Может ли AI-агент стать спасательным кругом для Web3+AI?
Проекты AI Agent в Web2 в основном популярны и развиты в сегменте корпоративных услуг, тогда 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 AI достигает 23%, что демонстрирует их сильную конкурентоспособность на рынке. Мы ожидаем, что с развитием технологий и ростом 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 продуктов на стороне приложения, не относящихся к ядру ИИ. При сочетании проектов AI Agent следует уделять внимание построению всей экосистемы и проектированию токеномики с целью содействия децентрализации и сетевым эффектам.
Волна ИИ: текущее состояние появления проектов и повышения оценок
С момента появления ChatGPT в ноябре 2022 года он привлек более ста миллионов пользователей всего за два месяца, а к маю 2024 года месячный доход ChatGPT достиг поразительных 20,3 миллиона долларов, в то время как OpenAI быстро выпустила такие итерационные версии, как GPT-4 и GP4-4o после запуска ChatGPT. В условиях такой стремительной динамики ведущие традиционные технологические гиганты осознали важность применения самых передовых AI моделей, таких как LLM, и поспешили представить свои собственные AI модели и приложения. Например, Google выпустила крупномасштабную языковую модель PaLM2, Meta представила Llama3, а китайские компании выпустили такие большие модели, как Wenxin Yiyan и Zhipu Qingyan. Очевидно, что область AI стала полем битвы для всех.
Соревнование среди крупных технологических компаний не только стимулирует развитие коммерческих приложений, но и, согласно статистике исследования открытого AI, AI Index report 2024 года показывает, что количество AI-проектов на GitHub с 845 в 2011 году резко возросло до примерно 1,8 миллиона в 2023 году, особенно после выпуска GPT в 2023 году, когда количество проектов выросло на 59,3% по сравнению с прошлым годом, что отражает увлечение глобального сообщества разработчиков исследованиями AI.
Страсть к технологиям ИИ прямо отражается на инвестиционном рынке, где рынок инвестиций в ИИ демонстрирует сильный рост, с взрывным увеличением во втором квартале 2024 года. В мире было зарегистрировано 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 также резко возросла до 24 миллиардов долларов, что более чем в два раза превышает предыдущий год. Среди них xAI, принадлежащая Маску, привлекла 6 миллиардов долларов с оценкой в 24 миллиарда долларов, став второй по величине стартапом в области ИИ после OpenAI.
Быстрые темпы развития технологий ИИ в настоящее время переопределяют ландшафт технологической сферы беспрецедентными темпами. От ожесточенной конкуренции между технологическими гигантами до бурного роста проектов в открытом сообществе и горячего интереса со стороны капиталовложений к концепции ИИ. Проекты появляются один за другим, объемы инвестиций достигают рекордных уровней, а оценки также растут. В целом, рынок ИИ находится в золотую эпоху быстрого развития, где крупные языковые модели и технологии, усиленные поиском, достигли значительных успехов в области обработки языка. Тем не менее, эти модели по-прежнему сталкиваются с вызовами при преобразовании технических преимуществ в реальные продукты, такими как неопределенность вывода модели, риск генерации неточной информации и проблемы прозрачности модели. Эти проблемы становятся особенно важными в сценариях применения, где требования к надежности крайне высоки.
На этом фоне мы начали исследовать AI Agent, поскольку AI Agent подчеркивает целостность решения практических проблем и взаимодействия с окружающей средой. Этот переход ознаменовал эволюцию технологий ИИ от чисто языковых моделей к интеллектуальным системам, способным действительно понимать, обучаться и решать реальные проблемы. Таким образом, мы видим надежду в развитии AI Agent, который постепенно сокращает разрыв между технологиями ИИ и решением практических проблем. Эволюция технологий ИИ постоянно переосмысливает структуру производительных сил, в то время как технологии Web3 реконструируют производственные отношения цифровой экономики. Когда три ключевых элемента ИИ: данные, модели и вычислительная мощность, сочетаются с такими основными концепциями Web3, как децентрализация, токеномика и смарт-контракты, мы предвкушаем появление ряда инновационных приложений. В этой перспективной перекрестной области мы считаем, что AI Agent, обладая способностью самостоятельно выполнять задачи, демонстрирует огромный потенциал для масштабного применения.
