10 个具有代表性的 AI-Agents，将如何改变互联网重塑 Web3

万字长文解析 AI-Agents 的未来发展潜力，以及对互联网和 Web3 的深刻影响。

撰文：VION WILLIAMS

探讨 AI-Agents 的创新可能性

AI-Agents 的共识与非共识

AI-Agents 之所以能够成为一个越来越备受关注的方向，很多程度上是因为 LLM 为 AI-Agents 的落地应用提供了可行的技术实现路线，其次是有很多 AI-Agents 相关的项目火爆出圈。

尽管 LiLian Weng 在其文章中，定义了 LLM 驱动的 AI-Agents 是什么？但是 Deepmind 也在试图定义一个统一智能体的概念，我相信 AI-Agents 这个概念也会随着不同的 AI 公司的理解，而形成不同类型的差异化。

而比较明确的关键共识是，基于 LLM 驱动的 Agents 实现对通用问题的自动化处理，是此次大型语言模型爆发周期中，我们所指认的，且形成共有认识的 AI-Agents。

从 Agents 的相关性中找可能性

在 AI-Agents 的应用相关层面，在当前阶段我们应该尽可能用“相关性”的视角来看待 AI-Agents，即对 AI-Agents 的可能形态抱以试错的包容性以及对创新的可能性，切不可像某些评论家一样，以一种狭隘的立场寻找一种标准化的答案，这些都是不可取的。

例如 Auto-GTP 作为一种可能性，事实上启发了很多 Agents 项目，但狭隘的批判会失去捕获新机遇的机会，这是华人开发者中普遍存在的一些现象。没有创造力的开发者，你又将如何在自然语言编程的时代，依赖自己的传统竞争力呢？

尽管现在也有不少关于 AI-Agents 相关项目的介绍，但是我认为存在同质化罗列介绍的问题，这些内容解决了让我们初步知道有哪些项目是属于 AI-Agents 这一方向，但是没有从相关性出发，展示 AI-Agents 在不同应用领域的潜在可能性，以及某类 AI-Agents 项目的生态位置。

例如在我的介绍中，Auto-GPT、BabayAGI 和 MetaGPT 会被我归在一类生态中，因为他们具有某一路径的延续性；

在 Agents 的拼图中构建全貌认知

总而言之，关于 AI-Agents 的代表性项目介绍中，我使用了「相关性」、「生态位置」以及「延续性」的视角，进行了代表性项目的介绍，使得我们可以从中隐约看到 AI-Agents 未来的发展趋势。

以下的 10 个代表性的相关项目出现，包括一些相关引用项目，我将以案例为拼图，拼凑出一个相对完整的图谱，足以让更多人清晰意识到，Agents 的潜力如何改变互联网的一切，包括重塑 Web3 格局。

AI-Agents 的两大未来方向

AI-Agents 大致上会分为两大方向：Autonomous Agents 和 Generative Agents。

Autonomous Agents 以 Auto-GPT 为例，代表了通过自然语言的需求描述，能够自动化执行各项任务达成目标结果，在这个协作关系中，Autonomous Agents 是服务于人，具有明确的工具属性；

Generative Agents 以斯坦福发表的 25 个智能体的虚拟小镇为例，Generative Agents 作为一个具有类人格特征、自主决策能力以及长期记忆等特征，更偏向“原生性”概念的 AI-Agents，在这个协作关系中，Agents 具有数字原生意义的社会关系，不仅仅是服务于人的工具；

Auto-GPT

Auto-GPT 知名度最高的一个开源项目，其在 GitHub 的介绍很简单“An experimental open-source attempt to make GPT-4 fully autonomous.”，一个实验性的开源尝试，旨在使 GPT-4 完全自主化。

简单概括，就是 Auto-GTP 能够通过一句话的任务需求，能够完全自动化的实现最终的任务结果；Auto-GPT 能够实现自主完成任务的核心逻辑，在于借助了语言模型的任务规划能力，通过对任务进行一步步拆解分析，以及自动完善任务的执行步骤，在这过程中具有在网络上搜索结果后反馈给语言模型，并进一步进行任务拆解与执行。

