# PSE Trading|AI Agents：重新定义 Web3 游戏的创新之路

By [PSE Trading](https://paragraph.com/@pse-trading) · 2023-10-16

---

作者：PSE Trading Analyst [@Minta](https://twitter.com/minta0103)

Key Insights
------------

1.  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。
    
2.  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。
    
3.  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。
    

![](https://storage.googleapis.com/papyrus_images/a5d5f8a26c212751e2edf9a33d77c5e5b1b0ea1e0ac3aa2b6cda212867570022.png)

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](https://twitter.com/karpathy) 和 [Lilian Weng](https://twitter.com/lilianweng) 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](http://Abacus.ai) 的图片清晰的介绍了AI Agent的基本原理，步骤如下：

1.  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。
    
2.  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。
    
3.  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。
    
4.  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](https://storage.googleapis.com/papyrus_images/816c82130c904c55c92e22da193d6c404556cf30eef3e9613d5935740f7a060a.png)

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](https://twitter.com/lilianweng) 撰写的《[LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/) 》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](https://arxiv.org/abs/2304.03442) （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](https://storage.googleapis.com/papyrus_images/f27d18ee8f98361823b29f95ca98b3af4f6764d92f162945a786f8702806d6e6.png)

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](https://twitter.com/Wuhuoqiu/status/1676817186831360001?s=20)曾总结过硅谷创投圈对 AI 下一步发展的判断：

1.  没有垂类模型，只有大模型 + 垂类应用；
    
2.  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；
    
3.  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）。
    

即从行业普通发展规律来看，因为大型通用模型模式太重，且具备较强的普适性，所以没必要在大型通用模型领域不断造轮子，而应更多侧重于将大型通用模型应用于垂类领域。

同时，边缘设备指通常不依赖于云计算中心或远程服务器，而是在本地进行数据处理和决策的终端设备。因为边缘设备的多样性，所以如何将 AI Agent 部署到设备上运行并合理获取设备数据就是一个挑战，但同时也是新的机会。

最后，关于 Context 的问题也备受关注。简单来说，在LLM背景下的 Context 可以理解为信息数量，Context 长度可以理解为数据有多少维度。假如现在有一个电子商务网站的大数据模型，该模型用于预测用户购买某个产品的可能性。在这种情况下，Context 可以包括用户的浏览历史、购买历史、搜索记录、用户属性等信息。Context 长度则指特征信息叠加的维度，比如上海30岁男性用户的竞品购买历史，叠加最近购买的频率，再叠加最近的浏览记录等。Context 长度的增加可以帮助模型更全面地理解用户购买决策的影响因素。

目前的共识认为，虽然目前使用向量数据库作为 AI 的记忆体使得 Context 长度不够，但未来 Context 长度会发生质的变化，而后 LLM 模型可以寻求更高级的方法来处理和理解更长、更复杂的 Context 信息。进一步涌现出更多超出想象的应用场景。

### 2.2 AI Agent 趋势

[Folius Ventures](https://twitter.com/FoliusVentures)总结过 AI Agent 在游戏赛道中的应用模式，如下图：

![Source：Folius Ventures - 游戏专题：寻找Web3游戏的北极星之旅](https://storage.googleapis.com/papyrus_images/540c40f13c1ac49d7b739fa98330125e60b32880a7f0e724cc792daf37ea87d0.png)

Source：Folius Ventures - 游戏专题：寻找Web3游戏的北极星之旅

图中的 1 是 LLM 模型，其主要负责将用户意图从传统的键盘/点击输入转化成自然语言输入，降低用户进入门槛。

图中的 2 是集成了 AI Agent 的前端 Dapp，为用户提供功能服务的同时，也可以从终端收集用户习惯和数据。

图中的 3 是各类 AI Agent，可以直接以应用内功能、Bot 等形式存在。

总的来说，AI Agent 作为基于代码的工具，可以充当 Dapp 扩展应用功能的底层程序以及平台的增长催化剂，即链接大模型和垂类应用的中间件。

从用户场景来说，最有可能集成 AI Agent 的 Dapp 大概率是足够开放的 Social app， Chatbot 和游戏；或者把现有Web2 流量入口通过 AI Agent 改造成更简便亲民的 AI+web3入口；即行业内一直在探讨的降低Web3的用户门槛。

