玩币族移动版

文章来源：James ArkStream Capital

TL；DR

AI Agent 项目在 Web2 创业中热门、成熟的类型主要是企业端服务类，而在 Web3 领域中模型训练、平台集合类项目因其在构建生态系统中的关键作用而成为主流。

当下 Web3 的 AI Agent 项目数量不多占比 8%，但它们在 AI 赛道中的市值占比却高达 23%，因此展现出的强大的市场竞争力，我们预计随着技术成熟和市场认可度提升，未来将出现多个估值超过 10 亿美元的项目。

对于 Web3 项目而言，对于非 AI 核心的应用端产品，引入 AI 技术可能成为战略优势。对于 AI Agent 项目结合方式应注重全生态系统构建和代币经济模型设计，以促进去中心化和网络效应。

AI 浪潮：项目迭出和估值抬升的现状

自 ChatGPT 在 2022 年 11 月问世以来，在短短两个月内就吸引了超过一亿用户，到 2024 年 5 月，ChatGPT 的月收入已达到惊人的 2030 万美元，而 OpenAI 在发布 ChatGPT 之后，也迅速推出了 GPT-4, GP4-4o 等迭代版本。如此迅猛的态势，各大传统科技巨头意识到 LLM 等最前沿 AI 模型应用的重要性，纷纷推出自己的 AI 模型和应用，例如，谷歌发布了大语言模型 PaLM2，Meta 推出了 Llama3，而中国公司则推出了文心一言，智谱清言等大模型，显然 AI 领域已然成为兵家必争之地。

各大科技巨头的竞赛不仅推动了商业应用的发展，同时我们从开源 AI 研究的调查统计发现，2024 年的 AI Index report 显示 GitHub 上的 AI 相关项目数量从 2011 年的 845 个激增至 2023 年的约 180 万个，尤其在 GPT 发布后的 2023 年，项目数量同比增长了 59.3%，反映了全球开发者社区对 AI 研究的热衷。

对 AI 技术的热情直接反映在了投资市场上，AI 投资市场呈现出强劲的增长，在 2024 年第二季度呈现爆发式增长。全球共有 16 笔超 1.5 亿美元的 AI 相关投资，是第一季度的两倍之多。AI 初创的融资总额更是飙升至 240 亿美元，同比增长过一倍。其中，马斯克旗下的 xAI 更是筹集了 60 亿美元，估值为 240 亿美元，成为仅次于 OpenAI 的估值第二高的 AI 初创公司。

2024 Q2 AI 赛道融资 TOP10，来源：亿欧，https://www.iyiou.com/data/202407171072366

AI 技术的迅猛发展正以前所未有的速度重塑着科技领域的版图。从科技巨头间的激烈角逐，到开源社区项目的蓬勃发展，再到资本市场对 AI 概念的热烈追捧。项目层出不穷，投资额屡创新高，估值也随之水涨船高。整体而言，AI 市场正处于一个高速发展的黄金时期，大型语言模型和检索增强生成技术在语言处理领域实现了重大进展。尽管如此，这些模型在将技术优势转化为实际产品时仍面临挑战，如模型输出的不确定性、生成不准确信息的幻觉风险以及模型透明度问题。这些问题在对可靠性要求极高的应用场景下变得尤为重要。

在这一背景下，我们开始对 AI Agent 展开研究，因为 AI Agent 强调解决实际问题与环境交互的全面性。这一转变标志着 AI 技术从纯粹的语言模型向能够真正理解学习并解决现实问题的智能系统进化。所以我们从 AI Agent 的发展中看到了希望，它正逐步弥合 AI 技术与实际问题解决之间的鸿沟。AI 技术的演进不断重塑着生产力的架构，而 Web3 技术则在重构着数字经济的生产关系。当 AI 的三大要素：数据、模型和算力，与 Web3 的去中心化、代币经济和智能合约等核心理念相融合，我们预见将催生出一系列创新性应用。在这个充满潜力的交叉领域，我们认为，AI Agent 以其自主执行任务的能力，展现出了实现大规模应用的巨大潜力。

为此，我们开始深入研究 AI Agent 在 Web3 的多样化应用，从 Web3 的基础设施、中间件、应用层面，到数据和模型市场等多个维度，旨在识别并评估那些最具前景的项目类型和应用场景，以深入理解 AI 与 Web3 的深度融合。

