智能體時代：AI 與 Crypto 的交鋒與共生

撰文：Zeke，YBB Capital Researcher

一、始于注意力的喜新厭舊

在過去的一年里，由于應(yīng)用層敘事斷檔，無法匹配基礎(chǔ)設(shè)施爆發(fā)的速度，加密領(lǐng)域逐漸變成了一場爭奪注意力資源的游戲。從 Silly Dragon 到 Goat，從 Pump.fun 到 Clanker，注意力的喜新厭舊讓這場爭奪戰(zhàn)一路內(nèi)卷。以最俗套的吸引眼球變現(xiàn)為開端，迅速換代至注意力需求者和供給者統(tǒng)一的平臺模式，再到硅基生物成為新的內(nèi)容供給者。Meme Coin 千奇百怪的載體里終于出現(xiàn)了一種能讓散戶與 VC 達(dá)成共識的存在：AI Agent。

注意力最終是一種零和博弈，不過投機(jī)確實也可以促使事物野蠻生長。我們在關(guān)于 UNI 的文章中曾回顧過區(qū)塊鏈上個黃金時代的開端，DeFi 極速增長的起因源自 Compound Finance 開啟的 LP 挖礦時代，在 Apy 上千甚至上萬的各種礦池中進(jìn)進(jìn)出出是那個時期鏈上最原始的博弈方式，雖然最后的情況是各種礦池崩塌一地雞毛。但黃金礦工的瘋狂涌入確實給區(qū)塊鏈留下了前所未有的流動性，DeFi 最終也跳脫出純粹的投機(jī)形成了一個成熟的賽道，在支付、交易、套利、質(zhì)押等方方面面滿足著用戶的金融需求。而 AI Agent 在現(xiàn)階段也正經(jīng)歷著這個野蠻階段，我們正在探尋的是 Crypto 可以如何更好的去融合 AI，并最終促使應(yīng)用層登上新的高地。

二、智能體如何自主

我們在前一篇文章中簡單介紹過關(guān)于 AI Meme 的起源：Truth Terminal，以及對 AI Agent 未來的展望，本文聚焦的首先是 AI Agent 本身。

我們首先從 AI Agent 的定義說起，Agent 在 AI 領(lǐng)域中是一個較為古老但定義不明確的詞匯，其主要強(qiáng)調(diào)的是 Autonomous（自主性），即任何能夠通過感知環(huán)境并做出反射的 AI 都可稱為 Agent。在現(xiàn)今的定義中 AI Agent 更接近于智能體，即給大模型設(shè)定一套模仿人類決策的系統(tǒng)，在學(xué)術(shù)界這套系統(tǒng)被視為是最有希望通往 AGI（通用人工智能）的方式。

在早期的 GPT 版本中，我們明顯能感知到大模型很像人，但在回答很多復(fù)雜問題時大模型卻都只能給出一些似是而非的答案。本質(zhì)原因是當(dāng)時的大模型基于概率而非因果，其次它缺乏人類所具備的使用工具、記憶、規(guī)劃等能力，而 AI Agent 可以補(bǔ)齊這些缺陷。所以用一個公式來概括，AI Agent（智能體）=LLM（大模型）+ Planning（規(guī)劃）+Memory（記憶）+ Tools（工具）。

基于提示詞（Prompt）的大模型更像是一個靜態(tài)的人，我們輸入的時候，它才有生命，智能體的目標(biāo)則是一個更為真實的人?，F(xiàn)如今圈內(nèi)的智能體主要是基于 Meta 開源的 Llama 70b 或 405b 版本（兩者參數(shù)不同）的微調(diào)模型，具備記憶及使用 API 接入工具的能力，在其他方面則可能需要人類的幫助或輸入（包括與其它智能體的交互協(xié)作），所以我們能看到如今圈內(nèi)主要的智能體還是以 KOL 的形式存在于社交網(wǎng)絡(luò)上。要想使智能體更像人，需要接入規(guī)劃和行動能力，而規(guī)劃中的子項思維鏈尤為關(guān)鍵。

三、思維鏈（Chain of Thought, CoT）

思維鏈（Chain of Thought, CoT）的概念最早出現(xiàn)于 2022 年 Google 發(fā)布的論文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中，論文指出可以通過生成一系列中間推理步驟來增強(qiáng)模型的推理能力，幫助模型更好地理解和解決復(fù)雜問題。