基于行业发展规律，AI Agent 所处的中间件层往往会成为一个高度竞争的赛道，几乎没有护城河。所以，AI Agent除了不断的提升体验以匹配B2C的需求以外，可以通过制造网络效应或创造用户粘性的来提升自己的护城河。

03 赛道地图
-------

AI在Web3游戏领域的应用已经出现了多种不同尝试，这些尝试可以分为以下几种类别：

1.  通用模型：一些项目专注于构建通用AI模型，针对Web3项目的需求，找到适用的神经网络架构和通用模型。
    
2.  垂直应用：垂类应用旨在解决游戏中的特定问题或为提供特定服务，通常以Agent、Bot和BotKits的形式出现。
    
3.  Generative AI 应用：大模型对应的最直接的应用就是内容生成，而游戏赛道本身就是内容行业，所以游戏领域的 Generative AI 应用非常值得关注。从自动生成虚拟世界中的元素、角色、任务或故事情节等，再到自动生成游戏策略、决策甚至是游戏内生态的自动演变都成为了可能，使游戏更具多样性和深度。
    
4.  AI 游戏：目前，已经有许多游戏集成了 AI 技术，应用场景各不相同，后文将举例说明。
    

### 3.1 通用大模型

目前，Web3 已经有针对经济模型设计和经济生态发展的模拟模型了，比如 QTM 量化代币模型。 Outlier Venture 的 [Dr. Achim Struve](https://www.youtube.com/watch?v=Yv7VvLVELCQ) 在 ETHCC 的演讲中有提到一些经济模型设计的观点。 比如考虑到经济系统的稳健型，项目方可以通过 LLM 模型创建一个数字双胞胎 Digital Twin，对整个生态系统进行 1:1 的模拟。

下图的 [QTM](https://mp.weixin.qq.com/s?__biz=MzkxMzI4Nzk4NA==&mid=2247487321&idx=1&sn=ab5315daed17a1df4b591bf17edb63a9&chksm=c17eb106f60938108daa9d7ba086ab15b020f7780728ab472130847ef35165d96fd539176d84&scene=21#wechat_redirect)（量化代币模型）就是一个 AI 驱动的推理模型。QTM 采用了 10 年的固定模拟时间，每个时间步长为一个月。在每个时间步长的开始，代币会被排放到生态系统中，因此模型中有激励模块、代币归属模块、空投模块等。随后，这些代币将被投放到到几个元桶（meta buckets）中，从这些元桶中再次进行更细化的广义效用再分配。然后，从这些效用工具中定义奖励支付等。还有像链下业务方面，这也考虑了业务的一般资金状况，例如可以进行销毁或回购，还可以衡量用户采用率或者定义用户采用情况。

![](https://storage.googleapis.com/papyrus_images/0cbce2cc16e621edf064ec949ca52e28c5e6c2f3f7eeef2216281d066d5df0a7.png)

当然，该模型的输出质量取决于输入质量，所以在使用 QTM 之前，必须进行充分的市场研究，以获取更准确的输入信息。不过QTM模型已经是AI驱动模型在Web3 经济模型里非常落地的应用了，也有许多项目方基于QTM模型做操作难度更低的2C/2B端应用，降低项目方的使用门槛。

#### 3.2 垂类应用Agent

垂类应用主要以 Agent 的形式存在，Agent 可能是 Bot、BotKits、虚拟助手、智能决策支持系统、各类自动化数据处理工具等等不同的形式。一般来说，AI Agent 拿 OpenAI 的通用模型为底层，结合其他开源或自研技术，如文本转语音（TTS）等，并加入特定的数据进行 FineTune（机器学习和深度学习领域中的一种训练技术，主要目的是将一个已经在大规模数据上预训练过的模型进一步优化），以创建在某一特定领域表现优于 ChatGPT 的 AI Agent。

