Может ли AI-агент стать спасением для Web3+AI?

Проекты AI Agent в Web2 являются популярными и зрелыми типами, в основном ориентированными на услуги для бизнеса, в то время как в области Web3 проекты по обучению моделей и платформам становятся основными из-за их ключевой роли в построении экосистем.

В настоящее время количество проектов AI Agent в Web3 невелико и составляет 8%, но их доля на рынке в сегменте AI достигает 23%, что демонстрирует их сильную конкурентоспособность на рынке. Мы ожидаем, что с ростом зрелости технологий и увеличением признания на рынке в будущем появится несколько проектов с оценкой более 1 миллиарда долларов.

Для проектов Web3 внедрение технологий ИИ может стать стратегическим преимуществом для приложений, не являющихся основными ИИ. При сочетании проектов AI Agent следует уделять внимание строительству всей экосистемы и проектированию токеномики для содействия децентрализации и сетевым эффектам.

Волна ИИ: текущее состояние появления проектов и роста оценок

С момента появления ChatGPT в ноябре 2022 года в течение всего лишь двух месяцев он привлек более ста миллионов пользователей, а к маю 2024 года месячный доход ChatGPT достиг впечатляющих 20,3 миллиона долларов США. После выпуска ChatGPT OpenAI также быстро представила итерационные версии, такие как GPT-4 и GP4-4o. В такой стремительной ситуации традиционные технологические гиганты осознали важность применения передовых AI моделей, таких как LLM, и начали выпускать свои собственные AI модели и приложения. Например, Google выпустила большой языковой модель PaLM2, Meta представила Llama3, а китайские компании выпустили такие большие модели, как Вэньсинь Ийян и Чжипу Циньян. Очевидно, что область AI стала полем битвы для многих.

Соревнование крупных технологических гигантов не только способствует развитию коммерческих приложений, но и, по данным исследования открытых AI, AI Index report 2024 года показывает, что количество проектов, связанных с AI, на GitHub увеличилось с 845 в 2011 году до около 1.8 миллиона в 2023 году. Особенно после выпуска GPT в 2023 году количество проектов увеличилось на 59.3% по сравнению с прошлым годом, что отражает увлечение глобального сообщества разработчиков исследованиями в области AI.

Страсть к технологиям ИИ напрямую отражается на инвестиционном рынке, рынок инвестиций в ИИ демонстрирует сильный рост, в втором квартале 2024 года происходит взрывной рост. В мире было 16 сделок по инвестициям в ИИ на сумму более 150 миллионов долларов, что вдвое больше, чем в первом квартале. Общая сумма финансирования стартапов в области ИИ возросла до 24 миллиардов долларов, что более чем вдвое больше по сравнению с прошлым годом. Среди них xAI, принадлежащее Маску, привлекло 6 миллиардов долларов, а его оценка составила 24 миллиарда долларов, что делает его вторым по величине стартапом в области ИИ после OpenAI по оценке.

Быстрый рост технологий ИИ в настоящее время перепрофилирует ландшафт технологической сферы с беспрецедентной скоростью. От ожесточенной борьбы между технологическими гигантами до бурного развития проектов в открытом сообществе и горячего интереса со стороны капитальных рынков к концепции ИИ. Проекты появляются один за другим, объемы инвестиций достигают рекордов, а оценки также растут. В целом, рынок ИИ находится в золотую эру быстрого роста, крупные языковые модели и технологии генерации с улучшенным поиском достигли значительного прогресса в области обработки языка. Тем не менее, эти модели по-прежнему сталкиваются с вызовами при преобразовании технологических преимуществ в реальные продукты, такими как неопределенность выводов модели, риск генерации неточной информации и проблемы с прозрачностью модели. Эти проблемы становятся особенно важными в сценариях применения, где требования к надежности крайне высоки.

В этом контексте мы начали исследование AI Agent, так как AI Agent подчеркивает полноту решения практических проблем и взаимодействия с окружающей средой. Этот переход знаменует собой эволюцию технологий AI от чисто языковых моделей к интеллектуальным системам, которые действительно понимают, учатся и решают реальные проблемы. Таким образом, мы видим надежду в развитии AI Agent, который постепенно сокращает разрыв между технологиями AI и решением практических проблем. Эволюция технологий AI постоянно перестраивает архитектуру производительности, в то время как технологии Web3 реконструируют производственные отношения цифровой экономики. Когда три основных элемента AI: данные, модели и вычислительная мощность, объединяются с основными концепциями Web3, такими как децентрализация, токеномика и смарт-контракты, мы предвосхищаем появление целого ряда инновационных приложений. В этой перспективной пересекающейся области мы считаем, что AI Agent, обладая способностью к самостоятельному выполнению задач, демонстрирует огромный потенциал для масштабного применения.

