TL;DR

AI Agent 計畫在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、平台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，我們預期隨著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 專案而言，對於非 AI 核心的應用端產品，引進 AI 技術可能成為策略優勢。對於 AI Agent 專案結合方式應著重於全生態系統建構和代幣經濟模型設計，以促進去中心化和網路效應。

AI 浪潮：專案迭出與估值抬升的現況

自ChatGPT 在2022 年自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, GP4-4o 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PaLM2，Meta 推出了Llama3，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，同時我們從開源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%，反映了全球開發者社區對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成長，在 2024 年第二季呈現爆發式成長。全球共有 16 筆超 1.5 億美元的 AI 相關投資，是第一季的兩倍之多。 AI 新創的融資總額更是飆升至 240 億美元，較去年同期成長過一倍。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 新創公司。

2024 Q2 AI 賽道融資TOP10，資料來源：億歐，https://www.iyiou.com/data/202407171072366

AI 技術的快速發展正以前所未有的速度重塑著科技領域的版圖。從科技巨頭間的激烈角逐，到開源社群專案的蓬勃發展，再到資本市場對 AI 概念的熱烈追捧。專案層出不窮，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。儘管如此，這些模型在將技術優勢轉化為實際產品時仍面臨挑戰，例如模型輸出的不確定性、產生不準確資訊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情境下變得尤為重要。

在這一背景下，我們開始對 AI Agent 展開研究，因為 AI Agent 強調解決實際問題與環境互動的全面性。這一轉變標誌著 AI 技術從純粹的語言模型轉向能夠真正理解學習並解決現實問題的智慧系統進化。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生產力的架構，而 Web3 技術則在重構數位經濟的生產關係。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融合，我們預見將催生一系列創新應用。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，展現了實現大規模應用的巨大潛力。

為此，我們開始深入研究AI Agent 在Web3 的多樣化應用，從Web3 的基礎設施、中介軟體、應用層面，到資料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 的介紹與分類概觀

基本介紹

在介紹AI Agent 之前，為了讓讀者更好地理解其定義和模型本身的區別，我們透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資訊和旅行建議。檢索增強生成技術則能提供更豐富、更具體的目的地內容。而 AI Agent 就像是鋼鐵人電影中的賈維斯，能理解需求，還能根據你的一句話主動搜尋航班和飯店，執行預訂操作，將行程加入日曆中。

目前業界普遍對AI Agent 的定義是指, 能夠感知環境並做出相應行動的智慧系統，透過感測器獲取環境訊息，經過處理後透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。它不僅能夠單純的資訊提供，還能夠規劃、分解任務，並真正執行。

根據這個定義和特性，我們可以發現AI Agent 早已融入我們的生活，在不同的場景中被應用，例如AlphaGo、Siri、特斯拉的L5 等級以上的自動駕駛等都可視為AI Agent 的實例。這些系統共同的特質就是都能感知外界使用者輸入，並據此做出相對應對現實環境產生影響。

以ChatGPT 為例進行概念釐清，我們應明確指出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-4o 分別代表了模型在不同發展階段的版本。 ChatGP 則 T 是基於 GPT 模型演化而來的 AI Agent。

分類概況

當下AI Agent 市場尚未形成統一的分類標準，我們透過分別在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，使用者互動三種類別，再依其實際用例細分：

基礎建設類：這類專注於建構 Agent 領域較為底層的內容，包括平台、模型、資料、開發工具，以及較成熟便底層應用的 B 端服務類。

開發工具類別：提供開發者建構 AI Agent 的輔助工具和框架。

資料處理類別：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。

模型訓練類別：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端服務類別：主要針對企業用戶，提供企業服務類別、垂直類別、自動化的解決方案。

平台集合類別：整合多種 AI Agent 服務和工具的平台。

互動類別：與內容生成類別相似，差異在於持續雙向互動。互動類 Agent 不僅接受和理解使用者需求，也透過自然語言處理（NLP）等技術提供回饋，實現與使用者的雙向互動。

