.

Ми вважаємо, що майбутнє штучного інтелекту, швидше за все, піде аналогічним шляхом. Загальні моделі поступово будуть стандартизуватися, в той час як тонко налаштовані моделі будуть мати диверсифікований розвиток. Застосування штучного інтелекту буде широко розпорошене між підприємствами та окремими користувачами, при цьому акцент буде зміщено на взаємозв'язок та взаємодію між моделями. Ця тенденція тісно узгоджується з принципами Web3, оскільки Web3 відомий своєю компонованістю та інклюзивним характером, що добре вписується в ідею децентралізованого тонкого налаштування моделей. Розробники матимуть більше свободи у комбінуванні та коригуванні різних моделей. Крім того, децентралізація пропонує унікальні переваги в таких сферах, як захист конфіденційності даних і розподіл обчислювальних ресурсів для навчання моделей.

З технологічними досягненнями, особливо появою інновацій, таких як LoRA (Low-Rank Adaptation), вартість та технічні бар'єри для тонкого налаштування моделей були значно знижені. Це полегшує розробку публічних моделей для конкретних сценаріїв або задоволення персоналізованих потреб користувачів. Проекти AI Agent в межах Web3 можуть повністю використовувати ці досягнення для дослідження нових методів навчання, інноваційних стимулів та нових моделей спільного використання та співпраці, які часто важко досягти в традиційних централізованих системах.

Крім того, концентрація Web3-проєктів на навчанні моделей відображає стратегічні міркування щодо його важливості в усій екосистемі штучного інтелекту. Таким чином, фокус проєктів Web3 AI Agent на навчанні моделей — це природне зближення технологічних тенденцій, ринкового попиту та переваг індустрії Web3. Далі ми наведемо приклади модельних навчальних проєктів як у галузях Web2, так і в Web3 та проведемо порівняння.

Проекти з тренування моделі

Humans.ai

• Огляд проекту: Humans.ai — це диверсифікована бібліотека алгоритмів штучного інтелекту та навчальне середовище розгортання, що охоплює різні галузі, такі як зображення, відео, аудіо та текст. Платформа підтримує розробників у подальшому навчанні та оптимізації моделей, а також дозволяє їм ділитися своїми моделями та торгувати ними. Помітним нововведенням є те, що Humans.ai використовує NFT для зберігання моделей штучного інтелекту та біометричних даних користувачів, що робить процес створення контенту зі штучним інтелектом більш персоналізованим і безпечним.
• Аналіз даних: Ринкова вартість токена Heart компанії Humans.ai становить близько 68 мільйонів доларів. У них є 56 тисяч фоловерів на Twitter, але дані користувачів не були оприлюднені.
• Технічний аналіз: Humans.ai не розробляє власні моделі, але використовує модульний підхід, упаковуючи всі доступні моделі в NFT, що надає користувачам гнучке та масштабоване рішення з штучного інтелекту.

FLock.io

• Огляд проекту: FLock.io - це платформа спільного створення штучного інтелекту на основі технології федеративного навчання (децентралізований метод машинного навчання, що наголошує на конфіденційності даних). Її метою є вирішення проблем у сфері штучного інтелекту, таких як низька громадська участь, недостатня захист конфіденційності та монополія технології штучного інтелекту великими корпораціями. Платформа дозволяє користувачам внести внесок в дані, захищаючи конфіденційність, сприяючи демократизації та децентралізації технології штучного інтелекту.
• Аналіз даних: на початку 2024 року FLock.io завершили початковий раунд на суму 6 мільйонів доларів США під керівництвом Lightspeed Faction і Tagus Capital за додаткової участі DCG, OKX Ventures та інших.
• Технічний аналіз: Архітектура FLock.io заснована на федеративному навчанні, децентралізованому методі, який сприяє захисту конфіденційності. Він також використовує zkFL, гомоморфне шифрування та безпечні багатосторонні обчислення (SMPC) для забезпечення додаткових гарантій конфіденційності.

Це приклади проектів навчання моделей в просторі Web3 AI Agent, але подібні платформи також існують в Web2, наприклад, Predibase.