目前 Web3 游戏赛道应用最成熟的是 NFT Agent。游戏赛道的共识是 NFT 一定是 Web3 游戏的重要组成部分。

随着以太坊生态系统中关于元数据管理技术的发展，可编程的动态NFTs 出现了。对于NFT的创建者而言，它们可以通过算法使 NFT 功能更灵活。对于用户而言，用户与NFT之间可以有更多的互动，产生的交互数据更是成为了一种信息来源。AI Agent 则可以优化交互过程，并扩展交互数据的应用场景，为NFT生态系统注入了更多的创新和价值。

案例一：比如 **Gelato** 的开发框架允许开发者自定义逻辑，根据链下事件或特定时间间隔来更新 NFT 的元数据。Gelato节点将在满足特定条件时触发元数据的更改，从而实现链上NFT的自动更新。例如，这种技术可以用于从体育API获取实时比赛数据，并在特定条件下，例如运动员赢得比赛时，自动升级NFT的技能特征。

![Source：Gelato -  The Ultimate Guide to Dynamic NFTs](https://storage.googleapis.com/papyrus_images/87b62f19edc0d6090c7c4ed6ac5605a906846e304e308700c2dc4abf55ac08df.png)

Source：Gelato - The Ultimate Guide to Dynamic NFTs

案例二：[Paima](https://docs.paimastudios.com/) 也为 Dynamic NFT 提供了应用类 Agent。Paima 的 NFT 压缩协议在 L1 上铸造了一组最小的NFT，然后根据L2 上的游戏状态对其进行演化，为玩家提供更具深度和互动性的游戏体验。比如 NFT 可以根据角色的经验值、任务完成情况、装备等因素而发生变化。

案例三：[Mudulas Labs](https://twitter.com/ModulusLabs) 是非常知名的ZKML项目，其在NFT赛道也有布局。Mudulas 推出了NFT 系列 zkMon，允许通过 AI 生成 NFT 并发布至链上，同时生成一个 zkp，用户可以通过 zkp 查验自己的 NFT 是否生成自对应的 AI 模型。更全面的信息可以参考：[Chapter 7.2: The World’s 1st zkGAN NFTs](https://medium.com/@ModulusLabs/chapter-7-2-the-worlds-1st-zkgan-nfts-706051563973)。

### 3.3 Generative AI 应用

前文提到，因为游戏本身是内容行业，AI-Agent能够在短时间内、低成本地生成大量内容，包括创造具有不确定性、[动态的游戏角色](https://a16z.com/the-generative-ai-revolution-in-games/)等等。所以 Generative AI 非常适合在游戏应用。目前，在游戏领域中 Generative AI 的应用可以总结为以下几种主要类型：

1.  AI 生成游戏角色类：比如和 AI 对战，或者由 AI 负责模拟和控制游戏中的 NPC，甚至直接用AI生成角色等。
    
2.  AI 生成游戏内容类：直接由 AI 各种内容，如任务、故事情节、道具、地图等。
    
3.  AI 生成游戏场景类：支持用 AI 自动生成、优化或扩展游戏世界的地形、景观和氛围等。
    

**3.3.1 AI 生成角色**

**案例一：MyShell**

[MyShell](https://twitter.com/myshell_ai) 是一个 Bot 创建平台，用户可以根据自己的需求，创建专属 Bot 用于聊天、练习口语、玩游戏、甚至寻求心理咨询等等。同时，Myshell 使用了文本转语音（TTS）技术，只需几秒钟的语音样本，就可以模仿任何人的声音自动创建 Bot。除此以外，MyShell 使用了AutoPrompt，允许用户仅通过描述自己的想法去给 LLM 模型发出指令，为私人大型语言模型（LLM）打下了基础。

有 Myshell 的用户[表示](https://twitter.com/0xAikoDai/status/1711274502699790458?s=20)，其语音聊天功能非常流畅，响应速度比 GPT 的语音聊天还要快，而且还有 Live2D。