情緒陪伴類：提供情緒支持與陪伴的 AI Agent。

GPT 類別：基於 GPT（生成式預訓練 Transformer）模型的 AI Agent。

搜尋類別：專注於搜尋功能，提供更精確的資訊以擷取為主的 Agent。

內容生成類別：這類專案專注於創造內容，利用大模型技術根據使用者指示產生各種形式的內容，分為文字生成、影像生成、視訊生成和音訊生成四大類。

Web2 AI Agent 發展現況分析

根據我們的統計，在Web2 傳統互聯網中AI Agent 的開發呈現出明顯的板塊集中趨勢。具體來說，大約有三分之二的專案集中在基礎建設類，其中主要是 B 端服務類和開發工具類居多，我們對此現像也進行了一些分析。

技術成熟度的影響：基礎建設類專案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，從而降低了開發難度和風險。相當於 AI 領域的「鏟子」，為 AI Agent 的開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，特別是在尋求提升營運效率和降低成本的解決方案方面。同時對於開發者而言，來自企業的現金流量相對穩定，有利於他們開發後續專案。

應用場景的限制：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。

此趨勢反映了技術成熟度、市場需求和應用情境的實際考量。隨著 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 龍頭專案分析

Web2 的AI Agent 龍頭專案整理，來源：ArkStream 專案資料庫

我們深入探討一些目前Web2 市場上的AI Agent 項目，並對它們展開分析，以Character AI，Perplexity AI，Midjourney 三個項目為例。

Character AI：

產品介紹：Character.AI提供基於人工智慧的對話系統和虛擬角色創建工具。其平台允許使用者創建、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，平台擁有超過350 萬的每日活躍用戶，其中大部分用戶年齡在18至34 歲之間，顯示出年輕化的使用者群體特徵。 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Google母公司Alphabet 簽署了非獨家使用其大型語言模型的授權協議，這表明Character AI 採用的是自研技術。值得一提的是，該公司的創辦人 Noam Shazeer 和 Daniel De Freitas 曾參與開發Google的對話式語言模式 Llama。

Perplexity AI：

產品介紹：Perplexity 能夠從網路擷取並提供詳盡的答案。透過引用和參考連結確保了資訊的可靠性和準確性，同時他會教育、引導用戶進行追問和搜尋關鍵字，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，其行動和桌面應用程式的訪問量在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 6,270 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，以及基於開源大模型微調的兩款大型模型：pplx-7b-online和pplx-70b-online。模型適合專業學術研究和垂直領域的查詢，確保資訊的真實度和可靠性。

Midjourney：

產品介紹：使用者可以透過Prompts在Midjourney 創造各種風格和主題的圖像，涵蓋從寫實到抽象的廣泛創作需求。平台還提供影像混合與編輯，讓使用者進行影像疊加和風格遷移，平台的即時生成功能確保使用者在幾十秒到幾分鐘內就能獲得生成的影像。

資料分析：該平台已經有 1,500 萬名註冊用戶，並且有 150 萬至 250 萬的活躍用戶。同時，根據公開市場消息，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，該平台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 3 億到 400 億個，這一龐大的參數量為其生成圖像的多樣性和準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複雜的多任務場景。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，也預示著它們將在未來扮演更關鍵的角色。透過對 Web2 中 125 個 AI Agent 專案的初步統計，我們發現專案主要集中在內容生成（如 Jasper AI）、開發工具（如 Replit），以及數量最多的 B 端服務（如 Cresta）。這項發現與我們的預期相悖，起初我們預期隨著 AI 模型技術的日益成熟，C 端市場將迎來 AI Agent 的爆發性成長。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複雜。

拿 Character.Ai 為例，一方面，Character.AI 擁有最好的流量表現。但因為其商業模式單一，靠 9.9USD 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。這個案例反映出，即使有這麼好的流量和融資，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準，導致了 C 端用戶對目前產品的付費意願並不強烈。在我們實際的研究調查中發現許多新創項目都遇到了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 端市場的潛力與價值。

透過統計大部分 AI Agent 專案的估值，對比 OpenAI、xAI 等天花板專案估值還有接近 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。企業透過建構平台，將 AI Agent 整合到垂直領域、CRM、辦公室 OA 等管理軟體中，這不僅為企業帶來營運效率的提升，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 發展現況與前景分析

