ทำความเข้าใจ MCP (Model Context Protocol)
Model Context Protocol (MCP) ซึ่งพัฒนาโดย Anthropic เป็นข้อตกลงมาตรฐานเปิดที่ออกแบบมาเพื่อสร้าง ‘ระบบประสาท’ ที่เชื่อมต่อโมเดล AI กับเครื่องมือภายนอก โปรโตคอลนี้แก้ไขปัญหาความท้าทายในการทำงานร่วมกันที่สำคัญระหว่าง Agents และเครื่องมือภายนอก การรับรองจากยักษ์ใหญ่ในอุตสาหกรรมอย่าง Google DeepMind ได้วางตำแหน่ง MCP อย่างรวดเร็วให้เป็นมาตรฐานที่ได้รับการยอมรับในอุตสาหกรรม
ความสำคัญทางเทคนิคของ MCP อยู่ที่การสร้างมาตรฐานการเรียกใช้ฟังก์ชัน ทำให้ Large Language Models (LLMs) ที่แตกต่างกันสามารถโต้ตอบกับเครื่องมือภายนอกโดยใช้ภาษาที่เป็นหนึ่งเดียว มาตรฐานนี้เปรียบเสมือน ‘โปรโตคอล HTTP’ ในระบบนิเวศ Web3 AI อย่างไรก็ตาม MCP มีข้อจำกัดบางประการ โดยเฉพาะอย่างยิ่งในการสื่อสารที่ปลอดภัยจากระยะไกล ซึ่งจะเห็นได้ชัดเจนยิ่งขึ้นเมื่อมีการโต้ตอบบ่อยครั้งที่เกี่ยวข้องกับสินทรัพย์
ถอดรหัส A2A (Agent-to-Agent Protocol)
Agent-to-Agent Protocol (A2A) ซึ่งนำโดย Google เป็นกรอบการสื่อสารสำหรับการโต้ตอบระหว่าง Agents ซึ่งคล้ายกับ ‘เครือข่ายสังคม Agent’ ต่างจาก MCP ซึ่งเน้นที่การเชื่อมต่อเครื่องมือ AI, A2A เน้นที่การสื่อสารและการโต้ตอบระหว่าง Agents โดยใช้กลไก Agent Card เพื่อจัดการกับการค้นพบความสามารถ ทำให้เกิดการทำงานร่วมกันของ Agent ข้ามแพลตฟอร์มและหลายรูปแบบ โดยได้รับการสนับสนุนจากกว่า 50 บริษัท รวมถึง Atlassian และ Salesforce
ในทางปฏิบัติ A2A ทำงานเป็น ‘โปรโตคอลทางสังคม’ ภายในโลก AI ซึ่งอำนวยความสะดวกในการทำงานร่วมกันระหว่างเอนทิตี AI ขนาดเล็กที่แตกต่างกันผ่านแนวทางที่เป็นมาตรฐาน นอกเหนือจากโปรโตคอลแล้ว บทบาทของ Google ในการรับรอง AI Agents มีความสำคัญ
การวิเคราะห์ UnifAI
UnifAI วางตำแหน่งตัวเองเป็นเครือข่ายการทำงานร่วมกันของ Agent มีเป้าหมายที่จะรวมจุดแข็งของทั้ง MCP และ A2A โดยให้บริการโซลูชันการทำงานร่วมกันของ Agent ข้ามแพลตฟอร์มแก่ Small and Medium Enterprises (SMEs) สถาปัตยกรรมของมันคล้ายกับ ‘ชั้นกลาง’ พยายามที่จะเพิ่มประสิทธิภาพของระบบนิเวศ Agent ผ่านกลไกการค้นหาบริการที่เป็นหนึ่งเดียว อย่างไรก็ตาม เมื่อเทียบกับโปรโตคอลอื่น ๆ อิทธิพลทางการตลาดและการพัฒนา ระบบนิเวศของ UnifAI ยังค่อนข้างจำกัด ซึ่งบ่งบอกถึงจุดสนใจในอนาคตที่อาจเกิดขึ้นในสถานการณ์เฉพาะ
DARK: แอปพลิเคชัน MCP Server บน Solana
