Agen AI mengubah jalur menuju inovasi dalam game Web3

Wawasan Utama

1.AI Agent adalah alat yang didasarkan pada model besar umum LLM, bagi pengembang dan pengguna untuk secara langsung membangun aplikasi yang dapat berinteraksi secara independen. 2.AI Pola utama masa depan trek mungkin: "model besar umum + aplikasi liontin"; Ceruk ekologis Agen AI adalah middleware yang menghubungkan model besar umum dan Dapp, sehingga Agen AI memiliki parit rendah, dan perlu untuk membangun efek jaringan dan meningkatkan kelekatan pengguna untuk meningkatkan daya saing jangka panjang. 3. Artikel ini mengulas pengembangan "model besar umum, agen aplikasi liontin, dan aplikasi AI Generatif" di jalur game Web3. Di antara mereka, dikombinasikan dengan teknologi AI Generatif, ia memiliki potensi besar untuk memukul permainan dalam jangka pendek.

01 Ringkasan Teknis

Dalam teknologi AGI (Artificial General Intelligence) kecerdasan umum buatan yang eksplosif tahun ini, Large Language Model (LLM) adalah protagonis mutlak. Teknolog inti OpenAI Andrej Karpathy dan Lilian Weng juga mengatakan bahwa Agen AI berbasis LLM adalah arah pengembangan penting berikutnya di bidang AGI, dan banyak tim juga mengembangkan sistem agen AI berbasis LLM (Agen AI). Secara sederhana, Agen AI adalah program komputer yang menggunakan sejumlah besar data dan algoritma kompleks untuk mensimulasikan pemikiran manusia dan proses pengambilan keputusan untuk melakukan berbagai tugas dan interaksi, seperti mengemudi otonom, pengenalan suara, dan strategi permainan. Gambar Abacus.ai dengan jelas memperkenalkan prinsip dasar AI Agent, dan langkah-langkahnya adalah sebagai berikut:

1. Persepsi dan pengumpulan data: Input data, atau Agen AI melalui sistem persepsi (sensor, kamera, mikrofon, dll.) untuk mendapatkan informasi dan data, seperti status game, gambar, suara, dll. **
2. Representasi negara: Data perlu diproses dan direpresentasikan dalam bentuk yang dapat dipahami Agen, seperti diubah menjadi vektor atau tensor, sehingga dapat dengan mudah dimasukkan ke dalam jaringan saraf. **
3. Model jaringan saraf: Model jaringan saraf dalam biasanya digunakan untuk pengambilan keputusan dan pembelajaran, seperti jaringan saraf konvolusional (CNN) untuk pemrosesan gambar, jaringan saraf berulang (RNN) untuk pemrosesan data urutan, atau model yang lebih maju seperti mekanisme perhatian diri (Transformer). **
4. Pembelajaran penguatan: Agen mempelajari strategi tindakan terbaik melalui interaksi dengan lingkungan. Selain itu, prinsip operasi agen meliputi strategi jaringan, jaringan nilai, pelatihan dan optimasi, serta eksplorasi dan pemanfaatan. Misalnya, dalam skenario permainan, jaringan strategi dapat memasukkan status permainan dan kemudian menampilkan distribusi probabilitas tindakan; Jaringan nilai mampu memperkirakan nilai negara; Agen dapat terus memperkuat algoritma pembelajaran dengan berinteraksi dengan lingkungan untuk mengoptimalkan kebijakan dan menilai jaringan dan menghasilkan hasil yang lebih baik. **

Singkatnya, Agen AI adalah entitas cerdas yang memahami, memutuskan, dan bertindak, dan mereka dapat memainkan peran penting dalam berbagai bidang, termasuk game. "LLM Powered Autonomous Agents" oleh teknisi inti OpenAI Lilian Weng memberikan pengantar yang sangat komprehensif tentang prinsip-prinsip Agen AI, termasuk eksperimen yang sangat menarik: Agen Generatif.

Agen Generatif (GA) terinspirasi oleh game The Sims, yang menggunakan teknologi LLM untuk menghasilkan 25 karakter virtual, masing-masing dikendalikan oleh agen bertenaga LLM, hidup dan berinteraksi di lingkungan kotak pasir. GA dirancang dengan cerdik untuk menggabungkan LLM dengan kemampuan memori, perencanaan, dan refleksi, yang memungkinkan program agen untuk membuat keputusan berdasarkan pengalaman sebelumnya dan berinteraksi dengan agen lain.