Predibase

• Огляд проекту: Predibase фокусується на оптимізації штучного інтелекту та великих мовних моделей, дозволяючи користувачам точно налаштовувати та розгортати великі мовні моделі з відкритим вихідним кодом, такі як Llama, CodeLlama та Phi. Платформа підтримує різні методи оптимізації, такі як квантування, адаптація низького рангу та ефективне розподілене навчання пам'яті.
• Аналіз даних: Predibase оголосила про завершення раунду серії А на суму 12,2 мільйона доларів США під керівництвом Феліціса, з такими великими компаніями, як Uber, Apple, Meta, а також стартапами, такими як Paradigm і Koble.ai, як користувачі платформи.
• Технічний аналіз: користувачі Predibase навчили понад 250 моделей. Платформа використовує архітектуру LoRAX та фреймворк Ludwig: LoRAX дозволяє тисячам налаштованих LLMs працювати на одному графічному процесорі, значно зменшуючи витрати без впливу на пропускну здатність або затримку. Ludwig - це декларативний фреймворк, який використовує Predibase для розробки, навчання, налаштування та впровадження передових глибоких навчальних та великих мовних моделей.
• Аналіз проекту: Predibase пропонує користувачам зручні функції, які надають індивідуальні послуги зі створення AI-додатків для різних рівнів користувачів. Незалежно від того, чи це C-кінцеві користувачі або B-кінцеві користувачі, початківці або досвідчені професіонали AI, Predibase відповідає широкому спектру потреб.

Для початківців автоматизація платформи в один клік спрощує процес побудови моделей і навчання, автоматично вирішуючи складні завдання. Для досвідчених користувачів він надає більш глибокі можливості налаштування, включаючи доступ до більш просунутих параметрів і їх налаштування. Порівнюючи традиційні навчальні платформи моделей штучного інтелекту з проєктами штучного інтелекту Web3, хоча їхні загальні рамки та логіка можуть бути схожими, ми виявили значні відмінності в їхній технічній архітектурі та бізнес-моделях.

• Технічна глибина та інновації: Традиційні навчальні платформи моделей штучного інтелекту часто мають глибші технічні бар'єри, такі як використання запатентованих технологій, таких як архітектура LoRAX та фреймворк Людвіга. Ці фреймворки пропонують надійні функції, що дозволяють платформі справлятися зі складними навчальними завданнями моделі штучного інтелекту. Однак проєкти Web3 можуть більше зосереджуватися на децентралізації та відкритості, з меншим акцентом на глибокі технічні інновації.
• Гнучкість бізнес-моделі: Поширеним вузьким місцем у традиційному навчанні моделей штучного інтелекту є відсутність гнучкості в бізнес-моделі. Платформи зазвичай вимагають, щоб користувачі платили за навчання моделей, що обмежує стійкість проєкту, особливо на ранніх стадіях, коли потрібна широка участь користувачів і збір даних. На противагу цьому, проєкти Web3 часто мають більш гнучкі бізнес-моделі, такі як токеноміка, керована спільнотами.
• Проблеми захисту конфіденційності: Захист конфіденційності є ще одним ключовим питанням. Наприклад, хоча Predibase пропонує віртуальні приватні хмарні сервіси на AWS, покладання на сторонню архітектуру завжди несе потенційний ризик витоку даних.

Ці відмінності стали перешкодами в традиційній галузі штучного інтелекту. Через характер інтернету ці проблеми важко ефективно вирішити. Водночас це відкриває як можливості, так і виклики для Web3, де проекти, які зможуть першими вирішити ці проблеми, ймовірно, стануть піонерами в цій галузі.

