Исследовательский отчёт OKX Ventures: Разбор 10+ проектов, поможем разобраться в ландшафте AI Agent (Часть 1)

Сектор ИИ переживает эволюцию от спекулятивного ажиотажа до реального внедрения приложений.

Ранние токены AI Meme воспользовались всплеском интереса к теме ИИ, тогда как сейчас появляются более функциональные инструменты для торговли ИИ, интеллектуального инвестиционного анализа и исполнителей on-chain ИИ. От стратегий снайпинга on-chain на основе ИИ до автономного выполнения задач on-chain агентом AI Agent и оптимизации доходности DeFi, генерируемой ИИ, влияние сектора ИИ быстро растет.

Но большинство видит экспоненциальный рост капитализации токенов ИИ, но не может найти систему координат для расшифровки их логики ценности. Какие сектора ИИ обладают долгосрочной жизнеспособностью? Является ли DeFAI лучшим применением ИИ? Каковы критерии оценки проектов ИИ?...... Последний исследовательский отчет OKX Ventures глубоко разбирает карту развития сектора ИИ, от анализа концепций, истории эволюции, секторов применения до кейсов проектов, надеясь дать некоторое вдохновение и пищу для размышлений关于 понимании ценности ИИ.

Содержание этого отчета довольно обширное, для удобства чтения мы разделили его на две части: (верхнюю) и (нижнюю). Это «верхняя часть».

Читайте также: «Отчет OKX Ventures: Разбор 10+ проектов, помогаем понять карту AI Agent (нижняя часть)»

1. Об AI Agent

AI Agent — это интеллектуальная сущность, обладающая способностью воспринимать окружающую среду, принимать решения и выполнять соответствующие действия. В отличие от традиционных систем искусственного интеллекта, AI-агенты способны独立思考 и использовать инструменты, постепенно достигая определенных целей, что дает им более высокую автономность и гибкость при处理 сложных задач.

Проще говоря, AI-агент — это представитель, управляемый технологиями искусственного интеллекта, его рабочий процесс включает: модуль восприятия (сбор входных данных), большую языковую модель (понимание, рассуждение и планирование), вызов инструментов (выполнение задач), а также обратную связь и оптимизацию (проверка и корректировка).

OpenAI определяет AI-агента как систему, основанную на больших языковых моделях, обладающую способностями к автономному пониманию, восприятию, планированию, памяти и использованию инструментов, способную автоматизировать выполнение сложных задач. В отличие от традиционного искусственного интеллекта, AI-агент может постепенно выполнять поставленные цели благодаря независимому мышлению и вызову инструментов.

Определение AI Agent можно обобщить следующими ключевыми элементами: Восприятие (Perception), AI Agent воспринимает окружающую среду через сенсоры, камеры или другие输入设备, получая необходимую информацию; Понимание и рассуждение (Reasoning), он способен анализировать воспринятую информацию и проводить сложные рассуждения, чтобы принимать разумные решения; Принятие решений (Decision-making), на основе результатов анализа AI Agent может разрабатывать план действий, выбирая最佳执行路径; Действие (Action), наконец, AI Agent выполняет разработанный план, взаимодействуя с другими системами через вызов внешних инструментов или интерфейсов, достигая预定目标.

Принцип работы и процесс AI Agent обычно включают следующие шаги: Во-первых, ввод информации, получение информации из окружающей среды, такой как команды пользователя, данные сенсоров и т.д.; Затем, обработка данных, использование встроенных алгоритмов и моделей для обработки входных данных,结合其记忆系统（краткосрочная и долгосрочная память）для понимания текущего состояния; Затем, планирование, на основе результатов обработки AI Agent разбивает большую задачу на управляемые小任务 и разрабатывает конкретный план выполнения. На этапе выполнения AI Agent вызывает внешние API или инструменты, реализует свой план и监控执行过程, чтобы убедиться, что задача выполнена как预期; Наконец, обратная связь и обучение, после завершения задачи AI Agent проводит саморефлексию и обучение на основе результатов, тем самым улучшая качество будущих решений.