概念厘清：AI Agent 的介绍和分类概览

基本介绍

在介绍 AI Agent 之前，为了让读者更好理解其定义和模型本身的区别，我们通过一个实际场景来做举例：假设你正在规划一次旅行。传统的大型语言模型提供目的地信息和旅行建议。检索增强生成技术则能提供更丰富、具体的目的地内容。而 AI Agent 就像是钢铁侠电影中的贾维斯，能理解需求，还能根据你的一句话主动搜索航班和酒店，执行预订操作，将行程添加到日历中。

目前行业内普遍对 AI Agent 的定义是指, 能够感知环境并做出相应行动的智能系统，通过传感器获取环境信息，经过处理后通过执行器对环境产生影响（Stuart Russell & Peter Norvig, 2020）。我们认为，AI Agent 就是集合了 LLM、RAG、记忆、任务规划和工具使用能力的助手。它不仅能够单纯的信息提供，还能够规划、分解任务，并真正地执行。

根据这一定义和特性，我们可以发现 AI Agent 早已融入我们的生活，在不同的场景中得到应用，例如 AlphaGo、Siri、特斯拉的 L5 级别以上的自动驾驶等都可被视为 AI Agent 的实例。这些系统共同的特质就是都能感知外界用户输入，并据此做出相应对现实环境产生影响。

以 ChatGPT 为例进行概念厘清，我们应当明确指出 Transformer 是构成 AI 模型的技术架构，GPT 是基于此架构发展起来的模型系列，而 GPT-1、GPT-4、GPT-4o 分别代表了模型在不同发展阶段的版本。ChatGP 则 T 作为基于 GPT 模型进化而来的 AI Agent。

分类概况

当下 AI Agent 市场尚未形成统一的分类标准，我们通过分别对 Web2+Web3 市场中 204 个 AI Agent 项目打标签的方式，根据每个项目对应的显著标签，分为了一级分类和二级分类。其中，一级分类为基础建设，内容生成，用户交互三种类别，再根据其实际用例进行细分：

基础建设类：这类专注于构建 Agent 领域较为底层的内容，包括平台、模型、数据、开发工具，以及较为成熟便底层应用的 B 端服务类。

开发工具类：为开发者提供构建 AI Agent 的辅助工具和框架。

数据处理类：处理和分析不同格式的数据，主要用来辅助决策、为训练提供来源。

模型训练类：提供针对 AI 的模型训练服务，包括推理、对模型的建立、设定等

B端服务类：主要面向企业用户，提供企业服务类、垂直类、自动化的解决方案。

平台集合类：集成多种 AI Agent 服务和工具的平台。

交互类：与内容生成类相似，区别在于持续双向互动。交互类 Agent 不仅接受和理解用户需求，还通过自然语言处理（NLP）等技术提供反馈，实现与用户的双向互动。

情感陪伴类：提供情感支持和陪伴的 AI Agent。

GPT 类：基于 GPT（生成式预训练 Transformer）模型的 AI Agent。

搜索类：专注于搜索功能，提供更准确的信息检索为主的 Agent。

内容生成类：这类项目专注于创造内容，利用大模型技术根据用户指令生成各种形式的内容，分为文字生成、图像生成、视频生成和音频生成四类。

Web2 AI Agent 发展现状分析

根据我们的统计，在 Web2 传统互联网中 AI Agent 的开发呈现出明显的板块集中趋势。具体来说，大约有三分之二的项目集中在基础建设类，其中主要是 B 端服务类和开发工具类居多，我们对这一现象也进行了一些分析。

技术成熟度的影响：基础建设类项目之所以占据主导地位，首先得益于其技术成熟度。这些项目通常建立在经过时间检验的技术和框架之上，从而降低了开发难度和风险。相当于 AI 领域的「铲子」，为 AI Agent 的开发和应用提供了坚实的基础。

市场需求的推动：另一个关键因素是市场需求。与消费者市场相比，企业市场对 AI 技术的需求更为迫切，特别是在寻求提升运营效率和降低成本的解决方案方面。同时对于开发者而言，来自企业的现金流相对稳定，有利于他们开发后续项目。

应用场景的限制：与此同时，我们注意到内容生成类 AI 在 B 端市场的应用场景相对有限。由于其产出的不稳定性，企业更倾向于那些能够稳定提高生产力的应用。这导致了内容生成类 AI 在项目库中所占比例较小。