Інші категорії проектів Web3 AI Agent

Після обговорення проєктів AI Agent, орієнтованих на навчання моделей, ми тепер розширюємо наш погляд на інші типи проєктів AI Agent у галузі Web3. Ці проєкти, хоча й не зосереджені виключно на навчанні моделей, демонструють відмінну продуктивність з точки зору фінансування, оцінки токенів та присутності на ринку. Нижче наведено деякі репрезентативні та впливові проєкти AI Agent у відповідних галузях:

Myshell

• Огляд продукту: Myshell надає комплексну платформу AI Agent, де користувачі можуть створювати, ділитися та персоналізувати агентів штучного інтелекту. Ці агенти можуть запропонувати товариство та допомогти підвищити ефективність роботи. Платформа включає різноманітні стилі агентів штучного інтелекту, від аніме до традиційних, і підтримує взаємодію за допомогою аудіо, відео та тексту. Видатною особливістю є інтеграція кількох існуючих моделей, включаючи GPT-4o, GPT-4 і Claude, що забезпечує преміальний досвід. Крім того, Myshell представляє торгову систему, подібну до кривих зв'язку FT, стимулюючи творців розробляти високовартісні моделі штучного інтелекту, надаючи користувачам можливість інвестувати та брати участь у прибутку.
• Аналіз даних: Останнє раунд фінансування Myshell оцінив компанію приблизно в 80 мільйонів доларів, очолював його Dragonfly з участю Binance, Hashkey та Folius. З майже 180 тисячами підписників у Twitter, в нього є відданий спільнота користувачів та розробників, хоча залучення в Discord становить менше однієї десятої частини його бази підписників.
• Технічний аналіз: Myshell не розробляє AI-моделі самостійно, але служить як платформа інтеграції, поєднуючи моделі, такі як Claude та GPT-4. Ця стратегія дозволяє йому пропонувати користувачам єдиний та передовий досвід з AI.
• Суб'єктивний досвід: MyShell дозволяє користувачам вільно створювати та налаштовувати агентів штучного інтелекту відповідно до власних потреб. Будь то особистий компаньйон або професійний помічник, він може адаптуватися до різних сценаріїв, таких як аудіо та відео. Навіть якщо користувачі не використовують проксі-сервер MyShell, вони можуть насолоджуватися інтегрованою платною моделлю Web2 за нижчою ціною. Крім того, платформа поєднує в собі економічну концепцію FT, дозволяючи користувачам не тільки користуватися послугами штучного інтелекту, але й інвестувати в агентів штучного інтелекту, щодо яких вони налаштовані оптимістично, збільшуючи ефект багатства за допомогою механізму кривої зв'язку.

Делісіум

• Огляд продукту: Delysium надає мережу агентів штучного інтелекту, орієнтовану на наміри, що дозволяє агентам краще співпрацювати, щоб надати користувачам дружній досвід Web3. Наразі Delysium запустив двох агентів штучного інтелекту: Люсі та Джеррі. Люсі — мережевий агент штучного інтелекту. Бачення полягає в тому, щоб надати допомогу в інструментах, наприклад, запитати 10 найкращих адрес зберігання валюти тощо. Однак в даний час функція Агента для виконання ончейн-намірів ще не відкрита, і він може виконувати лише деякі базові інструкції, такі як стейкінг AGI в екосистемі. Або обміняйте його на USDT. Джеррі схожий на GPT в екосистемі Delysium і в основному відповідає за відповіді на запитання всередині екосистеми, такі як розподіл токенів.
• Аналіз даних: перший раунд фінансування становив 4 мільйони доларів США у 2022 році, і в тому ж році було оголошено, що завершено стратегічне фінансування на суму 10 мільйонів доларів США. Його токен AGI на даний момент має ринкову капіталізацію приблизно 130 мільйонів доларів. Немає останніх даних про користувачів. Згідно з офіційною статистикою від Delysium, на червень 2023 року Люсі накопичила понад 1,4 мільйона незалежних підключень гаманців.

