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

1. Загальний фон

1.1 Вступ: "Новий партнер" епохи розумних технологій

Кожен цикл криптовалюти приносить нову інфраструктуру, яка стимулює розвиток усієї галузі.

• У 2017 році підйом смарт-контрактів призвів до бурхливого розвитку ICO.
• У 2020 році ліквідні пулі DEX спричинили літню спеку DeFi.
• У 2021 році велика кількість NFT-серійних робіт стала знаковою віхою в епоху цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали лідером хвилі memecoin та платформ запуску.

Необхідно підкреслити, що початок цих вертикальних секторів зумовлений не лише технічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів бичачого ринку. Коли можливість зустрічається з відповідним моментом, це може призвести до величезних змін. З оглядом на 2025 рік, очевидно, що новою перспективною галуззю циклу 2025 року буде AI-агент. Ця тенденція досягла піку у жовтні минулого року, 11 жовтня 2024 року було запущено певний токен, який 15 жовтня досягнув ринкової капіталізації в 150 мільйонів доларів. Одразу після цього, 16 жовтня, певний протокол запустив Luna, вперше представивши образ сусідської дівчини в прямому ефірі, що викликало бум у всій галузі.

Отже, що таке AI Agent?

Усі, напевно, знайомі з класичним фільмом «Смертельна біологія», в якому вражає AI-система Червона королева. Червона королева – це потужна AI-система, яка контролює складні споруди 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. AI Agent у реальному житті певною мірою виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, допомагаючи підприємствам і особам справлятися зі складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автоматичним керуванням до розумних клієнтських служб, AI Agent вже глибоко увійшли в різні сфери, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, подібно до невидимих членів 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, в реальному часі управляючи портфелем і виконуючи угоди, постійно оптимізуючи власні результати в процесі ітерацій. AI AGENT не має єдиної форми, а поділяється на різні категорії в залежності від специфічних потреб у криптоекосистемі:

1. Виконавчий AI агент: зосереджений 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 музичне творення.

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

4. Координаційний AI агент: координація складних взаємодій між системами або учасниками, особливо підходить для інтеграції багатьох ланцюгів.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкий спектр застосувань AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, та оцінимо тенденції їхнього майбутнього розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію штучного інтелекту від фундаментальних досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, заклавши основи для AI як незалежної галузі. У цей період дослідження AI зосереджувалися на символічних методах, що призвело до створення перших AI програм, таких як ELIZA(, чат-бот), та Dendral(, експертна система в галузі органічної хімії). Ця стадія також стала свідком вперше запропонованих нейронних мереж та початкового дослідження концепції машинного навчання. Але дослідження AI цього періоду зазнали серйозних обмежень через обмежені обчислювальні можливості того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював всебічний песимізм щодо досліджень AI після початкового періоду ентузіазму, що викликало величезну втрату довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI різко скоротилося, і галузь AI пережила першу "зиму AI", коли зросла скептичність щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати технології ШІ. У цей період було досягнуто значного прогресу в області машинного навчання, нейронних мереж і обробки природної мови, що сприяло появі більш складних застосувань ШІ. Введення автономних транспортних засобів та впровадження ШІ в фінансовому, медичному та інших секторах також стали знаковими подіями, що свідчать про розширення технологій ШІ. Однак наприкінці 1980-х - на початку 1990-х років, у зв'язку з обвалом попиту на спеціалізоване апаратне забезпечення для ШІ, галузь зазнала другого "зимового періоду ШІ". Крім того, питання масштабування систем ШІ та їх успішної інтеграції в реальних застосуваннях залишаються 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 області здатності ШІ вирішувати складні задачі. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ в кінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту і почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних потужностях сприяв виникненню глибокого навчання, а віртуальні асистенти, такі як Siri, продемонстрували практичність штучного інтелекту у споживчих застосуваннях. У 2010-х роках агентів, що використовують навчання з підкріпленням, і генеративні моделі, такі як GPT-2, досягли подальших проривів, підвищивши діалоговий ШІ до нових висот. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, а випуск GPT-4 вважається переломним моментом у сфері агентів ШІ. Відтоді, як певна компанія випустила серію GPT, моделі з великим обсягом попереднього навчання, з сотнями мільярдів або навіть тисячами мільярдів параметрів, продемонстрували здатність генерувати та розуміти мову, що перевищує традиційні моделі. Їхнє видатне виконання в обробці природної мови дозволило агентам ШІ демонструвати логічно ясні та чітко структуровані можливості взаємодії через генерацію мови. Це дозволило агентам ШІ бути використаними в сценаріях, таких як чат-асистенти, віртуальні служби підтримки клієнтів тощо, і поступово розширити свої можливості на більш складні завдання (, такі як бізнес-аналіз, креативне письмо ).