用通俗大白话来比喻，Auto-GPT 在“自问自答”的过程中把任务给完成了，不需要人类再提供提示词。

尽管有很多人诟病 Auto-GPT 存在巨大的 token 消耗且没有稳定的结果，但是 Auto-GTP 作为一种基于 LLM 的自动化案例，极大地挑起开发者的好奇心，类似的 Auto-GPT 的还有 BabayAGI、MetaGPT 等，这些都在以开源项目的实验探索自动化的最前沿。

项目地址：https://github.com/Significant-Gravitas/Auto-GPT

BabyAGI 可以根据之前任务的结果和我们预设的目标，自动创建、排序和执行新的任务。它利用自然语言处理技术，根据目标创建新的任务，并把任务结果存储在数据库里，以便在需要时找到相关信息。

BabyAGI 其实是一个 Python 脚本，这个脚本通过运行一个无限循环来完成以下步骤：

从任务列表中获取第一个任务。
将任务发送给执行代理，执行代理利用 OpenAI 的 API 根据上下文完成任务。
对结果进行丰富，并将其存储在 Chroma/Weaviate 中。
根据预设的目标和前一个任务的结果，创建新的任务并重新排序任务列表。

项目地址：https://github.com/yoheinakajima/babyagi

Auto-GPT 和 BabyAGI 理论上都代表着我们当前 LLM 爆发的初始时期，我们基于 LLM 实践 AGI 的探索，基于 LLM 驱动的通用任务解决处理器，我认为是未来 AI-Agents 领域的圣杯。

Generative Agents

斯坦福和谷歌研究员发布的《Generative Agents: Interactive Simulacra of Human Behavior》这篇论文，已经是非常知名的一个 AI- Agent 项目，总而言之，这项研究将 25 个 AI 智能体放在一个像素风格的虚拟小镇上，智能体之间可以实现人类生活行为的模拟交互，也可以与虚拟小镇的所在环境发生交互，并且还可以与虚拟世界之外的人类产生交互。

这篇论文有两个关键的解决方案是最值得我们去关注的：

1，生成式代理的架构

代理感知它们的环境，并将所有感知保存在称为记忆流的全面记录中，记录了代理的经历。根据它们的感知，该架构检索相关的记忆，然后使用这些检索到的行为来确定一个动作。这些检索到的记忆还用于形成更长期的计划，并创建更高级别的反思，这两者都被输入到记忆流中以供将来使用。

2，记忆流

基于生成式代理的架构，以及实验所处的交互环境，代理必然会产生大量的记忆数据，Memory Stream 是一个全面记录了生成代理所有记忆的数据库。它是一个包含多个记忆对象的列表，每个对象包含自然语言描述、创建时间戳和最近访问时间戳。记忆流的最基本元素是观察，它是代理直接感知到的事件。常见的观察包括代理自己执行的行为，或者代理感知到其他代理或非代理对象执行的行为。

基于以上两个关键构成，事实上，生成式代理的整体行为分为【记忆与检索】【反思】【规划与反应】三大部分构成，具体可以参考原论文内容。

这篇论文以及这个实验验证了基于 LLM 形成的代理所产生的交互行为，得以在一个数字环境中行为可信的模拟人类交互的行为，生成式代理可以在很多数字化环境中发挥作用，尤其是生成式代理与人类所形成的一种人机交互关系。

我们最能直观感受到的，就是生成式代理作为一种元宇宙原生数字居民的角色被创造，并与人类元宇宙的环境中产生各种交互动作。事实上，我们完全可以模拟一个 AI-Agents 高度发达的数字虚拟世界，人类从该世界中摘取 AI-Agents 的数字劳动成果；

Agents 如何成为工作伙伴

由于 Agents 这一次在很多语境中，都被翻译成为“代理”，代理很容易联想到中介的角色概念，使得很多人无法直观建立对 Agents 的场景应用的联想；在这三个案例中，分别展示了 Agents 如何成为可被雇佣的“人类专家”，完全不需要人类参与的自动化营销公司，以及 Agents 之间如何组建成为团队互相协作。