这一趋势反映了技术成熟度、市场需求和应用场景的实际考量。随着 AI 技术的不断进步和市场需求的进一步明确，我们预期这一格局可能会有所调整，但基础建设类仍将是 AI Agent 发展的坚实基石。

Web2 的 AI Agent 龙头项目分析

Web2 的 AI Agent 龙头项目整理，来源：ArkStream 项目数据库

我们深入探讨一些当前 Web2 市场上的 AI Agent 项目，并对它们展开分析，以 Character AI，Perplexity AI，Midjourney 三个项目为例。

Character AI：

产品介绍：Character.AI 提供基于人工智能的对话系统和虚拟角色创建工具。其平台允许用户创建、训练和与虚拟角色进行互动，这些角色能够进行自然语言对话并执行特定任务。

数据分析：Character.AI 在 5 月的访问量为 2.77 亿，平台拥有超过 350 万的日活跃用户，其中大部分用户年龄在 18 至 34 岁之间，显示出年轻化的用户群体特征。Character AI 在资本市场上表现出色，完成了 1.5 亿美元的融资，估值达到 10 亿美元，由 a16z 领投。

技术分析：Character AI 与谷歌母公司 Alphabet 签署了非独家使用其大型语言模型的许可协议，这表明 Character AI 采用的是自研技术。值得一提的是，公司的创始人 Noam Shazeer 和 Daniel De Freitas 曾参与开发谷歌的对话式语言模型 Llama。

Perplexity AI：

产品介绍：Perplexity 能够从互联网上抓取并提供详尽的答案。通过引用和参考链接确保了信息的可靠性和准确性，同时他会教育、引导用户进行追问和搜索关键词，满足了用户多样化查询需求。

数据分析：Perplexity 的月活跃用户数量已达到 1000 万，其移动和桌面应用程序的访问量在 2 月份实现了 8.6% 的增长，吸引了约 5000 万用户。在资本市场上，Perplexity AI 最近宣布获得 6270 万美元的融资，估值达到 10.4 亿美元，由 Daniel Gross 领投，参与者包括 Stan Druckenmiller 和 NVIDIA。

技术分析：Perplexity 使用的主要模型是经过微调的 GPT-3.5，以及基于开源大模型微调的两款大型模型：pplx-7b-online 和 pplx-70b-online。模型适合专业学术研究和垂直领域的查询，确保信息的真实度和可靠性。

Midjourney：

产品介绍：用户可以通过 Prompts 在 Midjourney 创建各种风格和主题的图像，覆盖从写实到抽象的广泛创作需求。平台还提供图像混合与编辑，允许用户进行图像叠加和风格迁移，平台的实时生成功能确保用户在几十秒到几分钟内就能得到生成的图像。

数据分析：平台已经拥有 1500 万注册用户，并且有 150 万至 250 万的活跃用户。同时，根据公开市场信息，Midjourney 没有拿投资机构的钱，依靠创始人 David 多次创业的信誉和资源，实现了自给自足的发展。

技术分析：Midjourney 采用的是他们自己的闭源模型，自 2022 年 8 月发布 Midjourney V4 以来，该平台一直在使用基于扩散的生成式 AI 模型。据称，该模型的训练参数在 300 到 400 亿个，这一庞大的参数量为其生成图像的多样性和准确性提供了坚实的基础。

商业化困境

在体验了多个 Web2 的 AI Agent 后，我们观察到产品迭代的普遍路径：从初期专注于单一细化任务，到后期拓展能力以处理更复杂的多任务场景。这一趋势不仅体现了 AI Agent 在提升工作效率和创新能力方面的潜力，也预示着它们将在未来扮演更加关键的角色。通过对 Web2 中 125 个 AI Agent 项目的初步统计，我们发现项目主要集中在内容生成（如 Jasper AI）、开发工具（如 Replit），以及数量最多的 B 端服务（如 Cresta）。这一发现与我们的预期相悖，起初我们预期随着 AI 模型技术的日益成熟，C 端市场将迎来 AI Agent 的爆发式增长。然而经过分析我们意识到：C 端 AI Agent 的商业化之路远比预期的崎岖和复杂。

