AI AGENT: Розумна сила, що формує нову економічну екосистему майбутнього

1. Загальний огляд

1.1 Вступ: "новий партнер" епохи розумних технологій

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

• У 2017 році виникнення смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX принесли літню хвилю DeFi.
• У 2021 році велика кількість NFT-серійних творів стала знаковою подією, що ознаменувала прихід ери цифрових колекцій.
• У 2024 році видатні досягнення однієї з платформ для запуску стали каталізатором для буму мемкоїнів та платформ для запуску.

Потрібно підкреслити, що старт цих вертикальних областей зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням фінансових моделей та циклів буму. Коли можливість зустрічається з доречним часом, це може призвести до величезних змін. Поглядаючи на 2025 рік, очевидно, що новою емержентною областю циклу 2025 року буде AI-агенти. Ця тенденція досягла свого піку в жовтні минулого року, коли 11 жовтня 2024 року було випущено певний токен, який 15 жовтня досягнув капіталізації в 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол випустив Luna, вперше з'явившись у вигляді IP стрімінгу сусідської дівчини, що підняло всю галузь.

Отже, що таке AI Agent?

Всі, напевно, знайомі з класичним фільмом «Обитель зла», AI-система Червона Королева вразила багатьох. Червона Королева — це потужна система штучного інтелекту, 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 Серця Королеви. У реальному житті AI Agent в якійсь мірі виконує подібну роль, вони є "розумними охоронцями" в сучасній технологічній сфері, допомагаючи підприємствам і особам справлятися зі складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумних клієнтських сервісів, AI Agent проникли в усі сфери, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як невидимі члени команди, мають всебічні можливості від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійному підвищенню ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з певної платформи даних або соціальної платформи, для управління портфелем в реальному часі та виконання торгівлі, постійно оптимізуючи власну продуктивність в процесі ітерацій. AI AGENT не має єдиної форми, а розділений на різні категорії відповідно до конкретних потреб в криптоекосистемі:

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

2. Творчий AI Агент: для генерації контенту, включаючи текст, дизайн і навіть музику.

3. Соціальний AI агент: 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 багатьох ланцюгів.

У цьому звіті ми глибоко дослідимо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, і заглянемо в майбутні тенденції розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році вперше було запропоновано термін "AI", що заклало основи для AI як незалежної галузі. У цей період дослідження AI головним чином зосереджувалися на символічних методах, що призвело до появи перших AI програм, таких як ELIZA( чат-бот) та Dendral( експертна система в галузі органічної хімії). Цей етап також став свідком вперше запропонованих нейронних мереж та первісного дослідження концепції машинного навчання. Однак дослідження AI в цей період суттєво обмежувалися існуючими обчислювальними можливостями. Дослідники стикалися з величезними труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт, який був опублікований у 1973 році, про стан досліджень AI у Великобританії. Звіт Лайтхілла в основному висловлював повний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до величезної втрати довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI різко зменшилось, і галузь AI пережила першу "зиму AI", що призвело до зростання скептицизму щодо потенціалу AI.

У 1980-х роках розвиток та комерціалізація експертних систем змусили світові компанії почати впроваджувати технології ШІ. У цей період були досягнуті значні успіхи в галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження перших автономних транспортних засобів та впровадження ШІ в таких галузях, як фінанси та охорона здоров'я, також ознаменували розширення технологій ШІ. Але наприкінці 1980-х - на початку 1990-х років, у зв'язку з крахом попиту на спеціалізоване апаратне забезпечення ШІ, ця сфера зазнала другого "зимового періоду ШІ". Крім того, розширення масштабів систем ШІ та їх успішна інтеграція в реальні застосування залишаються постійним викликом. Але водночас у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гаррі Каспарова, що стало віхою в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ в кінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а віртуальні помічники, такі як Siri, продемонстрували практичність ШІ у споживчих застосуваннях. У 2010-х роках агенти підкріпленого навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у галузі агентів ШІ. Від моменту випуску серії GPT компанією OpenAI великомасштабні попередньо навчені моделі, з сотнями мільярдів навіть тисячами мільярдів параметрів, продемонстрували можливості генерації та розуміння мови, що перевершують традиційні моделі. Їхні видатні результати в обробці природної мови дозволили агентам ШІ продемонструвати логічно зрозумілу та структуровану взаємодію через генерацію мови. Це дозволило агентам ШІ використовуватися в таких сценаріях, як чат-асистенти, віртуальні служби підтримки клієнтів та поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне написання ).

