OKX Ventures 調査レポート: AI エージェントの現状を理解するために 10 以上のプロジェクトを分析 (パート 1)

AIトラックは、推測から実用化への進化を遂げています。

初期のAIミームトークンはAIブームに乗って爆発的に成長し、現在ではより機能的なAI取引ツール、スマートな投資リサーチ、オンチェーンAIエグゼキューターが登場しています。 AI主導のオンチェーンスナイピング戦略から、オンチェーンタスクを自律的に実行するAIエージェント、AI生成のDeFi収益最適化ソリューションまで、AIトラックの影響は急速に拡大しています。

しかし、ほとんどの人は AI トークンの市場価値が急激に成長しているのを見ることはできますが、その価値ロジックを解読するための座標系を見つけることができません。長期的に活力のある AI トラックはどれですか? DeFAI は AI の最高のアプリケーションでしょうか? AI プロジェクト評価の次元は何ですか? ...... OKX Venturesの最新の研究報告は、AIトラックの発展状況を深く分析しています。概念分析、進化プロセス、応用トラック、プロジェクト事例などから、AIの価値に対する皆様の理解に何らかのインスピレーションと思考をもたらすことを期待しています。

このレポートは非​​常に豊富な内容です。読みやすくするために、(パート 1) と (パート 2) の 2 つの部分に分けました。こちらは「パート1」です。

1. AIエージェントについて

AI エージェントは、環境を認識し、決定を下し、対応するアクションを実行する能力を持つインテリジェントなエンティティです。従来の人工知能システムとは異なり、AI エージェントは独立して考え、ツールを呼び出して特定の目標を徐々に達成できるため、複雑なタスクを処理する際の自律性と柔軟性が向上します。

簡単に言うと、AI エージェントは人工知能技術によって駆動されるエージェントであり、そのワークフローには、認識モジュール (入力の収集)、大規模言語モデル (理解、推論、計画)、ツール呼び出し (タスクの実行)、フィードバックと最適化 (検証と調整) が含まれます。

OpenAI は、AI エージェントを、大規模な言語モデルを中核とし、自律的に理解、認識、計画、記憶、ツールの使用ができ、複雑なタスクを自動的に実行できるシステムと定義しています。従来の人工知能とは異なり、AI エージェントは独立した思考とツールの呼び出しを通じて、設定された目標を徐々に達成することができます。

AI エージェントの定義は、次の主要な要素にまとめることができます。認識、AI エージェントはセンサー、カメラ、またはその他の入力デバイスを通じて周囲の環境を認識し、必要な情報を取得します。推論、認識した情報を分析し、複雑な推論を実行して合理的な決定を下します。意思決定、分析結果に基づいて、AI エージェントはアクション プランを策定し、最適な実行パスを選択します。アクション、最後に、AI エージェントは策定されたプランを実行し、外部ツールまたはインターフェイスを呼び出して他のシステムと対話し、事前に決定された目標を達成します。

AI エージェントの動作原理とプロセスには、通常、次のステップが含まれます。まず、情報入力、ユーザーの指示、センサー データなど、環境からの情報を受け取ります。次に、データ処理、組み込みのアルゴリズムとモデルを使用して入力データを処理し、メモリ システム (短期メモリと長期メモリ) と組み合わせて現在の状態を理解します。次に、計画策定、処理結果に基づいて、AI エージェントは大きなタスクを管理可能な小さなタスクに分割し、具体的な実行計画を策定します。実行フェーズでは、AI エージェントは計画を実行し、外部 API またはツールを呼び出して実行プロセスを監視して、タスクが期待どおりに完了することを確認します。最後に、フィードバックと学習では、タスクが完了した後、AI エージェントは結果を反映して学習し、将来の意思決定の品質を向上させます。

2. 進化

AI トークンの進化の道筋は、初期の「MEME」現象から深い技術統合への移行を示しています。当初、多くのトークンは、インターネットミームのように、ユーザーの注目を集めるために、短命なコンセプトの誇大宣伝やソーシャルメディアの流行に依存していました。しかし、市場が成熟するにつれて、AI トークンは徐々により実用的で高度な機能に向けて発展し、純粋な誇大広告モデルから徐々に脱却し、実際のブロックチェーン金融ツールやデータ分析プラットフォームへと変化しています。これらのトークンが概念的な存在から実際の応用価値を持つ技術製品へとどのように進化していくのかを詳しく探ります。

