Проекты AI Agent являются популярным и зрелым типом в веб-2 стартапах, в основном в области корпоративных услуг, в то время как в области веб-3 проекты по обучению моделей и объединению платформ стали основными благодаря их ключевой роли в построении экосистем.
В настоящее время количество проектов AI Agent в Web3 не велико и составляет 8%, но их доля на рынке AI достигает 23%, что демонстрирует их сильную рыночную конкурентоспособность. Мы ожидаем, что с увеличением зрелости технологий и повышением уровня 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核心 AI. При объединении проектов ИИ-агентов следует уделять внимание строительству всей экосистемы и дизайну токеномики, чтобы способствовать децентрализации и сетевому эффекту.
Волна ИИ: текущее состояние появления проектов и повышения оценок
С момента появления ChatGPT в ноябре 2022 года он привлек более 100 миллионов пользователей всего за два месяца. К маю 2024 года месячный доход ChatGPT достиг впечатляющих 20,3 миллиона долларов, а OpenAI быстро выпустила такие итерационные версии, как GPT-4 и GP4-4o после запуска ChatGPT. В такой стремительной ситуации крупнейшие традиционные технологические гиганты осознали важность применения передовых ИИ-моделей, таких как LLM, и начали запускать свои собственные ИИ-модели и приложения. Например, Google выпустила большую языковую модель PaLM2, Meta представила Llama3, а китайские компании запустили такие большие модели, как Wenxin Yiyan и Zhipu Qingyan. Очевидно, что область ИИ стала полем битвы для конкурирующих компаний.
Соревнование между крупными технологическими гигантами не только способствует развитию коммерческих приложений, но и, согласно статистике исследований открытого ИИ, отчет AI Index за 2024 год показывает, что количество проектов, связанных с ИИ, на GitHub увеличилось с 845 в 2011 году до примерно 1,8 миллиона в 2023 году. Особенно после выпуска GPT в 2023 году количество проектов увеличилось на 59,3% по сравнению с предыдущим годом, что отражает увлеченность глобального сообщества разработчиков исследованиями ИИ.
Страсть к технологиям ИИ напрямую отражается на инвестиционном рынке, рынок инвестиций в ИИ демонстрирует сильный рост, вторая четверть 2024 года показывает взрывной рост. В мире было зафиксировано 16 сделок по инвестициям в ИИ на сумму более 150 миллионов долларов, что в два раза больше, чем в первой четверти. Общая сумма финансирования стартапов в области ИИ также взлетела до 24 миллиардов долларов, что более чем в два раза превышает прошлогодние показатели. Среди них xAI, принадлежащая Маску, собрала 6 миллиардов долларов с оценкой в 24 миллиарда долларов, став второй по величине оцененной компанией в области ИИ после OpenAI.
Быстрое развитие технологий ИИ кардинально меняет карту технологической сферы с беспрецедентной скоростью. От жесткой конкуренции между технологическими гигантами до бурного роста проектами в открытых сообществах и горячего интереса со стороны капитального рынка к концепции ИИ. Проекты появляются один за другим, объемы инвестиций устанавливают новые рекорды, а оценки также растут. В целом рынок ИИ находится в золотую эпоху быстрого роста, крупные языковые модели и технологии, усиливающие генерацию через поиск, достигли значительных успехов 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 прозрачности модели. Эти вопросы становятся особенно важными в приложениях, требующих высокой надежности.
В этом контексте мы начали исследовать AI Agent, поскольку AI Agent подчеркивает целостность решения практических задач и взаимодействия с окружающей средой. Этот переход знаменует собой эволюцию технологий ИИ от чисто языковых моделей к интеллектуальным системам, способным действительно понимать, учиться и решать реальные проблемы. Таким образом, мы видим надежду в развитии AI Agent, который постепенно сокращает разрыв между технологиями ИИ и решением практических задач. Эволюция технологий ИИ постоянно преобразует архитектуру производительности, в то время как технологии Web3 перерабатывают производственные отношения цифровой экономики. Когда три основных элемента ИИ: данные, модели и вычислительная мощность, сочетаются с основными концепциями Web3, такими как децентрализация, токеномика и смарт-контракты, мы предвкушаем появление ряда инновационных приложений. В этой многообещающей перекрестной области мы считаем, что AI Agent с его способностью самостоятельно выполнять задачи демонстрирует огромный потенциал для масштабного применения.
