Может ли AI Agent стать спасательным кругом для Web3+AI?
Проект AI Agent является популярным и зрелым типом в Web2 стартапах, в основном в области корпоративных услуг, в то время как в области Web3 проекты по обучению моделей и сбору платформ стали основными из-за их ключевой роли в построении экосистемы.
В настоящее время количество проектов AI Agent в Web3 не велико и составляет 8%, но их доля в рыночной капитализации в AI-секторе достигает 23%, что показывает их сильную конкурентоспособность на рынке. Мы ожидаем, что с развитием 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 ядром ИИ. При разработке проектов AI Agent следует уделять внимание построению всей экосистемы и дизайну токеномики, чтобы способствовать децентрализации и сетевым эффектам.
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 после выпуска ChatGPT быстро представила итерационные версии, такие как GPT-4 и GP4-4o. В такой стремительной обстановке крупные традиционные технологические гиганты осознали важность применения самых современных AI моделей, таких как LLM, и начали выпускать свои собственные AI модели и приложения. Например, Google представила большую языковую модель PaLM2, Meta выпустила Llama3, а китайские компании представили такие крупные модели, как Wenxin Yiyan и Zhipu Qingyan. Очевидно, что сфера AI стала полем битвы для всех.
Соревнование среди крупных технологических компаний не только способствовало развитию коммерческих приложений, но и из исследования открытых AI-исследований мы узнали, что AI Index report за 2024 год показывает, что количество AI-проектов на GitHub с 845 в 2011 году резко возросло до около 1,8 миллиона в 2023 году, особенно после выпуска GPT в 2023 году, количество проектов увеличилось на 59,3% по сравнению с прошлым годом, что отражает увлечение мирового сообщества разработчиков AI-исследованиями.
Страсть к технологиям ИИ прямо отражается на инвестиционном рынке, где рынок инвестиций в ИИ демонстрирует сильный рост, а во втором квартале 2024 года происходит взрывной рост. В мире произошло 16 инвестиций, связанных с ИИ, каждая из которых превысила 150 миллионов долларов, что в два раза больше, чем в первом квартале. Общая сумма финансирования стартапов в области ИИ стремительно возросла до 24 миллиардов долларов, что означает рост более чем в два раза по сравнению с прошлым годом. В частности, xAI, принадлежащая Маску, привлекла 6 миллиардов долларов, её оценка составила 24 миллиарда долларов, что делает её второй по величине по оценке стартапом в области ИИ после OpenAI.
Быстрое развитие технологий ИИ в настоящее время переопределяет ландшафт технологической сферы беспрецедентными темпами. От ожесточенной конкуренции между технологическими гигантами до бурного роста проектов в открытых сообществах и горячего интереса со стороны капитальных рынков к концепциям ИИ. Проекты появляются один за другим, объемы инвестиций достигают новых рекордов, а оценки компаний растут соответственно. В целом, рынок ИИ находится в золотой период 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 проблемами при преобразовании технологических преимуществ в реальные продукты, такими как неопределенность вывода моделей, риск генерации неточной информации и проблемы прозрачности моделей. Эти вопросы становятся особенно важными в сценариях применения, где требования к надежности крайне высоки.
На этом фоне мы начали исследование AI Agent, поскольку AI Agent подчеркивает целостность решения практических проблем и взаимодействия с окружающей средой. Этот переход знаменует собой эволюцию технологий ИИ от чисто языковых моделей к интеллектуальным системам, которые действительно понимают, учатся и решают 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 перестраивает архитектуру производительности, в то время как технологии Web3 реконструируют производственные отношения цифровой экономики. Когда три основных элемента ИИ: данные, модели и вычислительная мощность, интегрируются с основными концепциями Web3, такими как децентрализация, токеномика и смарт-контракты, мы предвкушаем появление ряда инновационных приложений. В этой перспективной перекрестной области мы считаем, что AI Agent, обладая способностью автономно выполнять задачи, демонстрирует огромный потенциал для реализации масштабных приложений.
