فك شفرة AI AGENT: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل

1. خلفية عامة

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات الرقمية تأتي مع بنية تحتية جديدة تدفع الصناعة بأكملها.

• في عام 2017 ، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت أحواض السيولة في DEX موجة الصيف في DeFi.
• في عام 2021 ، ظهرت العديد من سلسلة أعمال NFT التي تمثل بداية عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق إلى قيادة موجة من memecoin ومنصات الإطلاق.

من المهم أن نؤكد أن بداية هذه المجالات الرأسية لا تعود فقط إلى الابتكارات التكنولوجية، بل هي أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة بالتوقيت المناسب، يمكن أن تؤدي إلى تغييرات هائلة. مع النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة عام 2025 ستكون وكلاء الذكاء الاصطناعي. بلغت هذه الاتجاهات ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، ووصلت قيمته السوقية إلى 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بصورة IP لفتاة الجوار، مما أثار ضجة في جميع أنحاء الصناعة.

ما هو وكيل الذكاء الاصطناعي بالضبط؟

الجميع يجب أن يكونوا على دراية بالفيلم الكلاسيكي "Resident Evil"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي، يتحكم في منشآت معقدة وأنظمة أمان، ويستطيع إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة بشكل مستقل.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي دوراً مشابهاً إلى حد ما، حيث يعد "وصي الحكمة" 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 جزءاً لا يتجزأ من مختلف الصناعات، وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. تتمتع هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، بقدرة شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتتغلغل تدريجياً في مختلف الصناعات، مما يدفع نحو تعزيز مزدوج للكفاءة والابتكار.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات التي تم جمعها من منصات البيانات أو المنصات الاجتماعية، لإدارة المحفظة وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائه باستمرار من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل ينقسم إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:

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

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

3.وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، ويؤسس مجتمعًا، 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 وواقع وآفاق تطبيقات AI Agent الواسعة، ونحلل كيف تعيد تشكيل المشهد الصناعي، ونتطلع إلى اتجاهات تطورها المستقبلية.

1.1.1 تاريخ التطوير

تاريخ تطور وكيل الذكاء الاصطناعي يظهر تحول 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 كمجال مستقل. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل رئيسي على الأساليب الرمزية، مما أوجد أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت محادثة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا تقديم الشبكات العصبية واستكشاف أولي لمفهوم التعلم الآلي. لكن بحث الذكاء الاصطناعي في ذلك الوقت كان مقيدًا بشدة بقدرات الحوسبة في ذلك الوقت. واجه الباحثون صعوبات كبيرة في معالجة اللغة الطبيعية وتطوير الخوارزميات لمحاكاة الوظائف الإدراكية البشرية. علاوة على ذلك، في عام 1972، قدم الرياضي جيمس لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. يعبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير للثقة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات المانحة ). بعد عام 1973، انخفض التمويل لأبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من مشاعر الشك في إمكانيات الذكاء الاصطناعي.

في الثمانينات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات أكثر تعقيدًا للذكاء الاصطناعي. كانت إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مختلف الصناعات مثل المالية والرعاية الصحية، علامة على توسيع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينات وأوائل التسعينات، مع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهد هذا المجال "شتاء الذكاء الاصطناعي" الثاني. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ونجاح دمجها في التطبيقات العملية يمثل تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم كمبيوتر ديب بلو من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. كانت نهضة الشبكات العصبية والتعلم العميق أساسية لتطور الذكاء الاصطناعي في أواخر التسعينات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

بحلول بداية هذا القرن، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري مدى جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج الجيل مثل GPT-2 تقدمًا إضافيًا، مما دفع الذكاء الاصطناعي القائم على المحادثة إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (LLM) علامة فارقة هامة في تطور الذكاء الاصطناعي، وخاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة ما سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرة على توليد وفهم اللغة تفوق النماذج التقليدية. أدت أدائها المتميز في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من تقديم تفاعلات منطقية وواضحة من خلال توليد اللغة. وهذا مكن وكلاء الذكاء الاصطناعي من استخدامهم في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجيًا إلى مهام أكثر تعقيدًا مثل التحليل التجاري والكتابة الإبداعية.