ステージ 1: AI ミーム (混乱期)

初期のAIトークンのほとんどは「MEME」の形で存在していました。$GOAT、$ACT、$FARTCOINなどのトークンには実用的なアプリケーションや機能がなく、その価値は主にコンセプトの誇大宣伝と市場の感情に依存していました。この段階では、トークンの目的は明確ではなく、市場やユーザーはその可能性についてほとんど知らず、トークンの人気はソーシャルメディアでの普及や短期的な誇大宣伝に大きく依存しており、神秘的で捉えどころのない性質を示しています。

ステージ2: 社会化（探索）

市場が徐々にAIトークンに注目するにつれて、これらのトークンはソーシャル分野で影響力を発揮し始めています。たとえば、$LUNA や $BULLY などのトークンは、強化されたソーシャル機能を通じてユーザーの参加を促します。この段階では、トークンはもはや宣伝ツールとして存在するのではなく、コミュニティ主導のソーシャルインタラクションを統合して市場の成長を促進し始めます。トークンは、単純な「チャット」機能から、ユーザーの社会的ニーズと密接に統合された機能を模索する機能へと徐々に拡大し、より多様な社会的属性を形成しています。

フェーズ3: 垂直分野（機能深化フェーズ）

AI トークンは、単純なソーシャル モデルや誇大宣伝モデルから離れ始めており、垂直分野でのアプリケーション シナリオを模索しています。 $AIXBTや$ZEREBROなどのトークンは、ブロックチェーン、DeFi、またはクリエイティブツールとの統合を通じて徐々にトークンを強化しており、もはや単なる投機ツールではなく、明確な機能と目的を持つデジタル資産になっています。この段階では、AI トークンがより効率的で専門的な方向に向かって発展し、徐々に独自の市場ポジションが形成されていきます。

フェーズ 3.5: インフラストラクチャ (技術改善フェーズ)

トークンの応用がますます深まるにつれて、AI トークンはより強固な技術インフラストラクチャの構築に重点を置き始めました。 $AI16Zや$EMPなどのトークンの追加により、トークンの機能最適化がさらに促進されました。トークンは経済的インセンティブと実用的な機能に重点を置くだけでなく、クロスチェーン技術、分散型アプリケーション、ハードウェア統合などのインフラストラクチャの構築にも注目し始め、将来の持続可能な発展のための技術的基礎を徐々に築き上げています。

ステージ 4: データ分析 (成熟段階)

成熟段階に入り、AIトークンは市場で徐々に安定し、より複雑な暗号投資研究および分析機能を組み込み始め、トークンエコロジーとガバナンス構造の改善を促進しています。 $TRISIG や $COOKIE などのトークンはもはや単なるツールではなく、経済システムの一部となり、データ分析、コミュニティガバナンス、投資決定などの高度な分野で広く使用されています。この時点で、AIトークンの機能は徐々に向上し、市場に詳細な分析と意思決定のサポートを提供できるようになり、暗号市場における重要な資産となっています。

フェーズ4.5: 財務アプリケーション（生態学的統合期間）

DeFi分野のさらなる発展に伴い、金融アプリケーションにおけるAIトークンの統合はますます深まり、「DeFAI」という新たな概念が生まれています。人工知能により、DeFi の複雑な操作が簡素化され、一般ユーザーが簡単にオンチェーンの金融活動に参加できるようになります。 $GRIFFAIN、$ORBIT、$AIXBTなどの代表的なトークンは、市場で基本機能から複雑な金融サービスまで完全なチェーンを徐々に形成し、オンチェーンインタラクションを最適化し、参加のハードルを下げ、ユーザーにさらなる機会と利便性をもたらしました。

