# Welcome AI Steam Labs Hello, pioneer explorer! We're excited to have you here to learn more about Ai Steam Labs and its products. These guides are designed to help you get up to speed on Ai Steam Labs and explain future plans for our products. Below is a list of all our official links. Be sure to verify that the URL matches these!
PlatformPurposeOfficial Link
WebsiteExperience all Ai Steam products for yourselfaisteam.net
DiscordEngage with the community and us by sharing feedback and ideasJoin Discord
TwitterFollow [@AiSteamLabs] to stay up-to-date with all updates@AiSteamLabs
TelegramEngage with the community and us by sharing feedback and ideasJoin Telegram
DocumentationRead all about Ai Steam products, for both users and devsdocs.aisteam.net
Getting StartedCreate your first site/pages/CyH2xJQs9yWJ1S8BYNav
BasicsLearn the basics of GitBook/pages/7aUFmnCMx9m4smGncsXL
Publish your docsShare your docs online/pages/JjjojIyKxaiBPzzLwvtg
# What is AI Steam? #### AI transforms production efficiency, Crypto transforms production relations, We bring the two together on Solana to drive mass adoption — Consumer-level Solana AI applications. #### Ai steam positions itself as a platform application layer company, relying on Solana’s global payment capabilities to provide services to users, developers and underlying basic model companies. #### The core product business section covers: Steam search, SteamRouter, Agent store. #### Affiliated businesses in the core product line include: ai application/hardware sale mall, Steam Cloud. {% file src="/files/b8rWnXHVioCbIwQ7lIat" %} Learn about AI Steam Labs in the podcast.\ PS: Please be cautious as some content generated by current generative AI may contain inaccuracies. {% endfile %} #### Here is the transcript of the podcast. *** **Speaker 1** 00:06 - 00:09\ AI Steam, especially based on the Solana blockchain. **Speaker 2** 00:09 - 00:18\ That's what I find interesting. Their whole approach is that they are not just another AI company; oh no, they want to be the AI platform on Solana. For everyone. **Speaker 1** 00:18 - 00:26\ Exactly. Users, developers, anyone—they are building a whole Steam ecosystem, a series of products. All interconnected. **Speaker 2** 00:26 - 00:28\ Trying to build their moat, so to speak. **Speaker 1** 00:28 - 00:43\ We actually got excerpts from their business plan, along with some really cool visuals. Let's dive into their first product—Steam Search. They are going head-to-head with ChatGPT, claiming to be faster and cheaper, focusing on everything related to Solana. What do you think? **Speaker 2** 00:43 - 00:53\ No doubt, it's bold. They are betting that specialization is key. Highly specialized knowledge in the Solana ecosystem is more valuable than general-purpose AI. **Speaker 1** 00:53 - 00:58\ Interesting. Instead of asking ChatGPT a broad question like the history of blockchain. **Speaker 2** 00:58 - 01:08\ You could use Steam Search to find similar content. The latest developments in the Solana DeFi space include: 1. **Ecosystem Expansion**: The number of decentralized finance (DeFi) projects on Solana continues to grow, covering lending, trading, stablecoins, and more. 2. **High Performance and Low Cost**: Solana's high throughput and low transaction fees make it an ideal platform for DeFi applications, attracting a large number of users and developers. 3. **Cross-Chain Integration**: The interoperability of Solana with other blockchain networks has improved, facilitating the cross-chain flow of assets and data. 4. **Innovative Projects**: A wave of innovative DeFi projects has emerged, such as decentralized exchanges (DEXs), liquidity mining platforms, and synthetic asset issuance platforms, driving further development in the DeFi space. 5. **Regulatory Compliance**: As the global regulatory environment changes, DeFi projects on Solana are actively exploring compliance pathways to ensure the sustainability of their projects. 6. **Community and Governance**: The active engagement of the Solana community and the improvement of governance mechanisms provide strong support for the long-term development of DeFi projects. Because they focus on Solana, they believe they can deliver more relevant results faster. **Speaker 1** 01:08 - 01:19\ They claim the prices are also cheaper. In comparison, a search query costs about $3.80, while ChatGPT costs $20. But does cheaper necessarily mean better in this case? **Speaker 2** 01:19 - 01:32\ That's a million-dollar question. They are building a vector database using information from the Solana ecosystem. GitHub repositories, trading data, you name it, even Telegram chat logs. Can you believe it? **Speaker 1** 01:32 - 01:33\ Well, they are indeed exploring comprehensively. **Speaker 2** 01:33 - 01:37\ They believe this targeted approach gives them a speed and relevance advantage. **Speaker 1** 01:37 - 01:52\ I get it. It's like choosing a specialized search engine for a specific research area. You are more likely to find what you need quickly. Okay, interesting approach. Next is the Steam Router. Honestly, this sounds more technical. **Speaker 2** 01:52 - 01:57\ Yes, it has a bit of a behind-the-scenes feel. You can think of it as an AI pipeline system on Solana. **Speaker 1** 01:57 - 01:58\ Pipeline engineering? **Speaker 2** 01:58 - 02:07\ Yes, it's a middleware service that ensures the smooth and efficient operation of AI models on the blockchain. Basically, it's all about reducing friction for developers. **Speaker 1** 02:07 - 02:14\ Okay, to make it easier for those building these AI tools. But isn't there already something similar? OpenRouter, right? **Speaker 2** 02:14 - 02:24\ You're right, OpenRouter does something similar. But AI Steam has indeed reached a lower rate point. They are leveraging the unique advantages of the Solana payment system to reduce costs. **Speaker 1** 02:24 - 02:31\ Leveraging their strengths, I like it. Alright, now let's talk about the Agent Store. Things are starting to get really interesting. **Speaker 2** 02:31 - 02:35\ This is their app store for AI agents. **Speaker 1** 02:35 - 02:41\ So, if you need an AI that can do something, like automate your trading or conduct some research for you. **Speaker 2** 02:41 - 02:43\ Exactly. They want to equip everything with an AI agent. **Speaker 1** 02:43 - 02:47\ There are a lot of AI agents. How do they plan to produce so many products? **Speaker 2** 02:47 - 02:59\ Well, they have a clever system to incentivize developers. Imagine creating an AI agent and then minting it as an NFT. You subscribe to access your agent and earn revenue through those subscriptions. **Speaker 1** 02:59 - 03:05\ Oh, interesting. So you're not just selling AI agents directly; you're building a recurring revenue stream. **Speaker 2** 03:05 - 03:10\ Exactly. Of course, as a developer, you can also benefit from the appreciation of the NFT. **Speaker 1** 03:10 - 03:16\ Smart. I guess AI Steam will take a cut from these transactions. Classic platform business model. **Speaker 2** 03:16 - 03:28\ Right. Create a marketplace that connects buyers and sellers and takes a small commission. The real challenge is attracting a large user base and a diverse pool of developers. But they can do it. **Speaker 1** 03:28 - 03:30\ This agent store could be a game changer. **Speaker 2** 03:30 - 03:31\ It could be, yes. **Speaker 1** 03:31 - 03:40\ So we have this Steam Search, Steam Router, and this Agent Store. It sounds like they are building a complete ecosystem here, not just a single product. **Speaker 2** 03:40 - 03:45\ Exactly. And they are further developing to create a more traditional trading market. **Speaker 1** 03:45 - 03:46\ Oh, really? **Speaker 2** 03:46 - 03:59\ Okay, go on. Imagine a marketplace, but it's not for crafts or digital art; everything is about algorithms and datasets. Even dedicated AI processing hardware. **Speaker 1** 03:59 - 04:01\ Wow, that's really niche. **Speaker 2** 04:01 - 04:02\ Very much so. **Speaker 1** 04:02 - 04:12\ So, if I am a developer working on AI trading bots, I could potentially find everything I need in one place. Pre-trained algorithms, the hardware needed to run them, all of that. **Speaker 2** 04:12 - 04:21\ Absolutely. A one-stop platform for AI on Solana. But wait, there's more. They also support Steam Cloud storage, which is very important. **Speaker 1** 04:21 - 04:26\ Okay. Now you've piqued my interest. Just tell me straight. What is Steam Cloud? **Speaker 2** 04:26 - 04:34\ But it's not just a storage space. They will have that too. The real transformation lies in their plans to aggregate computing power. **Speaker 1** 04:34 - 04:39\ Wait, wait. Explain to me. In this context, why is aggregating computing power so important? **Speaker 2** 04:39 - 04:43\ Imagine you have a fantastic recipe, right? You have all the ingredients ready, everything is set. **Speaker 1** 04:43 - 04:45\ Okay, I get it. **Speaker 2** 04:45 - 04:57\ But you don't have an oven. This is a situation many AI developers face. They have the ideas and the data, but they lack the raw computing power needed to train and run complex AI models. **Speaker 1** 04:57 - 05:09\ Ah, because training those AI models is computationally expensive, right? So Steam Cloud is like providing everyone with an oven, or maybe a whole network of ovens, so everyone can bake their own AI cakes. **Speaker 2** 05:09 - 05:22\ That's a perfect analogy. By aggregating computing power and providing access through their platform, they are eliminating a huge barrier to entry. Especially for developers who can't afford to build or rent supercomputers. **Speaker 1** 05:22 - 05:32\ Popularizing AI development on Solana. I love it. But let's talk about the obvious question—money. Launching such an ambitious project requires a lot of funding. How are they financing the whole project? **Speaker 2** 05:32 - 05:42\ They are launching their own token. But it's not just to raise funds. A significant portion of the tokens is allocated to what they call strategic reserves. **Speaker 1** 05:42 - 05:51\ Strategic reserves. Okay. So what exactly are strategic reserves in this context, and how do they reflect AI Steam's long-term strategy? **Speaker 2** 05:51 - 05:58\ It tells me they are in it for the long haul. They are serious about expanding their market share. These reserves provide them with flexibility. **Speaker 1** 05:58 - 05:59\ Flexibility for what? **Speaker 2** 05:59 - 06:10\ Partnerships or even potential acquisitions down the line, or to weather those inevitable market downturns. It's a strategic move for long-term stability and growth. They are preparing for the future. **Speaker 1** 06:10 - 06:19\ Okay. So they are thinking long-term. I like that. When can we really see all of this come to fruition? Far-off future, next year? **Speaker 2** 06:19 - 06:24\ They actually set a timeline in their business plan. Oh yes. And it's ambitious, to say the least. **Speaker 1** 06:24 - 06:25\ Go ahead, I'm listening. **Speaker 2** 06:25 - 06:29\ They plan to launch the token by December 2024. **Speaker 1** 06:29 - 06:33\ Wow, that's a tight timeline. A lot to accomplish in a very short time. **Speaker 2** 06:33 - 06:41\ Of course. You know how these timelines are; they are often idealistic. Delays happen, especially in the blockchain and AI space. These things take time. **Speaker 1** 06:41 - 06:57\ Okay. We've experienced quite a few delays in this field too, haven't we? But let's be optimistic for a second. Suppose they really pull it off. Launch all these products and list the token. Everything goes according to plan. What would happen then? What does success look like for a company like AI Steam? **Speaker 2** 06:57 - 07:11\ That's a million-dollar question, isn't it? Their success hinges on a few things. First and foremost, Solana itself needs to succeed. If Solana can't become a major player, AI Steam will face challenges. Their fates are closely intertwined. **Speaker 1** 07:11 - 07:14\ So if Solana goes up, they go up; if Solana goes down. **Speaker 2** 07:14 - 07:21\ Exactly. It's a package deal. The second thing is they need to attract developers and users to the platform. It's a two-sided market. **Speaker 1** 07:21 - 07:28\ The classic chicken-and-egg problem, right? Without users, developers won't come. Without cool AI assistants, users won't come. **Speaker 2** 07:28 - 07:39\ Absolutely. They need to find a way to break this cycle and build momentum. Perhaps they can attract some well-known developers early on and offer some enticing incentives for early adopters. **Speaker 1** 07:39 - 07:47\ And there's also the issue of keeping up with the neighbors, right? AI is evolving rapidly; today's cutting-edge technology becomes yesterday's news. **Speaker 2** 07:47 - 07:56\ Of course. It's not just about delivering on their current promises. It's about continuous innovation. Can they stay ahead in a rapidly changing field? **Speaker 1** 07:56 - 08:03\ Even if they can execute this grand plan, long-term success is not guaranteed. **Speaker 2** 08:03 - 08:10\ That's the reality of the tech world, especially in a vibrant field like AI. High risk, high reward. **Speaker 1** 08:10 - 08:27\ High risk, for sure. But that's what makes the whole issue so intriguing and worth delving into, right? So where do we go from here? We've examined their products, strategies, timelines, everything. What's the verdict? Should people be ready to invest in the AI craze? **Speaker 2** 08:27 - 08:33\ Whoa, hold on. We've only scratched the surface. There are many questions to answer before considering an investment. **Speaker 1** 08:33 - 08:38\ Like what? Give our listeners some homework. What should they research? What should they think about? **Speaker 2** 08:38 - 08:48\ First, I want to know more about the team. Who are the people behind this AI craze? Do they have the actual experience to pull this off? A little background check wouldn't hurt. **Speaker 1** 08:48 - 08:49\ Yeah, that makes sense. **Speaker 2** 08:49 - 09:02\ And then I want to dive into the regulatory environment. Crypto regulations are a moving target. And then you have AI, which faces its own challenges in this space. How will they navigate all of this? **Speaker 1** 09:02 - 09:07\ Yes, caught in the crossfire of regulations. That's never a good thing. Alright, what else? One more. **Speaker 2** 09:07 - 09:16\ Financial data. How much have they raised? What is their burn rate? A solid business plan is great, but sustainable financial backing is essential. **Speaker 1** 09:16 - 09:20\ Absolutely. No money for fuel, no rocket ship. **Speaker 2** 09:20 - 09:21\ Exactly. **Speaker 1** 09:21 - 09:26\ Alright, with the team, regulations, and finances in place. Is there anything else? Or are we done? **Speaker 2** 09:26 - 09:37\ One more thing, competition. The AI space is highly competitive. Numerous giants and ambitious startups are vying for dominance. AI Steam needs to prove it can stand out among many competitors. **Speaker 1** 09:37 - 09:56\ It's like a jungle out there. But you know, all this talk about competitive market dynamics really makes you think about the bigger picture. It makes you wonder, if AI really pulls this off, could it be the beginning of something big? A shift away from the pursuit of all-powerful, mega-scale AI platforms. **Speaker 2** 09:56 - 10:04\ It's possible. If we end up with many smaller, more specialized ecosystems replacing a few giant AI platforms? **Speaker 1** 10:04 - 10:16\ Each platform based on different blockchains, serving specific industries, like one for finance, one for healthcare, one for gaming. Each with its own AI tools and agents, all tailored to that specific niche market. **Speaker 2** 10:16 - 10:24\ Absolutely. This specialization could unleash tremendous potential. We can foresee that the development of AI will become more widespread and competitive. Beneficial for everyone, indeed. **Speaker 1** 10:24 - 10:34\ Alright, I'm convinced. The AI craze is definitely worth watching. But even if they execute every step of the plan perfectly, there's no guarantee it will be smooth sailing, right? **Speaker 2** 10:34 - 10:43\ Not at all. They are building on Solana, so if Solana runs into trouble, they will be affected too. At the same time, attracting developers and users is also a challenge. Both are essential. **Speaker 1** 10:43 - 10:55\ It's a two-sided market. You need creators and consumers. Besides that, they need to ensure they are offering something truly unique. Something that stands out in the industry. **Speaker 2** 10:55 - 11:01\ Well said. It's a high-risk game. But it also has the potential to change the game entirely. **Speaker 1** 11:01 - 11:11\ So, after delving into AI Steam's business plan, all the potential opportunities and challenges, what do you hope the audience takes away from this? **Speaker 2** 11:11 - 11:26\ I think the biggest takeaway is that we are still in the early stages of the AI and blockchain world. What AI Steam proposes is just the tip of the iceberg of possibilities. It's a glimpse into the future where these two powerful technologies will merge in ways we haven't yet imagined. **Speaker 1** 11:26 - 11:36\ Whether AI Steam ultimately succeeds or fails, the ideas they are exploring—the vision of decentralization and specialized AI—are worth watching. **Speaker 2** 11:36 - 11:38\ Absolutely. The story is just beginning. **Speaker 1** 11:38 - 11:51\ With that, we conclude our in-depth exploration of AI Steam. We discussed their ambitious plans and potential impacts, as well as what it might mean for the future of AI. Thank you for joining us on this journey to explore this vibrant and specialized field. *** # ToKenChat The vision of [**ToKenChat**](https://docs.aisteam.net/www.tokenchat.ai) is to become the intelligent communication engine protocol layer in the Solana ecosystem. Users can query Solana and its ecological projects for any questions and get accurate answers by simply asking questions. Only possible on Solana! ## **For Users**: Hello! I am the **next-generation AI conversational token data search engine** developed by AI Steam Labs, combining the power of conversational interaction and information linkage. Designed to provide a more accurate and personalized search experience through natural language processing technology. Here is a detailed introduction to **ToKenChat**: ## Core functions and features 1\. Conversational Search: Users can ask questions in natural language, and **ToKenChat** can understand and provide direct answers, rather than just offering a list of links. Ultimately, **you will receive token prices, contract addresses, charts, token unlocks, contract data, competitors, news, financial metrics, and more on an integrated page.** This approach makes information retrieval more intuitive and efficient, helping everyone make informed decisions in today's rapidly evolving industry. 2\. Information integration and task-based requirements: When providing answers, **ToKenChat** will integrate information from multiple sources. For real-time task-based requirements, AI Steam Labs' self-developed multi-Agent components will decompose and query by themselves. , comparison, and error correction to ensure that the information obtained by users is accurate and reliable. 3\. Multi-round dialogue support: Supports multi-round dialogue, allowing users to conduct in-depth discussions in one query, further improving the flexibility of interaction. 4\. Cross-language support: **ToKenChat** can handle queries in multiple languages ​​to meet the needs of different users. ## Technical Advantages **ToKenChat** leverages large language models (such as GPT and Claude) and its self-developed Agent to enhance search capabilities. Its core technology is Retrieval Enhanced Generation, which can obtain the latest information from the Internet in real time and reduce the illusion of model-generated content. This gives **ToKenChat** significant advantages in terms of information accuracy and real-time performance. ## user experience The interface design of **ToKenChat** is simple and intuitive, and it can be used without registration, providing users with a friendly experience. Its future products also include an asset trading version of Solana (**ToKenChat** **Pro**), allowing users to conduct more advanced searches, asset transactions and access more personalized features. ## Market positioning and prospects As an emerging AI search engine, **ToKenChat** is positioned as the intelligent communication engine protocol layer of the Solana ecosystem. Not only has it demonstrated strong capabilities in technology, it has also received positive reviews in terms of user experience and market feedback. As AI technology continues to advance, **ToKenChat** is expected to occupy an important position in the future search market and drive Solana to achieve a wave of mass adoption.
## For Solana ecosystem project partners: ## Customer Artificial Intelligence Power high-growth teams with AI search and support to help users find everything they need instantly. Get scenario-specific guidance and enjoy 24/7 troubleshooting assistance. ## Import your content Integrate all your customer-facing content with our out-of-the-box connectors and scrapers ## Supported sources 1\. Technical documentation (Docusaurus, ReadMe, GitBook, Mintlify, etc.) 2\. Help Center and FAQ 3\. Websites and blogs 4\. GitHub 5\. Community discussions (Slack, Discord and Discourse) 6\. Open API and GraphQL patterns 7\. PDF, Markdown, CSV and other files 8\. YouTube and other video sources 9\. Knowledge base (Notion, Confluence, Sharepoint, etc.) ## Join your community Create a `✨ask-ai` channel for your Discord or Telegram community. We will launch a series of embedded search components in the future to facilitate your integration anywhere to create an efficient experience for Solana users.
# How It Worksge This document aims to satisfy your curiosity about the impressive experience generated by the Steam search answer engine. How does it all work? Why can I get instant answers to my questions after asking them? 1. `Unlike Bing and Google, we utilize a multi-agent indexing component developed by Ai Steam Labs to perform neural (neural network algorithm) searches for public internet information. The moment you pose a question, it begins rendering intent based on your input. It then decomposes, queries, compares, and corrects to eliminate SEO bait sources, finding the most credible semantic content sources, which are delivered to the LLM for understanding before outputting the answer to you.` 2. `We do not seek to reduce user costs by fine-tuning models and caching answers based on user data, ensuring that the system remains up-to-date for you at all times.` 3. `The founding team has a strong background from organizations in native cryptocurrency and visual AI systems.` You can think of Steam Search as your assistant, whether you are trading in the Solana ecosystem, researching for professional projects, seeking answers to everyday questions, or exploring new fields to broaden your insights. Steam is your authoritative source for information, always ready to save you valuable time by providing the precise knowledge you need. # Trusted Dataset This dataset list provides a detailed overview of the trusted datasets included in our current search system and their use cases. In the future, we will gradually add more user datasets based on user feedback and needs. ### **Cryptocurrency Asset Dataset:** 1. `Over 10,000 token names arranged by market capitalization.` 2. `Real-time cryptocurrency prices.` 3. `Real-time cryptocurrency market capitalization.` 4. `Real-time total trading volume of cryptocurrencies over the last 24 hours (CEX + DEX).` 5. `24-hour price change percentage.` ### **Stock Asset Dataset:** 1. **Over 30,000 stock code data for publicly listed companies arranged by market capitalization.**
2. **Company Information data**\ `Including data such as name, CIK, market capitalization, total number of employees, website URL, and more.`
3. **Real-time stock price data.**
4. **Income Statement data**\ `The income statement is a financial report that provides information on a company's revenues, expenses, and profits over a specific period.`
5. **Balance sheet data**\ `Balance sheet data, which is a financial report used to summarize a company's assets, liabilities, and shareholders' equity at a specific point in time.`
6. **Cash flow statement data**\ `Cash flow statement data, which refers to the inflows and outflows of cash during a specific period, divided into three sections: operating activities, investing activities, and financing activities.`
7. **Segment Financial Data**\ `Segment financial data provides granular financial information for specified stock codes, broken down in the following ways:` * `Product lines` * `Business segments` * `Geographic regions, etc.` `For example, Apple reports its segment financial performance by different product lines, such as iPhone, Mac, iPad, and wearables.`\ `Apple also reports segment financial data by different geographic regions, such as the Americas, Europe, and China. Segment financial data allows you to easily query and retrieve this information from the search system in a structured format.`
8. **Internal Trading Data**\ `Internal trading allows you to access stock trading information of insiders at publicly listed companies, such as CEOs, CFOs, and board members.` `In addition to buying and selling stocks, you can also view the current holdings of these insiders. This data helps to understand the sentiment of company insiders. For example, you can ask the following questions:` * `How many shares of NVIDIA does Jensen Huang hold?` * `How many shares of Microsoft did Satya Nadella purchase last quarter?` * `How many shares of Apple has Tim Cook sold in the past year?`
9. **SEC Filing Documents** `Provides SEC filings for over 10,000 publicly listed companies, supporting queries in the search system by stock code and CIK. For example, you can ask: "Give me Tesla's SEC filings," and the system will return the precise SEC filing address for you.` ### DeFiLlama: 1. **DeFi Total Value Locked**\ `Provides Pro-level professional real-time data updates, enjoying a higher refresh rate and more accurate real-time data than the official DeFiLlama website. Supports the use of natural language in the search system to obtain information. For example: What is the current total TVL in the DeFi market?` # FAQs ### What competitive advantages does AI Steam Search have compared to products like SearchGPT, Perplexity, and Search Grounding in the AI search battle? **VERTICAL VERTICAL VERTICAL!!!** While AI Steam Search has general search capabilities, it is more focused on the cryptocurrency industry itself compared to the aforementioned products. We redefine and organize the API interfaces provided by our data partners into a team of agents with independent intellectual thinking to provide users with **real-time data answers.** ### Specified website search VS API? Continue: Recently, we noticed that Perplexity has announced plans to provide search functionality for specified websites in the future. After our research, we found that this feature does not pose a threat to AI Steam Search: 1. The functionality of specified website search requires users to already know the relevant URL. When certain data exists across different subpages, this feature cannot meet the needs of cryptocurrency users.(For example: Give me the current total locked value data in the DeFi market and the total market capitalization data of stablecoins.) 2. In the current available toolbox, regardless of which tool is used to achieve this function, they rely on rich contextual information to process and interpret the static text and structural information on websites. This approach faces many challenges in terms of flexibility, maintainability, and compliance. Under the stringent demands for accuracy and stability of data in user decision-making within the financial industry, APIs are currently the only viable path.\ "**An error example of a popular tool**: " 3. Running in a controlled environment means it is only effective when the website allows such retrieval and adheres to ethical AI usage guidelines. In summary, in the cryptocurrency space and the broader web2 world, APIs still hold an advantage in terms of current efficiency and data acquisition. The only potential disruptor in the future lies in the evolution of capabilities based on visual models, and we will continue to monitor and track this development over the long term. # Steam Router Steam Router provides a model load balancing service designed to optimize request routing across multiple API providers to ensure high availability and cost-effectiveness. It mainly provides services for developers or users with in-depth API needs. Our thinking is that in the future, major large model wars will only survive a few large companies, but models with good performance in vertical scenarios will still exist, so future models There will be hundreds and dozens of providers for each model, and developers and users will flock to more convenient aggregation providers. We use the open source community consensus evaluation framework to prioritize API providers' response services based on their measured output speed (tokens/second), latency (TTFT), and mixed price (USD/million tokens).
Relying on Solana's payment system, AI application developers and users with in-depth API needs are introduced to Solana to reduce their usage costs and enhance their convenience. Powering Solana’s on-chain stablecoin use cases and driving Solana’s wave of mass adoption. In the Web3 market, SteamRouter can serve as a middleware service provider to provide back-end services for CEX, wallets, trading software and other Dapps. Promote rapid commoditization and democratization of models and help expand the boundaries of services in the web3 market.
# Agent Store Currently, Ai applications are in the early stage of explosion. Hot applications and information distribution are rotated between different KOLs. Community members are dazzled every day. High-quality applications are easily covered by a new round of hot spots before they are monetized, and users frequently switch between applications. switch between. We achieve organic integration of users and developers through aggregation. Agent Store aims to bring together users and developers. On the user side, it provides users with a platform to discover and conveniently use high-quality AI applications. On the developer side, provide developers with tools to create Agents on their own to help developers solve monetization issues. By issuing NFT, we achieve an organic balance between developers and the platform. When developers create Agents on the platform, they need to purchase NFT. This method not only replaces the much-criticized policy of developers continuing to pay for a developer ID every year to be listed on the AppStore, but also makes the entry and exit of developers a problem for the platform. Create sustainable royalty income in the market. Agent-interactive intelligent Internet is the main development trend in the future. Group chats are formed by calling different Agents in the platform. Users send tasks to the group chat, and the Agent independently understands and completes the corresponding task response. Finally, according to the token consumed by each Agent Make deductions.
The development of human beings is a long and complex process. From early individual survival to the formation of groups, the dawn of civilization gradually emerged. Mutual cooperation and exchanges between individuals gradually formed a complex social structure and rich cultural crystallization. When computers were first invented, they were not connected to the Internet. Later, with the development of network technology, computers began to be connected to a huge network, and the Internet was born. The emergence of the Internet has greatly promoted the circulation and sharing of information, changed people's work, study and lifestyle, promoted the process of globalization, and raised production efficiency to a new civilization era. Today's intelligent agents are approaching human performance on some tasks. But they are on an "isolated island" with each other. Uniting Agents to communicate and collaborate with each other can unleash the greater power of intelligent agents. We will move from the Internet of Everything to the "Intelligent Internet of Everything". Intelligent agents are no longer limited to a decentralized collaboration architecture, but can connect to each other across terminals and communicate freely.efficient collaboration.
# Marketplace and Steam Cloud
As an accessory product line, the mall has a closed-loop effect on the platform. Take the video transcription software product developed by memo.ac as an example. Its developers have developed top-level products on the current market. The developers have the ability to develop high-quality products. But it lacks the ability to discover and sell products. Relying on the sales network established by Crypto, the mall can serve as a third-party sales platform, cooperating with such outstanding developers to provide them with a full range of services such as user discovery, sales, and product usage education, earning profit sharing from the sales side, and capturing value for the platform Taking memo.ac as an example, its product is not suitable for creating Agents on the Agent Store. Users need to download the software to their local device. In terms of user experience, when transcribing a 1-hour video, if your device is a Mac M1 chip, The entire production experience takes 10 minutes+. There is a computing demand for cloud acceleration. We built Steam Cloud by aggregating enterprise-level GPT providers to provide acceleration services for users of this product. In the test environment, a one-hour video can be accelerated by 50%+, doubling the entire production efficiency. promote. The platform also captures sustainable value in Steam Cloud services. At the same time, when developers integrate acceleration services, they only need to add the SDK we provide to the backend. The Ai device market is currently breaking through a critical point. Take the revolutionary experience brought by Vision Pro as an example. This kind of addiction is like the viewing frame rate jumping directly from 480P to 4K. Once you experience it, you cannot bear to downgrade. User consumption demand is strong and device standards are quietly leaping from the Internet of Everything to the Intelligent Internet of Everything. We believe that all current Wi-Fi level smart product equipment will face being replaced by LLM-level smart product equipment. We work with third parties on the mall side to help them provide discovery, sales and cloud computing services. In terms of software services, we build a small-scale open source LLM hosting service to provide developers with API access to help them realize device intelligence. The platform captures value from LLM Token consumption. This application scenario is also applicable to Depin devices # Architecture
# Timeline
1. Crypto Ai market research in early June 2. Project launched on June 28 3. July 23 Completed steam search deployment 4. Completed on July 27 Functionality, compatibility, reliability, security and load stress testing 5. The official website and search trial operation were completed on August 4. 6. Completed seed round financing at the end of August 7. Completed SteamRouter, deployment, testing, and trial operation in mid-August 8. Completed AgentStore deployment, testing and trial operation in early September 9. Steam search reconstruction and upgrade completed in mid-September 10. Complete user growth and airdrop activities from October to November 11. The token will be listed on the exchange in early December # Tokenomics
## Total Token Supply ・Total supply: 1,000,000,000 ## Token distribution 1\. First airdrop (5%) ・Purpose: To be distributed to participants participating in the season event during the AIS Token Generation Event ...... # Media Kit {% file src="/files/vplQcq8isObb23QruIpw" %} {% file src="/files/ivcpZytiOEKmlh9mKVgd" %} {% file src="/files/ybXXH6ybbxpSQ2yIMYuk" %} {% file src="/files/9jkU3N2H9HY5mCr9QaLA" %} {% file src="/files/Q3RaEbsey4xtPPbsiUSa" %} {% file src="/files/js8Nw0UT6vG51eMb0X5g" %} {% file src="/files/CbLaF1m4yG7CpEm2gxbE" %} {% file src="/files/dSSQWjNOJD3CSf9PZmHa" %} # Research Paper # Using Steam Agent for API Interaction: Democratizing Data Commoditization for Mass Consumption ### Abstract With the advancements of large language models (LLMs) in the field of natural language processing, there is a growing interest in leveraging their capabilities to simplify software interactions. In this paper, we propose a novel system that integrates LLMs to classify natural language inputs into corresponding API calls and automate the generation of sample datasets for invoking specific API functionalities. Through natural language commands, our system enables users to access complex API functionalities with simple inputs, thereby enhancing interaction efficiency and lowering the barriers to API usage. This fundamentally shifts API consumption towards non-technical groups and facilitates the rapid commercialization of consumable access. ### I. Introduction In recent years, large language models (LLMs) have made significant progress in the field of natural language processing (NLP) \[1, 2, 3], demonstrating outstanding performance in tasks ranging from text generation to solving complex problems across various industries such as finance, healthcare, art, and customer service \[4, 5, 6]. These advancements have also sparked increasing exploration into the potential of LLMs to simplify and optimize software interactions. Machine learning and advanced deep learning techniques have been extensively studied to enhance the integration of software systems and optimize various applications \[7, 8, 9]. As a further development, LLMs are now being researched as powerful tools to make software systems more intuitive and user-friendly for users of varying technical levels \[10, 11].
Traditionally, users interact with software through application programming interfaces (APIs), which are crucial for communication between different software applications \[12]. However, interacting with APIs often requires a deep understanding of their structure, parameters, and specific calls, posing a barrier for non-technical users or those unfamiliar with the underlying logic of APIs \[13]. Integrating LLMs into API management workflows presents an opportunity to interact with APIs through simple, natural language inputs, opening up new possibilities for users with varying technical levels and needs \[14, 15].
However, deploying LLMs for API management involves several challenges, primarily related to ensuring that the models can accurately interpret and classify natural language inputs into the correct API calls. Given the diverse structures of APIs and the variability of user inputs based on context, developing a reliable system to evaluate the performance of LLMs across different use cases is crucial. To address these challenges, we propose a novel system that integrates LLMs with two core functionalities. First, it utilizes LLMs to interpret and classify natural language inputs, accurately mapping them to the corresponding API calls. The second component involves using LLMs to automatically generate sample datasets for specific API functionalities, which is essential for systematically evaluating the performance of LLMs in various API classification tasks. Unlike traditional methods, our framework offers a scalable and replicable solution, ensuring that API workflows can be comprehensively tested with high accuracy and relevance to real-world applications.
We conducted extensive experiments on various API functionalities using invocation commands and evaluated the classification capabilities of several well-known LLMs, including GPT-4, GPT-4o-mini, Claude 3.5 Sonnet, GPT-4o (Aug '24), DeepSeek-V2-Chat, DeepSeek-V2.5, LLaMA-3-8B, and Gemini-1.5. The results revealed significant performance differences among the models, ranked from highest to lowest readiness as follows: Claude 3.5 Sonnet, GPT-4o (Aug '24), and GPT-4o-mini. These findings demonstrate the potential of LLMs in API classification, emphasizing the importance of carefully selecting models in different environments, and highlighting the effectiveness of our system as an efficient and practical modular API management tool. ### II. Related Work #### **II-A.** LLMs for Natural Language Interfaces Over the past decade, with the rapid development of machine learning, its applications have expanded across multiple fields, fundamentally transforming industries such as technology \[16, 17], healthcare \[18, 19, 20, 21, 22, 23], finance \[24], and road construction \[25]. These advancements not only address complex technical challenges but also provide simplified solutions that enhance user experience \[26, 27, 28]. One of the most transformative breakthroughs has been the rise of natural language models. By leveraging deep learning techniques, natural language interfaces enable users to interact with complex systems through simple and intuitive commands \[29, 30, 31, 32, 33], significantly lowering the barriers to traditional technical operations and making them accessible to non-expert users.
A notable application is in the field of data querying, where models can parse natural language queries and convert them into structured commands like SQL, allowing non-technical users to retrieve information from databases without needing to understand the underlying syntax \[34]. In addition to data querying, LLMs have been integrated into DevOps automation, enabling users to initiate and manage complex workflows using simple commands. This integration simplifies tasks such as infrastructure configuration, deployment, and system monitoring, making traditionally complex areas of DevOps more accessible through a friendlier interaction model \[35].