在下文的案例中，我们可以使用 NexusGPT 创建多个专家职员，并且通过 GPTeam 将其组建成为一支受雇佣于人类的团队，而这个 AI 团队就职于 AutoCorp 这样的完全自动化公司。当我们将这些拼图拼凑起来的时候，我们才得以直观的感受到未来已来；

NexusGPT

这是一个由独立开发者 Assem 做的号称世界第一个 AI 自由职业者平台，NexusGPT 基于 LangChainAI 的框架，使用 GPT-3.5 的 API 和 Chroma（一个 AI-native 的开源嵌入式数据库），NexuseGPT 平台上拥有八百多个具有特定技能的 AI 代理人。

在 NexusGPT 上的代理可以智能地调整问题的难度：

- 1 级：简单对话
- 2 级：预训练的操作 / 插件
- 3 级：AutoGPT 模式

但这些都依赖于 OpenAI 和 LangchainAI 的函数调用的支持；

而在代理的任务执行过程中，作者考虑通过循环中的人工反馈和评级观察系统收敛到高评级的速度。事实上这是为了提供拥有特定技能的 AI 代理在与人类甲方的任务需求沟通中，实现迭代优化的改进策略。

NexusGPT 代表了人类雇佣 Agents 的一种未来商业模式，这个项目其实有很多值得改进的地方，例如 Agents 与专家模块（专家系统与专家模型）的结合，甲方雇佣 Agents 的计价方式以 Token 的消耗量计算等，这些都会改变我们传统的人力雇佣劳动市场的方式，也将会改变 DAO 的协作方式；

AutoCorp

AutoCorpmina fahmi 和他们团队在纽约 GPT/LLM 黑客马拉松期间用时 5 小时创建的。AutoCorp 是一个完全自主的品牌营销公司，AutoCorp 会自动为一家直销 T 恤的公司创建品牌广告和产品设计，当有顾客提出新的消费需求时，AutoCorp 将会更新其主题并生成新的设计资产，朝着更好地业务方向而不停的自我迭代。

首先，AutoCorp 根据最初的想法为 T 恤品牌制定了一个初始想法。然后，它用这个初始想法生成了公司的各种资产和默认样式指南。当顾客提出需求时，AutoCorp 会根据这些需求来更新自己的计划。如果某个计划导致销售较少，AutoCorp 会做出调整。上述流程已经从头到尾运行，并且可以实际上连接到广告 API 和定制 T 恤 API，以便在真实世界中部署。

本段内容引用自 Mina fahmi 的推特，而 AutoCorp 也是 mina fahmi 和他们团队在纽约 GPT/LLM 黑客马拉松期间用时 5 小时创建的，而他们创建 AutoCorp 的目的也是为了将「Autonomy」的概念推向极致。

AutoCorp 其实与 DAO 的目的是高度一致的，如果说去中心化组织的极致是把“人”的因素也去除掉，那么将生产业务完全自动化实现其实是 DAO 这一概念的合理发展诉求。AutoCorp 其实代表了 DAO 未来的业务发展方向。

GPTeam

GPTeam 是一个开源的多代理仿真系统。GPTeam 利用 GPT-4 创建多个代理，它们协作以实现预定义的目标。该项目的主要目标是探索 GPT 模型在提高多代理生产力和有效沟通方面的潜力。

GPTeam 采用了独立的代理，每个代理都配备了记忆，并通过通信进行交互。代理的记忆和反思实现受到了这篇研究论文的启发。代理在世界中移动，并根据自己的任务和其他代理的位置在不同的地点执行任务。它们可以相互交流，并在任务上进行合作，同时并行地朝着共同的目标努力。

项目地址：https://github.com/101dotxyz/GPTeam

事实上，类似 GPTeam 的开源项目依旧有很多，例如 Dev-GPT，为用户创建定制化微服务的自动化开发团队。团队由虚拟的产品经理、开发人员和开发运维三个角色构成，Dev-GPT 的技术思路主要以识别并测试有效的任务策略，如果连续 10 次失败，它会切换到下一个方法。