Artikel ini merinci bagaimana Agen terus melatih dan mengoptimalkan jalur keputusan berdasarkan jaringan kebijakan, jaringan nilai, dan interaksi dengan lingkungan.

Prinsipnya adalah sebagai berikut: di mana Memory Stream (Memory Stram) adalah modul memori jangka panjang yang merekam semua pengalaman interaksi agen. Model Ambil menyediakan Memori yang Diambil berdasarkan relevansi, kesegaran, dan kepentingan untuk membantu agen membuat keputusan. Mekanisme refleksi merangkum peristiwa masa lalu dan memandu tindakan agen di masa depan. Plan and Reflect bekerja sama untuk membantu agen menerjemahkan refleksi dan informasi lingkungan menjadi tindakan yang dapat ditindaklanjuti.

Eksperimen menarik ini menunjukkan kepada kita kemampuan agen AI, seperti menghasilkan perilaku sosial baru, penyebaran informasi, memori relasional (seperti dua karakter virtual yang terus membahas suatu topik), dan koordinasi kegiatan sosial (seperti mengadakan pesta dan mengundang karakter virtual lainnya), dan sebagainya. Secara keseluruhan, AI-Agent adalah alat yang sangat menarik, dan penerapannya dalam gim patut ditelusuri secara mendalam.

02 Tren teknologi

2.1 Tren Track AI

Lao Bai, mitra riset investasi di ABCDE, pernah merangkum penilaian komunitas modal ventura Silicon Valley tentang pengembangan AI selanjutnya:

1. ** Tidak ada model vertikal, hanya model besar + aplikasi vertikal; **
2. Data pada perangkat edge seperti ponsel dapat menjadi penghalang, dan perangkat edge berbasis AI juga dapat menjadi peluang; **
3. Panjang Konteks dapat menyebabkan perubahan kualitatif di masa depan (database vektor sekarang digunakan sebagai memori AI, tetapi panjang konteks masih belum cukup). **

**Artinya, dari perspektif hukum pengembangan umum industri, karena mode model model umum skala besar terlalu berat dan memiliki universalitas yang kuat, tidak perlu terus-menerus membangun roda di bidang model umum skala besar, tetapi harus lebih fokus pada penerapan model umum skala besar ke bidang liontin. **

Pada saat yang sama, perangkat tepi mengacu pada perangkat akhir yang biasanya tidak bergantung pada pusat komputasi awan atau server jarak jauh, tetapi melakukan pemrosesan data dan pengambilan keputusan secara lokal. Karena keragaman perangkat edge, cara menerapkan agen AI untuk berjalan di perangkat dan mendapatkan data perangkat dengan benar merupakan tantangan, tetapi juga merupakan peluang baru.

Akhirnya, pertanyaan tentang Konteks juga menarik banyak perhatian. Sederhananya, konteks dalam konteks LLM dapat dipahami sebagai jumlah informasi, dan panjang konteks dapat dipahami sebagai berapa banyak dimensi yang dimiliki data. Misalkan Anda memiliki model data besar dari situs web e-commerce yang digunakan untuk memprediksi seberapa besar kemungkinan pengguna membeli produk tertentu. Dalam hal ini, konteksnya dapat mencakup informasi seperti riwayat penjelajahan pengguna, riwayat pembelian, riwayat pencarian, atribut pengguna, dan sebagainya. Panjang konteks mengacu pada dimensi superposisi informasi fitur, seperti riwayat pembelian produk pesaing pengguna pria berusia 30 tahun di Shanghai, frekuensi pembelian terbaru, dan riwayat penelusuran terbaru. Peningkatan panjang konteks dapat membantu model memahami lebih komprehensif faktor-faktor yang mempengaruhi keputusan pembelian pengguna.

Konsensus saat ini adalah bahwa meskipun penggunaan database vektor saat ini sebagai memori AI membuat panjang Konteks tidak mencukupi, panjang Konteks akan berubah secara kualitatif di masa depan, dan model pasca-LLM dapat mencari metode yang lebih maju untuk memproses dan memahami informasi Konteks yang lebih panjang dan lebih kompleks. Lebih jauh lagi, skenario aplikasi di luar imajinasi telah muncul.