Similarly, the potential of LLMs is being explored for API interactions. Although existing models like Codex can generate code snippets, the field of API call retrieval remains underdeveloped \[36]. The complexity of APIs, which often involves multiple protocols, data formats, and domain-specific parameters, presents unique challenges. ### III. Methodology — Multi-Agent System of Steam Search

API Retrieval Framework

We had already implemented the construction, orchestration, and deployment of a multi-agent system before OpenAI released the Swarm \[37] experimental framework. We have pushed it to a production level, and the system is defined as follows: #### III-A. API Retrieval System The API retrieval framework is an automated pipeline capable of efficiently handling user queries, ensuring that each query is correctly classified, passed to the corresponding API function, and the results are efficiently returned to the user. Its structured workflow can be divided into the following key stages: #### III-A1. User Input The system first receives the user's natural language query. During the prompting process, the user's input is combined with predefined prompt instructions and then sent to the LLM. These instructions define the hierarchy of the API and establish specific output format rules, ensuring that the system's responses align with the structure and functional requirements of the API. The complexity of the input can range from simple questions to more complex commands. The flexibility of LLMs allows the system to interpret and handle a wide range of user inputs, even when the input phrasing is ambiguous. #### III-A2. API Classification Once the query is received, the integrated LLM maps it to the corresponding API functionality. Specifically, the LLM processes the query and returns a label that classifies it according to the predefined API hierarchy. At the same time, relevant keywords required for the input parameters of the API functionality are retrieved. This label determines the API module and specific functionality needed to fulfill the user's request. To ensure efficient processing among available resources, a load balancer is employed to distribute incoming queries. #### III-A3. API Execution After the label is returned, the API identifier requests the server to obtain the routing for rendering the API functionality. This step involves dynamically mapping the keywords extracted from the query to the input parameters required by the API functionality. For example, in the case of the Coingecko API, the API call is then executed to retrieve the corresponding JSON feedback data. #### III-A4. Return Results Once the API call has been processed, the results are returned in a user-readable format. This step includes error handling. If any issues arise during the API execution, such as invalid parameters or API call failures, the system provides relevant feedback to the user. Additionally, a search history feature allows users to view past queries, adding a layer of functionality for repeated interactions. This end-to-end framework automates the entire API interaction process, minimizing manual intervention and ensuring that user queries are processed efficiently and accurately. By integrating the API hierarchy during the prompting process, the system ensures ease of scalability, allowing for the addition of new API categories and functionalities as needed. ### IV. Data Commercialization Large language models (LLMs) can read the JSON object parameters returned by APIs and present the content back to users in a natural language-readable format. This shift brings about a series of significant transformations, transitioning from a technician-dominated limitation to a commercially consumable model accessible to ordinary users, primarily reflected in the following aspects: ### IV-A Drawbacks of Traditional Business Models： #### IV-A1. Dominance of Technicians Before the involvement of large language models (LLMs) in API data processing, the use of APIs was primarily limited to technicians and developers. Ordinary users often lacked the necessary technical knowledge to interact directly with APIs. This limitation led to several drawbacks: * **Knowledge Barrier:** Ordinary users needed to possess certain programming skills and knowledge of API usage to effectively utilize the data and services provided by APIs. This exclusion limited the market's widespread application. * **High Costs:** Businesses had to hire technical personnel to develop and maintain integrations with APIs, increasing operational costs. For data providers, an unstable customer base restricted their motivation for innovation. * **Slow Response Times:** Technicians often spent a significant amount of time processing API requests and parsing data. This resulted in delays in information retrieval, affecting the timeliness of decision-making. #### IV-A2. Market Limitations Due to the concentration of API usage primarily in the hands of technicians, the market's potential has not been fully realized: * **Narrow User Base:** Only users with a technical background can effectively utilize APIs, leading to limitations in market demand. Users in many industries and fields are unable to enjoy the conveniences offered by APIs. * **Limited Innovation:** The dominance of technicians restricts user feedback and needs, resulting in a lack of diversity and innovation in the development and improvement of APIs. There may be many unmet needs in the market. ### IV-B. Consumer-Accessible Business Transformation #### IV-B1. Popularization and Usability The introduction of LLMs has made API data processing more intuitive and user-friendly, allowing ordinary users to easily access and utilize the data provided by APIs. This transformation brings the following benefits: * **Lowered Knowledge Barrier:** Users can interact with the system using natural language without needing programming skills. This enables more non-technical users to participate in data consumption, expanding the user base. * **Enhanced User Experience:** Through natural language processing, users can more conveniently obtain the information they need, reducing learning costs and usage barriers. This friendly user experience is likely to attract more users to utilize related services. #### IV-B2. Market Expansion and Innovation The involvement of LLMs not only enhances the user experience but also drives market expansion and innovation: * **Diversified User Base:** As the usability of APIs improves, users from more industries can leverage API data for decision-making and analysis. This will promote market diversification and meet the needs of different users. * **Encouragement of Innovation:** User feedback and needs will be easier to collect and analyze, driving continuous improvement and innovation of APIs. Businesses can develop new features based on actual user demands, enhancing their competitive edge in the market. #### IV-B3. Real-Time Decision-Making and Efficiency Improvement The introduction of LLMs has made data processing more efficient, enabling users to access information in real-time and make quick decisions: * **Accelerated Response Times:** Users can obtain the data they need instantly, reducing waiting times. This is particularly important in the cryptocurrency industry, where quick decision-making is essential. * **Enhanced Work Efficiency:** Through automated data processing, users can dedicate more time to analysis and decision-making rather than spending it on data retrieval and parsing. This will significantly improve overall work efficiency. ### V. Business Path Data providers can collaborate with AI Steam Labs to build an innovative business model that integrates data into our search system, creating an independent agent that can be listed in the Agent Store. This will provide users with convenient data consumption services, delivering data in a natural language-readable format. This section will explore the implementation of this business path and its potential monetization models. #### V-A. Overview of Collaboration Model The collaboration between AI Steam Labs and data providers will be based on the following core elements: * **Data Integration:** The APIs and data sources of data providers will be integrated into the AI Steam Labs search system, transforming them into a user-readable consumption format, allowing users to access and consume data through the platform. * **Independent Agents:** Data providers will operate as independent agents in the Agent Store, enabling users to interact directly with these agents to obtain the data services they need. * **Consumption Points System:** Users will use consumption points for payment when consuming data on the platform. The consumption of points will be linked to the amount of data used (e.g., the consumption of 1M tokens), creating a transparent consumption mechanism. #### V-B. Consumption Points Mechanism The consumption points system will be the core of this business model, with specific implementation as follows: * **Points Acquisition:** Users can acquire consumption points through small payments made with stablecoins, as well as through registration rewards, referring friends, participating in activities, and more. This will incentivize users to actively engage with the platform. * **Points Consumption:** When users utilize data services, points will be deducted based on the consumption amount of 1M tokens. For example, if the consumption of 1M tokens costs 10,000 points, users will have points deducted according to their actual usage. * **Points Management:** The platform will provide a user interface for managing points, allowing users to view their points balance, consumption history, and acquisition methods at any time, thereby enhancing the user experience. #### V-C. Revenue Sharing Model To achieve revenue, AI Steam Labs and data providers will adopt a revenue-sharing model, detailed as follows: * **Sharing Ratio:** The revenue-sharing ratio between AI Steam Labs and data providers will be 3:7, meaning AI Steam Labs will receive 30% of the revenue, while data providers will receive 70%. This ratio reflects the importance of data providers in supplying and maintaining the data. * **Revenue Sources:** Revenue will primarily come from the points fees generated by users consuming data on the platform. As the user base expands and data consumption increases, both parties will experience substantial revenue growth. * **Transparent Settlement Mechanism:** The platform will establish a transparent settlement mechanism, regularly settling revenue with data providers to ensure that the interests of both parties are protected. #### V-D. User Value and Market Potential This business path not only creates new revenue opportunities for AI Steam Labs and data providers but also provides significant value to users: * **Convenient Data Access:** Users can easily access a variety of data services on a single platform, reducing the hassle of switching between different platforms. * **Flexible Consumption Methods:** By using consumption points, users can flexibly consume data according to their needs, enhancing their sense of participation and satisfaction. * **Market Expansion:** As data consumption becomes more widespread, AI Steam Labs can attract more users and data providers, further expanding its market share. #### V-E. Future Outlook As technology continues to advance and market demands evolve, the collaboration model between AI Steam Labs and data providers will continually evolve. Possible future expansion directions include: * **Diversification of Data Services:** Introducing more types of data providers to enrich the variety of data services on the platform, catering to the needs of different users. * **Intelligent Recommendation System:** Utilizing AI technology to analyze user consumption behavior and provide personalized data recommendations, enhancing the user experience. * **Cross-Platform Collaboration:** Partnering with other platforms and service providers to expand the scenarios and applications for data consumption, creating a broader ecosystem. ### VI. Conclusion AI Steam Labs can establish an innovative business path that facilitates convenient data consumption and market expansion. The consumption points mechanism and revenue-sharing model will create sustainable revenue opportunities for both parties while providing users with greater value and experience. This business model not only aligns with current market trends but also lays a solid foundation for future development. ### References \[1] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin.Attention is all you need.In Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS’17, page 6000–6010, Red Hook, NY, USA, 2017. Curran Associates Inc. \[2] Jacob Devlin.Bert: Pre-training of deep bidirectional transformers for language understanding.arXiv preprint arXiv:1810.04805, 2018. \[3] Renrui Zhang, Ziyao Zeng, Ziyu Guo, and Yafeng Li.Can language understand depth?In Proceedings of the 30th ACM International Conference on Multimedia, pages 6868–6874, 2022. \[4] Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, and Gideon Mann.Bloomberggpt: A large language model for finance.arXiv preprint arXiv:2303.17564, 2023. \[5] Qixin Deng, Qikai Yang, Ruibin Yuan, Yipeng Huang, Yi Wang, Xubo Liu, Zeyue Tian, Jiahao Pan, Ge Zhang, Hanfeng Lin, et al.Composerx: Multi-agent symbolic music composition with llms.arXiv preprint arXiv:2404.18081, 2024. \[6] Yixiao Yuan, Yangchen Huang, Yu Ma, Xinjin Li, Zhenglin Li, Yiming Shi, and Huapeng Zhou.Rhyme-aware chinese lyric generator based on gpt.arXiv preprint arXiv:2408.10130, 2024. \[7] Yijie Weng and Jianhao Wu.Big data and machine learning in defence.International Journal of Computer Science and Information Technology, 16(2), 2024. \[8] Yiyi Tao, Yiling Jia, Nan Wang, and Hongning Wang.The fact: Taming latent factor models for explainability with factorization trees.In Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval, pages 295–304, 2019. \[9] Yukun Song.Deep Learning Applications in the Medical Image Recognition.American Journal of Computer Science and Technology, 2(2):22–26, July 2019. \[10] Yuelyu Ji, Zhuochun Li, Rui Meng, Sonish Sivarajkumar, Yanshan Wang, Zeshui Yu, Hui Ji, Yushui Han, Hanyu Zeng, and Daqing He.Rag-rlrc-laysum at biolaysumm: Integrating retrieval-augmented generation and readability control for layman summarization of biomedical texts.arXiv preprint arXiv:2405.13179, 2024. \[11] Tommaso Calò and Luigi De Russis.Leveraging large language models for end-user website generation.In International Symposium on End User Development, pages 52–61. Springer, 2023. \[12] Roy Thomas Fielding.Architectural styles and the design of network-based software architectures.University of California, Irvine, 2000. \[13] Cesare Pautasso, Olaf Zimmermann, and Frank Leymann.Restful web services vs.” big”’web services: making the right architectural decision.In Proceedings of the 17th international conference on World Wide Web, pages 805–814, 2008. \[14] Yaobo Liang, Chenfei Wu, Ting Song, Wenshan Wu, Yan Xia, Yu Liu, Yang Ou, Shuai Lu, Lei Ji, Shaoguang Mao, et al.Taskmatrix. ai: Completing tasks by connecting foundation models with millions of apis.Intelligent Computing, 3:0063, 2024. \[15] Yifan Song, Weimin Xiong, Dawei Zhu, Wenhao Wu, Han Qian, Mingbo Song, Hailiang Huang, Cheng Li, Ke Wang, Rong Yao, et al.Restgpt: Connecting large language models with real-world restful apis.arXiv preprint arXiv:2306.06624, 2023. \[16] Yixin Jin, Wenjing Zhou, Meiqi Wang, Meng Li, Xintao Li, Tianyu Hu, and Xingyuan Bu.Online learning of multiple tasks and their relationships: Testing on spam email data and eeg signals recorded in construction fields.arXiv preprint arXiv:2406.18311, 2024. \[17] Yiyi Tao.Meta learning enabled adversarial defense.In 2023 IEEE International Conference on Sensors, Electronics and Computer Engineering (ICSECE), pages 1326–1330. IEEE, 2023. \[18] Yiru Gong, Qimin Zhang, Huili Zheng, Zheyan Liu, and Shaohan Chen.Graphical Structural Learning of rs-fMRI data in Heavy Smokers.arXiv preprint arXiv:2409.08395, 2024. \[19] Wanyu Bian, Albert Jang, Liping Zhang, Xiaonan Yang, Zachary Stewart, and Fang Liu.Diffusion modeling with domain-conditioned prior guidance for accelerated mri and qmri reconstruction.IEEE Transactions on Medical Imaging, 2024. \[20] Yumeng Yang, Ashley Gilliam, Ethan B Ludmir, and Kirk Roberts.Exploring the generalization of cancer clinical trial eligibility classifiers across diseases.arXiv preprint arXiv:2403.17135, 2024. \[21] Huili Zheng, Qimin Zhang, Yiru Gong, Zheyan Liu, and Shaohan Chen.Identification of prognostic biomarkers for stage iii non-small cell lung carcinoma in female nonsmokers using machine learning.arXiv preprint arXiv:2408.16068, 2024. \[22] Wanyu Bian, Yunmei Chen, and Xiaojing Ye.An optimal control framework for joint-channel parallel mri reconstruction without coil sensitivities.Magnetic Resonance Imaging, 89:1–11, 2022. \[23] Xintao Li and Sibei Liu.Predicting 30-day hospital readmission in medicare patients: Insights from an lstm deep learning model.medRxiv, 2024.doi:10.1101/2024.09.08.24313212. \[24] Siqiao Zhao, Zhikang Dong, Zeyu Cao, and Raphael Douady.Hedge fund portfolio construction using polymodel theory and itransformer.arXiv preprint arXiv:2408.03320, 2024. \[25] Han-Cheng Dan, Peng Yan, Jiawei Tan, Yinchao Zhou, and Bingjie Lu.Multiple distresses detection for asphalt pavement using improved you only look once algorithm based on convolutional neural network.International Journal of Pavement Engineering, 25(1):2308169, 2024. \[26] Yunyi Zhu, Cedric Honnet, Yixiao Kang, Junyi Zhu, Angelina J Zheng, Kyle Heinz, Grace Tang, Luca Musk, Michael Wessely, and Stefanie Mueller.Demonstration of chromocloth: Re-programmable multi-color textures through flexible and portable light source.In Adjunct Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2023. \[27] Yukun Song, Parth Arora, Rajandeep Singh, Srikanth T. Varadharajan, Malcolm Haynes, and Thad Starner.Going Blank Comfortably: Positioning Monocular Head-Worn Displays When They are Inactive.In Proceedings of the 2023 International Symposium on Wearable Computers, pages 114–118, Cancun, Quintana Roo Mexico, October 2023. ACM. \[28] Yixiao Kang, Zhenglin Zhang, Meiqi Zhao, Xuanhui Yang, and Xubo Yang.Tie memories to e-souvenirs: Hybrid tangible ar souvenirs in the museum.In Adjunct Proceedings of the 35th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2022. \[29] Xinhao Zhang, Zaitian Wang, Lu Jiang, Wanfu Gao, Pengfei Wang, and Kunpeng Liu.Tfwt: Tabular feature weighting with transformer.arXiv preprint arXiv:2405.08403, 2024. \[30] Yuelyu Ji, Yuhe Gao, Runxue Bao, Qi Li, Disheng Liu, Yiming Sun, and Ye Ye.Prediction of covid-19 patients’ emergency room revisit using multi-source transfer learning.In 2023 IEEE 11th International Conference on Healthcare Informatics (ICHI), pages 138–144. IEEE, 2023. \[31] Ziyao Zeng, Daniel Wang, Fengyu Yang, Hyoungseob Park, Stefano Soatto, Dong Lao, and Alex Wong.Wordepth: Variational language prior for monocular depth estimation.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 9708–9719, 2024. \[32] Xiaojing Fan and Chunliang Tao.Towards resilient and efficient llms: A comparative study of efficiency, performance, and adversarial robustness.arXiv preprint arXiv:2408.04585, 2024. \[33] Jinghan Zhang, Xiting Wang, Yiqiao Jin, Changyu Chen, Xinhao Zhang, and Kunpeng Liu.Prototypical reward network for data-efficient rlhf.arXiv preprint arXiv:2406.06606, 2024. \[34] Muhammad Shahzaib Baig, Azhar Imran, Aman Ullah Yasin, Abdul Haleem Butt, and Muhammad Imran Khan.Natural language to sql queries: A review\.International Journal of Innovations in Science Technology, 4:147–162, 2022. \[35] Deep Mehta, Kartik Rawool, Subodh Gujar, and Bowen Xu.Automated devops pipeline generation for code repositories using large language models.arXiv preprint arXiv:2312.13225, 2023. \[36] Gabriel Poesia, Oleksandr Polozov, Vu Le, Ashish Tiwari, Gustavo Soares, Christopher Meek, and Sumit Gulwani.Synchromesh: Reliable code generation from pre-trained language models.arXiv preprint arXiv:2201.11227, 2022. \[37] # ようこそ、AI Steam Labsへ こんにちは、先駆者の探検者さん！AI Steam Labsとその製品についてもっと知っていただけることを嬉しく思います。これらのガイドは、AI Steam Labsについての理解を深め、私たちの製品の将来計画を説明するために作成されています。 以下は、私たちの公式リンクの一覧です。必ずURLがこれらと一致していることを確認してください！ | プラットフォーム | 目的 | 公式リンク | | -------- | --------------------------------- | ----------------------------------------------- | | ウェブサイト | AI Steamのすべての製品を自分で体験する | [aisteam.net](https://www.aisteam.net/) | | Discord | フィードバックやアイデアを共有して、コミュニティや私たちと交流する | [Discordに参加](https://discord.gg/YcFD5pzfkC) | | Twitter | すべての最新情報を得るために@AiSteamLabsをフォロー | [@AiSteamLabs](https://twitter.com/AiSteamLabs) | | Telegram | フィードバックやアイデアを共有して、コミュニティや私たちと交流する | | | ドキュメント | ユーザーと開発者のためのAI Steam製品についてのすべてを読む | [docs.aisteam.net](https://docs.aisteam.net) |
Getting StartedCreate your first site/pages/CyH2xJQs9yWJ1S8BYNav
BasicsLearn the basics of GitBook/pages/7aUFmnCMx9m4smGncsXL
Publish your docsShare your docs online/pages/JjjojIyKxaiBPzzLwvtg
# AI Steamとは何ですか？ #### AIは生産効率を変革し、暗号通貨は生産関係を変革します。私たちはこれら二つをSolana上で結びつけ、大規模な普及を推進します — 消費者レベルのSolana AIアプリケーションです。 #### AI Steamは、Solanaのグローバルな支払い能力に依存して、ユーザー、開発者、基礎的なモデル企業にサービスを提供するプラットフォームアプリケーション層の会社として位置づけています。 #### コア製品事業セクションは以下をカバーしています：Steam検索、SteamRouter、エージェントストア。 #### コア製品ラインに関連する事業には、AIアプリケーション/ハードウェア販売モール、Steam Cloudが含まれます。 {% file src="/files/kyivbkvLj7ruyb0dBhUE" %} ポッドキャストでAI Steam Labsについて学ぶ\ PS：現在の生成AIが生み出すコンテンツには一部誤情報が含まれている可能性があるため、すべての情報を慎重に判断してください。 {% endfile %} #### 以下はポッドキャストの文字記録です。 *** **Speaker 1** 00:06 - 00:09\ AI Steam、特にSolanaブロックチェーンに基づいています。 **Speaker 2** 00:09 - 00:18\ それが私が面白いと思うところです。彼らのアプローチ全体は、単なる別のAI企業ではなく、Solana上のAIプラットフォームになりたいということです。すべての人のために。 **Speaker 1** 00:18 - 00:26\ その通りです。ユーザー、開発者、誰でも、彼らは全体のSteamエコシステム、一連の製品を構築しています。すべてが相互接続されています。 **Speaker 2** 00:26 - 00:28\ 彼らの堀を築こうとしていると言えます。 **Speaker 1** 00:28 - 00:43\ 実際、彼らのビジネスプランの抜粋と、いくつかの非常にクールなビジュアルを手に入れました。彼らの最初の製品、Steam Searchについて詳しく見てみましょう。彼らはChatGPTと直接対決しており、より速く、より安価であると主張しています。Solanaに関連するすべてのことに焦点を当てています。あなたはどう思いますか？ **Speaker 2** 00:43 - 00:53\ 間違いなく、それは大胆です。彼らは専門化が鍵であると賭けています。Solanaエコシステム内の高度に専門化された知識は、汎用AIよりも価値があります。 **Speaker 1** 00:53 - 00:58\ 面白いですね。逆に、ChatGPTにブロックチェーンの歴史のような広範な質問をする代わりに。 **Speaker 2** 00:58 - 01:08\ Steam Searchを使って、同様の内容を見つけることができます。Solana DeFi分野の最新の進展には以下が含まれます： 1. **エコシステムの拡大**：Solana上の分散型金融（DeFi）プロジェクトの数は増加し続けており、貸付、取引、ステーブルコインなどの多くの分野をカバーしています。 2. **高性能と低コスト**：Solanaの高スループットと低取引手数料は、DeFiアプリケーションにとって理想的なプラットフォームとなり、多くのユーザーと開発者を引き付けています。 3. **クロスチェーン統合**：Solanaと他のブロックチェーンネットワークとのクロスチェーン相互運用性が向上し、資産とデータのクロスチェーンの流れを促進しています。 4. **革新的なプロジェクト**：分散型取引所（DEX）、流動性マイニングプラットフォーム、合成資産発行プラットフォームなどの革新的なDeFiプロジェクトが登場し、DeFi分野のさらなる発展を促進しています。 5. **規制遵守**：世界的な規制環境の変化に伴い、Solana上のDeFiプロジェクトは、プロジェクトの持続可能性を確保するために規制遵守の道を積極的に探求しています。 6. **コミュニティとガバナンス**：Solanaコミュニティの活発さとガバナンスメカニズムの改善は、DeFiプロジェクトの長期的な発展を強力にサポートしています。彼らはSolanaに特化しているため、より迅速に関連性の高い結果を提供できると信じています。 **Speaker 1** 01:08 - 01:19\ 彼らは、価格も安いと主張しています。比較すると、検索クエリは約3.80ドルで、ChatGPTは20ドルかかります。しかし、安いことがこの場合において必ずしも良いことを意味するのでしょうか？ **Speaker 2** 01:19 - 01:32\ それは百万ドルの質問です。彼らはSolanaエコシステムの情報を利用してベクトルデータベースを構築しています。GitHubリポジトリ、取引データ、何でも揃っていて、Telegramのチャットログまで含まれています。信じられますか？ **Speaker 1** 01:32 - 01:33\ うん、彼らは確かに全方位で探求していますね。 **Speaker 2** 01:33 - 01:37\ 彼らは、このターゲットを絞ったアプローチが、スピードと関連性の優位性をもたらすと考えています。 **Speaker 1** 01:37 - 01:52\ なるほど。特定の研究分野のために専門の検索エンジンを選ぶようなものですね。必要なものを迅速に見つける可能性が高くなります。面白いアプローチですね。次はSteam Routerです。正直、これはより技術的に聞こえます。 **Speaker 2** 01:52 - 01:57\ はい、少し裏方の感じがあります。Solana上のAIパイプラインシステムと考えることができます。 **Speaker 1** 01:57 - 01:58\ パイプラインエンジニアリング？ **Speaker 2** 01:58 - 02:07\ はい、それはミドルウェアサービスで、AIモデルがブロックチェーン上でスムーズかつ効率的に動作することを保証します。基本的に、すべては開発者の摩擦を減らすためのものです。 **Speaker 1** 02:07 - 02:14\ なるほど、これらのAIツールを構築する人々を楽にするために。しかし、すでに似たようなものはありませんか？OpenRouterですよね？ **Speaker 2** 02:14 - 02:24\ その通りです。OpenRouterも似たようなことをしています。しかし、AI Steamは確かに低い料金ポイントに達しています。彼らはSolanaの支払いシステムの独自の利点を利用してコストを削減しています。 **Speaker 1** 02:24 - 02:31\ 自分たちの強みを活かしているのが好きです。さて、次はエージェントストアについて話しましょう。事態は本当に面白くなり始めています。 **Speaker 2** 02:31 - 02:35\ これは彼らのAIエージェント向けのアプリストアです。 **Speaker 1** 02:35 - 02:41\ つまり、何かをするAIが必要な場合、例えば取引を自動化したり、研究を行ったりするための。 **Speaker 2** 02:41 - 02:43\ その通りです。彼らはすべてのことにAIエージェントを装備したいと考えています。 **Speaker 1** 02:43 - 02:47\ たくさんのAIエージェントがありますね。彼らはどうやってそんなに多くの製品を生産するつもりですか？ **Speaker 2** 02:47 - 02:59\ うん、彼らは開発者を奨励する巧妙なシステムを採用しています。AIエージェントを作成し、それをNFTとして鋳造することを想像してみてください。あなたは自分のエージェントにアクセスするためにサブスクリプションを持ち、そのサブスクリプションを通じて収益を得ます。 **Speaker 1** 02:59 - 03:05\ おお、面白いですね。つまり、AIエージェントを直接販売するだけでなく、継続的な収入の流れを構築しているのですね。 **Speaker 2** 03:05 - 03:10\ その通りです。もちろん、開発者としてもNFTの価値上昇から利益を得ることができます。 **Speaker 1** 03:10 - 03:16\ 賢いですね。AI Steamはこれらの取引から手数料を取るのでしょう。クラシックなプラットフォームビジネスモデルです。 **Speaker 2** 03:16 - 03:28\ そうです。市場を作り、売り手と買い手をつなぎ、少額の手数料を取ります。本当の課題は、大量のユーザーと多様な才能のある開発者を引き付けることです。しかし、彼らはそれを実現できるでしょう。 **Speaker 1** 03:28 - 03:30\ このエージェントストアはゲームチェンジャーになるかもしれません。 **Speaker 2** 03:30 - 03:31\ 可能性がありますね。 **Speaker 1** 03:31 - 03:40\ さて、Steam Search、Steam Router、そしてこのエージェントストアがあります。彼らはここで完全なエコシステムを構築しているように聞こえます。単一の製品だけではありません。 **Speaker 2** 03:40 - 03:45\ その通りです。そして、彼らはさらに発展し、より伝統的な取引市場を構築しています。 **Speaker 1** 03:45 - 03:46\ おお、本当に？ **Speaker 2** 03:46 - 03:59\ さて、続けてください。手工芸品やデジタルアートではなく、すべてがアルゴリズムとデータセットに関する市場を想像してみてください。専用のAI処理ハードウェアさえも。 **Speaker 1** 03:59 - 04:01\ わあ、これは本当にニッチですね。 **Speaker 2** 04:01 - 04:02\ 非常にそうです。 **Speaker 1** 04:02 - 04:12\ だから、もし私がAI取引ボットを開発している開発者なら、必要なすべてを一か所で見つけることができるかもしれません。事前にトレーニングされたアルゴリズム、実行に必要なハードウェア、すべてです。 **Speaker 2** 04:12 - 04:21\ 確かに。Solana上のAIのワンストッププラットフォームです。しかし、まだまだあります。彼らはSteam Cloudストレージもサポートしています。これは非常に重要です。 **Speaker 1** 04:21 - 04:26\ なるほど。今、あなたは私の興味を引きました。率直に言ってください。Steam Cloudとは何ですか？ **Speaker 2** 04:26 - 04:34\ しかし、それは単なるストレージスペースではありません。彼らはそれも持っています。真の変革は、彼らの計算能力を統合する計画にあります。 **Speaker 1** 04:34 - 04:39\ ちょっと待って、ちょっと待って。この文脈で、なぜ計算能力の集約がそんなに重要なのか説明してください。 **Speaker 2** 04:39 - 04:43\ 素晴らしいレシピがあると想像してみてください。すべての材料が準備されていて、すべてが整っています。 **Speaker 1** 04:43 - 04:45\ わかりました。 **Speaker 2** 04:45 - 04:57\ しかし、オーブンがありません。この状況は、多くのAI開発者が直面するものです。彼らはアイデアとデータを持っていますが、複雑なAIモデルをトレーニングし、実行するために必要な生の計算能力が不足しています。 **Speaker 1** 04:57 - 05:09\ ああ、AIモデルをトレーニングするのは計算コストが非常に高いのですね。だから、Steam Cloudは皆にオーブンを提供するようなもので、あるいは皆が自分のAIケーキを焼けるようにするためのオーブンネットワークかもしれません。 **Speaker 2** 05:09 - 05:22\ これは完璧な比喩です。計算能力を集約し、そのプラットフォームを通じてアクセスを提供することで、彼らは大きな参入障壁を取り除いています。特に、自分でスパコンを構築したり借りたりできない開発者にとっては。 **Speaker 1** 05:22 - 05:32\ Solana上でのAI開発を普及させる。私はそれが好きです。しかし、明らかにお金の問題について話しましょう。このような野心的なプロジェクトを立ち上げるには多くの資金が必要です。彼らはどのようにしてプロジェクト全体を資金調達しているのでしょうか？ **Speaker 2** 05:32 - 05:42\ 彼らは自分たちのトークンを発行しています。しかし、これは資金を調達するためだけではありません。トークンのかなりの部分は、彼らが「戦略的準備金」と呼ぶものに割り当てられています。 **Speaker 1** 05:42 - 05:51\ 戦略的準備金。なるほど。では、この文脈で戦略的準備金とは何であり、AI Steamの長期戦略をどのように反映しているのでしょうか？ **Speaker 2** 05:51 - 05:58\ それは、彼らが長期戦を考えていることを示しています。彼らは市場シェアを拡大することに真剣です。これらの準備金は、彼らに柔軟性を提供します。 **Speaker 1** 05:58 - 05:59\ 柔軟性は何に使われるのですか？ **Speaker 2** 05:59 - 06:10\ 将来的にパートナーシップや買収を行ったり、避けられない市場の低迷に対処したりするためのものです。これは、長期的な安定性と成長のための戦略的な措置です。彼らは先を見越して準備しています。 **Speaker 1** 06:10 - 06:19\ なるほど。彼らは長期的な発展を考えていますね。それが好きです。私たちはいつ本当にこれらすべてを目にすることができるのでしょうか？遠い未来、来年？ **Speaker 2** 06:19 - 06:24\ 彼らは実際にビジネスプランの中でタイムラインを設定しています。ああ、はい。そして、それは野心的で、言葉では表現しきれません。 **Speaker 1** 06:24 - 06:25\ 言ってください、私は聞いています。 **Speaker 2** 06:25 - 06:29\ 彼らは2024年12月までにトークンを発行する予定です。 **Speaker 1** 06:29 - 06:33\ わあ、時間が厳しいですね。非常に短い時間で多くのことを達成しなければなりません。 **Speaker 2** 06:33 - 06:41\ もちろんです。これらのタイムラインは通常理想的です。遅延はよくあります、特にブロックチェーンやAIの分野では。これらのことには時間がかかります。 **Speaker 1** 06:41 - 06:57\ なるほど。この分野でも多くの遅延を経験してきましたよね？でも、少し楽観的になりましょう。彼らが本当に成功したと仮定しましょう。すべての製品を立ち上げ、トークンを上場する。すべてが計画通りに進むとしたら、何が起こるのでしょうか？AI Steamのような会社にとって、成功の指標は何ですか？ **Speaker 2** 06:57 - 07:11\ それは百万ドルの質問ですね。彼らの成功は、いくつかの要因に依存しています。まず第一に、Solana自体が成功する必要があります。もしSolanaが主要なプレーヤーになれなければ、AI Steamは困難に直面します。彼らの運命は密接に結びついています。 **Speaker 1** 07:11 - 07:14\ つまり、Solanaが上がれば彼らも上がり、Solanaが下がれば彼らも下がる。 **Speaker 2** 07:14 - 07:21\ その通りです。それは一体の取引です。次に、彼らはプラットフォームに開発者とユーザーを引き付ける必要があります。これは二者間市場です。 **Speaker 1** 07:21 - 07:28\ 古典的な「鶏が先か卵が先か」の問題ですね？ユーザーがいなければ、開発者も来ません。クールなAIアシスタントがなければ、ユーザーも来ません。 **Speaker 2** 07:28 - 07:39\ その通りです。彼らはこのサイクルを打破し、勢いをつける方法を見つける必要があります。おそらく、初期の段階で有名な開発者を引き付け、初期採用者に魅力的なインセンティブを提供することができるでしょう。 **Speaker 1** 07:39 - 07:47\ もちろん、隣人との比較の問題もありますよね？AIは急速に進化しており、今日の最前線技術が明日には古くなります。 **Speaker 2** 07:47 - 07:56\ もちろんです。これは、彼らが現在の約束を果たすだけでなく、持続的な革新についても関係しています。彼らは急速に変化する分野で先を行くことができるのでしょうか？ **Speaker 1** 07:56 - 08:03\ たとえ彼らがこの壮大な計画を実現できたとしても、長期的な成功は保証されません。 **Speaker 2** 08:03 - 08:10\ それがテクノロジーの世界の現実です。特にAIのような活気に満ちた分野では。高リスク、高リターンです。 **Speaker 1** 08:10 - 08:27\ 高リスクは確かです。しかし、それこそがこの問題を非常に魅力的で掘り下げる価値のあるものにしているのです。では、私たちはどこに向かうべきでしょうか？私たちは彼らの製品、戦略、タイムライン、すべてを調査しました。判決は何ですか？人々はAIブームに投資する準備をすべきでしょうか？ **Speaker 2** 08:27 - 08:33\ おっと、ちょっと待ってください。私たちは表面をなぞっただけです。投資を考える前に、答えるべき多くの質問があります。 **Speaker 1** 08:33 - 08:38\ 例えば何ですか？リスナーに宿題を出してください。彼らは何を調査すべきですか？何を考えるべきですか？ **Speaker 2** 08:38 - 08:48\ まず、チームについてもっと知りたいです。このAIブームの背後にいる人々は誰ですか？彼らはこれを実現するための実際の経験を持っていますか？少しのバックグラウンドチェックは無駄ではありません。 **Speaker 1** 08:48 - 08:49\ そうですね、それは理にかなっています。 **Speaker 2** 08:49 - 09:02\ それから、規制環境を深く掘り下げたいです。暗号規制は移動する標的です。そして、AIもこの分野で独自の課題に直面しています。彼らはこれらすべてにどのように対処するのでしょうか？ **Speaker 1** 09:02 - 09:07\ はい、規制の交差火力に巻き込まれるのは良いことではありません。さて、他には何かありますか？もう一つ。 **Speaker 2** 09:07 - 09:16\ 財務データです。彼らはどれだけの資金を調達しましたか？彼らのバーンレートはどのくらいですか？堅実なビジネスプランは素晴らしいですが、持続可能な財政支援は不可欠です。 **Speaker 1** 09:16 - 09:20\ 本当に、その通りです。燃料がなければロケット船は作れません。 **Speaker 2** 09:20 - 09:21\ その通りです。 **Speaker 1** 09:21 - 09:26\ さて、チーム、規制、財務が整いました。他に何かありますか？それとも、私たちは終わりですか？ **Speaker 2** 09:26 - 09:37\ もう一つ、競争です。AI分野は競争が激しいです。多くの巨人と野心的なスタートアップが主導権を争っています。AI Steamは、多くの競合の中で際立つことができることを証明する必要があります。 **Speaker 1** 09:37 - 09:56\ 外はジャングルのようです。しかし、競争市場のダイナミクスについてのすべての議論は、確かにより大きな全体像を考えさせます。AIが本当にこれを実現した場合、それは何か大きなことの始まりになるのでしょうか？全能の超大規模AIプラットフォームの追求からの転換。 **Speaker 2** 09:56 - 10:04\ 可能性があります。もし数社の巨大AIプラットフォームが置き換えられるなら、私たちは最終的により小さく、より専門化されたエコシステムを形成することになるのでしょうか？ **Speaker 1** 10:04 - 10:16\ 各プラットフォームは異なるブロックチェーンに基づき、特定の業界にサービスを提供します。例えば、金融用、医療用、ゲーム用など。それぞれが独自のAIツールとAIエージェントを持ち、その特定のニッチ市場に合わせてカスタマイズされます。 **Speaker 2** 10:16 - 10:24\ 確かに。この専門化は巨大な潜在能力を解放する可能性があります。私たちはAIの発展がより普及し、競争力が高まることを予見できます。すべての人にとって有益であることは確かです。 **Speaker 1** 10:24 - 10:34\ さて、私は納得しました。AIブームは確かに注目に値します。しかし、彼らが計画のすべてのステップを完璧に実行したとしても、順調に進む保証はありませんよね？ **Speaker 2** 10:34 - 10:43\ 全くその通りです。彼らはSolana上に構築しているため、Solanaが問題を抱えれば、彼らも影響を受けます。同時に、開発者とユーザーを引き付けることも課題です。両方とも不可欠です。 **Speaker 1** 10:43 - 10:55\ これは二者間市場です。クリエイターと消費者が必要です。それに加えて、彼らは本当にユニークなものを提供していることを確認する必要があります。業界で際立つ独自性です。 **Speaker 2** 10:55 - 11:01\ 素晴らしいことを言いますね。これは高リスクのゲームです。しかし、彼らはゲームのルールを根本的に変える可能性もあります。 **Speaker 1** 11:01 - 11:11\ したがって、AI Steamのビジネスプラン、すべての潜在的な機会と課題を深く探求した後、あなたは聴衆が何を得ることを望んでいますか？ **Speaker 2** 11:11 - 11:26\ 私が思うに、最大の収穫は、私たちがまだAIとブロックチェーンの世界の初期段階にいるということです。AI Steamが提案するものは、可能性の氷山の一角に過ぎません。これらの二つの強力な技術が、私たちがまだ想像していない方法で融合する未来への展望です。 **Speaker 1** 11:26 - 11:36\ AI Steamが最終的に成功するか失敗するかにかかわらず、彼らが探求している理念、すなわち分散型のビジョンと専門化されたAIの分野は注目に値します。 **Speaker 2** 11:36 - 11:38\ もちろんです。物語はまだ始まったばかりです。 **Speaker 1** 11:38 - 11:51\ この点に関して、AI Steamの深い探求はここで終了します。私たちは彼らの野心的な計画とその潜在的な影響、そしてそれがAIの未来に何を意味するかを探りました。活気に満ちた専門分野を一緒に探求する旅に参加していただき、ありがとうございました。 *** # トークンチャット [**ToKenChat**](https://docs.aisteam.net/japanses/www.tokenchat.ai)のビジョンは、Solanaエコシステムにおけるスマート通信エンジンのプロトコル層になることです。ユーザーは簡単な質問を通じて、Solanaおよびそのエコプロジェクトを検索し、正確な回答を得ることができます。これはSolana上でのみ可能です！ ## ユーザー向け： こんにちは！私はAI Steam Labsによって開発された**次世代AI対話型トークンデータ検索エンジン**です。対話型インタラクションと情報リンクの力を組み合わせ、自然言語処理技術を通じてより正確でパーソナライズされた検索体験を提供することを目指しています。以下は**ToKenChat**の詳細な紹介です： ## コア機能と特徴 1. 対話式検索：ユーザーは自然言語で質問でき、**ToKenChat** は理解し、直接回答することができます。単に一連のリンクを提供するだけではありません。**最終的に、あなたはトークンの価格、契約アドレス、チャート、トークンのロック解除、契約データ、競合他社、ニュース、財務指標などを1つの統合ページで得ることができます。**この方法により、情報の取得がより直感的で効率的になり、今日の急速に発展する業界で賢明な意思決定を行うのに役立ちます。 2. 情報統合とタスクベースの要件: 回答を提供する際、**ToKenChat**は複数のソースから情報を統合します。リアルタイムのタスクベースの要件に対しては、AI Steam Labsの自社開発のマルチエージェントコンポーネントが自ら分解し、クエリを行い、比較と誤り訂正を行って、ユーザーが得る情報が正確で信頼できることを保証します。 3. マルチラウンド対話サポート: マルチラウンド対話をサポートし、ユーザーが1つのクエリで詳細な議論を行うことを可能にし、インタラクションの柔軟性をさらに向上させます。 4. クロスランゲージサポート: **ToKenChat**は複数の言語でのクエリを処理でき、異なるユーザーのニーズに応えます。 ## 技術的な利点 **ToKenChat**は、大規模言語モデル（GPTやClaudeなど）と自社開発のエージェントを活用して、検索機能を強化しています。そのコア技術はRetrieval Enhanced Generationであり、インターネットから最新の情報をリアルタイムで取得し、モデル生成コンテンツの錯覚を減少させることができます。これにより、**ToKenChat**は情報の正確性とリアルタイム性能において大きな利点を持っています。 ## ユーザーエクスペリエンス **ToKenChat**のインターフェースデザインはシンプルで直感的であり、登録なしで使用できるため、ユーザーにとって親しみやすい体験を提供します。将来の製品には、Solanaの資産取引バージョン（AI **ToKenChat** **Pro**）も含まれており、ユーザーがより高度な検索や資産取引を行い、より個別化された機能にアクセスできるようになります。 ## 市場の位置付けと展望 新興のAI検索エンジンとして、**ToKenChat**はSolanaエコシステムのインテリジェントな通信エンジンプロトコル層として位置付けられています。技術面での強力な能力を示すだけでなく、ユーザーエクスペリエンスや市場からのフィードバックにおいても好評を得ています。AI技術が進化し続ける中、**ToKenChat**は将来の検索市場で重要な地位を占め、Solanaが大規模な普及の波を達成するのを推進すると期待されています。
## Solanaエコシステムのプロジェクトパートナー向け： ## カスタマー人工知能 AI検索とサポートを活用して、高成長チームを支援し、ユーザーが必要なものを瞬時に見つけられるようにします。シナリオに特化したガイダンスを受け、24時間365日のトラブルシューティング支援をお楽しみください。 ## コンテンツのインポート 既製のコネクタとスクレーパーを使用して、顧客向けのすべてのコンテンツを統合します。 ## サポートされているソース 1. 技術文書（Docusaurus、ReadMe、GitBook、Mintlifyなど） 2. ヘルプセンターとFAQ 3. ウェブサイトとブログ 4. GitHub 5. コミュニティディスカッション（Slack、Discord、Discourse） 6. Open APIとGraphQLパターン 7. PDF、Markdown、CSVその他のファイル 8. YouTubeその他のビデオソース 9. ナレッジベース（Notion、Confluence、Sharepointなど） ## コミュニティに参加 DiscordやTelegramのコミュニティに✨ask-aiチャンネルを作成しましょう。今後、どこにでも統合できる一連の埋め込み検索コンポーネントをリリースし、Solanaユーザーに効率的な体験を提供することを目指しています。
# 仕組み この文書は、Steam検索回答エンジンによって生成される印象的な体験に対するあなたの好奇心を満たすことを目的としています。これはすべてどのように機能するのでしょうか？質問をした後、なぜ即座に答えを得ることができるのでしょうか？ 1. `BingやGoogleとは異なり、私たちはAi Steam Labsが開発したマルチエージェントインデックスコンポーネントを利用して、公共インターネット情報のためのニューラル（ニューラルネットワークアルゴリズム）検索を行います。質問を投げかけた瞬間、入力に基づいて意図をレンダリングし始めます。その後、分解、クエリ、比較、修正を行い、SEOバイトソースを排除し、最も信頼できる意味的コンテンツソースを見つけ出します。それらはLLMに理解のために提供され、あなたに答えを出力します。` 2. `ユーザーデータに基づいてモデルを微調整し、回答をキャッシュすることでユーザーコストを削減しようとはせず、システムが常に最新の状態を保つことを保証します。` 3. `創業チームは、ネイティブ暗号通貨や視覚AIシステムの組織からの強力なバックグラウンドを持っています。` Steam Searchは、Solanaエコシステムでの取引、プロジェクトの研究、日常的な質問への回答を求める場合、または新しい分野を探求して洞察を広げる場合のアシスタントとして考えることができます。Steamは、情報の権威あるソースであり、必要な正確な知識を提供することで、貴重な時間を節約する準備が常に整っています。 # 信頼できるデータセット このデータセットリストは、現在の検索システムに含まれている信頼できるデータセットとその使用事例の詳細な概要を提供します。将来的には、ユーザーのフィードバックやニーズに基づいて、さらに多くのユーザーデータセットを段階的に追加していく予定です。 ### 暗号資産データセット： 1. `時価総額で分類された10,000以上のトークン名。` 2. `暗号通貨のリアルタイム価格。` 3. `暗号通貨のリアルタイム時価総額。` 4. `過去24時間の暗号通貨の総取引量（CEX + DEX）。` 5. `24時間の価格変動率。` ### 株式資産データセット： 1. **時価総額で分類された30,000以上の上場企業の株式コードデータ。**
2. **企業情報データ：**\ `会社名、CIK（中央索引キー）、時価総額、従業員総数、ウェブサイトURLなどを含むデータ。`
3. **リアルタイム株価データ。**
4. **損益計算書データ：**\ `特定の期間における会社の収益、費用、利益に関する情報を提供する財務報告書。`
5. **貸借対照表データ：**\ `特定の時点での企業の資産、負債、株主資本を要約する財務報告書。`
6. **キャッシュフロー計算書データ：**\ `特定の期間における現金の流入と流出を示し、営業活動、投資活動、財務活動の3つのセクションに分けられる。`
7. **セグメント財務データ：** \ `セグメント財務データは、指定された株式コードに対して、次のように詳細な財務情報を提供します。` * `製品ライン` * `事業セグメント` * `地理的地域 など` `例えば、Appleは、iPhone、Mac、iPad、ウェアラブルなどの製品ラインごとにセグメント財務業績を報告しています。`\ `また、Appleは、アメリカ大陸、ヨーロッパ、中国などの異なる地域ごとにセグメント財務データを報告しています。セグメント財務データを使用すると、この情報を検索システムから簡単に構造化された形式でクエリし、取得できます。`
8. **インサイダー取引データ：** \ `インサイダー取引では、上場企業のCEO、CFO、取締役などの内部者による株式取引情報にアクセスできます。株式の売買だけでなく、これらの内部者の現在の保有株式も確認できます。このデータは、企業内部者の市場感情を理解するのに役立ちます。例えば、次のような質問をすることが可能です：` * `ジェンスン・フアン（NVIDIA CEO）は何株を保有しているか？` * `サティア・ナデラ（Microsoft CEO）は、前四半期に何株を購入したか？` * `ティム・クック（Apple CEO）は過去1年間に何株を売却したか？` `この情報を使用して、企業内部者の動向や信念を詳しく把握することができます。`
9. **SEC提出書類：** \ `10,000以上の上場企業に関するSEC提出書類を提供し、株式コードやCIK（中央索引キー）で検索システムでのクエリをサポートします。例えば、「テスラのSEC提出書類を教えて」と尋ねると、システムが正確なSEC提出書類のURLを返します。` ### DeFiLlama: 1. **DeFiの総ロック価値**\ `Proレベルの専門的なリアルタイムデータ更新を提供し、DeFiLlama公式サイトよりも高い更新頻度とより正確なリアルタイムデータを楽しむことができます。自然言語を使用して検索システムで情報を取得することをサポートしています。例えば：現在のDeFi市場の総TVLはどれくらいですか？` # よくある質問 (FAQs) ### AI検索バトルにおいて、SearchGPT、Perplexity、Search Groundingなどの製品と比較して、どのような競争力がありますか？ **垂直、垂直、垂直！！！**AI Steam Searchは、一般的な検索機能を持ちながら、上記の製品と比較して暗号業界自体により焦点を当てています。私たちは、データパートナーが提供するAPIインターフェースを再定義し、独立した知的思考を持つエージェントのチームとして編成することで、**ユーザーにリアルタイムデータの回答を提供します。** ### 指定ウェブサイト検索 VS API？ 最近、私たちはPerplexityが将来的に指定ウェブサイトの検索機能を提供することを発表したことに気付きました。調査の結果、この機能はAI Steam Searchに対して脅威をもたらさないことがわかりました： 1. 指定ウェブサイト検索の機能は、ユーザーが関連するURLを既に知っていることが前提です。特定のデータが異なるサブページに存在する場合、この機能は暗号通貨ユーザーのニーズを満たすことができません。（例えば：現在のDeFi市場の総ロックバリューのデータとステーブルコインの総時価総額のデータを教えてください。） 2. 現在利用可能なツールボックスの中で、どのツールを使用してこの機能を実現しても、静的なテキストや構造情報を処理し解釈するために豊富なコンテキスト情報に依存しています。このアプローチは、柔軟性、保守性、コンプライアンスの面で多くの課題に直面しています。金融業界のユーザーの意思決定において、正確で安定したデータの要求が厳しい中、APIが現在唯一の実行可能な道です。\ **人気のあるツールのエラー例**： 3. 制御された環境で実行されるため、これはウェブサイトがこのような検索を許可し、倫理的なAI使用ガイドラインに従う場合にのみ有効です。 要約すると、暗号通貨の分野やより広範なweb2の世界において、APIは現在の効率とデータ取得において依然として優位性を持っています。将来の唯一の潜在的な破壊者は、視覚モデルの基盤における能力の進化に存在し、私たちはこの発展を長期的に注視し追跡していきます。 # Steamルーター Steam Routerは、複数のAPIプロバイダー間でのリクエストルーティングを最適化し、高い可用性とコスト効率を確保するために設計されたモデル負荷分散サービスを提供します。主に、APIに関する深いニーズを持つ開発者やユーザーにサービスを提供します。私たちの考えでは、将来的に大規模なモデル戦争ではいくつかの大企業しか生き残れないでしょうが、垂直シナリオで優れたパフォーマンスを発揮するモデルは依然として存在するでしょう。そのため、将来のモデルには各モデルに対して数百、数十のプロバイダーが存在し、開発者やユーザーはより便利な集約プロバイダーに集まることになるでしょう。 私たちは、オープンソースコミュニティのコンセンサス評価フレームワークを使用して、APIプロバイダーの応答サービスを、測定された出力速度（トークン/秒）、遅延（TTFT）、および混合価格（USD/百万トークン）に基づいて優先順位を付けています。
Solanaの支払いシステムに依存して、AIアプリケーション開発者やAPIに関する深いニーズを持つユーザーをSolanaに導入し、使用コストを削減し、利便性を向上させます。Solanaのオンチェーンステーブルコインのユースケースを強化し、Solanaの大規模な普及の波を推進します。 Web3市場において、SteamRouterはミドルウェアサービスプロバイダーとして機能し、CEX、ウォレット、取引ソフトウェア、その他のDappsにバックエンドサービスを提供できます。モデルの迅速な商品化と民主化を促進し、Web3市場におけるサービスの境界を拡大するのを助けます。
# エージェントストア 現在、AIアプリケーションは爆発的な初期段階にあります。人気のアプリケーションや情報の流通は、異なるKOL（キーオピニオンリーダー）間で回転しており、コミュニティメンバーは毎日目を奪われています。高品質のアプリケーションは、収益化される前に新たなホットスポットによって簡単に覆われ、ユーザーは頻繁にアプリケーション間を切り替えます。私たちは集約を通じてユーザーと開発者の有機的な統合を実現します。エージェントストアは、ユーザーと開発者を結びつけることを目的としています。ユーザー側では、高品質のAIアプリケーションを発見し、便利に利用できるプラットフォームを提供します。開発者側では、開発者が自分でエージェントを作成するためのツールを提供し、収益化の問題を解決する手助けをします。 NFTを発行することで、開発者とプラットフォームの間に有機的なバランスを実現します。開発者がプラットフォーム上でエージェントを作成する際には、NFTを購入する必要があります。この方法は、開発者がAppStoreにリストされるために毎年開発者IDの費用を払い続けるという批判の多いポリシーに代わるだけでなく、開発者の出入りをプラットフォームの問題とし、市場で持続可能なロイヤルティ収入を生み出します。 エージェントインタラクティブなインテリジェントインターネットは、将来の主要な発展トレンドです。プラットフォーム内で異なるエージェントを呼び出すことでグループチャットが形成されます。ユーザーはグループチャットにタスクを送信し、エージェントが独自に理解して対応するタスクを完了します。最終的に、各エージェントが消費したトークンに基づいて控除が行われます。
人類の発展は長く複雑なプロセスです。初期の個人の生存からグループの形成へと進み、文明の夜明けが徐々に現れました。個人間の相互協力と交流は、徐々に複雑な社会構造と豊かな文化の結晶を形成しました。コンピュータが最初に発明されたとき、それらはインターネットに接続されていませんでした。その後、ネットワーク技術の発展に伴い、コンピュータは巨大なネットワークに接続され始め、インターネットが誕生しました。 インターネットの出現は、情報の流通と共有を大いに促進し、人々の仕事、学習、生活様式を変え、グローバル化のプロセスを推進し、生産効率を新たな文明時代へと引き上げました。 今日のインテリジェントエージェントは、一部のタスクで人間のパフォーマンスに近づいています。しかし、彼らは互いに「孤立した島」にいます。エージェントを結びつけて相互にコミュニケーションと協力を行うことで、インテリジェントエージェントのより大きな力を解き放つことができます。私たちは「すべてのもののインターネット」から「すべてのもののインテリジェントインターネット」へと移行します。インテリジェントエージェントはもはや分散型の協力アーキテクチャに限定されず、端末を超えて互いに接続し、自由にコミュニケーションを行い、効率的な協力を実現できます。
# マーケットプレイスとSteam Cloud
付随製品ラインとして、モールはプラットフォームにクローズドループ効果をもたらします。たとえば、memo.acが開発したビデオ転写ソフトウェア製品を例に挙げます。その開発者は現在の市場でトップレベルの製品を開発しています。開発者は高品質の製品を開発する能力を持っていますが、製品を発見し販売する能力に欠けています。Cryptoが確立した販売ネットワークに依存して、モールはサードパーティの販売プラットフォームとして機能し、そのような優れた開発者と協力して、ユーザー発見、販売、製品使用教育などの包括的なサービスを提供し、販売側から利益を共有し、プラットフォームに価値をもたらします。 memo.acを例に取ると、その製品はエージェントストアでエージェントを作成するのには適していません。ユーザーはソフトウェアをローカルデバイスにダウンロードする必要があります。ユーザーエクスペリエンスの観点から、1時間のビデオを転写する際に、デバイスがMac M1チップの場合、全体の制作体験には10分以上かかります。クラウド加速のための計算需要があります。私たちは、エンタープライズレベルのGPTプロバイダーを集約してSteam Cloudを構築し、この製品のユーザーに加速サービスを提供しています。テスト環境では、1時間のビデオを50%以上加速でき、全体の生産効率を倍増させることができます。プラットフォームはSteam Cloudサービスで持続可能な価値をもたらします。同時に、開発者が加速サービスを統合する際には、私たちが提供するSDKをバックエンドに追加するだけで済みます。 AIデバイス市場は現在、重要な転換点を突破しつつあります。たとえば、Vision Proがもたらす革命的な体験を例に挙げると、このような中毒性は、視聴フレームレートが480Pから4Kに直接ジャンプするようなものです。一度体験すると、ダウングレードに耐えられなくなります。ユーザーの消費需要は強く、デバイスの基準は静かに「すべてのもののインターネット」から「すべてのもののインテリジェントインターネット」へと飛躍しています。私たちは、現在のすべてのWi-Fiレベルのスマート製品機器が、LLMレベルのスマート製品機器に置き換えられることに直面すると信じています。モール側でサードパーティと協力し、発見、販売、クラウドコンピューティングサービスを提供するのを支援します。ソフトウェアサービスの観点から、小規模なオープンソースのLLMホスティングサービスを構築し、開発者にAPIアクセスを提供してデバイスのインテリジェンスを実現するのを支援します。プラットフォームはLLMトークンの消費から価値を得ます。このアプリケーションシナリオは、Depinデバイスにも適用されます。 # アーキテクチャ
# タイムライン
1. 6月初旬にCrypto Ai市場調査を実施 2. 6月28日にプロジェクトを開始 3. 7月23日にSteam Searchのデプロイメントを完了 4. 7月27日に機能性、互換性、信頼性、セキュリティ、負荷ストレステストを完了 5. 8月4日に公式ウェブサイトと検索の試験運用を完了 6. 8月末にシードラウンドの資金調達を完了 7. 8月中旬にSteamRouterのデプロイメント、テスト、試験運用を完了 8. 9月初旬にAgentStoreのデプロイメント、テスト、試験運用を完了 9. 9月中旬にSteam Searchの再構築とアップグレードを完了 10. 10月から11月にかけてユーザーの成長とエアドロップ活動を完了 11. 12月初旬にトークンが取引所に上場予定 # トークノミクス
総トークン供給量\ ・総供給量: 1,000,000,000 -------------------- ## トークン配分 1. 初回エアドロップ (5%)\ ・目的: AISトークン生成イベント中にシーズンイベントに参加する参加者に配布されるため ...... # メディアキット {% file src="/files/vplQcq8isObb23QruIpw" %} {% file src="/files/ivcpZytiOEKmlh9mKVgd" %} {% file src="/files/ybXXH6ybbxpSQ2yIMYuk" %} {% file src="/files/9jkU3N2H9HY5mCr9QaLA" %} {% file src="/files/Q3RaEbsey4xtPPbsiUSa" %} {% file src="/files/js8Nw0UT6vG51eMb0X5g" %} {% file src="/files/CbLaF1m4yG7CpEm2gxbE" %} {% file src="/files/dSSQWjNOJD3CSf9PZmHa" %} # 研究論文 # Steam Agentを利用したAPIインタラクション: データの商業化を一般消費者に向けて推進する ### 要約 大規模言語モデル（LLMs）の自然言語処理分野における進展に伴い、その能力を利用してソフトウェアインタラクションを簡素化することに対する関心が高まっています。本論文では、自然言語入力を対応するAPI呼び出しに分類し、特定のAPI機能を呼び出すサンプルデータセットを自動生成する新しいシステムを提案します。自然言語コマンドを通じて、私たちのシステムはユーザーが簡単な入力で複雑なAPI機能を呼び出すことを可能にし、インタラクションの効率を向上させ、APIの使用障壁を低下させます。これにより、API消費者は非技術的なグループにシフトし、迅速に消費可能なアクセスの商業化を実現できます。 ### I. はじめに 近年、大規模言語モデル（LLMs）は自然言語処理（NLP）分野で顕著な進展を遂げており\[1, 2, 3]、テキスト生成から金融、医療、芸術、顧客サービスなどの複数の業界における複雑な問題解決に至るまで、さまざまなタスクで優れたパフォーマンスを示しています\[4, 5, 6]。これらの進展は、LLMsがソフトウェアインタラクションを簡素化し最適化する可能性に対する関心を高めています。機械学習や高度な深層学習技術は、ソフトウェアシステムの統合を強化し、さまざまなアプリケーションを最適化するために広く研究されています\[7, 8, 9]。さらなる発展として、LLMsは異なる技術レベルのユーザーにとって、ソフトウェアシステムをより直感的で使いやすくする強力なツールとして研究されています\[10, 11]。 従来、ユーザーはアプリケーションプログラミングインターフェース（API）を通じてソフトウェアと対話しており、これらのインターフェースは異なるソフトウェアアプリケーション間の通信にとって重要です\[12]。しかし、APIとのインタラクションには通常、その構造、パラメータ、および特定の呼び出しについて深い理解が必要であり、これは非技術的なユーザーやAPIの基盤となるロジックに不慣れなユーザーにとって障壁となります\[13]。LLMsをAPI管理ワークフローに統合することで、シンプルで自然な言語入力を通じてAPIと対話する機会が提供され、異なる技術レベルやニーズを持つユーザーに新たな可能性を開きます\[14, 15]。 しかし、LLMsを用いてAPI管理を展開することにはいくつかの課題が伴います。主な課題は、モデルが自然言語入力を正確に解釈し、適切なAPI呼び出しに分類できることを確保することです。APIは多様な構造を持ち、ユーザーの入力は文脈によって異なるため、異なるユースケースにおけるLLMの性能を評価する信頼性の高いシステムを開発することが重要です。これらの課題に対処するために、私たちはLLMsを統合した新しいシステムを提案します。このシステムは二つの主要な機能を備えています。一つは、LLMsを利用して自然言語入力を解釈し分類し、対応するAPI呼び出しに正確にマッピングすることです。もう一つは、特定のAPI機能に対するサンプルデータセットを自動生成するためにLLMを使用することです。これは、さまざまなAPI分類タスクにおけるLLMの性能を体系的に評価するために重要です。従来の方法とは異なり、私たちのフレームワークは拡張可能で再現可能なソリューションを提供し、APIワークフローが高い精度と実際のアプリケーションとの関連性を持って包括的にテストできることを保証します。 私たちは、呼び出し指示を使用して業界内のさまざまなAPI機能に関する広範な実験を行い、GPT-4、GPT-4o-mini、Claude 3.5 Sonnet、GPT-4o (Aug '24)、DeepSeek-V2-Chat、DeepSeek-V2.5、LLaMA-3-8B、Gemini-1.5などの複数の著名なLLMsの分類能力を評価しました。結果は、モデルの性能に顕著な差があることを示しており、準備率の高い順に並べると、Claude 3.5 Sonnet、GPT-4o (Aug '24)、GPT-4o-miniとなります。これらの発見は、API分類におけるLLMsの潜在能力を示し、異なる環境でモデルを慎重に選択する重要性を強調し、私たちのシステムが効率的で実用的なモジュール式API管理ツールとしての有効性を際立たせています。 ### II. 関連研究 #### II-A. LLMsを用いた自然言語インターフェース 過去10年間、機械学習分野の急速な発展に伴い、その応用は複数の分野に拡大し、技術\[16, 17]、医療\[18, 19, 20, 21, 22, 23]、金融\[24]、道路建設\[25]などの業界を根本的に変革しました。これらの進展は、複雑な技術的課題を解決するだけでなく、ユーザー体験を向上させる簡素化されたソリューションを提供しています\[26, 27, 28]。最も変革的なブレークスルーの一つは、自然言語モデルの台頭です。深層学習技術を利用することで、自然言語インターフェースはユーザーがシンプルで直感的なコマンドを通じて複雑なシステムと対話できるようにし\[29, 30, 31, 32, 33]、従来の技術操作のハードルを大幅に下げ、非専門ユーザーにもアクセス可能にしました。 顕著な応用の一つはデータクエリの分野であり、モデルは自然言語のクエリを解析し、SQLなどの構造化されたコマンドに変換することができます。これにより、非技術者は基盤となる文法を理解することなく、データベースから情報を取得できます\[34]。データクエリに加えて、LLMsはDevOpsの自動化にも統合されており、ユーザーはシンプルなコマンドを使用して複雑なワークフローを起動および管理することができます。この統合により、インフラストラクチャの設定、デプロイメント、システム監視などのタスクが簡素化され、従来は複雑であったDevOpsの分野がよりユーザーフレンドリーなインタラクションモデルを提供することで簡素化されました\[35]。 同様に、LLMsの潜在能力はAPIインタラクションにも活用されることが探求されています。既存のモデルであるCodexはコードスニペットを生成することができますが、API呼び出しの検索分野は依然として未発達の状態にあります\[36]。APIの複雑性は、通常、複数のプロトコル、データ形式、およびドメイン特有のパラメータを含むため、独自の課題をもたらします。 ### III. 方法論 — Steam検索のマルチエージェントシステム

API検索フレームワーク

私たちは、OpenAIがSwarm \[37]という実験的フレームワークを発表する前に、マルチエージェントシステムの構築、編成、展開を実現しました。そして、それをプロダクションレベルにまで引き上げました。システムの定義は以下の通りです： #### III-A. API検索システム API検索フレームワークは、ユーザーのクエリを効果的に処理できる自動化パイプラインであり、各クエリが正しく分類され、対応するAPI関数に渡され、結果が効率的にユーザーに返されることを保証します。その構造化されたワークフローは、以下の主要な段階に分けることができます： #### III-A1. ユーザー入力 システムはまず、ユーザーからの自然言語クエリを受け取ります。プロンプトの過程で、ユーザーの入力は事前に定義されたプロンプト指示と組み合わされ、その後LLMに送信されます。これらの指示はAPIの階層構造を定義し、特定の出力フォーマットのルールを確立することで、システムの応答がAPIの構造と機能要件に合致することを保証します。入力の複雑性は、単純な質問からより複雑なコマンドまでさまざまです。LLMsの柔軟性により、システムは広範なユーザー入力を解釈し処理することができ、入力の表現があいまいであっても対応可能です。 #### III-A2. API分類 クエリを受信すると、統合されたLLMはそれを対応するAPI機能にマッピングします。具体的には、LLMはクエリを処理し、事前に定義されたAPIの階層構造に基づいて分類されたラベルを返します。同時に、API機能の入力パラメータに必要な関連キーワードが取得されます。このラベルは、ユーザーのリクエストを満たすために必要なAPIモジュールと具体的な機能を決定します。利用可能なリソース間で効率的に処理を行うために、負荷分散装置が導入され、受信したクエリを分配します。 #### III-A3. API実行 ラベルが返された後、API識別子はサーバーにリクエストを送信してAPI機能のルーティングを取得します。このステップでは、クエリから抽出されたキーワードを動的にAPI機能に必要な入力パラメータにマッピングします。例えば、Coingecko APIの場合、その後API呼び出しを実行してJSON形式のフィードバックデータを取得します。 #### III-A4. 結果の返却 API呼び出しの処理が完了した後、結果はユーザーが読みやすい形式で返されます。このステップにはエラーハンドリングが含まれます。API実行中に無効なパラメータやAPI呼び出しの失敗などの問題が発生した場合、システムはユーザーに関連するフィードバックを提供します。さらに、検索履歴機能により、ユーザーは過去のクエリを確認でき、繰り返しのインタラクションに新たな機能を追加します。 このエンドツーエンドのフレームワークは、APIインタラクション全体のプロセスを自動化し、手動介入を最小限に抑え、ユーザーのクエリが効率的かつ正確に処理されることを保証します。プロンプトの過程でAPIの階層構造を統合することで、システムは拡張が容易であり、必要に応じて新しいAPIカテゴリや機能を追加できるようになっています。 ### IV. データの商業化 大規模言語モデル（LLM）は、APIが返すJSONオブジェクトのパラメータを読み取り、その内容を自然言語で読みやすい形式でユーザーに返すことができます。これにより、技術者主導の制約から一般ユーザーが消費できるビジネスモデルへの転換がもたらされ、主に以下のいくつかの側面で顕著な変革が生じます： ### IV-A. 従来のビジネスモデルの欠点 #### IV-A1. 技術者の主導地位 大規模言語モデル（LLM）がAPIデータ処理に関与する前、APIの使用は主に技術者や開発者に限られていました。一般ユーザーは必要な技術知識を欠いているため、APIと直接対話することができませんでした。この制約は以下のいくつかの欠点を引き起こしました： * **知識の壁：**一般ユーザーは、APIが提供するデータやサービスを効果的に利用するために、一定のプログラミングスキルとAPI使用の知識を持つ必要があります。これにより、多くの潜在的なユーザーが排除され、市場の広範な応用が制限されます。 * **高コスト：**企業はAPIとの統合を開発・維持するために技術者を雇う必要があり、これが運営コストを増加させます。データ提供者にとっては、不安定な顧客基盤が再革新の動機を制限します。 * **応答速度の遅さ：**技術者はAPIリクエストの処理やデータの解析に多くの時間を費やすことが多く、これが情報取得の遅延を引き起こし、意思決定のタイムリーさに影響を与えます。 #### IV-A2. 市場の制限 APIの使用が主に技術者の手に集中しているため、市場の潜在能力は十分に発揮されていません： * **ユーザー層の狭さ：**技術的なバックグラウンドを持つユーザーのみがAPIを効果的に利用できるため、市場の需要が制限されています。多くの業界や分野のユーザーは、APIがもたらす利便性を享受できません。 * **革新の制限：**技術者の主導地位は、ユーザーからのフィードバックやニーズを制限し、APIの開発や改善に多様性や革新性が欠ける原因となります。市場には多くの未満たされたニーズが存在する可能性があります。 ### IV-B. 消費者向けのビジネス変革 #### IV-B1. 普及化と使いやすさ LLMの導入により、APIデータ処理がより直感的で使いやすくなり、一般ユーザーもAPIが提供するデータに簡単にアクセスし利用できるようになりました。この変革は以下の利点をもたらします： * **知識のハードルの低下：**ユーザーは自然言語を通じてシステムと対話でき、プログラミングスキルを必要としません。これにより、より多くの非技術的なユーザーがデータ消費に参加でき、ユーザーベースが拡大します。 * **ユーザー体験の向上：**自然言語処理を通じて、ユーザーは必要な情報をより便利に取得でき、学習コストや使用障壁が減少します。このようなフレンドリーなユーザー体験は、より多くのユーザーが関連サービスを利用することを引き付けるでしょう。 #### IV-B2. 市場の拡大と革新 LLMの関与は、ユーザー体験を向上させるだけでなく、市場の拡大と革新を促進します： * **多様なユーザー層：**APIの使いやすさが向上することで、より多くの業界のユーザーがAPIデータを利用して意思決定や分析を行えるようになります。これにより、市場の多様化が進み、異なるユーザーのニーズを満たすことができます。 * **革新の促進：**ユーザーからのフィードバックやニーズがより容易に収集・分析されることで、APIの継続的な改善と革新が促進されます。企業はユーザーの実際のニーズに基づいて新機能を開発し、市場競争力を高めることができます。 #### IV-B3. リアルタイムの意思決定と効率の向上 LLMの導入により、データ処理がより効率的になり、ユーザーはリアルタイムで情報を取得し、迅速な意思決定を行えるようになります： * **応答速度の向上：**ユーザーは必要なデータを即座に取得でき、待機時間が短縮されます。これは、迅速な意思決定が求められる暗号通貨業界にとって特に重要です。 * **作業効率の向上：**データ処理の自動化により、ユーザーはデータの取得や解析に費やす時間を減らし、分析や意思決定により多くの時間を投入できるようになります。これにより、作業効率が大幅に向上します。 ### V. ビジネスパス データ提供者はAI Steam Labsとの協力を通じて、データを私たちの検索システムに統合し、独立したエージェントを形成する革新的なビジネスモデルを構築できます。このエージェントはAgent Storeに上架され、ユーザーに便利なデータ消費サービスを提供し、ユーザーは自然言語で読みやすいデータを得ることができます。本稿では、このビジネスパスの実現方法とその潜在的な収益化モデルについて探討します。 #### V-A. 協力モデルの概要 AI Steam Labsとデータ提供者の協力は、以下のいくつかのコア要素に基づいています： * **データ統合：**データ提供者のAPIとデータソースをAI Steam Labsの検索システムに統合し、ユーザーが読みやすい消費形式に変換します。ユーザーはこのプラットフォームを通じてデータにアクセスし、消費することができます。 * **独立エージェント：**データ提供者は独立したエージェントとしてAgent Storeで運営され、ユーザーはこれらのエージェントと直接対話し、必要なデータサービスを取得できます。 * **消費ポイントシステム：**ユーザーがプラットフォーム上でデータを消費する際、消費ポイントを使用して支払いを行います。ポイントの消費はデータの使用量（例えば、1Mトークンの消費量）に連動し、透明な消費メカニズムを形成します。 #### V-B. 消費ポイントメカニズム 消費ポイントシステムは、このビジネスモデルの核心となります。具体的な実装方法は以下の通りです： * **ポイントの取得：**ユーザーは安定した通貨を使用して少額の支払いを行うことで消費ポイントを取得できるほか、登録報酬、友人の紹介、イベントへの参加などを通じてもポイントを得ることができます。これにより、ユーザーがプラットフォームの利用に積極的に参加することを促します。 * **ポイントの消費：**ユーザーがデータサービスを利用する際、1Mトークンの消費量に応じて相応のポイントが差し引かれます。例えば、1Mトークンの消費量が10,000ポイントである場合、ユーザーはデータを消費する際に実際の使用量に基づいて相応のポイントが差し引かれます。 * **ポイント管理：**プラットフォームはユーザーがポイントを管理できるインターフェースを提供し、ユーザーはいつでもポイント残高、消費履歴、取得方法を確認できるようにし、ユーザー体験を向上させます。 #### V-C. 収益分配モデル 収益を実現するために、AI Steam Labsとデータ提供者は収益分配モデルを採用します。具体的には以下の通りです： * **分配比率：**AI Steam Labsとデータ提供者の分配比率は3:7であり、AI Steam Labsは収益の30%を獲得し、データ提供者は70%を獲得します。この比率は、データ提供者がデータの提供と維持において重要な役割を果たしていることを反映しています。 * **収益源：**収益は主にユーザーがプラットフォーム上でデータを消費することによって発生するポイント料金から得られます。ユーザー基盤の拡大とデータ消費の増加に伴い、双方の収益は顕著な成長を実現します。 * **透明な決済メカニズム：**プラットフォームは透明な決済メカニズムを確立し、定期的にデータ提供者に収益を清算することで、双方の利益が保障されるようにします。 #### V-D. ユーザーの価値と市場の潜在能力 このビジネスパスは、AI Steam Labsとデータ提供者に新たな収益機会を創出するだけでなく、ユーザーに対しても顕著な価値を提供します： * **便利なデータアクセス：**ユーザーは一つのプラットフォーム上で多様なデータサービスに簡単にアクセスでき、異なるプラットフォーム間の切り替えの手間を減らします。 * **柔軟な消費方法：**消費ポイントを通じて、ユーザーは自身のニーズに応じてデータを柔軟に消費でき、参加感と満足度が向上します。 * **市場の拡大：**データ消費の普及に伴い、AI Steam Labsはより多くのユーザーとデータ提供者を引き付け、さらなる市場シェアの拡大を図ることができます。 #### V-E. 未来の展望 技術の進歩と市場の需要の変化に伴い、AI Steam Labsとデータ提供者の協力モデルは進化し続けます。将来的に考えられる拡張方向は以下の通りです： * **多様なデータサービス：**より多くの種類のデータ提供者を導入し、プラットフォームのデータサービスの種類を豊富にし、異なるユーザーのニーズに応えます。 * **インテリジェントな推薦システム：**AI技術を利用してユーザーの消費行動を分析し、個別化されたデータ推薦を提供することで、ユーザー体験を向上させます。 * **クロスプラットフォームの協力：**他のプラットフォームやサービス提供者と協力し、データ消費のシナリオやアプリケーションを拡大し、より広範なエコシステムを形成します。 ### VI. 結論 AI Steam Labsは、データ消費の便捷化と市場の拡大を実現する革新的なビジネスパスを構築できます。消費ポイントメカニズムと収益分配モデルは、双方に持続可能な収益機会を創出し、同時にユーザーに対してより高い価値と体験を提供します。このビジネスモデルは、現在の市場トレンドに合致しているだけでなく、将来の発展に向けて堅固な基盤を築いています。 ### References \[1] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin.Attention is all you need.In Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS’17, page 6000–6010, Red Hook, NY, USA, 2017. Curran Associates Inc. \[2] Jacob Devlin.Bert: Pre-training of deep bidirectional transformers for language understanding.arXiv preprint arXiv:1810.04805, 2018. \[3] Renrui Zhang, Ziyao Zeng, Ziyu Guo, and Yafeng Li.Can language understand depth?In Proceedings of the 30th ACM International Conference on Multimedia, pages 6868–6874, 2022. \[4] Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, and Gideon Mann.Bloomberggpt: A large language model for finance.arXiv preprint arXiv:2303.17564, 2023. \[5] Qixin Deng, Qikai Yang, Ruibin Yuan, Yipeng Huang, Yi Wang, Xubo Liu, Zeyue Tian, Jiahao Pan, Ge Zhang, Hanfeng Lin, et al.Composerx: Multi-agent symbolic music composition with llms.arXiv preprint arXiv:2404.18081, 2024. \[6] Yixiao Yuan, Yangchen Huang, Yu Ma, Xinjin Li, Zhenglin Li, Yiming Shi, and Huapeng Zhou.Rhyme-aware chinese lyric generator based on gpt.arXiv preprint arXiv:2408.10130, 2024. \[7] Yijie Weng and Jianhao Wu.Big data and machine learning in defence.International Journal of Computer Science and Information Technology, 16(2), 2024. \[8] Yiyi Tao, Yiling Jia, Nan Wang, and Hongning Wang.The fact: Taming latent factor models for explainability with factorization trees.In Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval, pages 295–304, 2019. \[9] Yukun Song.Deep Learning Applications in the Medical Image Recognition.American Journal of Computer Science and Technology, 2(2):22–26, July 2019. \[10] Yuelyu Ji, Zhuochun Li, Rui Meng, Sonish Sivarajkumar, Yanshan Wang, Zeshui Yu, Hui Ji, Yushui Han, Hanyu Zeng, and Daqing He.Rag-rlrc-laysum at biolaysumm: Integrating retrieval-augmented generation and readability control for layman summarization of biomedical texts.arXiv preprint arXiv:2405.13179, 2024. \[11] Tommaso Calò and Luigi De Russis.Leveraging large language models for end-user website generation.In International Symposium on End User Development, pages 52–61. Springer, 2023. \[12] Roy Thomas Fielding.Architectural styles and the design of network-based software architectures.University of California, Irvine, 2000. \[13] Cesare Pautasso, Olaf Zimmermann, and Frank Leymann.Restful web services vs.” big”’web services: making the right architectural decision.In Proceedings of the 17th international conference on World Wide Web, pages 805–814, 2008. \[14] Yaobo Liang, Chenfei Wu, Ting Song, Wenshan Wu, Yan Xia, Yu Liu, Yang Ou, Shuai Lu, Lei Ji, Shaoguang Mao, et al.Taskmatrix. ai: Completing tasks by connecting foundation models with millions of apis.Intelligent Computing, 3:0063, 2024. \[15] Yifan Song, Weimin Xiong, Dawei Zhu, Wenhao Wu, Han Qian, Mingbo Song, Hailiang Huang, Cheng Li, Ke Wang, Rong Yao, et al.Restgpt: Connecting large language models with real-world restful apis.arXiv preprint arXiv:2306.06624, 2023. \[16] Yixin Jin, Wenjing Zhou, Meiqi Wang, Meng Li, Xintao Li, Tianyu Hu, and Xingyuan Bu.Online learning of multiple tasks and their relationships: Testing on spam email data and eeg signals recorded in construction fields.arXiv preprint arXiv:2406.18311, 2024. \[17] Yiyi Tao.Meta learning enabled adversarial defense.In 2023 IEEE International Conference on Sensors, Electronics and Computer Engineering (ICSECE), pages 1326–1330. IEEE, 2023. \[18] Yiru Gong, Qimin Zhang, Huili Zheng, Zheyan Liu, and Shaohan Chen.Graphical Structural Learning of rs-fMRI data in Heavy Smokers.arXiv preprint arXiv:2409.08395, 2024. \[19] Wanyu Bian, Albert Jang, Liping Zhang, Xiaonan Yang, Zachary Stewart, and Fang Liu.Diffusion modeling with domain-conditioned prior guidance for accelerated mri and qmri reconstruction.IEEE Transactions on Medical Imaging, 2024. \[20] Yumeng Yang, Ashley Gilliam, Ethan B Ludmir, and Kirk Roberts.Exploring the generalization of cancer clinical trial eligibility classifiers across diseases.arXiv preprint arXiv:2403.17135, 2024. \[21] Huili Zheng, Qimin Zhang, Yiru Gong, Zheyan Liu, and Shaohan Chen.Identification of prognostic biomarkers for stage iii non-small cell lung carcinoma in female nonsmokers using machine learning.arXiv preprint arXiv:2408.16068, 2024. \[22] Wanyu Bian, Yunmei Chen, and Xiaojing Ye.An optimal control framework for joint-channel parallel mri reconstruction without coil sensitivities.Magnetic Resonance Imaging, 89:1–11, 2022. \[23] Xintao Li and Sibei Liu.Predicting 30-day hospital readmission in medicare patients: Insights from an lstm deep learning model.medRxiv, 2024.doi:10.1101/2024.09.08.24313212. \[24] Siqiao Zhao, Zhikang Dong, Zeyu Cao, and Raphael Douady.Hedge fund portfolio construction using polymodel theory and itransformer.arXiv preprint arXiv:2408.03320, 2024. \[25] Han-Cheng Dan, Peng Yan, Jiawei Tan, Yinchao Zhou, and Bingjie Lu.Multiple distresses detection for asphalt pavement using improved you only look once algorithm based on convolutional neural network.International Journal of Pavement Engineering, 25(1):2308169, 2024. \[26] Yunyi Zhu, Cedric Honnet, Yixiao Kang, Junyi Zhu, Angelina J Zheng, Kyle Heinz, Grace Tang, Luca Musk, Michael Wessely, and Stefanie Mueller.Demonstration of chromocloth: Re-programmable multi-color textures through flexible and portable light source.In Adjunct Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2023. \[27] Yukun Song, Parth Arora, Rajandeep Singh, Srikanth T. Varadharajan, Malcolm Haynes, and Thad Starner.Going Blank Comfortably: Positioning Monocular Head-Worn Displays When They are Inactive.In Proceedings of the 2023 International Symposium on Wearable Computers, pages 114–118, Cancun, Quintana Roo Mexico, October 2023. ACM. \[28] Yixiao Kang, Zhenglin Zhang, Meiqi Zhao, Xuanhui Yang, and Xubo Yang.Tie memories to e-souvenirs: Hybrid tangible ar souvenirs in the museum.In Adjunct Proceedings of the 35th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2022. \[29] Xinhao Zhang, Zaitian Wang, Lu Jiang, Wanfu Gao, Pengfei Wang, and Kunpeng Liu.Tfwt: Tabular feature weighting with transformer.arXiv preprint arXiv:2405.08403, 2024. \[30] Yuelyu Ji, Yuhe Gao, Runxue Bao, Qi Li, Disheng Liu, Yiming Sun, and Ye Ye.Prediction of covid-19 patients’ emergency room revisit using multi-source transfer learning.In 2023 IEEE 11th International Conference on Healthcare Informatics (ICHI), pages 138–144. IEEE, 2023. \[31] Ziyao Zeng, Daniel Wang, Fengyu Yang, Hyoungseob Park, Stefano Soatto, Dong Lao, and Alex Wong.Wordepth: Variational language prior for monocular depth estimation.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 9708–9719, 2024. \[32] Xiaojing Fan and Chunliang Tao.Towards resilient and efficient llms: A comparative study of efficiency, performance, and adversarial robustness.arXiv preprint arXiv:2408.04585, 2024. \[33] Jinghan Zhang, Xiting Wang, Yiqiao Jin, Changyu Chen, Xinhao Zhang, and Kunpeng Liu.Prototypical reward network for data-efficient rlhf.arXiv preprint arXiv:2406.06606, 2024. \[34] Muhammad Shahzaib Baig, Azhar Imran, Aman Ullah Yasin, Abdul Haleem Butt, and Muhammad Imran Khan.Natural language to sql queries: A review\.International Journal of Innovations in Science Technology, 4:147–162, 2022. \[35] Deep Mehta, Kartik Rawool, Subodh Gujar, and Bowen Xu.Automated devops pipeline generation for code repositories using large language models.arXiv preprint arXiv:2312.13225, 2023. \[36] Gabriel Poesia, Oleksandr Polozov, Vu Le, Ashish Tiwari, Gustavo Soares, Christopher Meek, and Sumit Gulwani.Synchromesh: Reliable code generation from pre-trained language models.arXiv preprint arXiv:2201.11227, 2022. \[37] # AI Steam Labs에 오신 것을 환영합니다. 안녕하세요, 선구적인 탐험가님! AI Steam Labs와 그 제품에 대해 더 알아보시게 되어 기쁩니다. 이 가이드는 AI Steam Labs에 대한 이해를 돕고, 우리의 제품에 대한 향후 계획을 설명하기 위해 설계되었습니다. 아래는 모든 공식 링크의 목록입니다. URL이 이와 일치하는지 확인하세요!