我们会看到越来越多的项目，将 AI-Agents 设计成为一种 AI 团队，定义 Agents 作为一种生产角色并不难，例如 NexusGPT 的案例，开发者可以将每个 Agents 设置成为具有专属技能的 Agents，然后对于如何协同这些 Agents 发挥各自技能的同时，能够组合进行一个任务 / 项目的自动化执行，这是具有挑战难度的，而 Project Atlas Agents 在探索的基于自然语言的自动化操作，事实上为 Agents-team 提供了良好的应用场景；

这一切又让我不得不联想到 DAO，基于自动化治理逻辑的自动化任务协作组织；

Agents 如何替代重复工作

在 AI 完全替代掉我们的工作之前，Agents 替代掉我们当前的大多数重复劳动是接下来 Agents 在商业领域的发展方向，在基于 LLM 的 Agents 出现之前，RPA（机器人流程自动化操作）是产业界所寻求的解决方案，但传统 RPA 门槛较高且无法普及给大众，RPA 是一种对传统 IT 交互逻辑不够自动化的一种补救，而当前的 Agents 能够以自然语言的交流方式，实现了 RPA 的功能需求。

以下两个项目为我们展示了，基于 LLM 的 Agents 将如何帮助我们从日常工作与学术研究中，帮助我们从重复劳动中解放出来。（事实上这两个项目的潜力不止于此）

Cheat Layer

「Automatee your business Using Natural Languae」，使用自然语言将你的业务自动化，这是 Cheat Layere 的品牌口号。Cheat layer 通过定制训练的 GPT-4 机器学习模型解决不可能的业务自动化问题，作为每个使用者的 AI 软件工程师。

Cheat Layer 在 Producthunt 发布了两个产品，一个是 Cheat Layer，一个是 Project Atlas Agents，Project Atlas Agents 是一个无代码项目的管理界面，可以用于构建和迭代 AI Agents。

Cheat Layer 通过谷歌浏览器的插件模式，使用自然语言的方式，对整个网页的操作实现自动化，例如我们在网页端的大部分常规操作事实上都可以使用自动化的进行操作。Cheat Layer 很容易令人联想到 RPA，即机器人流程自动化操作。关于 Agents 与 RPA 的之间的关系事实已经有诸多讨论，传统 RPA 被 Agents 淘汰肯定是不争的事实。

通过 Cheat Layer 使用自然语言，进行业务流程的自动化操作设置，而使用 Project Atlas Agents 管理不同的自动化流程，通俗来说，我们可以使用自然语言的模式，创建一个 Agents 用于管理某个业务的自动化执行，随着业务的复杂度增高，我们还可以对该 Agents 进行迭代完善。

暂时不知道 Cheat Layer 的营销推广情况，但是通过 similarweb 的数据统计显示，在主要用户以北美洲为主，以及访问量相比上个月增长了 37.8%，通过创建一个 Agents 来自动化管理业务，相比于各种聊天机器人，这一需求可能能够极大地满足中小电商主的需求，也许这是一个值得探索与挖掘的方向；

GPT Researcher

GPT Researcher 是一个基于 GPT 的自主代理，能够对任意给定的主题进行在线综合研究。该项目在 Github 的介绍是：

“该代理能够生成详细、客观、不带偏见的研究报告，并提供定制选项，以便集中关注相关资源、提纲和教训。受到 AutoGPT 和最近的 Plan-and-Solve 论文的启发，GPT Researcher 解决了速度和确定性的问题，通过并行化代理工作而不是同步操作，提供更稳定的性能和更快的速度。”

GPT Researcher 的架构主要通过运行两个代理来进行，一个是“规划者”，一个是“执行者”；规划者负责生成研究问题，而执行者则是根据规划者生成的研究问题寻找相关的信息，最后再通过规划者对所有相关信息进行过滤与汇总，然后生成研究报告；

更具体地说：

1. 生成一组研究问题，这些问题共同形成关于任何给定任务的客观意见。

2. 对于每个研究问题，触发一个爬虫代理，从在线资源中抓取与给定任务相关的信息。

3. 对于每个抓取的资源，基于相关信息进行总结，并跟踪其来源。

4. 最后，对所有总结的资源进行筛选和汇总，并生成最终的研究报告。

该项目的特点

生成研究、提纲、资源和教训报告
每项研究汇总了 20 多个网络来源，形成客观和事实的结论
包含易于使用的 Web 界面（HTML/CSS/JS）
支持 JavaScript 的网页抓取
记录和跟踪已访问和使用的网络来源的上下文信息
导出研究报告为 PDF 等格式...