DARK เป็นการใช้งานแอปพลิเคชัน MCP server ที่สร้างขึ้นบนบล็อกเชน Solana การใช้ประโยชน์จาก Trusted Execution Environment (TEE) ทำให้มีความปลอดภัย ช่วยให้ AI Agents สามารถโต้ตอบโดยตรงกับบล็อกเชน Solana สำหรับการดำเนินการต่างๆ เช่น การสอบถามยอดคงเหลือในบัญชีและการออกโทเค็น
จุดเด่นที่สำคัญของโปรโตคอลนี้คือความสามารถในการเสริมศักยภาพ AI Agents ภายในพื้นที่ DeFi แก้ไขปัญหาการดำเนินการที่เชื่อถือได้สำหรับการดำเนินการบนเชน การใช้งานเลเยอร์แอปพลิเคชันของ DARK ที่ใช้ MCP เปิดช่องทางใหม่สำหรับการสำรวจ
ทิศทางการขยายตัวและโอกาสที่อาจเกิดขึ้นสำหรับ AI Agents บนเชน
ด้วยความช่วยเหลือของโปรโตคอลที่เป็นมาตรฐานเหล่านี้ AI Agents บนเชนสามารถสำรวจทิศทางการขยายตัวและโอกาสต่างๆ:
ความสามารถของแอปพลิเคชันการดำเนินการแบบกระจายอำนาจ: การออกแบบ TEE ของ DARK แก้ไขความท้าทายหลัก – ทำให้โมเดล AI สามารถดำเนินการบนเชนได้อย่างน่าเชื่อถือ สิ่งนี้ให้การสนับสนุนทางเทคนิคสำหรับการใช้งาน AI Agent ในภาค DeFi ซึ่งอาจนำไปสู่ AI Agents ที่ดำเนินการธุรกรรม ออกโทเค็น และจัดการกลุ่มสภาพคล่องโดยอัตโนมัติมากขึ้น
เมื่อเทียบกับโมเดล Agent เชิงแนวคิดอย่างแท้จริง ระบบนิเวศ Agent ที่ใช้งานได้จริงนี้มีมูลค่าที่แท้จริง (อย่างไรก็ตาม ด้วย Actions เพียง 12 รายการใน GitHub ในปัจจุบัน DARK ยังอยู่ในช่วงเริ่มต้น ห่างไกลจากการใช้งานในขนาดใหญ่)
เครือข่ายบล็อกเชนการทำงานร่วมกันแบบ Multi-Agent: การสำรวจสถานการณ์การทำงานร่วมกันแบบ Multi-Agent ของ A2A และ UnifAI แนะนำความเป็นไปได้ของเอฟเฟกต์เครือข่ายใหม่ให้กับระบบนิเวศ Agent บนเชน ลองจินตนาการถึงเครือข่ายแบบกระจายอำนาจที่ประกอบด้วย Agents เฉพาะทางต่างๆ ซึ่งอาจเหนือกว่าความสามารถของ LLM เดียวและก่อตัวเป็นตลาดแบบกระจายอำนาจที่ทำงานร่วมกันโดยอัตโนมัติ สิ่งนี้สอดคล้องอย่างสมบูรณ์แบบกับลักษณะการกระจายของเครือข่ายบล็อกเชน
วิวัฒนาการของภูมิทัศน์ AI Agent
ภาค AI Agent กำลังก้าวออกจากการถูกขับเคลื่อนด้วยกระแสโฆษณาเพียงอย่างเดียว เส้นทางการพัฒนาสำหรับ AI บนเชนอาจเกี่ยวข้องกับการจัดการกับปัญหามาตรฐานข้ามแพลตฟอร์มก่อน (MCP, A2A) จากนั้นจึงแตกแขนงออกเป็นนวัตกรรมเลเยอร์แอปพลิเคชัน (เช่น ความพยายาม DeFi ของ DARK)
ระบบนิเวศ Agent แบบกระจายอำนาจจะสร้างสถาปัตยกรรมส่วนขยายแบบแบ่งชั้นใหม่: เลเยอร์พื้นฐานประกอบด้วยการรับประกันความปลอดภัยขั้นพื้นฐาน เช่น TEE, เลเยอร์กลางประกอบด้วยมาตรฐานโปรโตคอล เช่น MCP/A2A และเลเยอร์บนมีสถานการณ์แอปพลิเคชันแนวตั้งเฉพาะ (สิ่งนี้อาจเป็นเชิงลบสำหรับโปรโตคอลมาตรฐานบนเชน Web3 AI ที่มีอยู่)