플랫폼목적공식 링크
웹사이트AI Steam의 모든 제품을 직접 경험해 보세요.aisteam.net
Discord피드백과 아이디어를 공유하여 커뮤니티 및 저희와 소통하세요.Join Discord
Twitter모든 업데이트를 확인하려면 @AiSteamLabs를 팔로우하세요.@AiSteamLabs
Telegram피드백과 아이디어를 공유하여 커뮤니티 및 저희와 소통하세요.https://t.me/AiSteamLabs
문서사용자와 개발자 모두를 위한 AI Steam 제품에 대한 모든 정보를 읽어보세요.docs.aisteam.net
Getting StartedCreate your first site/pages/CyH2xJQs9yWJ1S8BYNav
BasicsLearn the basics of GitBook/pages/7aUFmnCMx9m4smGncsXL
Publish your docsShare your docs online/pages/JjjojIyKxaiBPzzLwvtg
# AI Steam이란 무엇인가요? #### AI는 생산 효율성을 변화시키고, 암호화폐는 생산 관계를 변화시킵니다. 우리는 이 두 가지를 Solana에서 결합하여 대규모 채택을 추진합니다 — 소비자 수준의 Solana AI 애플리케이션. #### AI Steam은 Solana의 글로벌 결제 기능에 의존하여 사용자, 개발자 및 기본 모델 회사에 서비스를 제공하는 플랫폼 애플리케이션 계층 회사로 자리매김하고 있습니다. #### 핵심 제품 사업 섹션은 다음을 포함합니다: Steam 검색, SteamRouter, 에이전트 스토어. #### 핵심 제품 라인에 속한 관련 사업에는 AI 애플리케이션/하드웨어 판매 몰, Steam Cloud가 포함됩니다. {% file src="/files/GRu3PKNi6qIXe4ixf37p" %} 팟캐스트에서 AI Steam Labs에 대해 알아보세요.\ PS: 현재 생성형 AI가 생산하는 콘텐츠에는 일부 허위 정보가 포함될 수 있으므로 모든 정보를 신중하게 판단하시기 바랍니다. {% endfile %} #### 다음은 팟캐스트의 텍스트 기록입니다. *** **Speaker 1** 00:06 - 00:09\ AI Steam, 특히 Solana 블록체인 기반입니다. **Speaker 2** 00:09 - 00:18\ 그것이 제가 흥미롭게 생각하는 부분입니다. 그들의 전체 접근 방식은 단순한 AI 회사가 아니라, Solana에서 모든 사람을 위한 AI 플랫폼이 되고 싶어 한다는 것입니다. **Speaker 1** 00:18 - 00:26\ 맞습니다. 사용자, 개발자, 누구든지 그들은 전체 Steam 생태계와 일련의 제품을 구축하고 있습니다. 모두 연결되어 있습니다. **Speaker 2** 00:26 - 00:28\ 그들의 방어선을 구축하려고 하고 있다고 할 수 있습니다. **Speaker 1** 00:28 - 00:43\ 실제로 그들의 사업 계획서의 발췌와 몇 가지 매우 멋진 비주얼을 얻었습니다. 그들의 첫 번째 제품인 Steam Search에 대해 자세히 알아보겠습니다. 그들은 ChatGPT와 정면으로 대결하고 있으며, 더 빠르고 저렴하다고 주장하고 있습니다. Solana와 관련된 모든 것에 집중하고 있습니다. 당신은 어떻게 생각합니까? **Speaker 2** 00:43 - 00:53\ 확실히 대담합니다. 그들은 전문화가 핵심이라고 베팅하고 있습니다. Solana 생태계 내에서 고도로 전문화된 지식은 범용 AI보다 더 가치가 있습니다. **Speaker 1** 00:53 - 00:58\ 흥미롭습니다. 반대로 ChatGPT에 블록체인의 역사와 같은 광범위한 질문을 하는 대신. **Speaker 2** 00:58 - 01:08\ Steam Search를 사용하여 유사한 내용을 찾을 수 있습니다. Solana DeFi 분야의 최신 발전 사항은 다음과 같습니다: 1. **생태계 확장**: Solana에서 분산형 금융(DeFi) 프로젝트의 수가 지속적으로 증가하고 있으며, 대출, 거래, 스테이블코인 등 여러 분야를 포괄하고 있습니다. 2. **고성능 및 저비용**: Solana의 높은 처리량과 낮은 거래 수수료는 DeFi 애플리케이션에 이상적인 플랫폼이 되어 많은 사용자와 개발자를 끌어들이고 있습니다. 3. **크로스 체인 통합**: Solana와 다른 블록체인 네트워크 간의 크로스 체인 상호 운용성이 향상되어 자산과 데이터의 크로스 체인 흐름을 촉진하고 있습니다. 4. **혁신적인 프로젝트**: 분산형 거래소(DEX), 유동성 채굴 플랫폼, 합성 자산 발행 플랫폼과 같은 혁신적인 DeFi 프로젝트가 등장하여 DeFi 분야의 추가 발전을 촉진하고 있습니다. 5. **규제 준수**: 글로벌 규제 환경의 변화에 따라 Solana의 DeFi 프로젝트는 프로젝트의 지속 가능성을 보장하기 위해 규제 준수 경로를 적극적으로 탐색하고 있습니다. 6. **커뮤니티 및 거버넌스**: Solana 커뮤니티의 활발한 참여와 거버넌스 메커니즘의 개선은 DeFi 프로젝트의 장기적인 발전을 강력하게 지원합니다. 그들은 Solana에 집중하고 있기 때문에 더 빠르게 더 관련성 높은 결과를 제공할 수 있다고 믿고 있습니다. **Speaker 1** 01:08 - 01:19\ 그들은 가격도 더 저렴하다고 주장합니다. 비교하면, 검색 쿼리는 약 3.80달러이고, ChatGPT는 20달러입니다. 하지만 저렴하다고 해서 이 경우에 반드시 더 좋다는 의미일까요? **Speaker 2** 01:19 - 01:32\ 그것은 백만 달러의 질문입니다. 그들은 Solana 생태계의 정보를 활용하여 벡터 데이터베이스를 구축하고 있습니다. GitHub 리포지토리, 거래 데이터, 무엇이든지, 심지어 Telegram 채팅 기록까지 포함되어 있습니다. 믿을 수 있나요? **Speaker 1** 01:32 - 01:33\ 음, 그들은 정말로 전방위적으로 탐구하고 있습니다. **Speaker 2** 01:33 - 01:37\ 그들은 이러한 타겟팅된 접근 방식이 속도와 관련성의 우위를 제공한다고 생각합니다. **Speaker 1** 01:37 - 01:52\ 이해했습니다. 특정 연구 분야를 위한 전문 검색 엔진을 선택하는 것과 같습니다. 필요한 것을 더 빨리 찾을 가능성이 높습니다. 좋습니다, 흥미로운 접근입니다. 다음은 Steam Router입니다. 솔직히 말해서, 이것은 더 기술적으로 들립니다. **Speaker 2** 01:52 - 01:57\ 네, 약간 뒤에서 작동하는 느낌이 있습니다. Solana의 AI 파이프라인 시스템으로 생각할 수 있습니다. **Speaker 1** 01:57 - 01:58\ 파이프라인 엔지니어링? **Speaker 2** 01:58 - 02:07\ 네, 그것은 미들웨어 서비스로, AI 모델이 블록체인에서 원활하고 효율적으로 작동하도록 보장합니다. 기본적으로 모든 것은 개발자의 마찰을 줄이기 위한 것입니다. **Speaker 1** 02:07 - 02:14\ 좋습니다, 이러한 AI 도구를 구축하는 사람들을 더 쉽게 만들기 위해서입니다. 하지만 이미 비슷한 것이 있지 않나요? OpenRouter, 맞죠? **Speaker 2** 02:14 - 02:24\ 맞습니다, OpenRouter도 비슷한 일을 하고 있습니다. 하지만 AI Steam은 확실히 더 낮은 요금에 도달했습니다. 그들은 Solana 결제 시스템의 독특한 이점을 활용하여 비용을 줄이고 있습니다. **Speaker 1** 02:24 - 02:31\ 자신의 강점을 활용하는 것이 좋습니다. 좋습니다, 이제 에이전트 스토어에 대해 이야기해 보겠습니다. 상황이 정말 흥미로워지기 시작했습니다. **Speaker 2** 02:31 - 02:35\ 이것은 AI 에이전트를 위한 그들의 애플리케이션 스토어입니다. **Speaker 1** 02:35 - 02:41\ 그래서, 만약 당신이 어떤 일을 할 수 있는 AI가 필요하다면, 예를 들어 거래를 자동화하거나 연구를 수행하는 것과 같은. **Speaker 2** 02:41 - 02:43\ 정확히 그렇습니다. 그들은 모든 것에 AI 에이전트를 장착하고 싶어합니다. **Speaker 1** 02:43 - 02:47\ 그런데 많은 AI 에이전트가 있습니다. 그들은 어떻게 그렇게 많은 제품을 생산할 계획인가요? **Speaker 2** 02:47 - 02:59\ 음, 그들은 개발자를 유도하는 영리한 시스템을 채택했습니다. AI 에이전트를 만들고 그것을 NFT로 주조하는 것을 상상해 보세요. 당신은 당신의 에이전트에 접근하기 위해 구독하고, 그 구독을 통해 수익을 얻습니다. **Speaker 1** 02:59 - 03:05\ 오, 흥미롭습니다. 그래서 당신은 단순히 AI 에이전트를 직접 판매하는 것이 아니라, 지속적인 수익 흐름을 구축하고 있는 것입니다. **Speaker 2** 03:05 - 03:10\ 정확히 그렇습니다. 물론, 개발자로서 당신은 NFT의 가치 상승에서도 이익을 얻을 수 있습니다. **Speaker 1** 03:10 - 03:16\ 영리하군요. AI Steam은 이러한 거래에서 수수료를 받을 것 같습니다. 고전적인 플랫폼 비즈니스 모델입니다. **Speaker 2** 03:16 - 03:28\ 맞습니다. 시장을 만들고, 구매자와 판매자를 연결하고, 소액의 수수료를 받습니다. 진정한 도전은 많은 사용자와 다양한 재능의 개발자를 끌어들이는 것입니다. 하지만 그들은 그것을 해낼 수 있습니다. **Speaker 1** 03:28 - 03:30\ 이 에이전트 스토어는 게임 체인저가 될 수 있습니다. **Speaker 2** 03:30 - 03:31\ 그럴 가능성이 있습니다. **Speaker 1** 03:31 - 03:40\ 좋습니다. 그래서 우리는 Steam Search, Steam Router, 그리고 이 에이전트 스토어를 가지고 있습니다. 그들은 여기에서 완전한 생태계를 구축하고 있는 것처럼 들립니다. 단일 제품이 아닙니다. **Speaker 2** 03:40 - 03:45\ 정확히 그렇습니다. 그리고 그들은 더 전통적인 거래 시장을 구축하기 위해 더 나아가고 있습니다. **Speaker 1** 03:45 - 03:46\ 오, 정말요? **Speaker 2** 03:46 - 03:59\ 좋습니다, 계속 말씀해 주세요. 수공예품이나 디지털 아트가 아니라, 모든 것이 알고리즘과 데이터 세트에 관한 시장을 상상해 보세요. 전용 AI 처리 하드웨어까지도 포함됩니다. **Speaker 1** 03:59 - 04:01\ 와, 정말 니치하군요. **Speaker 2** 04:01 - 04:02\ 매우 그렇습니다. **Speaker 1** 04:02 - 04:12\ 그래서, 만약 제가 AI 거래 봇을 개발하는 개발자라면, 필요한 모든 것을 한 곳에서 찾을 수 있을 것입니다. 사전 훈련된 알고리즘, 실행에 필요한 하드웨어, 모든 것들입니다. **Speaker 2** 04:12 - 04:21\ 정확히 그렇습니다. Solana에서 AI의 원스톱 플랫폼입니다. 하지만 기다리세요, 더 많은 것이 있습니다. 그들은 Steam Cloud 저장소도 지원합니다. 이것은 매우 중요합니다. **Speaker 1** 04:21 - 04:26\ 좋습니다. 이제 당신은 제 관심을 끌었습니다. 솔직히 말해 주세요. Steam Cloud는 무엇인가요? **Speaker 2** 04:26 - 04:34\ 하지만 그것은 단순한 저장 공간이 아닙니다. 그들은 그것도 가질 것입니다. 진정한 혁신은 그들의 계산 능력을 통합하는 계획에 있습니다. **Speaker 1** 04:34 - 04:39\ 잠깐만요, 잠깐만요. 이 맥락에서 계산 능력을 집합하는 것이 왜 그렇게 중요한지 설명해 주세요. **Speaker 2** 04:39 - 04:43\ 상상해 보세요, 당신이 훌륭한 레시피를 가지고 있다고요? 모든 재료가 준비되어 있고, 모든 것이 준비되었습니다. **Speaker 1** 04:43 - 04:45\ 좋습니다, 이해했습니다. **Speaker 2** 04:45 - 04:57\ 하지만 오븐이 없습니다. 많은 AI 개발자들이 이러한 상황에 직면하고 있습니다. 그들은 아이디어와 데이터를 가지고 있지만, 복잡한 AI 모델을 훈련하고 실행하는 데 필요한 원시 계산 능력이 부족합니다. **Speaker 1** 04:57 - 05:09\ 아, AI 모델을 훈련하는 것은 계산 비용이 매우 높군요? 그래서 Steam Cloud는 모든 사람에게 오븐을 제공하는 것과 같고, 아마도 모든 사람이 자신의 AI 케이크를 구울 수 있도록 하는 오븐 네트워크일 것입니다. **Speaker 2** 05:09 - 05:22\ 완벽한 비유입니다. 계산 능력을 집합하고 그들의 플랫폼을 통해 접근을 제공함으로써, 그들은 큰 진입 장벽을 제거하고 있습니다. 특히, 스스로 슈퍼컴퓨터를 구축하거나 임대할 수 없는 개발자들에게는 더욱 그렇습니다. **Speaker 1** 05:22 - 05:32\ Solana에서 AI 개발을 대중화하는 것입니다. 저는 그것이 좋습니다. 하지만 그 명백한 질문에 대해 이야기해 봅시다—돈입니다. 이렇게 야심찬 프로젝트를 시작하려면 많은 자금이 필요합니다. 그들은 전체 프로젝트를 어떻게 자금 조달하고 있나요? **Speaker 2** 05:32 - 05:42\ 그들은 자신의 토큰을 출시하고 있습니다. 하지만 이것은 단순히 자금을 모으기 위한 것이 아닙니다. 토큰의 상당 부분은 그들이 "전략적 준비금"이라고 부르는 것에 할당됩니다. **Speaker 1** 05:42 - 05:51\ 전략적 준비금. 알겠습니다. 그렇다면 이 표에서 전략적 준비금은 무엇이며, AI Steam의 장기 전략을 어떻게 반영하고 있나요? **Speaker 2** 05:51 - 05:58\ 그것은 그들이 장기전을 하고 있다는 것을 알려줍니다. 그들은 시장 점유율을 확대하는 데 진지합니다. 이러한 준비금은 그들에게 유연성을 제공합니다. **Speaker 1** 05:58 - 05:59\ 유연성은 무엇에 사용되나요? **Speaker 2** 05:59 - 06:10\ 파트너십이나 미래의 어떤 단계에서 인수할 수 있는 가능성, 또는 불가피한 시장 침체에 대응하기 위해서입니다. 이는 장기적인 안정성과 성장을 위한 전략적 조치입니다. 그들은 미리 준비하고 있습니다. **Speaker 1** 06:10 - 06:19\ 좋습니다. 그들은 장기적인 발전을 고려하고 있습니다. 저는 그것이 좋습니다. 우리는 언제 정말로 이 모든 것을 현실로 볼 수 있을까요? 먼 미래, 내년? **Speaker 2** 06:19 - 06:24\ 그들은 실제로 사업 계획에서 일정표를 설정했습니다. 아, 네. 그리고 그것은 야심차고, 단어로 표현하기 어려운 것입니다. **Speaker 1** 06:24 - 06:25\ 말해 보세요, 저는 듣고 있습니다. **Speaker 2** 06:25 - 06:29\ 그들은 2024년 12월까지 토큰을 출시할 계획입니다. **Speaker 1** 06:29 - 06:33\ 와, 시간이 촉박하군요. 매우 짧은 시간 안에 많은 일을 해야 합니다. **Speaker 2** 06:33 - 06:41\ 물론입니다. 이러한 일정은 일반적으로 이상적입니다. 지연이 발생하는 경우가 많습니다, 특히 블록체인과 AI 분야에서는. 이러한 것들은 시간이 필요합니다. **Speaker 1** 06:41 - 06:57\ 좋습니다. 우리는 이 분야에서도 많은 지연을 경험했죠? 하지만 잠시 낙관적으로 생각해 봅시다. 그들이 정말로 성공했다고 가정해 봅시다. 모든 제품을 출시하고 토큰을 상장합니다. 모든 것이 계획대로 진행된다면, 그때는 어떤 일이 일어날까요? AI Steam과 같은 회사에 성공의 기준은 무엇인가요? **Speaker 2** 06:57 - 07:11\ 그것은 백만 달러의 질문이죠? 그들의 성공은 몇 가지 사항에 달려 있습니다. 가장 먼저, Solana 자체가 성공해야 합니다. 만약 Solana가 주요 플레이어가 되지 못한다면, AI Steam은 어려움에 직면할 것입니다. 그들은 Solana와 운명이 밀접하게 연결되어 있습니다. **Speaker 1** 07:11 - 07:14\ 즉, Solana가 오르면 그들도 오르고, Solana가 내리면 그들도 내린다는 것입니다. **Speaker 2** 07:14 - 07:21\ 정확합니다. 그것은 패키지 거래입니다. 두 번째로, 그들은 플랫폼에 개발자와 사용자를 끌어들여야 합니다. 이것은 양면 시장입니다. **Speaker 1** 07:21 - 07:28\ 고전적인 닭이 먼저냐, 알이 먼저냐의 문제죠? 사용자가 없으면 개발자도 오지 않습니다. 멋진 AI 도우미가 없으면 사용자도 오지 않습니다. **Speaker 2** 07:28 - 07:39\ 정확합니다. 그들은 이 순환을 깨고 모멘텀을 만들어낼 방법을 찾아야 합니다. 아마도 초기 단계에서 몇몇 유명한 개발자를 유치하고 초기 사용자에게 매력적인 인센티브를 제공할 수 있을 것입니다. **Speaker 1** 07:39 - 07:47\ 물론 이웃과의 비교 문제도 있습니다. 그렇죠? AI는 빠르게 발전하고 있으며, 오늘의 최첨단 기술이 내일에는 구식이 됩니다. **Speaker 2** 07:47 - 07:56\ 물론입니다. 이것은 그들이 현재의 약속을 이행하는 것뿐만 아니라 지속적인 혁신에 관한 것입니다. 그들은 빠르게 변화하는 분야에서 앞서 나갈 수 있을까요? **Speaker 1** 07:56 - 08:03\ 그들이 정말로 이 거대한 계획을 실현할 수 있다 하더라도, 장기적인 성공은 보장되지 않습니다. **Speaker 2** 08:03 - 08:10\ 그것이 기술 세계의 현실입니다. 특히 AI와 같은 활기찬 분야에서는. 높은 위험, 높은 보상입니다. **Speaker 1** 08:10 - 08:27\ 높은 위험은 확실합니다. 그러나 그것이 이 문제를 매우 매력적이고 깊이 파고들 가치가 있는 것으로 만드는 것입니다. 그렇죠? 그럼 우리는 어디로 가야 할까요? 우리는 그들의 제품, 전략, 일정 등을 모두 조사했습니다. 판결은 무엇인가요? 사람들은 AI 열풍에 투자할 준비를 해야 할까요? **Speaker 2** 08:27 - 08:33\ 와, 잠깐만요. 우리는 단지 표면을 긁어봤을 뿐입니다. 투자하기 전에 답해야 할 많은 질문이 있습니다. **Speaker 1** 08:33 - 08:38\ 예를 들어 무엇인가요? 청중에게 숙제를 내주세요. 그들은 무엇을 조사해야 할까요? 무엇을 생각해야 할까요? **Speaker 2** 08:38 - 08:48\ 먼저, 팀에 대해 더 알고 싶습니다. 이 AI 열풍의 배후에 있는 사람들은 누구인가요? 그들은 이 일을 수행할 실제 경험이 있나요? 약간의 배경 조사는 해도 나쁘지 않습니다. **Speaker 1** 08:48 - 08:49\ 네, 그건 합리적입니다. **Speaker 2** 08:49 - 09:02\ 그리고 나서 규제 환경을 깊이 연구하고 싶습니다. 암호화 규제는 이동하는 표적입니다. 그리고 AI는 이 분야에서 자체적인 도전에 직면해 있습니다. 그들은 이 모든 것에 어떻게 대처할까요? **Speaker 1** 09:02 - 09:07\ 네, 규제의 교차 화력에 휘말리는 것은 결코 좋은 일이 아닙니다. 좋습니다, 또 무엇이 있나요? 하나 더. **Speaker 2** 09:07 - 09:16\ 재무 데이터입니다. 그들은 얼마나 많은 자금을 모았나요? 그들의 소모율은 얼마인가요? 탄탄한 사업 계획은 훌륭하지만, 지속 가능한 재정 지원은 필수적입니다. **Speaker 1** 09:16 - 09:20\ 정말로, 정말로. 연료가 없으면 로켓을 만들 수 없습니다. **Speaker 2** 09:20 - 09:21\ 정확합니다. **Speaker 1** 09:21 - 09:26\ 좋습니다, 팀, 규제, 재무가 모두 준비되었습니다. 다른 것이 있나요? 아니면 우리는 끝났나요? **Speaker 2** 09:26 - 09:37\ 또 한 가지, 경쟁입니다. AI 분야는 경쟁이 치열합니다. 많은 거대 기업과 야심찬 스타트업이 주도권을 쥐기 위해 경쟁하고 있습니다. AI Steam은 많은 경쟁자들 사이에서 두드러질 수 있음을 증명해야 합니다. **Speaker 1** 09:37 - 09:56\ 밖은 정글과 같습니다. 그러나 모든 경쟁 시장 역학에 대한 논의는 확실히 더 큰 그림을 생각하게 만듭니다. AI가 정말로 이것을 실현한다면, 그것은 큰 사건의 시작이 될까요? 전능한 초대형 AI 플랫폼을 추구하는 것에서의 전환. **Speaker 2** 09:56 - 10:04\ 가능성이 있습니다. 만약 몇 개의 거대 AI 플랫폼이 대체된다면, 우리는 결국 더 작고 더 전문화된 생태계를 형성하게 될까요? **Speaker 1** 10:04 - 10:16\ 각 플랫폼은 서로 다른 블록체인에 기반하여 특정 산업에 서비스를 제공합니다. 예를 들어, 금융용, 의료용, 게임용 등. 각자 고유의 AI 도구와 AI 에이전트를 가지고 있으며, 특정 틈새 시장에 맞게 맞춤화됩니다. **Speaker 2** 10:16 - 10:24\ 정확히 그렇습니다. 이러한 전문화는 엄청난 잠재력을 발휘할 수 있습니다. 우리는 AI의 발전이 더욱 보편화되고 경쟁력이 높아질 것이라고 예측할 수 있습니다. 모든 사람에게 더 유익할 것입니다. **Speaker 1** 10:24 - 10:34\ 좋습니다, 저는 설득당했습니다. AI 열풍은 확실히 주목할 가치가 있습니다. 그러나 그들이 계획의 모든 단계를 완벽하게 실행하더라도, 순조롭게 진행될 보장은 없죠? **Speaker 2** 10:34 - 10:43\ 전혀 그렇지 않습니다. 그들은 Solana 위에 구축하고 있기 때문에, Solana가 어려움에 처하면 그들도 영향을 받을 것입니다. 동시에 개발자와 사용자를 끌어들이는 것도 도전입니다. 두 가지 모두 필수적입니다. **Speaker 1** 10:43 - 10:55\ 이것은 양면 시장입니다. 창작자와 소비자가 필요합니다. 그 외에도 그들은 제공하는 것이 진정으로 독특한 것인지 확인해야 합니다. 산업에서 두드러지는 독특함입니다. **Speaker 2** 10:55 - 11:01\ 잘 말씀하셨습니다. 이것은 고위험 게임입니다. 그러나 그들은 게임의 규칙을 완전히 바꿀 가능성도 있습니다. **Speaker 1** 11:01 - 11:11\ 따라서 AI Steam의 비즈니스 계획, 모든 잠재적 기회와 도전을 깊이 탐구한 후, 청중이 무엇을 얻기를 바라십니까? **Speaker 2** 11:11 - 11:26\ 제가 생각하기에 가장 큰 수확은 우리가 여전히 AI와 블록체인 세계의 초기 단계에 있다는 것입니다. AI Steam이 제안하는 것은 가능성의 빙산의 일각에 불과합니다. 이 두 강력한 기술이 우리가 아직 상상하지 못한 방식으로 융합될 미래에 대한 전망입니다. **Speaker 1** 11:26 - 11:36\ AI Steam이 궁극적으로 성공하든 실패하든, 그들이 탐구하고 있는 아이디어, 즉 분산화의 비전과 전문화된 AI 분야는 주목할 가치가 있습니다. **Speaker 2** 11:36 - 11:38\ 물론입니다. 이야기는 이제 막 시작되었습니다. **Speaker 1** 11:38 - 11:51\ 이 점에서 AI Steam에 대한 심층 탐구는 여기서 마칩니다. 우리는 그들의 야심찬 계획과 잠재적 영향, 그리고 그것이 AI의 미래에 무엇을 의미할 수 있는지에 대해 논의했습니다. 이 활기찬 전문 분야를 함께 탐구하는 여정에 참여해 주셔서 감사합니다. *** # 토큰챗입니다 [**ToKenChat**](https://docs.aisteam.net/kr/www.tokenchat.ai)의 비전은 Solana 생태계에서 지능형 통신 엔진 프로토콜 계층이 되는 것입니다. 사용자는 Solana와 그 생태 프로젝트에 대해 질문을 하고, 단순히 질문을 함으로써 정확한 답변을 얻을 수 있습니다. Solana에서만 가능합니다! ## 사용자에게: 안녕하세요! 저는 AI Steam 연구소에서 개발한 **차세대 AI 대화형 토큰 데이터 검색 엔진**입니다. 대화형 상호작용과 정보 연결의 힘을 결합하여 자연어 처리 기술을 통해 보다 정확하고 개인화된 검색 경험을 제공하는 것을 목표로 하고 있습니다. 다음은 **ToKenChat**에 대한 자세한 소개입니다: ## 핵심 기능 및 특징 1. 대화형 검색: 사용자는 자연어로 질문할 수 있으며, **ToKenChat**는 이를 이해하고 직접 답변할 수 있습니다. 단순히 일련의 링크를 제공하는 것이 아닙니다. **최종적으로, 당신은 토큰 가격, 계약 주소, 차트, 토큰 잠금 해제, 계약 데이터, 경쟁사, 뉴스, 재무 지표 등을 하나의 통합 페이지에서 얻을 수 있습니다.** 이 방법은 정보 획득을 보다 직관적이고 효율적으로 만들어, 오늘날 빠르게 발전하는 산업에서 현명한 결정을 내리는 데 도움을 줍니다. 2. 정보 통합 및 작업 기반 요구 사항: 답변을 제공할 때, **ToKenChat**는 여러 소스에서 정보를 통합합니다. 실시간 작업 기반 요구 사항에 대해서는, AI Steam Labs의 자체 개발한 멀티 에이전트 구성 요소가 스스로 분해하고 쿼리하며, 비교 및 오류 수정을 통해 사용자가 얻는 정보가 정확하고 신뢰할 수 있도록 보장합니다. 3. 다중 라운드 대화 지원: 다중 라운드 대화를 지원하여 사용자가 하나의 쿼리에서 심층적인 논의를 할 수 있도록 하여 상호작용의 유연성을 더욱 향상시킵니다. 4. 다국어 지원: **ToKenChat**는 여러 언어로 쿼리를 처리할 수 있어 다양한 사용자의 요구를 충족시킬 수 있습니다. ## 기술적 장점 **ToKenChat**은 대형 언어 모델(GPT 및 Claude 등)과 자체 개발한 에이전트를 활용하여 검색 능력을 강화합니다. 그 핵심 기술은 검색 강화 생성(Retrieval-Augmented Generation)으로, 실시간으로 인터넷에서 최신 정보를 가져오고 모델 생성 콘텐츠의 환상을 줄일 수 있습니다. 이는 **ToKenChat**이 정보의 정확성과 실시간성 측면에서 상당한 이점을 가지게 합니다. ## 사용자 경험 **ToKenChat**의 인터페이스 디자인은 간단하고 직관적이며, 등록 없이 사용할 수 있어 사용자에게 친숙한 경험을 제공합니다. 향후 제품에는 Solana의 자산 거래 버전(**ToKenChat** **Pro**)도 포함되어 있어 사용자가 보다 고급 검색, 자산 거래를 수행하고 더 개인화된 기능에 접근할 수 있습니다. ## 시장 위치 및 전망 신흥 AI 검색 엔진으로서, **ToKenChat**는 Solana 생태계의 지능형 통신 엔진 프로토콜 계층으로 위치하고 있습니다. 기술 면에서 강력한 역량을 입증했을 뿐만 아니라, 사용자 경험과 시장 피드백 측면에서도 긍정적인 평가를 받았습니다. AI 기술이 계속 발전함에 따라, **ToKenChat**는 미래 검색 시장에서 중요한 위치를 차지하고 Solana가 대규모 채택의 물결을 이루도록 추진할 것으로 기대됩니다.
## Solana 생태계 프로젝트 파트너를 위한: ## 고객 인공지능 AI 검색 및 지원을 통해 고성장 팀을 강화하여 사용자가 필요한 모든 것을 즉시 찾을 수 있도록 도와줍니다. 시나리오별 가이드를 받고 24/7 문제 해결 지원을 즐기세요. ## 콘텐츠 가져오기 기본 제공 커넥터와 스크레이퍼를 사용하여 고객 대상의 모든 콘텐츠를 통합하세요. ## 지원되는 소스 1. 기술 문서 (Docusaurus, ReadMe, GitBook, Mintlify 등) 2. 도움말 센터 및 FAQ 3. 웹사이트 및 블로그 4. GitHub 5. 커뮤니티 토론 (Slack, Discord 및 Discourse) 6. Open API 및 GraphQL 패턴 7. PDF, Markdown, CSV 및 기타 파일 8. YouTube 및 기타 비디오 소스 9. 지식 베이스 (Notion, Confluence, Sharepoint 등) ## 커뮤니티에 참여하세요 Discord 또는 Telegram 커뮤니티에 ✨ask-ai 채널을 만드세요. 우리는 Solana 사용자에게 효율적인 경험을 제공하기 위해 어디서나 통합을 용이하게 할 수 있는 일련의 임베디드 검색 구성 요소를 앞으로 출시할 예정입니다.
# 작동 방식 이 문서는 Steam 검색 답변 엔진이 만들어내는 놀라운 경험에 대한 당신의 호기심을 해소하는 데 도움이 될 것입니다. 이것이 어떻게 작동하는 걸까요? 왜 내가 질문을 하자마자 즉시 답변을 받을 수 있는 걸까요? 1. `Bing, Google과는 달리, 우리는 Ai Steam Labs에서 자체 개발한 다중 Agent 인덱싱 컴포넌트를 통해 신경(신경망 알고리즘) 검색으로 공공 인터넷 정보를 검색합니다. 당신이 질문을 하는 순간, 입력한 질문으로부터 의도를 파악하기 시작하고, 이후 분해, 쿼리, 비교, 오류 수정을 통해 SEO 미끼 소스를 제거하여 가장 신뢰할 수 있는 의미론적 콘텐츠 소스를 찾아 LLM에 전달하여 이해한 후 질문에 대한 답변을 당신에게 출력합니다.` 2. `우리는 사용자 데이터를 기반으로 모델을 미세 조정하거나 답변을 캐싱하여 사용자의 사용 비용을 낮추려 하지 않습니다. 이는 작업 시스템이 항상 최신 상태를 유지하도록 보장합니다.` 3. `창립 팀은 네이티브 암호화폐 및 시각 AI 시스템 등의 조직에서 온 깊은 배경을 보유하고 있습니다.` Steam 검색을 당신의 보조 파트너로 생각할 수 있습니다. Solana 생태계에서 거래를 하든, 전문 프로젝트를 위한 연구를 하든, 일상적인 질문에 대한 답을 찾든, 또는 새로운 영역을 탐험하여 통찰력을 넓히든 상관없이 Steam은 정보를 얻기 위한 권위 있는 출처입니다. 언제나 대기 중이며, 당신이 필요로 하는 정확한 지식을 제공함으로써 귀중한 시간을 절약해 줍니다. # 신뢰할 수 있는 데이터셋 이 데이터셋 목록은 현재 우리의 검색 시스템에 포함된 신뢰할 수 있는 데이터셋과 사용 시나리오에 대한 자세한 개요를 제공하며, 향후 사용자 요구 사항 피드백에 따라 점진적으로 더 많은 사용자 데이터셋을 추가할 예정입니다. ### 암호화 자산 데이터셋: 1. `시가총액 순으로 정렬된 1만 개 이상의 토큰 이름.` 2. `실시간 암호화폐 가격.` 3. `실시간 암호화폐 시가총액.` 4. `실시간 암호화폐 24시간 거래량 (중앙화 거래소+탈중앙화 거래소).` 5. `24시간 가격 변동 %.` ### 주식 자산 데이터셋: 1. **시가총액 순으로 정렬된 3만 개 이상의 상장 기업 주식 코드 데이터.**
2. **회사 정보 데이터**\ `이름, CIK, 시가총액, 총 직원 수, 웹사이트 URL 등의 데이터 포함.`
3. **실시간 주식 가격 데이터.**
4. **손익계산서 데이터** \ `손익계산서는 재무제표로, 특정 기간 동안의 회사의 수익, 비용 및 이익 정보를 제공합니다.`
5. **대차대조표 데이터** \ `대차대조표는 특정 시점에서 회사의 자산, 부채 및 주주 자본을 요약하는 재무제표입니다.`
6. **현금흐름표 데이터** \ `현금흐름표는 특정 기간 동안의 현금 유입과 유출 상황을 나타내며, 세 부분으로 나뉩니다: 영업활동, 투자활동, 그리고 재무활동.`
7. **세분화된 재무 데이터**\ `분기별 재무 데이터는 지정된 주식 코드에 대해 보고된 세부적인 재무 데이터를 제공하며, 이는 다음과 같은 방식으로 세분화된 재무 데이터를 포함합니다:` * `제품 라인` * `사업 부문` * `지리적 지역 등.` `예를 들어, 애플은 다양한 제품 라인(iPhone, Mac, iPad 및 웨어러블 기기 등)에 따라 부문별 재무 상태를 보고합니다.` `애플은 또한 다양한 지리적 지역(예: 미주, 유럽, 중국)에 따라 부문별 재무 데이터를 보고합니다. 세분화된 재무 데이터를 통해 검색 시스템에서 구조화된 형식으로 이러한 데이터를 쉽게 질문하고 검색할 수 있습니다.`
8. **내부 거래 데이터**\ `내부 거래를 통해 상장 기업 내부자(예: CEO, CFO 및 이사)의 주식 매매 정보를 조회할 수 있습니다.` `주식 매매 외에도 내부자의 현재 주식 보유 상황을 확인할 수 있습니다.` `이 데이터는 회사 내부자들의 감정을 이해하는 데 도움이 됩니다. 예를 들어, 다음과 같은 질문을 할 수 있습니다:` * `황런쉰은 엔비디아의 주식을 얼마나 보유하고 있습니까?` * `사티아 나델라가 지난 분기에 마이크로소프트 주식을 얼마나 구매했습니까?` * `지난 1년 동안 팀 쿡이 판매한 애플 주식의 수량은 얼마입니까?`
9. **SEC 제출 문서** \ `10,000개 이상의 상장 기업의 SEC 문서를 제공하며, 검색 시스템에서 주식 코드 및 CIK로 조회할 수 있습니다. 예를 들어, "테슬라의 SEC 문서를 보여주세요"라고 물으면 시스템이 정확한 SEC 문서 주소를 반환합니다.` ### DeFiLlama: 1. **DeFi 총 잠금 가치**\ `Pro 수준의 전문 실시간 데이터 업데이트를 제공하며, DeFiLlama 공식 웹사이트보다 더 높은 새로 고침 속도와 더 정확한 실시간 데이터를 즐길 수 있습니다. 자연어를 사용하여 검색 시스템에서 정보를 얻는 것을 지원합니다. 예를 들어: 현재 DeFi 시장의 총 TVL은 얼마입니까?` # 자주 묻는 질문 (FAQs) ### AI 검색 전쟁에서 SearchGPT, Perplexity, Search Grounding 등의 제품과 비교할 때 어떤 경쟁력이 있습니까? **수직, 수직, 수직!!!** AI Steam Search는 일반 검색 기능을 갖추고 있으면서도 위의 제품들에 비해 암호화폐 산업 자체에 더 집중하고 있습니다. 우리는 데이터 파트너가 제공하는 API 인터페이스를 재정의하고 독립적인 지적 사고를 가진 에이전트 팀으로 구성하여 사용자에게 **실시간 데이터 답변을 제공합니다.** ### 지정 웹사이트 검색 VS API? 최근, 우리는 Perplexity가 향후 지정 웹사이트 검색 기능을 제공할 것이라고 발표한 것을 주목했습니다. 조사 결과, 이 기능은 AI Steam Search에 위협이 되지 않는다는 것을 발견했습니다: 1. 지정 웹사이트 검색 기능은 사용자가 관련 URL을 이미 알고 있어야 한다는 전제가 있습니다. 특정 데이터가 서로 다른 서브페이지에 존재할 경우, 이 기능은 암호화폐 사용자들의 요구를 충족할 수 없습니다.(예: 현재 DeFi 시장의 총 잠금 가치 데이터와 스테이블코인의 총 시가총액 데이터를 주세요.) 2. 현재 사용 가능한 도구 상자에서 어떤 도구를 사용하더라도 이 기능을 구현하는 데 있어, 정적 텍스트와 구조적 정보를 처리하고 해석하기 위해 풍부한 컨텍스트 정보에 의존하고 있습니다. 이러한 접근 방식은 유연성, 유지 관리성 및 규정 준수 측면에서 많은 도전에 직면해 있습니다. 금융 산업의 사용자 의사 결정에서 정확하고 안정적인 데이터 요구가 엄격한 가운데, API가 현재 유일한 실행 가능한 경로입니다.\ **인기 있는 도구의 오류 예시**: 3. 제어된 환경에서 실행되므로, 이는 웹사이트가 이러한 검색을 허용하고 윤리적 AI 사용 지침을 준수할 때만 유효합니다. 요약하자면, 암호화폐 분야와 더 넓은 web2 세계에서 API는 현재의 효율성과 데이터 획득 측면에서 여전히 우위를 점하고 있습니다. 미래의 유일한 잠재적 파괴자는 시각 모델 기반의 능력 진화에 있으며, 우리는 이 발전을 장기적으로 주목하고 추적할 것입니다. # 스팀 라우터 Steam Router는 여러 API 제공업체 간의 요청 라우팅을 최적화하여 높은 가용성과 비용 효율성을 보장하기 위해 설계된 모델 로드 밸런싱 서비스를 제공합니다. 주로 심층적인 API 요구를 가진 개발자나 사용자에게 서비스를 제공합니다. 우리의 생각은 미래에 주요 대형 모델 전쟁에서 몇몇 대기업만이 살아남겠지만, 수직적 시나리오에서 좋은 성능을 발휘하는 모델은 여전히 존재할 것이며, 따라서 미래의 모델에는 각 모델에 대해 수백, 수십 개의 제공업체가 있을 것이고, 개발자와 사용자는 더 편리한 집계 제공업체로 몰려들 것입니다. \ 우리는 오픈 소스 커뮤니티 합의 평가 프레임워크를 사용하여 API 제공업체의 응답 서비스를 측정된 출력 속도(토큰/초), 지연 시간(TTFT), 혼합 가격(USD/백만 토큰)을 기준으로 우선순위를 매깁니다.
Solana의 결제 시스템에 의존하여, AI 애플리케이션 개발자와 심층적인 API 요구를 가진 사용자가 Solana에 도입되어 사용 비용을 줄이고 편의성을 향상시킵니다. Solana의 온체인 스테이블코인 사용 사례를 지원하고 Solana의 대규모 채택 물결을 촉진합니다.
Web3 시장에서 SteamRouter는 미들웨어 서비스 제공업체로서 CEX, 지갑, 거래 소프트웨어 및 기타 Dapps에 백엔드 서비스를 제공할 수 있습니다. 모델의 빠른 상품화와 민주화를 촉진하고 Web3 시장에서 서비스의 경계를 확장하는 데 도움을 줍니다.
# 에이전트 스토어 현재 AI 애플리케이션은 폭발 초기 단계에 있습니다. 인기 있는 애플리케이션과 정보 배포는 다양한 KOL(주요 의견 리더) 간에 순환되고 있으며, 커뮤니티 회원들은 매일 눈이 부십니다. 고품질 애플리케이션은 수익화되기 전에 새로운 핫스팟에 의해 쉽게 가려지며, 사용자는 애플리케이션 간을 자주 전환합니다. 우리는 집계를 통해 사용자와 개발자의 유기적 통합을 달성합니다. 에이전트 스토어는 사용자와 개발자를 한데 모으는 것을 목표로 합니다. 사용자 측면에서는 사용자가 고품질 AI 애플리케이션을 발견하고 편리하게 사용할 수 있는 플랫폼을 제공합니다. 개발자 측면에서는 개발자가 스스로 에이전트를 생성할 수 있는 도구를 제공하여 수익화 문제를 해결할 수 있도록 지원합니다. NFT를 발행함으로써, 우리는 개발자와 플랫폼 간의 유기적인 균형을 달성합니다. 개발자가 플랫폼에서 에이전트를 생성할 때, NFT를 구매해야 합니다. 이 방법은 개발자가 매년 AppStore에 등록하기 위해 개발자 ID 비용을 계속 지불해야 하는 비판받는 정책을 대체할 뿐만 아니라, 개발자의 진입과 퇴출을 플랫폼의 문제로 만듭니다. 시장에서 지속 가능한 로열티 수입을 창출합니다. 에이전트 상호작용 지능형 인터넷은 미래의 주요 개발 트렌드입니다. 플랫폼 내에서 다양한 에이전트를 호출하여 그룹 채팅이 형성됩니다. 사용자는 그룹 채팅에 작업을 보내고, 에이전트는 독립적으로 해당 작업의 응답을 이해하고 완료합니다. 마지막으로, 각 에이전트가 소비한 토큰에 따라 공제가 이루어집니다.
인류의 발전은 길고 복잡한 과정입니다. 초기의 개인 생존에서 그룹 형성으로, 문명의 여명이 점차 나타났습니다. 개인 간의 상호 협력과 교류는 점차 복잡한 사회 구조와 풍부한 문화적 결정체를 형성했습니다. 컴퓨터가 처음 발명되었을 때, 그것들은 인터넷에 연결되어 있지 않았습니다. 이후 네트워크 기술의 발전과 함께 컴퓨터는 거대한 네트워크에 연결되기 시작했고, 인터넷이 탄생했습니다. 인터넷의 등장은 정보의 유통과 공유를 크게 촉진하고, 사람들의 일, 학습 및 생활 방식을 변화시켰으며, 세계화 과정을 촉진하고 생산 효율성을 새로운 문명 시대로 끌어올렸습니다. 오늘날의 지능형 에이전트는 일부 작업에서 인간의 성능에 근접하고 있습니다. 그러나 그들은 서로 "고립된 섬"에 있습니다. 에이전트를 결합하여 서로 소통하고 협력하게 함으로써 지능형 에이전트의 더 큰 힘을 발휘할 수 있습니다. 우리는 "모든 것의 인터넷"에서 "모든 것의 지능형 인터넷"으로 이동할 것입니다. 지능형 에이전트는 더 이상 분산된 협력 아키텍처에 국한되지 않고, 터미널을 넘어 서로 연결하고 자유롭게 소통하며 효율적인 협력을 할 수 있습니다.