尽管 GPT Researcher 是一个基于 GPT 的学术研究工具，并且这是一个在麻省理工学院的许可下出于学术目的而开源的项目。从内容创造的角度上来说，这一开源具有较高的商业价值，例如这一开源项目应用于商业分析报告时，还是能够节省大量的时间，其次将这一开源项目改造成为深度内容撰写的 AI-agents 时，也将彻底改变内容媒体行业的格局；

项目地址：https://github.com/assafelovic/gpt-researcher

* 我会在科技叙事内容小组使用这样的开源项目，用于提升深度内容的创作输出；加入方式请看文末

AI-Agents 的基础设施生态

显而易见的未来是，未来人类之间的协作关系不再是人类与人类之间的协作关系，而是人类与 AI-Agents 之间的协作关系，每个人都将拥有尽可能多的 AI-Agents 帮助自己的处理尽可能多的任务，由此形成一个庞大且复杂的智能社会协作结构；

人类与 Agents 之间的协作关系不同于过往社会科学理论中的人类与工具的协同理论，关键在于 Agents 作为一种类人类智能，拥有一定的自主决策能力，人类对 Agents 的信任能力也同样成为一个关键议题，且不谈 Agents 具有自我意识，而是在于 Agents 代替人类进行决策判断对社会交往行为的影响力。

基于对以上两个命题的思考，我们不得不意识到，能够让人类高效便捷的创造自己的 AI-Agents，让自己的 Agents 拥有更多强大能力的同时，Agents 是可靠且值得信任的，这些都离不开一个良好的基础设施提供支持。以下三个项目的介绍，我认为分别代表着未来 AI-Agents 的基础设施的建设方向；

langchain

LangChain 是一个基于语言模型的应用程序开发框架。它能够实现以下功能

数据感知：将语言模型连接到其他数据来源
代理：允许语言模型与其环境进行交互。

LangChain 的主要价值在于：

组件：提供处理语言模型的抽象，并为每个抽象提供一系列实现。这些组件是模块化且易于使用，无论您是否使用 LangChain 框架的其余部分。
现成链：一组结构化的组件，用于实现特定的高级任务。

现成链使得快速入门变得简单。对于更复杂的应用程序和细致的用例，组件使得定制现有链或构建新链变得容易。

langchain 通过提供以下几个模块提供标准的、可扩展的接口和外部集成

Model I/O模型输入与输出：与语言模型进行接口交互
Data connection数据连接：与特定应用程序的数据进行接口交互
Chains链：构建调用序列
Agents代理：让链根据高级指令选择使用哪些工具。
Memory存储器：在链的运行之间保存应用程序状态。
Callbacks回调：记录和流式传输任何链的中间步骤。

得益于 langchain 在英文社区有着较为活跃的开发者生态，因此使用 Langchain 进行 Agents 应用开发的案例也相对较多，定义 Agents 的框架并提供零代码的开发框架，这是未来的趋势。

基于特定的框架系统，Agents 的制造就像搭乐高积木一样，不同于 Web3 的模块化在于，Agents 的模块不必是现成的，而是普通人也可以通过自然语言编程的模式开发出特定的组件，添加到 Agents 的框架之中。

例如很多人使用 langchain 的框架来开发聊天机器人，通过自然语言编程开发一个语气转化组件，添加到聊天机器人中，那么就可以将原本默认的对话语气，变成符合用户自己的偏好的对话语气。

langchain 给到我们的启示是，无代码编程的 Agents 开发框架 + 自然语言编程的组件模块，可能是 Agents 普及的必要开发工具。

Tranformer Agents

TransformerAgents 是 hungging Face 推出的一个 AI-Agents 系统，尽管当前功能还不咋滴，但是必须保持关注的关键原因在于，huggingFace 是一个庞大的模型库开源社区。

Transformer Agents 其实就是在 Transformer 框架的基础之上，新增了基于自然语言的 API：huggingface 定义了一组工具并设计了一个代理来解释自然语言并使用这些工具，最重要的是，这个系统具有可扩展性的设计。

