DeFAI adalah topik panas lain di pasar setelah Framework. Menurut data Kaito pada tanggal 15 Januari, mindshare DeFAI telah mencapai tingkat yang sama dengan Meme. Meskipun Meme telah agak sepi selama kegilaan Agenta baru-baru ini dalam dua bulan terakhir, ini masih menunjukkan bahwa DeFAI adalah topik paling panas di pasar sebagai narasi terbaru.

DeFAI adalah kombinasi dari DeFi dan AI Agent, dan banyak protokol yang ingin menggabungkan Agent dengan narasi tradisional DeFi, dengan harapan memunculkan ide-ide baru.

Abstraksi Kecerdasan Buatan diharapkan menjadi arah utama aplikasi DeFAI

Beberapa hari yang lalu,@poopmandefiMengatur pemetaan aplikasi DeFAI, di antaranya saya percaya bahwa aplikasi DeFAI dalam kategori Abstraksi AI lebih mungkin menciptakan gelembung dan memiliki potensi lebih besar untuk menghasilkan aplikasi berkualitas tinggi. Meskipun aplikasi DeFAI dalam kategori pengelolaan portofolio dan analisis pasar sama menariknya, dibandingkan dengan aplikasi abstrak, mereka memiliki ruang imajinasi yang lebih sedikit dan lebih bergantung pada asumsi kepercayaan.

Aplikasi manajemen portofolio yang berfokus pada otomatisasi Agen dapat ditelusuri kembali ke siklus sebelumnya. Aplikasi otomatisasi dapat berupa skrip sederhana atau algoritma kompleks, tetapi intinya tetap adalah pengejaran kustomisasi pengguna, yaitu pengguna dapat mengkustomisasi strategi mereka sendiri berdasarkan kebiasaan perdagangan dan preferensi risiko mereka di antara pilihan yang disediakan oleh platform. Oleh karena itu, tujuan dari aplikasi otomatisasi adalah memungkinkan pengguna merasa tenang setelah menjalankan program.

Ini berarti bahwa ruang imajinasi untuk aplikasi otomatis terbatas. Mereka lebih fokus pada pengalaman pengguna halus vertikal, dan parit antara protokol sering tercermin dalam desain algoritma. Persaingan manajemen portofolio otomatis dan aplikasi optimisasi yield pada dasarnya adalah kemampuan tim untuk merumuskan strategi, bersaing kapan memicu arbitrase, kapan mengurangi risiko likuidasi, bagaimana mengalokasikan posisi, dan memaksimalkan hasil pertanian.

Saya percaya bahwa peluang partisipasi Agen di dalamnya tidak sebesar harapan pasar. Alasannya adalah sulit bagi pengguna untuk melatih dan menyesuaikan Agennya sendiri untuk mengalahkan algoritma yang terus berkembang pesat dari tim profesional. Sulit bagi Agen untuk membantu diri mereka sendiri menemukan peluang perdagangan di rantai tanpa menjadi likuiditas keluar orang lain pada tahap ini. Oleh karena itu, narasi membuat Agen menjadi 'mesin pencetak uang' pribadi mungkin hanya tampak ideal.

Analisis pasar DeFAI dalam bahasa Mandarin Sederhana bercampur aduk. Alasannya adalah bahwa setiap agen dapat menyatakan pandangan mereka tentang harga token, tetapi sebagian besar pendapatnya bersifat repetitif dan mendapat sedikit perhatian. Dalam analisis ini, aplikasi seperti Zara AI, yang memiliki kerangka kerja self-developed, terus-menerus dilatih dan dioptimalkan untuk menganalisis indikator tertentu. AIXBT, sebagai pemimpin industri, telah lama menduduki posisi teratas di Kaito mindshare dan menjadi top KOL. Analisis pasar DeFAI memiliki deviasi yang signifikan, dengan sebagian besar agen menjadi kawan tembak dan penuh dengan gelembung, sehingga sulit untuk menghasilkan nilai komersial. Dari pengakuan pasar terhadap analisis pasar berbasis agen hingga agen membentuk model bisnis dan menghasilkan monetisasi lalu lintas, ini mungkin menjadi langit-langit pendek untuk analisis pasar DeFAI.