# 마켓플레이스와 Steam Cloud
부속 제품 라인으로서, 몰은 플랫폼에 폐쇄 루프 효과를 제공합니다. 예를 들어, memo.ac에서 개발한 비디오 전사 소프트웨어 제품을 들 수 있습니다. 그 개발자들은 현재 시장에서 최상위 제품을 개발했습니다. 개발자들은 고품질 제품을 개발할 수 있는 능력을 가지고 있지만, 제품을 발견하고 판매하는 능력이 부족합니다. Crypto가 구축한 판매 네트워크에 의존하여, 몰은 제3자 판매 플랫폼으로서 기능하며, 이러한 뛰어난 개발자들과 협력하여 사용자 발견, 판매, 제품 사용 교육과 같은 포괄적인 서비스를 제공하고, 판매 측에서 이익을 공유하며, 플랫폼에 가치를 제공합니다. memo.ac을 예로 들면, 그 제품은 에이전트 스토어에서 에이전트를 생성하는 데 적합하지 않습니다. 사용자는 소프트웨어를 로컬 장치에 다운로드해야 합니다. 사용자 경험 측면에서 1시간짜리 비디오를 전사할 때, 장치가 Mac M1 칩인 경우 전체 제작 경험에 10분 이상이 소요됩니다. 클라우드 가속에 대한 컴퓨팅 수요가 있습니다. 우리는 기업 수준의 GPT 제공업체를 집계하여 Steam Cloud를 구축하고 이 제품의 사용자에게 가속 서비스를 제공합니다. 테스트 환경에서 1시간짜리 비디오는 50% 이상 가속될 수 있으며, 전체 제작 효율성을 두 배로 높입니다. 플랫폼은 또한 Steam Cloud 서비스에서 지속 가능한 가치를 포착합니다. 동시에 개발자가 가속 서비스를 통합할 때, 우리가 제공하는 SDK를 백엔드에 추가하기만 하면 됩니다. AI 디바이스 시장은 현재 중요한 전환점을 돌파하고 있습니다. Vision Pro가 가져온 혁신적인 경험을 예로 들면, 이러한 중독성은 시청 프레임 속도가 480P에서 4K로 직접 뛰어오르는 것과 같습니다. 한 번 경험하면 다운그레이드를 견딜 수 없습니다. 사용자 소비 수요는 강력하며, 디바이스 표준은 조용히 모든 것의 인터넷에서 모든 것의 지능형 인터넷으로 도약하고 있습니다. 우리는 현재 모든 Wi-Fi 수준의 스마트 제품 장비가 LLM 수준의 스마트 제품 장비로 대체되는 상황에 직면할 것이라고 믿습니다. 우리는 몰 측에서 제3자와 협력하여 그들이 발견, 판매 및 클라우드 컴퓨팅 서비스를 제공할 수 있도록 돕습니다. 소프트웨어 서비스 측면에서, 우리는 소규모 오픈 소스 LLM 호스팅 서비스를 구축하여 개발자에게 API 액세스를 제공하고 디바이스 인텔리전스를 실현할 수 있도록 지원합니다. 플랫폼은 LLM 토큰 소비에서 가치를 포착합니다. 이 응용 시나리오는 Depin 디바이스에도 적용됩니다. # 아키텍처
# 타임라인
1. 6월 초에 Crypto Ai 시장 조사 실시 2. 6월 28일에 프로젝트 시작 3. 7월 23일에 Steam Search 배포 완료 4. 7월 27일에 기능성, 호환성, 신뢰성, 보안 및 부하 스트레스 테스트 완료 5. 8월 4일에 공식 웹사이트 및 검색 시험 운영 완료 6. 8월 말에 시드 라운드 자금 조달 완료 7. 8월 중순에 SteamRouter 배포, 테스트 및 시험 운영 완료 8. 9월 초에 AgentStore 배포, 테스트 및 시험 운영 완료 9. 9월 중순에 Steam Search 재구축 및 업그레이드 완료 10. 10월부터 11월까지 사용자 성장 및 에어드롭 활동 완료 11. 12월 초에 토큰이 거래소에 상장 예정 # 토크노믹스
## 토크노믹스 총 토큰 공급량\ ・총 공급량: 1,000,000,000 ## 토큰 배분 1. 첫 번째 에어드롭 (5%)\ ・목적: AIS 토큰 생성 이벤트 동안 시즌 이벤트에 참여하는 참가자에게 배포되기 위해 ...... # 미디어 키트 {% file src="/files/vplQcq8isObb23QruIpw" %} {% file src="/files/ivcpZytiOEKmlh9mKVgd" %} {% file src="/files/ybXXH6ybbxpSQ2yIMYuk" %} {% file src="/files/9jkU3N2H9HY5mCr9QaLA" %} {% file src="/files/Q3RaEbsey4xtPPbsiUSa" %} {% file src="/files/js8Nw0UT6vG51eMb0X5g" %} {% file src="/files/CbLaF1m4yG7CpEm2gxbE" %} {% file src="/files/dSSQWjNOJD3CSf9PZmHa" %} # 연구 논문 # Steam Agent를 이용한 API 상호작용: 데이터를 대중이 소비할 수 있는 형태로 상업화하기 ### 요약 대규모 언어 모델(LLMs)의 자연어 처리 분야에서의 발전에 따라, 점점 더 많은 사람들이 이들의 능력을 활용하여 소프트웨어 상호작용을 간소화하는 데 관심을 가지게 되었습니다. 본 논문에서는 자연어 입력을 해당 API 호출로 분류하고 특정 API 기능을 호출하는 샘플 데이터 세트를 자동으로 생성하는 새로운 시스템을 제안합니다. 자연어 명령을 통해, 우리의 시스템은 사용자가 간단한 입력으로 복잡한 API 기능을 호출할 수 있도록 하여 상호작용 효율성을 높이고 API 사용 장벽을 낮춥니다. 이를 통해 API 소비자는 비기술적 집단으로 전환되며, 소비 가능한 접근의 상업화를 신속하게 실현할 수 있습니다. ### I. 서론 최근 몇 년 동안, 대규모 언어 모델(LLMs)은 자연어 처리(NLP) 분야에서显著한 발전을 이루었으며\[1, 2, 3] 텍스트 생성에서 금융, 의료, 예술 및 고객 서비스 등 여러 산업의 복잡한 문제 해결에 이르기까지 다양한 작업에서 뛰어난 성능을 보여주었습니다\[4, 5, 6]。 이러한 발전은 LLMs가 소프트웨어 상호작용을 간소화하고 최적화할 수 있는 잠재력에 대한 탐구를 더욱 촉진했습니다. 기계 학습과 고급 딥러닝 기술은 소프트웨어 시스템의 통합을 강화하고 다양한 응용 프로그램을 최적화하기 위해 광범위하게 연구되었습니다\[7, 8, 9]。 추가 발전으로, LLMs는 다양한 기술 수준의 사용자에게 소프트웨어 시스템을 보다 직관적이고 사용하기 쉽게 만드는 강력한 도구로 연구되고 있습니다\[10, 11]。 전통적으로, 사용자는 응용 프로그램 프로그래밍 인터페이스(API)를 통해 소프트웨어와 상호작용하며, 이러한 인터페이스는 서로 다른 소프트웨어 응용 프로그램 간의 통신에 필수적입니다\[12]。 그러나 API와 상호작용하려면 일반적으로 그 구조, 매개변수 및 특정 호출에 대한 깊은 이해가 필요하며, 이는 비기술 사용자나 API의 기본 논리에 익숙하지 않은 사용자에게 장애물이 됩니다\[13]。 LLMs를 API 관리 워크플로우에 통합함으로써, 간단하고 자연어 입력을 통해 API와 상호작용할 수 있는 기회를 제공하며, 이는 다양한 기술 수준과 요구를 가진 사용자에게 새로운 가능성을 열어줍니다\[14, 15]。 그러나 LLMs를 API 관리에 배포하는 데는 몇 가지 도전 과제가 있으며, 주로 모델이 자연어 입력을 정확하게 해석하고 올바른 API 호출로 분류할 수 있도록 보장하는 데 있습니다. API는 다양한 구조를 가지고 있으며, 사용자 입력은 문맥에 따라 다르기 때문에, 다양한 사용 사례에서 LLM의 성능을 평가할 수 있는 신뢰할 수 있는 시스템을 개발하는 것이 중요합니다. 이러한 도전 과제에 대응하기 위해, 우리는 LLMs를 통합한 새로운 시스템을 제안하며, 두 가지 핵심 기능을 갖추고 있습니다. 첫째, LLMs를 활용하여 자연어 입력을 해석하고 분류하며, 이를 정확하게 해당 API 호출에 매핑합니다. 둘째, LLM을 사용하여 특정 API 기능에 대한 샘플 데이터 세트를 자동으로 생성하는 것입니다. 이는 다양한 API 분류 작업에서 LLM의 성능을 체계적으로 평가하는 데 중요합니다. 전통적인 방법과는 달리, 우리의 프레임워크는 확장 가능하고 재현 가능한 솔루션을 제공하여 API 워크플로우가 높은 정확성과 실제 응용 프로그램과의 관련성을 가지고 포괄적으로 테스트될 수 있도록 보장합니다. 우리는 호출 지시를 사용하여 업계의 다양한 API 기능에 대한 광범위한 실험을 수행하고, GPT-4, GPT-4o-mini, Claude 3.5 Sonnet, GPT-4o (Aug '24), DeepSeek-V2-Chat, DeepSeek-V2.5, LLaMA-3-8B, Gemini-1.5 등 여러 유명 LLM의 분류 능력을 평가했습니다. 결과는 모델 성능에 상당한 차이가 있음을 보여주었으며, 준비율에 따라 높은 순서부터 낮은 순서로 나열하면 Claude 3.5 Sonnet, GPT-4o (Aug '24), GPT-4o-mini입니다. 이러한 발견은 API 분류에서 LLM의 잠재력을 보여주며, 다양한 환경에서 모델을 신중하게 선택하는 것의 중요성을 강조하고, 우리의 시스템이 효율적이고 실용적인 모듈식 API 관리 도구로서의 유효성을 부각시킵니다. ### II. 관련 연구 #### II-A. LLMs를 이용한 자연어 인터페이스 지난 10년 동안, 기계 학습 분야의 급속한 발전에 따라 그 응용은 여러 분야로 확장되어 기술\[16, 17], 의료\[18, 19, 20, 21, 22, 23], 금융\[24], 도로 건설\[25] 등 산업을 근본적으로 변화시켰습니다. 이러한 발전은 복잡한 기술적 문제를 해결할 뿐만 아니라, 간소화된 솔루션을 제공하여 사용자 경험을 향상시켰습니다\[26, 27, 28]。가장 혁신적인 돌파구 중 하나는 자연어 모델의 부상입니다. 딥러닝 기술을 활용함으로써, 자연어 인터페이스는 사용자가 간단하고 직관적인 명령을 통해 복잡한 시스템과 상호작용할 수 있게 하여\[29, 30, 31, 32, 33] 전통적인 기술 조작의 장벽을 크게 낮추고 비전문 사용자에게도 접근 가능하게 만들었습니다. 눈에 띄는 응용 중 하나는 데이터 쿼리 분야로, 모델은 자연어 쿼리를 해석하고 이를 SQL과 같은 구조화된 명령으로 변환할 수 있어 비기술자가 기본 문법을 이해하지 않고도 데이터베이스에서 정보를 검색할 수 있게 합니다\[34]。데이터 쿼리 외에도, LLMs는 DevOps 자동화에 통합되어 사용자가 간단한 명령으로 복잡한 워크플로를 시작하고 관리할 수 있도록 합니다. 이러한 통합은 인프라 구성, 배포 및 시스템 모니터링과 같은 작업을 간소화하며, 보다 친숙한 상호작용 모델을 제공하여 전통적으로 복잡한 DevOps 분야를 단순화합니다\[35]。 마찬가지로, LLMs의 잠재력은 API 상호작용에도 탐색되고 있습니다. 기존 모델인 Codex가 코드 스니펫을 생성할 수 있지만, API 호출 검색 분야는 여전히 미개발 상태에 있습니다\[36]。API의 복잡성은 일반적으로 여러 프로토콜, 데이터 형식 및 도메인 특정 매개변수를 포함하므로 독특한 도전 과제를 제공합니다. ### III. 방법론 — Steam 검색의 다중 에이전트 시스템

API 검색 프레임워크

우리는 OpenAI가 Swarm \[37]라는 실험적 프레임워크를 발표하기 전에 다중 에이전트 시스템의 구축, 조정 및 배포를 이미 실현했습니다. 그리고 이를 프로덕션 수준으로 끌어올렸습니다. 시스템의 정의는 다음과 같습니다: #### III-A. API 검색 시스템 API 검색 프레임워크는 사용자 쿼리를 효과적으로 처리할 수 있는 자동화된 파이프라인으로, 각 쿼리가 올바르게 분류되고 해당 API 함수에 전달되며 결과가 효율적으로 사용자에게 반환되도록 보장합니다. 그 구조화된 작업 흐름은 다음의 주요 단계로 나눌 수 있습니다: #### III-A1. 사용자 입력 시스템은 먼저 사용자로부터 자연어 쿼리를 수신합니다. 프롬프트 과정에서 사용자의 입력은 미리 정의된 프롬프트 지침과 결합되어 LLM에 전달됩니다. 이러한 지침은 API의 계층 구조를 정의하고 특정 출력 형식 규칙을 설정하여 시스템의 응답이 API의 구조와 기능 요구 사항에 부합하도록 보장합니다. 입력의 복잡성은 간단한 질문에서부터 더 복잡한 명령까지 다양할 수 있습니다. LLM의 유연성 덕분에 시스템은 광범위한 사용자 입력을 해석하고 처리할 수 있으며, 입력 표현이 모호하더라도 대응할 수 있습니다. #### III-A2. API 분류 쿼리를 수신하면 통합된 LLM은 이를 해당 API 기능에 매핑합니다. 구체적으로, LLM은 쿼리를 처리하고 미리 정의된 API 계층 구조에 따라 분류된 라벨을 반환합니다. 동시에 API 기능의 입력 매개변수에 필요한 관련 키워드가 검색됩니다. 이 라벨은 사용자 요청을 충족하는 데 필요한 API 모듈과 구체적인 기능을 결정합니다. 사용 가능한 리소스 간의 효율적인 처리를 보장하기 위해 로드 밸런서가 도입되어 수신된 쿼리를 분배합니다. #### III-A3. API 실행 라벨이 반환된 후, API 식별자는 서버에 요청하여 API 기능을 렌더링하는 경로를 가져옵니다. 이 단계에서는 쿼리에서 추출된 키워드를 동적으로 API 기능에 필요한 입력 매개변수에 매핑합니다. 예를 들어, Coingecko API의 경우, 이후 API 호출을 실행하여 JSON 형식의 피드백 데이터를 얻습니다. #### III-A4. 결과 반환 API 호출 처리가 완료된 후, 결과는 사용자에게 읽기 쉬운 형식으로 반환됩니다. 이 단계에는 오류 처리도 포함됩니다. API 실행 중에 문제가 발생한 경우, 예를 들어 무효한 매개변수나 API 호출 실패와 같은 경우, 시스템은 사용자에게 관련 피드백을 제공합니다. 또한, 검색 기록 기능을 통해 사용자는 과거의 쿼리를 확인할 수 있어 반복적인 상호작용에 추가적인 기능을 제공합니다. 이 엔드 투 엔드 프레임워크는 전체 API 상호작용 프로세스를 자동화하여 수동 개입을 최소화하고, 사용자 쿼리가 효율적이고 정확하게 처리되도록 보장합니다. 프롬프트 과정에서 API 계층 구조를 통합하여 시스템이 확장하기 쉬우며, 필요에 따라 새로운 API 카테고리와 기능을 추가할 수 있도록 합니다. ### IV. 데이터 상업화 대규모 언어 모델(LLM)은 API가 반환하는 JSON 객체의 매개변수를 읽고 그 내용을 자연어로 읽기 쉬운 형식으로 사용자에게 반환할 수 있습니다. 이는 기술자 주도의 제한에서 일반 사용자가 소비할 수 있는 비즈니스 모델로의 전환을 가져오며, 주로 다음과 같은 몇 가지 측면에서显著한 변화를 가져옵니다: ### IV-A. 전통적인 비즈니스 모델의 단점 #### IV-A1. 기술자의 주도적 지위 대규모 언어 모델(LLM)이 API 데이터 처리에 참여하기 전, API의 사용은 주로 기술자와 개발자에게 국한되었습니다. 일반 사용자는 필요한 기술 지식이 부족하여 API와 직접 상호작용할 수 없습니다. 이러한 제한은 다음과 같은 몇 가지 단점을 초래합니다: * **지식 장벽:** 일반 사용자는 API가 제공하는 데이터와 서비스를 효과적으로 활용하기 위해 일정 수준의 프로그래밍 기술과 API 사용 지식을 갖추어야 합니다. 이로 인해 많은 잠재적 사용자가 배제되어 시장의 광범위한 응용이 제한됩니다. * **높은 비용:** 기업은 API 통합을 개발하고 유지하기 위해 기술자를 고용해야 하며, 이는 운영 비용을 증가시킵니다. 데이터 제공자에게는 불안정한 고객 기반이 재혁신의 동기를 제한합니다. * **응답 속도 저하:** 기술자는 API 요청을 처리하고 데이터를 분석하는 데 많은 시간을 소모하는 경우가 많습니다. 이로 인해 정보 획득의 지연이 발생하고, 의사 결정의 시의성이 영향을 받습니다. #### IV-A2. 시장의 제한 API의 사용이 주로 기술자의 손에 집중되어 있기 때문에 시장의 잠재력이 충분히 발휘되지 못하고 있습니다: * **사용자층의 좁음:** 기술적 배경을 가진 사용자만이 API를 효과적으로 활용할 수 있어 시장 수요가 제한됩니다. 많은 산업과 분야의 사용자들은 API가 제공하는 편리함을 누릴 수 없습니다. * **혁신의 제한:** 기술자의 주도적 지위는 사용자 피드백과 요구를 제한하여 API의 개발과 개선에 다양성과 혁신성이 결여되게 합니다. 시장에는 많은 충족되지 않은 요구가 존재할 수 있습니다. ### IV-B. 소비자 접근 가능한 비즈니스 혁신 #### IV-B1. 보편화 및 사용 용이성 LLM의 도입은 API 데이터 처리를 더욱 직관적이고 사용하기 쉽게 만들어, 일반 사용자도 API가 제공하는 데이터에 쉽게 접근하고 활용할 수 있게 합니다. 이러한 변화는 다음과 같은 이점을 가져옵니다: * **지식 장벽 낮추기:** 사용자는 자연어를 통해 시스템과 상호작용할 수 있어 프로그래밍 기술이 필요하지 않습니다. 이로 인해 더 많은 비기술적 사용자가 데이터 소비에 참여할 수 있게 되어 사용자 기반이 확대됩니다. * **사용자 경험 향상:** 자연어 처리를 통해 사용자는 필요한 정보를 더 편리하게 얻을 수 있으며, 학습 비용과 사용 장벽이 줄어듭니다. 이러한 친숙한 사용자 경험은 더 많은 사용자가 관련 서비스를 이용하도록 유도할 것입니다. #### IV-B2. 시장 확장 및 혁신 LLM의 참여는 사용자 경험을 향상시킬 뿐만 아니라 시장의 확장과 혁신을 촉진합니다: * **다양한 사용자층:** API의 사용 용이성이 높아짐에 따라, 더 많은 산업의 사용자들이 API 데이터를 활용하여 의사결정 및 분석을 할 수 있게 됩니다. 이는 시장의 다양화를 촉진하고 다양한 사용자 요구를 충족시킬 것입니다. * **혁신 촉진:** 사용자 피드백과 요구가 더 쉽게 수집되고 분석될 수 있어 API의 지속적인 개선과 혁신을 촉진합니다. 기업은 사용자 실제 요구에 따라 새로운 기능을 개발하여 시장 경쟁력을 높일 수 있습니다. #### IV-B3. 실시간 의사결정 및 효율성 향상 LLM의 도입은 데이터 처리를 더욱 효율적으로 만들어 사용자가 실시간으로 정보를 얻고 빠른 의사결정을 할 수 있게 합니다: * **응답 속도 향상:** 사용자는 필요한 데이터를 즉시 얻을 수 있어 대기 시간이 줄어듭니다. 이는 빠른 의사결정이 필요한 암호화폐 산업에서 특히 중요합니다. * **작업 효율성 향상:** 데이터 처리를 자동화함으로써 사용자는 데이터 수집 및 분석에 소요되는 시간을 줄이고, 분석 및 의사결정에 더 많은 시간을 투자할 수 있습니다. 이는 작업 효율성을 크게 향상시킬 것입니다. ### V. 비즈니스 경로 데이터 제공자는 AI Steam Labs와 협력하여 데이터를 우리의 검색 시스템에 통합하고 독립적인 에이전트를 형성하는 혁신적인 비즈니스 모델을 구축할 수 있습니다. 이 에이전트는 Agent Store에 등록되어 사용자에게 편리한 데이터 소비 서비스를 제공하며, 사용자는 자연어로 읽을 수 있는 데이터를 얻게 됩니다. 본 논문에서는 이 비즈니스 경로의 구현 방법과 잠재적인 수익화 모델에 대해 논의합니다. #### V-A. 협력 모델 개요 AI Steam Labs와 데이터 제공자의 협력은 다음의 몇 가지 핵심 요소에 기반합니다: * **데이터 통합:** 데이터 제공자의 API와 데이터 소스를 AI Steam Labs의 검색 시스템에 통합하여 사용자에게 읽기 쉬운 소비 형태로 변환합니다. 사용자는 이 플랫폼을 통해 데이터에 접근하고 소비할 수 있습니다. * **독립 에이전트:** 데이터 제공자는 독립적인 에이전트로서 Agent Store에서 운영되며, 사용자는 이러한 에이전트와 직접 상호작용하여 필요한 데이터 서비스를 얻을 수 있습니다. * **소비 포인트 시스템:** 사용자가 플랫폼에서 데이터를 소비할 때 소비 포인트를 사용하여 결제합니다. 포인트의 소비는 데이터 사용량(예: 1M 토큰의 소비량)과 연동되어 투명한 소비 메커니즘을 형성합니다. #### V-B. 소비 포인트 메커니즘 소비 포인트 시스템은 이 비즈니스 모델의 핵심이 될 것이며, 구체적인 구현 방법은 다음과 같습니다: * **포인트 획득:** 사용자는 안정적인 통화를 통해 소액 결제를 하여 소비 포인트를 획득할 수 있으며, 등록 보상, 친구 추천, 이벤트 참여 등을 통해서도 포인트를 얻을 수 있습니다. 이는 사용자가 플랫폼 사용에 적극적으로 참여하도록 유도합니다. * **포인트 소비:** 사용자가 데이터 서비스를 이용할 때, 1M 토큰의 소비량에 따라 해당 포인트가 차감됩니다. 예를 들어, 1M 토큰의 소비량이 10,000 포인트인 경우, 사용자는 데이터 소비 시 실제 사용량에 따라 해당 포인트가 차감됩니다. * **포인트 관리:** 플랫폼은 사용자에게 포인트 관리 인터페이스를 제공하여 사용자가 언제든지 포인트 잔액, 소비 기록 및 획득 방법을 확인할 수 있도록 하여 사용자 경험을 향상시킵니다. #### V-C. 수익 분배 모델 수익을 실현하기 위해 AI Steam Labs와 데이터 제공자는 수익 분배 모델을 채택합니다. 구체적인 내용은 다음과 같습니다: * **분배 비율:** AI Steam Labs와 데이터 제공자의 분배 비율은 3:7로, AI Steam Labs는 수익의 30%를, 데이터 제공자는 70%를 차지합니다. 이 비율은 데이터 제공자가 데이터 제공 및 유지 관리에서 중요한 역할을 하고 있음을 반영합니다. * **수익 원천:** 수익은 주로 사용자가 플랫폼에서 데이터 소비로 발생하는 포인트 비용에서 발생합니다. 사용자 기반이 확대되고 데이터 소비가 증가함에 따라 양측의 수익은 상당한 성장을 이룰 것입니다. * **투명한 정산 메커니즘:** 플랫폼은 투명한 정산 메커니즘을 구축하여 정기적으로 데이터 제공자에게 수익을 정산함으로써 양측의 이익이 보장되도록 합니다. #### V-D. 사용자 가치 및 시장 잠재력 이 비즈니스 경로는 AI Steam Labs와 데이터 제공자에게 새로운 수익 기회를 창출할 뿐만 아니라 사용자에게도 상당한 가치를 제공합니다: * **편리한 데이터 접근:** 사용자는 하나의 플랫폼에서 다양한 데이터 서비스에 쉽게 접근할 수 있어, 여러 플랫폼 간의 전환에 따른 번거로움을 줄입니다. * **유연한 소비 방식:** 소비 포인트를 통해 사용자는 자신의 필요에 따라 데이터를 유연하게 소비할 수 있어, 참여감과 만족도가 향상됩니다. * **시장 확장:** 데이터 소비의 보편화에 따라 AI Steam Labs는 더 많은 사용자와 데이터 제공자를 유치할 수 있으며, 이를 통해 시장 점유율을 더욱 확대할 수 있습니다. #### V-E. 미래 전망 기술의 지속적인 발전과 시장 수요의 변화에 따라 AI Steam Labs와 데이터 제공자의 협력 모델은 계속해서 진화할 것입니다. 미래에 가능한 확장 방향은 다음과 같습니다: * **다양한 데이터 서비스:** 더 많은 유형의 데이터 제공자를 도입하여 플랫폼의 데이터 서비스 종류를 풍부하게 하고, 다양한 사용자 요구를 충족합니다. * **스마트 추천 시스템:** AI 기술을 활용하여 사용자의 소비 행동을 분석하고 개인화된 데이터 추천을 제공하여 사용자 경험을 향상시킵니다. * **크로스 플랫폼 협력:** 다른 플랫폼 및 서비스 제공자와 협력하여 데이터 소비의 시나리오와 응용을 확장하고, 보다 광범위한 생태계를 형성합니다. ### VI. 결론 AI Steam Labs는 혁신적인 비즈니스 경로를 구축하여 데이터 소비의 편리함과 시장의 확장을 실현할 수 있습니다. 소비 포인트 메커니즘과 수익 분배 모델은 양측에 지속 가능한 수익 기회를 창출하는 동시에 사용자에게 더 높은 가치와 경험을 제공합니다. 이 비즈니스 모델은 현재의 시장 트렌드에 부합할 뿐만 아니라, 미래의 발전을 위한 견고한 기반을 마련합니다. ### References \[1] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin.Attention is all you need.In Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS’17, page 6000–6010, Red Hook, NY, USA, 2017. Curran Associates Inc. \[2] Jacob Devlin.Bert: Pre-training of deep bidirectional transformers for language understanding.arXiv preprint arXiv:1810.04805, 2018. \[3] Renrui Zhang, Ziyao Zeng, Ziyu Guo, and Yafeng Li.Can language understand depth?In Proceedings of the 30th ACM International Conference on Multimedia, pages 6868–6874, 2022. \[4] Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, and Gideon Mann.Bloomberggpt: A large language model for finance.arXiv preprint arXiv:2303.17564, 2023. \[5] Qixin Deng, Qikai Yang, Ruibin Yuan, Yipeng Huang, Yi Wang, Xubo Liu, Zeyue Tian, Jiahao Pan, Ge Zhang, Hanfeng Lin, et al.Composerx: Multi-agent symbolic music composition with llms.arXiv preprint arXiv:2404.18081, 2024. \[6] Yixiao Yuan, Yangchen Huang, Yu Ma, Xinjin Li, Zhenglin Li, Yiming Shi, and Huapeng Zhou.Rhyme-aware chinese lyric generator based on gpt.arXiv preprint arXiv:2408.10130, 2024. \[7] Yijie Weng and Jianhao Wu.Big data and machine learning in defence.International Journal of Computer Science and Information Technology, 16(2), 2024. \[8] Yiyi Tao, Yiling Jia, Nan Wang, and Hongning Wang.The fact: Taming latent factor models for explainability with factorization trees.In Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval, pages 295–304, 2019. \[9] Yukun Song.Deep Learning Applications in the Medical Image Recognition.American Journal of Computer Science and Technology, 2(2):22–26, July 2019. \[10] Yuelyu Ji, Zhuochun Li, Rui Meng, Sonish Sivarajkumar, Yanshan Wang, Zeshui Yu, Hui Ji, Yushui Han, Hanyu Zeng, and Daqing He.Rag-rlrc-laysum at biolaysumm: Integrating retrieval-augmented generation and readability control for layman summarization of biomedical texts.arXiv preprint arXiv:2405.13179, 2024. \[11] Tommaso Calò and Luigi De Russis.Leveraging large language models for end-user website generation.In International Symposium on End User Development, pages 52–61. Springer, 2023. \[12] Roy Thomas Fielding.Architectural styles and the design of network-based software architectures.University of California, Irvine, 2000. \[13] Cesare Pautasso, Olaf Zimmermann, and Frank Leymann.Restful web services vs.” big”’web services: making the right architectural decision.In Proceedings of the 17th international conference on World Wide Web, pages 805–814, 2008. \[14] Yaobo Liang, Chenfei Wu, Ting Song, Wenshan Wu, Yan Xia, Yu Liu, Yang Ou, Shuai Lu, Lei Ji, Shaoguang Mao, et al.Taskmatrix. ai: Completing tasks by connecting foundation models with millions of apis.Intelligent Computing, 3:0063, 2024. \[15] Yifan Song, Weimin Xiong, Dawei Zhu, Wenhao Wu, Han Qian, Mingbo Song, Hailiang Huang, Cheng Li, Ke Wang, Rong Yao, et al.Restgpt: Connecting large language models with real-world restful apis.arXiv preprint arXiv:2306.06624, 2023. \[16] Yixin Jin, Wenjing Zhou, Meiqi Wang, Meng Li, Xintao Li, Tianyu Hu, and Xingyuan Bu.Online learning of multiple tasks and their relationships: Testing on spam email data and eeg signals recorded in construction fields.arXiv preprint arXiv:2406.18311, 2024. \[17] Yiyi Tao.Meta learning enabled adversarial defense.In 2023 IEEE International Conference on Sensors, Electronics and Computer Engineering (ICSECE), pages 1326–1330. IEEE, 2023. \[18] Yiru Gong, Qimin Zhang, Huili Zheng, Zheyan Liu, and Shaohan Chen.Graphical Structural Learning of rs-fMRI data in Heavy Smokers.arXiv preprint arXiv:2409.08395, 2024. \[19] Wanyu Bian, Albert Jang, Liping Zhang, Xiaonan Yang, Zachary Stewart, and Fang Liu.Diffusion modeling with domain-conditioned prior guidance for accelerated mri and qmri reconstruction.IEEE Transactions on Medical Imaging, 2024. \[20] Yumeng Yang, Ashley Gilliam, Ethan B Ludmir, and Kirk Roberts.Exploring the generalization of cancer clinical trial eligibility classifiers across diseases.arXiv preprint arXiv:2403.17135, 2024. \[21] Huili Zheng, Qimin Zhang, Yiru Gong, Zheyan Liu, and Shaohan Chen.Identification of prognostic biomarkers for stage iii non-small cell lung carcinoma in female nonsmokers using machine learning.arXiv preprint arXiv:2408.16068, 2024. \[22] Wanyu Bian, Yunmei Chen, and Xiaojing Ye.An optimal control framework for joint-channel parallel mri reconstruction without coil sensitivities.Magnetic Resonance Imaging, 89:1–11, 2022. \[23] Xintao Li and Sibei Liu.Predicting 30-day hospital readmission in medicare patients: Insights from an lstm deep learning model.medRxiv, 2024.doi:10.1101/2024.09.08.24313212. \[24] Siqiao Zhao, Zhikang Dong, Zeyu Cao, and Raphael Douady.Hedge fund portfolio construction using polymodel theory and itransformer.arXiv preprint arXiv:2408.03320, 2024. \[25] Han-Cheng Dan, Peng Yan, Jiawei Tan, Yinchao Zhou, and Bingjie Lu.Multiple distresses detection for asphalt pavement using improved you only look once algorithm based on convolutional neural network.International Journal of Pavement Engineering, 25(1):2308169, 2024. \[26] Yunyi Zhu, Cedric Honnet, Yixiao Kang, Junyi Zhu, Angelina J Zheng, Kyle Heinz, Grace Tang, Luca Musk, Michael Wessely, and Stefanie Mueller.Demonstration of chromocloth: Re-programmable multi-color textures through flexible and portable light source.In Adjunct Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2023. \[27] Yukun Song, Parth Arora, Rajandeep Singh, Srikanth T. Varadharajan, Malcolm Haynes, and Thad Starner.Going Blank Comfortably: Positioning Monocular Head-Worn Displays When They are Inactive.In Proceedings of the 2023 International Symposium on Wearable Computers, pages 114–118, Cancun, Quintana Roo Mexico, October 2023. ACM. \[28] Yixiao Kang, Zhenglin Zhang, Meiqi Zhao, Xuanhui Yang, and Xubo Yang.Tie memories to e-souvenirs: Hybrid tangible ar souvenirs in the museum.In Adjunct Proceedings of the 35th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2022. \[29] Xinhao Zhang, Zaitian Wang, Lu Jiang, Wanfu Gao, Pengfei Wang, and Kunpeng Liu.Tfwt: Tabular feature weighting with transformer.arXiv preprint arXiv:2405.08403, 2024. \[30] Yuelyu Ji, Yuhe Gao, Runxue Bao, Qi Li, Disheng Liu, Yiming Sun, and Ye Ye.Prediction of covid-19 patients’ emergency room revisit using multi-source transfer learning.In 2023 IEEE 11th International Conference on Healthcare Informatics (ICHI), pages 138–144. IEEE, 2023. \[31] Ziyao Zeng, Daniel Wang, Fengyu Yang, Hyoungseob Park, Stefano Soatto, Dong Lao, and Alex Wong.Wordepth: Variational language prior for monocular depth estimation.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 9708–9719, 2024. \[32] Xiaojing Fan and Chunliang Tao.Towards resilient and efficient llms: A comparative study of efficiency, performance, and adversarial robustness.arXiv preprint arXiv:2408.04585, 2024. \[33] Jinghan Zhang, Xiting Wang, Yiqiao Jin, Changyu Chen, Xinhao Zhang, and Kunpeng Liu.Prototypical reward network for data-efficient rlhf.arXiv preprint arXiv:2406.06606, 2024. \[34] Muhammad Shahzaib Baig, Azhar Imran, Aman Ullah Yasin, Abdul Haleem Butt, and Muhammad Imran Khan.Natural language to sql queries: A review\.International Journal of Innovations in Science Technology, 4:147–162, 2022. \[35] Deep Mehta, Kartik Rawool, Subodh Gujar, and Bowen Xu.Automated devops pipeline generation for code repositories using large language models.arXiv preprint arXiv:2312.13225, 2023. \[36] Gabriel Poesia, Oleksandr Polozov, Vu Le, Ashish Tiwari, Gustavo Soares, Christopher Meek, and Sumit Gulwani.Synchromesh: Reliable code generation from pre-trained language models.arXiv preprint arXiv:2201.11227, 2022. \[37] # 欢迎来到 Ai Steam Labs 你好，先锋探险者！我们很高兴你在这里了解更多关于 Ai Steam Labs 及其产品的信息。这些指南旨在帮助你快速熟悉 Ai Steam Labs，并解释我们未来产品的计划。 以下是我们所有官方链接的列表。请一定要确认网址与这些相符！
平台目的官方网站
官网亲身体验所有 Ai Steam 产品aisteam.net
Discord通过分享反馈和想法，与社区和我们互动Join Discord
Twitter关注 [@AiSteamLabs] 以获取最新动态@AiSteamLabs
Telegram通过分享反馈和想法，与社区和我们互动Join Telegram
文档了解 Ai Steam 产品，适用于用户和开发者docs.aisteam.net
Getting StartedCreate your first site/pages/CyH2xJQs9yWJ1S8BYNav
BasicsLearn the basics of GitBook/pages/7aUFmnCMx9m4smGncsXL
Publish your docsShare your docs online/pages/JjjojIyKxaiBPzzLwvtg
# 什么是 Ai Steam？ #### AI 提升生产效率，加密货币重塑生产关系，我们将两者结合在 Solana 上，推动大规模应用——面向消费者的 Solana AI 应用。 #### Ai steam 将自己定位为平台应用层公司，依托 Solana 的全球支付能力，为普通用户、开发者和底层基础模型公司提供服务。 #### 核心产品业务板块涵盖：Steam 搜索、Steam Router、Agent Store。 #### 核心产品线附属业务包括：Ai 应用/硬件销售商城，Steam Cloud。 {% file src="/files/ODNyE56yxzlwgoFUC5wO" %} 在播客中了解 AI Steam Labs\ PS：当前生成式 AI 生产的内容存在部分幻觉，请谨慎辨别全部信息。 {% endfile %} #### 以下是播客文字记录， 已在文字与字母之间留出空格，以提高可读性： *** **Speaker 1** 00:06 - 00:09\ Ai Steam ，特别是基于 Solana 区块链的。 **Speaker 2** 00:09 - 00:18\ 这就是我觉得有趣的地方。他们的整个方法，他们不仅仅是另一家 AI 公司，哦，不，他们希望成为 Solana 上的 AI 平台。为了每一个人。 **Speaker 1** 00:18 - 00:26\ 没错。用户、开发者，随便什么人，他们在打造整个 Steam 生态系统，一系列产品。所有互联。 **Speaker 2** 00:26 - 00:28\ 试图构建他们的护城河，可以这么说。 **Speaker 1** 00:28 - 00:43\ 我们实际上获得了他们商业计划书的摘录，还有一些非常酷的视觉效果。让我们深入了解他们的第一款产品—— Steam 搜索。他们正与 ChatGPT 正面交锋，声称速度更快、成本更低。专注于所有与 Solana 相关的事务。你怎么看？ **Speaker 2** 00:43 - 00:53\ 毫无疑问，这是大胆的。他们押注于专业化是关键。Solana 生态系统中高度专业化的知识比通用型人工智能更有价值。 **Speaker 1** 00:53 - 00:58\ 有趣。相反，与其向 ChatGPT 询问一个宽泛的问题，比如，区块链的历史。 **Speaker 2** 00:58 - 01:08\ 你可以使用 Steam 搜索来查找类似的内容。Solana DeFi 领域的最新进展包括： 1. **生态系统扩展**：Solana 上的去中心化金融（DeFi）项目数量持续增长，涵盖借贷、交易、稳定币等多个领域。 2. **高性能与低成本**：Solana 的高吞吐量和低交易费用使其成为 DeFi 应用的理想平台，吸引了大量用户和开发者。 3. **跨链集成**：Solana 与其他区块链网络的跨链互操作性增强，促进了资产和数据的跨链流动。 4. **创新项目**：涌现出一批创新 DeFi 项目，如去中心化交易所（DEX）、流动性挖矿平台和合成资产发行平台，推动了 DeFi 领域的进一步发展。 5. **监管合规**：随着全球监管环境的变化，Solana 上的 DeFi 项目也在积极探索合规路径，以确保项目的可持续发展。 6. **社区与治理**：Solana 社区的活跃度和治理机制的完善，为 DeFi 项目的长期发展提供了有力支持。由于他们专注于 Solana，他们相信能够更快地提供更相关的结果。 **Speaker 1** 01:08 - 01:19\ 他们声称，价格也更便宜。相比之下，一个搜索查询大约花费 3.80 美元，而 ChatGPT 则需 20 美元。但便宜就一定意味着在这种情况下更好吗？ **Speaker 2** 01:19 - 01:32\ 那是个价值百万的问题。他们正在利用 Solana 生态系统的信息构建一个向量数据库。GitHub 仓库、交易数据，应有尽有，甚至包括 Telegram 聊天记录。你能相信吗？ **Speaker 1** 01:32 - 01:33\ 嗯，他们确实在全方位地深入探索。 **Speaker 2** 01:33 - 01:37\ 他们认为，这种针对性方法，使他们具备速度和相关性优势。 **Speaker 1** 01:37 - 01:52\ 我明白了。就像为某个特定研究领域选择一个专门的搜索引擎一样。您更有可能快速找到所需内容。好的，有趣的方法。接下来是 Steam 路由器。说实话，这个听起来技术性更强。 **Speaker 2** 01:52 - 01:57\ 是的，这有点幕后操作的感觉。可以将其视为 Solana 上的 AI 管道系统。 **Speaker 1** 01:57 - 01:58\ 管道工程？ **Speaker 2** 01:58 - 02:07\ 是的，它是一个中间件服务，确保 AI 模型在区块链上的顺畅高效运行。基本上，这一切都是为了减少开发者的摩擦。 **Speaker 1** 02:07 - 02:14\ 好的，为了让构建这些 AI 工具的人们更轻松。但不是已经有类似的东西了吗？OpenRouter，对吧？ **Speaker 2** 02:14 - 02:24\ 你说得对，OpenRouter 也做了类似的事情。但 AI Steam 确实达到了较低的费率点。他们正在利用 Solana 支付系统的独特优势来降低成本。 **Speaker 1** 02:24 - 02:31\ 发挥自身优势，我喜欢。好的，现在我们来谈谈代理商店。事情开始变得真正有趣起来了。 **Speaker 2** 02:31 - 02:35\ 这是他们针对 AI 代理推出的应用商店。 **Speaker 1** 02:35 - 02:41\ 所以，如果你需要一个能做某事的 AI，比如说，自动化您的交易或为您进行一些研究。 **Speaker 2** 02:41 - 02:43\ 确实如此。他们希望为所有事情都配备一个 AI 代理。 **Speaker 1** 02:43 - 02:47\ 那有很多 AI 代理。他们打算如何生产这么多产品？ **Speaker 2** 02:47 - 02:59\ 嗯，他们采用了一个巧妙的系统来激励开发者。想象一下，创造一个 AI 代理，然后将其铸造为 NFT。您已订阅以访问您的代理，并通过这些订阅获得收益。 **Speaker 1** 02:59 - 03:05\ 哦，有意思。所以你不仅仅是直接出售 AI 代理，你在建立一个持续的收入流。 **Speaker 2** 03:05 - 03:10\ 确实如此。当然，作为开发者，你也可以从 NFT 的升值中获益。 **Speaker 1** 03:10 - 03:16\ 聪明。我猜 AI Steam 会从这些交易中抽成。经典平台商业模式。 **Speaker 2** 03:16 - 03:28\ 好的。创建一个市场，连接买卖双方并收取少量佣金。真正的挑战在于吸引大量用户和多样化的人才开发者。尽管他们能做到这一点。 **Speaker 1** 03:28 - 03:30\ 这家代理商店可能会改变游戏规则。 **Speaker 2** 03:30 - 03:31\ 有可能，是的。 **Speaker 1** 03:31 - 03:40\ 好的。所以我们有了这个 Steam 搜索、Steam 路由器和这个代理商店。听起来他们正在这里打造一个完整的生态系统。不仅仅是单一产品。 **Speaker 2** 03:40 - 03:45\ 正是如此。并且他们正在进一步发展，打造一个更传统的交易市场。 **Speaker 1** 03:45 - 03:46\ 哦，真的吗？ **Speaker 2** 03:46 - 03:59\ 好的，请继续说。想象一下一个市场，但这里不是手工艺品或数字艺术，一切都关乎算法和数据集。甚至专用的人工智能处理硬件。 **Speaker 1** 03:59 - 04:01\ 哇，这真是小众啊。 **Speaker 2** 04:01 - 04:02\ 非常如此。 **Speaker 1** 04:02 - 04:12\ 所以，如果我是一名正在开发人工智能交易机器人的开发者，我有可能在一个地方找到我需要的一切。预训练算法、运行所需的硬件，所有这些。 **Speaker 2** 04:12 - 04:21\ 确实如此。Solana 上 AI 一站式平台。但别急，还有更多。它们还支持 Steam 云存档，这点非常重要。 **Speaker 1** 04:21 - 04:26\ 好的。现在你成功引起了我的兴趣。直说吧。Steam 云是什么？ **Speaker 2** 04:26 - 04:34\ 但它不仅仅是一个存储空间。他们也会有那个的。真正的变革在于他们整合计算能力的计划。 **Speaker 1** 04:34 - 04:39\ 等等，等等。给我解释一下。在这种背景下，为什么聚合算力如此重要？ **Speaker 2** 04:39 - 04:43\ 想象一下，你有一个绝妙的食谱，对吧？你已经准备好了所有材料，一切就绪。 **Speaker 1** 04:43 - 04:45\ 好的，我明白了。 **Speaker 2** 04:45 - 04:57\ 但你没有烤箱。这种情况，很多 AI 开发者都会遇到。他们拥有创意和数据，但他们缺乏实际训练和运行复杂 AI 模型所需的原始计算能力。 **Speaker 1** 04:57 - 05:09\ 啊，因为训练那些 AI 模型，计算成本非常高，对吧？所以 Steam 云就像是为每个人提供烤箱，或者可能是一整套烤箱网络，让大家都能烘焙自己的 AI 蛋糕。 **Speaker 2** 05:09 - 05:22\ 这是一个完美的比喻。通过聚合计算能力并通过其平台提供访问，他们正在消除一个巨大的入门障碍。特别是对于那些无力自建或租赁超级计算机的开发者。 **Speaker 1** 05:22 - 05:32\ 在 Solana 上普及人工智能开发。我喜欢它。但让我们来谈谈那个显而易见的问题——钱。启动如此雄心勃勃的项目需要大量资金。他们是如何为整个项目提供资金的？ **Speaker 2** 05:32 - 05:42\ 他们正在推出自己的代币。但这不仅仅是为了筹集资金。其中很大一部分代币被分配给了他们所谓的战略储备。 **Speaker 1** 05:42 - 05:51\ 战略储备。好的。所以在这个表格中，战略储备究竟是什么，它们如何反映 AI Steam 的长期战略？ **Speaker 2** 05:51 - 05:58\ 它告诉我他们在打持久战。他们认真致力于扩大市场份额。这些储备为他们提供了灵活性。 **Speaker 1** 05:58 - 05:59\ 灵活性用于什么？ **Speaker 2** 05:59 - 06:10\ 合作关系甚至可能在未来的某个阶段进行收购，或者应对那些不可避免的市场低迷。这是为了长期稳定和增长的战略举措。他们正在未雨绸缪。 **Speaker 1** 06:10 - 06:19\ 好的。所以他们在考虑长远发展。我喜欢那个。我们何时才能真正看到这一切成为现实？遥远的未来，明年。 **Speaker 2** 06:19 - 06:24\ 他们实际上在商业计划中设定了时间表。哦，是的。而且它的野心勃勃，这只是一个词来形容它。 **Speaker 1** 06:24 - 06:25\ 说吧，我听着呢。 **Speaker 2** 06:25 - 06:29\ 他们计划在今年 2024 年 12 月前推出代币。 **Speaker 1** 06:29 - 06:33\ 哇，时间很紧啊。现在要在极短的时间内完成很多事情。 **Speaker 2** 06:33 - 06:41\ 当然可以。你知道这些时间表，它们通常是理想化的。延迟时有发生，尤其是在区块链和人工智能领域。这些事情需要时间。 **Speaker 1** 06:41 - 06:57\ 好的。我们在这个领域也经历过不少延误，不是吗？但让我们乐观一秒钟。假设他们真的做到了。启动所有这些产品，并列出代币。一切按计划进行。那么会发生什么呢？对于 AI Steam 这样的公司来说，成功的标志是什么？ **Speaker 2** 06:57 - 07:11\ 这可是个价值百万的问题，不是吗？他们的成功取决于几件事。首要的是，Solana 本身需要取得成功。