3. AIエージェントフレームワーク

1. Web3とWeb2のデータ比較

Web2 の AI エージェントは推奨アルゴリズムに組み込まれていますが、Web3 のテスト場でも AI エージェントのさらなる革新が育まれています。しかし、データによれば、Web3 プロジェクトと Web2 プロジェクトでは、貢献者の分布、コードの提出、GitHub スターに明らかな違いが見られます。 Web3 プロジェクトと Web2 プロジェクトのデータを比較することで、技術革新、コミュニティ活動、市場での受け入れという観点から、両者の現状をより深く理解することができます。特に GitHub プラットフォームでは、これらのプロジェクトのアクティビティと人気が重要な指標となり、将来の技術開発の傾向やコミュニティの生態学的変化についての洞察を得るのに役立ちます。

開発者の参加という点では、Web2 プロジェクトへの貢献者の数は Web3 プロジェクトよりも大幅に多くなっています。具体的には、Web3 プロジェクトには 575 人の貢献者がいるのに対し、Web2 プロジェクトには 9,940 人もの貢献者がおり、これは Web2 エコシステムの成熟度と開発者ベースの広範さを反映しています。貢献者数で上位 3 つのプロジェクトは、Starkchain (3,102 人)、 Informers-agents (3,009 人)、 Llamaindex (1,391 人) です。

コード提出の配布に関して。 Web2 プロジェクトの提出数も、Web3 プロジェクトの提出数よりも大幅に多くなっています。 Web3 プロジェクトの提出総数は 9,238 件であるのに対し、Web2 プロジェクトの提出総数は 40,151 件と多く、Web2 プロジェクトの方が開発が活発で、更新頻度も安定していることがわかります。コード提出数で上位 3 つのプロジェクトは次のとおりです。ElipsOS が5,905 件の提出数でトップ、続いてDustが合計 5,602 件のコードを提出、 LangChain が5,506 件の提出数で 3 位です。

GitHub スターの配布。 GitHub では Web2 プロジェクトが Web3 プロジェクトよりもはるかに人気があり、Web2 プロジェクトは 526,747 個のスターを獲得しているのに対し、Web3 プロジェクトは 15,676 個のスターを獲得しています。このギャップは、開発者コミュニティにおける Web2 プロジェクトの幅広い認知度と、長期にわたって蓄積されてきた市場への影響を反映しています。星の数で上位 3 つのプロジェクトは次のとおりです。JS Agents は間違いなく最も人気があり、137,534 個の星を獲得しています。次にLangChainが 98,184 個の星で 2 位、 MetaGPT が46,676 個の星で 3 位です。

全体的に、Web2 プロジェクトは貢献者の数とコード提出の頻度の点で明らかに先行しており、成熟した安定したエコシステムを示しています。膨大な開発者ベースと継続的な技術革新により、Web2 プロジェクトは市場で強力な競争力を維持できます。対照的に、Web3 プロジェクトは貢献者が少ないにもかかわらず、コード提出頻度において優れたパフォーマンスを示すプロジェクトもあり、安定したコア開発チームを持ち、プロジェクト開発を継続的に推進できることを示しています。 Web3 エコシステムはまだ初期段階ですが、その可能性を過小評価することはできません。徐々に形成された開発者コミュニティとユーザー ベースは、将来の成長に向けた強固な基盤を築いています。

プロジェクトの人気度という点では、GitHub スターの分布から、AI エージェント フレームワークの開発における JavaScript と Python の重要な位置が明らかになります。 JS AgentsとLangChainは最も人気のあるプロジェクトであり、AIと暗号通貨を組み合わせるトレンドが広く注目を集めていることを示しています。 Web3 プロジェクトのスター数は Web2 プロジェクトよりもはるかに少ないですが、 MetaGPTなどの一部の Web3 プロジェクトは依然として非常に優れたパフォーマンスを発揮し、開発者から高い評価を得ています。全体的に、Web3 プロジェクトは追い上げ段階にありますが、技術のさらなる成熟とエコシステムの拡大により、将来の市場での地位は着実に向上すると予想されます。

2. 主流のブロックチェーンAIエージェントフレームワーク

データソース: https://www.aiagenttoolkit.xyz/#frameworks

3. 既存のブロックチェーンAIエージェントフレームワークが直面する課題

大手メーカーの競合他社による「次元削減攻撃」。 OpenAI、Google、Microsoft などのテクノロジー大手は、公式のマルチツールエージェントを急速にリリースしています。これらの企業は、強力な財務的および技術的優位性により、いつでも市場を占有し、スタートアップフレームワークを限界まで追い込む可能性があります。これらの大企業は、大規模言語モデル (LLM)、クラウド サービス、ツール エコシステムを深く統合することで、包括的かつ効率的なソリューションを提供できるため、中小規模のフレームワークはより大きな競争圧力に直面し、生存空間が大きく圧迫されています。

