ArkStream Capital賽道研究報告：AI Agent能否成為Web3+AI的救命稻草？

2024-09-17 16:09:16

TL;DR

AI Agent 項目在Web2創業中熱門、成熟的類型主要是企業端服務類，而在Web3領域中模型訓練、平臺集合類項目因其在構建生態系統中的關鍵作用而成為主流。
當下Web3的 AI Agent 項目數量不多佔比 8% ，但它們在 AI 賽道中的市值佔比卻高達 23% ，因此展現出的強大的市場競爭力，我們預計隨着技術成熟和市場認可度提升，未來將出現多個估值超過 10 億美元的項目。
對於Web3項目而言，對於非 AI 核心的應用端產品，引入 AI 技術可能成為战略優勢。對於 AI Agent 項目結合方式應注重全生態系統構建和代幣經濟模型設計，以促進去中心化和網絡效應。

AI 浪潮：項目迭出和估值擡升的現狀

自 ChatGPT 在 2022 年 11 月問世以來，在短短兩個月內就吸引了超過一億用戶，到 2024 年 5 月，ChatGPT 的月收入已達到驚人的 2030 萬美元，而 OpenAI 在發布 ChatGPT 之後，也迅速推出了 GPT-4, GP 4-4 o 等迭代版本。如此迅猛的態勢，各大傳統科技巨頭意識到 LLM 等最前沿 AI 模型應用的重要性，紛紛推出自己的 AI 模型和應用，例如，谷歌發布了大語言模型 PaLM 2 ，Meta 推出了 Llama 3 ，而中國公司則推出了文心一言，智譜清言等大模型，顯然 AI 領域已然成為兵家必爭之地。
各大科技巨頭的競賽不僅推動了商業應用的發展，同時我們從开源 AI 研究的調查統計發現， 2024 年的 AI Index report 顯示 GitHub 上的 AI 相關項目數量從 2011 年的 845 個激增至 2023 年的約 180 萬個，尤其在 GPT 發布後的 2023 年，項目數量同比增長了 59.3% ，反映了全球开發者社區對 AI 研究的熱衷。
對 AI 技術的熱情直接反映在了投資市場上，AI 投資市場呈現出強勁的增長，在 2024 年第二季度呈現爆發式增長。全球共有 16 筆超 1.5 億美元的 AI 相關投資，是第一季度的兩倍之多。AI 初創的融資總額更是飆升至 240 億美元，同比增長過一倍。其中，馬斯克旗下的 xAI 更是籌集了 60 億美元，估值為 240 億美元，成為僅次於 OpenAI 的估值第二高的 AI 初創公司。

2024 Q2 AI 賽道融資 TOP 10

AI技術的迅猛發展正以前所未有的速度重塑着科技領域的版圖。從科技巨頭間的激烈角逐，到开源社區項目的蓬勃發展，再到資本市場對 AI 概念的熱烈追捧。項目層出不窮，投資額屢創新高，估值也隨之水漲船高。整體而言，AI 市場正處於一個高速發展的黃金時期，大型語言模型和檢索增強生成技術在語言處理領域實現了重大進展。盡管如此，這些模型在將技術優勢轉化為實際產品時仍面臨挑战，如模型輸出的不確定性、生成不准確信息的幻覺風險以及模型透明度問題。這些問題在對可靠性要求極高的應用場景下變得尤為重要。

在這一背景下，我們开始對 AI Agent 展开研究，因為 AI Agent 強調解決實際問題與環境交互的全面性。這一轉變標志着 AI 技術從純粹的語言模型向能夠真正理解學習並解決現實問題的智能系統進化。所以我們從 AI Agent 的發展中看到了希望，它正逐步彌合 AI 技術與實際問題解決之間的鴻溝。AI 技術的演進不斷重塑着生產力的架構，而Web3技術則在重構着數字經濟的生產關系。當 AI 的三大要素：數據、模型和算力，與Web3的去中心化、代幣經濟和智能合約等核心理念相融合，我們預見將催生出一系列創新性應用。在這個充滿潛力的交叉領域，我們認為，AI Agent 以其自主執行任務的能力，展現出了實現大規模應用的巨大潛力。為此，我們开始深入研究 AI Agent 在Web3的多樣化應用，從Web3的基礎設施、中間件、應用層面，到數據和模型市場等多個維度，旨在識別並評估那些最具前景的項目類型和應用場景，以深入理解 AI 與Web3的深度融合。