如果 Solana 不能成为主要参与者，AI Steam 将面临困境。它们与 Solana 的命运紧密相连。 **Speaker 1** 07:11 - 07:14\ 所以索拉纳涨，他们涨，索拉纳跌。 **Speaker 2** 07:14 - 07:21\ 确实如此。这是一揽子交易。第二件事是，他们需要吸引开发者和用户加入平台。这是一个双边市场。 **Speaker 1** 07:21 - 07:28\ 经典的先有鸡还是先有蛋的问题，对吧？没有用户，开发者也不会来。没有酷炫的 AI 助手，用户不会来。 **Speaker 2** 07:28 - 07:39\ 精确无误。他们需要想办法打破这个循环，让势头起来。或许可以早期吸引一些知名开发者，为早期采用者提供某种诱人的激励。 **Speaker 1** 07:39 - 07:47\ 当然还有与邻居攀比的问题。对吧？人工智能发展迅猛，今日的前沿技术，明日便成旧闻。 **Speaker 2** 07:47 - 07:56\ 当然可以。这不仅仅是兑现他们当前的承诺。关于持续创新。他们能否在一个瞬息万变的领域中保持领先地位？ **Speaker 1** 07:56 - 08:03\ 即便他们真能实现这一宏伟计划，长期成功并无保障。 **Speaker 2** 08:03 - 08:10\ 这就是科技世界的现实。特别是在像人工智能这样充满活力的领域。高风险，高回报。 **Speaker 1** 08:10 - 08:27\ 高风险是肯定的。但正是这一点使得整个问题如此引人入胜，值得深入剖析。对吧？那么，我们该何去何从？我们已经研究了他们的产品、战略、时间线，所有的一切。判决结果是什么？人们是否应该准备投资 AI 热潮？ **Speaker 2** 08:27 - 08:33\ 哇，稍等一下。我们只是触及了皮毛。在考虑投资之前，有很多问题需要回答。 **Speaker 1** 08:33 - 08:38\ 比如什么？给我们的听众布置一些作业。他们应该研究什么？他们应该思考什么？ **Speaker 2** 08:38 - 08:48\ 首先，我想更多地了解团队。这些人工智能热潮背后的人是谁？他们是否有实际经验来完成这件事？一点背景调查无伤大雅。 **Speaker 1** 08:48 - 08:49\ 是啊，有道理。 **Speaker 2** 08:49 - 09:02\ 还有呢？然后我想深入研究监管环境。加密法规，它们是个移动靶。然后你有了人工智能，在这一领域也面临着自身的挑战。他们将如何应对这一切？ **Speaker 1** 09:02 - 09:07\ 是的，陷入监管交叉火力。那从来都不是好事。好的，还有什么？再来一个。 **Speaker 2** 09:07 - 09:16\ 股票财务数据。他们筹集了多少钱？他们的烧钱率是多少？一份扎实的商业计划非常棒。但可持续的财务支持是必不可少的。 **Speaker 1** 09:16 - 09:20\ 真的，真的。没钱买燃料，造不出火箭船。 **Speaker 2** 09:20 - 09:21\ 确实如此。 **Speaker 1** 09:21 - 09:26\ 好的，团队、规章制度和财务都已经齐备。还有其他事吗？还是我们已经谈完了？ **Speaker 2** 09:26 - 09:37\ 还有一件事，比赛。人工智能领域竞争激烈。众多巨头与雄心勃勃的初创企业，竞相争夺主导地位。Ai Steam 需要证明自己能在众多竞争者中脱颖而出。 **Speaker 1** 09:37 - 09:56\ 外面就像个丛林。但你知道，所有这些关于竞争市场动态的讨论，确实让人不禁思考更大的全局。这让你思考了吧，就像如果 AI 真的实现了这一点，这会是某件大事的开端吗？转向不再追求无所不能的超大规模人工智能平台。 **Speaker 2** 09:56 - 10:04\ 有可能。如果取代几家巨型人工智能平台的是，我们最终会形成许多更小、更专业化的生态系统吗？ **Speaker 1** 10:04 - 10:16\ 每个平台都基于不同的区块链，服务于特定的行业，比如一个用于金融，一个用于医疗，一个用于游戏。各自拥有自己的 AI 工具和 AI 代理。全部针对该特定细分市场量身定制。 **Speaker 2** 10:16 - 10:24\ 确实如此。这种专业化可能会释放巨大的潜力。我们可以预见人工智能的发展将变得更加普及和更具竞争力。对每个人更有益，确实如此。 **Speaker 1** 10:24 - 10:34\ 好的，我被说服了。AI 热潮绝对值得关注。但即便他们完美执行了计划中的每一步，没有保证会一帆风顺，对吧？ **Speaker 2** 10:34 - 10:43\ 一点也不。他们在 Solana 上构建，因此如果 Solana 遇到困难，他们也会受到影响。同时，吸引开发者和用户也是一个挑战。它们两者都不可或缺。 **Speaker 1** 10:43 - 10:55\ 这是一个双边市场。你需要创造者和消费者。除此之外，他们需要确保提供的是真正独特的东西。在行业中脱颖而出的独特之处。 **Speaker 2** 10:55 - 11:01\ 说得真好。这是一场高风险的博弈。但它们也有可能彻底改变游戏规则。 **Speaker 1** 11:01 - 11:11\ 所以，在深入探讨了 Ai Steam 的业务计划之后，所有潜在的机会和挑战。你希望听众从中获得的最大收获是什么？ **Speaker 2** 11:11 - 11:26\ 我认为最大的收获是，我们仍处于人工智能和区块链世界的早期阶段。AI 流所提出的，只是可能性的冰山一角。这是对未来的一种展望，届时这两项强大的技术将以我们尚未想象到的方式融合。 **Speaker 1** 11:26 - 11:36\ 无论 Ai Steam 最终成功还是失败，他们正在探索的理念，即去中心化的愿景，专业化的人工智能领域，值得关注。 **Speaker 2** 11:36 - 11:38\ 当然可以。故事才刚刚开始。 **Speaker 1** 11:38 - 11:51\ 就此而言，我们对 Ai Steam 的深入探讨就到此结束了。我们探讨了他们雄心勃勃的计划及其潜在影响，以及它对人工智能未来可能意味着什么。感谢您加入我们的旅程，一起探索这个充满活力的专业领域。 *** # TokenChat [**TokenChat**](/cn/tokenchat) 的愿景是成为 Solana 生态系统中的智能通信引擎协议层。用户可以通过简单提问，查询 Solana 及其生态项目，并获得准确答案。仅在 Solana 上可行！ ## 对于用户： 你好！我是由 AI Steam 实验室开发的**下一代 Ai 对话式 token 数据搜索引擎**，结合了对话交互和信息链接的力量。旨在通过自然语言处理技术提供更准确和个性化的搜索体验。以下是 ToKenChat 的详细介绍： ## 核心功能与特性 1. 对话式搜索：用户可以使用自然语言提问，**TokenChat** 能够理解并直接回答，而不仅仅是提供一系列链接。**最终你将得到 token 价格、合约地址、图表、代币解锁、合约数据、竞争对手、新闻、财务指标等在一个集成页面下**。这种方法使得信息获取更加直观和高效，帮助大家在当今快速发展的行业中做出明智的决策。 2. 信息整合与任务导向需求：在提供答案时，**TokenChat** 将整合来自多个来源的信息。对于实时任务导向需求，AI Steam Labs 自主研发的多 Agent 组件将自行分解和查询，进行对比和纠错，以确保用户获取的信息准确可靠。 3. 多轮对话支持：支持多轮对话，允许用户在一次查询中进行深入讨论，进一步提高交互的灵活性。 4. 跨语言支持：**TokenChat** 能够处理多种语言的查询，以满足不同用户的需求 ## 技术优势 **TokenChat** 利用大型语言模型（如 GPT 和 Claude）及其自研的 Agent 来增强搜索能力。其核心技术是检索增强生成，能够实时从互联网获取最新信息，并减少模型生成内容的幻觉。这使得 **TokenChat** 在信息准确性和实时性方面具有显著优势。 ## 用户体验 **TokenChat** 的界面设计简洁直观，无需注册即可使用，为用户提供友好的体验。其未来产品还包括 Solana 的资产交易版本（**TokenChat Pro**），允许用户进行更高级的搜索、资产交易，并访问更多个性化功能。 ## 市场定位与前景 作为新兴的 AI 搜索引擎，**TokenChat** 定位于 Solana 生态系统的智能通信引擎协议层。它不仅在技术上展现了强大的能力，还在用户体验和市场反馈方面获得了积极评价。随着 AI 技术的不断进步，**TokenChat** 有望在未来搜索市场中占据重要地位，并推动 Solana 实现大规模采用。
## 对于 Solana 生态项目合作伙伴： 客服人工智能利用 AI 搜索和支持赋能高速增长团队，帮助用户即时找到所需一切。获取特定场景的指导，并享受全天候故障排除协助。 导入您的内容将您所有面向客户的内容与我们的开箱即用连接器和抓取器集成。 ## 支持的来源 1. 技术文档（Docusaurus、ReadMe、GitBook、Mintlify 等） 2. 帮助中心与常见问题解答 3. 网站和博客 4. GitHub 5. 社区讨论（Slack、Discord 和 Discourse） 6. 开放 API 与 GraphQL 模式 7. PDF、Markdown、CSV 及其他文件 8. YouTube 及其他视频来源 9. 知识库（Notion、Confluence、Sharepoint 等） ## 加入你的社区 为您的 Discord 或 Telegram 社区创建一个✨ask-ai 频道。未来我们将推出一系列嵌入式搜索组件，方便您在任何地方进行集成，为 Solana 用户打造高效体验。
# 工作原理 此文档可帮助你解答对 Steam 搜索答案引擎产生的惊艳性体验的好奇心，这一切是如何工作的？我为什么在提出问题后可以即时得到问题的答案？ 1. `与 Bing、Google 不同的是，我们通过 Ai Steam Labs 自研的多 Agent 索引组件来进行神经（神经网络算法）检索公共互联网信息，在你提出问题那一刻，其便从你输入问题时开始渲染意图，后通过分解、查询、比对、纠错排除 SEO 诱饵源，找到最可信的语意内容源，将其递送给 LLM 理解后再将问题答案输出给你。` 2. `我们不寻求降低用户使用成本来根据用户使用数据进行模型微调和答案缓存，这确保工作系统终始为你保持最新状态。` 3. `创始团队拥有来自原生加密货币和视觉 Ai 系统等组织的深厚背景。` 您可将 Steam 搜索视为您的辅助伙伴，无论您是在 Solana 生态中进行交易、为专业项目进行研究，寻找日常问题的答案，还是探索新领域以拓宽您的见解，Steam 都是您获取信息的权威来源。随时待命，通过提供您所需的精准知识，为您节省宝贵时间。 # 可信数据集 此数据集列表详细概述了我们当前搜索系统中所包含的可信数据集与使用场景，未来将逐渐根据用户需求反馈，添加更多用户数据集。 ### 加密资产数据集： 1. `按市值排列的 1 万 + 代币名称。` 2. `实时加密货币价格。` 3. `实时加密货币市值。` 4. `实时加密货币 24 小时交易总额（ CEX+DEX )。` 5. `24 小时价格变化 % 。` ### 股票资产数据集： 1. **按市值排列的 3 万 + 上市公司股票代码数据。**
2. **公司信息数据**\ `包括数据如名称、CIK、市值、员工总数、网站 URL 等`
3. **实时股票价格数据。**
4. **损益表数据**\ `损益表是财务报表，提供公司在特定期间的收入、费用和利润信息。`
5. **资产负债表数据**\ `资产负债表是财务报表，用于总结公司在特定时间点的资产、负债和股东权益。`
6. **现金流量表数据**\ `现金流量表指在特定期间内的现金流入和流出情况，分为三个部分：经营活动、投资活动和融资活动。`
7. **分段财务数据**\ `分段财务数据为指定股票代码提供按报告的、细粒度的财务数据，这包括按以下方式细分的财务数据：` * `产品线` * `业务板块` * `地理区域等。` `例如，苹果公司会按其不同产品线（如 iPhone、Mac、iPad 和可穿戴设备）报告分部财务状况。` `苹果还按其不同地理区域（如美洲、欧洲和中国）报告分部财务数据。分段财务数据可让您轻松以结构化格式从搜索系统中提问调取这些数据。`
8. **内部交易数据**\ `内部交易允许您调取上市公司内部人士（如 CEO、CFO 和董事）的股票买卖信息。` `除了股票的买卖，您还可以查看内部人士的当前持股情况。` `这些数据有助于理解公司内部人士的情绪。例如，你可以提问以下问题：` * `黄仁勋持有多少英伟达的股份？` * `萨提亚·纳德拉上个季度购买了多少微软的股票？` * `过去一年，蒂姆·库克卖出了多少苹果公司的股票？`
9. **SEC 备案文件**\ `提供超过 10,000 家上市公司的 SEC 文件，支持在搜索系统中按股票代码及 CIK 查询。例如，你可以提问：给我特斯拉的 SEC 文件，系统会返回你精确的 SEC 文件地址。` ### DeFiLlama: 1. **DeFi Total Value Locked**\ `提供 Pro 级专业版实时数据更新，享受比 DeFiLlama 官网更高的刷新率，更精确的实时数据。支持在搜索系统中使用自然语言获取。例如：当前 defi 市场的总 tvl 是？` # 常见问题解答 ## AI 搜索大战下与 SearchGPT、Perplexity、Search Grounding 等产品相比有什么竞争力？ **垂直、垂直、垂直！！！**Steam 搜索在具备通用型搜索功能下，相较上述产品更加专注于加密行业本身，我们通过将数据合作伙伴提供的 API 接口，重新定义并编排为具备独立智力思考的 Agent 组员，来为用户提供**实时数据**的答案。 ## 指定网址搜索 VS API ？ 近日，我们注意到 Perplexity 已宣称在未来提供指定网址的搜索功能，经过我们调研后发现，此功能并不会对 Steam 搜索产生威胁： 1. 指定网址搜索的功能前提是要求用户已知网址的相关地址，当某些数据存在于不同的子页面下时，此功能并不能满足加密货币用户的需求。(如：给我当前 DeFi 市场总锁定价值数据与稳定币总市值数据） 2. 在当前可用工具箱中无论采用哪种工具实现此功能，它们都依靠丰富的上下文信息来处理和解释网站上不变的文本和结构信息来工作，这种方式在灵活性、可维护性和合规性方面都面临诸多挑战，在金融行业用户决策中，精准和稳定的数据要求苛责下，API 是当前唯一可行路径。\ **一种流行工具的错误示例**： 3. 受控环境中运行，这意味着它只有在网站允许这种检索并遵守道德 AI 使用准则时才有效。 总结，在加密货币领域乃至更广泛的 web2 世界中，API 在当前效率和数据获取上仍更具优势，未来唯一潜在的颠覆者，存在于视觉模型底座的能力进化，对此我们将长期保持关注与追踪。 # Steam Router Steam Router 提供了一种模型负载均衡服务，旨在优化跨多个 API 提供商的请求路由，以确保高可用性和成本效益。它主要服务于有深入 API 需求的开发者或用户。我们的理念是，未来大型模型战争中，只有少数大型公司能够生存，但性能良好的垂直场景模型仍将存在。因此，未来每个模型都将有数百家提供商，而开发者和用户将涌向更便捷的聚合提供商。 我们采用开源社区共识评估框架，根据 API 提供商的测量输出速度（每秒令牌数）、延迟（TTFT）和混合价格（每百万令牌美元）来优先考虑其响应服务
依托 Solana 的支付系统，为有深度 API 需求的 AI 应用开发者和用户引入 Solana，以降低使用成本并提升便利性。推动 Solana 链上稳定币应用场景的发展，并助力 Solana 大规模普及的浪潮。 在 Web3 市场中，SteamRouter 可以作为中间件服务提供商，为 CEX、钱包、交易软件及其他 Dapp 提供后端服务。推动模型快速商品化与民主化，并助力扩展 Web3 市场服务的边界。
# Agent Store 目前，Ai 应用正处于爆发初期。热门应用和信息分布在不同 KOL 之间轮转，社区成员每日眼花缭乱。优质应用在变现前容易被新一轮热点掩盖，用户频繁切换应用。我们通过聚合实现用户与开发者的有机整合。Agent Store 旨在汇聚用户与开发者。在用户端，为用户提供发现和便捷使用高质量 AI 应用的平台；在开发者端，提供开发者自行创建 Agents 的工具，助力开发者解决变现问题。 通过发行 NFT，我们实现了开发者与平台之间的有机平衡。当开发者在平台上创建 Agents 时，他们需要购买 NFT。这种方法不仅取代了备受诟病的开发者每年需为开发者 ID 付费以在 AppStore 上架的政策，还使得开发者的进出成为平台在市场中的可持续版税收入来源。 代理交互式智能互联网是未来的主要发展趋势。群聊通过在平台上调用不同的代理形成。用户向群聊发送任务，代理独立理解并完成相应的任务响应。最后，根据每个代理消耗的代币进行扣款。
人类的发展是一个漫长而复杂的过程。从早期的个体生存到群体的形成，文明的曙光逐渐显现。个体间的相互合作与交流逐渐形成了复杂的社会结构和丰富的文化结晶。当计算机最初被发明时，它们并未连接到互联网。后来，随着网络技术的发展，计算机开始连接到一个庞大的网络，互联网由此诞生。 互联网的出现极大地促进了信息的流通与共享，改变了人们的工作、学习和生活模式，推动了全球化进程，并将生产效率提升至新的文明时代。 当今的智能代理在某些任务上已接近人类表现。但它们彼此之间如同“孤岛”。联合代理进行交流与协作，能够释放智能代理的更大潜力。我们将从万物互联迈向“万物智联”。智能代理不再局限于去中心化的协作架构，而是能够跨越终端相互连接，自由沟通，实现高效协作。
# 市场与 Steam 云
作为附属产品线，商城对平台具有闭环效应。以 memo.ac 开发的语音转录软件产品为例，其开发者已在当前市场上开发出顶级产品。开发者具备开发高质量产品的能力，但缺乏发现和销售产品的能力。依托 Crypto 建立的销售网络，商城可作为第三方销售平台，与这些优秀开发者合作，为他们提供用户发现、销售及产品使用教育等全方位服务，从销售端获取利润分成，并为平台捕捉价值。 以 memo.ac 为例，其产品不适合在 Agent Store 上创建 Agents。用户需要将软件下载到本地设备。在用户体验方面，转录一小时的视频时，若设备为 Mac M1 芯片，整个制作体验耗时 10 分钟以上。存在对云加速的计算需求。我们通过聚合企业级 GPT 供应商构建了 Steam Cloud，为该产品的用户提供加速服务。在测试环境中，一小时的视频可加速 50%以上，使整体生产效率翻倍。促进。平台还在 Steam Cloud 服务中捕获了可持续价值。同时，当开发者集成加速服务时，只需将我们提供的 SDK 添加到后端即可。 人工智能设备市场正突破一个关键节点。以 Vision Pro 带来的革命性体验为例，这种沉浸感如同观看帧率从 480P 跃升至 4K，一旦体验便难以忍受降级。用户消费需求强劲，设备标准正悄然从万物互联迈向智能万物互联。我们相信，当前所有 Wi-Fi 级别的智能产品设备都将被 LLM 级别的智能产品设备所取代。我们与商城第三方合作，协助其提供发现、销售及云计算服务。在软件服务方面，我们构建了小规模的开源 LLM 托管服务，为开发者提供 API 接入，助力其实现设备智能化。平台通过 LLM Token 消费获取价值。此应用场景同样适用于 Depin 设备。 # 架构
# 时间线
1. 六月初加密人工智能市场研究 2. 项目于 6 月 28 日启动 3. 7 月 23 日完成 Steam 搜索部署 4. 完成于 7 月 27 日功能性、兼容性、可靠性、安全性及负载压力测试 5. 官方网站及搜索试运行已于 8 月 4 日完成。 6. 8 月底完成种子轮融资 7. 完成 Steam Router 的部署、测试及八月中旬的试运行 8. 完成了 Agent Store 的部署、测试及试运行，时间在九月初 9. Steam 搜索重构与升级于九月中旬完成 10. 完成用户增长及空投活动，时间从十月到十一月 11. 该代币将于 12 月初在交易所上市 # Token 经济学
## 总代币供应量 ・总供应量：1,000,000,000 ## 代币分配 1. 首次空投（5%） ・目的：在 AIS 代币生成活动期间，向参与赛季活动的参与者分发...... # 媒体工具包 {% file src="/files/vplQcq8isObb23QruIpw" %} {% file src="/files/ivcpZytiOEKmlh9mKVgd" %} {% file src="/files/ybXXH6ybbxpSQ2yIMYuk" %} {% file src="/files/9jkU3N2H9HY5mCr9QaLA" %} {% file src="/files/Q3RaEbsey4xtPPbsiUSa" %} {% file src="/files/js8Nw0UT6vG51eMb0X5g" %} {% file src="/files/CbLaF1m4yG7CpEm2gxbE" %} {% file src="/files/dSSQWjNOJD3CSf9PZmHa" %} # 研究论文 # 利用 Steam Agent 进行 API 交互:将数据商品化推向大众可消费 ### 摘要 随着大型语言模型（LLMs）在自然语言处理领域的进步，越来越多的人开始关注利用其能力简化软件交互。本文中，我们提出了一种新颖的系统，该系统集成了 LLMs，用于将自然语言输入分类为相应的 API 调用，并自动化生成调用特定 API 功能的样本数据集。通过自然语言命令，我们的系统允许用户通过简单的输入调用复杂的 API 功能，从而提高交互效率并降低 API 使用门槛，彻底将 API 消费者推向非技术群体，并可迅速实现可消费访问的商品化。 ### I. 引言 近年来，大型语言模型（LLMs）在自然语言处理（NLP）领域取得了显著进展\[1, 2, 3]，在从文本生成到跨金融、医疗、艺术和客户服务等多个行业的复杂问题解决等任务中表现出色\[4, 5, 6, ]。这些进步也引发了人们对 LLMs 简化并优化软件交互潜力的日益探索。机器学习和先进的深度学习技术已被广泛研究，以增强软件系统的集成并优化各种应用\[7, 8, 9, ]。作为进一步发展，LLMs 现正被研究为强大的工具，使软件系统对不同技术水平的用户更加直观和易用\[10, 11]。 传统上，用户通过应用程序编程接口（API）与软件进行交互，这些接口对于不同软件应用程序之间的通信至关重要\[12]。然而，与 API 交互通常需要对其结构、参数和特定调用有深入的理解，这对非技术用户或不熟悉 API 底层逻辑的用户构成了障碍\[13]。将 LLMs 整合到 API 管理工作流程中，提供了一个通过简单、自然语言输入与 API 交互的机会，这为具有不同技术水平和需求的用户开辟了新的可能性\[14, 15]。 然而，部署 LLMs 进行 API 管理涉及一些挑战，主要在于确保模型能够准确地将自然语言输入解释并分类为正确的 API 调用。鉴于 API 具有多样化的结构，且用户输入因上下文而异，开发一个可靠的系统来评估 LLM 在不同用例中的性能至关重要。为应对这些挑战，我们提出了一种集成 LLMs 的新系统，具备两大核心功能。一是利用 LLMs 来解释和分类自然语言输入，并准确映射到相应的 API 调用。另一部分是使用 LLM 自动生成针对特定 API 功能的样本数据集，这对于系统性地评估 LLM 在各种 API 分类任务中的性能至关重要。与传统方法不同，我们的框架提供了一个可扩展且可复制的解决方案，确保 API 工作流程能够以高准确性和与实际应用的相关性进行全面测试。 我们通过使用调用指令，对业内多种 API 功能进行了广泛的实验，并评估了包括 GPT-4、GPT-4o-mini、Claude 3.5 Sonnet、GPT-4o (Aug '24)、DeepSeek-V2-Chat、DeepSeek-V2.5、LLaMA-3-8B、Gemini-1.5 等在内的多个知名 LLMs 的分类能力。结果显示，模型性能存在显著差异，按准备率从高到低依次排列为：Claude 3.5 Sonnet、GPT-4o (Aug '24)、GPT-4o-mini。这些发现展示了 LLMs 在 API 分类中的潜力，强调了在不同环境下谨慎选择模型的重要性，并突显了我们的系统作为高效且实用的模块化 API 管理工具的有效性。 ### II. 相关工作 #### II-A. LLMs 用于自然语言接口 过去十年间，随着机器学习领域的迅速发展，其应用已扩展至多个领域，彻底改变了技术\[16, 17]、医疗\[18, 19, 20, 21, 22, 23]、金融\[24]和道路建设\[25]等行业。这些进步不仅解决了复杂的技术难题，还提供了简化的解决方案，提升了用户体验\[26, 27, 28]。最具变革性的突破之一是自然语言模型的崛起。通过利用深度学习技术，自然语言界面使用户能够通过简单直观的命令与复杂系统互动\[29, 30, 31, 32, 33]，这大大降低了传统技术操作的门槛，使其对非专业用户也变得触手可及。 一个显著的应用是在数据查询领域，模型能够解析自然语言查询并将其转换为 SQL 等结构化命令，使非技术人员无需理解底层语法即可从数据库中检索信息\[34]。除了数据查询，LLMs 已被整合到 DevOps 自动化中，允许用户使用简单命令启动和管理复杂工作流程。这种整合简化了基础设施配置、部署和系统监控等任务，通过提供更友好的交互模型，简化了传统上复杂的 DevOps 领域\[35]。 同样，LLMs 的潜力正在被探索用于 API 交互。尽管现有的模型如 Codex 能够生成代码片段，但 API 调用检索领域仍处于欠发达状态\[36]。API 的复杂性，通常涉及多种协议、数据格式和领域特定参数，带来了独特的挑战。 ### III. 方法论 — Steam 搜索的多代理系统

API 检索框架

我们早于 Open Ai 发布 Swarm \[37]实验性框架之前已实现多代理系统的构建、编排和部署。并将其推向至生产级，系统定义如下： #### III-A. API 检索系统 API 检索框架是一个自动化管道，能够有效处理用户查询，确保每个查询被正确分类，传递给相应的 API 函数，并将结果高效返回给用户。其结构化的工作流程可分为以下关键阶段： #### **III-A1. 用户输入** 系统首先接收用户输入的自然语言查询。在提示过程中，用户的输入与预定义的提示指令相结合，然后被送入 LLM。这些指令定义了 API 的层次结构，并建立了特定的输出格式规则，确保系统的响应符合 API 的结构和功能要求。输入的复杂性可能从简单问题到更复杂的命令不等。LLMs 的灵活性使得系统能够解释和处理广泛的用户输入，即使输入表述模糊不清。 #### **III-A2. API 分类** 一旦接收到查询，集成的LLM会将其映射到相应的 API 功能。具体而言，LLM处理查询并返回一个标签，该标签根据预定义的 API 层次结构对其进行分类。同时，检索出 API 功能输入参数所需的相关关键词。该标签决定了满足用户请求所需的 API 模块和具体功能。为确保在可用资源间高效处理，应用了负载均衡器来分发传入的查询。 #### **III-A3. API 执行** 标签返回后，API 标识符将请求服务器获取渲染 API 功能的路由。此步骤涉及将查询中提取的关键词动态映射到 API 功能所需的输入参数。例如：Coingecko API ,随后执行 API 调用获取，从而获得 JSON 的反馈数据。 #### **III-A4. 返回结果** API 调用处理完成后，结果以用户可读的方式返回。此步骤包括错误处理。如果在 API 执行过程中出现任何问题，例如无效参数或 API 调用失败，系统会向用户提供相关反馈。此外，搜索历史功能允许用户查看过去的查询，为重复交互增添了一层功能。 这一端到端框架自动化了整个 API 交互过程，最大限度地减少了人工干预，并确保用户查询得到高效且准确的处理。在提示过程中集成 API 层级结构，确保系统易于扩展，能够根据需要添加新的 API 类别和功能。 ### IV. 数据商品化 大型语言模型（LLM）可以读取 API 返回的 JSON 对象参数并将内容以自然语言可读的方式返回给用户，这将带来一系列显著的变革，从技术人员主导的局限性转变为普通用户可消费的商业模式主要体现在以下几个方面： ### IV**-A. 传统商业模式的弊端** #### IV**-A1. 技术人员的主导地位** 在大型语言模型（LLM）未参与 API 数据处理之前，API 的使用主要局限于技术人员和开发者。普通用户往往缺乏必要的技术知识，无法直接与 API 交互。这种局限性导致了以下几个弊端： * **知识壁垒**：普通用户需要具备一定的编程技能和 API 使用知识，才能有效利用 API 提供的数据和服务。这使得许多潜在用户被排除在外，限制了市场的广泛应用。 * **高成本**：企业需要雇佣技术人员来开发和维护与 API 的集成，这增加了运营成本。对于数据提供商来说，不稳定的客户源，限制了他们的再创新动力。 * **响应速度慢**：技术人员在处理 API 请求和解析数据时，往往需要花费大量时间。这导致了信息获取的延迟，影响了决策的及时性。 #### **IV-A2. 市场局限性** 由于 API 的使用主要集中在技术人员手中，市场的潜力未能得到充分挖掘： * **用户群体狭窄**：只有具备技术背景的用户能够有效利用 API，导致市场需求的局限性。许多行业和领域的用户无法享受到 API 带来的便利。 * **创新受限**：技术人员的主导地位限制了用户的反馈和需求，导致 API 的开发和改进缺乏多样性和创新性。市场上可能出现许多未被满足的需求。 ### IV**-B.** C 端可消费的商业变革 #### IV**-B1. 普及化与易用性** LLM 的引入使得 API 数据处理变得更加直观和易用，普通用户也能轻松访问和利用 API 提供的数据。这种变革带来了以下好处： * **降低知识门槛**：用户可以通过自然语言与系统交互，无需具备编程技能。这使得更多非技术用户能够参与到数据消费中，扩大了用户基础。 * **提升用户体验**：通过自然语言处理，用户可以更方便地获取所需信息，减少了学习成本和使用障碍。这种友好的用户体验将吸引更多用户使用相关服务。 #### **IV-B2. 市场扩展与创新** LLM 的参与不仅提升了用户体验，还推动了市场的扩展和创新： * **多样化的用户群体**：随着 API 的易用性提高，更多行业的用户能够利用 API 数据进行决策和分析。这将推动市场的多样化，满足不同用户的需求。 * **促进创新**：用户的反馈和需求将更容易被收集和分析，推动 API 的持续改进和创新。企业可以根据用户的实际需求开发新功能，提升市场竞争力。 #### **IV-B3. 实时决策与效率提升** LLM 的引入使得数据处理更加高效，用户能够实时获取信息，做出快速决策： * **加快响应速度**：用户可以即时获取所需数据，减少了等待时间。这对于需要快速决策的加密货币行业尤为重要。 * **提高工作效率**：通过自动化的数据处理，用户可以将更多时间投入到分析和决策中，而不是花费在数据获取和解析上。这将显著提升工作效率。 ### V. 商业路径 数据提供商通过与 AI Steam Labs 的合作，双方可以构建一个创新的商业模式，将数据整合进我们的搜索系统中，形成一个独立的代理（agent），将其上架到 Agent Store 中，为用户提供便捷的数据消费服务，用户得到自然语言可读的数据，本文将探讨这一商业路径的实现方式及其潜在的商业变现模式。 **V-A. 合作模式概述** AI Steam Labs 与数据提供商的合作将基于以下几个核心要素： * **数据整合**：将数据提供商的 API 和数据源整合进 AI Steam Labs 的搜索系统中，以将其转化为用户可读的消费方式，用户可以通过该平台访问和消费数据。 * **独立代理**：数据提供商将作为独立的 Agent 在 Agent Store 上运行，用户可以直接与这些代理交互，获取所需的数据服务。 * **消费积分系统**：用户在平台上消费数据时，将使用消费积分进行支付。积分的消耗将与数据的使用量（如1M tokens的消耗量）挂钩，形成透明的消费机制。 #### **V-B.** **消费积分机制** 消费积分系统将是这一商业模式的核心，具体实现方式如下： * **积分获取**：用户可以通过稳定币进行小额支付获取消费积分，也可通过注册奖励、推荐好友、参与活动等。这将激励用户积极参与平台的使用。 * **积分消耗**：用户在使用数据服务时，按照 1M tokens 的消耗量扣除相应的积分。例如，若 1M tokens 的消耗量为 10000 积分，用户在消费数据时将根据实际使用量扣除相应的积分。 * **积分管理**：平台将提供用户积分的管理界面，用户可以随时查看积分余额、消费记录和获取方式，提升用户体验。 **V-C. 收益分成模式** 为了实现营收，AI Steam Labs 与数据提供商将采用收益分成的模式，具体如下： * **分成比例**：AI Steam Labs 与数据提供商的分成比例为3:7，即 AI Steam Labs 获得 30% 的收入，而数据提供商获得 70% 的收入。这一比例反映了数据提供商在数据提供和维护中的重要性。 * **收入来源**：收入将主要来自用户在平台上消费数据所产生的积分费用。随着用户基数的扩大和数据消费的增加，双方的收入将实现可观的增长。 * **透明的结算机制**：平台将建立透明的结算机制，定期向数据提供商结算收入，确保双方的利益得到保障。 **V-D. 用户价值与市场潜力** 这一商业路径不仅为 AI Steam Labs 和数据提供商创造了新的营收机会，也为用户提供了显著的价值： * **便捷的数据访问**：用户可以在一个平台上轻松访问多种数据服务，减少了在不同平台之间切换的麻烦。 * **灵活的消费方式**：通过消费积分，用户可以根据自身需求灵活消费数据，提升了用户的参与感和满意度。 * **市场扩展**：随着数据消费的普及，AI Steam Labs 可以吸引更多用户和数据提供商，进一步扩大市场份额。 **V-E. 未来展望** 随着技术的不断进步和市场需求的变化，AI Steam Labs 与数据提供商的合作模式将不断演进。未来可能的扩展方向包括： * **多样化的数据服务**：引入更多类型的数据提供商，丰富平台的数据服务种类，满足不同用户的需求。 * **智能推荐系统**：利用 AI 技术分析用户的消费行为，提供个性化的数据推荐，提升用户体验。 * **跨平台合作**：与其他平台和服务提供商合作，拓展数据消费的场景和应用，形成更广泛的生态系统。 ### VI. 结论 AI Steam Labs 可以构建一个创新的商业路径，实现数据消费的便捷化和市场的扩展。消费积分机制和收益分成模式将为双方创造可持续的营收机会，同时为用户提供更高的价值和体验。这一商业模式不仅符合当前市场趋势，也为未来的发展奠定了坚实的基础。 ### References \[1] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin.Attention is all you need.In Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS’17, page 6000–6010, Red Hook, NY, USA, 2017. Curran Associates Inc. \[2] Jacob Devlin.Bert: Pre-training of deep bidirectional transformers for language understanding.arXiv preprint arXiv:1810.04805, 2018. \[3] Renrui Zhang, Ziyao Zeng, Ziyu Guo, and Yafeng Li.Can language understand depth?In Proceedings of the 30th ACM International Conference on Multimedia, pages 6868–6874, 2022. \[4] Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, and Gideon Mann.Bloomberggpt: A large language model for finance.arXiv preprint arXiv:2303.17564, 2023. \[5] Qixin Deng, Qikai Yang, Ruibin Yuan, Yipeng Huang, Yi Wang, Xubo Liu, Zeyue Tian, Jiahao Pan, Ge Zhang, Hanfeng Lin, et al.Composerx: Multi-agent symbolic music composition with llms.arXiv preprint arXiv:2404.18081, 2024. \[6] Yixiao Yuan, Yangchen Huang, Yu Ma, Xinjin Li, Zhenglin Li, Yiming Shi, and Huapeng Zhou.Rhyme-aware chinese lyric generator based on gpt.arXiv preprint arXiv:2408.10130, 2024. \[7] Yijie Weng and Jianhao Wu.Big data and machine learning in defence.International Journal of Computer Science and Information Technology, 16(2), 2024. \[8] Yiyi Tao, Yiling Jia, Nan Wang, and Hongning Wang.The fact: Taming latent factor models for explainability with factorization trees.In Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval, pages 295–304, 2019. \[9] Yukun Song.Deep Learning Applications in the Medical Image Recognition.American Journal of Computer Science and Technology, 2(2):22–26, July 2019. \[10] Yuelyu Ji, Zhuochun Li, Rui Meng, Sonish Sivarajkumar, Yanshan Wang, Zeshui Yu, Hui Ji, Yushui Han, Hanyu Zeng, and Daqing He.Rag-rlrc-laysum at biolaysumm: Integrating retrieval-augmented generation and readability control for layman summarization of biomedical texts.arXiv preprint arXiv:2405.13179, 2024. \[11] Tommaso Calò and Luigi De Russis.Leveraging large language models for end-user website generation.In International Symposium on End User Development, pages 52–61. Springer, 2023. \[12] Roy Thomas Fielding.Architectural styles and the design of network-based software architectures.University of California, Irvine, 2000. \[13] Cesare Pautasso, Olaf Zimmermann, and Frank Leymann.Restful web services vs.” big”’web services: making the right architectural decision.In Proceedings of the 17th international conference on World Wide Web, pages 805–814, 2008. \[14] Yaobo Liang, Chenfei Wu, Ting Song, Wenshan Wu, Yan Xia, Yu Liu, Yang Ou, Shuai Lu, Lei Ji, Shaoguang Mao, et al.Taskmatrix. ai: Completing tasks by connecting foundation models with millions of apis.Intelligent Computing, 3:0063, 2024. \[15] Yifan Song, Weimin Xiong, Dawei Zhu, Wenhao Wu, Han Qian, Mingbo Song, Hailiang Huang, Cheng Li, Ke Wang, Rong Yao, et al.Restgpt: Connecting large language models with real-world restful apis.arXiv preprint arXiv:2306.06624, 2023. \[16] Yixin Jin, Wenjing Zhou, Meiqi Wang, Meng Li, Xintao Li, Tianyu Hu, and Xingyuan Bu.Online learning of multiple tasks and their relationships: Testing on spam email data and eeg signals recorded in construction fields.arXiv preprint arXiv:2406.18311, 2024. \[17] Yiyi Tao.Meta learning enabled adversarial defense.In 2023 IEEE International Conference on Sensors, Electronics and Computer Engineering (ICSECE), pages 1326–1330. IEEE, 2023. \[18] Yiru Gong, Qimin Zhang, Huili Zheng, Zheyan Liu, and Shaohan Chen.Graphical Structural Learning of rs-fMRI data in Heavy Smokers.arXiv preprint arXiv:2409.08395, 2024. \[19] Wanyu Bian, Albert Jang, Liping Zhang, Xiaonan Yang, Zachary Stewart, and Fang Liu.Diffusion modeling with domain-conditioned prior guidance for accelerated mri and qmri reconstruction.IEEE Transactions on Medical Imaging, 2024. \[20] Yumeng Yang, Ashley Gilliam, Ethan B Ludmir, and Kirk Roberts.Exploring the generalization of cancer clinical trial eligibility classifiers across diseases.arXiv preprint arXiv:2403.17135, 2024. \[21] Huili Zheng, Qimin Zhang, Yiru Gong, Zheyan Liu, and Shaohan Chen.Identification of prognostic biomarkers for stage iii non-small cell lung carcinoma in female nonsmokers using machine learning.arXiv preprint arXiv:2408.16068, 2024. \[22] Wanyu Bian, Yunmei Chen, and Xiaojing Ye.An optimal control framework for joint-channel parallel mri reconstruction without coil sensitivities.Magnetic Resonance Imaging, 89:1–11, 2022. \[23] Xintao Li and Sibei Liu.Predicting 30-day hospital readmission in medicare patients: Insights from an lstm deep learning model.medRxiv, 2024.doi:10.1101/2024.09.08.24313212. \[24] Siqiao Zhao, Zhikang Dong, Zeyu Cao, and Raphael Douady.Hedge fund portfolio construction using polymodel theory and itransformer.arXiv preprint arXiv:2408.03320, 2024. \[25] Han-Cheng Dan, Peng Yan, Jiawei Tan, Yinchao Zhou, and Bingjie Lu.Multiple distresses detection for asphalt pavement using improved you only look once algorithm based on convolutional neural network.International Journal of Pavement Engineering, 25(1):2308169, 2024. \[26] Yunyi Zhu, Cedric Honnet, Yixiao Kang, Junyi Zhu, Angelina J Zheng, Kyle Heinz, Grace Tang, Luca Musk, Michael Wessely, and Stefanie Mueller.Demonstration of chromocloth: Re-programmable multi-color textures through flexible and portable light source.In Adjunct Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2023. \[27] Yukun Song, Parth Arora, Rajandeep Singh, Srikanth T. Varadharajan, Malcolm Haynes, and Thad Starner.Going Blank Comfortably: Positioning Monocular Head-Worn Displays When They are Inactive.In Proceedings of the 2023 International Symposium on Wearable Computers, pages 114–118, Cancun, Quintana Roo Mexico, October 2023. ACM. \[28] Yixiao Kang, Zhenglin Zhang, Meiqi Zhao, Xuanhui Yang, and Xubo Yang.Tie memories to e-souvenirs: Hybrid tangible ar souvenirs in the museum.In Adjunct Proceedings of the 35th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2022. \[29] Xinhao Zhang, Zaitian Wang, Lu Jiang, Wanfu Gao, Pengfei Wang, and Kunpeng Liu.Tfwt: Tabular feature weighting with transformer.arXiv preprint arXiv:2405.08403, 2024. \[30] Yuelyu Ji, Yuhe Gao, Runxue Bao, Qi Li, Disheng Liu, Yiming Sun, and Ye Ye.Prediction of covid-19 patients’ emergency room revisit using multi-source transfer learning.In 2023 IEEE 11th International Conference on Healthcare Informatics (ICHI), pages 138–144. IEEE, 2023. \[31] Ziyao Zeng, Daniel Wang, Fengyu Yang, Hyoungseob Park, Stefano Soatto, Dong Lao, and Alex Wong.Wordepth: Variational language prior for monocular depth estimation.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 9708–9719, 2024. \[32] Xiaojing Fan and Chunliang Tao.Towards resilient and efficient llms: A comparative study of efficiency, performance, and adversarial robustness.arXiv preprint arXiv:2408.04585, 2024. \[33] Jinghan Zhang, Xiting Wang, Yiqiao Jin, Changyu Chen, Xinhao Zhang, and Kunpeng Liu.Prototypical reward network for data-efficient rlhf.arXiv preprint arXiv:2406.06606, 2024. \[34] Muhammad Shahzaib Baig, Azhar Imran, Aman Ullah Yasin, Abdul Haleem Butt, and Muhammad Imran Khan.Natural language to sql queries: A review\.International Journal of Innovations in Science Technology, 4:147–162, 2022. \[35] Deep Mehta, Kartik Rawool, Subodh Gujar, and Bowen Xu.Automated devops pipeline generation for code repositories using large language models.arXiv preprint arXiv:2312.13225, 2023. \[36] Gabriel Poesia, Oleksandr Polozov, Vu Le, Ashish Tiwari, Gustavo Soares, Christopher Meek, and Sumit Gulwani.Synchromesh: Reliable code generation from pre-trained language models.arXiv preprint arXiv:2201.11227, 2022. \[37] # مرحبًا بكم في مختبرات AI Steam مرحبًا، أيها المستكشف الرائد! نحن متحمسون لوجودك هنا لتتعرف أكثر على مختبرات Ai Steam ومنتجاتها. تم تصميم هذه الأدلة لمساعدتك على الاطلاع على مختبرات Ai Steam وشرح الخطط المستقبلية لمنتجاتنا.\ فيما يلي قائمة بجميع روابطنا الرسمية. تأكد من أن عنوان URL يطابق هذه الروابط! | المنصة | الغرض | الرابط الرسمي | | ----------------- | --------------------------------------------------- | --------------------------------------------------- | | الموقع الإلكتروني | تجربة جميع منتجات Ai Steam بنفسك | [زيارة الموقع](https://www.aisteam.net/) | | ديسكورد | التفاعل مع المجتمع ومشاركة الملاحظات والأفكار | [انضم إلى ديسكورد](https://discord.gg/YcFD5pzfkC) | | تويتر | تابع @AiSteamLabs للبقاء على اطلاع بجميع التحديثات | [تابعنا على تويتر](https://twitter.com/AiSteamLabs) | | تيليجرام | التفاعل مع المجتمع ومشاركة الملاحظات والأفكار | [انضم إلى تيليجرام](https://t.me/AiSteamLabs) | | الوثائق | اقرأ كل شيء عن منتجات Ai Steam للمستخدمين والمطورين | [زيارة الوثائق](https://docs.aisteam.net) |
Getting StartedCreate your first site/pages/CyH2xJQs9yWJ1S8BYNav
BasicsLearn the basics of GitBook/pages/7aUFmnCMx9m4smGncsXL
Publish your docsShare your docs online/pages/JjjojIyKxaiBPzzLwvtg