สำหรับผู้ใช้ทั่วไป หลังจากที่ได้สัมผัสกับความเฟื่องฟูและการล่มสลายของ AI Agents บนเชนในเบื้องต้นแล้ว จุดสนใจควรเปลี่ยนจากการระบุโครงการที่สามารถสร้างฟองสบู่มูลค่าตลาดที่ใหญ่ที่สุดไปเป็นโครงการที่จัดการกับจุดบกพร่องหลักของการรวม Web3 เข้ากับ AI อย่างแท้จริง เช่น ความปลอดภัย ความน่าเชื่อถือ และการทำงานร่วมกัน เพื่อหลีกเลี่ยงการตกอยู่ในหลุมพรางฟองสบู่อีกครั้ง ขอแนะนำให้ตรวจสอบว่าความคืบหน้าของโครงการสอดคล้องกับนวัตกรรมเทคโนโลยี AI ใน Web2 หรือไม่
สิ่งที่ควรได้รับ
- AI Agents อาจมีคลื่นลูกใหม่ของการขยายเลเยอร์แอปพลิเคชันและโอกาสในการโฆษณาตามโปรโตคอลมาตรฐาน Web2 AI (MCP, A2A ฯลฯ)
- AI Agents ไม่ได้จำกัดอยู่เพียงบริการผลักดันข้อมูลเอนทิตีเดียวอีกต่อไป บริการเครื่องมือการดำเนินการแบบโต้ตอบและทำงานร่วมกันแบบ Multi-AI Agent (DeFAI, GameFAI ฯลฯ) จะเป็นจุดสนใจหลัก
เจาะลึกบทบาทของ MCP ในการสร้างมาตรฐานการโต้ตอบ AI
MCP โดยพื้นฐานแล้วคือการสร้างภาษาทั่วไปสำหรับโมเดล AI เพื่อสื่อสารกับโลกภายนอก คิดว่ามันเป็นการจัดหาล่ามสากลที่ช่วยให้ระบบ AI โต้ตอบกับเครื่องมือและบริการต่างๆ ได้โดยไม่จำเป็นต้องมีการรวมระบบแบบกำหนดเองสำหรับแต่ละระบบ นี่เป็นก้าวกระโดดที่สำคัญ เนื่องจากช่วยลดความซับซ้อนและเวลาที่ต้องใช้ในการสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI ลงได้อย่างมาก
ข้อดีที่สำคัญอย่างหนึ่งของ MCP คือความสามารถในการแยกความซับซ้อนที่อยู่เบื้องหลังของเครื่องมือและบริการต่างๆ ซึ่งหมายความว่านักพัฒนา AI สามารถมุ่งเน้นไปที่ตรรกะของแอปพลิเคชันของตนแทนที่จะจมอยู่กับรายละเอียดของวิธีการโต้ตอบกับ API หรือรูปแบบข้อมูลเฉพาะ การแยกนี้ยังทำให้ง่ายต่อการสลับเครื่องมือหนึ่งไปอีกเครื่องมือหนึ่ง ตราบใดที่ทั้งคู่รองรับมาตรฐาน MCP
นอกจากนี้ MCP ยังส่งเสริมแนวทางแบบโมดูลาร์และองค์ประกอบได้มากขึ้นในการพัฒนา AI ด้วยการกำหนดอินเทอร์เฟซที่ชัดเจนสำหรับวิธีการที่โมเดล AI โต้ตอบกับเครื่องมือภายนอก ทำให้ง่ายต่อการสร้างระบบ AI ที่ซับซ้อนโดยการรวมส่วนประกอบที่เล็กลงและมีความเชี่ยวชาญมากกว่า ความเป็นโมดูลาร์นี้ยังทำให้ง่ายต่อการนำกลับมาใช้ใหม่และแชร์ส่วนประกอบ AI ข้ามโครงการต่างๆ
อย่างไรก็ตาม การสร้างมาตรฐานที่ MCP นำมาก็ก่อให้เกิดความท้าทายบางประการ การกำหนดอินเทอร์เฟซทั่วไปที่ใช้งานได้กับเครื่องมือและบริการที่หลากหลายต้องใช้การพิจารณาและการประนีประนอมอย่างรอบคอบ มีความเสี่ยงที่มาตรฐานอาจกลายเป็นเรื่องทั่วไปเกินไปและไม่สามารถจับภาพความแตกต่างของเครื่องมือเฉพาะได้อย่างสมบูรณ์ นอกจากนี้ การตรวจสอบให้แน่ใจว่ามาตรฐานมีความปลอดภัยและป้องกันการโจมตีที่เป็นอันตรายเป็นสิ่งสำคัญยิ่ง
