فك تشفير الذكاء الاصطناعي AGENT: القوة الذكية التي تشكل النظام البيئي للاقتصاد الجديد في المستقبل
1. الخلفية العامة
1.1 المقدمة: "الشريك الجديد" في عصر الذكاء
كل دورة من دورات العملات الرقمية تجلب بنية تحتية جديدة تدفع الصناعة بأكملها إلى الأمام.
في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
في عام 2020، جلبت خزانات السيولة في DEX موجة صيف DeFi.
في عام 2021، شهدت العديد من أعمال سلسلة NFT ظهورها، مما يدل على بداية عصر المقتنيات الرقمية.
في عام 2024، أدت الأداء الممتاز لمنصة الإطلاق إلى قيادة اتجاه memecoin ومنصات الإطلاق.
من المهم التأكيد على أن بداية هذه المجالات العمودية ليست نتيجة الابتكار التكنولوجي فحسب، بل هي نتيجة الجمع بين نماذج التمويل ودورات السوق الصاعدة بشكل مثالي. عندما يلتقي الفرص مع اللحظة المناسبة، يمكن أن تخلق تغييرات ضخمة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكلاء 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. ثم في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بشكل شخصية بث مباشر لفتاة الجار، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي؟
الجميع بلا شك على دراية بالفيلم الكلاسيكي "مملكة الأموات"، حيث يترك نظام الذكاء الاصطناعي "ملكة القلب الأحمر" انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي يتحكم في المرافق المعقدة وأنظمة الأمان، ولديه القدرة على الشعور بالبيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية للوكيل الذكي وملكة القلوب الحمراء. يلعب الوكيل الذكي في العالم الحقيقي دوراً مماثلاً إلى حد ما، حيث يعد "حارس الذكاء" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي، والتحليل، والتنفيذ، يساعد الشركات والأفراد في مواجهة المهام المعقدة. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، لقد غزا الوكيل الذكي مختلف الصناعات وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، وتتغلغل تدريجياً في مختلف القطاعات، مما يعزز الزيادة المزدوجة في الكفاءة والابتكار.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في التداول الآلي، بناءً على البيانات المجمعة من منصات البيانات أو المنصات الاجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار خلال عملية التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل ينقسم إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إتمام مهام معينة، مثل التداول، إدارة المحافظ، أو التحكيم، ويهدف إلى زيادة دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يُستخدم في إنشاء المحتوى، بما في ذلك النصوص، والتصميم، وحتى تأليف الموسيقى.
3.وكيل AI الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في الأنشطة التسويقية.
وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل الكتل المتعددة.
في هذا التقرير، سنستكشف بعمق أصول الوكيل الذكي، والحالة الراهنة، وآفاق التطبيق الواسعة، وسنحلل كيف تعيد تشكيل هذه الوكلاء المشهد الصناعي، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطور
تُظهر مسيرة تطوير وكيل الذكاء الاصطناعي (AI AGENT) تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، تركزت أبحاث الذكاء الاصطناعي بشكل رئيسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا تقديم الشبكات العصبية واستكشاف مفهوم التعلم الآلي بشكل أولي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات James Lighthill تقريرًا نُشر في عام 1973 عن حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عكس تقرير Lighthill بشكل أساسي تشاؤمًا شاملاً بشأن أبحاث الذكاء الاصطناعي بعد فترة الحماس الأولى، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية في المملكة المتحدة ( بما في ذلك جهات التمويل ) في الذكاء الاصطناعي. بعد عام 1973، تم تقليص ميزانيات أبحاث الذكاء الاصطناعي بشكل كبير، وشهد مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الأول، حيث زادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجاريتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغات الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في قطاعات مثل المالية والرعاية الصحية أيضًا علامة على توسع تكنولوجيا الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، ومع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهد مجال الذكاء الاصطناعي "الشتاء الثاني" للذكاء الاصطناعي. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية 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. أعاد إحياء الشبكات العصبية والتعلم العميق الأسس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
مع بداية القرن الحالي، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجال التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج الجيل مثل GPT-2 مزيدًا من الانتصارات، مما دفع الذكاء الاصطناعي المحادثي إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (Large Language Model، LLM) علامة فارقة في تطور الذكاء الاصطناعي، خاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أطلقت شركة معينة سلسلة GPT، أظهرت النماذج الكبيرة المدربة مسبقًا التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات قدرة على توليد وفهم اللغة تتجاوز النماذج التقليدية. إن أدائها الممتاز في معالجة اللغة الطبيعية قد مكن وكلاء الذكاء الاصطناعي من إظهار قدرة تفاعلية واضحة ومرتبة من خلال توليد اللغة. وهذا يتيح لوكلاء الذكاء الاصطناعي أن يُستخدموا في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، والتوسع تدريجيًا إلى مهام أكثر تعقيدًا مثل التحليل التجاري والكتابة الإبداعية.