專案概觀

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，也面臨著商業變現的難題。接下來我們將深入分析目前 AI Agent 專案在 Web3 內的發展。透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、用戶回饋以及發展潛力，旨在挖掘具有啟發性的建議。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 龍頭專案整理，資料來源：ArkStream 專案資料庫

根據我們對Web3 AI Agent 市場的統計，其專案開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，同時較為缺乏內容生成類的項目。大多數項目都試圖透過讓使用者提供分散式的資料、算力等，去解決項目方的模型訓練需求。也或試圖打造一站式平台，嵌入多種 AI Agent 的應用服務與工具。從開發工具到前段互動類別應用程式、生成式應用程式等。而傳統 AI Agent 產業目前主要局限於開源參數調整或應用現有模型建構應用，這種方式在企業和個人使用者層面都未能形成顯著的網路效應。

現況分析

我們認為現階段這種現象可能由以下幾個因素所推動：

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係，透過去中心化的方式優化資源和協作。這可能導致一些互動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，可能沒有那麼多實際的需求去產生影像、影片或文字等內容。相反，Web3 的去中心化和分散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。

此現象的根源，我們認為可追溯至目前 AI 產業的發展狀態及其未來方向。或許正是因為目前的 AI 技術仍處於初級，類似於工業革命早期的蒸汽機被馬達取代的過渡期，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作用。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。開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，去中心化特性在資料隱私保護、運算資源分配等方面也為模型訓練帶來了獨特優勢。

隨著技術進步，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。這使得開發特定場景的公開模型或滿足用戶個人化需求變得更加容易。 Web3 內的AI Agent 專案能夠充分利用這項技術進步，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戰略考量。所以 Web3 產業內的 AI Agent 專案集中在模型訓練領域，是技術發展趨勢、市場需求和 Web3 產業優勢的自然交會。接下來我們會例舉幾個 Web2&3 產業內的模型訓練類項目並進行比較。

模型訓練類項目

Humans.ai

專案介紹：Humans.ai 是多元化的AI 演算法模型庫和訓練部署環境，涵蓋影像、視訊、音訊、文字等多個領域。平台不僅支援開發者對模型進行進一步的訓練和最佳化，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 作為儲存 AI 模型和使用者生物特徵資料的媒介，使得 AI 創造內容的過程更加個人化和安全。

數據分析：Humans.ai 其代幣 Heart 的市值約為 6800 萬美元。 Twitter 追蹤者為 56k，並未揭露其用戶資料。

技術分析：Humans.ai 沒有自主研發模型，而是採用模組化方法，將所有提供的模型封裝進NFT 中，為使用者提供了一個靈活且可擴展的AI 解決方案。

FLock.io

專案介紹：FLock.io 是一個基於聯邦學習技術（強調資料隱私的去中心化機器學習方法）的AI 共創平台，它致力於解決AI 賽道中的痛點，如公眾參與度低、隱私保護不足，以及大公司對AI 技術的壟斷。該平台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。

資料分析：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 的技術架構是基於聯邦學習，這是一種在保護資料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運算（SMPC）等技術，為資料隱私提供額外保護。

這是 Web3 產業內 AI Agent 的模型訓練類別的項目，在 Web2 同樣也有類似的平台提供模型訓練的服務，例如 Predibase。

Predibase

專案介紹：Predibase 專注於AI 和大語言模型最佳化，允許使用者微調和部署開源的大語言模型，例如Llama、CodeLlama、Phi 等。平台支援多種最佳化技術，如量化、低秩適應和記憶體高效的分散式訓練。

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 這類新創公司都是該平台用戶。

技術分析：Predibase 的使用者已經訓練了超過250 個模型，目前平台採取LoRAX 架構和Ludwig 框架：LoRAX 使用戶能夠在單一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 用於開發、訓練、微調和部署最先進的深度學習和大語言模型。

