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

1. Загальний фон

1.1 Вступ: "Новий партнер" в епоху розумних технологій

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

• У 2017 році підйом смарт-контрактів сприяв бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX принесли літо DeFi.
• У 2021 році значна кількість NFT-серіалів стала свідченням приходу ери цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали лідерами хвилі memecoin та платформ запуску.

Слід підкреслити, що старт цих вертикальних галузей зумовлений не лише технологічними інноваціями, а й ідеальним поєднанням фінансових моделей і циклів буму. Коли можливість стикається з відповідним часом, це може спричинити величезні зміни. З оглядом на 2025 рік, очевидно, що новою перспективною галуззю в циклі 2025 року стануть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року був запущений певний токен, який 15 жовтня досягнув капіталізації в 150 мільйонів доларів. Вже 16 жовтня певний протокол запустив Luna, вперше з'явившись в образі сусідської дівчини в прямому ефірі, що викликало вибух у всій індустрії.

Тож, що таке AI Agent?

Усі знайомі з класичним фільмом «Обитель зла», в якому 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 спільного з основними функціями червоного короля. У реальному світі AI Agent у певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасної технології, які допомагають підприємствам і особам справлятися з складними завданнями через автономне сприйняття, аналіз і виконання. Від безпілотних автомобілів до розумних служб підтримки, AI Agent проникли в усі сфери, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, як невидимі члени команди, мають всебічні можливості від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвоєнню підвищення ефективності та інновацій.

Наприклад, AI AGENT може використовуватися для автоматизованої торгівлі, базуючись на даних, зібраних з платформ даних або соціальних платформ, в режимі реального часу управляти портфелем і виконувати угоди, постійно оптимізуючи власну продуктивність в процесі ітерацій. AI AGENT не є єдиною формою, а розподіляється на різні категорії відповідно до специфічних потреб криптоекосистеми:

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

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

3. Соціальний AI Агенти: як лідер думок у соціальних мережах, взаємодіє з користувачами, створює спільноту та бере участь у маркетингових акціях.

4. Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції багатьох ланцюгів.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони змінюють ландшафт галузі, і спробуємо спрогнозувати їхні майбутні тенденції розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію штучного інтелекту від фундаментальних досліджень до широкого застосування. У 1956 році на конференції в Дартмуті вперше було запропоновано термін "AI", що поклало початок штучному інтелекту як незалежній галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення перших програм AI, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Цей етап також став свідком вперше запропонованих нейронних мереж та попереднього дослідження концепції машинного навчання. Але дослідження AI цього періоду зазнало серйозних обмежень через тодішні обмеження обчислювальних потужностей. Дослідники стикалися з великими труднощами у розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтгілл подав звіт, який був опублікований у 1973 році, про стан досліджень AI, що проводяться у Великобританії. Звіт Лайтгілла в основному висловлював загальний песимізм щодо досліджень AI після раннього періоду захоплення, що призвело до величезної втрати впевненості в AI з боку британських наукових установ (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI значно зменшилося, а галузь AI пережила першу "зиму AI", що призвело до зростання скептицизму щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем сприяли тому, що глобальні підприємства почали впроваджувати технології штучного інтелекту. У цей період було досягнуто значного прогресу в галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних AI-додатків. Впровадження автономних транспортних засобів та розгортання AI в таких галузях, як фінанси та охорона здоров'я, також стало знаковим для розширення технологій штучного інтелекту. Але наприкінці 1980-х і на початку 1990-х років, у зв'язку з обвалом попиту на спеціалізоване апаратне забезпечення AI, ця сфера пережила другий "зимовий період AI". Крім того, питання масштабування AI-систем і їх успішної інтеграції в реальні застосування залишалося постійним викликом. Проте в той же час, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією в розвитку здібностей AI до вирішення складних задач. Відродження нейронних мереж і глибокого навчання заклало основи для розвитку AI наприкінці 1990-х років, перетворивши його на невід'ємну частину технологічного ландшафту та почавши впливати на повсякденне життя.

До початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні помічники, такі як Siri, продемонстрували практичність ШІ в споживчих додатках. У 2010-х роках агенти посилення навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається поворотним моментом у сфері агентів ШІ. Від часу випуску серії GPT певною компанією великомасштабні попередньо навчені моделі, що містять сотні мільярдів або навіть тисячі мільярдів параметрів, продемонстрували можливості генерації та розуміння мови, які перевищують традиційні моделі. Їхні видатні результати в обробці природної мови дозволили агентам ШІ демонструвати логічно чіткі та структуровані можливості взаємодії через генерацію мови. Це дозволило агентам ШІ застосовуватися в таких сферах, як чат-помічники, віртуальні служби підтримки тощо, і поступово розширюватися до більш складних завдань (таких як бізнес-аналіз, креативне письмо).

Здатність до навчання великих мовних моделей забезпечує більшу автономію для агентів ШІ. Завдяки технології посилення навчання (Reinforcement Learning), агенти ШІ можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, що використовує ШІ, агенти можуть коригувати стратегії поведінки відповідно до введення гравця, що дійсно реалізує динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є еволюцією, яка постійно розширює технічні межі. Поява GPT-4 безсумнівно є важливою віхою в цій історії. З подальшим розвитком технологій AI-агенти стануть більш інтелектуальними, контекстними та різноманітними. Великі мовні моделі не лише надають AI-агентам "розум" як душу, але й забезпечують можливості міждисциплінарної співпраці. У майбутньому інноваційні проєктні платформи продовжать з'являтися, сприяючи впровадженню та розвитку технології AI-агентів, ведучи до нової ери досвіду, керованого AI.

1.2 Принцип роботи

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

Ядро AI AGENT полягає в його "інтелекту"------тобто в імітації людської або іншої біологічної поведінки за допомогою алгоритмів для автоматизації вирішення складних задач. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім світом через модуль сприйняття, збираючи інформацію про середовище. Ця частина функціоналу подібна до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягнення змістовних ознак, розпізнавання об'єктів або визначення релевантних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на змістовну інформацію, що зазвичай передбачає наступні технології:

• Комп'ютерне бачення: використовується для обробки та розуміння зображень і відеоданих.
• Обробка природної мови (NLP): допомагає AI AGENT зрозуміти та згенерувати людську мову.
• Злиття датчиків: інтеграція даних з кількох датчиків у єдину картину.

1.2.2 Модуль виведення та прийняття рішень

Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль виводу та прийняття рішень є "мозком" усієї системи, він здійснює логічне виведення та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, що виконують роль оркестратора чи двигуна виводу, розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень чи рекомендовані системи.

Цей модуль зазвичай використовує такі технології:

• Правила двигуна: просте прийняття рішень на основі заданих правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів та прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегію прийняття рішень у процесі проб і помилок, адаптуючись до змінного середовища.

Процес інференції зазвичай включає кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій відповідно до цілі, і нарешті вибір найкращого варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками і ногами" AI AGENT, втілюючи рішення, прийняті модулями розуміння. Ця частина взаємодіє з зовнішніми системами або пристроями, виконуючи визначені завдання. Це може включати фізичні операції (наприклад, дії роботів) або цифрові операції (наприклад, обробка даних). Виконавчий модуль залежить від:

• Система керування роботами: використовується для фізичних операцій, таких як рухи robotic arm.
• Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до веб-сервісів.
• Автоматизація управління процесами: у корпоративному середовищі виконання повторюваних завдань за допомогою RPA (автоматизація процесів за допомогою роботів).

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам з часом ставати більш розумними. Завдяки циклу зворотнього зв'язку або "даним вело" постійно вдосконалюється, дані, що генеруються під час взаємодії, повертаються в систему для покращення моделі. Ця здатність з часом адаптуватися і ставати більш ефективною надає підприємствам потужний інструмент для покращення прийняття рішень та операційної ефективності.

Модулі навчання зазвичай покращуються наступними способами:

• Навчання з наглядом: використання маркованих даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення潜在模式 з未标注 даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлюючи модель за допомогою даних в реальному часі, підтримуйте продуктивність агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та коригування

AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії записуються і 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 фокусом ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, що приносить зміни в кілька галузей. Як і потенціал L1 блок-простору в попередньому циклі був важко оцінити, так і AI AGENT демонструє таку ж перспективу в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, ймовірно, зросте з 5,1 мільярда доларів США в 2024 році до 47,1 мільярда доларів США в 2030 році, з річним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent в різні галузі та ринковий попит, спричинений технологічними інноваціями.

Великі компанії також значно збільшили інвестиції в відкриті фреймворки проксі. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph від Microsoft, стає все активнішою, що свідчить про більший ринковий потенціал AI AGENT за межами криптосфери, TA