![](https://storage.googleapis.com/papyrus_images/5d3d537ff292647479c52566a59695c2a6eacd578fa5cb50aced76a613b7864d.png)

**案例二：AI Arena**

[AI Arena](https://www.aiarena.io/#/) 是一款AI对战游戏，用户可以使用 LLM 模型不断的训练自己的对战精灵（NFT），然后将训练好的对战精灵送往PvP/PvE战场对战。对战模式和任天堂明星大乱斗类似，但通过AI训练增加了更多的竞技趣味性。

Paradigm 领投了AI Arena，目前公测阶段已开始，玩家可以免费进入游戏，也可以购买NFT提升训练强度。

![](https://storage.googleapis.com/papyrus_images/cd733037ef5d8d3f2756479853ceded8794ea20f5f4ea5eb8b90f20d61c9ca54.png)

**案例三：链上国际象棋游戏 Leela vs the World**

[Leela vs the World](https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6) 是Mudulas Labs开发的一款国际象棋游戏。游戏里游戏双方是 AI 和人，棋局情况放在合约里。玩家通过钱包进行操作（与合约交互）。而 AI 读取新的棋局情况，做出判断，并为整个计算过程生成 zkp ，这两步都是在 AWS 云上完成，而 zkp 交由链上的合约验证，验证成功后调用棋局合约“下棋”。

![](https://storage.googleapis.com/papyrus_images/ee86ec7980ad1ae3f7014d25857c79baa5e548ad5fc51aabf7132ced5d288ad8.png)

**3.3.2 AI生成游戏内容**

**案例一：AI Town**

AI Town是 a16z 与其投资组合公司 Convex Dev 的合作成果，灵感来自斯坦福大学的《Generative Agent》论文。AI Town是一座虚拟城镇，城镇内的每个AI都可以根据互动和经验构建自己的故事。

其中，使用 Convex 后端无服务器框架、Pinecone 矢量存储、Clerk 身份验证、OpenAI 自然语言文本生成以及 Fly 部署等技术堆栈。除此以外，AI Town 全部开源，支持游戏内开发者自定义各种组件，包括特征数据、精灵表、Tilemap 的视觉环境、文本生成提示、游戏规则和逻辑等等。除了普通玩家可以体验 AI Town，开发者也可以使用源代码在游戏内甚至游戏外开发各种功能，这种灵活性使AI Town 适用于各种不同类型的应用。

所以， AI Town 本身是一个 AI 生成内容类游戏，但也是一个开发生态，甚至是一个开发工具。

![](https://storage.googleapis.com/papyrus_images/1e4dd9d9d5a1bc1dafd49191a407fa9d02d0bacbe95a5497247b17cc451a8b1e.png)

**案例二：Paul**

Paul 是一个AI故事生成器，其专门为全链游戏提供了一个 AI 故事生成并直接上链的解决路径。其实现逻辑是给LLM输入了一大堆先验规则，然后玩家可以自动根据规则生成次生内容。

目前有游戏 Straylight protocol 使用Paul Seidler发行了游戏，[Straylight](https://straylight.folia.app/networks/optim/activity) 是一款多人的NFT游戏，核心玩法就是全链游戏版本的“Minecraft”，玩家可以自动Mint NFT，然后根据模型输入的基本规则构造自己的世界。

![](https://storage.googleapis.com/papyrus_images/c55c389fdcf6012bc30dbc2a6f1c671f7649830aaffea96a77f0d21c81cd4deb.png)

**3.3.3 AI 生成游戏场景**

**案例一：Pahdo Labs**

Pahdo Labs 是一家游戏开发工作室，目前正在开发 Halcyon Zero，这是一款基于 Godot 引擎构建的动漫奇幻角色扮演游戏和在线游戏创建平台。游戏发生在一个空灵的幻想世界中，以作为社交中心的繁华城镇为中心。