Для этого мы начали углубленное исследование разнообразных приложений AI Agent в Web3, начиная с инфраструктуры Web3, промежуточного ПО и прикладного уровня, и охватывая такие аспекты, как рынки данных и моделей, с целью выявления и оценки наиболее перспективных типов проектов и сценариев применения, чтобы глубже понять глубокую интеграцию AI и Web3.

Пояснение концепции: Введение и обзор классификации AI-агентов

Основное введение

Перед тем как представить AI Agent, чтобы читатели лучше поняли различие между его определением и самой моделью, мы приведем пример на основе реальной ситуации: предположим, вы планируете поездку. Традиционные крупные языковые модели предоставляют информацию о местах назначения и советы по путешествиям. Технология, основанная на извлечении и генерации, может предложить более богатый и конкретный контент о местах назначения. AI Agent подобен Джарвису из фильма о Железном человеке: он понимает потребности и может по вашему запросу активно искать рейсы и отели, выполнять операции бронирования и добавлять поездку в календарь.

В настоящее время в отрасли широко распространено определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и действовать в соответствии с ней, получая информацию об окружающей среде с помощью датчиков, обрабатывая её и воздействуя на окружающую среду через исполнительные механизмы (Stuart Russell \u0026 Peter Norvig, 2020). Мы считаем, что AI Agent — это помощник, который объединяет в себе LLM, RAG, память, планирование задач и возможности использования инструментов. Он способен не только предоставлять информацию, но также планировать, разбивать задачи и действительно выполнять их.

Согласно этому определению и характеристикам, мы можем обнаружить, что AI-агенты уже интегрированы в нашу жизнь и применяются в различных сценариях, таких как AlphaGo, Siri и автоматическое вождение уровня L5 и выше от Tesla, которые могут рассматриваться как примеры AI-агентов. Общая черта этих систем заключается в том, что они способны воспринимать внешние пользовательские вводы и соответственно влиять на реальную среду.

В качестве примера для прояснения концепции, мы должны четко указать, что Transformer является технической архитектурой, составляющей AI-модели, GPT — это серия моделей, развивающихся на основе этой архитектуры, а GPT-1, GPT-4 и GPT-4o представляют собой версии модели на различных стадиях развития. ChatGPT, в свою очередь, является AI-агентом, который эволюционировал на основе модели GPT.

Обзор категорий

На данный момент на рынке AI-агентов не сформированы единые стандарты классификации. Мы провели маркировку 204 проектов AI-агентов в рынках Web2 и Web3, исходя из их заметных тегов, и разделили их на первичную и вторичную классификацию. Первичная классификация состоит из трех категорий: инфраструктура, генерация контента и взаимодействие с пользователем, а затем осуществляется дополнительная сегментация в зависимости от их фактического применения:

Инфраструктурные проекты: этот тип сосредоточен на создании более базового контента в области агентов, включая платформы, модели, данные, инструменты разработки, а также более зрелые и базовые приложения для B2B-сервисов.

• Инструменты для разработки: предоставляют разработчикам вспомогательные инструменты и фреймворки для создания AI-агентов.

• Обработка данных: обработка и анализ данных в различных форматах, в основном используется для поддержки принятия решений и предоставления источников для обучения.

• Класс обучения моделей: предоставляет услуги по обучению моделей для ИИ, включая вывод, создание модели, настройки и т.д.

• Услуги для B-класса: в основном ориентированы на корпоративных пользователей, предоставляя корпоративные, вертикальные и автоматизированные решения.

• Платформы объединенного типа: платформы, интегрирующие различные услуги и инструменты AI Agent.

Интерактивные агенты: похожи на агенты по генерации контента, но отличаются тем, что обеспечивают постоянное двустороннее взаимодействие. Интерактивные агенты не только принимают и понимают потребности пользователей, но и предоставляют обратную связь с помощью технологий обработки естественного языка (NLP), реализуя двустороннее взаимодействие с пользователем.

• Эмоциональное сопровождение: AI-агент, обеспечивающий эмоциональную поддержку и сопровождение.

• GPT-класс: AI-агент на основе модели GPT (генеративный предварительно обученный трансформер).

• Поисковые агенты: сосредоточены на функции поиска, предоставляя более точные результаты информации.