安定性と保守性が不十分です。現在、すべての AI エージェントは一般的に高いエラー率と「幻覚」の問題に直面しており、特にモデルを複数ラウンドで呼び出す場合、無限ループや互換性のバグが発生しやすくなります。エージェントに複数のサブタスクを実行するように要求されると、これらのエラーは層ごとに増幅される傾向があり、システムの不安定化につながります。高い信頼性が求められるエンタープライズ アプリケーションの場合、これらのフレームワークは現時点では十分な安定性と実稼働レベルの保証を提供できず、実際のビジネス環境での広範な使用が制限されています。

パフォーマンスとコストは依然として高いままです。エージェントベースのプロセスでは通常、多数の推論呼び出し（ループのセルフチェック、ツール関数など）が必要になります。基盤となるレイヤーが GPT-4 などの大規模なモデルに依存している場合、呼び出しコストが高くなるだけでなく、迅速な応答のニーズを満たすことができないこともよくあります。一部のフレームワークでは、コストを削減するためにローカル推論用のオープンソース モデルを組み合わせようとしていますが、このアプローチは依然として強力なコンピューティング能力に依存しており、推論結果の品質を安定させることが難しく、システムの信頼性とパフォーマンスを確保するために専門チームによる継続的な最適化が必要です。

開発エコシステムと柔軟性が不十分です。現在、これらの AI エージェント フレームワークには開発言語とスケーラビリティに関する統一された標準がないため、開発者は選択を行う際に一定の混乱と制限に直面します。例えば、 Eliza はTypeScript を使用していますが、これは使いやすいものの、非常に複雑なシナリオではスケーラビリティが低くなります。RigはRust を使用していますが、これはパフォーマンスに優れていますが、学習のハードルが高いです。ZerePy ( ZEREBRO ) は Python をベースとしており、クリエイティブ生成アプリケーションに適していますが、機能は比較的限られています。 AIXBTやGriffainなどの他のフレームワークは、特定のブロックチェーンまたは垂直アプリケーションに重点を置いているため、市場検証には時間がかかります。開発者は、これらのフレームワーク間で使いやすさ、パフォーマンス、マルチプラットフォームへの適応性の間でトレードオフを行う必要があることが多く、それが幅広いアプリケーションにおける柔軟性と開発の可能性に影響します。

セキュリティとコンプライアンスのリスク。外部 API にアクセスしたり、重要なトランザクションを実行したり、自動化された意思決定を行ったりする場合、マルチエージェント システムは、不正な呼び出し、プライバシーの漏洩、脆弱な操作などのセキュリティ リスクにさらされやすくなります。多くのフレームワークは、セキュリティ ポリシーと監査記録の点で完璧ではありません。特に、エンタープライズまたは金融アプリケーションのシナリオでは、これらの問題が非常に顕著であり、厳格なコンプライアンス要件を満たすことが困難です。これは、システムが実際に導入されたときに、大きな法的リスクとデータ セキュリティの課題に直面する可能性があることを意味します。

上記の問題を考慮すると、多くの実務家は、現在の AI エージェント フレームワークは、「次の技術革新」や「大手メーカーの統合ソリューション」の圧力によってさらに圧迫される可能性があると考えています。しかし、スタートアップ フレームワークは、オンチェーン シナリオ、アイデア生成、コミュニティ プラグインのドッキングなど、特定の領域で依然として独自の役割を果たすことができるという見方もあります。信頼性、コスト管理、エコシステム構築において画期的な進歩を遂げることができれば、これらのフレームワークは大手メーカーのエコシステムの外でも実行可能な開発の道筋を見出すことができます。一般的に、「コストが高く、エラーが発生しやすい」と「マルチシナリオの柔軟性を実現する」という 2 つの大きな問題をどのように解決するかが、すべての AI エージェント フレームワークが直面する重要な課題になります。