2. Эволюция

Путь эволюции токенов ИИ демонстрирует переход от初期“MEME”现象 к глубокой технологической интеграции. Изначально многие токены привлекали внимание пользователей благодаря краткосрочному концептуальному ажиотажу и хайпу в социальных сетях, подобно интернет-мемам. Однако по мере созревания рынка токены ИИ постепенно развивались в сторону более практичных и продвинутых функций, постепенно избавляясь от чистой спекулятивной модели и трансформируясь в настоящие блокчейн-финансовые инструменты и платформы анализа данных. Мы глубоко изучим, как эти токены из концептуального существования постепенно превращались в технические продукты с реальной практической ценностью.

Этап 1: AI Meme (Период неопределенности)

早期的 токены ИИ существовали в основном в форме “MEME”, такие токены, как $GOAT, $ACT, $FARTCOIN, не имели реального применения или функциональности, их ценность в основном зависела от концептуального ажиотажа и рыночных настроений. На этом этапе использование токенов было неясным, рынок и пользователи мало знали об их потенциале, популярность токенов больше зависела от распространения в социальных сетях и краткосрочных спекуляций, демонстрируя таинственный и непредсказуемый характер.

Этап 2: Социализация (Период исследования)

По мере роста внимания рынка к токенам ИИ, эти токены начали发力 в социальной сфере. Например, токены $LUNA, $BULLY привлекали пользователей к участию через усиленные социальные функции. На этом этапе токены существовали не только как инструмент спекуляции, но и начали интегрироваться с社区驱动 и социальным взаимодействием, стимулируя рост рынка. Использование токенов постепенно расширилось от простой функции “собеседника”, начав исследовать функции, тесно связанные с социальными потребностями пользователей, формируя более разнообразные социальные属性.

Этап 3: Вертикальные области (Период углубления функциональности)

Токены ИИ начали脱离 от простых социальных и спекулятивных моделей, углубленно исследуя сценарии применения в вертикальных областях. Токены, такие как $AIXBT и $ZEREBRO, постепенно наделяли токены функциональностью через комбинацию с блокчейном, DeFi или инструментами для творчества, делая их не просто инструментами спекуляции, а цифровыми активами с четкими функциями и целями. Этот этап знаменует развитие токенов ИИ в направлении большей эффективности и профессионализма, постепенно формируя их уникальное рыночное положение.

Этап 3.5: Инфраструктура (Период совершенствования технологий)

По мере углубления применения токенов, токены ИИ начали着力 строить более прочную техническую инфраструктуру. Присоединение токенов, таких как $AI16Z, $EMP,进一步推动了 оптимизацию функций токенов. Токены не только фокусировались на экономических стимулах и практических функциях, но и начали уделять внимание строительству инфраструктуры, такой как跨链 технологии, децентрализованные приложения, комбинация с оборудованием, постепенно закладывая технический фундамент для своего будущего устойчивого развития.

Этап 4: Анализ данных (Период зрелости)

Вступив в период зрелости, токены ИИ постепенно стабилизировались на рынке, начали интегрировать более сложные функции крипто-инвестиционного анализа, способствуя совершенствованию экосистемы токенов и структур управления. Токены $TRISIG и $COOKIE больше не являются простыми инструментами, они стали частью экономической системы, широко применяясь в областях анализа данных, управления сообществом и инвестиционных решений высокого уровня. В это время функции токенов ИИ постепенно повышались, они уже могли предоставлять рынку глубокий анализ и поддержку принятия решений, становясь важными активами на крипторынке.

Этап 4.5: Финансовые приложения (Период интеграции экосистемы)

С дальнейшим развитием сферы DeFi, интеграция токенов ИИ в финансовые приложения становится все глубже, порождая новую концепцию “DeFAI”. Благодаря искусственному интеллекту, сложные операции DeFi становятся проще, обычные пользователи также могут легко участвовать в финансовых活动 on-chain. Представительные токены, такие как $GRIFFAIN, $ORBIT, $AIXBT, постепенно сформировали на рынке полную цепочку от базовых функций до сложных финансовых услуг, оптимизировали взаимодействие on-chain, снизили порог участия, принес用户 больше возможностей и удобства.

3. Фреймворки AI Agent

(1) Сравнение данных Web3 и Web2

Когда AI Agent Web2 конкурируют в алгоритмах рекомендаций, полигон испытаний Web3 также孕育更多 инноваций AI Agent. Но данные показывают, что проекты Web3 и Web2 демонстрируют явные различия в распределении контрибьюторов, коммитах кода и ситуации с GitHub Stars. Сравнивая данные проектов Web3 и Web2, мы можем лучше понять текущее состояние обоих в方面 технологических инноваций, активности сообщества и принятия рынком. Особенно на платформе GitHub, активность и популярность этих проектов предоставляют нам важные индикаторы, помогая洞察 будущие тенденции развития технологий и изменения экосистемы сообщества.