Безсонний штучний інтелект

• Огляд продукту: Платформа гри емоційного товариства, яка поєднує технологію Web3 та штучного інтелекту для надання віртуальних компаньйонських ігор HIM та HER, використовуючи AIGC та LLM для занурення користувачів у взаємодію з віртуальними персонажами. Користувачі можуть змінювати атрибути персонажа, одяг тощо під час тривалої розмови. Його сумісна велика мовна модель забезпечує, що персонаж ітерується в кожній розмові та стає більш розуміючим користувача.
• Аналіз даних: проект зібрав загальну суму в розмірі 3,7 мільйона доларів США, з інвесторами, включаючи Binance Labs, Foresight Ventures та Folius Ventures. Поточна загальна ринкова вартість токенів становить близько 400 мільйонів доларів США. Він має 116 тисяч підписників у Twitter, 190 тисяч зареєстрованих бронювань за офіційною статистикою і 43 тисяч активних користувачів. Можна сказати, що його користувацька активність дуже висока.
• Технічний аналіз: Хоча офіційні представники не розголошують, на якій основі ринкової мовної моделі ґрунтується їхній продукт, Sleepless AI забезпечує, що користувачі почуватимуть, що персонаж їх все більше розуміє під час чату. Тому, під час створення LLM-навчання, кожний персонаж тренує модель окремо, і поєднує базу векторів та систему параметрів особистості, щоб дозволити персонажу мати пам'ять.
• Суб'єктивний досвід: Sleepless AI підходить до AI Boyfriend і AI Girlfriend з точки зору Free-to-Play, а не просто інтегрований у вікно чату розмовного робота. Проєкт значно підвищує автентичність віртуальних людей за допомогою високовартісного мистецтва, безперервно повторюваних мовних моделей, високоякісного та повного дубляжу та низки функцій, таких як будильник, снодійне, запис менструального циклу, навчальне спілкування тощо. Такого роду емоційну цінність не можуть відчути інші програми на ринку. Крім того, Sleepless AI створює довгостроковий, збалансований механізм оплати контенту. Користувачі можуть продати NFT, не потрапляючи в дилему P2E або Ponzi. Ця модель враховує як дохід гравця, так і ігровий досвід.

Аналіз перспектив

У галузі Web3 проекти AI Agent охоплюють кілька напрямків, включаючи публічні ланцюжки, управління даними, захист конфіденційності, соціальні мережі, платформові сервіси та обчислювальну потужність. За ринковою вартістю токенів загальна ринкова вартість проектів AI Agent складає майже 3,8 мільярда доларів, тоді як загальна ринкова вартість всього AI треку становить близько 16,2 мільярда доларів. Проекти AI Agent становлять приблизно 23% від загальної ринкової вартості в AI треку.

Хоча існує лише близько десятка проектів з штучним інтелектом, що, здається, досить мало порівняно з усім шляхом штучного інтелекту, їхнє ринкове значення становить майже чверть. Ця частка ринкової вартості на шляху штучного інтелекту знову підтверджує нашу віру в те, що цей підшлях має великий потенціал росту.

Після нашого аналізу ми підняли ключове питання: які характеристики потрібні агентським проектам, щоб залучити відмінне фінансування та потрапити на провідні біржі? Щоб відповісти на це питання, ми розглянули успішні проєкти в індустрії агентів, такі як Fetch.ai, Olas Network, SingularityNET та Myshell.

Ми виявили, що ці проєкти мають деякі суттєві особливості: усі вони належать до категорії агрегації платформ у класі інфраструктури. Вони будують міст, з'єднуючи користувачів, яким потрібні агенти на одному кінці (як B2B, так і B2C), і розробників і валідаторів, відповідальних за налагодження моделей і навчання на іншому кінці. Незалежно від рівня застосування, всі вони створили повний екологічний замкнутий цикл.

Ми помітили, що те, чи пов'язані їхні продукти з ончейн чи офчейн, не є найважливішим фактором. Це підводить нас до попереднього висновку: у домені Web3 логіка зосередження на практичних застосуваннях у Web2 може не застосовуватися повною мірою. Для провідних продуктів AI Agent у Web3 створення повної екосистеми та надання різноманітних функцій може бути важливішим, ніж якість і продуктивність одного продукту. Іншими словами, успіх проєкту залежить не лише від того, що він пропонує, а й від того, як він інтегрує ресурси, сприяє співпраці та створює мережеві ефекти в екосистемі. Ця здатність створювати екосистеми може стати ключовим фактором для проєктів AI Agent, щоб виділитися на треку Web3.

