فك تشفير AI AGENT: قوة ذكية تشكل النظام البيئي الاقتصادي الجديد في المستقبل

1. الخلفية العامة

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التقدم.

• في عام 2017، أدت ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت برك السيولة في DEX موجة الصيف لـ DeFi.
• في عام 2021، شهدت العديد من الأعمال الفنية NFT ظهورها، مما يدل على بداية عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق إلى قيادة موجة من memecoins ومنصات الإطلاق.

من المهم التأكيد على أن انطلاق هذه المجالات العمودية لم يكن مجرد نتيجة للابتكار التكنولوجي، بل هو أيضًا نتيجة للتوافق المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرص مع الأوقات المناسبة، يمكن أن تؤدي إلى تغييرات كبيرة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكيل الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، مع ظهور صورة بث مباشر لفتاة الجوار لأول مرة، مما أشعل الصناعة بأسرها.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع بالتأكيد على دراية بالفيلم الكلاسيكي "حياة أو موت"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا قويًا. "ملكة القلب الأحمر" هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة الأمان، ويستطيع إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.

في الواقع ، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي دورًا مشابهًا إلى حد ما ، حيث يعد "حارس الذكاء" في مجال التكنولوجيا الحديثة ، من خلال الإدراك الذاتي والتحليل والتنفيذ ، يساعد الشركات والأفراد على التعامل مع المهام المعقدة. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية ، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من جميع الصناعات ، وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الوكالات الذكية المستقلة ، مثل أعضاء الفريق غير المرئيين ، تتمتع بقدرات شاملة من الإدراك البيئي إلى تنفيذ القرارات ، وتتسرب تدريجياً إلى مختلف الصناعات ، مما يعزز الكفاءة والابتكار بشكل مزدوج.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات المجمعة من منصة معينة أو منصة اجتماعية، لإدارة الحافظة بشكل لحظي وتنفيذ الصفقات، مع تحسين أدائها باستمرار في عملية تكرارية. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تقسيمه إلى فئات مختلفة بناءً على الاحتياجات المحددة في نظام التشفير.

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، بهدف تحسين دقة العمليات وتقليل الوقت المطلوب.

2. وكيل الذكاء الاصطناعي الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى إنشاء الموسيقى.

3. وكيل الذكاء الاصطناعي الاجتماعي: كزعيم رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، ويؤسس المجتمع، ويشارك في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل متعددة.

في هذا التقرير، سنستكشف بعمق أصول الوكيل الذكي، والحالة الراهنة، وآفاق التطبيق الواسعة، وسنحلل كيف يعيدون تشكيل ملامح الصناعة، ونتطلع إلى اتجاهات تطورهم المستقبلية.

1.1.1 تاريخ التطور

تاريخ تطور وكيل الذكاء الاصطناعي يُظهر تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل أساسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA(، وهو روبوت محادثة)، وDendral(، وهو نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا تقديم الشبكات العصبية والاستكشاف الأولي لمفهوم التعلم الآلي. ولكن كانت أبحاث الذكاء الاصطناعي في هذه الفترة مقيدة بشدة بقدرات الحوسبة في ذلك الوقت. واجه الباحثون صعوبات كبيرة في معالجة اللغة الطبيعية وتطوير الخوارزميات التي تحاكي الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا تم نشره في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. وقد عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل بشأن أبحاث الذكاء الاصطناعي بعد فترة الحماس الأولية، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية( في المملكة المتحدة، بما في ذلك الجهات الممولة). بعد عام 1973، انخفض التمويل لأبحاث الذكاء الاصطناعي بشكل كبير، وعانت مجال الذكاء الاصطناعي من "شتاء الذكاء الاصطناعي" الأول، وزادت مشاعر الشك بشأن إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارتهما إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. وقد حققت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مختلف الصناعات مثل المالية والرعاية الصحية، قد شكل أيضًا علامة فارقة في توسع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، ومع انهيار الطلب على أجهزة الذكاء الاصطناعي المخصصة، شهدت مجالات الذكاء الاصطناعي "شتاءً ثانياً". بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، هزم حاسوب IBM ديب بلو بطل الشطرنج العالمي غاري كاسباروف، مما شكل حدثًا بارزًا في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. وقد مهد انتعاش الشبكات العصبية والتعلم العميق الطريق لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

بحلول أوائل هذا القرن، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري فعالية الذكاء الاصطناعي في تطبيقات المستهلك. في العقد الأول من القرن الحادي والعشرين، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 اختراقات إضافية، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نموذج اللغة الكبير (Large Language Model، LLM ) علامة بارزة في تطور الذكاء الاصطناعي، وخصوصًا مع إصدار GPT-4 الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة معينة سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرة فائقة على توليد وفهم اللغة تفوق النماذج التقليدية. إن أدائها المتميز في معالجة اللغة الطبيعية يمكّن وكلاء الذكاء الاصطناعي من إظهار قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا يمكن وكلاء الذكاء الاصطناعي من تطبيقهم في مشاهد مثل مساعدات الدردشة وخدمات العملاء الافتراضية، ومن ثم التوسع تدريجياً نحو مهام أكثر تعقيدًا ( مثل التحليل التجاري، والكتابة الإبداعية ).