Что касается участия разработчиков, количество контрибьюторов проектов Web2 явно выше, чем у проектов Web3. Конкретно, контрибьюторов проектов Web3 составляет 575 человек, в то время как контрибьюторов проектов Web2多达 9,940 человек, что отражает зрелость экосистемы Web2 и более широкую базу разработчиков. Топ-3 проекта по количеству контрибьюторов: Starkchain 3,102 контрибьютора; Informers-agents 3,009 контрибьюторов; Llamaindex 1,391 контрибьютор.

Что касается распределения коммитов кода. Объем коммитов проектов Web2 также явно выше, чем у проектов Web3. Общее количество коммитов проектов Web3 составляет 9,238 раз, в то время как проекты Web2 достигают 40,151 раза, что указывает на более высокую активность разработки проектов Web2 и более стабильную частоту обновлений. Топ-3 проекта по объему коммитов: ElipsOS лидирует с 5,905 коммитами; за ним следует Dust, сделавший 5,602 коммита кода; LangChain занимает третье место с 5,506 коммитами.

Что касается распределения GitHub Stars. Популярность проектов Web2 на GitHub далеко превосходит проекты Web3, проекты Web2累计 получили 526,747 звезд, в то время как проекты Web3 получили 15,676 звезд. Этот разрыв отражает широкое признание проектов Web2 в сообществе разработчиков и долгосрочное накопленное рыночное влияние. Топ-3 проекта по количеству звезд: JS Agents несомненно是最受欢迎的, получив 137,534 звезды; за ним следует LangChain, занимающий второе место с 98,184 звездами; MetaGPT занимает третье место, получив 46,676 звезд.

В целом, проекты Web2 явно лидируют по количеству контрибьюторов и частоте коммитов кода, демонстрируя свою зрелую и стабильную экосистему. Огромная база разработчиков и постоянные технологические инновации позволяют проектам Web2 сохранять сильную конкурентоспособность на рынке. По сравнению с этим, хотя количество контрибьюторов проектов Web3 меньше, некоторые проекты выделяются по частоте коммитов кода, что указывает на наличие стабильной核心开发团队 и способность постоянно продвигать развитие проекта. Экосистема Web3, хотя в настоящее время较为初步, но ее потенциал нельзя недооценивать, постепенно формирующееся сообщество разработчиков и база пользователей закладывают прочный фундамент для будущего роста.

Что касается популярности проектов, распределение GitHub Stars раскрывает важную роль JavaScript и Python в разработке фреймворков AI-агентов. JS Agents и LangChain являются самыми популярными проектами, что показывает, что тенденция сочетания ИИ и криптовалют привлекает широкое внимание. Хотя количество звезд проектов Web3 далеко ниже проектов Web2, некоторые проекты Web3, такие как MetaGPT, все же показывают неплохие результаты, завоевав признание разработчиков. В целом, хотя проекты Web3 находятся на этапе догоняния, по мере дальнейшего созревания технологий и расширения экосистемы, их положение на будущем рынке有望稳步提升.

(2) Основные фреймворки AI Agent в блокчейне

Источник данных: https://www.aiagenttoolkit.xyz/#frameworks

(3) Проблемы, с которыми сталкиваются существующие блокчейн-фреймворки AI Agent

Конкурентное преимущество крупных технологических компаний.

OpenAI, Google, Microsoft и другие технологические гиганты быстро запускают официальные многоинструментальные агенты, обладая мощными финансовыми и техническими преимуществами, они в любой момент могут占领 рынок и маргинализировать стартап-фреймворки. Благодаря глубокой интеграции больших языковых моделей (LLM), облачных сервисов и экосистемы инструментов, эти крупные компании могут предоставлять комплексные и эффективные решения, делая мелкие и средние фреймворки面临更大的 конкурентное давление, пространство для выживания сильно сжимается.

Недостаточная стабильность и сопровождаемость.