В связи с этим мы начали углубленное изучение разнообразных приложений AI Agent в Web3, от инфраструктуры Web3, промежуточного ПО, приложений до рынков данных и моделей, с целью выявления и оценки наиболее перспективных типов проектов и сценариев применения, чтобы глубже понять глубокую интеграцию AI и Web3.
Уточнение понятий: Введение в AI Agent и обзор его классификации
Основное введение
Перед тем как представить AI-агента, чтобы читатели лучше поняли различия между его определением и самой моделью, мы приведем пример из реальной жизни: предположим, вы планируете путешествие. Традиционная большая языковая модель предоставляет информацию о направлениях и советы по путешествию. Технология генерации, усиленная поиском, может предложить более богатое и конкретное содержание о направлениях. AI-агент подобен Джарвису из фильма о Железном человеке: он понимает потребности и может по вашему запросу активно искать рейсы и отели, выполнять бронирование и добавлять поездку в календарь.
В настоящее время в отрасли широко распространено определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и соответствующим образом действовать, получая информацию об окружающей среде через датчики, обрабатывая её и влияя на среду с помощью исполнительных устройств (Stuart Russell \u0026 Peter Norvig, 2020). Мы считаем, что AI Agent — это помощник, который объединяет 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 уже интегрирован в нашу жизнь и применяется в различных сценариях, таких как AlphaGo, Siri, автономное вождение уровня L5 и выше в Tesla, которые могут рассматриваться как примеры AI Agent. Общая черта этих систем заключается в том, что они могут воспринимать входные данные от пользователей и соответственно влиять на реальную среду.
Возьмем ChatGPT в качестве примера для разъяснения концепции: мы должны четко указать, что Transformer является технической архитектурой, составляющей AI модели, GPT — это серия моделей, развившихся на основе этой архитектуры, а GPT-1, GPT-4 и GPT-4o представляют собой версии модели на разных этапах ее развития. ChatGP, в свою очередь, является AI агентом, эволюционировавшим на основе модели GPT.
Категория обзор
На данный момент на рынке AI-агентов еще не сформировались единые стандарты классификации. Мы провели маркировку 204 проектов AI-агентов на рынках Web2 и Web3. В зависимости от значительных тегов, соответствующих каждому проекту, мы разделили их на первичные и вторичные категории. При этом первичные категории включают три группы: базовая инфраструктура, генерация контента и взаимодействие с пользователями, а затем мы провели дальнейшую сегментацию в зависимости от их фактических случаев использования:
Инфраструктурные проекты: этот тип фокусируется 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 разработчиков: предоставляют разработчикам вспомогательные инструменты и фреймы для создания AI Agent.
Класс обработки данных: обработка и анализ данных в различных форматах, в основном используется для поддержки принятия решений и предоставления источников для обучения.
Класс обучения моделей: предоставляет услуги обучения моделей для ИИ, включая вывод, создание моделей, настройки и т.д.
Услуги для B-класса: в основном ориентированы на корпоративных пользователей, предоставляя корпоративные услуги, вертикальные решения и автоматизацию.
Платформы-агрегаторы: платформы, которые интегрируют различные услуги и инструменты AI Agent.
Интерактивные агенты: похожи на агенты по генерации контента, но 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.
Эмоциональная поддержка: AI-агент, предоставляющий эмоциональную поддержку и сопровождение.
GPT-класс: AI-агент на основе модели GPT (генеративный предварительно обученный трансформер).
Поисковые агенты: сосредоточены на поисковых функциях, предоставляя более точный агент для информационного поиска.
Генерация контента: эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента по указаниям пользователей, делятся на четыре категории: генерация текста, генерация изображений, генерация видео и генерация аудио.
Анализ текущего состояния развития Web2 AI Agent
Согласно нашей статистике, в традиционном интернете Web2 наблюдается явная тенденция к концентрации разработки AI-агентов. В частности, около двух третей проектов сосредоточены в области инфраструктуры, в основном это услуги для бизнеса и инструменты для разработчиков, и мы провели некоторый анализ этого явления.