Правильний метод інтеграції для проектів AI Agent у Web3 полягає не в акцентуванні на глибокому розробленні одного застосування, а в прийнятті інклюзивної моделі. Цей підхід передбачає міграцію та інтеграцію різноманітних продуктових фреймворків та типів з ери Web2 в середовище Web3 для побудови самоциклічного екосистеми. Цю точку зору також можна побачити в стратегічному зміщенні OpenAI, оскільки вони вирішили запустити платформу застосувань цього року, а не просто оновлювати свою модель.

У підсумку, ми вважаємо, що проект AI Agent повинен зосередитися на наступних аспектах:

• Розбудова екосистеми: Вийдіть за межі окремих додатків, щоб створити екосистему, яка включає в себе кілька сервісів і функцій, сприяючи взаємодії та додаткової вартості між різними компонентами.
• Модель токеномики: розробити розумну токеномічну модель, щоб стимулювати користувачів брати участь у будівництві мережі та вносити дані та обчислювальну потужність.
• Інтеграція міждоменна: Дослідження потенційних застосувань AI-агентів в різних галузях, створення нових сценаріїв використання та значення за допомогою міждоменної інтеграції.

Узагальнивши ці три аспекти, ми також надаємо кілька далекоглядних пропозицій для проектних команд з різними напрямками фокусування: одна для основних прикладних продуктів, не пов'язаних зі штучним інтелектом, а інша для нативних проектів, орієнтованих на трек AI Agent.

Для продуктів, не пов'язаних з штучним інтелектом:

Зберігайте довгострокову перспективу, зосередьтеся на своїх основних продуктах, інтегруючи технологію штучного інтелекту, і чекайте слушної нагоди відповідно до часу. У сучасних технологічних та ринкових тенденціях ми вважаємо, що використання штучного інтелекту як засобу трафіку для залучення користувачів та підвищення конкурентоспроможності продукту стало важливим засобом конкурентоспроможності. Хоча фактичний довгостроковий внесок технології штучного інтелекту в розвиток проектів залишається під знаком питання, ми вважаємо, що це забезпечує цінне вікно для перших користувачів технології штучного інтелекту. Звичайно, передумова полягає в тому, що у них вже є дуже солідний продукт.

У довгостроковій перспективі, якщо технологія штучного інтелекту досягне нових досягнень у майбутньому, ті проекти, які вже інтегрували штучний інтелект, зможуть швидше ітерувати свою продукцію, тим самим використовуючи можливості та стаючи лідерами галузі. Це схоже на те, як прямий ефір електронної комерції поступово замінив офлайн-продажі як новий трафік на платформах соціальних мереж в останні роки. У той час ті торговці з надійними продуктами, які обрали слідувати новому тренду та спробувати прямий ефір електронної комерції, відразу виділилися завдяки перевагам раннього входу, коли прямий ефір електронної комерції справді розгорнувся.

Ми вважаємо, що в умовах ринкової невизначеності для основних прикладних продуктів, не пов'язаних зі штучним інтелектом, розгляд своєчасного впровадження агентів штучного інтелекту може бути стратегічним рішенням. Це може не тільки збільшити присутність продукту на ринку в даний час, але й принести нові точки зростання продукту в безперервному розвитку технології штучного інтелекту.

Для місцевих проектів, спрямованих на AI-агентів:

Збалансування технологічних інновацій та ринкового попиту є ключем до успіху. У проектах з власними AI-агентами команди проектів повинні спрямовувати свій погляд на ринкові тенденції, а не тільки на розвиток технологій. Наразі деякі проекти з вбудованими Web3-агентами на ринку можуть бути занадто зосереджені на розвитку в одному технічному напрямку або мають велике бачення, але розробка продукту не встигає за ним. Обидва ці екстремуми не сприяють довгостроковому розвитку проекту.