В связи с этим мы начали углубленное изучение разнообразных приложений AI Agent в Web3, от инфраструктуры Web3, промежуточного программного обеспечения, уровня приложений до рынков данных и моделей, 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 понимали различия между его определением и самой моделью, мы приведем пример из реальной жизни: предположим, вы планируете поездку. Традиционные крупные языковые модели предоставляют информацию о направлениях и советы по поездкам. Технология генерации с улучшенной выборкой может предложить более богатое и конкретное содержание о местах назначения. AI Agent похож на Джарвиса из фильма о Железном Человеке: он понимает потребности и может по вашему запросу активно искать рейсы и отели, выполнять бронирования и добавлять поездку в календарь.
В настоящее время в отрасли широко используется определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и соответствующим образом действовать, получая информацию об окружении с помощью сенсоров, обрабатывая ее и оказывая влияние на среду через исполнительные механизмы (Стюарт Рассел и Питер Норвиг, 2020). Мы считаем, что AI Agent — это помощник, объединяющий возможности LLM, RAG, памяти, планирования задач и использования инструментов. Он способен не только предоставлять чистую информацию, но и планировать, разбивать задачи и действительно их выполнять.
Исходя из этого определения и характеристик, мы можем заметить, что AI Agent уже давно интегрирован в нашу жизнь и применяется в различных сценариях, таких как AlphaGo, Siri и автопилот уровня L5 и выше от Tesla, которые могут считаться примерами AI Agent. Общая черта этих систем заключается в том, что они могут воспринимать внешние пользовательские вводы и, исходя из этого, оказывать влияние на реальную среду.
Рассмотрим на примере ChatGPT, мы должны четко указать, что Transformer является технологической архитектурой, составляющей AI-модели, GPT — это модельный ряд, развившийся на основе этой архитектуры, в то время как GPT-1, GPT-4 и GPT-4o представляют различные версии модели на разных этапах развития. ChatGP, в свою очередь, является AI-агентом, который эволюционировал на основе модели GPT.
Категория Обзор
На данный момент на рынке AI-агентов не сформировалось единого классификационного стандарта. Мы использовали метод маркировки для 204 проектов AI-агентов на рынках Web2 и Web3, основываясь на их значительных тегах, разделив их на первичные и вторичные категории. Первичные категории включают в себя три типа: инфраструктура, генерация контента и взаимодействие с пользователями, которые затем детализируются в зависимости от их фактических примеров использования:
Инфраструктурные классы: эта категория сосредоточена на создании более базового контента в области Агента, включая платформы, модели, данные, инструменты разработки, а также более зрелые и базовые приложения для B-класса.
Инструменты для разработки: предоставление разработчикам вспомогательных инструментов и фреймворков для создания AI-агентов.
Класс обработки данных: обработка и анализ данных различных форматов, в основном используется для поддержки принятия решений, предоставления источников для обучения.
Классы обучения модели: предоставление услуг по обучению моделей для ИИ, включая вывод, создание моделей, настройку и т.д.
Услуги для B-канала: в основном ориентированы на корпоративных пользователей, предоставляют корпоративные услуги, вертикальные решения и автоматизированные решения.
Платформы для объединения: платформа, интегрирующая множество сервисов и инструментов AI Agent.
Интерактивные классы: похожи на классы генерации контента, но отличаются тем, что обеспечивают непрерывное двустороннее взаимодействие. Интерактивные агенты не только принимают и понимают потребности пользователей, но и предоставляют обратную связь с помощью технологий обработки естественного языка (NLP), обеспечивая двустороннее взаимодействие с пользователями.
Эмоциональное сопровождение: AI Agent, предоставляющий эмоциональную поддержку и компанию.
GPT-класс: AI-агент на основе модели GPT (генеративный предобученный трансформер).
Поисковые агенты: сосредоточены на функции поиска, предоставляют более точный информационный поиск.
