從 ICO 炒作到 AI 實用：Web3 中加密代理的演變

作者：Iraklis A，CoinTelegraph；編譯：白水，

人工智能驅動的加密代理的崛起遵循著熟悉的軌跡，反映了 ICO 時代項目的最初繁榮、蕭條和復蘇。 就像早期的區塊鏈企業在成熟為可持續生態系統之前靠炒作蓬勃發展一樣，當前的人工智能代理項目浪潮正在經歷快速的市場轉變。

HTX Ventures 和 HTX Research 的一份新報告稱，隨著該行業競爭加劇、流動性分散以及許多項目難以定義明確的用例，投資者變得越來越謹慎。 不過，隨著該行業走出投機階段，人工智能驅動的加密代理有望發展出以真正的實用性為基礎的可持續商業模式。

從 Meme 炒作到現實：加密代理的演變

在 2024 年 10 月 Marc Andreessen 捐贈 50,000 美元比特幣以及今年早些時候代幣發行成功的影響下，許多 AI 代理項目於 2024 年第一季度進入該領域，並在 2025 年第一季度迅速稀釋了流動性。

在這個不斷變化的環境中，贏家將是那些能夠創造穩定收入、支付運行 AI 模型的成本並為用戶和投資者提供有形價值的人。

AI 代理應用強調該技術在現實世界中的實施和商業化，特別是在自動交易、資產管理、市場分析和跨鏈交互等領域。 這種方法與多代理系統和 DeFAI（去中心化金融 + AI）計劃相一致，例如 Hey Anon、GRIFFAIN 和 ChainGPT。

最近的研究強調了多智能體系統 (MAS) 在投資組合管理中的優勢，尤其是在加密貨幣投資中。 Griffain、NEUR 和 BUZZ 等項目已經展示了 AI 如何幫助用戶與 DeFi 協議交互並做出明智的決策。 與單智能體 AI 模型不同，多智能體系統利用專門智能體之間的協作來增強市場分析和執行。 這些智能體以團隊形式運作，例如數據分析師、風險評估員和交易執行部門，每個智能體都經過培訓以處理特定任務。

MAS 框架還引入了智能體間通信機制，同一團隊中的智能體通過集體學習來完善預測，從而減少市場趨勢分析中的錯誤。

DeepSeek-R1：AI代理訓練的突破

Deepseek-R1 是 AI 代理技術的一次突破，這項創新挑戰了傳統的 AI 訓練方法。 與以前的模型不同，DeepSeek-R1 依賴於監督微調 (SFT)，然後是強化學習 (RL)，而 DeepSeek-R1 採用了不同的方法，完全通過強化學習進行優化，而無需初始監督階段。 這種轉變顯著提高了推理能力和適應性，為更複雜的 AI 驅動加密代理鋪平了道路。

要理解這種範式轉變，請考慮兩種不同的學習方法。 在傳統的 SFT 和 RL 模型中，學生首先從練習冊中學習，練習有固定答案的問題 (SFT)，然後接受輔導以完善他們的理解 (RL)。 相比之下，在 DeepSeek-R1 模型（純強化學習）中，學生直接參加考試並通過反複試驗進行學習。 這種方法允許學生根據反饋動態改進，而不是依賴預定義的答案。

利用 DeepSeek-R1 的純 RL 模型，AI 代理可以在現實世界條件下通過反複試驗進行學習，並根據即時反饋動態調整其策略。

這種方法具有更大的適應性，對於 DeFi 中的多代理 AI 系統特別有用，因為實時市場波動需要代理做出自主的、數據驅動的決策。 例如，由 AI 驅動的代理可以監控流動性池、檢測套利機會並根據實時市場情況優化資產配置。 這些代理可以快速適應市場波動，確保更高效的資本配置。

iDEGEN 於 2024 年 11 月下旬推出，是第一個基於 DeepSeek R1 構建的加密 AI 代理。 DeepSeek 的 R1 模型的這種集成強調了加密 AI 代理如何繼承這種增強的推理能力，以極低的成本與其他成熟的 AI 模型競爭。

defi 自動化中向 RL 驅動的多智能體 AI 的轉變凸顯了為什麼閉源 AI 模型（例如 OpenAI 的基於 GPT 的系統）正在成為一項不可持續的開支。 由於工作流程通常需要每筆交易處理 10,000 多個代幣，因此封閉的 AI 模型會產生巨大的計算成本，從而限制了可擴展性。 相比之下，像 DeepSeek-R1 這樣的開源 RL 模型允許為 DeFi 應用程序量身定制去中心化、經濟高效的 AI 開發。

Web3 中 AI 代理的未來

該領域長盛不衰的關鍵在於持續創新、適應性和成本效益。 像 DeepSeek-R1 這樣的開源 AI 模型正在降低進入門檻，讓區塊鏈原生初創公司能夠開發專門的 AI 解決方案。 與此同時，DeFAI 和多代理系統的進步將推動 AI 與去中心化金融之間的長期融合。

結論很明顯：