一個典型的 CoT Prompt 包含三個部分：指令明確的任務(wù)描述邏輯依據(jù)支持任務(wù)解決的理論基礎(chǔ)或原理示例具體的解決方案展示這種結(jié)構(gòu)化的方式有助于模型理解任務(wù)要求，通過邏輯推理逐步接近答案，從而提高了解決問題的效率和準(zhǔn)確性。CoT 特別適合需要深入分析和多步驟推理的任務(wù)，如數(shù)學(xué)問題求解、項目報告撰寫等簡單任務(wù)，CoT 可能不會帶來明顯優(yōu)勢，但對復(fù)雜任務(wù)，它能顯著提高模型的表現(xiàn)，通過分步解決策略減少錯誤率，提高任務(wù)完成的質(zhì)量。

在構(gòu)建 AI Agent 時，CoT 起到了關(guān)鍵作用，AI Agent 需要理解接收到的信息并據(jù)此做出合理決策，CoT 通過提供有序的思考方式，幫助 Agent 有效處理和分析輸入信息，將解析結(jié)果轉(zhuǎn)化為具體行動指南這種方法不僅增強(qiáng)了 Agent 決策的可靠性和效率，還提高了決策過程的透明度，使 Agent 的行為更加可預(yù)測和可追蹤 CoT 通過將任務(wù)分解為多個小步驟，有助于 Agent 細(xì)致考慮每個決策點，減少因信息過載導(dǎo)致的錯誤決策，CoT 使得 Agent 的決策過程更加透明，用戶更容易理解 Agent 的決策依據(jù)。在與環(huán)境互動中，CoT 允許 Agent 不斷學(xué)習(xí)新信息，調(diào)整行為策略。

CoT 作為一種有效的策略，不僅提升了大型語言模型的推理能力，還在構(gòu)建更加智能、可靠的 AI Agent 方面發(fā)揮了重要作用。通過利用 CoT，研究人員和開發(fā)者能夠創(chuàng)造出更加適應(yīng)復(fù)雜環(huán)境、具備高度自主性的智能系統(tǒng)。CoT 在實際應(yīng)用中展示了其獨特的優(yōu)勢，特別是在處理復(fù)雜任務(wù)時，通過將任務(wù)分解為一系列小步驟，不僅提高了任務(wù)解決的準(zhǔn)確性，還增強(qiáng)了模型的可解釋性和可控性。這種逐步解決問題的方法，可以大大降低在面對復(fù)雜任務(wù)時，因信息過多或過于復(fù)雜，而導(dǎo)致的錯誤決策。同時，這種方法也提高了整個解決方案的可追蹤性和可驗證性。

CoT 的核心功能在于將計劃、行動與觀察相互結(jié)合，彌補(bǔ)推理與行動之間的差距。這種思考模式允許 AI Agent 在預(yù)測可能遇到的異常情況時制定有效的對策，以及在與外部環(huán)境交互的同時積累新信息、驗證預(yù)先設(shè)定的預(yù)測，提供新的推理依據(jù)。CoT 就像是一個強(qiáng)大的精確度和穩(wěn)定性引擎，幫助 AI Agent 在復(fù)雜環(huán)境中保持高效的工作效率。

四、正確的偽需求

Crypto 究竟要與 AI 技術(shù)棧的那些方面進(jìn)行結(jié)合？去年的文章中我認(rèn)為算力與數(shù)據(jù)的去中心化是幫助小企業(yè)和個人開發(fā)者節(jié)省成本的關(guān)鍵步驟，而在今年 Coinbase 所整理的 Crypto x AI 細(xì)分賽道中，我們看到了更詳細(xì)的劃分：

（1）計算層（指專注于為 AI 開發(fā)者提供圖形處理單元（GPU）資源的網(wǎng)絡(luò)）；

（2）數(shù)據(jù)層（指支持 AI 數(shù)據(jù)管道去中心化訪問、編排和驗證的網(wǎng)絡(luò)）；

（3）中間件層（指支持 AI 模型或智能體的開發(fā)、部署和托管的平臺或網(wǎng)絡(luò)）；

（4）應(yīng)用層（指利用鏈上 AI 機(jī)制的面向用戶的產(chǎn)品，無論是 B2B 還是 B2C）。

在這四個劃分層中，每一層都有宏大的愿景，其目標(biāo)總結(jié)而言都是為了對抗硅谷巨頭霸占互聯(lián)網(wǎng)的下個時代。正如我在去年所說的我們真的要接受硅谷巨頭獨家控制算力、數(shù)據(jù)？在他們壟斷下的閉源大模型其內(nèi)部又是一個黑盒，科學(xué)作為當(dāng)今人類最信仰的宗教，未來大模型所回答的每句話都會被很大一部分人視為真理，但這個真理又該如何驗證？按照硅谷巨頭的設(shè)想，智能體最終所擁有的權(quán)限將超乎想象，比如擁有你錢包的支付權(quán)，使用終端的權(quán)利，如何保證人無惡念？