Контентные генераторы: Эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента в соответствии с инструкциями пользователя. Они 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 сегментах. Конкретно, около двух третей проектов сосредоточены на инфраструктурных решениях, среди которых преобладают услуги для B2B 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, предоставляя прочную основу для разработки и применения ИИ-агентов.
Давление рыночного спроса: еще одним ключевым фактором является рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ на корпоративном рынке более настоятельный, особенно в поисках решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежный поток от предприятий относительно стабилен, что способствует разработке последующих проектов.
Ограничения в сценариях применения: В то же время мы отмечаем, что применение AI для генерации контента на B2B-рынке относительно ограничено. Из-за нестабильности его выходных данных компании предпочитают 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 реальные соображения применения. С учетом постоянного прогресса в области ИИ и дальнейшего уточнения рыночного спроса, мы ожидаем, что эта структура может измениться, но инфраструктурные элементы по-прежнему останутся прочным фундаментом для развития AI-агентов.
Анализ ведущих проектов AI-агентов Web2
Мы подробно рассматриваем некоторые текущие проекты AI Agent на рынке Web2 и проводим их анализ, используя в качестве примеров три проекта: Character AI, Perplexity AI и Midjourney.
ИИ персонажа:
Описание продукта: Character.AI предоставляет систему диалогов на основе искусственного интеллекта и инструменты для создания виртуальных персонажей. Платформа позволяет пользователям создавать, обучать и взаимодействовать с виртуальными персонажами, которые способны вести естественные языковые диалоги и выполнять определенные задачи.
Анализ данных: Character.AI в мае достигла 277 миллионов посещений, платформа имеет более 3,5 миллиона активных пользователей в день, большая часть которых в возрасте от 18 до 34 лет, что свидетельствует о характерной молодежной аудитории. Character AI продемонстрировала отличные результаты на капиталовложениях, завершив финансирование в размере 150 миллионов долларов, с оценкой в 1 миллиард долларов, возглавляемым a16z.
Технический анализ: Character AI подписала лицензионное соглашение с материнской компанией Google Alphabet на неэксклюзивное использование своей модели крупного языка, что свидетельствует о том, что Character AI использует собственные технологии. Стоит отметить, что основатели компании Ноам Шазир и Даниэль Де Фрейтас ранее принимали участие в разработке разговорной языковой модели Google Llama.
Перплексити ИИ:
Описание продукта: Perplexity может извлекать и предоставлять подробные ответы из Интернета. Ссылаясь на источники и предоставляя ссылки, он обеспечивает надежность и точность информации, а также обучает и направляет пользователей в задавании вопросов и поиске ключевых слов, удовлетворяя разнообразные запросы пользователей.
Анализ данных: Количество активных пользователей Perplexity в месяц достигло 10 миллионов, а посещаемость его мобильных и настольных приложений в феврале увеличилась на 8,6%, привлекая около 50 миллионов пользователей. На капиталовому рынку Perplexity AI недавно объявила о получении финансирования в размере 62,7 миллиона долларов, оценка составила 1,04 миллиарда долларов, возглавил раунд финансирования Дэниел Гросс, участниками стали Стэн Друкенмиллер 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. Модели подходят для профессиональных академических исследований и запросов в узких областях, обеспечивая правдивость и надежность информации.
В середине путешествия:
Описание продукта: Пользователи могут создавать изображения различных стилей и тем с помощью Prompts в Midjourney, охватывающих широкий спектр творческих потребностей от реалистичных до абстрактных. Платформа также предлагает смешивание и редактирование изображений, позволяя пользователям накладывать изображения и переносить стили, а функция реального времени платформы гарантирует, что пользователи получат результаты за несколько десятков секунд до нескольких минут.
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» .
18 Лайков
Награда
18
6
Репост
Поделиться
комментарий
0/400
Anon4461
· 07-16 13:34
Это всего лишь спекуляция, смотрите на данные.
Посмотреть ОригиналОтветить0
DevChive
· 07-16 00:23
Средства снова нашли неудачников пароль.
Посмотреть ОригиналОтветить0
BoredApeResistance
· 07-13 18:23
Эта рыночная капитализация сильно завышена...
Посмотреть ОригиналОтветить0
LiquiditySurfer
· 07-13 18:13
8% проекта занимает 23% рыночная капитализация, хорошее время для торговли на колебаниях и арбитража. Похоже, нужно заново распределить LP.