วิสัยทัศน์ของ A2A เกี่ยวกับระบบนิเวศ AI ที่ทำงานร่วมกัน
ในขณะที่ MCP เน้นที่การโต้ตอบระหว่างโมเดล AI และเครื่องมือภายนอก A2A จะมองในมุมที่กว้างขึ้นและมองเห็นระบบนิเวศที่ทำงานร่วมกันของ AI agents ระบบนิเวศนี้จะช่วยให้ AI agents ที่แตกต่างกันสามารถสื่อสาร ประสานงาน และทำงานร่วมกันเพื่อแก้ไขปัญหาที่ซับซ้อน
กลไก Agent Card เป็นองค์ประกอบสำคัญของ A2A ทำให้ agents สามารถค้นพบความสามารถของกันและกันและแลกเปลี่ยนข้อมูล กลไกนี้ช่วยให้ agents สามารถโฆษณาทักษะและบริการของตนได้ ทำให้ agents อื่นๆ สามารถค้นหาและใช้ประโยชน์จากทักษะและบริการเหล่านั้นได้ง่ายขึ้น Agent Card ยังมีวิธีที่เป็นมาตรฐานสำหรับ agents ในการอธิบายความสามารถของตน เพื่อให้แน่ใจว่า agents อื่นๆ สามารถเข้าใจได้โดยไม่คำนึงถึงการใช้งานที่อยู่เบื้องหลัง
การมุ่งเน้นของ A2A ไปที่การสื่อสารและการทำงานร่วมกันเปิดโอกาสมากมายสำหรับแอปพลิเคชัน AI ลองจินตนาการถึงทีม AI agents ที่ทำงานร่วมกันเพื่อจัดการห่วงโซ่อุปทาน โดยแต่ละ agent รับผิดชอบงานเฉพาะ เช่น การคาดการณ์ความต้องการ การเพิ่มประสิทธิภาพโลจิสติกส์ หรือการเจรจาสัญญา ด้วยการทำงานร่วมกันและการแบ่งปันข้อมูล agents เหล่านี้สามารถทำให้ห่วงโซ่อุปทานมีประสิทธิภาพและยืดหยุ่นมากขึ้น
อย่างไรก็ตาม การสร้างระบบนิเวศ AI ที่ทำงานร่วมกันก็ก่อให้เกิดความท้าทายที่สำคัญ การตรวจสอบให้แน่ใจว่า agents สามารถไว้วางใจซึ่งกันและกันและแลกเปลี่ยนข้อมูลได้อย่างปลอดภัยเป็นสิ่งสำคัญยิ่ง นอกจากนี้ การพัฒนาโปรโตคอลสำหรับการแก้ไขข้อขัดแย้งและการประสานงานการดำเนินการระหว่าง agents หลายรายเป็นสิ่งจำเป็น
ความทะเยอทะยานของ UnifAI ที่จะเชื่อมช่องว่าง
UnifAI มีเป้าหมายที่จะเชื่อมช่องว่างระหว่าง MCP และ A2A โดยการจัดหาแพลตฟอร์มที่เป็นหนึ่งเดียวสำหรับการสร้างและปรับใช้แอปพลิเคชัน AI โดยพยายามที่จะรวมจุดแข็งของทั้งสองโปรโตคอล โดยนำเสนอชุดเครื่องมือที่ครอบคลุมแก่นักพัฒนาสำหรับการโต้ตอบกับบริการภายนอกและการทำงานร่วมกันกับ AI agents อื่นๆ
การมุ่งเน้นของ UnifAI ไปที่ SMEs เป็นสิ่งที่น่าสังเกตเป็นพิเศษ SMEs มักจะขาดทรัพยากรและความเชี่ยวชาญในการสร้างระบบ AI ที่ซับซ้อนตั้งแต่เริ่มต้น การจัดหาแพลตฟอร์มที่พร้อมใช้งาน UnifAI สามารถช่วยให้ SMEs นำเทคโนโลยี AI มาใช้และปรับปรุงกระบวนการทางธุรกิจของตน