去中心化是唯一的答案，但有的時候我們是否需要合理的去綜合考慮，這些宏大愿景的買單者有多少？在過往我們可以不考慮商業(yè)閉環(huán)的情況下，通過 Token 去彌補(bǔ)理想化帶來的誤差。而現(xiàn)如今的情勢則非常嚴(yán)峻，Crypto x AI 更需結(jié)合現(xiàn)實情況再做設(shè)計，比如算力層在性能損失且不穩(wěn)定的情況下供給兩端到底要怎么平衡？以實現(xiàn)匹配中心化云的競爭力。數(shù)據(jù)層的項目究竟會有多少真實用戶，如何檢驗所提供數(shù)據(jù)的真實有效性，又有什么樣的客戶需要這些數(shù)據(jù)？其余二層皆是同理，在這個時代我們不需要那么多看似正確的偽需求。

五、Meme 跑出了 SocialFi

正如我在第一段所說的 Meme 已經(jīng)用超極速的方式，走出了符合 Web3 的 SocialFi 形態(tài)。Friend.tech 是打響本輪社交應(yīng)用第一槍的 Dapp，但無奈敗在急于求成的 Token 設(shè)計。Pump.fun 則驗證了純平臺化的可行性，不做任何 Token,不做任何規(guī)則。注意力的需求者和供給者統(tǒng)一，你可以在平臺上發(fā)梗圖、做直播、發(fā)幣、留言、交易，一切都是自由的，Pump.fun 只收取服務(wù)費。這與如今 YouTube，Ins 等社交媒體的注意力經(jīng)濟(jì)模式基本一致，只不過收費對像不同，玩法上 Pupm.fun 則更 Web3。

Base 的 Clanker 則是集大成者，得益于生態(tài)親自操刀的一體化生態(tài)，Base 有自己的社交 Dapp 作為輔助，形成完整的內(nèi)部閉環(huán)。智能體 Meme 是 Meme Coin 的 2.0 形態(tài)，人總是圖新鮮，而 Pump.fun 如今恰好又處在風(fēng)口浪尖處，從趨勢上來看硅基生物的胡思亂想取代碳基生物的低俗梗只是時間問題。

我已經(jīng)第無數(shù)次提到了 Base，只是每次提及的內(nèi)容不同，從時間線上看 Base 從來都不是先發(fā)者，但卻總是贏家。

六、智能體還能是什么？

從務(wù)實的角度講，智能體在未來很長一段時間內(nèi)是不可能去中心化的，以傳統(tǒng) AI 領(lǐng)域?qū)χ悄荏w的搭建來看，它不是簡單的推理過程去中心化和開源就能解決的問題，它需要接入各種 API 去訪問 Web2 的內(nèi)容，它的運行成本很昂貴，思維鏈的設(shè)計及多智能體的協(xié)作通常還是依賴于一個人類作為媒介。我們會經(jīng)歷很漫長的一個過渡期，直到出現(xiàn)一個合適的融合形態(tài)，或許就像 UNI 一樣。但同上一篇文章一樣我依然覺得智能體將對我們行業(yè)形成很大的沖擊，正如 Cex 在我們行業(yè)中的存在一樣，不正確但很重要。

斯坦福&微軟上月發(fā)出的《AI Agent 綜述》一文，大量描述了智能體在醫(yī)療業(yè)、智能機(jī)器、虛擬世界的應(yīng)用，而在這篇文章的附錄中已經(jīng)有非常多 GPT-4V 作為智能體參與進(jìn)頂級 3A 游戲開發(fā)中的試驗案例。

不必太強(qiáng)求它與去中心化結(jié)合的速度，我更希望智能體首先補(bǔ)齊的拼圖是自下而上的能力與速度，我們有那么多的敘事廢墟以及空白的元宇宙需要它填滿，在合適的階段我們再考慮如何讓它成為下一個 UNI。