Здатність навчання великих мовних моделей надає AI-агентам вищу автономність. Завдяки техніці зміцнюючого навчання (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, що використовує AI, AI-агент може коригувати стратегію 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 історією постійного突破у технологічних меж. Поява GPT-4, безсумнівно, є важливою віхою в цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, контекстуальними та різноманітними. Великі мовні моделі не тільки наділяють AI-агентів "інтелектом", але й надають їм можливість міждисциплінарної співпраці. У майбутньому інноваційні проєктні платформи будуть постійно з'являтися, продовжуючи просувати технології AI-агентів і розвиток, ведучи до нової ери AI-орієнтованих досвідів.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно досконалі, що постійно розвиваються учасники у сфері криптовалют, які можуть діяти незалежно в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту"------тобто в автоматизації вирішення складних проблем шляхом моделювання інтелектуальної поведінки людей або інших живих істот за допомогою алгоритмів. Робочий процес AI AGENT зазвичай слідує наступним крокам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє із зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функцій подібна до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягування значущих ознак, розпізнавання об'єктів або визначення релевантних сутностей у середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай включає в себе 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.
• Об'єднання сенсорів: інтеграція даних з кількох сенсорів у єдиний вигляд.

1.2.2 Модуль висновків та прийняття рішень

Після сприйняття навколишнього середовища AI AGENT має приймати рішення на основі даних. Модуль висновків та прийняття рішень є "мозком" всієї системи, він проводить логічні висновки та розробляє стратегії на основі зібраної інформації. Використовуючи великі мовні моделі як оркестратори або двигуни висновків, розуміє завдання, генерує рішення та координує спеціалізовані моделі, призначені для створення контенту, обробки візуальної інформації або рекомендованих систем.

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 шаблонів та прогнозування.
• Посилене навчання: дозволити AI АГЕНТУ постійно оптимізувати стратегію прийняття рішень у процесі проб і помилок, адаптуючись до змінюваного середовища.

Процес інтерпретації зазвичай включає кілька етапів: спочатку оцінка середовища, далі розрахунок кількох можливих варіантів дій відповідно до цілей, і, нарешті, вибір оптимального варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками і ногами" AI AGENT, що втілює рішення модульного висновку в дії. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання призначених завдань. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:

• Система керування роботами: для фізичних операцій, таких як рух роботизованої руки.
• Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих сервісів.
• Автоматизація процесів управління: у підприємницькому середовищі, за допомогою RPA( роботизованої автоматизації процесів) виконуються повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам ставати розумнішими з часом. Постійне вдосконалення через зворотний зв'язок або "дані-флайвіл" полягає в поверненні даних, згенерованих під час взаємодії, в систему для посилення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає компаніям потужний інструмент для покращення прийняття рішень і операційної ефективності.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Підконтрольне навчання: використання маркованих даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення потенційних патернів з не маркованих даних, що допомагає агенту адаптуватися до нових умов.
• Постійне навчання: підтримка моделей через оновлення реальних даних, щоб зберегти продуктивність агентів у 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 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 автономного економічного агента, приносячи зміни в кілька галузей. Як і потенціал L1 блок-простору в попередньому циклі, AI AGENT також виявляє аналогічні перспективи в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з річним складним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різні галузі та попит на ринку, викликаний технологічними інноваціями.

Вклад великих компаній у відкриті фреймворки для代理 також суттєво зріс. Розробка фреймворків таких, як AutoGen, Phidata та LangGraph від певної компанії, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал поза криптою, TAM також розширюється.