อย่างไรก็ตาม UnifAI เผชิญกับความท้าทายในการแข่งขันกับผู้เล่นที่เป็นที่ยอมรับในตลาด AI เพื่อให้ประสบความสำเร็จ จะต้องนำเสนอข้อเสนอที่มีคุณค่าที่น่าสนใจซึ่งแตกต่างจากโซลูชันที่มีอยู่ ซึ่งอาจเกี่ยวข้องกับการมุ่งเน้นไปที่ตลาดเฉพาะเฉพาะหรือการให้บริการคุณสมบัติพิเศษที่ไม่สามารถใช้ได้ที่อื่น
การก้าวไปสู่ DeFi อย่างกล้าหาญของ DARK
การใช้งาน MCP server บน Solana ของ DARK แสดงถึงก้าวที่กล้าหาญสู่การรวม AI เข้ากับการเงินแบบกระจายอำนาจ (DeFi) ด้วยการใช้ประโยชน์จาก Trusted Execution Environment (TEE) DARK ช่วยให้ AI agents สามารถโต้ตอบกับบล็อกเชน Solana ได้อย่างปลอดภัย เปิดโอกาสมากมายสำหรับแอปพลิเคชัน DeFi ที่ขับเคลื่อนด้วย AI
ข้อดีที่สำคัญอย่างหนึ่งของ DARK คือความสามารถในการทำให้กลยุทธ์ DeFi ที่ซับซ้อนเป็นไปโดยอัตโนมัติ AI agents สามารถตั้งโปรแกรมให้ตรวจสอบสภาวะตลาด ดำเนินการซื้อขาย และจัดการกลุ่มสภาพคล่อง ทั้งหมดนี้โดยไม่ต้องมีการแทรกแซงจากมนุษย์ ระบบอัตโนมัตินี้สามารถปรับปรุงประสิทธิภาพและลดความเสี่ยงจากความผิดพลาดของมนุษย์
อย่างไรก็ตาม การรวม AI เข้ากับ DeFi ก็ก่อให้เกิดความเสี่ยงที่สำคัญเช่นกัน AI agents อาจเสี่ยงต่อการถูกโจมตีที่ใช้ประโยชน์จากช่องโหว่ในโค้ดของพวกเขาหรือโปรโตคอล DeFi ที่อยู่เบื้องหลัง นอกจากนี้ การใช้ AI ใน DeFi อาจก่อให้เกิดความกังวลเกี่ยวกับความโปร่งใสและความรับผิดชอบ
อนาคตของ AI Agents: แนวทางแบบหลายชั้น
วิวัฒนาการของ AI agents มีแนวโน้มที่จะเป็นไปตามแนวทางแบบหลายชั้น โดยแต่ละชั้นรับผิดชอบด้านต่างๆ ของระบบ ชั้นล่างจะมุ่งเน้นไปที่การให้ความปลอดภัยและความน่าเชื่อถือขั้นพื้นฐาน โดยใช้เทคโนโลยีต่างๆ เช่น TEEs ชั้นกลางจะประกอบด้วยมาตรฐานโปรโตคอล เช่น MCP และ A2A ซึ่งช่วยให้สามารถทำงานร่วมกันได้และทำงานร่วมกันได้ ชั้นบนจะมีแอปพลิเคชันแนวตั้งเฉพาะ ปรับให้เหมาะกับอุตสาหกรรมและกรณีการใช้งานที่แตกต่างกัน
แนวทางแบบหลายชั้นนี้จะช่วยให้ AI agents สามารถสร้างขึ้นในลักษณะที่เป็นโมดูลาร์และปรับขนาดได้ สามารถพัฒนาและปรับปรุงชั้นต่างๆ ได้อย่างอิสระ โดยไม่ส่งผลกระทบต่อการทำงานของชั้นอื่นๆ ความเป็นโมดูลาร์นี้ยังทำให้ง่ายต่อการปรับ AI agents ให้เข้ากับเทคโนโลยีและกรณีการใช้งานใหม่ๆ
อย่างไรก็ตาม การตรวจสอบให้แน่ใจว่าชั้นต่างๆ ทำงานร่วมกันได้อย่างราบรื่นจะเป็นความท้าทายที่สำคัญ ชั้นต่างๆ จะต้องได้รับการออกแบบให้เข้ากันได้ซึ่งกันและกัน และต้องมีอินเทอร์เฟซที่ชัดเจนระหว่างกัน นอกจากนี้ การตรวจสอบให้แน่ใจว่าชั้นต่างๆ มีความปลอดภัยและป้องกันการโจมตีที่เป็นอันตรายเป็นสิ่งสำคัญยิ่ง