Влияние зрелости технологий: проекты в области инфраструктуры занимают доминирующее положение благодаря своей зрелости технологий. Эти проекты обычно основываются на проверенных временем технологиях и рамках, что снижает сложность и риски разработки. Это эквивалентно "лопате" в области ИИ, обеспечивая прочную основу для разработки и применения ИИ-агентов.
Движущая сила рыночного спроса: еще одним ключевым фактором является рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ на бизнес-рынке более настойчивый, особенно в поисках решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежные потоки от бизнеса относительно стабильны, что способствует разработке последующих проектов.
Ограничения в области применения: В то же время мы заметили, что применение AI для генерации контента на B-рынке относительно ограничено. Из-за нестабильности его продукции предприятия предпочитают те приложения, которые могут стабильно повышать производительность. Это приводит к тому, что доля AI для генерации контента в проектной библиотеке невелика.
Этот тренд отражает зрелость технологий, рыночный спрос и реальные аспекты применения. С учетом постоянного прогресса в области технологий ИИ и дальнейшего уточнения рыночного спроса, мы ожидаем, что эта картина может измениться, но инфраструктурные решения по-прежнему останутся прочным основанием для развития ИИ-агентов.
Анализ ведущих проектов AI-агентов Web2
Мы подробно рассмотрим некоторые текущие проекты AI Agent на рынке Web2 и проанализируем их, взяв в качестве примеров три проекта: Character AI, Perplexity AI и Midjourney.
ИИ персонажа:
Описание продукта: Character.AI предоставляет системы диалогов на основе искусственного интеллекта и инструменты для создания виртуальных персонажей. Платформа позволяет пользователям создавать, обучать и взаимодействовать с виртуальными персонажами, которые могут вести разговоры на естественном языке и выполнять определенные задачи.
Анализ данных: В мае Character.AI имел 277 миллионов посещений, платформа обладает более чем 3,5 миллионами активных пользователей в день, большинство из которых в возрасте от 18 до 34 лет, что свидетельствует о молодом составе пользователей. Character AI демонстрирует отличные результаты на капиталовложениях, завершив финансирование в размере 150 миллионов долларов и достигнув оценки в 1 миллиард долларов, при этом ведущим инвестором выступил a16z.
Технический анализ: Character AI подписала неэксклюзивное лицензионное соглашение с материнской компанией Google, Alphabet, что указывает на то, что Character AI использует собственные технологии. Стоит отметить, что основатели компании Ноам Шазир и Даниэль Де Фрейтас участвовали в разработке разговорной языковой модели Llama от Google.
Перплексити ИИ:
Описание продукта: Perplexity может извлекать информацию из Интернета и предоставлять подробные ответы. Он обеспечивает надежность и точность информации за счет ссылок и референтных ссылок, а также обучает и направляет пользователей, чтобы они могли задавать дополнительные вопросы и искать ключевые слова, удовлетворяя разнообразные запросы пользователей.
Анализ данных: количество активных пользователей Perplexity достигло 10 миллионов, а посещаемость его мобильных и десктопных приложений в феврале увеличилась на 8,6%, привлекая около 50 миллионов пользователей. На финансовом рынке Perplexity AI недавно объявила о получении 62,7 миллиона долларов финансирования, ее оценка достигла 1,04 миллиарда долларов, инвестором выступил Дэниел Гросс, среди участников - Стэн Друкенмиллер и NVIDIA.
Технический анализ: Основная модель, используемая Perplexity, - это доработанная версия GPT-3.5, а также две большие модели, доработанные на основе открытых крупных моделей: pplx-7b-online и pplx-70b-online. Модели подходят 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» .
18 Лайков
Награда
18
5
Поделиться
комментарий
0/400
BearMarketSurvivor
· 21ч назад
8% количество 23% рыночная капитализация Эта битва альткоинов уже заняла высшую точку
Посмотреть ОригиналОтветить0
StakeHouseDirector
· 21ч назад
Трасса неплохая, покупай, покупай, покупай!
Посмотреть ОригиналОтветить0
MEV_Whisperer
· 21ч назад
Ах, все кричат о спасительном соломинке, новая волна неудачников скоро придет.
Посмотреть ОригиналОтветить0
LightningClicker
· 21ч назад
Купите это! Доля 23% в рыночной капитализации не шутка.