# ما هو AI Steam؟ #### الذكاء الاصطناعي يحول كفاءة الإنتاج، والعملات المشفرة تحول علاقات الإنتاج، نحن نجمع بين الاثنين على Solana لدفع التبني الجماعي — تطبيقات الذكاء الاصطناعي على مستوى المستهلك في Solana. #### تضع Ai Steam نفسها كشركة طبقة تطبيقات المنصة، معتمدة على قدرات الدفع العالمية لـ Solana لتقديم الخدمات للمستخدمين والمطورين وشركات النماذج الأساسية. #### يغطي قسم الأعمال للمنتج الأساسي: Steam search، SteamRouter، متجر الوكلاء. #### تشمل الأعمال التابعة في خط المنتج الأساسي: مركز بيع تطبيقات/أجهزة الذكاء الاصطناعي، Steam Cloud. {% file src="/files/5CVNjqViIMm0N8wh7xCv" %} تعرف على AI Steam Labs في البودكاست.\ ملاحظة: يرجى توخي الحذر حيث قد تحتوي بعض المحتويات التي تنتجها الذكاء الاصطناعي التوليدي على معلومات خاطئة. {% endfile %} #### فيما يلي نص تسجيل البودكاست *** **المتحدث 1** 00:06 - 00:09\ AI Steam، خاصةً المبنية على بلوكتشين Solana. **المتحدث 2** 00:09 - 00:18\ هذا هو ما أجده مثيرًا للاهتمام. نهجهم بالكامل، فهم ليسوا مجرد شركة AI أخرى، أوه لا، إنهم يريدون أن يكونوا منصة AI على Solana. للجميع. **المتحدث 1** 00:18 - 00:26\ بالضبط. المستخدمون، المطورون، أي شخص، إنهم يبنون نظامًا بيئيًا كاملًا لـ Steam، مجموعة من المنتجات. جميعها مترابطة. **المتحدث 2** 00:26 - 00:28\ يحاولون بناء خندقهم، يمكن القول. **المتحدث 1** 00:28 - 00:43\ لقد حصلنا بالفعل على مقتطفات من خطة أعمالهم، بالإضافة إلى بعض الرسوم البيانية الرائعة. دعونا نتعمق في منتجهم الأول - Steam Search. إنهم يتنافسون مباشرة مع ChatGPT، مدعين أنهم أسرع وأرخص. يركزون على كل ما يتعلق بـ Solana. ماذا عن رأيك؟ **المتحدث 2** 00:43 - 00:53\ لا شك أن هذا جريء. إنهم يراهنون على أن التخصص هو المفتاح. المعرفة المتخصصة للغاية في نظام Solana البيئي أكثر قيمة من الذكاء الاصطناعي العام. **المتحدث 1** 00:53 - 00:58\ مثير للاهتمام. بدلاً من طرح سؤال واسع على ChatGPT، مثل تاريخ البلوكشين. **المتحدث 2** 00:58 - 01:08\ يمكنك استخدام Steam Search للبحث عن محتوى مشابه. تشمل أحدث التطورات في مجال DeFi على Solana: 1. **توسع النظام البيئي**: عدد مشاريع التمويل اللامركزي (DeFi) على Solana في تزايد مستمر، تغطي مجالات الإقراض، والتداول، والعملة المستقرة، وغيرها. 2. **أداء عالٍ وتكلفة منخفضة**: إن السعة العالية لـ Solana وانخفاض رسوم المعاملات يجعلها منصة مثالية لتطبيقات DeFi، مما يجذب عددًا كبيرًا من المستخدمين والمطورين. 3. **تكامل عبر السلاسل**: تم تعزيز التفاعل بين Solana وشبكات البلوكشين الأخرى، مما يسهل تدفق الأصول والبيانات عبر السلاسل. 4. **مشاريع مبتكرة**: ظهرت مجموعة من مشاريع DeFi المبتكرة، مثل البورصات اللامركزية (DEX) ومنصات تعدين السيولة ومنصات إصدار الأصول الاصطناعية، مما يعزز المزيد من التطور في مجال DeFi. 5. **الامتثال التنظيمي**: مع تغير البيئة التنظيمية العالمية، تستكشف مشاريع DeFi على Solana بنشاط طرق الامتثال لضمان استدامة المشاريع. 6. **المجتمع والحكم**: إن نشاط مجتمع Solana وتحسين آليات الحكم يوفر دعمًا قويًا للتطور طويل الأمد لمشاريع DeFi. نظرًا لتركيزهم على Solana، يعتقدون أنهم قادرون على تقديم نتائج أكثر صلة بشكل أسرع. **المتحدث 1** 01:08 - 01:19\ يدعون أن الأسعار أيضًا أرخص. بالمقارنة، يكلف استعلام البحث حوالي 3.80 دولار، بينما يكلف ChatGPT 20 دولارًا. لكن هل يعني أن الرخيص هو الأفضل في هذه الحالة؟ **المتحدث 2** 01:19 - 01:32\ هذه هي مسألة بمليون دولار. إنهم يستخدمون معلومات نظام Solana لبناء قاعدة بيانات متجهة. مستودعات GitHub، بيانات التداول، كل شيء، حتى سجلات محادثات Telegram. هل يمكنك تصديق ذلك؟ **المتحدث 1** 01:32 - 01:33\ نعم، إنهم يستكشفون حقًا بشكل شامل. **المتحدث 2** 01:33 - 01:37\ يعتقدون أن هذه الطريقة المستهدفة تمنحهم ميزة في السرعة والملاءمة. **المتحدث 1** 01:37 - 01:52\ أفهم. مثل اختيار محرك بحث متخصص لمجال بحث معين. من المرجح أن تجد ما تحتاجه بسرعة. حسنًا، إنها طريقة مثيرة. التالي هو Steam Router. بصراحة، يبدو أن هذا أكثر تقنية. **المتحدث 2** 01:52 - 01:57\ نعم، يبدو أن هناك شعورًا خلف الكواليس. يمكنك اعتباره نظام أنابيب AI على Solana. **المتحدث 1** 01:57 - 01:58\ هندسة الأنابيب؟ **المتحدث 2** 01:58 - 02:07\ نعم، إنها خدمة وسيطة تضمن التشغيل السلس والفعال لنماذج AI على البلوكشين. بشكل أساسي، كل ذلك لتقليل الاحتكاك للمطورين. **المتحدث 1** 02:07 - 02:14\ حسنًا، لجعل الأمر أسهل لمن يبني هذه الأدوات AI. لكن أليس هناك شيء مشابه بالفعل؟ OpenRouter، أليس كذلك؟ **المتحدث 2** 02:14 - 02:24\ أنت محق، OpenRouter يفعل شيئًا مشابهًا. لكن AI Steam قد حقق بالفعل نقطة سعر أقل. إنهم يستفيدون من المزايا الفريدة لنظام الدفع في Solana لتقليل التكاليف. **المتحدث 1** 02:24 - 02:31\ أحب استغلال نقاط القوة. حسنًا، الآن دعنا نتحدث عن متجر الوكلاء. الأمور بدأت تصبح مثيرة حقًا. **المتحدث 2** 02:31 - 02:35\ هذا هو متجر التطبيقات الخاص بهم لوكلاء AI. **المتحدث 1** 02:35 - 02:41\ لذا، إذا كنت بحاجة إلى AI يمكنه القيام بشيء ما، مثل أتمتة تداولك أو إجراء بعض الأبحاث لك. **المتحدث 2** 02:41 - 02:43\ بالضبط. إنهم يريدون تجهيز كل شيء بوكلاء AI. **المتحدث 1** 02:43 - 02:47\ هناك الكثير من وكلاء AI. كيف يخططون لإنتاج كل هذه المنتجات؟ **المتحدث 2** 02:47 - 02:59\ حسنًا، لقد اعتمدوا نظامًا ذكيًا لتحفيز المطورين. تخيل إنشاء وكيل AI ثم سكّه كـ NFT. لديك اشتراك للوصول إلى وكيلك وتحقق أرباحًا من خلال هذه الاشتراكات. **المتحدث 1** 02:59 - 03:05\ أوه، مثير للاهتمام. لذا، أنت لا تبيع فقط وكلاء AI مباشرة، بل تبني تدفق دخل مستمر. **المتحدث 2** 03:05 - 03:10\ بالضبط. بالطبع، كمطور، يمكنك أيضًا الاستفادة من زيادة قيمة NFT. **المتحدث 1** 03:10 - 03:16\ ذكي. أعتقد أن AI Steam ستأخذ عمولة من هذه المعاملات. نموذج الأعمال الكلاسيكي للمنصات. **المتحدث 2** 03:16 - 03:28\ حسنًا. إنشاء سوق يربط بين المشترين والبائعين ويأخذ عمولة صغيرة. التحدي الحقيقي هو جذب عدد كبير من المستخدمين ومجموعة متنوعة من المطورين الموهوبين. على الرغم من أنهم يمكنهم القيام بذلك. **المتحدث 1** 03:28 - 03:30\ قد يكون هذا المتجر الوكيل مغيرًا لقواعد اللعبة. **المتحدث 2** 03:30 - 03:31\ من الممكن، نعم. **المتحدث 1** 03:31 - 03:40\ حسنًا. لذا لدينا هذا Steam Search، وSteam Router، وهذا المتجر الوكيل. يبدو أنهم يبنون هنا نظامًا بيئيًا كاملًا. ليس مجرد منتج واحد. **المتحدث 2** 03:40 - 03:45\ بالضبط. وهم يتطورون أكثر، لبناء سوق تداول أكثر تقليدية. **المتحدث 1** 03:45 - 03:46\ أوه، حقًا؟ **المتحدث 2** 03:46 - 03:59\ حسنًا، تابع. تخيل سوقًا، لكن ليس للحرف اليدوية أو الفن الرقمي، كل شيء يتعلق بالخوارزميات ومجموعات البيانات. حتى الأجهزة المخصصة لمعالجة الذكاء الاصطناعي. **المتحدث 1** 03:59 - 04:01\ واو، هذا حقًا متخصص. **المتحدث 2** 04:01 - 04:02\ بالتأكيد. **المتحدث 1** 04:02 - 04:12\ لذا، إذا كنت مطورًا يعمل على روبوتات تداول الذكاء الاصطناعي، فقد أتمكن من العثور على كل ما أحتاجه في مكان واحد. خوارزميات مدربة مسبقًا، الأجهزة اللازمة للتشغيل، كل ذلك. **المتحدث 2** 04:12 - 04:21\ بالضبط. منصة شاملة للذكاء الاصطناعي على Solana. لكن انتظر، هناك المزيد. إنهم يدعمون أيضًا تخزين Steam Cloud، وهذا مهم جدًا. **المتحدث 1** 04:21 - 04:26\ حسنًا. الآن لقد أثرت اهتمامي. قل لي بصراحة. ما هو Steam Cloud؟ **المتحدث 2** 04:26 - 04:34\ لكنها ليست مجرد مساحة تخزين. سيكون لديهم ذلك أيضًا. التحول الحقيقي يكمن في خططهم لتجميع القدرة الحاسوبية. **المتحدث 1** 04:34 - 04:39\ انتظر، انتظر. اشرح لي. في هذا السياق، لماذا يعتبر تجميع القدرة الحاسوبية مهمًا جدًا؟ **المتحدث 2** 04:39 - 04:43\ تخيل أن لديك وصفة رائعة، أليس كذلك؟ لقد أعددت جميع المكونات، كل شيء جاهز. **المتحدث 1** 04:43 - 04:45\ حسنًا، أفهم. **المتحدث 2** 04:45 - 04:57\ لكن ليس لديك فرن. هذه هي الحالة التي يواجهها العديد من مطوري الذكاء الاصطناعي. لديهم الأفكار والبيانات، لكنهم يفتقرون إلى القدرة الحاسوبية الخام اللازمة لتدريب وتشغيل نماذج الذكاء الاصطناعي المعقدة. **المتحدث 1** 04:57 - 05:09\ آه، لأن تدريب تلك النماذج يتطلب تكلفة حسابية عالية، أليس كذلك؟ لذا فإن Steam Cloud يشبه توفير فرن للجميع، أو ربما شبكة كاملة من الأفران، حتى يتمكن الجميع من خبز كعكات الذكاء الاصطناعي الخاصة بهم. **المتحدث 2** 05:09 - 05:22\ هذه تشبيه مثالي. من خلال تجميع القدرة الحاسوبية وتوفير الوصول عبر منصتهم، فإنهم يقضون على حاجز دخول كبير. خاصةً بالنسبة لأولئك الذين لا يستطيعون بناء أو استئجار حواسيب عملاقة. **المتحدث 1** 05:22 - 05:32\ نشر تطوير الذكاء الاصطناعي على Solana. أحب ذلك. لكن دعنا نتحدث عن السؤال الواضح - المال. يتطلب بدء مشروع طموح مثل هذا الكثير من التمويل. كيف يمولون المشروع بأكمله؟ **المتحدث 2** 05:32 - 05:42\ إنهم يطلقون عملتهم الخاصة. لكن هذا ليس فقط لجمع الأموال. يتم تخصيص جزء كبير من الرموز لما يسمونه الاحتياطي الاستراتيجي. **المتحدث 1** 05:42 - 05:51\ الاحتياطي الاستراتيجي. حسنًا. إذن، في هذا السياق، ما هو الاحتياطي الاستراتيجي وكيف يعكس الاستراتيجية طويلة الأجل لـ AI Steam؟ **المتحدث 2** 05:51 - 05:58\ هذا يخبرني أنهم في معركة طويلة الأمد. إنهم ملتزمون بجدية بتوسيع حصتهم في السوق. توفر لهم هذه الاحتياطيات المرونة. **المتحدث 1** 05:58 - 05:59\ المرونة من أجل ماذا؟ **المتحدث 2** 05:59 - 06:10\ لشراكات أو حتى إمكانية الاستحواذ في مرحلة ما في المستقبل، أو لمواجهة تلك الانخفاضات السوقية التي لا مفر منها. هذه خطوة استراتيجية من أجل الاستقرار والنمو على المدى الطويل. إنهم يستعدون للمستقبل. **المتحدث 1** 06:10 - 06:19\ حسنًا. لذا، هم يفكرون في التطور على المدى الطويل. أحب ذلك. متى يمكننا حقًا رؤية كل هذا يتحقق؟ في المستقبل البعيد، العام المقبل. **المتحدث 2** 06:19 - 06:24\ لقد وضعوا بالفعل جدولًا زمنيًا في خطة الأعمال. أوه، نعم. وهو طموح، إن كان هناك كلمة تصف ذلك. **المتحدث 1** 06:24 - 06:25\ قل، أنا أستمع. **المتحدث 2** 06:25 - 06:29\ يخططون لإطلاق العملة بحلول ديسمبر 2024. **المتحدث 1** 06:29 - 06:33\ واو، الوقت ضيق. هناك الكثير لإنجازه في فترة زمنية قصيرة جدًا. **المتحدث 2** 06:33 - 06:41\ بالطبع. كما تعلم، هذه الجداول الزمنية عادة ما تكون مثالية. التأخيرات شائعة، خاصة في مجالات البلوكشين والذكاء الاصطناعي. هذه الأمور تحتاج إلى وقت. **المتحدث 1** 06:41 - 06:57\ حسنًا. لقد شهدنا أيضًا العديد من التأخيرات في هذا المجال، أليس كذلك؟ لكن دعنا نكون متفائلين للحظة. افترض أنهم فعلوا ذلك حقًا. أطلقوا جميع هذه المنتجات وأدرجوا العملة. كل شيء يسير كما هو مخطط له. ماذا سيحدث بعد ذلك؟ ما هو علامة النجاح لشركة مثل AI Steam؟ **المتحدث 2** 06:57 - 07:11\ هذه هي مسألة بمليون دولار، أليس كذلك؟ يعتمد نجاحهم على عدة أشياء. أولاً وقبل كل شيء، يجب أن تنجح Solana نفسها. إذا لم تتمكن Solana من أن تصبح لاعبًا رئيسيًا، ستواجه AI Steam صعوبات. إن مصيرهم مرتبط ارتباطًا وثيقًا بـ Solana. **المتحدث 1** 07:11 - 07:14\ لذا، إذا ارتفعت Solana، فإنهم يرتفعون، وإذا انخفضت Solana، فإنهم ينخفضون. **المتحدث 2** 07:14 - 07:21\ بالضبط. إنها صفقة شاملة. الشيء الثاني هو أنهم بحاجة إلى جذب المطورين والمستخدمين إلى المنصة. إنها سوق ثنائية الاتجاه. **المتحدث 1** 07:21 - 07:28\ إنها مسألة دجاجة أم بيضة، أليس كذلك؟ بدون مستخدمين، لن يأتي المطورون. بدون مساعدي AI الرائعين، لن يأتي المستخدمون. **المتحدث 2** 07:28 - 07:39\ بالضبط. يحتاجون إلى إيجاد طريقة لكسر هذه الحلقة وبناء الزخم. ربما يمكنهم جذب بعض المطورين المعروفين في وقت مبكر، وتقديم بعض الحوافز الجذابة للمستخدمين الأوائل. **المتحدث 1** 07:39 - 07:47\ بالطبع، هناك أيضًا مسألة المقارنة مع الجيران. أليس كذلك؟ يتطور الذكاء الاصطناعي بسرعة، والتكنولوجيا المتقدمة اليوم تصبح قديمة غدًا. **المتحدث 2** 07:47 - 07:56\ بالطبع. ليس فقط الوفاء بوعودهم الحالية. يتعلق الأمر بالابتكار المستمر. هل يمكنهم البقاء في الصدارة في مجال سريع التغير؟ **المتحدث 1** 07:56 - 08:03\ حتى لو تمكنوا من تحقيق هذه الخطة العظيمة، فإن النجاح على المدى الطويل ليس مضمونًا. **المتحدث 2** 08:03 - 08:10\ هذه هي حقيقة عالم التكنولوجيا. خاصة في مجال مليء بالحيوية مثل الذكاء الاصطناعي. مخاطر عالية، عوائد عالية. **المتحدث 1** 08:10 - 08:27\ المخاطر العالية أمر مؤكد. لكن هذا هو ما يجعل هذه القضية مثيرة للاهتمام وتستحق التحليل العميق. أليس كذلك؟ إذن، إلى أين نذهب من هنا؟ لقد درسنا منتجاتهم واستراتيجياتهم وجداولهم الزمنية، كل شيء. ما هو الحكم؟ هل يجب على الناس الاستعداد للاستثمار في جنون الذكاء الاصطناعي؟ **المتحدث 2** 08:27 - 08:33\ واو، انتظر لحظة. لقد لمسنا فقط السطح. هناك الكثير من الأسئلة التي يجب الإجابة عليها قبل التفكير في الاستثمار. **المتحدث 1** 08:33 - 08:38\ مثل ماذا؟ أعطِ جمهورنا بعض الواجبات. ماذا يجب عليهم البحث عنه؟ ماذا يجب عليهم التفكير فيه؟ **المتحدث 2** 08:38 - 08:48\ أولاً، أريد معرفة المزيد عن الفريق. من هم الأشخاص وراء هذه الحمى الذكائية؟ هل لديهم الخبرة الفعلية لإنجاز ذلك؟ القليل من البحث الخلفي لن يضر. **المتحدث 1** 08:48 - 08:49\ نعم، هذا منطقي. **المتحدث 2** 08:49 - 09:02\ ثم أريد أن أبحث بعمق في البيئة التنظيمية. قوانين التشفير، إنها هدف متحرك. ثم لديك الذكاء الاصطناعي، الذي يواجه تحدياته الخاصة في هذا المجال. كيف سيتعاملون مع كل ذلك؟ **المتحدث 1** 09:02 - 09:07\ نعم، الوقوع في نيران التنظيم المتقاطعة. هذا ليس جيدًا أبدًا. حسنًا، ماذا أيضًا؟ واحدة أخرى. **المتحدث 2** 09:07 - 09:16\ البيانات المالية للأسهم. كم جمعوا من المال؟ ما هو معدل حرقهم؟ خطة عمل قوية رائعة. لكن الدعم المالي المستدام أمر ضروري. **المتحدث 1** 09:16 - 09:20\ حقًا، حقًا. بدون أموال لشراء الوقود، لا يمكنك بناء صاروخ. **المتحدث 2** 09:20 - 09:21\ بالضبط. **المتحدث 1** 09:21 - 09:26\ حسنًا، الفريق، اللوائح، والمالية كلها جاهزة. هل هناك شيء آخر؟ أم أننا انتهينا؟ **المتحدث 2** 09:26 - 09:37\ هناك شيء آخر، المنافسة. مجال الذكاء الاصطناعي تنافسي للغاية. العديد من العمالقة والشركات الناشئة الطموحة تتنافس على الهيمنة. تحتاج AI Steam إلى إثبات أنها تستطيع التميز بين العديد من المنافسين. **المتحدث 1** 09:37 - 09:56\ الخارج يشبه الغابة. لكنك تعرف، كل هذه المناقشات حول ديناميات السوق التنافسية تجعلني أفكر في الصورة الأكبر. هل تفكر في ذلك، كما لو أن الذكاء الاصطناعي حقًا حقق ذلك، هل سيكون بداية شيء كبير؟ التحول بعيدًا عن السعي وراء منصات الذكاء الاصطناعي العملاقة الشاملة. **المتحدث 2** 09:56 - 10:04\ من الممكن. إذا كانت عدة منصات ذكاء اصطناعي عملاقة ستستبدل، فهل سنشكل في النهاية العديد من الأنظمة البيئية الأصغر والأكثر تخصصًا؟ **المتحدث 1** 10:04 - 10:16\ كل منصة تعتمد على بلوكتشين مختلفة، تخدم صناعات معينة، مثل واحدة للتمويل، واحدة للرعاية الصحية، واحدة للألعاب. كل منها لديها أدوات AI ووكلاء AI الخاصة بها. جميعها مصممة خصيصًا لهذا السوق المتخصص. **المتحدث 2** 10:16 - 10:24\ بالضبط. قد يطلق هذا التخصص إمكانيات هائلة. يمكننا أن نتوقع أن تطور الذكاء الاصطناعي سيصبح أكثر شيوعًا وتنافسية. سيكون مفيدًا للجميع، بالتأكيد. **المتحدث 1** 10:24 - 10:34\ حسنًا، لقد أقنعتني. جنون الذكاء الاصطناعي يستحق بالتأكيد المتابعة. لكن حتى لو نفذوا كل خطوة من الخطة بشكل مثالي، فلا يوجد ضمان بأن الأمور ستسير بسلاسة، أليس كذلك؟ **المتحدث 2** 10:34 - 10:43\ ليس على الإطلاق. إنهم يبنون على Solana، لذا إذا واجهت Solana صعوبات، فسيتأثرون أيضًا. في الوقت نفسه، جذب المطورين والمستخدمين هو أيضًا تحدٍ. كلاهما ضروري. **المتحدث 1** 10:43 - 10:55\ إنها سوق ثنائية الاتجاه. تحتاج إلى المبدعين والمستهلكين. بالإضافة إلى ذلك، يحتاجون إلى التأكد من أنهم يقدمون شيئًا فريدًا حقًا. شيء يبرز في الصناعة. **المتحدث 2** 10:55 - 11:01\ أحسنت. إنها لعبة عالية المخاطر. لكنها أيضًا قد تغير قواعد اللعبة تمامًا. **المتحدث 1** 11:01 - 11:11\ لذا، بعد التعمق في خطة أعمال AI Steam، وكل الفرص والتحديات المحتملة. ما الذي تأمل أن يستفيده الجمهور من ذلك؟ **المتحدث 2** 11:11 - 11:26\ أعتقد أن أكبر فائدة هي أننا لا نزال في المراحل المبكرة من عالم الذكاء الاصطناعي والبلوكشين. ما تقدمه AI Steam هو مجرد قمة جبل الجليد من الإمكانيات. إنها نظرة إلى المستقبل حيث ستندمج هاتان التقنيتان القويتان بطرق لم نتخيلها بعد. **المتحدث 1** 11:26 - 11:36\ سواء نجحت AI Steam في النهاية أم فشلت، فإن الأفكار التي تستكشفها، أي الرؤية اللامركزية ومجال الذكاء الاصطناعي المتخصص، تستحق المتابعة. **المتحدث 2** 11:36 - 11:38\ بالطبع. القصة بدأت للتو. **المتحدث 1** 11:38 - 11:51\ بهذا المعنى، نختتم استكشافنا العميق لـ AI Steam. ناقشنا خططهم الطموحة وتأثيراتها المحتملة، وما قد يعنيه ذلك لمستقبل الذكاء الاصطناعي. شكرًا لانضمامكم إلينا في هذه الرحلة لاستكشاف هذا المجال النابض بالحياة. *** # توكن شات [**ToKenChat**](https://docs.aisteam.net/ar/www.ToKenChat.ai) رؤية هي أن تصبح طبقة بروتوكول محرك الاتصالات الذكي في نظام سولانا البيئي. يمكن للمستخدمين طرح أسئلة بسيطة للاستفسار عن سولانا ومشاريعها البيئية والحصول على إجابات دقيقة. هذا ممكن فقط على سولانا! ## للمستخدمين: مرحبًا! أنا محرك بحث بيانات التوكنات القائم على الذكاء الاصطناعي من الجيل التالي الذي تم تطويره بواسطة مختبرات AI Steam، والذي يجمع بين قوة التفاعل الحواري وربط المعلومات. يهدف إلى تقديم تجربة بحث أكثر دقة وتخصيصًا من خلال تقنية معالجة اللغة الطبيعية. إليك مقدمة تفصيلية عن **ToKenChat**: ## الوظائف والميزات الأساسية 1. البحث الحواري: يمكن للمستخدمين طرح أسئلة باستخدام اللغة الطبيعية، حيث يمكن لـ **ToKenChat** فهمها والرد مباشرة، وليس مجرد تقديم مجموعة من الروابط. في النهاية، ستحصل على أسعار التوكنات، وعناوين العقود، والرسوم البيانية، وإلغاء قفل التوكنات، وبيانات العقود، والمنافسين، والأخبار، والمؤشرات المالية، وغيرها في صفحة متكاملة واحدة. هذه الطريقة تجعل الحصول على المعلومات أكثر وضوحًا وكفاءة، مما يساعد الجميع على اتخاذ قرارات مستنيرة في صناعة تتطور بسرعة اليوم. 2. تكامل المعلومات واحتياجات المهام الموجهة: عند تقديم الإجابات، سيقوم **ToKenChat** بتجميع المعلومات من مصادر متعددة. بالنسبة للاحتياجات الموجهة للمهام في الوقت الحقيقي، ستقوم مكونات AI Steam Labs المستقلة بتفكيك الاستفسارات والبحث، وإجراء المقارنات وتصحيح الأخطاء، لضمان دقة وموثوقية المعلومات التي يحصل عليها المستخدمون. 3. دعم المحادثات متعددة الجولات: يدعم المحادثات متعددة الجولات، مما يسمح للمستخدمين بإجراء مناقشات عميقة في استفسار واحد، مما يزيد من مرونة التفاعل. 4. دعم متعدد اللغات: يمكن لـ **ToKenChat** معالجة الاستفسارات بعدة لغات لتلبية احتياجات المستخدمين المختلفة. ## المزايا التقنية يستفيد **ToKenChat** من النماذج اللغوية الكبيرة (مثل GPT وClaude) ووكلائه المطور ذاتيًا لتعزيز قدرات البحث. تكمن تقنيته الأساسية في التوليد المعزز بالاسترجاع، الذي يمكنه الحصول على أحدث المعلومات من الإنترنت في الوقت الفعلي وتقليل الأوهام في المحتوى الذي يولده النموذج. يمنح هذا **ToKenChat** مزايا كبيرة من حيث دقة المعلومات والأداء في الوقت الفعلي. ## تجربة المستخدم تصميم واجهة **ToKenChat** بسيط وبديهي، ويمكن استخدامه دون الحاجة إلى تسجيل، مما يوفر للمستخدمين تجربة ودية. تشمل منتجاته المستقبلية أيضًا إصدارًا لتداول الأصول على Solana (**ToKenChat** **Pro**)، مما يسمح للمستخدمين بإجراء عمليات بحث أكثر تقدمًا، ومعاملات الأصول، والوصول إلى ميزات أكثر تخصيصًا. ## تحديد السوق والآفاق المستقبلية كمحرك بحث ذكاء اصطناعي ناشئ، يتموضع **ToKenChat** كطبقة بروتوكول محرك الاتصال الذكي في نظام Solana البيئي. لم يقتصر الأمر على إظهار قدرات قوية في التكنولوجيا فحسب، بل حصل أيضًا على تقييمات إيجابية من حيث تجربة المستخدم وردود الفعل في السوق. مع استمرار تقدم تقنية الذكاء الاصطناعي، من المتوقع أن يحتل **ToKenChat** موقعًا مهمًا في سوق البحث المستقبلي ويدفع Solana لتحقيق موجة من التبني الجماعي.
## لشركاء مشاريع نظام Solana البيئي: ## الذكاء الاصطناعي للعملاء تمكين الفرق ذات النمو السريع من خلال البحث بالذكاء الاصطناعي والدعم لمساعدة المستخدمين في العثور على كل ما يحتاجونه على الفور. احصل على إرشادات محددة للسيناريو واستمتع بمساعدة في حل المشكلات على مدار الساعة طوال أيام الأسبوع. ## استيراد المحتوى الخاص بك قم بدمج جميع المحتويات الموجهة لعملائك باستخدام موصلاتنا وكاشطاتنا الجاهزة للاستخدام. ## المصادر المدعومة 1. الوثائق التقنية (مثل Docusaurus، ReadMe، GitBook، Mintlify، إلخ.) 2. مركز المساعدة والأسئلة الشائعة 3. المواقع الإلكترونية والمدونات 4. GitHub 5. مناقشات المجتمع (مثل Slack، Discord وDiscourse) 6. أنماط Open API وGraphQL 7. ملفات PDF، Markdown، CSV وغيرها 8. YouTube ومصادر الفيديو الأخرى 9. قاعدة المعرفة (مثل Notion، Confluence، Sharepoint، إلخ.) ## انضم إلى مجتمعك قم بإنشاء قناة ✨ask-ai لمجتمعك على Discord أو Telegram. سنطلق سلسلة من مكونات البحث المدمجة في المستقبل لتسهيل دمجها في أي مكان لخلق تجربة فعالة لمستخدمي Solana.
# مبدأ العمل يمكن أن تساعدك هذه الوثيقة في الإجابة على فضولك حول التجربة المذهلة لمحرك البحث عن الإجابات في Steam، كيف يعمل كل هذا؟ لماذا أحصل على إجابة فورية لسؤالي بعد طرحه؟ 1. `على عكس Bing و Google، نستخدم مكون فهرسة متعدد الوكلاء تم تطويره ذاتيًا من خلال Ai Steam Labs لإجراء استرجاع عصبي (خوارزمية الشبكة العصبية) للمعلومات العامة على الإنترنت. في اللحظة التي تطرح فيها سؤالًا، يبدأ في تقديم النية من وقت إدخال سؤالك، ثم من خلال التحليل والاستعلام والمقارنة وتصحيح الأخطاء واستبعاد مصادر طعم تحسين محركات البحث، يجد المصدر الأكثر موثوقية للمحتوى الدلالي، ويسلمه إلى LLM للفهم ثم إخراج إجابة السؤال لك` 2. `نحن لا نسعى لخفض تكاليف استخدام المستخدم من أجل ضبط النموذج وتخزين الإجابات مؤقتًا بناءً على بيانات استخدام المستخدم، وهذا يضمن أن يظل نظام العمل محدثًا دائمًا بالنسبة لك` 3. `يمتلك الفريق المؤسس خلفية عميقة من منظمات مثل العملات المشفرة الأصلية وأنظمة الذكاء الاصطناعي البصرية` يمكنك اعتبار بحث Steam بمثابة شريكك المساعد، سواء كنت تتداول في نظام Solana البيئي، أو تجري بحثًا لمشاريع احترافية، أو تبحث عن إجابات لأسئلة يومية، أو تستكشف مجالات جديدة لتوسيع آفاقك. Steam هو مصدرك الموثوق للمعلومات. إنه جاهز دائمًا لتوفير وقتك الثمين من خلال تزويدك بالمعرفة الدقيقة التي تحتاجها. # مجموعة البيانات الموثوقة تقدم قائمة مجموعات البيانات هذه نظرة عامة مفصلة عن مجموعات البيانات الموثوقة والسيناريوهات المستخدمة المضمنة في نظام البحث الحالي لدينا. في المستقبل، سيتم إضافة المزيد من مجموعات بيانات المستخدمين تدريجياً بناءً على تعليقات واحتياجات المستخدمين مجموعة بيانات الأصول المشفرة: 1. `أسماء الرموز التي تزيد قيمتها السوقية عن 10,000 مرتبة حسب القيمة السوقية.` 2. `٢. أسعار العملات المشفرة في الوقت الفعلي.` 3. `٣. القيمة السوقية للعملات المشفرة في الوقت الفعلي.` 4. `٤. حجم التداول على مدار ٢٤ ساعة للعملات المشفرة في الوقت الفعلي (البورصات المركزية + البورصات اللامركزية).` 5. `٥.٢٤ نسبة تغير السعر في الساعة %` مجموعة بيانات الأصول المالية: 1. بيانات رموز الأسهم لأكثر من 30 ألف شركة مدرجة مرتبة حسب القيمة السوقية
2. **معلومات وبيانات الشركة**\ `يشمل البيانات مثل الاسم، ورقم تعريف الشركة (CIK)، والقيمة السوقية، وإجمالي عدد الموظفين، وعنوان URL للموقع الإلكتروني، وما إلى ذلك`
3. **بيانات أسعار الأسهم في الوقت الفعلي**
4. **بيانات قائمة الدخل**\ `بيان الدخل هو قائمة مالية توفر معلومات عن إيرادات الشركة ونفقاتها وأرباحها خلال فترة زمنية محددة`
5. **بيانات الميزانية العمومية** \ `الميزانية العمومية هي بيان مالي يستخدم لتلخيص أصول الشركة والتزاماتها وحقوق المساهمين في نقطة زمنية محددة`
6. **بيانات قائمة التدفقات النقدية** \ `يشير بيان التدفقات النقدية إلى تدفقات النقد الداخلة والخارجة خلال فترة زمنية محددة، وينقسم إلى ثلاثة أجزاء: الأنشطة التشغيلية، والأنشطة الاستثمارية، والأنشطة التمويلية`
7. **البيانات المالية المرحلية**\ `توفر البيانات المالية المقسمة بيانات مالية مفصلة ومبلغ عنها لرمز السهم المحدد، وهذا يشمل البيانات المالية المصنفة على النحو التالي:` * `خط المنتجات` * `قطاعات الأعمال` * `المناطق الجغرافية وما إلى ذلك` `على سبيل المثال، تقوم شركة آبل بالإبلاغ عن الوضع المالي لأقسامها وفقًا لخطوط إنتاجها المختلفة (مثل آيفون وماك وآيباد والأجهزة القابلة للارتداء)` `تقوم شركة آبل أيضًا بالإبلاغ عن البيانات المالية للقطاعات حسب مناطقها الجغرافية المختلفة (مثل الأمريكتين وأوروبا والصين). تتيح البيانات المالية القطاعية طرح أسئلة واسترجاع هذه البيانات بسهولة من نظام البحث بتنسيق منظم.`
8. **بيانات التداول الداخلي** \ `تسمح التداولات الداخلية بالحصول على معلومات حول عمليات شراء وبيع الأسهم من قبل الأشخاص الداخليين في الشركات المدرجة (مثل الرئيس التنفيذي والمدير المالي وأعضاء مجلس الإدارة)` `بالإضافة إلى شراء وبيع الأسهم، يمكنك أيضًا الاطلاع على الأوضاع الحالية لحيازات الأسهم للمطلعين` `تساعد هذه البيانات على فهم مشاعر الأشخاص داخل الشركة. على سبيل المثال، يمكنك طرح الأسئلة التالية:` * `كم يمتلك جنسن هوانغ من أسهم شركة إنفيديا؟` * `كم عدد أسهم مايكروسوفت التي اشتراها ساتيا ناديلا في الربع الماضي؟` * `كم عدد أسهم شركة آبل التي باعها تيم كوك في العام الماضي؟`
9. **ملفات هيئة الأوراق المالية والبورصات** \ `توفير ملفات هيئة الأوراق المالية والبورصات (SEC) لأكثر من 10,000 شركة مدرجة، مع دعم البحث عن طريق رمز السهم ورقم CIK في نظام البحث. على سبيل المثال، يمكنك أن تسأل: أعطني ملفات SEC لشركة تسلا، وسيقوم النظام بإرجاع عنوان ملف SEC الدقيق لك.` ### DeFiLlama： 1. **إجمالي القيمة المقفلة في DeFi**\ `يوفر تحديثات بيانات حقيقية احترافية من المستوى Pro، مع معدل تحديث أعلى من موقع DeFiLlama الرسمي، وبيانات حقيقية أكثر دقة. يدعم استخدام اللغة الطبيعية في نظام البحث للحصول على المعلومات. على سبيل المثال: ما هو إجمالي TVL الحالي في سوق DeFi؟` # الأسئلة الشائعة (FAQs) ### ما هي المزايا التنافسية لـ AI Steam Search مقارنة بمنتجات مثل SearchGPT وPerplexity وSearch Grounding في معركة البحث بالذكاء الاصطناعي؟ **عمودي، عمودي، عمودي!!!** يتمتع AI Steam Search بقدرات بحث عامة، لكنه يركز أكثر على صناعة العملات المشفرة مقارنة بالمنتجات المذكورة أعلاه. نحن نعيد تعريف وتنظيم واجهات برمجة التطبيقات (API) التي يقدمها شركاؤنا في البيانات، ونشكل فريقًا من الوكلاء الذين يمتلكون تفكيرًا مستقلًا لتقديم إجابات فورية للبيانات للمستخدمين. ### البحث عن مواقع محددة مقابل واجهة برمجة التطبيقات (API)؟ مؤخرًا، لاحظنا أن Perplexity قد أعلنت عن نيتها تقديم وظيفة البحث عن مواقع محددة في المستقبل. بعد بحثنا، اكتشفنا أن هذه الميزة لا تشكل تهديدًا لـ AI Steam Search: 1. شرط وظيفة البحث عن عنوان URL المحدد هو أن يكون المستخدم على دراية بالعناوين ذات الصلة. عندما توجد بعض البيانات في صفحات فرعية مختلفة، فإن هذه الوظيفة لا تلبي احتياجات مستخدمي العملات المشفرة. (على سبيل المثال: أعطني بيانات القيمة الإجمالية المقفلة في سوق DeFi وبيانات القيمة السوقية الإجمالية للعملات المستقرة الحالية.) 2. في مجموعة الأدوات المتاحة حاليًا، بغض النظر عن الأداة المستخدمة لتحقيق هذه الوظيفة، فإنها تعتمد على معلومات سياقية غنية لمعالجة وتفسير النصوص الثابتة والمعلومات الهيكلية على المواقع. تواجه هذه الطريقة العديد من التحديات من حيث المرونة وقابلية الصيانة والامتثال. في ظل المطالب الصارمة للبيانات الدقيقة والمستقرة في اتخاذ القرارات من قبل المستخدمين في القطاع المالي، فإن واجهات برمجة التطبيقات (API) هي المسار الوحيد القابل للتطبيق حاليًا.\ **مثال على خطأ في أداة شائعة**: [https://tinyurl.com/262x3jjr](< https://tinyurl.com/262x3jjr>) 3. تعمل في بيئة خاضعة للرقابة، مما يعني أنها فعالة فقط عندما يسمح الموقع بهذا النوع من الاسترجاع ويتبع إرشادات الاستخدام الأخلاقي للذكاء الاصطناعي. باختصار، في مجال العملات المشفرة وحتى في عالم web2 الأوسع، لا تزال واجهات برمجة التطبيقات (API) تتمتع بميزة في الكفاءة الحالية والحصول على البيانات. الم disruptor المحتمل الوحيد في المستقبل يكمن في تطور القدرات القائمة على النماذج البصرية، وسنستمر في متابعة هذا التطور ورصده على المدى الطويل. # Steam Router يوفر Steam Router خدمة موازنة تحميل النماذج مصممة لتحسين توجيه الطلبات عبر مزودي API متعددين لضمان التوافر العالي والفعالية من حيث التكلفة. يقدم بشكل رئيسي خدمات للمطورين أو المستخدمين الذين لديهم احتياجات متعمقة في API. فكرتنا هي أنه في المستقبل، ستبقى فقط بعض الشركات الكبيرة في حروب النماذج الكبيرة، لكن النماذج ذات الأداء الجيد في السيناريوهات الرأسية ستظل موجودة، لذلك في المستقبل سيكون هناك مئات وعشرات من المزودين لكل نموذج، وسيتجه المطورون والمستخدمون إلى مزودي التجميع الأكثر ملاءمة. نحن نستخدم إطار تقييم الإجماع من المجتمع المفتوح المصدر لإعطاء الأولوية لخدمات استجابة مزودي API بناءً على سرعة إنتاجهم المقاسة (الرموز/الثانية)، والكمون (TTFT)، والسعر المختلط (الدولار الأمريكي/مليون رمز).