В настоящее время все AI-агенты普遍 сталкиваются с высокой частотой ошибок и проблемами “галлюцинаций”, особенно при многократном вызове моделей, легко возникают бесконечные циклы или баги совместимости. Как только агенту требуется выполнить несколько подзадач, эти ошибки часто усиливаются слой за слоем, приводя к нестабильности системы. Для корпоративных приложений, требующих высокой надежности, эти фреймворки в настоящее время трудно обеспечивают достаточную стабильность и гарантию производственного уровня, что ограничивает их широкое применение в реальной коммерческой среде.

Высокие затраты и проблемы с производительностью.

Процесс агентирования обычно требует большого количества вызовов推理 (таких как циклическая самопроверка, функции инструментов и т.д.), и если底层依赖 такие большие модели, как GPT-4, это сталкивается с высокими затратами на вызовы и часто не может удовлетворить потребности в быстром ответе. Хотя некоторые фреймворки пытаются комбинировать открытые модели для локального推理, чтобы снизить затраты, этот способ все еще зависит от мощных вычислительных ресурсов, и качество результатов推理 трудно стабилизировать, требуется профессиональная команда для постоянной оптимизации, чтобы обеспечить надежность и производительность системы.

Недостаточность экосистемы разработки и гибкости.

В настоящее время эти фреймворки AI-агентов缺乏 единых стандартов в языке разработки и расширяемости, что приводит к一定的困惑和限制 для разработчиков при выборе. Например, Eliza использует TypeScript, хотя легко начать, но расширяемость в сценариях высокой сложности较差; Rig использует Rust, производительность отличная, но порог обучения высокий; ZerePy (ZEREBRO) основан на Python, подходит для приложений генерации творчества, но функции относительно ограничены. Другие фреймворки, такие как AIXBT и Griffain, больше фокусируются на конкретных блокчейнах или вертикальных областях применения, рыночная валидация еще требует времени. Разработчики часто должны делать выбор между простотой использования, производительностью и адаптацией к多平台 среди этих фреймворков, что влияет на их гибкость и потенциал развития в более широком применении.

Риски безопасности и соответствия требованиям.

Многоагентные системы при доступе к внешним API, выполнении ключевых транзакций或 принятии автоматизированных решений легко возникают安全隐患, такие как вызовы сверх полномочий, утечка конфиденциальности или операции с уязвимостями. Многие фреймворки еще не достаточно совершенны в обработке стратегий безопасности и записей аудита, особенно в корпоративных или финансовых сценариях применения, эти проблемы крайне突出, трудно удовлетворить строгие требования соответствия. Это делает систему при фактическом развертывании可能面临极大的法律风险和数据安全挑战.

Учитывая вышеупомянутые проблемы, многие практикующие считают, что текущие фреймворки AI Agent могут быть进一步 сжаты под давлением “следующего технологического прорыва” или “интегрированных решений крупных компаний”. Однако есть также мнение, что стартап-фреймворки в определенных областях, таких как сценарии on-chain, генерация творчества или интеграция плагинов сообщества, все еще могут发挥 уникальную ценность.只要能够在 надежности, контроле затрат и строительстве экосистемы добиться прорыва, эти фреймворки все еще могут найти可行的发展路径 за пределами экосистемы крупных компаний. В целом, как решить две большие проблемы “высокие затраты, легко ошибиться” и “реализация гибкости多场景”, будет ключевым вызовом для всех фреймворков AI Agent.

3. Направления развития AI Agent

Распространение мультимодального ИИ

 С быстрым развитием технологий мультимодальный ИИ постепенно становится ключевой движущей силой в различных отраслях. Мультимодальный ИИ способен обрабатывать различные формы данных, такие как текст, изображения, видео и аудио, что демонстрирует огромный потенциал в多个领域. Особенно в медицинской сфере, путем интеграции медицинских записей, данных изображений и геномной информации, мультимодальный ИИ может предоставить поддержку для реализации персонализированной медицины, помогая врачам более точно разрабатывать планы лечения для пациентов. В розничной торговле и производстве,借助 этой технологии, ИИ может оптимизировать производственные процессы, повысить эффективность, одновременно улучшая клиентский опыт, тем самым усиливая конкурентоспособность предприятий. С повышением данных и вычислительных мощностей, ожидается, что мультимодальный ИИ будет发挥 свою трансформационную роль в большем количестве отраслей, способствуя быстрой итерации технологий и расширению применения.