概念釐清：AI Agent 的介紹和分類概覽

基本介紹

在介紹 AI Agent 之前，為了讓讀者更好理解其定義和模型本身的區別，我們通過一個實際場景來做舉例：假設你正在規劃一次旅行。傳統的大型語言模型提供目的地信息和旅行建議。檢索增強生成技術則能提供更豐富、具體的目的地內容。而 AI Agent 就像是鋼鐵俠電影中的賈維斯，能理解需求，還能根據你的一句話主動搜索航班和酒店，執行預訂操作，將行程添加到日歷中。
目前行業內普遍對 AI Agent 的定義是指,能夠感知環境並做出相應行動的智能系統，通過傳感器獲取環境信息，經過處理後通過執行器對環境產生影響（Stuart Russell & Peter Norvig, 2020）。我們認為，AI Agent 就是集合了 LLM、RAG、記憶、任務規劃和工具使用能力的助手。它不僅能夠單純的信息提供，還能夠規劃、分解任務，並真正地執行。
根據這一定義和特性，我們可以發現 AI Agent 早已融入我們的生活，在不同的場景中得到應用，例如 AlphaGo、Siri、特斯拉的 L 5 級別以上的自動駕駛等都可被視為 AI Agent 的實例。這些系統共同的特質就是都能感知外界用戶輸入，並據此做出相應對現實環境產生影響。
以 ChatGPT 為例進行概念釐清，我們應當明確指出 Transformer 是構成 AI 模型的技術架構，GPT 是基於此架構發展起來的模型系列，而 GPT-1、GPT-4、GPT-4 o 分別代表了模型在不同發展階段的版本。ChatGP 則 T 作為基於 GPT 模型進化而來的 AI Agent。

分類概況

當下 AI Agent 市場尚未形成統一的分類標准，我們通過分別對Web2+Web3市場中 204 個 AI Agent 項目打標籤的方式，根據每個項目對應的顯著標籤，分為了一級分類和二級分類。其中，一級分類為基礎建設，內容生成，用戶交互三種類別，再根據其實際用例進行細分：

基礎建設類：這類專注於構建 Agent 領域較為底層的內容，包括平臺、模型、數據、开發工具，以及較為成熟便底層應用的 B 端服務類。

开發工具類：為开發者提供構建 AI Agent 的輔助工具和框架。
數據處理類：處理和分析不同格式的數據，主要用來輔助決策、為訓練提供來源。
模型訓練類：提供針對 AI 的模型訓練服務，包括推理、對模型的建立、設定等
B 端服務類：主要面向企業用戶，提供企業服務類、垂直類、自動化的解決方案。
平臺集合類：集成多種 AI Agent 服務和工具的平臺。

交互類：與內容生成類相似，區別在於持續雙向互動。交互類 Agent 不僅接受和理解用戶需求，還通過自然語言處理（NLP）等技術提供反饋，實現與用戶的雙向互動。

情感陪伴類：提供情感支持和陪伴的 AI Agent。
GPT 類：基於 GPT（生成式預訓練 Transformer）模型的 AI Agent。
搜索類：專注於搜索功能，提供更准確的信息檢索為主的 Agent。

內容生成類：這類項目專注於創造內容，利用大模型技術根據用戶指令生成各種形式的內容，分為文字生成、圖像生成、視頻生成和音頻生成四類。

Web2 AI Agent 發展現狀分析

根據我們的統計，在Web2傳統互聯網中 AI Agent 的开發呈現出明顯的板塊集中趨勢。具體來說，大約有三分之二的項目集中在基礎建設類，其中主要是 B 端服務類和开發工具類居多，我們對這一現象也進行了一些分析。

技術成熟度的影響：基礎建設類項目之所以佔據主導地位，首先得益於其技術成熟度。這些項目通常建立在經過時間檢驗的技術和框架之上，從而降低了开發難度和風險。相當於 AI 領域的“鏟子”，為 AI Agent 的开發和應用提供了堅實的基礎。
市場需求的推動：另一個關鍵因素是市場需求。與消費者市場相比，企業市場對 AI 技術的需求更為迫切，特別是在尋求提升運營效率和降低成本的解決方案方面。同時對於开發者而言，來自企業的現金流相對穩定，有利於他們开發後續項目。
應用場景的限制：與此同時，我們注意到內容生成類 AI 在 B 端市場的應用場景相對有限。由於其產出的不穩定性，企業更傾向於那些能夠穩定提高生產力的應用。這導致了內容生成類 AI 在項目庫中所佔比例較小。