拿 Character.Ai 为例，一方面，Character.AI 拥有着最好的流量表现。但因为其商业模式单一，靠 9.9USD 的订阅费，在面对少量的订阅收入与重度用户推理成本消耗之下，最终还是因流量变现困难和资金链问题被谷歌收购了整个团队。这一案例反映出，即使有这么好的流量和融资，C 端 AI Agent 应用在商业化过程中还是困难重重。反映出绝大多数产品仍未能达到替代或有效辅助人工的标准，导致了 C 端用户对目前产品的付费意愿并不强烈。在我们实际的研究调查中发现许多初创项目都遇到了 Character.ai 类似的问题，C 端 AI Agent 的发展并非一帆风顺，而是需要在技术成熟度、产品价值、以及商业模式创新上进行更深入的探索，才能实现其在 C 端市场的潜力和价值。

通过统计大部分 AI Agent 项目的估值，对比 OpenAI、xAI 等天花板项目估值还有接近 10-50 倍的空间。不可否认的是，C 端 Agent 应用天花板还是足够高的，证明其仍然是一个好的赛道。但综合以上分析，我们认为相较于 C 端，B 端市场可能是 AI Agent 的最终落脚点。企业通过构建平台，将 AI Agent 集成到垂直领域、CRM、办公 OA 等管理软件中，这不仅为企业带来运营效率的提升，也为 AI Agent 提供了更广阔的应用空间。因此，我们有理由相信 B 端服务会是在 Web2 传统互联网内 AI Agent 短期内发展的主要方向。

Web3 AI Agent 发展现状和前景分析

项目概览

根据前文分析，即便是获得顶级融资并拥有良好用户流量的 AI Agent 应用，也面临着商业变现的难题。接下来我们将深入分析当前 AI Agent 项目在 Web3 内的发展情况。通过对一系列代表性项目的评估—包括它们的技术创新、市场表现、用户反馈以及发展潜力，旨在挖掘出具有启发性的建议。下图为目前市场上已发代币且市值较高的几个代表性项目：

Web2 的 AI Agent 龙头项目整理，来源：ArkStream 项目数据库

根据我们对 Web3 AI Agent 市场的统计，其项目开发的类型同样呈现出明显的板块密集趋势。绝大部分的项目都被划分为基础建设类，同时较为缺少内容生成类的项目。大多项目都试图通过让用户提供分布式的数据、算力等，去解决项目方的模型训练需求。亦或者试图打造一站式平台，嵌入多种 AI Agent 的应用服务和工具。从开发工具到前段交互类应用、生成式应用等。而传统 AI Agent 行业目前主要局限于开源参数调整或套用现有模型构建应用，这种方式在企业和个人用户层面都未能形成显著的网络效应。

现状分析

我们认为现阶段这种现象可能由以下几个因素推动：

市场与技术不匹配：Web3 和 AI Agent 的结合点目前相比传统市场并没有明显的优势，其真正的优点在于改善生产关系，通过去中心化的方式优化资源和协作。这可能导致一些交互类和生成类应用在技术和资金实力较强的传统竞争对手面前缺乏竞争力。

应用场景限制：在 Web3 环境中，可能并没有那么多实际的需求去生成图像、视频或文字等内容。相反，Web3 的去中心化和分布式特性更多地被用来在传统 AI 领域内实现降本增效，而不是拓展新的应用场景。

这一现象的根源，我们认为可追溯至当前 AI 行业的发展状态及其未来方向。可能正是因为当前的 AI 技术仍处于初级，类似于工业革命早期的蒸汽机被电机取代的过渡期，尚未达到普及应用的电气化时代。

我们有理由相信，未来 AI 发展的趋势可能会遵循类似的路径。通用模型将逐渐固化，而微调模型则会呈现多样化发展。AI 应用将广泛分散到各个企业和个人用户中，重点将转移到模型间的互联和交互。而这一趋势与 Web3 的理念高度契合，正因为 Web3 以其可组合性和无需许可的特性而著称，这与分散化的模型微调理念不谋而合。开发者被允许更大的自由度，可以更自由地组合和调整各种模型。同时，去中心化特性在数据隐私保护、计算资源分配等方面也为模型训练带来了独特优势。

随着技术进步，特别是 LoRA（Low-Rank Adaptation）等新技术的出现，大幅降低了模型微调的成本和技术门槛。这使得开发特定场景的公开模型或满足用户个性化需求变得更加容易。Web3 内的 AI Agent 项目能够充分利用这一技术进步，在模型训练和微调领域探索新颖的训练方法、创新的激励机制，以及模型共享和协作的新模式，这些在传统中心化系统中往往难以实现。