Namun, analisis publik dari Agent dapat menjadi Sinyal Beli dan Berita Jual. Ini mungkin menjadi salah satu alasan mengapa KOL teratas seperti AIXBT belum mulai mengelola aset pengguna secara independen. Karena analisis dari Agent didasarkan pada data publik dan tidak mengerek harga secara artifisial seperti yang dilakukan oleh KOL manusia melalui artikel dan kolaborasi tim. Perbedaan antara keduanya adalah salah satu alasan mengapa analisis pasar DeFAI memiliki ruang imajinasi yang terbatas.

Jadi, mengapa kelas Abstraksi AI DeFAI berbeda? Saya pikir karakteristiknya terletak pada prediktabilitas rendah dan pertumbuhan tinggi. Prediktabilitas rendah berasal dari keterbatasan objektif AI Web3, dengan banyak 'proyek sampah' di Web3 dari 'bot AI' pada 2023, 'Pengemas GPT' pada paruh pertama 2024, hingga Agen yang disesuaikan dengan baik baru-baru ini dalam beberapa bulan terakhir. Proyek-proyek ini, dengan ChatGPT sebagai inti, mengemas input dan output model di frontend aplikasi, dan pengguna dapat menggunakan prompt bahasa alami saat menggunakannya untuk pertama kalinya. Namun, karena kurangnya perlindungan kinerja, terdapat gesekan signifikan dalam pengalaman nyata. Pengalaman pengguna yang buruk selama lebih dari satu tahun adalah alasan mengapa harapan aplikasi abstrak rendah.

Definisi aplikasi abstrak adalah untuk mengabstraksi operasi kompleks on-chain melalui kecerdasan buatan, sehingga menyederhanakan pengalaman pengguna pemula, sehingga pengguna tingkat pemula juga dapat merasakan protokol DeFi secara mendalam. Meskipun aplikasi ini mirip dengan sejumlah besar 'proyek mencurigakan' dalam cara mereka menyederhanakan, pengguna berinteraksi dengan frontend Agen melalui bahasa alami dan memanggil berbagai API, dan Agen menyelesaikan operasi di backend, namun metode interaksi belum signifikan ditingkatkan. Oleh karena itu, kebanyakan pengguna, atau persepsi pasar umum, sering menganggap ekspektasi aplikasi abstrak rendah.

Namun, saat pengembang Web2 yang semakin banyak memasuki bidang ini dan perkembangan aplikasi abstrak yang semakin cepat, hal ini memberikan potensi pertumbuhan yang besar bagi aplikasi-aplikasi tersebut. Saat ini, aplikasi-aplikasi abstrak sedang mengalami pertumbuhan yang pesat dan diharapkan mencapai kemajuan di masa depan.

Pertumbuhan tinggi berasal dari aplikasi-abstrak yang dapat sepenuhnya mengoptimalkan pengalaman pengguna, sedangkan pengalaman pengguna yang buruk biasanya berasal dari dua aspek:

1. Pengguna kurang memahami kemampuan sebenarnya dari aplikasi. Saat memasukkan perintah seperti Swap, Staking, dll., meskipun operasi-operasi ini dapat berhasil dieksekusi, metode interaksi ini tidak membuat pengguna terkesan.
2. Pengguna tersebut memperkirakan kemampuan aplikasi terlalu tinggi, dengan memasukkan instruksi yang kompleks yang sering sulit untuk dieksekusi secara akurat untuk satu model, menyebabkan kesalahan pada langkah tertentu dari alur kerja Pipa.