В этой связи мы начали углубленное исследование разнообразных приложений AI Agent в Web3, от инфраструктуры Web3, промежуточного ПО, уровня приложений до рынков данных и моделей и других аспектов, с целью выявления и оценки наиболее перспективных типов проектов и сценариев применения для глубокого понимания глубокой интеграции AI и Web3.
Пояснение концепции: Введение в AI Agent и обзор его классификации
Основное введение
Перед тем как представить AI Agent, чтобы читатели лучше поняли различия между его определением и самой моделью, мы приведем реальный сценарий в качестве примера: предположим, вы планируете поездку. Традиционные крупные языковые модели предоставляют информацию о направлениях и советы по путешествиям. Технология, основанная на извлечении и улучшении генерации, может предоставить более богатый и конкретный контент о направлениях. AI Agent, как Джарвис из фильмов о Железном человеке, понимает ваши потребности и может активно искать рейсы и отели на основе вашего запроса, выполнять бронирования и добавлять расписание в календарь.
В настоящее время в отрасли широко распространено определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и предпринимать соответствующие действия, получая информацию об окружающей среде с помощью датчиков, обрабатывая ее и влияя на окружающую среду через исполнительные устройства (Stuart Russell & Peter Norvig, 2020). Мы считаем, что AI Agent — это помощник, который объединяет в себе возможности LLM, RAG, памяти, планирования задач и использования инструментов. Он способен не только предоставлять информацию, но и планировать, разбивать задачи и действительно их выполнять.
Согласно этому определению и характеристикам, мы можем заметить, что AI Agent давно интегрирован в нашу жизнь и применяется в различных сценариях, таких как AlphaGo, Siri, автономное вождение уровня L5 и выше от Tesla, которые можно рассматривать как примеры AI Agent. Общей чертой этих систем является то, что они могут 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, на основе которой строятся модели ИИ, а GPT - это серия моделей, развившихся на этой архитектуре; GPT-1, GPT-4 и GPT-4o представляют собой версии модели на разных этапах развития. ChatGPT, в свою очередь, является AI Agent, эволюционировавшим на основе модели GPT.
Обзор категорий
На данный момент на рынке AI-агентов еще не сформировалась единая классификационная стандартизация. Мы провели маркировку 204 проектов AI-агентов на рынках Web2 и Web3, основываясь на явных тегах каждого проекта, разделив их на первичные и вторичные категории. При этом, первичные категории включают три типа: базовая инфраструктура, генерация контента и взаимодействие с пользователями, а затем они были дополнительно сегментированы в зависимости от их реальных случаев использования:
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: предоставление разработчикам вспомогательных инструментов и фреймов для построения AI Agent.
Классы обработки данных: обработка и анализ данных в различных форматах, в основном используются для поддержки принятия решений и предоставления источников для обучения.
Модельное обучение: предоставляет услуги по обучению моделей для ИИ, включая вывод, создание и настройку моделей и т.д.
Услуги для B2B: в основном ориентированы на корпоративных пользователей, предоставляя решения для корпоративных услуг, вертикальных решений и автоматизации.
Платформа класса сборки: платформа, интегрирующая различные сервисы и инструменты AI Agent.
Интерактивные агенты: подобно агентам по генерации контента, они 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 пользователями.
Эмоциональное сопровождение: ИИ-агент, предоставляющий эмоциональную поддержку и сопровождение.
GPT-класс: ИИ-агент на базе модели GPT (генеративный предобученный трансформер).
Поисковые агенты: сосредоточены на функции поиска, предоставляя более точные результаты поиска.
Генерация контента: Эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента в соответствии с указаниями пользователей, делятся на четыре категории: текстовая генерация, генерация изображений, генерация видео и генерация аудио.