此外，Web3 项目方在模型训练方面的集中也同样体现了其在 AI 整个生态中占据重要位置的战略考量。所以 Web3 行业内的 AI Agent 项目集中于模型训练领域，是技术发展趋势、市场需求和 Web3 行业优势的自然交汇。接下来我们会例举几个 Web2&3 行业内的模型训练类项目并进行对比。

模型训练类项目

Humans.ai

项目介绍：Humans.ai 是多元化的 AI 算法模型库和训练部署环境，覆盖图像、视频、音频、文本等多个领域。平台不仅支持开发者对模型进行进一步的训练和优化，还允许他们分享和交易自己的模型。一个显著的创新点是，Humans.ai 利用 NFT 作为存储 AI 模型和用户生物特征数据的媒介，使得 AI 创造内容的过程更加个性化和安全。

数据分析：Humans.ai 其代币 Heart 的市值约为 6800 万美元。Twitter 关注者为 56k，并未披露其用户数据。

技术分析：Humans.ai 没有自主研发模型，而是采用模块化方法，将所有提供的模型封装进 NFT 中，为用户提供了一个灵活且可扩展的 AI 解决方案。

FLock.io

项目介绍：FLock.io 是一个基于联邦学习技术（强调数据隐私的去中心化机器学习方法）的 AI 共创平台，它致力于解决 AI 赛道中的痛点，如公众参与度低、隐私保护不足，以及大公司对 AI 技术的垄断。该平台允许用户在保护隐私的同时贡献数据，推动 AI 技术的民主化和去中心化。

数据分析：2024 年初完成了 600 万美元的种子轮融资，由 Lightspeed Faction 和 Tagus Capital 领投，DCG、OKX Ventures 等机构跟投。

技术分析：FLock.io 的技术架构基于联邦学习，这是一种在保护数据隐私的同时促进去中心化的方法。此外，FLock.io 还采用了 zkFL、同态加密和安全多方计算（SMPC）等技术，为数据隐私提供额外保护。

这是 Web3 行业内 AI Agent 的模型训练类的项目，在 Web2 同样也有类似的平台提供模型训练的服务，例如 Predibase。

Predibase

项目介绍：Predibase 专注于 AI 和大语言模型优化，允许用户微调和部署开源的大语言模型，例如 Llama、CodeLlama、Phi 等。平台支持多种优化技术，如量化、低秩适应和内存高效的分布式训练。

数据分析：Predibase 宣布完成 Felicis 领投的 1220 万美元的 A 轮融资，Uber、Apple、 Meta 等大型企业与 Paradigm 和 Koble.ai 这类初创公司都是该平台用户。

技术分析：Predibase 的用户已经训练了超过 250 个模型，目前平台采取 LoRAX 架构和 Ludwig 框架：LoRAX 使用户能够在单个 GPU 上服务数千个微调后的 LLM，大大降低了成本，同时不影响吞吐量或延迟。而 Ludwig 是一个声明式框架，Predibase 用于开发、训练、微调和部署最先进的深度学习和大语言模型。

项目分析：Predibase 平台具备用户友好的特性，为不同层次的用户提供定制化的 AI 应用程序构建服务。无论对于 C 端和 B 端用户，还是 AI 领域的新手或经验丰富的人。

对于新手，Predibase 平台的一键式自动化功能简化了模型构建、训练过程。平台自动完成复杂的构建和部署步骤。对于有经验的用户，则提供了更为深入的定制选项。不仅提供自动化服务，还允许用户访问和调整更专业的参数设置。在对比传统 AI 模型训练平台与 Web3 领域的 AI 项目时，尽管它们在整体框架和逻辑上可能相似，但我们发现两者在技术架构和商业模式上存在一些显著的差异。

技术深度与创新：传统 AI 模型训练平台往往采用更深入的技术壁垒，例如使用 LoRAX 架构和 Ludwig 框架等自研技术。这些框架提供了强大的功能，使得平台能够处理复杂的 AI 模型训练任务。然而，Web3 项目则可能更侧重于去中心化和开放性，没有深入技术。