Посмотреть ОригиналОтветить0
FromMinerToFarmer
· 21ч назад
мир криптовалют тоже начал играть с ИИ, кто даст оценку?
Восход проекта AI Agent: Анализ оценки и перспектив применения в области Web3
Может ли AI Agent стать спасательным кругом для Web3+AI?
Проект AI Agent является популярным и зрелым типом в Web2 стартапах, в основном в области корпоративных услуг, в то время как в области Web3 проекты по обучению моделей и сбору платформ стали основными из-за их ключевой роли в построении экосистемы.
В настоящее время количество проектов AI Agent в Web3 не велико и составляет 8%, но их доля в рыночной капитализации в AI-секторе достигает 23%, что показывает их сильную конкурентоспособность на рынке. Мы ожидаем, что с развитием 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 ядром ИИ. При разработке проектов AI Agent следует уделять внимание построению всей экосистемы и дизайну токеномики, чтобы способствовать децентрализации и сетевым эффектам.
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 после выпуска ChatGPT быстро представила итерационные версии, такие как GPT-4 и GP4-4o. В такой стремительной обстановке крупные традиционные технологические гиганты осознали важность применения самых современных AI моделей, таких как LLM, и начали выпускать свои собственные AI модели и приложения. Например, Google представила большую языковую модель PaLM2, Meta выпустила Llama3, а китайские компании представили такие крупные модели, как Wenxin Yiyan и Zhipu Qingyan. Очевидно, что сфера AI стала полем битвы для всех.
Соревнование среди крупных технологических компаний не только способствовало развитию коммерческих приложений, но и из исследования открытых AI-исследований мы узнали, что AI Index report за 2024 год показывает, что количество AI-проектов на GitHub с 845 в 2011 году резко возросло до около 1,8 миллиона в 2023 году, особенно после выпуска GPT в 2023 году, количество проектов увеличилось на 59,3% по сравнению с прошлым годом, что отражает увлечение мирового сообщества разработчиков AI-исследованиями.
Страсть к технологиям ИИ прямо отражается на инвестиционном рынке, где рынок инвестиций в ИИ демонстрирует сильный рост, а во втором квартале 2024 года происходит взрывной рост. В мире произошло 16 инвестиций, связанных с ИИ, каждая из которых превысила 150 миллионов долларов, что в два раза больше, чем в первом квартале. Общая сумма финансирования стартапов в области ИИ стремительно возросла до 24 миллиардов долларов, что означает рост более чем в два раза по сравнению с прошлым годом. В частности, xAI, принадлежащая Маску, привлекла 6 миллиардов долларов, её оценка составила 24 миллиарда долларов, что делает её второй по величине по оценке стартапом в области ИИ после OpenAI.
Быстрое развитие технологий ИИ в настоящее время переопределяет ландшафт технологической сферы беспрецедентными темпами. От ожесточенной конкуренции между технологическими гигантами до бурного роста проектов в открытых сообществах и горячего интереса со стороны капитальных рынков к концепциям ИИ. Проекты появляются один за другим, объемы инвестиций достигают новых рекордов, а оценки компаний растут соответственно. В целом, рынок ИИ находится в золотой период 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 проблемами при преобразовании технологических преимуществ в реальные продукты, такими как неопределенность вывода моделей, риск генерации неточной информации и проблемы прозрачности моделей. Эти вопросы становятся особенно важными в сценариях применения, где требования к надежности крайне высоки.
На этом фоне мы начали исследование AI Agent, поскольку AI Agent подчеркивает целостность решения практических проблем и взаимодействия с окружающей средой. Этот переход знаменует собой эволюцию технологий ИИ от чисто языковых моделей к интеллектуальным системам, которые действительно понимают, учатся и решают 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 перестраивает архитектуру производительности, в то время как технологии Web3 реконструируют производственные отношения цифровой экономики. Когда три основных элемента ИИ: данные, модели и вычислительная мощность, интегрируются с основными концепциями Web3, такими как децентрализация, токеномика и смарт-контракты, мы предвкушаем появление ряда инновационных приложений. В этой перспективной перекрестной области мы считаем, что AI Agent, обладая способностью автономно выполнять задачи, демонстрирует огромный потенциал для реализации масштабных приложений.