Воплощенный интеллект и автономный интеллект

Воплощенный интеллект (Embodied AI) относится к системам искусственного интеллекта, которые понимают и адаптируются к окружающей среде через восприятие и взаимодействие с физическим миром. Эта технология кардинально изменит направление развития роботов и заложит фундамент для их普及 в автономном вождении, умных городах и других сценариях применения. 2025 год считается “годом воплощенного интеллекта”, ожидается, что эта технология будет широко применена в多个领域. Наделяя роботов способностями восприятия, понимания и автономного принятия решений, воплощенный интеллект будет способствовать глубокой интеграции физического мира и цифрового мира, тем самым повышая производительность и способствуя интеллектуальному развитию всех отраслей. Будь то личные помощники, автомобили с автономным вождением или умные заводы, воплощенный интеллект изменит способ взаимодействия людей с машинами.

Возникновение AI-агентов (Agentic AI)

AI-агенты (Agentic AI) относятся к системам искусственного интеллекта, способным самостоятельно выполнять сложные задачи. Эти AI-агенты трансформируются из ранних простых инструментов ответа на запросы в более продвинутые системы автономного принятия решений, широко применяясь в оптимизации бизнес-процессов, обслуживании клиентов и промышленной автоматизации. Например, AI-агенты могут самостоятельно обрабатывать запросы клиентов, предоставлять персонализированные услуги и даже принимать оптимизированные решения. В промышленной автоматизации AI-агенты могут监控 состояние работы оборудования, предсказывать неисправности и вносить корректировки или修复 до появления проблем. По мере созревания AI-агентов их применение в различных отраслях станет более глубоким, становясь важным инструментом для повышения эффективности и снижения затрат.

Применение ИИ в научных исследованиях

Внедрение ИИ ускоряет прогресс научных исследований, особенно в области сложного анализа данных. AI4S (AI for Science) стал новой исследовательской тенденцией, используя глубокий анализ данных большими моделями, ИИ помогает исследователям突破 ограничения традиционных исследований. В областях биомедицины, материаловедения и энергетических исследований применение ИИ способствует прорывам в фундаментальной науке. Ярким примером является AlphaFold, который через предсказание структуры белков решил难题, долго беспокоившие ученых, значительно продвинув прогресс биомедицинских исследований. В будущем ИИ будет играть все более важную роль в продвижении научного прогресса, открытии новых материалов и лекарств.

Безопасность и этика ИИ

С普及 технологий ИИ, вопросы безопасности и этики ИИ постепенно становятся фокусом глобального внимания. Прозрачность решений систем ИИ, справедливость и потенциальные安全隐患 вызвали широкие обсуждения. Чтобы обеспечить устойчивое развитие технологий ИИ, предприятия и правительства усиливают усилия по созданию совершенных框架 управления, чтобы эффективно управлять рисками при продвижении технологических инноваций. Особенно в областях автоматизированного принятия решений, конфиденциальности данных и автономных систем, как сбалансировать технический прогресс и социальную ответственность, становится ключом к обеспечению положительного влияния технологий ИИ. Это не только вызов технического развития, но и важный вопрос на моральном и юридическом уровнях, влияющий на роль и статус ИИ в будущем обществе.

В «нижней части» отчета мы подробно представим применение AI Agent и таблицу проектов, а также предоставим框架 оценки, пожалуйста, следите за обновлениями.

Отказ от ответственности

Это содержание предназначено только для справки, не构成 и не должно рассматриваться как (i) инвестиционный совет или рекомендация, (ii) предложение или solicitation покупки, продажи или持有 цифровых активов, или (iii) финансовый, бухгалтерский, юридический или налоговый совет. Мы не гарантируем точность, полноту или полезность этой информации. Цифровые активы (включая стейблкоины и NFT) подвержены влиянию рыночных колебаний, связаны с высокими рисками, могут обесцениться или даже стать бесполезными. Вы должны тщательно рассмотреть, подходит ли вам交易 или持有 цифровых активов, в зависимости от вашего финансового положения и толерантности к рискам. По вопросам вашей конкретной ситуации проконсультируйтесь с вашими юридическими/налоговыми/инвестиционными профессионалами. Не все продукты доступны во всех регионах. Для получения дополнительной информации请参阅 условия обслуживания OKX и раскрытие рисков & отказ от ответственности. Мобильный кошелек OKX Web3 и его производные услуги регулируются отдельными условиями обслуживания. Вы несете ответственность за понимание и соблюдение местных применимых законов и нормативных актов.