這一趨勢反映了技術成熟度、市場需求和應用場景的實際考量。隨着 AI 技術的不斷進步和市場需求的進一步明確，我們預期這一格局可能會有所調整，但基礎建設類仍將是 AI Agent 發展的堅實基石。

Web2的 AI Agent 龍頭項目分析

Web2的 AI Agent 龍頭項目整理，來源：ArkStream 項目數據庫

我們深入探討一些當前Web2市場上的 AI Agent 項目，並對它們展开分析，以 Character AI， Perplexity AI，Midjourney 三個項目為例。

Character AI：

產品介紹：Character.AI 提供基於人工智能的對話系統和虛擬角色創建工具。其平臺允許用戶創建、訓練和與虛擬角色進行互動，這些角色能夠進行自然語言對話並執行特定任務。
數據分析：Character.AI 在 5 月的訪問量為 2.77 億，平臺擁有超過 350 萬的日活躍用戶，其中大部分用戶年齡在 18 至 34 歲之間，顯示出年輕化的用戶群體特徵。Character AI 在資本市場上表現出色，完成了 1.5 億美元的融資，估值達到 10 億美元，由a16z領投。
技術分析：Character AI 與谷歌母公司 Alphabet 籤署了非獨家使用其大型語言模型的許可協議，這表明 Character AI 採用的是自研技術。值得一提的是，公司的創始人 Noam Shazeer 和 Daniel De Freitas 曾參與开發谷歌的對話式語言模型 Llama。

Perplexity AI:

產品介紹：Perplexity 能夠從互聯網上抓取並提供詳盡的答案。通過引用和參考鏈接確保了信息的可靠性和准確性，同時他會教育、引導用戶進行追問和搜索關鍵詞，滿足了用戶多樣化查詢需求。
數據分析：Perplexity 的月活躍用戶數量已達到 1000 萬，其移動和桌面應用程序的訪問量在 2 月份實現了 8.6% 的增長，吸引了約 5000 萬用戶。在資本市場上，Perplexity AI 最近宣布獲得 6270 萬美元的融資，估值達到 10.4 億美元，由 Daniel Gross 領投，參與者包括 Stan Druckenmiller 和 NVIDIA。
技術分析：Perplexity 使用的主要模型是經過微調的 GPT-3.5 ，以及基於开源大模型微調的兩款大型模型：pplx-7 b-online 和 pplx-70 b-online。模型適合專業學術研究和垂直領域的查詢，確保信息的真實度和可靠性。

Midjourney:

產品介紹：用戶可以通過 Prompts 在 Midjourney 創建各種風格和主題的圖像，覆蓋從寫實到抽象的廣泛創作需求。平臺還提供圖像混合與編輯，允許用戶進行圖像疊加和風格遷移，平臺的實時生成功能確保用戶在幾十秒到幾分鐘內就能得到生成的圖像。
數據分析：平臺已經擁有 1500 萬注冊用戶，並且有 150 萬至 250 萬的活躍用戶。同時，根據公开市場信息，Midjourney 沒有拿投資機構的錢，依靠創始人 David 多次創業的信譽和資源，實現了自給自足的發展。
技術分析：Midjourney 採用的是他們自己的閉源模型，自 2022 年 8 月發布 Midjourney V4以來，該平臺一直在使用基於擴散的生成式 AI 模型。據稱，該模型的訓練參數在 300 到 400 億個，這一龐大的參數量為其生成圖像的多樣性和准確性提供了堅實的基礎。

商業化困境

在體驗了多個Web2的 AI Agent 後，我們觀察到產品迭代的普遍路徑：從初期專注於單一細化任務，到後期拓展能力以處理更復雜的多任務場景。這一趨勢不僅體現了 AI Agent 在提升工作效率和創新能力方面的潛力，也預示着它們將在未來扮演更加關鍵的角色。通過對Web2中 125 個 AI Agent 項目的初步統計，我們發現項目主要集中在內容生成（如 Jasper AI）、开發工具（如 Replit），以及數量最多的 B 端服務（如 Cresta）。這一發現與我們的預期相悖，起初我們預期隨着 AI 模型技術的日益成熟，C 端市場將迎來 AI Agent 的爆發式增長。然而經過分析我們意識到：C 端 AI Agent 的商業化之路遠比預期的崎嶇和復雜。

