Декодування AI AGENT: інтелектуальна сила, що формує нову економічну екологію майбутнього

1. Загальний фон

1.1 Вступ: "Новий партнер" епохи розумних технологій

Кожен криптовалютний цикл приносить нову інфраструктуру, що сприяє розвитку всієї галузі.

• У 2017 році зростання розумних контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX спричинили сплеск DeFi літа.
• У 2021 році велика кількість NFT-серійних творів ознаменувала прихід епохи цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали лідерами в хвилі memecoin та платформ запуску.

Слід підкреслити, що старт цих вертикальних сфер зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів бичачого ринку. Коли можливість зустрічає відповідний момент, це може призвести до величезних змін. Дивлячись у 2025 рік, очевидно, що новою перспективною сферою в циклі 2025 року стане AI-агент. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року був запущений певний токен, який 15 жовтня досягнув ринкової капіталізації в 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол запустив Luna, вперше з'явившись у вигляді IP-трансляції сусідської дівчини, що спровокувало вибух у всій галузі.

Отже, що таке AI Agent?

Усі, напевно, знайомі з класичним фільмом «Середа» (Resident Evil), де вражає AI-система Червона Королева. Червона Королева — це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато схожих функцій з Червоним Серцем Королеви. У реальному житті AI Agent в певному сенсі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які допомагають підприємствам і особам справлятися зі складними завданнями через самостійне сприйняття, аналіз та виконання. Від автопілотованих автомобілів до інтелектуального обслуговування клієнтів, AI Agent глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, як невидимі члени команди, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвоєнню ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизованої торгівлі, базуючись на даних, зібраних з певної платформи або соціальної мережі, в реальному часі управляти портфелем і виконувати угоди, постійно оптимізуючи власні показники в процесі ітерацій. AI AGENT не є єдиною формою, а розділяється на різні категорії відповідно до специфічних потреб криптоекосистеми:

1. Виконавчий AI агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, метою якого є підвищення точності операцій та зменшення необхідного часу.

2. Творчий AI-агент: для генерації контенту, включаючи текст, дизайн і навіть створення музики.

3. Соціальний AI Agent: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноти та брати участь у маркетингових кампаніях.

4. Координаційний AI Агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції багатоланцюгових систем.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони перепроектують галузевий ландшафт, а також прогнозаємо їхні тенденції розвитку в майбутньому.

1.1.1 Історія розвитку

Історія розвитку AI AGENT відображає еволюцію AI від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті термін "AI" був вперше запропонований, заклавши основу для AI як незалежної області. У цей період дослідження AI здебільшого зосереджувалися на символічних методах, що призвело до створення перших AI програм, таких як ELIZA(, чат-бот), та Dendral(, експертної системи у галузі органічної хімії). Цей етап також став свідком першого запропонування нейронних мереж та початкового дослідження концепції машинного навчання. Проте дослідження AI цього періоду серйозно обмежувались обмеженими обчислювальними можливостями того часу. Дослідники стикалися з величезними труднощами у розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт, опублікований у 1973 році, про стан AI досліджень у Великій Британії. Звіт Лайтхілла в основному виражав всебічний песимізм щодо AI досліджень після первісного періоду захоплення, що призвело до великої втрати довіри з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI суттєво зменшилось, і область AI пережила першу "зиму AI", а скептицизм щодо потенціалу AI зріс.

У 1980-х роках розвиток і комерціалізація експертних систем змусили глобальні компанії почати використовувати технології ШІ. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження автономних транспортних засобів та впровадження ШІ у фінансовому, медичному та інших секторах також стали ознакою розширення технологій ШІ. Але наприкінці 1980-х та на початку 1990-х років, з падінням попиту на спеціалізоване апаратне забезпечення для ШІ, сфера ШІ зазнала другого "зимового періоду ШІ". Крім того, як масштабувати системи ШІ і успішно інтегрувати їх у реальні застосування, залишається постійним викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією у здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту і почавши впливати на повсякденне життя.