! [Может ли AI Agent стать спасением для Web3+AI?] ](https://img-cdn.gateio.im/webp-social/moments-e6a79357ac5352b3f76e4764156120c9.webp)
Анализ текущего состояния развития Web2 AI Agent
Согласно нашей статистике, разработка AI-агентов в традиционном интернете Web2 демонстрирует явную тенденцию к концентрации в определенных сегментах. В частности, около двух третей проектов сосредоточены в области инфраструктуры, среди которых преобладают B2B-сервисы и инструменты разработки, мы также провели некоторый анализ этого явления.
Влияние уровня зрелости технологий: проекты инфраструктуры занимают доминирующее положение прежде всего благодаря своей зрелости технологий. Эти проекты обычно основаны на проверенных временем технологиях и рамках, что снижает сложность и риски разработки. Это эквивалентно "лопате" в области ИИ, предоставляющей прочную основу для разработки и применения AI Agent.
Движущая сила рыночного спроса: еще один ключевой фактор - это рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ со стороны корпоративного сектора более настоятельный, особенно в поисках решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежные потоки от компаний относительно стабильны, что способствует разработке последующих проектов.
Ограничения в области применения: Тем временем мы отметили, что применение AI для генерации контента на рынке B2B относительно ограничено. Из-за нестабильности его продукции компании 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, рыночный спрос и практические соображения применения. С постоянным прогрессом технологий ИИ и дальнейшим уточнением рыночного спроса, мы ожидаем, что эта структура может быть скорректирована, но инфраструктурные решения по-прежнему останутся прочным фундаментом для развития ИИ-агентов.
Анализ ведущих проектов AI-агентов Web2
Мы глубоко исследуем некоторые текущие проекты AI Agent на рынке Web2 и анализируем их, взяв в качестве примера три проекта: Character AI, Perplexity AI и Midjourney.
ИИ персонажа:
Описание продукта: Character.AI предлагает системы диалога 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 определенные задачи.
Анализ данных: В мае Character.AI посетили 277 миллионов раз, платформа имеет более 3,5 миллионов активных пользователей в день, большая часть из которых в возрасте от 18 до 34 лет, что указывает на молодую аудиторию. Character AI показал отличные результаты на капиталовложениях, собрав 150 миллионов долларов финансирования, с оценкой в 1 миллиард долларов, возглавляемой a16z.
Технический анализ: Character AI подписала лицензионное соглашение о неэксклюзивном использовании своей крупной языковой модели с материнской компанией Google Alphabet, что указывает на то, что Character AI использует собственную технологию. Стоит отметить, что основатели компании Ноам Шазир и Даниэль де Фрейтас участвовали в разработке разговорной языковой модели Google Llama.
Перплексити ИИ:
Описание продукта: Perplexity может извлекать информацию из Интернета и предоставлять исчерпывающие ответы. Надежность и точность информации обеспечиваются благодаря цитированию и ссылкам, в то время как он обучает и направляет пользователей для дальнейших вопросов и поиска ключевых слов, удовлетворяя разнообразные запросы пользователей.
Анализ данных: Количество активных пользователей Perplexity достигло 10 миллионов в месяц, а посещаемость его мобильных и настольных приложений в феврале увеличилась на 8,6%, что привлекло около 50 миллионов пользователей. На финансовых рынках Perplexity AI недавно объявила о привлечении 62,7 миллиона долларов финансирования, оценка компании достигла 1,04 миллиарда долларов, основным инвестором стал Дэниел Гросс, участниками стали Стэн Дракенмиллер и NVIDIA.
Технический анализ: Основная модель, используемая Perplexity, - это доработанная версия GPT-3.5, а также две крупные модели, доработанные на основе открытых больших моделей: pplx-7b-online и pplx-70b-online. Модель подходит для профессиональных академических исследований и
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
8 Лайков
Награда
8
6
Поделиться
комментарий
0/400
OPsychology
· 08-06 09:30
Снаружи золото, внутри гниль.
Посмотреть ОригиналОтветить0
WalletDoomsDay
· 08-06 09:30
Оба они являются пузырем.
Посмотреть ОригиналОтветить0
TokenSherpa
· 08-06 09:30
Рынок действительно хорош.