拿 Character.Ai 為例，一方面，Character.AI 擁有着最好的流量表現。但因為其商業模式單一，靠 9.9 USD 的訂閱費，在面對少量的訂閱收入與重度用戶推理成本消耗之下，最終還是因流量變現困難和資金鏈問題被谷歌收購了整個團隊。這一案例反映出，即使有這么好的流量和融資，C 端 AI Agent 應用在商業化過程中還是困難重重。反映出絕大多數產品仍未能達到替代或有效輔助人工的標准，導致了 C 端用戶對目前產品的付費意愿並不強烈。在我們實際的研究調查中發現許多初創項目都遇到了 Character.ai 類似的問題，C 端 AI Agent 的發展並非一帆風順，而是需要在技術成熟度、產品價值、以及商業模式創新上進行更深入的探索，才能實現其在 C 端市場的潛力和價值。

通過統計大部分 AI Agent 項目的估值，對比 OpenAI、xAI 等天花板項目估值還有接近 10-50 倍的空間。不可否認的是，C 端 Agent 應用天花板還是足夠高的，證明其仍然是一個好的賽道。但綜合以上分析，我們認為相較於 C 端，B 端市場可能是 AI Agent 的最終落腳點。企業通過構建平臺，將 AI Agent 集成到垂直領域、CRM、辦公 OA 等管理軟件中，這不僅為企業帶來運營效率的提升，也為 AI Agent 提供了更廣闊的應用空間。因此，我們有理由相信 B 端服務會是在Web2傳統互聯網內 AI Agent 短期內發展的主要方向。

Web3 AI Agent 發展現狀和前景分析

項目概覽

根據前文分析，即便是獲得頂級融資並擁有良好用戶流量的 AI Agent 應用，也面臨着商業變現的難題。接下來我們將深入分析當前 AI Agent 項目在Web3內的發展情況。通過對一系列代表性項目的評估—包括它們的技術創新、市場表現、用戶反饋以及發展潛力，旨在挖掘出具有啓發性的建議。下圖為目前市場上已發代幣且市值較高的幾個代表性項目：

Web2的 AI Agent 龍頭項目整理，來源：ArkStream 項目數據庫

根據我們對Web3 AI Agent 市場的統計，其項目开發的類型同樣呈現出明顯的板塊密集趨勢。絕大部分的項目都被劃分為基礎建設類，同時較為缺少內容生成類的項目。大多項目都試圖通過讓用戶提供分布式的數據、算力等，去解決項目方的模型訓練需求。亦或者試圖打造一站式平臺，嵌入多種 AI Agent 的應用服務和工具。從开發工具到前段交互類應用、生成式應用等。而傳統 AI Agent 行業目前主要局限於开源參數調整或套用現有模型構建應用，這種方式在企業和個人用戶層面都未能形成顯著的網絡效應。

現狀分析

我們認為現階段這種現象可能由以下幾個因素推動：

市場與技術不匹配：Web3和 AI Agent 的結合點目前相比傳統市場並沒有明顯的優勢，其真正的優點在於改善生產關系，通過去中心化的方式優化資源和協作。這可能導致一些交互類和生成類應用在技術和資金實力較強的傳統競爭對手面前缺乏競爭力。

應用場景限制：在Web3環境中，可能並沒有那么多實際的需求去生成圖像、視頻或文字等內容。相反，Web3的去中心化和分布式特性更多地被用來在傳統 AI 領域內實現降本增效，而不是拓展新的應用場景。

這一現象的根源，我們認為可追溯至當前 AI 行業的發展狀態及其未來方向。可能正是因為當前的 AI 技術仍處於初級，類似於工業革命早期的蒸汽機被電機取代的過渡期，尚未達到普及應用的電氣化時代。

我們有理由相信，未來 AI 發展的趨勢可能會遵循類似的路徑。通用模型將逐漸固化，而微調模型則會呈現多樣化發展。AI 應用將廣泛分散到各個企業和個人用戶中，重點將轉移到模型間的互聯和交互。而這一趨勢與Web3的理念高度契合，正因為Web3以其可組合性和無需許可的特性而著稱，這與分散化的模型微調理念不謀而合。开發者被允許更大的自由度，可以更自由地組合和調整各種模型。同時，去中心化特性在數據隱私保護、計算資源分配等方面也為模型訓練帶來了獨特優勢。

隨着技術進步，特別是 LoRA（Low-Rank Adaptation）等新技術的出現，大幅降低了模型微調的成本和技術門檻。這使得开發特定場景的公开模型或滿足用戶個性化需求變得更加容易。Web3內的 AI Agent 項目能夠充分利用這一技術進步，在模型訓練和微調領域探索新穎的訓練方法、創新的激勵機制，以及模型共享和協作的新模式，這些在傳統中心化系統中往往難以實現。