Посмотреть ОригиналОтветить0
SilentAlpha
· 07-13 18:12
разыгрывайте людей как лохов一波неудачников就跑
Посмотреть ОригиналОтветить0
HypotheticalLiquidator
· 07-13 18:05
Индикатор пузыря достиг максимума, будьте осторожны с длинными позициями, чтобы не получить ликвидацию.
AI Agent может принести новые возможности для Web3+AI, рыночная капитализация значительно превышает количество проектов.
Может ли AI-агент стать спасением для Web3+AI?
Проекты AI Agent являются популярным и зрелым типом в веб-2 стартапах, в основном в области корпоративных услуг, в то время как в области веб-3 проекты по обучению моделей и объединению платформ стали основными благодаря их ключевой роли в построении экосистем.
В настоящее время количество проектов AI Agent в Web3 не велико и составляет 8%, но их доля на рынке AI достигает 23%, что демонстрирует их сильную рыночную конкурентоспособность. Мы ожидаем, что с увеличением зрелости технологий и повышением уровня 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核心 AI. При объединении проектов ИИ-агентов следует уделять внимание строительству всей экосистемы и дизайну токеномики, чтобы способствовать децентрализации и сетевому эффекту.
Волна ИИ: текущее состояние появления проектов и повышения оценок
С момента появления ChatGPT в ноябре 2022 года он привлек более 100 миллионов пользователей всего за два месяца. К маю 2024 года месячный доход ChatGPT достиг впечатляющих 20,3 миллиона долларов, а OpenAI быстро выпустила такие итерационные версии, как GPT-4 и GP4-4o после запуска ChatGPT. В такой стремительной ситуации крупнейшие традиционные технологические гиганты осознали важность применения передовых ИИ-моделей, таких как LLM, и начали запускать свои собственные ИИ-модели и приложения. Например, Google выпустила большую языковую модель PaLM2, Meta представила Llama3, а китайские компании запустили такие большие модели, как Wenxin Yiyan и Zhipu Qingyan. Очевидно, что область ИИ стала полем битвы для конкурирующих компаний.
Соревнование между крупными технологическими гигантами не только способствует развитию коммерческих приложений, но и, согласно статистике исследований открытого ИИ, отчет AI Index за 2024 год показывает, что количество проектов, связанных с ИИ, на GitHub увеличилось с 845 в 2011 году до примерно 1,8 миллиона в 2023 году. Особенно после выпуска GPT в 2023 году количество проектов увеличилось на 59,3% по сравнению с предыдущим годом, что отражает увлеченность глобального сообщества разработчиков исследованиями ИИ.
Страсть к технологиям ИИ напрямую отражается на инвестиционном рынке, рынок инвестиций в ИИ демонстрирует сильный рост, вторая четверть 2024 года показывает взрывной рост. В мире было зафиксировано 16 сделок по инвестициям в ИИ на сумму более 150 миллионов долларов, что в два раза больше, чем в первой четверти. Общая сумма финансирования стартапов в области ИИ также взлетела до 24 миллиардов долларов, что более чем в два раза превышает прошлогодние показатели. Среди них xAI, принадлежащая Маску, собрала 6 миллиардов долларов с оценкой в 24 миллиарда долларов, став второй по величине оцененной компанией в области ИИ после OpenAI.
Быстрое развитие технологий ИИ кардинально меняет карту технологической сферы с беспрецедентной скоростью. От жесткой конкуренции между технологическими гигантами до бурного роста проектами в открытых сообществах и горячего интереса со стороны капитального рынка к концепции ИИ. Проекты появляются один за другим, объемы инвестиций устанавливают новые рекорды, а оценки также растут. В целом рынок ИИ находится в золотую эпоху быстрого роста, крупные языковые модели и технологии, усиливающие генерацию через поиск, достигли значительных успехов 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 прозрачности модели. Эти вопросы становятся особенно важными в приложениях, требующих высокой надежности.
