PSE Trading：AI Agents，重新定义Web3游戏的创新之路

原文作者：PSE Trading Analyst @Minta

Key Insights

AI Agent 是基于 LLM 通用大模型的工具，供开发者和用户直接构建可自主交互的应用。

AI 赛道未来的主要格局可能是：「通用大模型 + 垂类应用」；AI Agent 的生态位是连接通用大模型和 Dapp 的中间件，所以 AI Agent 护城河较低，需靠打造网络效应和提升用户粘性提升长期竞争力。

本文梳理了「通用大模型、垂类应用 Agent、以及 Generative AI 应用」在 Web3 游戏赛道的发展情况。其中，结合 Generative AI 技术，非常有潜力在短期内出爆款游戏。

01 技术简介

今年爆火的人工通用智能 AGI（Artificial General Intelligence）技术中，大型语言模型（Large Language Model - LLM）是绝对的主角。OpenAI 核心技术人员 Andrej Karpathy 和 Lilian Weng 也表达过基于 LLM 的 AI Agents 是 AGI 领域接下来重要的发展方向，很多团队也在开发基于 LLM 驱动的人工智能代理 ( AI-Agents) 系统。 简单来说，AI Agent 是一种计算机程序，它使用大量数据和复杂的算法来模拟人类的思维和决策过程，以便执行各种任务和交互，例如自动驾驶、语音识别和游戏策略等。 Abacus.ai 的图片清晰的介绍了 AI Agent 的基本原理，步骤如下：

感知和数据采集：数据输入，或者 AI Agent 通过感知系统（传感器、摄像头、麦克风等设备）获取信息和数据，比如游戏状态、图像、声音等。

状态表示：数据需要被处理和表示成 Agent 可以理解的形式，如转换为向量或张量，以便于输入到神经网络中。

神经网络模型：通常使用深度神经网络模型来进行决策和学习，比如使用卷积神经网络（CNN）用于图像处理、循环神经网络（RNN）用于序列数据处理，或者更高级的模型如自注意力机制（Transformer）等。

强化学习：Agent 通过与环境的互动来学习最佳行动策略。 除此以外，Agent 的运作原理还包括策略网络、价值网络、训练和优化，以及探索与利用等。比如在游戏场景下，策略网络可以输入游戏状态，然后输出行动概率分布；价值网络能够估计状态价值；Agent 则可以通过与环境互动不断强化学习算法以优化策略和价值网络，输出更完美的结果。

Source：blog.abacus.ai

总之，AI-Agents 是一种能够理解、决策和行动的智能实体，它们可以在各种领域中发挥重要作用，包括游戏领域。OpenAI 核心技术人员 Lilian Weng 撰写的《LLM Powered Autonomous Agents 》非常全面的介绍了 AI-Agents 原理，其中，文中提到一个非常有趣的实验：Generative Agents。

Generative Agents （简称 GA）的灵感来自于《模拟人生》游戏，其使用 LLM 技术生成了 25 个虚拟角色，每个角色都由 LLM 支持的 Agent 控制，在沙盒环境中生活和交互。GA 的设计很聪明，它将 LLM 与记忆、规划和反思功能结合在一起，这使得 Agent 程序可以根据以前的经验来做出决策，并与其他 Agent 互动。

文章详细介绍了 Agent 如何基于策略网络、价值网络以及和环境的互动来不断训练和优化决策路径。

原理如下：其中，记忆流（Memory Stram）是一个长期记忆模块，记录了 Agent 的所有交互经验。检索模型（Retrieve）根据相关性、新鲜度和重要性来提供经验（Retrived Memories），帮助 Agent 做出决策（Plan）。反思机制（Reflect）则总结过去的事件，指导 Agent 未来的行动。Plan 和 Reflect 则共同帮助 Agent 将反思和环境信息转化为实际行动 Act 。

Source：LLM Powered Autonomous Agents

这种有趣的实验向我们展示了 AI Agent 的能力，比如产生新的社交行为、信息传播、关系记忆（比如两个虚拟角色继续讨论话题）和社交活动的协调（比如举办聚会并邀请其他虚拟角色）等等。总之，AI-Agent 是一个非常有趣的工具，并且其在游戏中的应用也值得深入探索。

02 技术趋势

2.1 AI 赛道趋势

ABCDE 的投研合伙人LaoBai曾总结过硅谷创投圈对 AI 下一步发展的判断：

没有垂类模型，只有大模型 + 垂类应用；

边缘设备比如手机端的数据可能会是个壁垒，基于边缘设备的 AI 可能也是个机会；

Context 的长度未来可能引发质变（现在用向量数据库作为 AI 记忆体，但上下文长度还是不够）。