專案分析：Predibase 平台具備使用者友善的特性，為不同層級的使用者提供客製化的 AI 應用程式建置服務。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 平台的一鍵式自動化功能簡化了模型建置、訓練流程。平台自動完成複雜的建置和部署步驟。對於有經驗的用戶，則提供了更深入的自訂選項。不僅提供自動化服務，還允許使用者存取和調整更專業的參數設定。 在對比傳統 AI 模型訓練平台與 Web3 領域的 AI 專案時，儘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 模型訓練平台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，使得平台能夠處理複雜的 AI 模型訓練任務。然而，Web3 專案可能更專注於去中心化和開放性，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。平台要求使用者付費才能訓練模型，資金來源限制了專案的可持續發展空間，尤其是在需要廣泛用戶參與和資料收集的早期階段。相較之下，Web3 計畫會具備更靈活的商業模式，如代幣經濟以社群驅動的模型。

隱私權保護的挑戰：隱私權保護是另一個關鍵議題。以 Predibase 為例，儘管它提供了在 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資料外洩的潛在風險。

這些差異化的點，無一例外都成為傳統 AI 產業內的瓶頸。因為網路的特徵，注定這些問題會較難以有效率的辦法去解決。同時，這也為 Web3 帶來了機會和挑戰，專案方率先解決了這些問題將很有可能成為業界的先驅。

Web3 其他類別的Agent 項目

在我們探討了模型訓練類別的AI Agent專案之後，我們接下來將視野擴展到Web3 產業中其他類型的AI Agent 專案。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眾不同。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 平台，使用者能夠創建、分享、個人化的AI 代理。這些 Agent 能夠提供陪伴，也能輔助工作提高效率。平台涵蓋了多樣化的 AI 代理風格，包括二次元和傳統風格，互動形式涵蓋音訊、視訊和文字。 MyShell 特別之處在於聚合了包括 GPT4o、GPT4、Claude 在內的多種現有模型，為使用者提供了傳統付費 AI Agent 的高級體驗。此外，平台引入了類似 FT bonding curve 的交易系統，激勵創作者開發高價值的 AI 模型，同時讓用戶有機會投資並分享收益。

數據分析：MyShell 在融資方面最後一輪估值約8000 萬美元，Dragonfly 領投，而其他知名投資者如幣安、Hashkey、Folius等也參與其中。儘管沒有特定的用戶訪問數據，但MyShell 在社交媒體上擁有近180K 的Twitter 粉絲，Discord 在線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開發者基礎。

技術分析：MyShell 並非獨立開發 AI 模型，而是作為一個整合平台，匯集了 Claude、GPT-4、4o 等前沿模型，並且聲稱支援其他閉源模型。這種策略使得 MyShell 能夠利用現有技術資源，為使用者提供一個統一且先進的 AI 體驗。

主觀體驗：MyShell 讓使用者可以根據自己的需求自由創建和自訂AI 代理，無論是作為個人陪伴還是專業助手，都能適應音訊、視訊等多種場景。使用者即使不使用 MyShell 的代理，也能以較低成本享受到整合的 Web2 付費模型。此外，平台結合了 FT 的經濟概念，讓使用者不僅可以使用 AI 服務，還能投資他們看好的 AI 代理，透過 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 能更好地配合為使用者帶來友善的Web3 體驗。目前，Delysium 已經推出了兩款 AI Agent：Lucy 和 Jerry。 Lucy 是連網的AI Agent，願景是能夠提供工具類的輔助，例如查詢Top10 持幣地址等，但目前Agent 執行鏈上意圖的功能尚未開放，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 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。

資料分析：2022 年首輪募資 400W 美元，同年又宣布完成了 1,000 萬美元的策略性融資。其代幣 AGI，目前 FDV約 1.3 億美元。暫無最新用戶數據，根據 Delysium 官方的統計，截止 2023 年 6 月 Lucy 已累積了超過 140 萬的獨立錢包連線數。

Sleepless AI

產品介紹：結合了Web3 和AI Agent 技術的情感陪伴遊戲平台，提供虛擬伴侶遊戲HIM 和HER，利用AIGC 和LLM 來讓使用者沉浸在和虛擬角色的互動中。使用者在不斷的對話過程中，可以修改角色的屬性、服裝等，其相容的大語言模型確保了角色在每一次對話中迭代自己，變得更懂使用者。

數據分析：專案共籌集 370 萬美元，投資者包括 Binance Labs、Foresight Ventures 和 Folius Ventures，目前代幣總市值達到 4 億美元左右。推特追蹤者 116K，根據官方統計註冊預約數達 190K，其活躍用戶達 43K。可以說其用戶黏性還是挺強的。