商业模式的灵活性：在传统 AI 模型训练领域，我们注意到一个常见的瓶颈是商业模式的灵活性不足。平台要求用户付费才能训练模型，资金来源限制了项目的可持续发展空间，尤其是在需要广泛用户参与和数据收集的早期阶段。相比之下，Web3 项目会具备更为灵活的商业模式，如代币经济以社区驱动的模型。

隐私保护的挑战：隐私保护是另一个关键问题。以 Predibase 为例，尽管它提供了在 AWS 上的虚拟私有云服务，但这种依赖第三方的架构始终存在数据泄漏的潜在风险。

这些差异化的点，无一例外都成为传统 AI 行业内的瓶颈。因为互联网的特征，注定这些问题会较难以有效率的办法去解决。同时，这也给 Web3 带来了机会和挑战，项目方率先解决了这些问题将很有可能成为行业的先驱。

Web3 其他类别的 Agent 项目

在我们探讨了模型训练类的 AI Agent 项目之后，我们接下来将视野扩展到 Web3 行业中其他类型的 AI Agent 项目。这些项目虽然不只专注于模型训练，但它们在融资数据、上所表现、代币市值等方面展现出与众不同。以下是几个在各自领域内具有代表性和影响力的 AI Agent 项目：

Myshell

产品介绍：提供了一个全面的 AI Agent 平台，用户能够创建、分享、个性化的 AI 代理。这些 Agent 能够提供陪伴，也能辅助工作提高效率。平台涵盖了多样化的 AI 代理风格，包括二次元和传统风格，交互形式涵盖音频、视频和文字。MyShell 特别之处在于聚合了包括 GPT4o、GPT4、Claude 在内的多种现有模型，为用户提供了传统付费 AI Agent 的高级体验。此外，平台引入了类似 FT bonding curve 的交易系统，激励创作者开发高价值的 AI 模型，同时让用户有机会投资并共享收益。

数据分析：MyShell 在融资方面最后一轮估值约 8000 万美元，Dragonfly 领投，而其他知名投资方如币安、Hashkey、Folius 等也参与其中。尽管没有具体的用户访问数据，但 MyShell 在社交媒体上拥有近 180K 的 Twitter 粉丝，Discord 在线人数虽通常不超过粉丝总数的十分之一，却显示出项目拥有一批忠实的用户和开发者基础。

技术分析：MyShell 并不独立开发 AI 模型，而是作为一个集成平台，汇聚了 Claude、GPT-4、4o 等前沿模型，并且声称支持其他闭源模型。这种策略使得 MyShell 能够利用现有技术资源，为用户提供一个统一且先进的 AI 体验。

主观体验：MyShell 允许用户根据自己的需求自由创建和定制 AI 代理，无论是作为个人陪伴还是专业助手，均能适应音频、视频等多种场景。用户即使不使用 MyShell 的代理，也能以较低成本享受到集成的 Web2 付费模型。此外，平台结合了 FT 的经济概念，让用户不仅可以使用 AI 服务，还能投资他们看好的 AI 代理，通过 bonding curve 机制增加财富效应。

Delysium

产品介绍：Delysium 提供了一个以意图为中心的 AI Agent 网络，让 Agent 更好地配合给用户带来友好的 Web3 体验。目前，Delysium 已经推出了两个 AI Agent：Lucy 和 Jerry。Lucy 是一个联网的 AI Agent，愿景是能够提供工具类的辅助，例如查询 Top10 持币地址等，但目前 Agent 执行链上意图的功能尚未开放，只能执行一些基础指令，如在生态内质押 AGI 或兑换成 USDT。Jerry 则类似于 Delysium 生态内的 GPT，主要负责回答生态内的问题，例如代币分配等。

数据分析：2022 年首轮募资 400W 美元，同年又宣布完成了 1000 万美元的战略融资。其代币 AGI，目前 FDV 1.3 亿美元左右。暂无最新用户数据，据 Delysium 官方的统计，截止 2023 年 6 月 Lucy 已积累了超过 140 万的独立钱包连接数。

Sleepless AI

产品介绍：结合了 Web3 和 AI Agent 技术的情感陪伴类游戏平台，提供虚拟伴侣游戏 HIM 和 HER，利用 AIGC 和 LLM 来让用户沉浸在和虚拟角色的互动中。用户在不断的对话过程中，可以修改角色的属性、服装等，其兼容的大语言模型确保了角色在每一次对话中迭代自己，变得更懂用户。