В связи с этим мы начали углубленное изучение разнообразных приложений AI Agent в Web3, от инфраструктуры Web3, промежуточного ПО, приложений до рынков данных и моделей, с целью выявления и оценки наиболее перспективных типов проектов и сценариев применения, чтобы глубже понять глубокую интеграцию AI и Web3.
Уточнение понятий: Введение в AI Agent и обзор его классификации
Основное введение
Перед тем как представить AI-агента, чтобы читатели лучше поняли различия между его определением и самой моделью, мы приведем пример из реальной жизни: предположим, вы планируете путешествие. Традиционная большая языковая модель предоставляет информацию о направлениях и советы по путешествию. Технология генерации, усиленная поиском, может предложить более богатое и конкретное содержание о направлениях. AI-агент подобен Джарвису из фильма о Железном человеке: он понимает потребности и может по вашему запросу активно искать рейсы и отели, выполнять бронирование и добавлять поездку в календарь.
В настоящее время в отрасли широко распространено определение AI Agent как интеллектуальной системы, способной воспринимать окружающую среду и соответствующим образом действовать, получая информацию об окружающей среде через датчики, обрабатывая её и влияя на среду с помощью исполнительных устройств (Stuart Russell \u0026 Peter Norvig, 2020). Мы считаем, что AI Agent — это помощник, который объединяет 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 уже интегрирован в нашу жизнь и применяется в различных сценариях, таких как AlphaGo, Siri, автономное вождение уровня L5 и выше в Tesla, которые могут рассматриваться как примеры AI Agent. Общая черта этих систем заключается в том, что они могут воспринимать входные данные от пользователей и соответственно влиять на реальную среду.
Возьмем ChatGPT в качестве примера для разъяснения концепции: мы должны четко указать, что Transformer является технической архитектурой, составляющей AI модели, GPT — это серия моделей, развившихся на основе этой архитектуры, а GPT-1, GPT-4 и GPT-4o представляют собой версии модели на разных этапах ее развития. ChatGP, в свою очередь, является AI агентом, эволюционировавшим на основе модели GPT.
Категория обзор
На данный момент на рынке AI-агентов еще не сформировались единые стандарты классификации. Мы провели маркировку 204 проектов AI-агентов на рынках Web2 и Web3. В зависимости от значительных тегов, соответствующих каждому проекту, мы разделили их на первичные и вторичные категории. При этом первичные категории включают три группы: базовая инфраструктура, генерация контента и взаимодействие с пользователями, а затем мы провели дальнейшую сегментацию в зависимости от их фактических случаев использования:
Инфраструктурные проекты: этот тип фокусируется 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 разработчиков: предоставляют разработчикам вспомогательные инструменты и фреймы для создания AI Agent.
Класс обработки данных: обработка и анализ данных в различных форматах, в основном используется для поддержки принятия решений и предоставления источников для обучения.
Класс обучения моделей: предоставляет услуги обучения моделей для ИИ, включая вывод, создание моделей, настройки и т.д.
Услуги для B-класса: в основном ориентированы на корпоративных пользователей, предоставляя корпоративные услуги, вертикальные решения и автоматизацию.
Платформы-агрегаторы: платформы, которые интегрируют различные услуги и инструменты AI Agent.
Интерактивные агенты: похожи на агенты по генерации контента, но 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.
Эмоциональная поддержка: AI-агент, предоставляющий эмоциональную поддержку и сопровождение.
GPT-класс: AI-агент на основе модели GPT (генеративный предварительно обученный трансформер).
Поисковые агенты: сосредоточены на поисковых функциях, предоставляя более точный агент для информационного поиска.
Генерация контента: эти проекты сосредоточены на создании контента, используя технологии больших моделей для генерации различных форм контента по указаниям пользователей, делятся на четыре категории: генерация текста, генерация изображений, генерация видео и генерация аудио.