此外，Web3項目方在模型訓練方面的集中也同樣體現了其在 AI 整個生態中佔據重要位置的战略考量。所以Web3行業內的 AI Agent 項目集中於模型訓練領域，是技術發展趨勢、市場需求和Web3行業優勢的自然交匯。接下來我們會例舉幾個Web2&3 行業內的模型訓練類項目並進行對比。

模型訓練類項目

Humans.ai

項目介紹：Humans.ai 是多元化的 AI 算法模型庫和訓練部署環境，覆蓋圖像、視頻、音頻、文本等多個領域。平臺不僅支持开發者對模型進行進一步的訓練和優化，還允許他們分享和交易自己的模型。一個顯著的創新點是，Humans.ai 利用 NFT 作為存儲 AI 模型和用戶生物特徵數據的媒介，使得 AI 創造內容的過程更加個性化和安全。
數據分析：Humans.ai 其代幣 Heart 的市值約為 6800 萬美元。Twitter 關注者為 56 k，並未披露其用戶數據。
技術分析：Humans.ai 沒有自主研發模型，而是採用模塊化方法，將所有提供的模型封裝進 NFT 中，為用戶提供了一個靈活且可擴展的 AI 解決方案。

FLock.io

項目介紹：FLock.io 是一個基於聯邦學習技術（強調數據隱私的去中心化機器學習方法）的 AI 共創平臺，它致力於解決 AI 賽道中的痛點，如公衆參與度低、隱私保護不足，以及大公司對 AI 技術的壟斷。該平臺允許用戶在保護隱私的同時貢獻數據，推動 AI 技術的民主化和去中心化。
數據分析： 2024 年初完成了 600 萬美元的種子輪融資，由 Lightspeed Faction 和 Tagus Capital 領投，DCG、OKX Ventures 等機構跟投。
技術分析：FLock.io 的技術架構基於聯邦學習，這是一種在保護數據隱私的同時促進去中心化的方法。此外，FLock.io 還採用了 zkFL、同態加密和安全多方計算（SMPC）等技術，為數據隱私提供額外保護。
這是Web3行業內 AI Agent 的模型訓練類的項目，在Web2同樣也有類似的平臺提供模型訓練的服務，例如 Predibase。

Predibase

項目介紹：Predibase 專注於 AI 和大語言模型優化，允許用戶微調和部署开源的大語言模型，例如 Llama、CodeLlama、Phi 等。平臺支持多種優化技術，如量化、低秩適應和內存高效的分布式訓練。
數據分析：Predibase 宣布完成 Felicis 領投的 1220 萬美元的 A 輪融資，Uber、Apple、 Meta 等大型企業與 Paradigm 和 Koble.ai 這類初創公司都是該平臺用戶。
技術分析：Predibase 的用戶已經訓練了超過 250 個模型，目前平臺採取 LoRAX 架構和 Ludwig 框架：LoRAX 使用戶能夠在單個 GPU 上服務數千個微調後的 LLM，大大降低了成本，同時不影響吞吐量或延遲。而 Ludwig 是一個聲明式框架，Predibase 用於开發、訓練、微調和部署最先進的深度學習和大語言模型。
項目分析：Predibase 平臺具備用戶友好的特性，為不同層次的用戶提供定制化的 AI 應用程序構建服務。無論對於 C 端和 B 端用戶，還是 AI 領域的新手或經驗豐富的人。

對於新手，Predibase 平臺的一鍵式自動化功能簡化了模型構建、訓練過程。平臺自動完成復雜的構建和部署步驟。對於有經驗的用戶，則提供了更為深入的定制選項。不僅提供自動化服務，還允許用戶訪問和調整更專業的參數設置。在對比傳統 AI 模型訓練平臺與Web3領域的 AI 項目時，盡管它們在整體框架和邏輯上可能相似，但我們發現兩者在技術架構和商業模式上存在一些顯著的差異。