Генерация контента: Эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента по указаниям пользователей, делятся на четыре категории: генерация текста, генерация изображений, генерация видео и генерация аудио.

Анализ текущего состояния развития Web2 AI Agent

Согласно нашей статистике, разработка AI-агентов в традиционном интернете Web2 демонстрирует явную тенденцию к концентрации в определенных секторах. В частности, около двух третей проектов сосредоточены в области инфраструктуры, причем основными являются B2B-сервисы и инструменты для разработчиков, мы также провели некоторый анализ этого явления.

Влияние зрелости технологий: проекты инфраструктуры занимают доминирующее положение в первую очередь благодаря своей зрелости технологий. Эти проекты обычно основаны на проверенных временем технологиях и рамках, что снижает сложности и риски разработки. Это эквивалентно "лопате" в области ИИ, обеспечивая надежную основу для разработки и применения ИИ-агентов.

Движение рыночного спроса: еще один ключевой фактор - это рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ в корпоративном секторе более настоятельный, особенно в поиске решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежный поток от компаний относительно стабилен, что способствует разработке последующих проектов.

Ограничения в области применения: В то же время мы отмечаем, что применение AI для генерации контента на B-рынке относительно ограничено. Из-за нестабильности его продукции предприятия предпочитают те приложения, которые могут стабильно повышать производительность. Это приводит к тому, что доля AI для генерации контента в библиотеке проектов остается небольшой.

Эта тенденция отражает зрелость технологий, рыночные потребности и реальные соображения применения. С постоянным развитием технологий ИИ и дальнейшим уточнением рыночных потребностей, мы ожидаем, что эта структура может измениться, но инфраструктурные решения все равно останутся прочной основой для развития ИИ-агентов.

! [Может ли AI Agent стать спасением для Web3+AI?] ](https://img-cdn.gateio.im/webp-social/moments-e6a79357ac5352b3f76e4764156120c9.webp)

Анализ ведущего проекта AI Agent в Web2

Мы глубоко исследуем некоторые текущие проекты AI Agent на рынке Web2 и анализируем их, используя в качестве примеров три проекта: Character AI, Perplexity AI и Midjourney.

ИИ персонажа:

Описание продукта: Character.AI предлагает систему диалогов на основе искусственного интеллекта и инструменты для создания виртуальных персонажей. Платформа позволяет пользователям создавать, обучать и взаимодействовать с виртуальными персонажами, которые могут вести диалоги на естественном языке и выполнять конкретные задачи.

Анализ данных: Character.AI в мае имел 277 миллионов посещений, платформа насчитывает более 3,5 миллиона активных пользователей в день, большинство из которых в возрасте от 18 до 34 лет, что указывает на молодежный характер пользовательской аудитории. Character AI продемонстрировала отличные результаты на капиталовом рынке, завершив финансирование в размере 150 миллионов долларов, оценка достигла 1 миллиарда долларов, ведущее участие а16z.

Технический анализ: Character AI подписала неэксклюзивное лицензионное соглашение с материнской компанией Google Alphabet на использование своей крупной языковой модели, что указывает на то, что Character AI использует собственные технологии. Стоит отметить, что основатели компании Ноам Шазир и Даниэль Де Фрейтас ранее участвовали в разработке диалоговой языковой модели Google Llama.

Перплексити ИИ:

Описание продукта: Perplexity может извлекать и предоставлять подробные ответы из Интернета. Он обеспечивает надежность и точность информации с помощью ссылок и референсных ссылок, а также обучает и направляет пользователей на задавание дополнительных вопросов и поиск ключевых слов, удовлетворяя разнообразные запросы пользователей.

Анализ данных: Количество активных пользователей Perplexity достигло 10 миллионов, а посещаемость его мобильных и настольных приложений в феврале увеличилась на 8,6%, привлечя около 50 миллионов пользователей. На капиталовом рынке Perplexity AI недавно объявила о привлечении 62,7 миллиона долларов финансирования, оценка компании достигла 1,04 миллиарда долларов, инвестором выступил Дэниел Гросс, среди участников - Стэн Друкенмиллер и NVIDIA.

Технический анализ: Основная модель, используемая Perplexity, - это доработанная версия GPT-3.5, а также две крупные модели, основанные на доработанных открытых больших моделях: pplx-7b-online и pplx-70b-online. Модели подходят для профессиональных академических исследований и запросов в узких областях, обеспечивая достоверность и надежность информации.

В середине путешествия:

Описание продукта: Пользователи могут создавать изображения различных стилей и тем с помощью Prompts в Midjourney, охватывающих от реалистичных до