2.2 Tren Agen AI

Folius Ventures merangkum model aplikasi AI Agent di jalur permainan, seperti yang ditunjukkan di bawah ini:

Gambar 1 adalah model LLM, yang terutama bertanggung jawab untuk mengubah maksud pengguna dari input keyboard/klik tradisional ke input bahasa alami, menurunkan penghalang masuk bagi pengguna.

Gambar 2 adalah Dapp front-end yang terintegrasi dengan Agen AI yang menyediakan layanan fungsional kepada pengguna sambil mengumpulkan kebiasaan pengguna dan data dari terminal.

3 dalam gambar adalah berbagai agen AI, yang dapat eksis langsung dalam bentuk fungsi dalam aplikasi, bot, dll.

Secara umum, sebagai alat berbasis kode, AI Agent dapat bertindak sebagai program yang mendasari Dapps untuk memperluas fungsionalitas aplikasi dan sebagai katalis pertumbuhan untuk platform, yaitu middleware yang menghubungkan model besar dan aplikasi vertikal.

Dalam hal skenario pengguna, Dapp yang paling mungkin untuk mengintegrasikan Agen AI kemungkinan akan cukup terbuka untuk aplikasi sosial, chatbot, dan game; Atau ubah portal lalu lintas Web2 yang ada menjadi pintu masuk AI+web3 yang lebih sederhana dan lebih mudah diakses melalui Agen AI; Artinya, industri telah berdiskusi untuk menurunkan ambang batas pengguna Web3.

Berdasarkan hukum pengembangan industri, lapisan middleware tempat Agen AI berada sering menjadi jalur yang sangat kompetitif dengan hampir tidak ada parit. Oleh karena itu, selain terus meningkatkan pengalaman agar sesuai dengan kebutuhan B2C, agen AI dapat meningkatkan parit mereka dengan menciptakan efek jaringan atau menciptakan kelekatan pengguna.

03 Peta Jalur

Ada beberapa upaya berbeda pada aplikasi AI dalam game Web3, yang dapat dikelompokkan ke dalam kategori berikut:

1. Model umum: Beberapa proyek fokus pada pembuatan model AI umum, menemukan arsitektur jaringan saraf yang sesuai, dan model umum untuk kebutuhan proyek Web3. **
2. Aplikasi Vertikal: Aplikasi liontin dirancang untuk memecahkan masalah tertentu dalam game atau menyediakan layanan tertentu, biasanya dalam bentuk Agen, Bot, dan BotKit. **
3. **Aplikasi AI Generatif: Aplikasi paling langsung yang sesuai dengan model besar adalah pembuatan konten, dan jalur permainan itu sendiri adalah industri konten, sehingga aplikasi AI Generatif di bidang permainan sangat layak diperhatikan. Dari pembuatan elemen, karakter, misi, atau alur cerita otomatis di dunia virtual, hingga pembuatan otomatis strategi permainan, keputusan, dan bahkan evolusi otomatis ekologi dalam game, itu menjadi mungkin, membuat game lebih beragam dan dalam. ** Game 4.AI: Saat ini, sudah banyak game yang mengintegrasikan teknologi AI dan memiliki skenario aplikasi yang berbeda, yang akan diilustrasikan di bawah ini. **

3.1 Model Besar Universal

Saat ini, Web3 sudah memiliki model simulasi untuk desain model ekonomi dan pengembangan ekologi ekonomi, seperti model token kuantitatif QTM. Dr. Achim Struve dari Outlier Venture menyebutkan beberapa ide untuk desain model ekonomi dalam ceramahnya di ETHCC. Misalnya, mengingat ketahanan sistem ekonomi, tim proyek dapat membuat Digital Twin kembar digital melalui model LLM untuk mensimulasikan seluruh ekosistem 1: 1.

QTM (Quantized Token Model) pada gambar di bawah ini adalah model inferensi berbasis AI. QTM menggunakan waktu simulasi tetap 10 tahun, dengan setiap langkah waktu mengukur satu bulan. Pada awal setiap langkah waktu, token dipancarkan ke ekosistem, sehingga ada modul insentif, modul vesting token, modul airdrop, dll. dalam model. Token ini kemudian akan dimasukkan ke dalam beberapa ember meta, dari mana redistribusi utilitas umum yang lebih terperinci akan berlangsung. Kemudian, tentukan pembayaran hadiah, dll. dari alat utilitas ini. Juga, seperti bisnis off-chain, ini juga memperhitungkan situasi pendanaan umum bisnis, seperti kemungkinan kehancuran atau pembelian kembali, dan juga dapat mengukur adopsi pengguna atau menentukan adopsi pengguna.

