Декодирование AI AGENT: умная сила, формирующая новую экономическую экосистему будущего

1. Фоновая информация

1.1 Введение: "Новый партнер" в эпоху умных технологий

Каждый цикл криптовалют приносит новые инфраструктуры, способствующие развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX принесли летнюю волну DeFi.
• В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся результаты одной из стартовых площадок стали лидером в тренде мемкоинов и стартовых платформ.

Необходимо подчеркнуть, что старт этих вертикальных областей не только из-за технологических инноваций, но и благодаря идеальному сочетанию моделей финансирования и циклов бычьего рынка. Когда возможности совпадают с подходящим временем, это может привести к巨大ным преобразованиям. Заглядывая в 2025 год, очевидно, что новые области цикла 2025 года станут AI-агенты. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, был запущен протокол Luna, который впервые появился в образе IP стриминга соседской девушки и взорвал всю отрасль.

Итак, что такое AI Agent?

Все знакомы с классическим фильмом "Обитель зла", в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.

На самом деле, у AI Agent есть много сходств с основной функцией Красной Королевы. AI Agent в реальном мире в определенной степени выполняет аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами благодаря автономному восприятию, анализу и выполнению. От автомобилей с автоматическим управлением до интеллектуального обслуживания клиентов, AI Agent глубоко внедрены в различные отрасли и стали ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам команды, обладают всесторонними возможностями от восприятия окружающей среды до реализации решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.

Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с платформ данных или социальных платформ, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итераций. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от конкретных потребностей в криптоэкосистеме:

1. Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения операционной точности и сокращения необходимого времени.

2. Создающий ИИ-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.

3. Социальный AI Агент: как лидер мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.

4. Координирующий ИИ-агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многопоточной интеграции.

В этом отчете мы глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируя, как они пересматривают отраслевые ландшафты, и предвосхищая их будущие тенденции развития.

1.1.1 История развития

Развитие AI AGENT демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции Дартмут в 1956 году термин "AI" был впервые предложен, что заложило основы для ИИ как независимой области. В этот период исследования ИИ в основном сосредоточены на символических методах, что привело к созданию первых программ ИИ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также стала свидетелем первого появления нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования ИИ в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях ИИ после первоначального волнения, что привело к огромной потере доверия к ИИ со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "замороженный период ИИ", с увеличением сомнений в потенциале ИИ.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также стали знаковыми моментами расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, в связи с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Кроме того, расширение масштабов систем ИИ и успешная интеграция их в реальные приложения по-прежнему представляют собой постоянную проблему. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над мировым чемпионатом по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения стало основой для развития ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.

К началу XXI века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, а виртуальные ассистенты, такие как Siri, продемонстрировали практическую полезность ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новый уровень. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT некоторыми компаниями, модели с массовым предварительным обучением, содержащие сотни миллиардов или даже триллионы параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать четкую и логичную способность взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты и виртуальные клиенты, и постепенно расширяться на более сложные задачи (например, бизнес-анализ, креативное письмо).

Способности к обучению больших языковых моделей обеспечивают более высокую автономию для AI-агентов. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ, управляемых AI, AI-агенты могут регулировать стратегию поведения в зависимости от ввода игрока, что действительно позволяет осуществлять динамическое взаимодействие.

От ранних систем правил до крупных языковых моделей, представленных GPT-4, история развития AI-агентов — это эволюция, постоянно преодолевающая технологические границы. Появление GPT-4, безусловно, стало важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценарием и разнообразными. Крупные языковые модели не только придают AI-агентам "ум" как душу, но и обеспечивают им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать внедрение и развитие технологий AI-агентов, ведя к новой эпохе, управляемой AI.

1.2 Принцип работы

AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, способных действовать автономно в цифровой экономике.

Ядро AI AGENT заключается в его "интеллекте"------то есть в симуляции человеческого или другого биологического поведения с помощью алгоритмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим сенсорным системам, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение связанных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает в себя следующие технологии:

• Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
• Обработка естественного языка (NLP): помогает AI AGENT понимать и генерировать человеческий язык.
• Слияние данных сенсоров: интеграция данных от нескольких сенсоров в единый обзор.

1.2.2 Модуль вывода и принятия решений

После восприятия окружающей среды, AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или выводящих движков, понимает задачи, генерирует решения и координирует специализированные модели для таких функций, как создание контента, визуальная обработка или рекомендательные системы.

Этот модуль обычно использует следующие технологии:

• Правила двигателя: простое принятие решений на основе предустановленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используемые для сложного распознавания образов и прогнозирования.
• Укрепление обучения: позволить AI AGENT постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.

1.2.3 Выполнение модуля

Исполнительный модуль является "руками и ногами" AI AGENT, приводя в действие решения, принятые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:

• Система управления роботами: используется для физических операций, таких как движение robotic arm.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к веб-сервисам.
• Автоматизированное управление процессами: выполнение повторяющихся задач в корпоративной среде с помощью RPA (роботизированная автоматизация процессов).

1.2.4 Модуль обучения

Модуль обучения является核心竞争力 AI AGENT, он позволяет агенту со временем становиться более умным. Постоянное улучшение через обратную связь или "данные колесо" позволяет возвращать данные, генерируемые в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения эффективности принятия решений и операционной эффективности.

Модули обучения обычно улучшаются следующими способами:

• Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
• Ненаблюдаемое обучение: обнаружение потенциальных паттернов из неразмеченных данных, что помогает агенту адаптироваться к новой среде.
• Постоянное обучение: обновление моделей на основе данных в реальном времени для поддержания производительности агента в динамической среде.

1.2.5 Реальное время обратной связи и коррекция

AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.

1.3 Текущая рыночная ситуация

1.3.1 Состояние отрасли

AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве интерфейса для потребителей и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также продемонстрировал аналогичные перспективы в этом цикле.

Согласно последнему отчету Markets and Markets, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, что соответствует среднегодовому темпу роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различные отрасли, а также рыночный спрос, вызванный технологическими инновациями.

Вложения крупных компаний в открытые прокси-рамки также значительно возросли. Разработка таких рамок, как AutoGen, Phidata и LangGraph от Microsoft, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптообласти, TA