这款游戏非常特别的地方在于，玩家可以使用游戏方提供的 AI 创作工具快速创作更多的3D效果背景以及把自己喜欢的角色带入游戏，真正为大众游戏UGC提供了工具和游戏场景。

![](https://storage.googleapis.com/papyrus_images/48cffefe3904bf6b6391f27cbaffab13e203564fe073bf9486015809db4fee41.png)

**案例二：Kaedim**

[Kaedim](https://www.kaedim3d.com/) 针对游戏 Studio 开发了一个基于 Generative AI 的 3D model generation 工具，可以快速的帮助游戏 Studio 批量生成符合他们需求的游戏内3D场景/资产。目前 Kaedim 的通用产品还在开发中，预计 2024 年开放给游戏 Studio 使用。

Kaedim 产品的核心逻辑和 AI-Agent 是完全相同的，使用通用大模型为基础，然后团队内部的艺术家会不断输入好的数据，然后给Agent的输出进行反馈，不断的通过机器学习训练这个Model，最后让 AI-Agent可以输出符合要求的3D场景。

![](https://storage.googleapis.com/papyrus_images/325085d43decf0b89b524cf183ff65700c6bf9beca12accbf085d1549593d9e3.png)

### 04 总结

在本文中，我们对AI在游戏领域的应用进行了详细的分析和总结。总的来说，未来通用模型以及 Generative AI 在游戏的应用一定会出现明星独角兽项目。垂类应用虽然护城河较低，但先发优势强，如果能靠先发优势制造网络效应和提升用户粘性，则想象空间巨大。除此以外，生成式 AI 天然适合游戏这个内容行业，目前已经有非常多的团队在尝试 GA 在游戏的应用，这个周期就非常有可能出现应用 GA 的爆款游戏。

除了文中提到的一些方向，未来还有其他的探索角度。比如：

(1)数据赛道 + 应用层：AI数据赛道已经孕育出了一些估值达数十亿美元的独角兽项目，而数据 + 应用层的联动同样充满想象空间。

(2) 与 Socialfi 结合：比如提供创新的社交互动方式；用 AI Agent 优化社区身份认证、社区治理；或者更加智能的个性化推荐等。

(3) 随着Agent的自动化和成熟化，以后 Autonomous World 的主要参与者到底是人还是Bot？链上的自治世界是否有可能能像 Uniswap 那样，80%+ 的 DAU 都是 Bot？如果是，那结合 Web3 治理概念的治理 Agent 同样值得探索。

### 05 参考文献

[https://messari.io/report/application-scaling-botkits?referrer=research-reports](https://messari.io/report/application-scaling-botkits?referrer=research-reports)

[https://mirror.xyz/1kx.eth/9lMkZYQgrO2G6ei2dQFU6RmulsPHuVxQETK3fATtd9o](https://mirror.xyz/1kx.eth/9lMkZYQgrO2G6ei2dQFU6RmulsPHuVxQETK3fATtd9o)

[https://mirror.xyz/1kx.eth/oBuaEp5jgGbe2gCsa6Z-\_mLAeMRUhsIdZsaScHQNXS0](https://mirror.xyz/1kx.eth/oBuaEp5jgGbe2gCsa6Z-_mLAeMRUhsIdZsaScHQNXS0)

[https://foresightnews.pro/article/detail/43941](https://foresightnews.pro/article/detail/43941)

[https://foresightnews.pro/article/detail/42157](https://foresightnews.pro/article/detail/42157)

[https://foresightnews.pro/article/detail/39058](https://foresightnews.pro/article/detail/39058)

[https://foresightnews.pro/article/detail/40421](https://foresightnews.pro/article/detail/40421)

[https://foresightnews.pro/article/detail/39894](https://foresightnews.pro/article/detail/39894)

[https://docsend.com/view/4rm9mp56ypr5ae6p](https://docsend.com/view/4rm9mp56ypr5ae6p)

---

*Originally published on [PSE Trading](https://paragraph.com/@pse-trading/pse-trading-ai-agents-web3)*