数据分析：项目共筹集 370 万美元，投资方包括 Binance Labs、Foresight Ventures 和 Folius Ventures，目前代币总市值达到 4 亿美元左右。推特关注者 116K，根据官方统计注册预约数达 190K，其活跃用户达 43K。可以说其用户粘性还是挺强的。

技术分析：尽管官方并没有公开他们的产品是基于哪一块市面上的大语言模型，但是他们 Sleepless AI 为了确保用户在聊天过程中会感受到这个角色越来越了解自己，因此他们在设计 LLM 训练时，为每个角色单独训练一个模型，同时结合向量数据库以及性格参数系统让角色拥有记忆。

主观体验：Sleepless AI 通过 AI Boyfriend，AI Girlfriend，以 Free to Play 角度切入，并不是单单融入了对话机器人的聊天框。项目通过高成本的美工、持续迭代的语言模型、高质量完整的配音，以及一系列的功能例如闹钟、助眠、经期记录、学习陪伴等极大的增强了虚拟人的真实性。这样的情感价值是市面上其他应用感受不到的。此外，Sleepless AI 创造了一个更长期、平衡的内容付费机制，用户可以选择出售 NFT，而不陷入 P2E 或者 Ponzi 的困境，这个模型同时考虑到了玩家的收益和游戏体验。

前景分析

在 Web3 行业中，AI Agent 项目覆盖了公链、数据管理、隐私保护、社交网络、平台服务和计算能力等多个方向。从代币市值来看，AI Agent 项目的总代币市值达到了接近 38 亿美元，而整个 AI 赛道的总市值则接近 162 亿美元。AI Agent 项目在 AI 赛道中的市值占比大约为 23%。

尽管 AI Agent 项目的数量仅有十余个左右，相较于整个 AI 赛道的项目来说显得较少，但它们在市场中的估值占比却接近四分之一。AI 赛道中的市值占比再次验证了我们对这一细分赛道有很大的增长潜力的验证。

在统计过后，我们提出了一个核心问题：具备哪些特质的 Agent 项目能够吸引到优秀的融资，并在顶级交易所 Listing？为了回答这个问题，我们探索了 Agent 行业内的取得结果的项目，如 Fetch.ai、Olas Network、SingularityNET 和 Myshell。

不难发现，这些项目共同展现了一些显著的特点：它们都属于基础建设类中的平台集合类项目，构建了一个桥梁，一端连接着 B 端或 C 端对 Agent 需求的用户，另一端服务于开发者和验证者——这些是负责模型调试、模型训练的用户。无关于应用层面，他们都建立起了一个完整生态的闭环。

我们注意到，无论它们提供的产品是链上还是链下相关的，这些似乎都不是最关键的因素。这引导我们得出一个初步结论：在 Web3 领域，Web2 的重视实际应用的逻辑可能并不完全适用。对于 Web3 中的头部 AI Agent 产品而言，构建一个完整的生态系统和提供多样化的功能，可能比单一产品的质量和性能更为关键。换言之，一个项目的成功不仅取决于它提供了什么，更在于它如何整合资源、促进协作，并在生态系统内创造网络效应。这种生态系统的构建能力，可能是 AI Agent 项目在 Web3 赛道中脱颖而出的重要因素。

AI Agent 项目在 Web3 中的正确融合方式，并非是专注于单一应用的深度开发，而是应该采取一种包容性的模式。这种方式涉及到将 Web2 时代的多样化产品框架、产品类型迁移并融入 Web3 的环境中，以构建一个自循环的生态系统。这一点从 OpenAI 的战略转变中也可见一斑，他们选择在今年推出应用平台而非仅仅更新模型。

总结我们认为 AI Agent 项目应该着重于以下几个方面：

生态系统构建：超越单一应用，构建一个包含多种服务和功能的生态系统，以促进不同组件之间的互动和增值。

Token 经济模型：设计合理的 Token 经济模型，以激励用户参与网络建设，贡献数据和算力。

跨领域整合：探索 AI Agent 在不同领域的应用潜力，通过跨领域整合创造新的使用场景和价值。

在总结这三个方面后，为了针对不同侧重方向的项目方，我们也为此提供了一些前瞻性的建议。一是对于那些非 AI 核心的应用端产品，二是专注于 AI Agent 赛道的原生项目。