也就是说，Transformer Agents 早期使用了少量被精心准备的代理工具，以验证这套系统的可行性，随后扩展性意味着 TransformerAgents 可以自由使用 huggingface 庞大的模型工具库。

我感觉这就是在实践《HuggingGPT: Solving AI Tasks with ChatGPT and itsFriends in Hugging Face》这篇论文所构建的方案，就是通过 LLM 连接一个庞大的模型库，解决多个领域多种模态的复杂任务，这个想象力其实是非常巨大的，一个汇聚人类智慧顶尖的 AI 模型库被通过 Agents 的形式服务于各行各业的复杂问题，很难不期待这样的未来。

当然，为了实现这一愿景是令人期待的，但在当前阶段，还是很期待 TransformerAgents 能够提出一个令人眼前一亮的 agents 框架，以适应开发者们涌入这个蕴含巨大金矿的生态之中。HuggingFace 或者应该调整了自己的发展策略。

WebArena

WebArena 是一个独立的、可自主托管的用于构建自主代理的网络环境。WebArena 创建包含四个热门类别的网站，这些网站具有功能和数据，模仿其真实世界的对应物。

为了模拟人类问题解决，WebArena 还嵌入了工具和知识资源，作为独立的网站。WebArena 引入了一个基准测试，用于解释高水平的现实自然语言命令，并转化为具体的基于网络的交互。研究员们提供了注释过的程序，用于编程验证每个任务的功能正确性。

引用论文概述：

「当前的代理主要是在简化的合成环境中创建和测试的，这在很大程度上限制了对真实世界情景的表示。在本文中，我们建立了一个代理命令与控制的环境，这个环境高度逼真且可复现。具体而言，我们专注于在网络上执行任务的代理，并创建了一个包含四个常见领域的功能完整网站的环境：电子商务、社交论坛讨论、协作软件开发和内容管理。我们的环境丰富多样，包括了一些工具（例如地图）和外部知识库（例如用户手册），以鼓励类似人类的任务解决方法。

基于我们的环境，我们发布了一组基准任务，重点评估任务完成的功能正确性。我们基准中的任务种类多样，时间跨度长，并旨在模拟人类在互联网上经常执行的任务。我们设计和实现了几个自主代理，整合了最新的技术，如先思考后行动。

结果表明，解决复杂任务具有挑战性：我们最好的基于 GPT-4 的代理仅实现了 10.59% 的端到端任务成功率。这些结果凸显了对强大代理进一步发展的需求，当前的最先进的语言模型在这些真实任务中表现还远未达到完美，而 WebArena 可以用来衡量这样的进步。」

论文标题：WebArena: A Realistic Web Environment for Building Autonomous Agents

论文地址：https://arxiv.org/pdf/2307.13854.pdf

这是一篇来自卡内基梅隆的 AI 研究员的学术研究成果，事实上 WebArena 补充当前普遍知道的 langchain 的开发架构，又或者各种 Agents-Team 的相关项目，我们需要一个 Agents 的模拟测试平台，用于确保 Agents 的稳健性和有效性。

这一平台的主要功能还是提供检验各种 Agents 项目的可行性，我甚至可以设想的一个场景是，当我未来在某平台雇用了一个 Agents 时，我们将 Agents 通过类似 WebArena 这样的平台，来测试 Agents 的真正工作能力，这也意味人类掌握对 AI-Agents 的定价决定的话语权。

AI-Agents 将如何影响一切

基于 Agents 的自动化协作网络

通过我们以上十几个项目的介绍与分析，这些不同的项目就像拼图碎片一般，凑成了我们对 Agents 的相对整体认知，Agents 事实上是将 LLM 潜力真正发挥出来的方向，LLM 作为中枢，Agents 赋予了 LLM 施展的手脚，基于 LLM 驱动的 Agents 所具有的功能多样性，将使得 Agents 如生物大爆发一样，人类与 Agents 成为一种数字伴生 / 共生的发展关系。

人类社会的协作网络也将因为 Agents 的大规模应用，构成了一个人类与 Agents 的自动化协作网络，人类社会的生产结构将由此得以升级，由此社会的方方面面又将受到影响而改变；