На рубежі століть прогрес в обчислювальних потужностях сприяв зростанню глибокого навчання, а віртуальні помічники, такі як Siri, продемонстрували корисність штучного інтелекту в споживчих додатках. У 2010-х роках були зроблені подальші прориви в агентах навчання з підкріпленням і генеративних моделях, таких як GPT-2, піднявши розмовний штучний інтелект на нові висоти. У цьому процесі поява великих мовних моделей (Large мовних моделей та LLM) стала важливою віхою у розвитку ШІ, особливо випуск GPT-4, який розцінюється як поворотний момент у сфері агентів ШІ. З моменту випуску компанією серії GPT великомасштабні попередньо навчені моделі продемонстрували можливості генерації та розуміння мови, що виходять за рамки традиційних моделей, за допомогою десятків або навіть сотень мільярдів параметрів. Їхня відмінна продуктивність в обробці природної мови дозволяє агентам штучного інтелекту демонструвати логічні та зв'язні можливості взаємодії за допомогою генерації мови. Це дозволяє агентам штучного інтелекту застосовувати їх до таких сценаріїв, як чат-помічники та віртуальне обслуговування клієнтів, і поступово розширюватися до більш складних ( завдань, таких як бізнес-аналіз, творче письмо ).

Вміння великих мовних моделей навчатися надає AI-агентам вищу автономність. Завдяки техніці підкріплювального навчання (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі з AI-управлінням AI-агенти можуть коригувати стратегії поведінки відповідно до введення гравця, справді реалізуючи динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного подолання технологічних меж. Поява GPT-4 безсумнівно є важливою віхою в цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, сценічними та різноманітними. Великі мовні моделі не лише надають AI-агентам "інтелектуальну" душу, але й забезпечують їх можливістю міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть постійно з'являтися, продовжуючи стимулювати реалізацію та розвиток технологій AI-агентів, ведучи до нової ери AI-досвіду.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з плином часу, приймати детальні рішення для досягнення цілей. Їх можна розглядати як технічно досконалих, що постійно розвиваються учасників у сфері криптовалют, які здатні незалежно діяти в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту" — тобто в моделюванні інтелектуальної поведінки людини або інших живих істот за допомогою алгоритмів для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Функція цієї частини подібна до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає виділення значущих характеристик, ідентифікацію об'єктів або визначення релевантних сутностей у середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай включає такі технології:

• Комп'ютерне бачення: використовується для обробки та розуміння зображень і відеоданих.
• Обробка природної мови(NLP): допомагає AI AGENT розуміти та генерувати людську мову.
• Злиття датчиків: об'єднання даних з кількох датчиків в єдиний вигляд.

1.2.2 Модуль висновків та рішень

Після сприйняття навколишнього середовища AI AGENT повинен приймати рішення на основі даних. Модуль висновків та рішень є "мозком" всієї системи, він здійснює логічні висновки та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, які виконують роль оркестратора або двигуна висновків, розуміти завдання, генерувати рішення та координувати спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або рекомендаційні системи.

Цей модуль зазвичай використовує такі технології:

• Правила двигун: прості рішення на основі попередньо встановлених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання патернів та прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегію рішень через проби та помилки, адаптуючись до змінного середовища.

Процес інтерпретації зазвичай містить кілька етапів: спочатку оцінка середовища, потім розрахунок кількох можливих дій на основі мети, нарешті вибір оптимального варіанту для виконання.

1.2.3 Виконавчий модуль

Модуль виконання є "руками і ногами" AI AGENT, який втілює рішення модуля міркування в дії. Ця частина взаємодіє з зовнішніми системами або пристроями, виконуючи визначені завдання. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Модуль виконання залежить від:

• Система керування роботами: використовується для фізичних операцій, таких як рухи роботизованої руки.
• Виклики API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до веб-сервісів.
• Автоматизація управління процесами: у корпоративному середовищі, за допомогою RPA( автоматизація процесів роботами) виконує повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту з часом ставати розумнішим. Завдяки циклу зворотного зв'язку або "даних флайвіл" постійно вдосконалюється, дані, що генеруються під час взаємодії, повертаються в систему для покращення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення ухвалення рішень і ефективності операцій.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Контрольне навчання: використання маркованих даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безнаглядне навчання: виявлення потенційних патернів з ненавчених даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: підтримуйте модель з оновленням даних в реальному часі, щоб зберегти продуктивність агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та корекція

AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії фіксуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.

1.3 Стан ринку

1.3.1 Стан галузі

AI AGENT стає центром уваги на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та самостійного економічного агента, що приносить зміни в кілька галузей. Як і потенціал L1 блокпростору в попередньому циклі, AI AGENT також продемонстрував подібні перспективи в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США в 2024 році до 47,1 мільярда доларів США до 2030 року, з річною складною нормою зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях та попит на ринку, зумовлений технологічними інноваціями.

Вклад великих компаній у відкриті проксі-фреймворки також значно зріс. Розробка фреймворків таких компаній, як AutoGen, Phidata та LangGraph, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал поза сферою криптовалют, TAM також