Versi terbaru dari aplikasi Agen masih memiliki ruang yang cukup besar untuk pertumbuhan dan dapat mengatasi masalah di atas. Mengambil Questflow sebagai contoh, aplikasi abstrak menggabungkan beberapa Agen menjadi Swarm untuk mengoptimalkan pengalaman pengguna. Dalam Swarm, semakin banyak Agen yang digunakan, semakin halus penggunaan kasus pengguna menjadi. Misalnya, 'Swarm Sinyal Token Crypto' di platform Questflow terdiri dari lima Agen: Agen Jadwal, Agen Telegram, Agen Techcrunch, Agen OKLink, dan Agen Informasi Web3 Terkumpul. Melalui pengenalan Swarm, pengguna dapat dengan cepat memahami tujuannya: memantau harga token, menganalisis proyek, dan memberikan informasi Alpha yang halus ke grup Telegram. Oleh karena itu, ketika berinteraksi dengan Swarm ini, harapan pengguna dapat terpenuhi sepenuhnya, dan umpan balik yang sebenarnya dapat sesuai dengan harapan mereka. Lebih penting lagi, instruksi kompleks tidak disederhanakan atau dihilangkan karena instruksi pengguna dibagi dan ditugaskan ke Agen yang berbeda, dengan setiap Agen hanya menyelesaikan tugasnya sendiri, membuat alur kerja keseluruhan lebih efisien dan ringkas.

Gelembung dan kekacauan di trek aplikasi abstrak secara bertahap mulai surut, dan pasar telah mulai beralih ke perkembangan yang lebih positif dan serius. Cara interaksi baru akan benar-benar membantu pengguna menyelesaikan masalah dan meningkatkan efisiensi. Cara interaksi baru ini akan membawa paradigma perdagangan baru, dan dalam proses percepatan evolusi di trek AI Agent, aplikasi abstrak diharapkan menjadi pelopor yang menangkap nilai pasar DeFAI.

Ekosistem Solana secara aktif merangkul DeFAI

Solana dan Base adalah dua medan utama dalam lintasan AI Agent, tetapi arah pengembangan kedua ekosistem ini sangat berbeda. Virtuals, mengandalkan model token yang matang, mendominasi sebagian besar nilai pasar dalam lintasan AI Agent Base; sementara di Solana, meskipun ada partisipasi ai16z, karena fundamental yang lemah dan pengaruh atmosfer Solana memecoin, pangsa pasar Solana dalam lintasan AI Agent relatif rendah.

Untuk Solana, ekosistem yang beragam saat ini bukanlah situasi yang paling ideal. Solana membutuhkan tag narasi yang signifikan untuk mencapai tonggak nilai pasar berikutnya. Dalam konteks kegagalan Depin, DeFAI tanpa ragu merupakan peluang terbaik Solana. Dari distribusi aplikasi DeFAI yang dirangkum oleh Solana Daily, banyak aplikasi DeFAI telah memilih platform Solana. Hal ini mungkin terkait dengan seringnya Solana menjadi tuan rumah hackathon Agent dan inisiatif hibahnya. Secara keseluruhan, Solana memimpin perlombaan dalam DeFAI, melampui Base.

Solana merilis DeFAI Landscape di Solana minggu lalu. Saya telah memilih proyek-proyek dengan kapitalisasi pasar di atas $10 juta pada tanggal 19 Januari dan memberikan ringkasan singkat tentang fungsi inti dan kategori mereka.

Tentang BlockBooster

BlockBooster adalah sebuah studio venture Web3 Asia yang didukung oleh OKX Ventures dan lembaga-lembaga top lainnya, yang berkomitmen untuk menjadi mitra terpercaya bagi para pengusaha luar biasa. Kami menghubungkan proyek Web3 dengan dunia nyata dan membantu proyek kewirausahaan berkualitas tinggi tumbuh melalui investasi strategis dan inkubasi yang mendalam.

Pernyataan:

1. Artikel ini diambil dari 【Tech Flow ShenchaoHak cipta dimiliki oleh penulis asli, Kevin, Peneliti di BlockBooster. Jika Anda memiliki keberatan terhadap penggandaan, silakan hubungi Tim Belajar Gate, tim akan memprosesnya secepat mungkin sesuai dengan prosedur yang relevan.
2. Penyangkalan: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi apa pun.
3. Versi bahasa lain dari artikel ini diterjemahkan oleh tim Belajar Gate. Kecuali dinyatakan lain, menyalin, menyebarkan, atau menjiplak artikel-artikel yang diterjemahkan dilarang.