改变互联网的一切

AI-Agents 完全改变了我们在互联网获取信息、加工信息、生产信息以及使用信息的方式，改变了我们当前在依赖于互联网的商业模式，一个具备沟通能力与自主 / 自动执行任务的智能网络是互联网的未来形态，Agents 就是那个我们与之对话与执行的智能媒介。

重塑 Web3 的叙事

加密货币网络将成为 Agents 天然的货币网络，整个 AI-Agents 协作网络所消耗的计算资源将使得 Token 成为重要的 AI 经济资源；Web3 所代表的个人数据所有权，也将面临着新的人机交互关系中，人类与 AI-Agents 共享数据产权的全新命题。拥有自主产权的 Agents 出现（解放 AI 的激进运动），完全由 AI-Agents 自动化执行的 DAO，以及超级个体垄断了大部分的网络数据产权与有效计算资源。

Web3 浪潮下的数据平权运动，让每个人的数据所有权回归，让事实上大部分人不一定具备高价值的数据资源，数据所有权回归成为一种 Web3 叙事主义的政治诉求，却忽视了 AGI 社会的生产结构不平等；AI-Agents 所代表的是 AI 作为超级生产力的同时也在构建新的人机交互与自动协作的生产关系，这使得我们不得不重塑 Web3 的叙事逻辑；

加速元宇宙的建设

从 Generative Agents 的发展演化，探索数字原生的数字居民，构建原生性的数字人（具有人格特征与自主意识的 AI-Agents）在元宇宙的环境中形成的一些列社会活动，事实上正在加速元宇宙从一个数字空间演化成为一个具有社会功能与社会形态的数字疆域。计算空间的概念，也将让 Agents 的获得一个数字多模态的发展空间，进而加速 Agents 在数字环境中的具身智能的出现。

元宇宙的建设不再是人类的任务，而是成为 AI-Agent 的生存空间，而进行持续的自我扩建的任务；

警惕单一科技叙事的绑架

事实上，近几年来各种科技热点接连涌现，人类似乎进入了一个科技革命多发期，而事实上，Metaverse、Web3、AGI 三个叙事接连涌现，给人们在选择事业方向上确实制造了不少的难度，由于市场上大部分人都是项目制的思维导向，项目本身的定位很容易被归属在特定的某个范畴，例如要么是 Web3，要么是 AI，这都是屁股决定脑袋，忽略科技史的客观发展规律。

科学技术的发展从来不是割裂的，而是在辩证统一中走向跨学科的融通。例如 Web3 的 NFT 叙事属性，天然就与元宇宙的叙事是符合的，而在 Web3 刚冒头的早期，这两者被某些人刻意对立，这些都是很狭隘的视角。而在今天的 AGI 叙事也一样，Web3 从业者只知道 AI 工具，但却不深入思考 AGI 的叙事逻辑，会刻意制造了一个 AI 与 Web3 的认知阻力，例如很多 Web3 人对 DAO 的理解都在原地踏步，鲜有人勇敢停下来重新思考 AGI 对 DAO 的影响力。

Web3、Metaverse、AGI 是三个高度关联的方向，传统主流科技媒体机构，或者投资机构等尚未建立对未来科技叙事的新范式理念，一直在用旧的叙事范式影响市场，这也导致了这几个方向的科技从业者的资源分散、思路不够打开。我们不排除未来将继续出现新的科技叙事，但如果继续采用对科技叙事的旧范式，那么科技人才的资源只会被一次又一次的分裂且分散，对科技认知的旧范式是一个损耗资源的无形之物。

整个中国科技行业当前面临的一个关键问题，就是对于科技是什么？缺乏新的叙事范式，没有新的叙事理念来指引我们更好地应对接下来的科技浪潮。我们总是埋头干项目，却缺乏能够凝聚科技力量的叙事，无论是 Web3、Metaverse、AGI 这三大叙事都不是起源于中国。

我倒是很向往迎来一个科技叙事百花齐放、百家争鸣的时代，我们急需形成对科技叙事的全新认知，进而才能找到正确的发展之路，确定自己在整个科技生态圈中的可持续发展位置。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。