تمنح القدرة على التعلم لنماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنيات التعلم التعزيزي، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئة الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين，实现 التفاعل الديناميكي بشكل حقيقي.

من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، فإن تاريخ تطور الوكلاء الذكائيين هو تاريخ تطور يتجاوز حدود التكنولوجيا باستمرار. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع تقدم التكنولوجيا، ستصبح الوكلاء الذكائيين أكثر ذكاءً، وأكثر سياقية، وأكثر تنوعاً. نماذج اللغة الكبيرة لا تضيف فقط "الذكاء" إلى روح الوكلاء الذكائيين، بل تزودهم أيضاً بقدرة التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما سيدفع تكنولوجيا الوكلاء الذكائيين نحو التطبيق والتنمية، ويقود تجربة مدفوعة بالذكاء الاصطناعي إلى عصر جديد.

1.2 مبدأ العمل

تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها على التعلم والتكيف بمرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين ذوي مهارة عالية ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

النقطة الأساسية لوكيل الذكاء الاصطناعي هي "الذكاء"------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الأخرى من خلال الخوارزميات لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع عملية عمل وكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يعمل وكيل الذكاء الاصطناعي من خلال وحدة الإدراك للتفاعل مع العالم الخارجي وجمع معلومات عن البيئة. وظيفة هذا الجزء تشبه حواس البشر، حيث يستخدم أجهزة مثل المستشعرات 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 مغزى، وهذا غالبًا ما ينطوي على التقنيات التالية:

• رؤية الحاسوب: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية (NLP): تساعد وكيل الذكاء الاصطناعي على فهم وتوليد 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. تعد وحدة الاستدلال واتخاذ القرار "العقل" في النظام بأكمله، حيث تقوم بإجراء الاستدلال المنطقي ووضع الاستراتيجيات استنادًا إلى المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة كمنسق أو محرك استدلال، تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى أو معالجة الصور أو أنظمة التوصية.

تستخدم هذه الوحدة عادةً التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة استنادًا إلى القواعد المحددة مسبقًا.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، وتستخدم للتعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: يجعل وكيل الذكاء الاصطناعي يقوم بتحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.

تتضمن عملية الاستدلال عادة عدة خطوات: أولاً تقييم البيئة، وثانيًا حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيرًا اختيار أفضل خيار للتنفيذ.

1.2.3 وحدة التنفيذ

وحدة التنفيذ هي "اليد والقدم" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإكمال المهام المحددة. قد يشمل ذلك عمليات مادية (مثل تحركات الروبوت) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: يستخدم للعمليات 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 الأعمال، يتم تنفيذ المهام المتكررة من خلال RPA (أتمتة العمليات الروبوتية).

1.2.4 وحدة التعلم

تعد وحدة التعلم هي القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام بشكل مستمر من خلال إعادة إدخال البيانات الناتجة عن التفاعلات لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز اتخاذ القرارات وكفاءة العمليات.

عادةً ما يتم تحسين وحدات التعلم بالطريقة التالية:

• التعلم تحت الإشراف: استخدام البيانات المصنفة لتدريب النموذج، مما يسمح لوكيل الذكاء الاصطناعي بإكمال المهام بدقة أكبر.
• التعلم غير المشرف: اكتشاف الأنماط المحتملة من البيانات غير المميزة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث النموذج ببيانات حقيقية، الحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 التغذية الراجعة والتعديل في الوقت الحقيقي

يعمل AI AGENT على تحسين أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق قدرة AI AGENT على التكيف والمرونة.

1.3 وضع السوق

1.3.1 الوضع الحالي للصناعة

يصبح وكيل الذكاء الاصطناعي مركز اهتمام السوق، بفضل إمكاناته الكبيرة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب التحولات لعدة صناعات. كما كان من الصعب تقدير إمكانات مساحة الكتل من الجيل الأول في الدورة السابقة، فإن وكيل الذكاء الاصطناعي يظهر نفس الآفاق في هذه الدورة.

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

زاد الاستثمار من قبل الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. نشاط تطوير أطر مثل AutoGen وPhidata وLangGraph من مايكروسوفت أصبح أكثر نشاطًا، مما يشير إلى أن AI AGENT يمتلك إمكانات سوقية أكبر خارج مجال التشفير، TA