Tentu saja, kualitas output model tergantung pada kualitas input, jadi sebelum menggunakan QTM, perlu dilakukan riset pasar yang cukup untuk mendapatkan informasi input yang lebih akurat. Namun, model QTM sudah merupakan aplikasi yang sangat praktis dari model berbasis AI dalam model ekonomi Web3, dan ada banyak pihak proyek berdasarkan model QTM untuk membuat aplikasi 2C/2B dengan kesulitan operasi yang lebih rendah, mengurangi ambang batas untuk digunakan pihak proyek.

3.2 Agen Aplikasi Liontin

Aplikasi liontin terutama ada dalam bentuk Agen, yang mungkin Bot, BotKit, asisten virtual, sistem pendukung keputusan cerdas, berbagai alat pemrosesan data otomatis, dan sebagainya. Secara umum, AI Agent mengambil model umum OpenAI sebagai fondasinya, menggabungkan teknologi open source atau yang dikembangkan sendiri lainnya, seperti text-to-speech (TTS), dll., Dan menambahkan data spesifik untuk FineTune (teknik pelatihan di bidang pembelajaran mesin dan pembelajaran mendalam, tujuan utamanya adalah untuk lebih mengoptimalkan model yang telah dilatih sebelumnya pada data skala besar) untuk membuat Agen AI yang berkinerja lebih baik daripada ChatGPT di bidang tertentu.

Saat ini, aplikasi trek game Web3 yang paling matang adalah Agen NFT. Konsensus di jalur game adalah bahwa NFT harus menjadi bagian penting dari game Web3.

Dengan perkembangan teknologi manajemen metadata di ekosistem Ethereum, NFT dinamis yang dapat diprogram telah muncul. Untuk pembuat NFT, mereka dapat secara algoritmik membuat fungsionalitas NFT lebih fleksibel. Bagi pengguna, bisa ada lebih banyak interaksi antara pengguna dan NFT, dan data interaksi yang dihasilkan telah menjadi sumber informasi. AI Agent dapat mengoptimalkan proses interaksi dan memperluas skenario aplikasi data interaksi, menyuntikkan lebih banyak inovasi dan nilai ke dalam ekosistem NFT.

Kasus 1: Misalnya, kerangka kerja pengembangan Gelato memungkinkan pengembang menyesuaikan logika untuk memperbarui metadata NFT berdasarkan peristiwa off-chain atau interval waktu tertentu. Node Gelato akan memicu perubahan metadata ketika kondisi tertentu terpenuhi, memungkinkan pembaruan otomatis NFT on-chain. Misalnya, teknologi ini dapat digunakan untuk mengambil data pertandingan real-time dari API olahraga dan secara otomatis meningkatkan karakteristik keterampilan NFT dalam kondisi tertentu, seperti ketika seorang atlet memenangkan pertandingan.

Kasus 2: Paima juga menyediakan agen aplikasi untuk NFT Dinamis. Protokol kompresi NFT Paima mencetak satu set NFT minimal di L1 dan kemudian mengembangkannya berdasarkan keadaan permainan di L2, memberikan pengalaman bermain game yang lebih mendalam dan interaktif kepada pemain. Misalnya, NFT dapat berubah sesuai dengan faktor-faktor seperti poin pengalaman karakter, penyelesaian misi, peralatan, dan sebagainya.

Kasus 3: Mudulas Labs adalah proyek ZKML yang sangat terkenal, yang juga memiliki tata letak di trek NFT. Mudulas meluncurkan seri NFT zkMon, yang memungkinkan NFT dihasilkan melalui AI dan diterbitkan ke rantai, sambil menghasilkan zkp, di mana pengguna dapat memeriksa apakah NFT mereka dihasilkan dari model AI yang sesuai. Untuk informasi lebih komprehensif, lihat: Bab 7.2: NFT zkGAN ke-1 di Dunia.