Посмотреть ОригиналОтветить0
CoinBasedThinking
· 08-06 09:29
Смотрю на дальнейший памп
Посмотреть ОригиналОтветить0
GasFeeCrier
· 08-06 09:08
Сжигать Кошелек слишком быстро.
Посмотреть ОригиналОтветить0
AllInDaddy
· 08-06 09:07
Работа не так выгодна, как Торговля криптовалютой.
Появление проектов Web3 AI Agent, доля рыночной капитализации составляет 23%, ожидаемая оценка в миллиард долларов в будущем.
Может ли AI-агент стать спасательным кругом для Web3+AI?
Проекты AI Agent в Web2 в основном популярны и развиты в сегменте корпоративных услуг, тогда 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 AI достигает 23%, что демонстрирует их сильную конкурентоспособность на рынке. Мы ожидаем, что с развитием технологий и ростом 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 продуктов на стороне приложения, не относящихся к ядру ИИ. При сочетании проектов AI Agent следует уделять внимание построению всей экосистемы и проектированию токеномики с целью содействия децентрализации и сетевым эффектам.
Волна ИИ: текущее состояние появления проектов и повышения оценок
С момента появления ChatGPT в ноябре 2022 года он привлек более ста миллионов пользователей всего за два месяца, а к маю 2024 года месячный доход ChatGPT достиг поразительных 20,3 миллиона долларов, в то время как OpenAI быстро выпустила такие итерационные версии, как GPT-4 и GP4-4o после запуска ChatGPT. В условиях такой стремительной динамики ведущие традиционные технологические гиганты осознали важность применения самых передовых AI моделей, таких как LLM, и поспешили представить свои собственные AI модели и приложения. Например, Google выпустила крупномасштабную языковую модель PaLM2, Meta представила Llama3, а китайские компании выпустили такие большие модели, как Wenxin Yiyan и Zhipu Qingyan. Очевидно, что область AI стала полем битвы для всех.
Соревнование среди крупных технологических компаний не только стимулирует развитие коммерческих приложений, но и, согласно статистике исследования открытого AI, AI Index report 2024 года показывает, что количество AI-проектов на GitHub с 845 в 2011 году резко возросло до примерно 1,8 миллиона в 2023 году, особенно после выпуска GPT в 2023 году, когда количество проектов выросло на 59,3% по сравнению с прошлым годом, что отражает увлечение глобального сообщества разработчиков исследованиями AI.
Страсть к технологиям ИИ прямо отражается на инвестиционном рынке, где рынок инвестиций в ИИ демонстрирует сильный рост, с взрывным увеличением во втором квартале 2024 года. В мире было зарегистрировано 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 также резко возросла до 24 миллиардов долларов, что более чем в два раза превышает предыдущий год. Среди них xAI, принадлежащая Маску, привлекла 6 миллиардов долларов с оценкой в 24 миллиарда долларов, став второй по величине стартапом в области ИИ после OpenAI.
Быстрые темпы развития технологий ИИ в настоящее время переопределяют ландшафт технологической сферы беспрецедентными темпами. От ожесточенной конкуренции между технологическими гигантами до бурного роста проектов в открытом сообществе и горячего интереса со стороны капиталовложений к концепции ИИ. Проекты появляются один за другим, объемы инвестиций достигают рекордных уровней, а оценки также растут. В целом, рынок ИИ находится в золотую эпоху быстрого развития, где крупные языковые модели и технологии, усиленные поиском, достигли значительных успехов в области обработки языка. Тем не менее, эти модели по-прежнему сталкиваются с вызовами при преобразовании технических преимуществ в реальные продукты, такими как неопределенность вывода модели, риск генерации неточной информации и проблемы прозрачности модели. Эти проблемы становятся особенно важными в сценариях применения, где требования к надежности крайне высоки.