技術深度與創新：傳統 AI 模型訓練平臺往往採用更深入的技術壁壘，例如使用 LoRAX 架構和 Ludwig 框架等自研技術。這些框架提供了強大的功能，使得平臺能夠處理復雜的 AI 模型訓練任務。然而，Web3項目則可能更側重於去中心化和开放性，沒有深入技術。
商業模式的靈活性：在傳統 AI 模型訓練領域，我們注意到一個常見的瓶頸是商業模式的靈活性不足。平臺要求用戶付費才能訓練模型，資金來源限制了項目的可持續發展空間，尤其是在需要廣泛用戶參與和數據收集的早期階段。相比之下，Web3項目會具備更為靈活的商業模式，如代幣經濟以社區驅動的模型。
隱私保護的挑战：隱私保護是另一個關鍵問題。以 Predibase 為例，盡管它提供了在 AWS 上的虛擬私有雲服務，但這種依賴第三方的架構始終存在數據泄漏的潛在風險。

這些差異化的點，無一例外都成為傳統 AI 行業內的瓶頸。因為互聯網的特徵，注定這些問題會較難以有效率的辦法去解決。同時，這也給Web3帶來了機會和挑战，項目方率先解決了這些問題將很有可能成為行業的先驅。

Web3其他類別的 Agent 項目

在我們探討了模型訓練類的 AI Agent 項目之後，我們接下來將視野擴展到Web3行業中其他類型的 AI Agent 項目。這些項目雖然不只專注於模型訓練，但它們在融資數據、上所表現、代幣市值等方面展現出與衆不同。

以下是幾個在各自領域內具有代表性和影響力的 AI Agent 項目：

Myshell

產品介紹：提供了一個全面的 AI Agent 平臺，用戶能夠創建、分享、個性化的 AI 代理。這些 Agent 能夠提供陪伴，也能輔助工作提高效率。平臺涵蓋了多樣化的 AI 代理風格，包括二次元和傳統風格，交互形式涵蓋音頻、視頻和文字。MyShell 特別之處在於聚合了包括 GPT 4 o、GPT 4、Claude 在內的多種現有模型，為用戶提供了傳統付費 AI Agent 的高級體驗。此外，平臺引入了類似 FT bonding curve 的交易系統，激勵創作者开發高價值的 AI 模型，同時讓用戶有機會投資並共享收益。
數據分析：MyShell 在融資方面最後一輪估值約 8000 萬美元，Dragonfly 領投，而其他知名投資方如幣安、Hashkey、Folius 等也參與其中。盡管沒有具體的用戶訪問數據，但 MyShell 在社交媒體上擁有近 180 K 的 Twitter 粉絲，Discord 在线人數雖通常不超過粉絲總數的十分之一，卻顯示出項目擁有一批忠實的用戶和开發者基礎。
技術分析：MyShell 並不獨立开發 AI 模型，而是作為一個集成平臺，匯聚了 Claude、GPT-4、 4 o 等前沿模型，並且聲稱支持其他閉源模型。這種策略使得 MyShell 能夠利用現有技術資源，為用戶提供一個統一且先進的 AI 體驗。
主觀體驗：MyShell 允許用戶根據自己的需求自由創建和定制 AI 代理，無論是作為個人陪伴還是專業助手，均能適應音頻、視頻等多種場景。用戶即使不使用 MyShell 的代理，也能以較低成本享受到集成的Web2付費模型。此外，平臺結合了 FT 的經濟概念，讓用戶不僅可以使用 AI 服務，還能投資他們看好的 AI 代理，通過 bonding curve 機制增加財富效應。

Delysium

產品介紹：Delysium 提供了一個以意圖為中心的 AI Agent 網絡，讓 Agent 更好地配合給用戶帶來友好的Web3體驗。目前，Delysium 已經推出了兩個 AI Agent：Lucy 和 Jerry。Lucy 是一個聯網的 AI Agent，愿景是能夠提供工具類的輔助，例如查詢 Top 10 持幣地址等，但目前 Agent 執行鏈上意圖的功能尚未开放，只能執行一些基礎指令，如在生態內質押 AGI 或兌換成 USDT。Jerry 則類似於 Delysium 生態內的 GPT，主要負責回答生態內的問題，例如代幣分配等。
數據分析： 2022 年首輪募資 400 W 美元，同年又宣布完成了 1000 萬美元的战略融資。其代幣 AGI，目前 FDV 1.3 億美元左右。暫無最新用戶數據，據 Delysium 官方的統計，截止 2023 年 6 月 Lucy 已積累了超過 140 萬的獨立錢包連接數。