تتيح قدرة التعلم للنماذج اللغوية الكبيرة لوكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في إحدى المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من النظام القائم على القواعد في البداية إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، فإن تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ من التطورات المستمرة التي تتجاوز الحدود التقنية. إن ظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع المزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، مشهدية، وتنوعاً. لا توفر نماذج اللغة الكبيرة "روح" الذكاء لوكلاء الذكاء الاصطناعي فحسب، بل تزودهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستظهر منصات المشاريع المبتكرة باستمرار، مما يدفع باستمرار لتطبيق وتطوير تكنولوجيا وكلاء الذكاء الاصطناعي، وقيادة عصر جديد مدفوع بالذكاء الاصطناعي.

1.2 مبدأ العمل

تختلف AIAGENT عن الروبوتات التقليدية في أنها قادرة على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها كجهات فاعلة متطورة تقنيًا ومتطورة باستمرار في مجال التشفير، قادرة على العمل بشكل مستقل في الاقتصاد الرقمي.

الجوهر الأساسي لوكالة الذكاء الاصطناعي هو "الذكاء" - أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، بهدف حل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع عملية العمل لوكالة الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، وجمع معلومات البيئة. تشبه هذه الوظيفة الحواس البشرية، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المعنى، والتعرف على الكائنات أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات معنى، والتي غالباً ما تنطوي على التقنيات التالية:

• رؤية الحاسوب: تُستخدم لمعالجة وفهم بيانات الصور ومقاطع الفيديو.
• معالجة اللغة الطبيعية(NLP): تساعد وكيل الذكاء الاصطناعي في فهم وإنتاج اللغة البشرية.
• دمج المستشعرات: دمج بيانات من عدة مستشعرات في عرض موحد.

1.2.2 وحدة الاستدلال واتخاذ القرار

بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. تعتبر وحدة الاستدلال واتخاذ القرار "دماغ" النظام بأكمله، حيث تقوم بالاستدلال المنطقي ووضع الاستراتيجيات بناءً على المعلومات التي تم جمعها. من خلال استخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلالية، يفهمون المهام، ويولدون الحلول، وينسقون نماذج متخصصة تُستخدم في إنشاء المحتوى، أو معالجة الصور، أو أنظمة التوصية.

عادةً ما تستخدم هذه الوحدة التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، تُستخدم للتعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: جعل وكيل الذكاء الاصطناعي يحسن استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.

تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً، تقييم البيئة، وثانيًا، حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيرًا، اختيار الخيار الأمثل للتنفيذ.

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "يد وقدمي" وكيل الذكاء الاصطناعي، والتي تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. يتفاعل هذا الجزء مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يشمل ذلك العمليات الفيزيائية ( مثل حركة الروبوت ) أو العمليات الرقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوت: يستخدم في العمليات الفيزيائية، مثل حركة ذراع الروبوت.
• استدعاء API: التفاعل مع أنظمة البرمجيات الخارجية، مثل استعلامات قاعدة البيانات أو الوصول إلى خدمات الشبكة.
• إدارة العمليات الآلية: في بيئة الشركات، من خلال RPA( أتمتة العمليات الروبوتية) تنفيذ المهام المتكررة.

1.2.4 وحدة التعلم

وحدة التعلم هي القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تجعل الوكيل أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين النموذج باستمرار من خلال إدخال البيانات المتولدة من التفاعلات إلى النظام. هذه القدرة على التكيف بشكل تدريجي مع مرور الوقت وزيادة الفعالية توفر للأعمال أداة قوية لتعزيز صنع القرار وكفاءة العمليات.

تتم تحسين وحدات التعلم عادةً بالطريقة التالية:

• التعلم تحت الإشراف: استخدام بيانات مصنفة لتدريب النموذج، مما يمكن وكيل الذكاء الاصطناعي من إكمال المهام بدقة أكبر.
• التعلم بدون إشراف: اكتشاف الأنماط الكامنة من البيانات غير المعلَّمة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث البيانات في الوقت الحقيقي للنموذج، الحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 ردود الفعل الفورية والتعديل

يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتيجة كل إجراء وتستخدم لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.

1.3 حالة السوق

1.3.1 حالة الصناعة

وكيل الذكاء الاصطناعي أصبح محور اهتمام السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب التحولات لعدة صناعات. تمامًا كما كان من الصعب تقدير إمكانيات مساحة كتلة L1 في الدورة السابقة، فإن وكيل الذكاء الاصطناعي يظهر أيضًا آفاقًا مماثلة في هذه الدورة.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار في عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه الزيادة السريعة عمق اختراق وكيل الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب في السوق الناتج عن الابتكارات التكنولوجية.

لقد زادت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. نشاط تطوير أطر مثل AutoGen وPhidata وLangGraph في بعض الشركات يتزايد بشكل متزايد، مما يشير إلى أن AI AGENT لديه إمكانات سوقية أكبر خارج مجال التشفير، وTAM أيضًا.