对于非 AI 核心的应用端产品：

保持长期主义，专注其核心产品的同时集成 AI 技术，顺应时代等待风口。在当前的技术和市场趋势下，我们认为以 AI 作为流量媒介的方式从而吸引用户和增强产品竞争力已然成为竞争力的重要手段。尽管现实是 AI 技术对项目长期发展的实际贡献到底有多少，仍然是个问号，但我们认为这对敢于早期采纳 AI 技术的的先行者提供了宝贵的窗口。当然，前提是他们自身已经有一个非常过硬的产品。

长期来看，如果 AI 技术在未来实现新的突破，那些已经整合了 AI 的项目方将能够更迅速地迭代他们的产品，从而抓住机遇，成为行业的领跑者。这就像在过去几年中，社媒平台上的直播带货逐渐代替线下销售成为一种新的流量出口的销售方式。当时，那些自身产品过硬且选择顺应新潮流，尝试直播带货的商家，在直播电商真正爆发时，这些商家立刻凭借早期介入的优势脱颖而出。

我们认为在市场不确定性中，对于非 AI 核心的应用端产品，考虑适时引入 AI Agent 可能是一个战略性的决策。不仅能够在当下提高产品的市场曝光度，还能在 AI 技术的持续发展中为产品带来新的增长点。

对于专注于 AI Agent 的原生项目：

平衡技术创新与市场需求是成功的关键。在 AI Agent 的原生项目中，项目方需要将目光投向市场趋势，而不仅仅是技术研发。目前，市场上一些结合 Web3 的 Agent 项目可能过于专注于往单一技术方向开发，或者构建了一个宏大的愿景，但产品开发却未能跟上。这两种极端都不利于项目的长期发展。

因此，我们建议项目方在确保产品质量的同时，也要关注市场内的动态，同时意识到传统互联网行业内的 AI 应用逻辑并不适用于 Web3，相反他们更需要借鉴那些已经在 Web3 市场上取得结果的项目。关注他们身上有的标签，好比文章提到的模型训练、平台集合等核心功能，以及他们打造的叙事例如 AI 模块化、多 Agent 协作等。探索性感的叙事，可能成为项目在市场中取得突破的关键。

结论无论是非 AI 核心产品还是原生 AI Agent 项目，最为关键的是在于找到合适的时机和技术路径，以确保在不断变化的市场中保持竞争力和创新力。项目方应该在保持产品质量的基础上，观察市场趋势，借鉴成功案例，同时创新以实现在市场中的持续发展。

总结

文章的最后，我们从多个角度进行分析 Web3 AI Agent 这个赛道：

资本投入和市场关注度：尽管目前 Web3 行业内 AI Agent 项目在 Listing 数量上不占优势，但它们在市场估值中占比接近 50%，显示出资本市场对这一赛道的高度认可。随着更多的资本投入和市场关注度的提升，AI Agent 赛道出现更多高估值的项目是板上钉钉的事。

竞争格局和创新能力：Web3 行业内 AI Agent 赛道的竞争格局尚未完全形成，目前在应用面的层级上来讲，还没有出现现象级且属于龙头类似 ChatGPT 的产品出现，这给新的项目方们很多成长和创新的空间。随着技术成熟，和项目之前的创新，赛道有望开发出更多具有竞争力的产品，推动整个赛道的估值提升。

重视代币经济和用户激励：Web3 的意义在于重塑生产关系，让部署和训练 AI 模型这一原本中心化的进程可以更加去中心化，通过合理的代币经济设计和用户激励方案，让闲置算力或个人数据集集合再分配，再通过 ZKML 等解决方案保护数据隐私，可以进一步降低算力和数据成本，并让更多个人用户参与到 AI 行业的建设中。

综上所述，我们对 AI Agent 赛道持看好的态度。我们有理由相信，AI Agent 这个赛道中会出现多个估值超过 10 亿美金的项目。通过横向比较，AI Agent 的叙事足够性感，市场空间足够大。目前市场估值普遍偏低，考虑到 AI 技术的快速发展、市场需求的增长、资本的投入以及赛道内企业的创新潜力，未来，随着技术成熟和市场认可度的提升，这一赛道有望涌现多个估值 10 亿以上的项目。

参考资料

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.).

本文来自投稿，不代表BlockBeats观点。