De wereld van on-chain AI Agents vertoont de laatste tijd tekenen van hernieuwde vitaliteit. Protocollen zoals MCP (Model Context Protocol), A2A (Agent-to-Agent Protocol) en UnifAI komen samen om een nieuwe interactieve Multi-AI Agent infrastructuur te creëren. Deze infrastructuur is bedoeld om AI Agents te verheffen van eenvoudige informatiediensten tot functionele applicatie- en tool-serviceniveaus. De cruciale vraag is of dit het begin inluidt van een tweede lente voor on-chain AI Agents.
Inzicht in MCP (Model Context Protocol)
Het Model Context Protocol, ontwikkeld door Anthropic, vertegenwoordigt een open standaardovereenkomst die is ontworpen om een ‘zenuwstelsel’ tot stand te brengen dat AI-modellen verbindt met externe tools. Dit protocol adresseert en lost de cruciale interoperabiliteitsproblemen op tussen Agents en externe tools. De steun van industriegiganten zoals Google DeepMind heeft MCP snel gepositioneerd als een erkende standaard binnen de industrie.
De technische betekenis van MCP ligt in de standaardisatie van functieaanroepen, waardoor verschillende Large Language Models (LLM’s) kunnen communiceren met externe tools met behulp van een uniforme taal. Deze standaardisatie is vergelijkbaar met het ‘HTTP-protocol’ in het Web3 AI-ecosysteem. MCP heeft echter bepaalde beperkingen, met name in beveiligde communicatie op afstand, die meer uitgesproken worden bij frequente interacties met activa.
Decoding A2A (Agent-to-Agent Protocol)
Het Agent-to-Agent Protocol, onder leiding van Google, is een communicatieframework voor interacties tussen Agents, dat lijkt op een ‘Agent sociaal netwerk’. Anders dan MCP, dat zich richt op het verbinden van AI-tools, benadrukt A2A communicatie en interactie tussen Agents. Het maakt gebruik van een Agent Card-mechanisme om het ontdekken van mogelijkheden aan te pakken, waardoor platformoverschrijdende en multi-modale Agent-samenwerking mogelijk wordt, ondersteund door meer dan 50 bedrijven, waaronder Atlassian en Salesforce.
Functioneel gezien functioneert A2A als een ‘sociaal protocol’ binnen de AI-wereld, dat samenwerking tussen verschillende kleine AI-entiteiten mogelijk maakt via een gestandaardiseerde aanpak. Naast het protocol zelf is de rol van Google bij het ondersteunen van AI Agents significant.
Analyse van UnifAI
UnifAI, gepositioneerd als een Agent-samenwerkingsnetwerk, heeft tot doel de sterke punten van zowel MCP als A2A te integreren en kleine en middelgrote ondernemingen (kmo’s) te voorzien van platformoverschrijdende Agent-samenwerkingsoplossingen. De architectuur lijkt op een ‘middelste laag’, die ernaar streeft de efficiëntie van het Agent-ecosysteem te verbeteren door middel van een uniform service-ontdekkingsmechanisme. In vergelijking met andere protocollen zijn de marktinfluence en ecosysteemontwikkeling van UnifAI echter nog relatief beperkt, wat wijst op een potentiële toekomstige focus op specifieke nichescenario’s.
DARK: Een MCP-serverapplicatie op Solana
DARK vertegenwoordigt een implementatie van een MCP-serverapplicatie die is gebouwd op de Solana-blockchain. Door gebruik te maken van een Trusted Execution Environment (TEE), biedt het beveiliging, waardoor AI Agents rechtstreeks kunnen communiceren met de Solana-blockchain voor bewerkingen zoals het opvragen van rekeningsaldi en het uitgeven van tokens.
Het belangrijkste hoogtepunt van dit protocol is het vermogen om AI Agents binnen de DeFi-ruimte te versterken, waarbij het probleem van vertrouwde uitvoering voor on-chain operaties wordt aangepakt. DARK’s implementatie op applicatieniveau op basis van MCP opent nieuwe mogelijkheden voor exploratie.
Potentiële uitbreidingsrichtingen en kansen voor On-Chain AI Agents
Met behulp van deze gestandaardiseerde protocollen kunnen on-chain AI Agents verschillende uitbreidingsrichtingen en kansen verkennen:
Gedecentraliseerde uitvoeringsapplicatiemogelijkheden: Het TEE-gebaseerde ontwerp van DARK pakt een kernuitdaging aan - AI-modellen in staat stellen om on-chain operaties betrouwbaar uit te voeren. Dit biedt technische ondersteuning voor AI Agent-implementatie in de DeFi-sector, wat mogelijk leidt tot meer AI Agents die autonoom transacties uitvoeren, tokens uitgeven en liquiditeitspools beheren.
In vergelijking met puur conceptuele Agent-modellen heeft dit praktische Agent-ecosysteem een echte waarde. (Met slechts 12 acties momenteel op GitHub bevindt DARK zich echter nog in een vroeg stadium, verre van grootschalige toepassing.)