В этом контексте мы начали исследовать AI Agent, поскольку AI Agent подчеркивает целостность решения практических задач и взаимодействия с окружающей средой. Этот переход знаменует собой эволюцию технологий ИИ от чисто языковых моделей к интеллектуальным системам, способным действительно понимать, учиться и решать реальные проблемы. Таким образом, мы видим надежду в развитии AI Agent, который постепенно сокращает разрыв между технологиями ИИ и решением практических задач. Эволюция технологий ИИ постоянно преобразует архитектуру производительности, в то время как технологии Web3 перерабатывают производственные отношения цифровой экономики. Когда три основных элемента ИИ: данные, модели и вычислительная мощность, сочетаются с основными концепциями Web3, такими как децентрализация, токеномика и смарт-контракты, мы предвкушаем появление ряда инновационных приложений. В этой многообещающей перекрестной области мы считаем, что AI Agent с его способностью самостоятельно выполнять задачи демонстрирует огромный потенциал для масштабного применения.
В связи с этим мы начали углубленное изучение разнообразных приложений AI Agent в Web3, от инфраструктуры Web3, промежуточного программного обеспечения, уровня приложений до рынков данных и моделей, 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 понимали различия между его определением и самой моделью, мы приведем пример из реальной жизни: предположим, вы планируете поездку. Традиционные крупные языковые модели предоставляют информацию о направлениях и советы по поездкам. Технология генерации с улучшенной выборкой может предложить более богатое и конкретное содержание о местах назначения. AI Agent похож на Джарвиса из фильма о Железном Человеке: он понимает потребности и может по вашему запросу активно искать рейсы и отели, выполнять бронирования и добавлять поездку в календарь.
В настоящее время в отрасли широко используется определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и соответствующим образом действовать, получая информацию об окружении с помощью сенсоров, обрабатывая ее и оказывая влияние на среду через исполнительные механизмы (Стюарт Рассел и Питер Норвиг, 2020). Мы считаем, что AI Agent — это помощник, объединяющий возможности LLM, RAG, памяти, планирования задач и использования инструментов. Он способен не только предоставлять чистую информацию, но и планировать, разбивать задачи и действительно их выполнять.
Исходя из этого определения и характеристик, мы можем заметить, что AI Agent уже давно интегрирован в нашу жизнь и применяется в различных сценариях, таких как AlphaGo, Siri и автопилот уровня L5 и выше от Tesla, которые могут считаться примерами AI Agent. Общая черта этих систем заключается в том, что они могут воспринимать внешние пользовательские вводы и, исходя из этого, оказывать влияние на реальную среду.
Рассмотрим на примере ChatGPT, мы должны четко указать, что Transformer является технологической архитектурой, составляющей AI-модели, GPT — это модельный ряд, развившийся на основе этой архитектуры, в то время как GPT-1, GPT-4 и GPT-4o представляют различные версии модели на разных этапах развития. ChatGP, в свою очередь, является AI-агентом, который эволюционировал на основе модели GPT.
Категория Обзор
На данный момент на рынке AI-агентов не сформировалось единого классификационного стандарта. Мы использовали метод маркировки для 204 проектов AI-агентов на рынках Web2 и Web3, основываясь на их значительных тегах, разделив их на первичные и вторичные категории. Первичные категории включают в себя три типа: инфраструктура, генерация контента и взаимодействие с пользователями, которые затем детализируются в зависимости от их фактических примеров использования:
Инфраструктурные классы: эта категория сосредоточена на создании более базового контента в области Агента, включая платформы, модели, данные, инструменты разработки, а также более зрелые и базовые приложения для B-класса.
Инструменты для разработки: предоставление разработчикам вспомогательных инструментов и фреймворков для создания AI-агентов.
Класс обработки данных: обработка и анализ данных различных форматов, в основном используется для поддержки принятия решений, предоставления источников для обучения.
Классы обучения модели: предоставление услуг по обучению моделей для ИИ, включая вывод, создание моделей, настройку и т.д.
Услуги для B-канала: в основном ориентированы на корпоративных пользователей, предоставляют корпоративные услуги, вертикальные решения и автоматизированные решения.
Платформы для объединения: платформа, интегрирующая множество сервисов и инструментов AI Agent.