技術分析：儘管官方並沒有公開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，同時結合向量資料庫以及性格參數系統讓角色擁有記憶。

主觀體驗：Sleepless AI 透過 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。專案透過高成本的美工、持續迭代的語言模型、高品質完整的配音，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程式感受不到的。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 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 產業中，AI Agent 專案涵蓋了公鏈、資料管理、隱私權保護、社群網路、平台服務和運算能力等多個方向。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 專案在 AI 賽道中的市值佔比約為 23%。

儘管AI Agent 專案的數量僅有十餘個左右，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條細分賽道有很大的成長潛力的驗證。

在統計過後，我們提出了一個核心問題：具備哪些特質的 Agent 專案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 產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台集合類項目，構建了一個橋樑，一端連接B 端或C 端對Agent 需求的用戶，另一端服務於開發者和驗證者——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，建立一個完整的生態系統和提供多樣化的功能，可能比單一產品的品質和性能更為關鍵。換言之，一個專案的成功不僅取決於它提供了什麼，更在於它如何整合資源、促進協作，並在生態系統內創造網路效應。這種生態系統的建構能力，可能是 AI Agent 專案在 Web3 賽道中脫穎而出的重要因素。

AI Agent 專案在 Web3 中的正確融合方式，並非是專注於單一應用的深度開發，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，以建立一個自循環的生態系統。這一點從 OpenAI 的策略轉變中也可見一斑，他們選擇在今年推出應用平台而非僅僅更新模型。

總結我們認為AI Agent 專案應該著重於以下幾個面向：

生態系統建構：超越單一應用，建構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，以激勵使用者參與網路建設，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，透過跨領域整合創造新的使用情境和價值。

在總結這三個面向後，為了針對不同專注方向的專案方，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 賽道的原生專案。

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整合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。儘管現實是 AI 技術對專案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，前提是他們本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 的專案方將能夠更迅速地迭代他們的產品，從而抓住機遇，成為業界的領跑者。這就像在過去幾年中，社媒平台上的直播帶貨逐漸取代線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，這些商家立刻憑藉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 可能是一個策略性的決策。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成長點。

對於專注於 AI Agent 的原生專案：

平衡技術創新與市場需求是成功的關鍵。 在 AI Agent 的原生專案中，專案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 專案可能過於專注於往單一技術方向開發，或是建構了一個宏大的願景，但產品開發卻未能跟上。這兩種極端都不利於計畫的長期發展。

因此，我們建議專案方在確保產品品質的同時，也要關注市場內的動態，同時意識到傳統網路產業內的AI 應用邏輯並不適用於Web3，相反他們更需要藉鏡那些已經在Web3 市場上取得成果的項目。關注他們身上有的標籤，好比文章提到的模型訓練、平台集合等核心功能，以及他們打造的敘事例如 AI 模組化、多 Agent 協作等。探索性感的敘事，可能成為專案在市場中突破的關鍵。

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。專案方應該在維持產品品質的基礎上，觀察市場趨勢，並借鑒成功案例，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：

資本投入與市場關注：儘管目前Web3 產業內AI Agent 專案在Listing 數量上不佔優勢，但它們在市場估值中佔比接近50%，顯示出資本市場對此賽道的高度認可。隨著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。

競爭格局與創新能力：Web3 產業內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，這給新的專案方們很多成長和創新的空間。隨著技術成熟，和專案先前的創新，賽道有望開發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係，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，透過合理的代幣經濟設計和用戶激勵方案，讓閒置算力或個人資料集集合再分配，再透過ZKML 等解決方案保護資料隱私，可以進一步降低算力和數據成本，並讓更多個人用戶參與AI 產業的建設。

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。透過橫向比較，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、市場需求的成長、資本的投入以及賽道內企業的創新潛力，未來，隨著技術成熟和市場認可度的提升，這條賽道有望湧現多個估值10 億以上的項目。

參考資料

https://blog.csdn.net/u012842807/article/details/140566345

https://finance.eastmoney.com/a/202407093126222034.html

Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.).

原文連結