Collaboratieve blockchainnetwerken met meerdere agents: De verkenning van A2A en UnifAI van samenwerkingsscenario’s met meerdere agents introduceert nieuwe mogelijkheden voor netwerkeffecten in het on-chain Agent-ecosysteem. Stel je een gedecentraliseerd netwerk voor dat bestaat uit verschillende gespecialiseerde Agents, die mogelijk de mogelijkheden van een enkele LLM overtreffen en een autonome, collaboratieve, gedecentraliseerde markt vormen. Dit sluit perfect aan bij de gedistribueerde aard van blockchainnetwerken.
De evolutie van het AI Agent Landschap
De AI Agent-sector beweegt zich weg van het uitsluitend worden aangedreven door hype. Het ontwikkelingspad voor on-chain AI kan inhouden dat eerst platformoverschrijdende standaardproblemen worden aangepakt (MCP, A2A) en vervolgens wordt vertakt naar innovaties op applicatieniveau (zoals DARK’s DeFi-inspanningen).
Een gedecentraliseerd Agent-ecosysteem zal een nieuwe gelaagde uitbreidingsarchitectuur vormen: de onderliggende laag bestaat uit basisbeveiligingsgaranties zoals TEE, de middelste laag omvat protocolstandaarden zoals MCP/A2A en de bovenste laag bevat specifieke verticale applicatiescenario’s. (Dit kan negatief zijn voor bestaande Web3 AI on-chain standaardprotocollen.)
Voor algemene gebruikers, na het ervaren van de eerste hausse en neergang van on-chain AI Agents, zou de focus moeten verschuiven van het identificeren van de projecten die de grootste marktwaluebubbel kunnen creëren naar de projecten die de kernpijnpunten van het integreren van Web3 met AI echt aanpakken, zoals beveiliging, vertrouwen en samenwerking. Om te voorkomen dat u in een nieuwe bubbelval trapt, is het raadzaam om te controleren of de projectvoortgang overeenkomt met AI-technologie-innovaties in Web2.
Belangrijkste leerpunten
- AI Agents kunnen een nieuwe golf van applicatie-laagse uitbreiding en hype-kansen hebben op basis van Web2 AI-standaardprotocollen (MCP, A2A, enz.).
- AI Agents zijn niet langer beperkt tot informatie-pushservices voor één entiteit. Interactieve en collaboratieve uitvoeringstoolservices met Multi-AI Agent (DeFAI, GameFAI, enz.) zullen een belangrijke focus zijn.
Dieper ingaan op de rol van MCP bij het standaardiseren van AI-interacties
MCP draait in de kern om het creëren van een gemeenschappelijke taal voor AI-modellen om te communiceren met de buitenwereld. Beschouw het als het bieden van een universele vertaler waarmee AI-systemen kunnen communiceren met verschillende tools en services zonder aangepaste integraties voor elk van hen nodig te hebben. Dit is een aanzienlijke sprong voorwaarts, omdat het de complexiteit en de tijd die nodig is om AI-gestuurde applicaties te bouwen drastisch vermindert.
Een van de belangrijkste voordelen van MCP is het vermogen om de onderliggende complexiteit van verschillende tools en services te abstraheren. Dit betekent dat AI-ontwikkelaars zich kunnen concentreren op de logica van hun applicaties in plaats van vast te lopen in de details van hoe ze moeten communiceren met specifieke API’s of gegevensindelingen. Deze abstractie maakt het ook gemakkelijker om de ene tool voor de andere te verwisselen, zolang ze beide de MCP-standaard ondersteunen.
Verder bevordert MCP een meer modulaire en samenstelbare benadering van AI-ontwikkeling. Door een duidelijke interface te definiëren voor hoe AI-modellen communiceren met externe tools, wordt het gemakkelijker om complexe AI-systemen te bouwen door kleinere, meer gespecialiseerde componenten te combineren. Deze modulariteit maakt het ook gemakkelijker om AI-componenten opnieuw te gebruiken en te delen tussen verschillende projecten.
De standaardisatie die MCP met zich meebrengt, brengt echter ook enkele uitdagingen met zich mee. Het definiëren van een gemeenschappelijke interface die werkt voor een breed scala aan tools en services vereist zorgvuldige overweging en compromissen. Er bestaat een risico dat de standaard te generiek wordt en de nuances van specifieke tools niet volledig vastlegt. Bovendien is het cruciaal om ervoor te zorgen dat de standaard veilig is en beschermt tegen kwaadwillende aanvallen.
A2A’s visie op een collaboratief AI-ecosysteem
Terwijl MCP zich richt op de interactie tussen AI-modellen en externe tools, heeft A2A een bredere kijk en ziet het een collaboratief ecosysteem van AI-agents voor zich. Dit ecosysteem zou verschillende AI-agents in staat stellen om te communiceren, te coördineren en samen te werken om complexe problemen op te lossen.