Интерактивные классы: похожи на классы генерации контента, но отличаются тем, что обеспечивают непрерывное двустороннее взаимодействие. Интерактивные агенты не только принимают и понимают потребности пользователей, но и предоставляют обратную связь с помощью технологий обработки естественного языка (NLP), обеспечивая двустороннее взаимодействие с пользователями.
Эмоциональное сопровождение: AI Agent, предоставляющий эмоциональную поддержку и компанию.
GPT-класс: AI-агент на основе модели GPT (генеративный предобученный трансформер).
Поисковые агенты: сосредоточены на функции поиска, предоставляют более точный информационный поиск.
Контентные генераторы: Эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента в соответствии с инструкциями пользователя. Они 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 сегментах. Конкретно, около двух третей проектов сосредоточены на инфраструктурных решениях, среди которых преобладают услуги для B2B 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, предоставляя прочную основу для разработки и применения ИИ-агентов.
Давление рыночного спроса: еще одним ключевым фактором является рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ на корпоративном рынке более настоятельный, особенно в поисках решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежный поток от предприятий относительно стабилен, что способствует разработке последующих проектов.
Ограничения в сценариях применения: В то же время мы отмечаем, что применение AI для генерации контента на B2B-рынке относительно ограничено. Из-за нестабильности его выходных данных компании предпочитают 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 реальные соображения применения. С учетом постоянного прогресса в области ИИ и дальнейшего уточнения рыночного спроса, мы ожидаем, что эта структура может измениться, но инфраструктурные элементы по-прежнему останутся прочным фундаментом для развития AI-агентов.
Анализ ведущих проектов AI-агентов Web2
Мы подробно рассматриваем некоторые текущие проекты AI Agent на рынке Web2 и проводим их анализ, используя в качестве примеров три проекта: Character AI, Perplexity AI и Midjourney.
ИИ персонажа:
Описание продукта: Character.AI предоставляет систему диалогов на основе искусственного интеллекта и инструменты для создания виртуальных персонажей. Платформа позволяет пользователям создавать, обучать и взаимодействовать с виртуальными персонажами, которые способны вести естественные языковые диалоги и выполнять определенные задачи.
Анализ данных: Character.AI в мае достигла 277 миллионов посещений, платформа имеет более 3,5 миллиона активных пользователей в день, большая часть которых в возрасте от 18 до 34 лет, что свидетельствует о характерной молодежной аудитории. Character AI продемонстрировала отличные результаты на капиталовложениях, завершив финансирование в размере 150 миллионов долларов, с оценкой в 1 миллиард долларов, возглавляемым a16z.
Технический анализ: Character AI подписала лицензионное соглашение с материнской компанией Google Alphabet на неэксклюзивное использование своей модели крупного языка, что свидетельствует о том, что Character AI использует собственные технологии. Стоит отметить, что основатели компании Ноам Шазир и Даниэль Де Фрейтас ранее принимали участие в разработке разговорной языковой модели Google Llama.
Перплексити ИИ:
Описание продукта: Perplexity может извлекать и предоставлять подробные ответы из Интернета. Ссылаясь на источники и предоставляя ссылки, он обеспечивает надежность и точность информации, а также обучает и направляет пользователей в задавании вопросов и поиске ключевых слов, удовлетворяя разнообразные запросы пользователей.
Анализ данных: Количество активных пользователей Perplexity в месяц достигло 10 миллионов, а посещаемость его мобильных и настольных приложений в феврале увеличилась на 8,6%, привлекая около 50 миллионов пользователей. На капиталовому рынку Perplexity AI недавно объявила о получении финансирования в размере 62,7 миллиона долларов, оценка составила 1,04 миллиарда долларов, возглавил раунд финансирования Дэниел Гросс, участниками стали Стэн Друкенмиллер 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. Модели подходят для профессиональных академических исследований и запросов в узких областях, обеспечивая правдивость и надежность информации.
В середине путешествия:
Описание продукта: Пользователи могут создавать изображения различных стилей и тем с помощью Prompts в Midjourney, охватывающих широкий спектр творческих потребностей от реалистичных до абстрактных. Платформа также предлагает смешивание и редактирование изображений, позволяя пользователям накладывать изображения и переносить стили, а функция реального времени платформы гарантирует, что пользователи получат результаты за несколько десятков секунд до нескольких минут.