На этом фоне мы начали исследовать AI Agent, поскольку AI Agent подчеркивает целостность решения практических проблем и взаимодействия с окружающей средой. Этот переход ознаменовал эволюцию технологий ИИ от чисто языковых моделей к интеллектуальным системам, способным действительно понимать, обучаться и решать реальные проблемы. Таким образом, мы видим надежду в развитии AI Agent, который постепенно сокращает разрыв между технологиями ИИ и решением практических проблем. Эволюция технологий ИИ постоянно переосмысливает структуру производительных сил, в то время как технологии Web3 реконструируют производственные отношения цифровой экономики. Когда три ключевых элемента ИИ: данные, модели и вычислительная мощность, сочетаются с такими основными концепциями Web3, как децентрализация, токеномика и смарт-контракты, мы предвкушаем появление ряда инновационных приложений. В этой перспективной перекрестной области мы считаем, что AI Agent, обладая способностью самостоятельно выполнять задачи, демонстрирует огромный потенциал для масштабного применения.
В этой связи мы начали углубленное исследование разнообразных приложений AI Agent в Web3, от инфраструктуры Web3, промежуточного ПО, уровня приложений до рынков данных и моделей и других аспектов, с целью выявления и оценки наиболее перспективных типов проектов и сценариев применения для глубокого понимания глубокой интеграции AI и Web3.
Пояснение концепции: Введение в AI Agent и обзор его классификации
Основное введение
Перед тем как представить AI Agent, чтобы читатели лучше поняли различия между его определением и самой моделью, мы приведем реальный сценарий в качестве примера: предположим, вы планируете поездку. Традиционные крупные языковые модели предоставляют информацию о направлениях и советы по путешествиям. Технология, основанная на извлечении и улучшении генерации, может предоставить более богатый и конкретный контент о направлениях. AI Agent, как Джарвис из фильмов о Железном человеке, понимает ваши потребности и может активно искать рейсы и отели на основе вашего запроса, выполнять бронирования и добавлять расписание в календарь.
В настоящее время в отрасли широко распространено определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и предпринимать соответствующие действия, получая информацию об окружающей среде с помощью датчиков, обрабатывая ее и влияя на окружающую среду через исполнительные устройства (Stuart Russell & Peter Norvig, 2020). Мы считаем, что AI Agent — это помощник, который объединяет в себе возможности LLM, RAG, памяти, планирования задач и использования инструментов. Он способен не только предоставлять информацию, но и планировать, разбивать задачи и действительно их выполнять.
Согласно этому определению и характеристикам, мы можем заметить, что AI Agent давно интегрирован в нашу жизнь и применяется в различных сценариях, таких как AlphaGo, Siri, автономное вождение уровня L5 и выше от Tesla, которые можно рассматривать как примеры AI Agent. Общей чертой этих систем является то, что они могут 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, на основе которой строятся модели ИИ, а GPT - это серия моделей, развившихся на этой архитектуре; GPT-1, GPT-4 и GPT-4o представляют собой версии модели на разных этапах развития. ChatGPT, в свою очередь, является AI Agent, эволюционировавшим на основе модели GPT.
Обзор категорий
На данный момент на рынке AI-агентов еще не сформировалась единая классификационная стандартизация. Мы провели маркировку 204 проектов AI-агентов на рынках Web2 и Web3, основываясь на явных тегах каждого проекта, разделив их на первичные и вторичные категории. При этом, первичные категории включают три типа: базовая инфраструктура, генерация контента и взаимодействие с пользователями, а затем они были дополнительно сегментированы в зависимости от их реальных случаев использования:
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: предоставление разработчикам вспомогательных инструментов и фреймов для построения AI Agent.
Классы обработки данных: обработка и анализ данных в различных форматах, в основном используются для поддержки принятия решений и предоставления источников для обучения.
Модельное обучение: предоставляет услуги по обучению моделей для ИИ, включая вывод, создание и настройку моделей и т.д.
Услуги для B2B: в основном ориентированы на корпоративных пользователей, предоставляя решения для корпоративных услуг, вертикальных решений и автоматизации.
Платформа класса сборки: платформа, интегрирующая различные сервисы и инструменты AI Agent.
Интерактивные агенты: подобно агентам по генерации контента, они 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 пользователями.
Эмоциональное сопровождение: ИИ-агент, предоставляющий эмоциональную поддержку и сопровождение.
GPT-класс: ИИ-агент на базе модели GPT (генеративный предобученный трансформер).