بالاعتماد على نظام الدفع الخاص بـ Solana، يتم تقديم مطوري تطبيقات الذكاء الاصطناعي والمستخدمين الذين لديهم احتياجات متعمقة في API إلى Solana لتقليل تكاليف الاستخدام وتعزيز راحتهم. مما يعزز حالات استخدام العملات المستقرة على سلسلة Solana ويدفع موجة التبني الجماعي لـ Solana. في سوق Web3، يمكن لـ SteamRouter أن يعمل كمزود خدمة وسيطة لتقديم خدمات خلفية لـ CEX، والمحافظ، وبرامج التداول، وتطبيقات Dapps الأخرى. يساهم في تسريع تحويل النماذج إلى سلع وديمقراطيتها، ويساعد في توسيع حدود الخدمات في سوق Web3.
# متجر الوكلاء حاليًا، تطبيقات الذكاء الاصطناعي في مرحلة الانفجار المبكر. يتم تداول التطبيقات الساخنة وتوزيع المعلومات بين مختلف الشخصيات المؤثرة (KOLs). يشعر أعضاء المجتمع بالارتباك كل يوم. يتم تغطية التطبيقات عالية الجودة بسهولة بجولة جديدة من النقاط الساخنة قبل أن يتم تحقيق الدخل منها، ويقوم المستخدمون بالتبديل بشكل متكرر بين التطبيقات. نحن نحقق التكامل العضوي بين المستخدمين والمطورين من خلال التجميع. يهدف متجر الوكلاء إلى جمع المستخدمين والمطورين معًا. على جانب المستخدم، يوفر للمستخدمين منصة لاكتشاف واستخدام تطبيقات الذكاء الاصطناعي عالية الجودة بسهولة. على جانب المطور، يوفر للمطورين الأدوات اللازمة لإنشاء وكلاء بأنفسهم لمساعدة المطورين في حل قضايا تحقيق الدخل. من خلال إصدار NFT، نحقق توازنًا عضويًا بين المطورين والمنصة. عندما يقوم المطورون بإنشاء وكلاء على المنصة، يحتاجون إلى شراء NFT. لا تستبدل هذه الطريقة السياسة التي تعرضت للانتقاد الشديد والتي تتطلب من المطورين الاستمرار في دفع رسوم تعريف المطور كل عام ليتم إدراجهم في AppStore فحسب، بل تجعل أيضًا دخول وخروج المطورين مشكلة تخص المنصة. كما تساهم في إنشاء دخل ملكي مستدام في السوق. الإنترنت الذكي التفاعلي مع الوكلاء هو الاتجاه الرئيسي للتطوير في المستقبل. يتم تشكيل الدردشات الجماعية من خلال استدعاء وكلاء مختلفين في المنصة. يرسل المستخدمون المهام إلى الدردشة الجماعية، ويفهم الوكيل بشكل مستقل ويكمل استجابة المهمة المقابلة. وأخيرًا، يتم إجراء الخصومات وفقًا للرموز المستهلكة من قبل كل وكيل.
تطور البشرية هو عملية طويلة ومعقدة. من البقاء الفردي المبكر إلى تشكيل المجموعات، بدأت فجر الحضارة في الظهور تدريجيًا. التعاون المتبادل والتبادلات بين الأفراد شكلت تدريجيًا هيكلًا اجتماعيًا معقدًا وتبلورًا ثقافيًا غنيًا. عندما تم اختراع الحواسيب لأول مرة، لم تكن متصلة بالإنترنت. لاحقًا، مع تطور تقنية الشبكات، بدأت الحواسيب في الاتصال بشبكة ضخمة، وولد الإنترنت. لقد ساهم ظهور الإنترنت بشكل كبير في تداول المعلومات ومشاركتها، وغيّر من أسلوب عمل الناس ودراستهم وحياتهم اليومية، وساهم في تعزيز عملية العولمة، ورفع كفاءة الإنتاج إلى عصر حضاري جديد. اليوم، تقترب الوكلاء الذكية من أداء البشر في بعض المهام. لكنها تعيش على "جزيرة معزولة" عن بعضها البعض. توحيد الوكلاء للتواصل والتعاون مع بعضهم البعض يمكن أن يطلق العنان لقوة أكبر للوكلاء الذكية. سننتقل من إنترنت كل شيء إلى "الإنترنت الذكي لكل شيء". لم تعد الوكلاء الذكية محدودة بهيكل تعاون لامركزي، بل يمكنها الاتصال ببعضها البعض عبر المحطات والتواصل بحرية لتحقيق تعاون فعال.
# السوق وSteam Cloud
باعتبارها خط إنتاج ملحق، فإن المركز التجاري له تأثير الحلقة المغلقة على المنصة. خذ على سبيل المثال منتج برنامج نسخ الفيديو الذي طورته memo.ac. قام مطوروه بتطوير منتجات من الطراز الأول في السوق الحالي. يمتلك المطورون القدرة على تطوير منتجات عالية الجودة، لكنهم يفتقرون إلى القدرة على اكتشاف وبيع المنتجات. بالاعتماد على شبكة المبيعات التي أنشأتها Crypto، يمكن للمركز التجاري أن يعمل كمنصة مبيعات تابعة لجهة ثالثة، متعاونًا مع مثل هؤلاء المطورين المتميزين لتزويدهم بخدمات شاملة مثل اكتشاف المستخدمين، والمبيعات، وتعليم استخدام المنتج، وكسب حصة من الأرباح من جانب المبيعات، واحتجاز القيمة للمنصة. باستخدام memo.ac كمثال، فإن منتجها غير مناسب لإنشاء وكلاء على متجر الوكلاء. يحتاج المستخدمون إلى تنزيل البرنامج على أجهزتهم المحلية. من حيث تجربة المستخدم، عند نسخ فيديو مدته ساعة واحدة، إذا كان جهازك يحتوي على شريحة Mac M1، فإن تجربة الإنتاج الكاملة تستغرق أكثر من 10 دقائق. هناك طلب على التسريع السحابي. قمنا ببناء Steam Cloud من خلال تجميع مزودي GPT على مستوى المؤسسات لتقديم خدمات التسريع لمستخدمي هذا المنتج. في بيئة الاختبار، يمكن تسريع فيديو مدته ساعة واحدة بنسبة تزيد عن 50%، مما يضاعف كفاءة الإنتاج بالكامل. تلتقط المنصة أيضًا قيمة مستدامة في خدمات Steam Cloud. في الوقت نفسه، عندما يقوم المطورون بدمج خدمات التسريع، يحتاجون فقط إلى إضافة مجموعة تطوير البرمجيات (SDK) التي نقدمها إلى الخلفية. سوق أجهزة الذكاء الاصطناعي يمر حاليًا بنقطة تحول حاسمة. خذ على سبيل المثال التجربة الثورية التي جلبتها Vision Pro. هذا النوع من الإدمان يشبه الانتقال مباشرة من معدل عرض 480P إلى 4K. بمجرد تجربتها، لا يمكنك تحمل الرجوع إلى الوراء. الطلب الاستهلاكي للمستخدم قوي ومعايير الأجهزة تقفز بهدوء من إنترنت كل شيء إلى الإنترنت الذكي لكل شيء. نعتقد أن جميع معدات المنتجات الذكية الحالية بمستوى Wi-Fi ستواجه استبدالها بمعدات منتجات ذكية بمستوى LLM. نحن نعمل مع أطراف ثالثة على جانب المركز التجاري لمساعدتهم في توفير خدمات الاكتشاف والمبيعات والحوسبة السحابية. من حيث خدمات البرمجيات، نقوم ببناء خدمة استضافة LLM مفتوحة المصدر صغيرة النطاق لتزويد المطورين بإمكانية الوصول إلى API لمساعدتهم في تحقيق ذكاء الأجهزة. تلتقط المنصة القيمة من استهلاك رموز LLM. ينطبق هذا السيناريو التطبيقي أيضًا على أجهزة Depin. # الهندسة المعمارية
# الجدول الزمني
1. بحث سوق Crypto Ai في أوائل يونيو 2. إطلاق المشروع في 28 يونيو 3. اكتمال نشر Steam Search في 23 يوليو 4. اكتمال اختبار الوظائف، التوافق، الموثوقية، الأمان وتحمل الضغط في 27 يوليو 5. اكتمال تشغيل الموقع الرسمي وتجربة البحث في 4 أغسطس 6. اكتمال تمويل الجولة التأسيسية في نهاية أغسطس 7. اكتمال نشر SteamRouter، الاختبار، وتشغيل التجربة في منتصف أغسطس 8. اكتمال نشر AgentStore، الاختبار وتشغيل التجربة في أوائل سبتمبر 9. اكتمال إعادة بناء وترقية Steam Search في منتصف سبتمبر 10. اكتمال أنشطة نمو المستخدم والتوزيع المجاني من أكتوبر إلى نوفمبر 11. سيتم إدراج الرمز في البورصة في أوائل ديسمبر # اقتصاديات الرمز
## إجمالي عرض الرمز ・الإجمالي المعروض: 1,000,000,000 ## توزيع الرمز 1. التوزيع المجاني الأول (5%) ・الهدف: سيتم توزيعه على المشاركين في حدث الموسم خلال حدث توليد رمز AIS ...... # مجموعة الوسائط {% file src="/files/vplQcq8isObb23QruIpw" %} {% file src="/files/ivcpZytiOEKmlh9mKVgd" %} {% file src="/files/ybXXH6ybbxpSQ2yIMYuk" %} {% file src="/files/9jkU3N2H9HY5mCr9QaLA" %} {% file src="/files/Q3RaEbsey4xtPPbsiUSa" %} {% file src="/files/js8Nw0UT6vG51eMb0X5g" %} {% file src="/files/CbLaF1m4yG7CpEm2gxbE" %} {% file src="/files/dSSQWjNOJD3CSf9PZmHa" %} # بحث علمي # استخدام Steam Agent للتفاعل مع API: دفع بيانات التجارة إلى نموذج استهلاكي للجمهور ### ملخص مع تقدم نماذج اللغة الكبيرة (LLMs) في مجال معالجة اللغة الطبيعية، بدأ المزيد من الناس في التركيز على استخدام قدراتها لتبسيط التفاعل مع البرمجيات. في هذه الورقة، نقدم نظامًا مبتكرًا يدمج LLMs لتصنيف المدخلات الطبيعية إلى استدعاءات API المناسبة، وتوليد مجموعة بيانات عينة تلقائيًا لاستدعاء وظائف API محددة. من خلال الأوامر الطبيعية، يسمح نظامنا للمستخدمين باستدعاء وظائف API المعقدة من خلال إدخالات بسيطة، مما يزيد من كفاءة التفاعل ويقلل من عوائق استخدام API، مما يدفع مستهلكي API بالكامل نحو الجماهير غير التقنية، ويمكن أن يحقق بسرعة تجارية للوصول القابل للاستهلاك. ### I. المقدمة في السنوات الأخيرة، حققت نماذج اللغة الكبيرة (LLMs) تقدمًا ملحوظًا في مجال معالجة اللغة الطبيعية (NLP) \[1، 2، 3]، حيث أظهرت أداءً ممتازًا في مهام تتراوح من توليد النصوص إلى حل المشكلات المعقدة عبر صناعات متعددة مثل المالية والرعاية الصحية والفنون وخدمة العملاء \[4، 5، 6]。 هذه التقدمات أثارت أيضًا اهتمام الناس في استكشاف إمكانيات LLMs لتبسيط وتحسين التفاعل مع البرمجيات. تم البحث على نطاق واسع في تقنيات التعلم الآلي والتعلم العميق المتقدم لتعزيز تكامل أنظمة البرمجيات وتحسين التطبيقات المختلفة \[7، 8، 9]。 كجزء من التطور المستمر، يتم الآن دراسة LLMs كأدوات قوية لجعل أنظمة البرمجيات أكثر بديهية وسهولة في الاستخدام لمستخدمين بمستويات تقنية مختلفة \[10، 11]。 تقليديًا، يتفاعل المستخدمون مع البرمجيات من خلال واجهات برمجة التطبيقات (APIs)، والتي تعتبر ضرورية للتواصل بين تطبيقات البرمجيات المختلفة \[12]。 ومع ذلك، يتطلب التفاعل مع API عادةً فهمًا عميقًا لبنيتها ومعلماتها واستدعاءاتها المحددة، مما يشكل عقبة أمام المستخدمين غير التقنيين أو غير المألوفين بالمنطق الأساسي لـ API \[13]。 إن دمج LLMs في سير عمل إدارة API يوفر فرصة للتفاعل مع API من خلال إدخالات بسيطة وطبيعية، مما يفتح آفاقًا جديدة للمستخدمين بمستويات تقنية واحتياجات مختلفة \[14، 15]。 ومع ذلك، فإن نشر LLMs لإدارة API ينطوي على بعض التحديات، حيث يكمن التحدي الرئيسي في ضمان قدرة النموذج على تفسير المدخلات الطبيعية بدقة وتصنيفها كاستدعاءات API الصحيحة. نظرًا لأن API لها هياكل متنوعة، وأن إدخالات المستخدم تختلف حسب السياق، فإن تطوير نظام موثوق لتقييم أداء LLM في حالات الاستخدام المختلفة أمر بالغ الأهمية. لمواجهة هذه التحديات، نقدم نظامًا جديدًا يدمج LLMs ويحتوي على وظيفتين رئيسيتين. الأولى هي استخدام LLMs لتفسير وتصنيف المدخلات الطبيعية بدقة، ورسمها بدقة إلى استدعاءات API المناسبة. الجزء الآخر هو استخدام LLM لتوليد مجموعة بيانات عينة تلقائيًا لوظائف API المحددة، وهو أمر مهم لتقييم أداء LLM في مهام تصنيف API المختلفة بشكل منهجي. على عكس الطرق التقليدية، يوفر إطارنا حلاً قابلاً للتوسع والتكرار، مما يضمن أن سير عمل API يمكن اختباره بشكل شامل بدقة عالية وارتباطه بالتطبيقات الفعلية. قمنا بإجراء تجارب واسعة النطاق على مجموعة متنوعة من وظائف API في الصناعة باستخدام تعليمات الاستدعاء، وقمنا بتقييم قدرات التصنيف لعدة LLMs معروفة، بما في ذلك GPT-4 وGPT-4o-mini وClaude 3.5 Sonnet وGPT-4o (Aug '24) وDeepSeek-V2-Chat وDeepSeek-V2.5 وLLaMA-3-8B وGemini-1.5. أظهرت النتائج وجود اختلافات ملحوظة في أداء النماذج، حيث تم ترتيبها حسب معدل الاستعداد من الأعلى إلى الأدنى كالتالي: Claude 3.5 Sonnet وGPT-4o (Aug '24) وGPT-4o-mini. تُظهر هذه الاكتشافات إمكانيات LLMs في تصنيف API، وتؤكد على أهمية اختيار النماذج بعناية في بيئات مختلفة، وتبرز فعالية نظامنا كأداة إدارة API فعالة وعملية. ### II. الأعمال ذات الصلة #### II-A. LLMs لاستخدامها في واجهات اللغة الطبيعية على مدار العقد الماضي، ومع التطور السريع في مجال التعلم الآلي، توسعت تطبيقاته لتشمل مجالات متعددة، مما غير بشكل جذري التكنولوجيا \[16، 17]، والرعاية الصحية \[18، 19، 20، 21، 22، 23]، والمالية \[24]، وبناء الطرق \[25] وغيرها من الصناعات. لم تحل هذه التقدمات فقط المشكلات التقنية المعقدة، بل قدمت أيضًا حلولًا مبسطة، مما عزز تجربة المستخدم \[26، 27، 28]。 واحدة من أكثر الاختراقات تحولًا هي ظهور نماذج اللغة الطبيعية. من خلال الاستفادة من تقنيات التعلم العميق، تمكنت واجهات اللغة الطبيعية المستخدمين من التفاعل مع أنظمة معقدة من خلال أوامر بسيطة وبديهية \[29، 30، 31، 32، 33]، مما خفض بشكل كبير من عوائق التشغيل التقنية التقليدية، وجعلها في متناول المستخدمين غير المتخصصين. أحد التطبيقات البارزة هو في مجال استعلام البيانات، حيث يمكن للنموذج تحليل استعلامات اللغة الطبيعية وتحويلها إلى أوامر هيكلية مثل SQL، مما يسمح للموظفين غير التقنيين باسترجاع المعلومات من قواعد البيانات دون الحاجة لفهم القواعد الأساسية \[34]。 بالإضافة إلى استعلام البيانات، تم دمج LLMs في أتمتة DevOps، مما يسمح للمستخدمين ببدء وإدارة سير العمل المعقد باستخدام أوامر بسيطة. هذا الدمج يبسط مهام تكوين البنية التحتية، والنشر، ومراقبة النظام، من خلال تقديم نموذج تفاعل أكثر ودية، مما يبسط مجال DevOps التقليدي المعقد \[35]。 وبالمثل، يتم استكشاف إمكانيات LLMs للتفاعل مع API. على الرغم من أن النماذج الحالية مثل Codex قادرة على توليد مقاطع التعليمات البرمجية، إلا أن مجال استرجاع استدعاءات API لا يزال في حالة غير متطورة \[36]。 تعقيد API، الذي غالبًا ما يتضمن بروتوكولات متعددة، وأشكال بيانات، ومعلمات محددة للمجال، يقدم تحديات فريدة. ### III. المنهجية — نظام الوكلاء المتعدد لـ Steam Search

إطار استرجاع API

لقد قمنا بالفعل بتنفيذ بناء وتنسيق ونشر نظام الوكلاء المتعدد قبل أن تطلق OpenAI إطار Swarm \[37] التجريبي. وقد تم دفعه إلى مستوى الإنتاج، وتعريف النظام كما يلي: #### III-A. نظام استرجاع API إطار استرجاع API هو قناة آلية قادرة على معالجة استفسارات المستخدمين بشكل فعال، مما يضمن تصنيف كل استفسار بشكل صحيح، وتمريره إلى دالة API المناسبة، وإرجاع النتائج بكفاءة إلى المستخدم. يمكن تقسيم سير العمل الهيكلي إلى المراحل الرئيسية التالية: #### III-A1. إدخال المستخدم يستقبل النظام أولاً استفسارات المستخدمين المدخلة باللغة الطبيعية. خلال عملية التوجيه، يتم دمج إدخال المستخدم مع التعليمات المسبقة المحددة، ثم يتم إرساله إلى LLM. تحدد هذه التعليمات هيكل API وتضع قواعد تنسيق الخرج المحددة، مما يضمن أن استجابة النظام تتوافق مع هيكل API ومتطلبات الوظيفة. قد تتراوح تعقيد الإدخال من أسئلة بسيطة إلى أوامر أكثر تعقيدًا. تتيح مرونة LLMs للنظام تفسير ومعالجة مجموعة واسعة من إدخالات المستخدم، حتى عندما تكون التعبيرات المدخلة غير واضحة. #### III-A2. تصنيف API بمجرد استلام الاستفسار، يقوم LLM المدمج بربطه بالوظائف المناسبة لـ API. بشكل محدد، يقوم LLM بمعالجة الاستفسار وإرجاع علامة تصنيف، حيث يتم تصنيفها وفقًا للهيكل المسبق المحدد لـ API. في الوقت نفسه، يتم استرجاع الكلمات الرئيسية ذات الصلة المطلوبة لمتغيرات إدخال وظيفة API. تحدد هذه العلامة وحدات API والوظائف المحددة اللازمة لتلبية طلب المستخدم. لضمان معالجة فعالة بين الموارد المتاحة، يتم استخدام موازن تحميل لتوزيع الاستفسارات الواردة. #### III-A3. تنفيذ API بعد إرجاع العلامة، يقوم معرف API بطلب الخادم للحصول على المسار الذي يقوم بتقديم وظيفة API. تتضمن هذه الخطوة ربط الكلمات الرئيسية المستخرجة من الاستفسار ديناميكيًا بالمعلمات المدخلة المطلوبة لوظيفة API. على سبيل المثال، في حالة API Coingecko، يتم تنفيذ استدعاء API بعد ذلك للحصول على بيانات رد JSON. #### III-A4. إرجاع النتائج بعد معالجة استدعاء API، يتم إرجاع النتائج بطريقة قابلة للقراءة من قبل المستخدم. تتضمن هذه الخطوة معالجة الأخطاء. إذا حدثت أي مشاكل أثناء تنفيذ API، مثل المعلمات غير الصالحة أو فشل استدعاء API، فإن النظام يقدم ملاحظات ذات صلة للمستخدم. بالإضافة إلى ذلك، تتيح ميزة سجل البحث للمستخدمين عرض الاستفسارات السابقة، مما يضيف طبقة من الوظائف للتفاعلات المتكررة. تقوم هذه الإطار الشامل بأتمتة عملية التفاعل مع API بالكامل، مما يقلل من التدخل اليدوي إلى الحد الأدنى، ويضمن معالجة استفسارات المستخدم بكفاءة ودقة. من خلال دمج هيكل API أثناء عملية التوجيه، يضمن النظام سهولة التوسع، مما يسمح بإضافة فئات ووظائف جديدة من API حسب الحاجة. ### IV. تجارية البيانات يمكن لنماذج اللغة الكبيرة (LLMs) قراءة معلمات كائن JSON التي تعيدها API وإرجاع المحتوى إلى المستخدم بطريقة قابلة للقراءة باللغة الطبيعية، مما سيؤدي إلى سلسلة من التحولات الملحوظة، من القيود التي يهيمن عليها الفنيون إلى نموذج تجاري يمكن للمستخدمين العاديين استهلاكه، ويظهر ذلك بشكل رئيسي في الجوانب التالية: ### IV-A. عيوب النماذج التجارية التقليدية #### IV-A1. الهيمنة التقنية قبل أن تشارك نماذج اللغة الكبيرة (LLMs) في معالجة بيانات API، كان استخدام API مقصورًا بشكل رئيسي على الفنيين والمطورين. غالبًا ما يفتقر المستخدمون العاديون إلى المعرفة التقنية اللازمة للتفاعل مباشرة مع API. هذه القيود تؤدي إلى عدة عيوب: * **حاجز المعرفة:** يحتاج المستخدمون العاديون إلى امتلاك مهارات برمجة معينة ومعرفة باستخدام API للاستفادة الفعالة من البيانات والخدمات التي تقدمها API. هذا يستبعد العديد من المستخدمين المحتملين، مما يحد من التطبيق الواسع في السوق. * **التكاليف العالية:** تحتاج الشركات إلى توظيف فنيين لتطوير وصيانة التكامل مع API، مما يزيد من تكاليف التشغيل. بالنسبة لمقدمي البيانات، فإن عدم استقرار قاعدة العملاء يحد من دافعهم للابتكار مرة أخرى. * **بطء الاستجابة:** غالبًا ما يحتاج الفنيون إلى قضاء وقت طويل في معالجة طلبات API وتحليل البيانات. هذا يؤدي إلى تأخير في الحصول على المعلومات، مما يؤثر على توقيت اتخاذ القرار. #### IV-A2. قيود السوق نظرًا لأن استخدام API يتركز بشكل رئيسي في أيدي الفنيين، فإن إمكانيات السوق لم تُستغل بشكل كامل: * **قاعدة المستخدمين الضيقة:** فقط المستخدمون الذين لديهم خلفية تقنية يمكنهم الاستفادة الفعالة من API، مما يؤدي إلى قيود في الطلب في السوق. العديد من المستخدمين في الصناعات والقطاعات المختلفة لا يمكنهم الاستفادة من المزايا التي تقدمها API. * **قيود الابتكار:** الهيمنة التقنية للفنيين تحد من ملاحظات واحتياجات المستخدمين، مما يؤدي إلى نقص في التنوع والابتكار في تطوير وتحسين API. قد توجد العديد من الاحتياجات غير الملباة في السوق. ### IV-B. التحولات التجارية القابلة للاستهلاك من قبل المستهلكين #### IV-B1. التعميم وسهولة الاستخدام أدى إدخال LLM إلى جعل معالجة بيانات API أكثر وضوحًا وسهولة، مما يسمح للمستخدمين العاديين بالوصول بسهولة إلى البيانات التي تقدمها API واستخدامها. هذه التحولات جلبت الفوائد التالية: * **خفض حاجز المعرفة:** يمكن للمستخدمين التفاعل مع النظام باستخدام اللغة الطبيعية دون الحاجة إلى مهارات برمجة. وهذا يمكّن المزيد من المستخدمين غير التقنيين من المشاركة في استهلاك البيانات، مما يوسع قاعدة المستخدمين. * **تحسين تجربة المستخدم:** من خلال معالجة اللغة الطبيعية، يمكن للمستخدمين الحصول على المعلومات التي يحتاجونها بشكل أكثر سهولة، مما يقلل من تكاليف التعلم وعوائق الاستخدام. ستجذب هذه التجربة الودية المزيد من المستخدمين لاستخدام الخدمات ذات الصلة. #### IV-B2. توسيع السوق والابتكار إن مشاركة LLM لا تعزز تجربة المستخدم فحسب، بل تدفع أيضًا نحو توسيع السوق والابتكار: * **تنوع قاعدة المستخدمين:** مع زيادة سهولة استخدام API، سيتمكن المزيد من المستخدمين من مختلف الصناعات من الاستفادة من بيانات API في اتخاذ القرارات والتحليلات. سيؤدي ذلك إلى تعزيز تنوع السوق وتلبية احتياجات المستخدمين المختلفة. * **تعزيز الابتكار:** سيكون من الأسهل جمع وتحليل ملاحظات واحتياجات المستخدمين، مما يعزز التحسين المستمر والابتكار في API. يمكن للشركات تطوير ميزات جديدة بناءً على احتياجات المستخدمين الفعلية، مما يعزز قدرتها التنافسية في السوق. #### IV-B3. اتخاذ القرارات في الوقت الحقيقي وزيادة الكفاءة أدى إدخال LLM إلى جعل معالجة البيانات أكثر كفاءة، مما يمكّن المستخدمين من الحصول على المعلومات في الوقت الحقيقي واتخاذ قرارات سريعة: * **تسريع سرعة الاستجابة:** يمكن للمستخدمين الحصول على البيانات المطلوبة على الفور، مما يقلل من أوقات الانتظار. وهذا أمر مهم بشكل خاص في صناعة العملات المشفرة التي تتطلب اتخاذ قرارات سريعة. * **زيادة كفاءة العمل:** من خلال أتمتة معالجة البيانات، يمكن للمستخدمين تخصيص المزيد من الوقت للتحليل واتخاذ القرارات بدلاً من قضاء الوقت في جمع البيانات وتحليلها. سيؤدي ذلك إلى زيادة كبيرة في كفاءة العمل. ### V. المسار التجاري يمكن لمقدمي البيانات، من خلال التعاون مع AI Steam Labs، بناء نموذج تجاري مبتكر يدمج البيانات في نظام البحث الخاص بنا، مما يشكل وكيلًا مستقلًا يتم إدراجه في متجر الوكلاء (Agent Store) لتقديم خدمات استهلاك البيانات المريحة للمستخدمين، حيث يحصل المستخدمون على بيانات قابلة للقراءة باللغة الطبيعية. ستستكشف هذه الورقة كيفية تحقيق هذا المسار التجاري ونماذج تحقيق الدخل المحتملة. #### V-A. نظرة عامة على نموذج التعاون سيكون تعاون AI Steam Labs مع مقدمي البيانات قائمًا على العناصر الأساسية التالية: * **دمج البيانات:** سيتم دمج واجهات برمجة التطبيقات (APIs) ومصادر البيانات لمقدمي البيانات في نظام البحث الخاص بـ AI Steam Labs، لتحويلها إلى شكل استهلاكي قابل للقراءة من قبل المستخدمين، حيث يمكنهم الوصول إلى البيانات واستهلاكها من خلال هذه المنصة. * **وكيل مستقل:** سيعمل مقدمو البيانات كوكيل مستقل في متجر الوكلاء (Agent Store)، مما يتيح للمستخدمين التفاعل مباشرة مع هؤلاء الوكلاء للحصول على خدمات البيانات المطلوبة. * **نظام نقاط الاستهلاك:** عند استهلاك البيانات على المنصة، سيستخدم المستخدمون نقاط الاستهلاك للدفع. سيتم ربط استهلاك النقاط بكمية البيانات المستخدمة (مثل استهلاك 1M توكن)، مما يشكل آلية استهلاك شفافة. #### V-B. آلية نقاط الاستهلاك سيكون نظام نقاط الاستهلاك هو جوهر هذا النموذج التجاري، وطريقة التنفيذ المحددة هي كما يلي: * **الحصول على النقاط:** يمكن للمستخدمين الحصول على نقاط الاستهلاك من خلال دفع مبالغ صغيرة باستخدام عملات مستقرة، كما يمكنهم الحصول عليها من خلال مكافآت التسجيل، أو دعوة الأصدقاء، أو المشاركة في الأنشطة. سيحفز ذلك المستخدمين على المشاركة بنشاط في استخدام المنصة. * **استهلاك النقاط:** عند استخدام خدمات البيانات، سيتم خصم النقاط المناسبة وفقًا لكمية استهلاك 1M توكن. على سبيل المثال، إذا كانت كمية استهلاك 1M توكن تعادل 10,000 نقطة، فسيتم خصم النقاط وفقًا للكمية الفعلية المستخدمة عند استهلاك البيانات. * **إدارة النقاط:** ستوفر المنصة واجهة لإدارة النقاط للمستخدمين، حيث يمكنهم الاطلاع على رصيد النقاط، وسجل الاستهلاك، وطرق الحصول على النقاط في أي وقت، مما يعزز تجربة المستخدم. #### V-C. نموذج توزيع الإيرادات لتحقيق الإيرادات، ستتبنى AI Steam Labs ومقدمو البيانات نموذج توزيع الإيرادات، كما يلي: * **نسبة التوزيع:** ستكون نسبة توزيع الإيرادات بين AI Steam Labs ومقدمي البيانات 3:7، حيث ستحصل AI Steam Labs على 30% من الإيرادات، بينما سيحصل مقدمو البيانات على 70% من الإيرادات. تعكس هذه النسبة أهمية مقدمي البيانات في توفير البيانات وصيانتها. * **مصادر الإيرادات:** ستأتي الإيرادات بشكل رئيسي من رسوم النقاط الناتجة عن استهلاك المستخدمين للبيانات على المنصة. مع توسع قاعدة المستخدمين وزيادة استهلاك البيانات، ستشهد الإيرادات زيادة ملحوظة للطرفين. * **آلية تسوية شفافة:** ستقوم المنصة بإنشاء آلية تسوية شفافة، حيث سيتم تسوية الإيرادات لمقدمي البيانات بشكل دوري، مما يضمن حماية مصالح الطرفين. #### V-D. قيمة المستخدم وإمكانات السوق هذا المسار التجاري لا يخلق فقط فرص إيرادات جديدة لـ AI Steam Labs ومقدمي البيانات، بل يوفر أيضًا قيمة ملحوظة للمستخدمين: * **وصول سهل إلى البيانات:** يمكن للمستخدمين الوصول بسهولة إلى مجموعة متنوعة من خدمات البيانات على منصة واحدة، مما يقلل من متاعب التبديل بين منصات مختلفة. * **طرق استهلاك مرنة:** من خلال نقاط الاستهلاك، يمكن للمستخدمين استهلاك البيانات بمرونة وفقًا لاحتياجاتهم، مما يعزز شعورهم بالمشاركة ورضاهم. * **توسيع السوق:** مع انتشار استهلاك البيانات، يمكن لـ AI Steam Labs جذب المزيد من المستخدمين ومقدمي البيانات، مما يؤدي إلى توسيع حصتها في السوق بشكل أكبر. #### V-E. آفاق المستقبل مع التقدم المستمر في التكنولوجيا وتغير احتياجات السوق، سيتطور نموذج التعاون بين AI Steam Labs ومقدمي البيانات باستمرار. تشمل الاتجاهات المحتملة للتوسع في المستقبل: * **تنويع خدمات البيانات:** إدخال المزيد من أنواع مقدمي البيانات، مما يثري تنوع خدمات البيانات على المنصة لتلبية احتياجات المستخدمين المختلفة. * **نظام توصية ذكي:** استخدام تقنيات الذكاء الاصطناعي لتحليل سلوك استهلاك المستخدمين، وتقديم توصيات بيانات مخصصة، مما يعزز تجربة المستخدم. * **التعاون عبر المنصات:** التعاون مع منصات أخرى ومقدمي الخدمات لتوسيع سيناريوهات وتطبيقات استهلاك البيانات، مما يخلق نظامًا بيئيًا أوسع. ### VI. الخاتمة يمكن لـ AI Steam Labs بناء مسار تجاري مبتكر يحقق سهولة استهلاك البيانات وتوسيع السوق. ستوفر آلية نقاط الاستهلاك ونموذج توزيع الإيرادات فرص إيرادات مستدامة للطرفين، بينما تقدم للمستخدمين قيمة وتجربة أعلى. لا يتماشى هذا النموذج التجاري مع الاتجاهات الحالية في السوق فحسب، بل يؤسس أيضًا لقاعدة قوية للتطورات المستقبلية. ### References \[1] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin.Attention is all you need.In Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS’17, page 6000–6010, Red Hook, NY, USA, 2017. Curran Associates Inc. \[2] Jacob Devlin.Bert: Pre-training of deep bidirectional transformers for language understanding.arXiv preprint arXiv:1810.04805, 2018. \[3] Renrui Zhang, Ziyao Zeng, Ziyu Guo, and Yafeng Li.Can language understand depth?In Proceedings of the 30th ACM International Conference on Multimedia, pages 6868–6874, 2022. \[4] Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, and Gideon Mann.Bloomberggpt: A large language model for finance.arXiv preprint arXiv:2303.17564, 2023. \[5] Qixin Deng, Qikai Yang, Ruibin Yuan, Yipeng Huang, Yi Wang, Xubo Liu, Zeyue Tian, Jiahao Pan, Ge Zhang, Hanfeng Lin, et al.Composerx: Multi-agent symbolic music composition with llms.arXiv preprint arXiv:2404.18081, 2024. \[6] Yixiao Yuan, Yangchen Huang, Yu Ma, Xinjin Li, Zhenglin Li, Yiming Shi, and Huapeng Zhou.Rhyme-aware chinese lyric generator based on gpt.arXiv preprint arXiv:2408.10130, 2024. \[7] Yijie Weng and Jianhao Wu.Big data and machine learning in defence.International Journal of Computer Science and Information Technology, 16(2), 2024. \[8] Yiyi Tao, Yiling Jia, Nan Wang, and Hongning Wang.The fact: Taming latent factor models for explainability with factorization trees.In Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval, pages 295–304, 2019. \[9] Yukun Song.Deep Learning Applications in the Medical Image Recognition.American Journal of Computer Science and Technology, 2(2):22–26, July 2019. \[10] Yuelyu Ji, Zhuochun Li, Rui Meng, Sonish Sivarajkumar, Yanshan Wang, Zeshui Yu, Hui Ji, Yushui Han, Hanyu Zeng, and Daqing He.Rag-rlrc-laysum at biolaysumm: Integrating retrieval-augmented generation and readability control for layman summarization of biomedical texts.arXiv preprint arXiv:2405.13179, 2024. \[11] Tommaso Calò and Luigi De Russis.Leveraging large language models for end-user website generation.In International Symposium on End User Development, pages 52–61. Springer, 2023. \[12] Roy Thomas Fielding.Architectural styles and the design of network-based software architectures.University of California, Irvine, 2000. \[13] Cesare Pautasso, Olaf Zimmermann, and Frank Leymann.Restful web services vs.” big”’web services: making the right architectural decision.In Proceedings of the 17th international conference on World Wide Web, pages 805–814, 2008. \[14] Yaobo Liang, Chenfei Wu, Ting Song, Wenshan Wu, Yan Xia, Yu Liu, Yang Ou, Shuai Lu, Lei Ji, Shaoguang Mao, et al.Taskmatrix. ai: Completing tasks by connecting foundation models with millions of apis.Intelligent Computing, 3:0063, 2024. \[15] Yifan Song, Weimin Xiong, Dawei Zhu, Wenhao Wu, Han Qian, Mingbo Song, Hailiang Huang, Cheng Li, Ke Wang, Rong Yao, et al.Restgpt: Connecting large language models with real-world restful apis.arXiv preprint arXiv:2306.06624, 2023. \[16] Yixin Jin, Wenjing Zhou, Meiqi Wang, Meng Li, Xintao Li, Tianyu Hu, and Xingyuan Bu.Online learning of multiple tasks and their relationships: Testing on spam email data and eeg signals recorded in construction fields.arXiv preprint arXiv:2406.18311, 2024. \[17] Yiyi Tao.Meta learning enabled adversarial defense.In 2023 IEEE International Conference on Sensors, Electronics and Computer Engineering (ICSECE), pages 1326–1330. IEEE, 2023. \[18] Yiru Gong, Qimin Zhang, Huili Zheng, Zheyan Liu, and Shaohan Chen.Graphical Structural Learning of rs-fMRI data in Heavy Smokers.arXiv preprint arXiv:2409.08395, 2024. \[19] Wanyu Bian, Albert Jang, Liping Zhang, Xiaonan Yang, Zachary Stewart, and Fang Liu.Diffusion modeling with domain-conditioned prior guidance for accelerated mri and qmri reconstruction.IEEE Transactions on Medical Imaging, 2024. \[20] Yumeng Yang, Ashley Gilliam, Ethan B Ludmir, and Kirk Roberts.Exploring the generalization of cancer clinical trial eligibility classifiers across diseases.arXiv preprint arXiv:2403.17135, 2024. \[21] Huili Zheng, Qimin Zhang, Yiru Gong, Zheyan Liu, and Shaohan Chen.Identification of prognostic biomarkers for stage iii non-small cell lung carcinoma in female nonsmokers using machine learning.arXiv preprint arXiv:2408.16068, 2024. \[22] Wanyu Bian, Yunmei Chen, and Xiaojing Ye.An optimal control framework for joint-channel parallel mri reconstruction without coil sensitivities.Magnetic Resonance Imaging, 89:1–11, 2022. \[23] Xintao Li and Sibei Liu.Predicting 30-day hospital readmission in medicare patients: Insights from an lstm deep learning model.medRxiv, 2024.doi:10.1101/2024.09.08.24313212. \[24] Siqiao Zhao, Zhikang Dong, Zeyu Cao, and Raphael Douady.Hedge fund portfolio construction using polymodel theory and itransformer.arXiv preprint arXiv:2408.03320, 2024. \[25] Han-Cheng Dan, Peng Yan, Jiawei Tan, Yinchao Zhou, and Bingjie Lu.Multiple distresses detection for asphalt pavement using improved you only look once algorithm based on convolutional neural network.International Journal of Pavement Engineering, 25(1):2308169, 2024. \[26] Yunyi Zhu, Cedric Honnet, Yixiao Kang, Junyi Zhu, Angelina J Zheng, Kyle Heinz, Grace Tang, Luca Musk, Michael Wessely, and Stefanie Mueller.Demonstration of chromocloth: Re-programmable multi-color textures through flexible and portable light source.In Adjunct Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2023. \[27] Yukun Song, Parth Arora, Rajandeep Singh, Srikanth T. Varadharajan, Malcolm Haynes, and Thad Starner.Going Blank Comfortably: Positioning Monocular Head-Worn Displays When They are Inactive.In Proceedings of the 2023 International Symposium on Wearable Computers, pages 114–118, Cancun, Quintana Roo Mexico, October 2023. ACM. \[28] Yixiao Kang, Zhenglin Zhang, Meiqi Zhao, Xuanhui Yang, and Xubo Yang.Tie memories to e-souvenirs: Hybrid tangible ar souvenirs in the museum.In Adjunct Proceedings of the 35th Annual ACM Symposium on User Interface Software and Technology, pages 1–3, 2022. \[29] Xinhao Zhang, Zaitian Wang, Lu Jiang, Wanfu Gao, Pengfei Wang, and Kunpeng Liu.Tfwt: Tabular feature weighting with transformer.arXiv preprint arXiv:2405.08403, 2024. \[30] Yuelyu Ji, Yuhe Gao, Runxue Bao, Qi Li, Disheng Liu, Yiming Sun, and Ye Ye.Prediction of covid-19 patients’ emergency room revisit using multi-source transfer learning.In 2023 IEEE 11th International Conference on Healthcare Informatics (ICHI), pages 138–144. IEEE, 2023. \[31] Ziyao Zeng, Daniel Wang, Fengyu Yang, Hyoungseob Park, Stefano Soatto, Dong Lao, and Alex Wong.Wordepth: Variational language prior for monocular depth estimation.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 9708–9719, 2024. \[32] Xiaojing Fan and Chunliang Tao.Towards resilient and efficient llms: A comparative study of efficiency, performance, and adversarial robustness.arXiv preprint arXiv:2408.04585, 2024. \[33] Jinghan Zhang, Xiting Wang, Yiqiao Jin, Changyu Chen, Xinhao Zhang, and Kunpeng Liu.Prototypical reward network for data-efficient rlhf.arXiv preprint arXiv:2406.06606, 2024. \[34] Muhammad Shahzaib Baig, Azhar Imran, Aman Ullah Yasin, Abdul Haleem Butt, and Muhammad Imran Khan.Natural language to sql queries: A review\.International Journal of Innovations in Science Technology, 4:147–162, 2022. \[35] Deep Mehta, Kartik Rawool, Subodh Gujar, and Bowen Xu.Automated devops pipeline generation for code repositories using large language models.arXiv preprint arXiv:2312.13225, 2023. \[36] Gabriel Poesia, Oleksandr Polozov, Vu Le, Ashish Tiwari, Gustavo Soares, Christopher Meek, and Sumit Gulwani.Synchromesh: Reliable code generation from pre-trained language models.arXiv preprint arXiv:2201.11227, 2022. \[37]