Het Agent Card-mechanisme is een belangrijk onderdeel van A2A, waardoor agents elkaars mogelijkheden kunnen ontdekken en informatie kunnen uitwisselen. Dit mechanisme stelt agents in staat om hun vaardigheden en services te adverteren, waardoor het voor andere agents gemakkelijker wordt om ze te vinden en te gebruiken. De Agent Card biedt ook een gestandaardiseerde manier voor agents om hun mogelijkheden te beschrijven, zodat ze kunnen worden begrepen door andere agents, ongeacht hun onderliggende implementatie.
A2A’s focus op communicatie en samenwerking opent een breed scala aan mogelijkheden voor AI-applicaties. Stel je een team van AI-agents voor dat samenwerkt om een supply chain te beheren, waarbij elke agent verantwoordelijk is voor een specifieke taak, zoals het voorspellen van de vraag, het optimaliseren van de logistiek of het onderhandelen over contracten. Door samen te werken en informatie te delen, kunnen deze agents de supply chain efficiënter en veerkrachtiger maken.
Het bouwen van een collaboratief AI-ecosysteem brengt echter ook aanzienlijke uitdagingen met zich mee. Ervoor zorgen dat agents elkaar kunnen vertrouwen en veilig informatie kunnen uitwisselen, is cruciaal. Bovendien is het essentieel om protocollen te ontwikkelen voor het oplossen van conflicten en het coördineren van acties tussen meerdere agents.
UnifAI’s ambitie om de kloof te overbruggen
UnifAI wil de kloof tussen MCP en A2A overbruggen door een uniform platform te bieden voor het bouwen en implementeren van AI-applicaties. Het probeert de sterke punten van beide protocollen te combineren en ontwikkelaars een uitgebreide set tools te bieden voor het communiceren met externe services en het samenwerken met andere AI-agents.
De focus van UnifAI op kmo’s is bijzonder opmerkelijk. Kmo’s hebben vaak niet de middelen en expertise om complexe AI-systemen helemaal opnieuw te bouwen. Door een kant-en-klaar platform te bieden, kan UnifAI kmo’s helpen AI-technologieën te adopteren en hun bedrijfsprocessen te verbeteren.
UnifAI staat echter voor de uitdaging om te concurreren met gevestigde spelers op de AI-markt. Om te slagen, zal het een overtuigende waardepropositie moeten bieden die het onderscheidt van bestaande oplossingen. Dit kan inhouden dat het zich richt op specifieke nichemarkten of unieke functies biedt die nergens anders beschikbaar zijn.
DARK’s gedurfde stap in DeFi
DARK’s implementatie van een MCP-server op Solana vertegenwoordigt een gedurfde stap in de richting van het integreren van AI met gedecentraliseerde financiering (DeFi). Door gebruik te maken van een Trusted Execution Environment (TEE), stelt DARK AI-agents in staat om veilig te communiceren met de Solana-blockchain, waardoor een reeks mogelijkheden wordt geopend voor AI-gestuurde DeFi-applicaties.
Een van de belangrijkste voordelen van DARK is het vermogen om complexe DeFi-strategieën te automatiseren. AI-agents kunnen worden geprogrammeerd om de marktomstandigheden te volgen, transacties uit te voeren en liquiditeitspools te beheren, allemaal zonder menselijke tussenkomst. Deze automatisering kan de efficiëntie verbeteren en het risico op menselijke fouten verminderen.
Het integreren van AI met DeFi brengt echter ook aanzienlijke risico’s met zich mee. AI-agents kunnen kwetsbaar zijn voor aanvallen die kwetsbaarheden in hun code of de onderliggende DeFi-protocollen uitbuiten. Bovendien kan het gebruik van AI in DeFi zorgen wekken over transparantie en verantwoording.
De toekomst van AI Agents: een gelaagde aanpak
De evolutie van AI agents zal waarschijnlijk een gelaagde aanpak volgen, waarbij verschillende lagen verantwoordelijk zijn voor verschillende aspecten van het systeem. De onderliggende laag zal zich richten op het bieden van basisbeveiliging en vertrouwen, met behulp van technologieën zoals TEE’s. De middelste laag zal bestaan uit protocolstandaarden zoals MCP en A2A, die interoperabiliteit en samenwerking mogelijk maken. De bovenste laag zal specifieke verticale applicaties bevatten, afgestemd op verschillende industrieën en gebruiksscenario’s.
Deze gelaagde aanpak maakt het mogelijk om AI agents op een modulaire en schaalbare manier te bouwen. Verschillende lagen kunnen onafhankelijk van elkaar worden ontwikkeld en verbeterd, zonder de functionaliteit van andere lagen te beïnvloeden. Deze modulariteit maakt het ook gemakkelijker om AI agents aan te passen aan nieuwe technologieën en gebruiksscenario’s.
Ervoor zorgen dat de verschillende lagen naadloos samenwerken, zal echter een belangrijke uitdaging zijn. De verschillende lagen moeten zo worden ontworpen dat ze compatibel zijn met elkaar en er moeten duidelijke interfaces tussen hen zijn. Bovendien is het cruciaal om ervoor te zorgen dat de verschillende lagen veilig zijn en beschermen tegen kwaadwillende aanvallen.