3.3 Aplikasi AI Generatif

Seperti yang disebutkan sebelumnya, karena game itu sendiri adalah industri konten, AI-Agent dapat menghasilkan konten dalam jumlah besar dalam waktu singkat dan dengan biaya rendah, termasuk membuat karakter game yang tidak pasti, dinamis dan sebagainya. Jadi Generatif AI sangat cocok untuk aplikasi game. Saat ini, penerapan Generatif AI di bidang game dapat diringkas menjadi beberapa jenis utama berikut:

1. **Kelas karakter game yang dihasilkan AI: seperti bermain melawan AI, atau AI bertanggung jawab untuk mensimulasikan dan mengendalikan NPC dalam game, atau bahkan secara langsung menggunakan AI untuk menghasilkan karakter. **
2. **Kelas konten game yang dihasilkan AI: Berbagai konten yang dihasilkan langsung oleh AI, seperti misi, alur cerita, alat peraga, peta, dll. **
3. **Kelas scene game yang dihasilkan AI: mendukung penggunaan, pengoptimalan, atau perluasan medan, lanskap, atau atmosfer dunia game secara otomatis dengan AI. **

3.3.1 Peran yang dihasilkan AI

Kasus 1: MyShell

MyShell adalah platform pembuatan bot yang memungkinkan pengguna membuat bot sendiri untuk mengobrol, berlatih berbicara, bermain game, dan bahkan mencari konseling sesuai dengan kebutuhan mereka. Sementara itu, Myshell menggunakan teknologi text-to-speech (TTS), yang secara otomatis membuat bot yang meniru suara siapa pun hanya dalam beberapa detik. Selain itu, MyShell menggunakan Auto, yang memungkinkan pengguna untuk menginstruksikan model LLM hanya dengan menggambarkan ide-ide mereka, meletakkan dasar untuk model bahasa besar pribadi (LLM).

Pengguna Myshell mengatakan bahwa fitur obrolan suaranya sangat lancar, lebih cepat daripada obrolan suara GPT, dan Live2D.

Kasus 2: AI Arena**

AI Arena adalah game pertempuran AI di mana pengguna dapat menggunakan model LLM untuk terus melatih Battle Elf (NFT) mereka sendiri, dan kemudian mengirim Battle Wizard terlatih ke pertempuran medan perang PvP/PvE. Mode pertarungannya mirip dengan Nintendo Star Smash Bros., tetapi dengan pelatihan AI menambahkan kesenangan yang lebih kompetitif.

Paradigm memimpin investasi di AI Arena, yang kini telah dimulai pada fase beta terbuka, di mana pemain dapat memasuki game secara gratis atau membeli NFT untuk meningkatkan intensitas pelatihan.

Studi Kasus 3: Leela vs Dunia**

Leela vs the World merupakan game catur yang dikembangkan oleh Mudulas Labs. Dalam permainan, kedua sisi permainan adalah AI dan orang-orang, dan situasi permainan catur ditempatkan dalam kontrak. Pemain beroperasi (berinteraksi dengan kontrak) melalui dompet mereka. AI membaca situasi permainan catur baru, membuat penilaian, dan menghasilkan zkp untuk seluruh proses perhitungan, yang keduanya diselesaikan di AWS Cloud, dan zkp diverifikasi oleh kontrak pada rantai, dan setelah verifikasi berhasil, kontrak catur dipanggil untuk "bermain catur".

3.3.2 Konten game yang dihasilkan AI

Kasus 1: Kota AI

AI Town adalah kolaborasi antara a16z dan perusahaan portofolionya, Convex Dev, terinspirasi oleh makalah Agen Generatif Universitas Stanford. AI Town adalah kota virtual di mana setiap AI di dalam kota dapat membangun cerita mereka sendiri berdasarkan interaksi dan pengalaman.

Ini menggunakan tumpukan teknologi seperti kerangka kerja tanpa server backend Cembung, penyimpanan vektor Pinecone, otentikasi Clerk, pembuatan teks bahasa alami OpenAI, dan penyebaran Fly. Selain itu, AI Town semuanya open source dan memungkinkan pengembang dalam game untuk menyesuaikan berbagai komponen, termasuk data fitur, tabel sprite, lingkungan visual Tilemap, permintaan pembuatan teks, aturan permainan dan logika, dan banyak lagi. Selain pemain reguler yang dapat merasakan AI Town, pengembang juga dapat menggunakan kode sumber untuk mengembangkan berbagai fitur dalam game dan bahkan di luar game, dan fleksibilitas ini membuat AI Town cocok untuk berbagai jenis aplikasi yang berbeda.