3. AIエージェントの開発方向

マルチモーダルAIの普及

技術の急速な発展に伴い、マルチモーダル AI は徐々にさまざまな業界の重要な原動力になりつつあります。マルチモーダル AI は、テキスト、画像、ビデオ、オーディオなどの複数の形式のデータを処理できるため、多くの分野で大きな可能性を秘めています。特に医療分野では、マルチモーダル AI が医療記録、画像データ、ゲノム情報を統合することで、個別化医療の実現をサポートし、医師が患者に合わせた治療計画をより正確に立てられるようになります。小売業や製造業では、このテクノロジーの助けを借りて、AI は生産プロセスを最適化し、効率を改善し、顧客体験を強化し、それによって企業の競争力を高めることができます。データとコンピューティング能力の向上により、マルチモーダル AI はより多くの業界で変革的な役割を果たし、テクノロジーの急速な反復とそのアプリケーションの拡大を促進することが期待されています。

具現化された知能と自律的な知能

具現化された AI とは、物理的な世界を感知し、相互作用することで環境を理解し、適応する人工知能システムを指します。この技術はロボットの開発方向を大きく変え、自動運転、スマートシティなどの応用シナリオにおけるロボットの普及の基礎を築くでしょう。 2025年は「身体化知能元年」とされ、この技術が多くの分野で広く活用されることが期待されています。ロボットに知覚、理解、自律的な意思決定の能力を与えることで、具現化された知能は物理世界とデジタル世界の深い統合を促進し、それによって生産性を向上させ、すべての産業のインテリジェントな発展を促進します。パーソナルアシスタント、自動運転車、スマートファクトリーなど、具現化されたインテリジェンスは、人間と機械のやり取りの方法を変えるでしょう。

エージェントAIの台頭

エージェント AI とは、複雑なタスクを自律的に完了できる人工知能システムを指します。これらの AI エージェントは、初期の単純なクエリ応答ツールからより高度な自律的な意思決定システムへと変化しており、ビジネス プロセスの最適化、顧客サービス、産業オートメーションなどの分野で広く使用されています。たとえば、AI エージェントは、顧客の相談リクエストを自律的に処理し、パーソナライズされたサービスを提供し、さらには最適化された意思決定を行うこともできます。産業オートメーションでは、AI エージェントが機器の動作状態を監視し、障害を予測し、問題が発生する前に調整や修理を行うことができます。 AI エージェントが徐々に成熟するにつれて、さまざまな業界での応用がより深くなり、効率性の向上とコストの削減のための重要なツールになります。

科学研究におけるAIの応用

AIの導入により、特に複雑なデータ分析の分野において科学研究の進歩が加速しています。 AI4S（AI for Science）は新たな研究トレンドとなっています。大規模なモデルを使用してデータの詳細な分析を行うことで、AIは研究者が従来の研究の限界を打ち破るのを支援します。 AI の応用は、バイオメディカル、材料科学、エネルギー研究などの分野における基礎科学の進歩を推進しています。注目すべき例としては、タンパク質構造を予測することで科学者を長年悩ませてきた問題を解決し、生物医学研究の進歩を大きく促進した AlphaFold が挙げられます。今後、AIは科学研究の進歩を促進し、新しい材料や薬剤の発見などにおいてますます重要な役割を果たすようになるでしょう。

AIの安全性と倫理

AI技術の普及に伴い、AIの安全性や倫理的問題が徐々に世界的な注目を集めるようになっています。 AI システムの意思決定の透明性、公平性、潜在的な安全リスクについては、多くの議論が巻き起こっています。 AI技術の持続的な発展を確保するため、企業や政府は、技術革新を促進しながらリスクを効果的に管理するための健全なガバナンスフレームワークを確立するための取り組みを強化しています。特に、自動意思決定、データプライバシー、自律システムなどの分野では、技術の進歩と社会的責任のバランスをどのように取るかが、AI 技術のプラスの影響を確実にするための鍵となっています。これは技術開発の課題であるだけでなく、倫理的、法的レベルでも重要な問題であり、将来の社会における AI の役割と地位に影響を与えます。

次回のレポートでは、AIエージェントのアプリケーションとプロジェクトを詳しく紹介し、評価フレームワークを提供します。どうぞお楽しみに。