Тому ми пропонуємо, щоб проєктні команди, забезпечуючи якість продукту, також звертали увагу на динаміку ринку, і усвідомлювали, що логіка застосування ШІ в традиційній інтернет-індустрії може не застосовуватися до Web3. Натомість їм потрібно вчитися на тих проєктах, які вже досягли результатів на ринку Web3. Зосередьтеся на ярликах, які вони мають, таких як основні функції навчання моделей і агрегації платформ, згадані в статті, а також на наративах, які вони створюють, таких як модульність штучного інтелекту та співпраця з кількома агентами. Вивчення переконливих наративів може стати ключем до успіху проєктів на ринку.

Висновок

Незалежно від того, чи це основний продукт, не пов'язаний зі штучним інтелектом, чи нативний проєкт AI Agent, найважливішим є знайти правильний час і технічний шлях, щоб гарантувати, що він залишатиметься конкурентоспроможним та інноваційним на ринку, що постійно змінюється. На основі збереження якості продукції учасники проекту повинні спостерігати за тенденціями ринку, вчитися на успішних кейсах і в той же час впроваджувати інновації для досягнення сталого розвитку на ринку.

Огляд

В кінці статті ми аналізуємо трек Web3 AI Agent з різних кутів:

• Капітальні інвестиції та увага ринку: Хоча проєкти AI Agent наразі не мають переваги в кількості лістингів у індустрії Web3, на них припадає близько 50% ринкової оцінки, що свідчить про те, що ринок капіталу високо визнає цей напрямок. Зі збільшенням капіталовкладень і підвищенням уваги ринку, безсумнівно, що в треку AI Agent з'явиться більше високоцінних проектів.
• Конкурентна ландшафт та інноваційні можливості: Конкурентний ландшафт AI Agent треку в індустрії Web3 ще повністю не сформований. На поточному рівні застосування немає феноменальних і провідних продуктів, подібних до ChatGPT. Це дозволяє новим проектним сторонам отримати багато простору для зростання та інновацій. З розвитком технології і проведенням попередніх проектів очікується, що трек розвиватиме більше конкурентоздатних продуктів, що підвищує оцінку всього треку.
• Зверніть увагу на токеноміку та заохочення користувачів: Важливість Web3 полягає в тому, щоб змінити виробничі відносини та зробити спочатку централізований процес розгортання та навчання моделей штучного інтелекту більш децентралізованим. За допомогою розумного дизайну токеноміки та програм заохочення користувачів можна перерозподілити незадіяні обчислювальні потужності або набори персональних даних. Крім того, такі рішення, як ZKML, можуть захистити конфіденційність даних, ще більше знижуючи обчислювальну потужність і витрати на дані, а також дозволяючи більшій кількості індивідуальних користувачів брати участь у побудові індустрії штучного інтелекту.

Підводячи підсумок, можна сказати, що ми з оптимізмом дивимося на трек AI Agent. У нас є підстави вважати, що на цьому шляху з'явиться кілька проєктів з оцінкою понад $1 млрд. Завдяки горизонтальному порівнянню, наратив AI Agent є достатньо переконливим, а ринковий простір достатньо великим. Поточні ринкові оцінки, як правило, низькі. Беручи до уваги стрімкий розвиток технології штучного інтелекту, зростання ринкового попиту, капітальних інвестицій та інноваційного потенціалу компаній, у майбутньому, у міру розвитку технологій та збільшення визнання ринку, очікується, що на цьому треку з'являться численні проєкти з оцінкою понад 1 мільярд доларів.

заява:

1. Цю статтю відтворено з [Аркстрім Капітал], оригінальний заголовок звучить так: «Дослідницький звіт ArkStream Capital Track: Чи може штучний інтелект бути джерелом порятунку для Web3+AI?» Якщо ви маєте будь-які заперечення до перепублікації, будь ласка, зв'яжіться з Команда Gate Learn, команда виконає це якомога швидше відповідно до відповідних процедур.

2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, представляють лише особисті погляди автора і не є інвестиційними порадами.

3. Інші мовні версії статті перекладаються командою Gate Learn, не згадано вGate.io, перекладена стаття не може бути відтворена, розповсюджена або плагіат.