Анализ текущего состояния развития Web2 AI Agent
Согласно нашей статистике, в традиционном интернете Web2 наблюдается явная тенденция к концентрации разработки AI-агентов. В частности, около двух третей проектов сосредоточены в области инфраструктуры, в основном это услуги для бизнеса и инструменты для разработчиков, и мы провели некоторый анализ этого явления.
Влияние зрелости технологий: проекты в области инфраструктуры занимают доминирующее положение благодаря своей зрелости технологий. Эти проекты обычно основываются на проверенных временем технологиях и рамках, что снижает сложность и риски разработки. Это эквивалентно "лопате" в области ИИ, обеспечивая прочную основу для разработки и применения ИИ-агентов.
Движущая сила рыночного спроса: еще одним ключевым фактором является рыночный спрос. В отличие от потребительского рынка, спрос на технологии ИИ на бизнес-рынке более настойчивый, особенно в поисках решений для повышения операционной эффективности и снижения затрат. В то же время для разработчиков денежные потоки от бизнеса относительно стабильны, что способствует разработке последующих проектов.
Ограничения в области применения: В то же время мы заметили, что применение AI для генерации контента на B-рынке относительно ограничено. Из-за нестабильности его продукции предприятия предпочитают те приложения, которые могут стабильно повышать производительность. Это приводит к тому, что доля AI для генерации контента в проектной библиотеке невелика.
Этот тренд отражает зрелость технологий, рыночный спрос и реальные аспекты применения. С учетом постоянного прогресса в области технологий ИИ и дальнейшего уточнения рыночного спроса, мы ожидаем, что эта картина может измениться, но инфраструктурные решения по-прежнему останутся прочным основанием для развития ИИ-агентов.
Анализ ведущих проектов AI-агентов Web2
Мы подробно рассмотрим некоторые текущие проекты AI Agent на рынке Web2 и проанализируем их, взяв в качестве примеров три проекта: Character AI, Perplexity AI и Midjourney.
ИИ персонажа:
Описание продукта: Character.AI предоставляет системы диалогов на основе искусственного интеллекта и инструменты для создания виртуальных персонажей. Платформа позволяет пользователям создавать, обучать и взаимодействовать с виртуальными персонажами, которые могут вести разговоры на естественном языке и выполнять определенные задачи.
Анализ данных: В мае Character.AI имел 277 миллионов посещений, платформа обладает более чем 3,5 миллионами активных пользователей в день, большинство из которых в возрасте от 18 до 34 лет, что свидетельствует о молодом составе пользователей. Character AI демонстрирует отличные результаты на капиталовложениях, завершив финансирование в размере 150 миллионов долларов и достигнув оценки в 1 миллиард долларов, при этом ведущим инвестором выступил a16z.
Технический анализ: Character AI подписала неэксклюзивное лицензионное соглашение с материнской компанией Google, Alphabet, что указывает на то, что Character AI использует собственные технологии. Стоит отметить, что основатели компании Ноам Шазир и Даниэль Де Фрейтас участвовали в разработке разговорной языковой модели Llama от Google.
Перплексити ИИ:
Описание продукта: Perplexity может извлекать информацию из Интернета и предоставлять подробные ответы. Он обеспечивает надежность и точность информации за счет ссылок и референтных ссылок, а также обучает и направляет пользователей, чтобы они могли задавать дополнительные вопросы и искать ключевые слова, удовлетворяя разнообразные запросы пользователей.
Анализ данных: количество активных пользователей Perplexity достигло 10 миллионов, а посещаемость его мобильных и десктопных приложений в феврале увеличилась на 8,6%, привлекая около 50 миллионов пользователей. На финансовом рынке Perplexity AI недавно объявила о получении 62,7 миллиона долларов финансирования, ее оценка достигла 1,04 миллиарда долларов, инвестором выступил Дэниел Гросс, среди участников - Стэн Друкенмиллер и NVIDIA.
Технический анализ: Основная модель, используемая Perplexity, - это доработанная версия GPT-3.5, а также две большие модели, доработанные на основе открытых крупных моделей: pplx-7b-online и pplx-70b-online. Модели подходят для профессиональных академических исследований и