Sleepless AI

產品介紹：結合了Web3和 AI Agent 技術的情感陪伴類遊戲平臺，提供虛擬伴侶遊戲 HIM 和 HER，利用 AIGC 和 LLM 來讓用戶沉浸在和虛擬角色的互動中。用戶在不斷的對話過程中，可以修改角色的屬性、服裝等，其兼容的大語言模型確保了角色在每一次對話中迭代自己，變得更懂用戶。
數據分析：項目共籌集 370 萬美元，投資方包括 Binance Labs、Foresight Ventures 和 Folius Ventures，目前代幣總市值達到 4 億美元左右。推特關注者 116 K，根據官方統計注冊預約數達 190 K，其活躍用戶達 43 K。可以說其用戶粘性還是挺強的。
技術分析：盡管官方並沒有公开他們的產品是基於哪一塊市面上的大語言模型，但是他們 Sleepless AI 為了確保用戶在聊天過程中會感受到這個角色越來越了解自己，因此他們在設計 LLM 訓練時，為每個角色單獨訓練一個模型，同時結合向量數據庫以及性格參數系統讓角色擁有記憶。
主觀體驗：Sleepless AI 通過 AI Boyfriend，AI Girlfriend，以 Free to Play 角度切入，並不是單單融入了對話機器人的聊天框。項目通過高成本的美工、持續迭代的語言模型、高質量完整的配音，以及一系列的功能例如鬧鐘、助眠、經期記錄、學習陪伴等極大的增強了虛擬人的真實性。這樣的情感價值是市面上其他應用感受不到的。此外，Sleepless AI 創造了一個更長期、平衡的內容付費機制，用戶可以選擇出售 NFT，而不陷入P2E或者 Ponzi 的困境，這個模型同時考慮到了玩家的收益和遊戲體驗。

前景分析

在Web3行業中，AI Agent 項目覆蓋了公鏈、數據管理、隱私保護、社交網絡、平臺服務和計算能力等多個方向。從代幣市值來看，AI Agent 項目的總代幣市值達到了接近 38 億美元，而整個 AI 賽道的總市值則接近 162 億美元。AI Agent 項目在 AI 賽道中的市值佔比大約為 23% 。

盡管 AI Agent 項目的數量僅有十余個左右，相較於整個 AI 賽道的項目來說顯得較少，但它們在市場中的估值佔比卻接近四分之一。AI 賽道中的市值佔比再次驗證了我們對這一細分賽道有很大的增長潛力的驗證。

在統計過後，我們提出了一個核心問題：具備哪些特質的 Agent 項目能夠吸引到優秀的融資，並在頂級交易所 Listing？為了回答這個問題，我們探索了 Agent 行業內的取得結果的項目，如 Fetch.ai、Olas Network、SingularityNET 和 Myshell。

不難發現，這些項目共同展現了一些顯著的特點：它們都屬於基礎建設類中的平臺集合類項目，構建了一個橋梁，一端連接着 B 端或 C 端對 Agent 需求的用戶，另一端服務於开發者和驗證者——這些是負責模型調試、模型訓練的用戶。無關於應用層面，他們都建立起了一個完整生態的閉環。

我們注意到，無論它們提供的產品是鏈上還是鏈下相關的，這些似乎都不是最關鍵的因素。這引導我們得出一個初步結論：在Web3領域，Web2的重視實際應用的邏輯可能並不完全適用。對於Web3中的頭部 AI Agent 產品而言，構建一個完整的生態系統和提供多樣化的功能，可能比單一產品的質量和性能更為關鍵。換言之，一個項目的成功不僅取決於它提供了什么，更在於它如何整合資源、促進協作，並在生態系統內創造網絡效應。這種生態系統的構建能力，可能是 AI Agent 項目在Web3賽道中脫穎而出的重要因素。

AI Agent 項目在Web3中的正確融合方式，並非是專注於單一應用的深度开發，而是應該採取一種包容性的模式。這種方式涉及到將Web2時代的多樣化產品框架、產品類型遷移並融入Web3的環境中，以構建一個自循環的生態系統。這一點從 OpenAI 的战略轉變中也可見一斑，他們選擇在今年推出應用平臺而非僅僅更新模型。

總結我們認為 AI Agent 項目應該着重於以下幾個方面：

生態系統構建：超越單一應用，構建一個包含多種服務和功能的生態系統，以促進不同組件之間的互動和增值。
Token 經濟模型：設計合理的 Token 經濟模型，以激勵用戶參與網絡建設，貢獻數據和算力。
跨領域整合：探索 AI Agent 在不同領域的應用潛力，通過跨領域整合創造新的使用場景和價值。
在總結這三個方面後，為了針對不同側重方向的項目方，我們也為此提供了一些前瞻性的建議。一是對於那些非 AI 核心的應用端產品，二是專注於 AI Agent 賽道的原生項目。