Поисковые агенты: сосредоточены на функции поиска, предоставляя более точные результаты поиска.
Генерация контента: Эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента в соответствии с указаниями пользователей, делятся на четыре категории: текстовая генерация, генерация изображений, генерация видео и генерация аудио.
! [Может ли AI Agent стать спасением для Web3+AI?] ](https://img-cdn.gateio.im/webp-social/moments-e6a79357ac5352b3f76e4764156120c9.webp)
Анализ текущего состояния развития Web2 AI Agent
Согласно нашей статистике, разработка AI-агентов в традиционном интернете Web2 демонстрирует явную тенденцию к концентрации в определенных сегментах. В частности, около двух третей проектов сосредоточены в области инфраструктуры, среди которых преобладают B2B-сервисы и инструменты разработки, мы также провели некоторый анализ этого явления.
Влияние уровня зрелости технологий: проекты инфраструктуры занимают доминирующее положение прежде всего благодаря своей зрелости технологий. Эти проекты обычно основаны на проверенных временем технологиях и рамках, что снижает сложность и риски разработки. Это эквивалентно "лопате" в области ИИ, предоставляющей прочную основу для разработки и применения AI Agent.
Движущая сила рыночного спроса: еще один ключевой фактор - это рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ со стороны корпоративного сектора более настоятельный, особенно в поисках решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежные потоки от компаний относительно стабильны, что способствует разработке последующих проектов.
Ограничения в области применения: Тем временем мы отметили, что применение AI для генерации контента на рынке B2B относительно ограничено. Из-за нестабильности его продукции компании 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, рыночный спрос и практические соображения применения. С постоянным прогрессом технологий ИИ и дальнейшим уточнением рыночного спроса, мы ожидаем, что эта структура может быть скорректирована, но инфраструктурные решения по-прежнему останутся прочным фундаментом для развития ИИ-агентов.
Анализ ведущих проектов AI-агентов Web2
Мы глубоко исследуем некоторые текущие проекты AI Agent на рынке Web2 и анализируем их, взяв в качестве примера три проекта: Character AI, Perplexity AI и Midjourney.
ИИ персонажа:
Описание продукта: Character.AI предлагает системы диалога 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 определенные задачи.
Анализ данных: В мае Character.AI посетили 277 миллионов раз, платформа имеет более 3,5 миллионов активных пользователей в день, большая часть из которых в возрасте от 18 до 34 лет, что указывает на молодую аудиторию. Character AI показал отличные результаты на капиталовложениях, собрав 150 миллионов долларов финансирования, с оценкой в 1 миллиард долларов, возглавляемой a16z.
Технический анализ: Character AI подписала лицензионное соглашение о неэксклюзивном использовании своей крупной языковой модели с материнской компанией Google Alphabet, что указывает на то, что Character AI использует собственную технологию. Стоит отметить, что основатели компании Ноам Шазир и Даниэль де Фрейтас участвовали в разработке разговорной языковой модели Google Llama.
Перплексити ИИ:
Описание продукта: Perplexity может извлекать информацию из Интернета и предоставлять исчерпывающие ответы. Надежность и точность информации обеспечиваются благодаря цитированию и ссылкам, в то время как он обучает и направляет пользователей для дальнейших вопросов и поиска ключевых слов, удовлетворяя разнообразные запросы пользователей.
Анализ данных: Количество активных пользователей Perplexity достигло 10 миллионов в месяц, а посещаемость его мобильных и настольных приложений в феврале увеличилась на 8,6%, что привлекло около 50 миллионов пользователей. На финансовых рынках Perplexity AI недавно объявила о привлечении 62,7 миллиона долларов финансирования, оценка компании достигла 1,04 миллиарда долларов, основным инвестором стал Дэниел Гросс, участниками стали Стэн Дракенмиллер и NVIDIA.
Технический анализ: Основная модель, используемая Perplexity, - это доработанная версия GPT-3.5, а также две крупные модели, доработанные на основе открытых больших моделей: pplx-7b-online и pplx-70b-online. Модель подходит для профессиональных академических исследований и