Навчальні можливості великих мовних моделей забезпечують вищу автономію AI-агентів. Завдяки технології підкріплювального навчання (Reinforcement Learning), AI-агенти можуть безперервно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах, що використовують AI, AI-агенти можуть коригувати свої стратегії поведінки залежно від 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, ситуаційними та різноманітними. Великі мовні моделі не тільки наділили AI-агентів «розумом», але й надали їм можливості для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть продовжувати з'являтися, сприяючи впровадженню та розвитку технологій AI-агентів, ведучи до нової ери досвіду, що керується AI.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з плином часу, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно вмілими та постійно розвиваються учасниками у сфері криптовалют, здатними діяти незалежно в цифровій економіці.

Основою AI AGENT є його "інтелект"------тобто імітація інтелектуальної поведінки людей або інших живих істот за допомогою алгоритмів для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує цим 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. Ця частина функцій подібна до людських органів чуття, використовуючи сенсори, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягування значущих характеристик, розпізнавання об'єктів або визначення релевантних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає такі технології:

• Комп'ютерне зір: використовується для обробки та розуміння зображень і відеоданих.
• Обробка природної мови ( NLP ): допомагає AI AGENT зрозуміти та згенерувати людську мову.
• Злиття датчиків: об'єднання даних з кількох датчиків в єдине уявлення.

1.2.2 Модуль висновків та рішень

Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль інтерпретації та прийняття рішень є "мозком" усієї системи, він здійснює логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, які діють як оркестратори чи системи інтерпретації, розуміє завдання, генерує рішення та координує спеціалізовані моделі для створення контенту, обробки візуальної інформації або рекомендаційних систем.

Цей модуль зазвичай використовує такі технології:

• Правила двигун: просте прийняття рішень на основі заздалегідь визначених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів і прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегію прийняття рішень через проби та помилки, адаптуючись до змінюваного середовища.

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

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками та ногами" AI AGENT, який втілює рішення модуля розуміння в дію. Ця частина взаємодіє з зовнішніми системами або пристроями, виконуючи призначені завдання. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:

• Система керування роботами: використовується для фізичних операцій, таких як рухи роботизованих рук.
• Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
• Автоматизація управління процесами: у корпоративному 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 з часом ставати розумнішими. Завдяки циклу зворотного зв'язку або "даним маховика" постійно покращуються, дані, згенеровані під час взаємодії, повертаються в систему для посилення моделі. Ця здатність поступово адаптуватися з часом і ставати ефективнішою є потужним інструментом для підприємств, що дозволяє покращити прийняття рішень та ефективність операцій.

Модулі навчання зазвичай покращуються наступними способами:

• Надзорне навчання: використання мічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Без нагляду: виявлення潜在них模式 з ненаданих даних, що допомагає агентам адаптуватися до нових середовищ.
• Постійне навчання: оновлювати модель в режимі реального часу, підтримувати продуктивність агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та коригування

AI AGENT оптимізує свою продуктивність через постійний 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, приносить зміни в кількох галузях. Як і потенціал L1 блок-простору в попередньому циклі, AI AGENT також демонструє такі ж 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, зі щорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різні галузі, а також попит на ринку, викликаний технологічними інноваціями.

Вклад великих компаній у відкриті проксі-рамки також суттєво зріс. Розробка таких рамок, як AutoGen, Phidata та LangGraph у певних компаніях, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал поза криптою, TAM також