對於非 AI 核心的應用端產品：

保持長期主義，專注其核心產品的同時集成 AI 技術，順應時代等待風口。在當前的技術和市場趨勢下，我們認為以 AI 作為流量媒介的方式從而吸引用戶和增強產品競爭力已然成為競爭力的重要手段。盡管現實是 AI 技術對項目長期發展的實際貢獻到底有多少，仍然是個問號，但我們認為這對敢於早期採納 AI 技術的的先行者提供了寶貴的窗口。當然，前提是他們自身已經有一個非常過硬的產品。

長期來看，如果 AI 技術在未來實現新的突破，那些已經整合了 AI 的項目方將能夠更迅速地迭代他們的產品，從而抓住機遇，成為行業的領跑者。這就像在過去幾年中，社媒平臺上的直播帶貨逐漸代替线下銷售成為一種新的流量出口的銷售方式。當時，那些自身產品過硬且選擇順應新潮流，嘗試直播帶貨的商家，在直播電商真正爆發時，這些商家立刻憑借早期介入的優勢脫穎而出。

我們認為在市場不確定性中，對於非 AI 核心的應用端產品，考慮適時引入 AI Agent 可能是一個战略性的決策。不僅能夠在當下提高產品的市場曝光度，還能在 AI 技術的持續發展中為產品帶來新的增長點。

對於專注於 AI Agent 的原生項目：

平衡技術創新與市場需求是成功的關鍵。在 AI Agent 的原生項目中，項目方需要將目光投向市場趨勢，而不僅僅是技術研發。目前，市場上一些結合Web3的 Agent 項目可能過於專注於往單一技術方向开發，或者構建了一個宏大的愿景，但產品开發卻未能跟上。這兩種極端都不利於項目的長期發展。

因此，我們建議項目方在確保產品質量的同時，也要關注市場內的動態，同時意識到傳統互聯網行業內的 AI 應用邏輯並不適用於Web3，相反他們更需要借鑑那些已經在Web3市場上取得結果的項目。關注他們身上有的標籤，好比文章提到的模型訓練、平臺集合等核心功能，以及他們打造的敘事例如 AI 模塊化、多 Agent 協作等。探索性感的敘事，可能成為項目在市場中取得突破的關鍵。

結論無論是非 AI 核心產品還是原生 AI Agent 項目，最為關鍵的是在於找到合適的時機和技術路徑，以確保在不斷變化的市場中保持競爭力和創新力。項目方應該在保持產品質量的基礎上，觀察市場趨勢，借鑑成功案例，同時創新以實現在市場中的持續發展。

總結

文章的最後，我們從多個角度進行分析Web3 AI Agent 這個賽道：

資本投入和市場關注度：盡管目前Web3行業內 AI Agent 項目在 Listing 數量上不佔優勢，但它們在市場估值中佔比接近 50% ，顯示出資本市場對這一賽道的高度認可。隨着更多的資本投入和市場關注度的提升，AI Agent 賽道出現更多高估值的項目是板上釘釘的事。
競爭格局和創新能力：Web3行業內 AI Agent 賽道的競爭格局尚未完全形成，目前在應用面的層級上來講，還沒有出現現象級且屬於龍頭類似 ChatGPT 的產品出現，這給新的項目方們很多成長和創新的空間。隨着技術成熟，和項目之前的創新，賽道有望开發出更多具有競爭力的產品，推動整個賽道的估值提升。
重視代幣經濟和用戶激勵：Web3的意義在於重塑生產關系，讓部署和訓練 AI 模型這一原本中心化的進程可以更加去中心化，通過合理的代幣經濟設計和用戶激勵方案，讓闲置算力或個人數據集集合再分配，再通過 ZKML 等解決方案保護數據隱私，可以進一步降低算力和數據成本，並讓更多個人用戶參與到 AI 行業的建設中。

綜上所述，我們對 AI Agent 賽道持看好的態度。我們有理由相信，AI Agent 這個賽道中會出現多個估值超過 10 億美金的項目。通過橫向比較，AI Agent 的敘事足夠性感，市場空間足夠大。目前市場估值普遍偏低，考慮到 AI 技術的快速發展、市場需求的增長、資本的投入以及賽道內企業的創新潛力，未來，隨着技術成熟和市場認可度的提升，這一賽道有望湧現多個估值 10 億以上的項目。