Oleh karena itu, AI Town sendiri adalah game konten yang dihasilkan AI, tetapi juga merupakan ekologi pengembangan dan bahkan alat pengembangan.

Kasus 2: Paulus

Paul adalah pembuat cerita AI yang berspesialisasi dalam menyediakan jalur solusi untuk game rantai penuh untuk menghasilkan cerita AI dan langsung menuju ke rantai. Logika implementasi adalah memasukkan sejumlah besar aturan sebelumnya ke LLM, dan kemudian pemain dapat secara otomatis menghasilkan konten sekunder berdasarkan aturan.

Saat ini ada protokol game Straylight yang diterbitkan menggunakan Paul Seidler, Straylight adalah game NFT multipemain, gameplay intinya adalah versi game rantai penuh "Minecraft", pemain dapat secara otomatis Mencetak NFT, dan kemudian membangun dunia mereka sendiri sesuai dengan aturan dasar input model.

3.3.3 Adegan game yang dihasilkan AI

Kasus 1: Pahdo Labs

Pahdo Labs adalah studio pengembangan game yang saat ini sedang mengerjakan Halcyon Zero, sebuah anime, fantasi, game role-playing, dan platform pembuatan game online yang dibangun di atas mesin Godot. Permainan berlangsung di dunia fantasi halus yang berpusat di sekitar kota ramai yang berfungsi sebagai pusat sosial.

Apa yang membuat game ini sangat istimewa adalah bahwa pemain dapat menggunakan alat pembuatan AI yang disediakan oleh game untuk dengan cepat membuat lebih banyak latar belakang efek 3D dan membawa karakter favorit mereka ke dalam game, yang benar-benar menyediakan alat dan adegan game untuk game populer UGC.

Kasus 2: Kaedim

Kaedim telah mengembangkan alat pembuatan model 3D berbasis AI Generatif untuk Game Studio, yang dapat dengan cepat membantu Game Studio menghasilkan adegan/aset 3D dalam game yang memenuhi kebutuhan mereka. Produk umum Kaedim masih dalam pengembangan dan diharapkan akan tersedia untuk Game Studio pada tahun 2024.

Logika inti produk Kaedim persis sama dengan AI-Agent, menggunakan model besar umum sebagai dasar, dan kemudian seniman dalam tim akan terus memasukkan data yang baik, dan kemudian memberi umpan balik output dari Agen, terus melatih Model melalui pembelajaran mesin, dan akhirnya membiarkan AI-Agent menghasilkan adegan 3D yang memenuhi persyaratan.

04 Ringkasan

Pada artikel ini, kami telah membuat analisis terperinci dan ringkasan penerapan AI di bidang game. Secara umum, akan ada proyek unicorn bintang di masa depan model umum dan penerapan AI Generatif dalam game. Meskipun parit aplikasi liontin rendah, keunggulan penggerak pertama kuat, dan jika keunggulan penggerak pertama dapat diandalkan untuk menciptakan efek jaringan dan meningkatkan kelengketan pengguna, ruang imajinasi sangat besar. Selain itu, AI generatif secara alami cocok untuk industri konten game, dan sudah ada banyak tim yang mencoba penerapan GA dalam game, dan siklus ini sangat mungkin muncul game populer menggunakan GA.

Selain beberapa arah yang disebutkan dalam artikel, ada sudut eksplorasi lain di masa depan. Seperti apa:

(1) Jalur data + lapisan aplikasi: Jalur data AI telah melahirkan beberapa proyek unicorn senilai miliaran dolar, dan keterkaitan lapisan data + aplikasi juga penuh imajinasi.

(2) Integrasi dengan Socialfi: seperti menyediakan cara-cara inovatif interaksi sosial; Gunakan AI Agent untuk mengoptimalkan autentikasi identitas komunitas dan tata kelola komunitas; Atau rekomendasi pribadi yang lebih cerdas, dll.

(3) Dengan otomatisasi dan kematangan agen, apakah peserta utama di Dunia Otonom adalah orang atau bot? Mungkinkah dunia otonom dalam rantai bisa seperti Uniswap, di mana 80%+ DAU adalah bot? Jika demikian, maka agen tata kelola yang dikombinasikan dengan konsep tata kelola Web3 juga perlu ditelusuri.