تقدم قدرة نماذج اللغة الكبيرة على التعلم مستوى أعلى من الاستقلالية لوكلاء الذكاء الاصطناعي. من خلال تقنية التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئة الديناميكية. على سبيل المثال، في إحدى المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي ضبط استراتيجيات سلوكه بناءً على مدخلات اللاعبين، مما يحقق تفاعلاً دينامياً حقيقياً.
من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، تعتبر تاريخ تطور وكلاء الذكاء الاصطناعي تاريخًا من التطور المستمر الذي يتجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع استمرار تطوير التكنولوجيا، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعًا، وتخصصًا في السياقات. لم توفر نماذج اللغة الكبيرة فقط "روح" الحكمة لوكلاء الذكاء الاصطناعي، بل زودتهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستظهر منصات المشاريع الابتكارية باستمرار، مما يدفع تكنولوجيا وكلاء الذكاء الاصطناعي نحو التنفيذ والتطور، ويمثل عصرًا جديدًا يقوده الذكاء الاصطناعي.
1.2 مبدأ العمل
تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في أنها تستطيع التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين بارعين ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
تتمثل جوهر AI AGENT في "الذكاء" ------ أي محاكاة التصرفات الذكية للبشر أو الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع سير العمل الخاص بـ AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك لجمع معلومات البيئة. وتُشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات وغيرها من الأجهزة لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المغزى، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات مغزى، وعادة ما تتضمن هذه العملية التقنيات التالية:
الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
معالجة اللغة الطبيعية (NLP): تساعد وكيل الذكاء الاصطناعي على فهم وإنتاج اللغة البشرية.
دمج المستشعرات: دمج البيانات 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. يعد نموذج الاستدلال واتخاذ القرار "العقل" الكامل للنظام، حيث يعتمد على المعلومات التي تم جمعها لإجراء الاستدلال المنطقي ووضع الاستراتيجيات. باستخدام نماذج اللغة الكبيرة وغيرها كمنسق أو محرك استدلال، يتم فهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة المستخدمة في إنشاء المحتوى أو المعالجة البصرية أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً التقنيات التالية:
محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، وتستخدم للتعرف على الأنماط المعقدة والتنبؤ.
التعلم المعزز: جعل وكيل الذكاء الاصطناعي يقوم بتحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة ، ثم 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، حيث تقوم بتنفيذ قرارات وحدة الاستدلال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يشمل ذلك عمليات فعلية (مثل تحركات الروبوت) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:
نظام التحكم في الروبوتات: 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 الأوتوماتيكية: في بيئة الشركات، تنفيذ المهام المتكررة من خلال RPA (أتمتة العمليات الروبوتية).
1.2.4 وحدة التعلم
تُعد وحدات التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تتيح للوكيل أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال تحسين مستمر عبر حلقة التغذية الراجعة أو "عجلة البيانات"، يتم إدخال البيانات التي تم توليدها خلال التفاعلات إلى النظام 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 بيانات معلمة لتدريب النموذج، مما يمكن وكيل الذكاء الاصطناعي من إتمام المهام بدقة أكبر.
التعلم غير الخاضع للإشراف: اكتشاف الأنماط المحتملة من البيانات غير المعلّمة، لمساعدة الوكلاء على التكيف مع البيئات الجديدة.
التعلم المستمر: من خلال تحديث النموذج ببيانات حية، الحفاظ على أداء الوكيل في بيئة ديناميكية.
1.2.5 التغذية الراجعة في الوقت الحقيقي والتعديلات
تقوم وكيل الذكاء الاصطناعي بتحسين أدائها من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح وكيل الذكاء الاصطناعي محور اهتمام السوق، حيث يحمل إمكانات كبيرة كواجهة للمستهلك وعامل اقتصادي مستقل، مما يُحدث تحولات في العديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانيات مساحة الكتلة من الجيل الأول في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي أيضًا آفاقًا مماثلة في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق الوكلاء الذكيين 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 عمق انتشار الوكلاء الذكيين في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.
تزايدت استثمارات الشركات الكبيرة في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. الأنشطة التطويرية لأطر مثل AutoGen وPhidata وLangGraph من شركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
AI AGENT：قوة الذكاء التي تشكل الاقتصاد الجديد في التشفير
فك تشفير الذكاء الاصطناعي AGENT: القوة الذكية التي تشكل النظام البيئي للاقتصاد الجديد في المستقبل
1. الخلفية العامة
1.1 المقدمة: "الشريك الجديد" في عصر الذكاء
كل دورة من دورات العملات الرقمية تجلب بنية تحتية جديدة تدفع الصناعة بأكملها إلى الأمام.
من المهم التأكيد على أن بداية هذه المجالات العمودية ليست نتيجة الابتكار التكنولوجي فحسب، بل هي نتيجة الجمع بين نماذج التمويل ودورات السوق الصاعدة بشكل مثالي. عندما يلتقي الفرص مع اللحظة المناسبة، يمكن أن تخلق تغييرات ضخمة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكلاء 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. ثم في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بشكل شخصية بث مباشر لفتاة الجار، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي؟
الجميع بلا شك على دراية بالفيلم الكلاسيكي "مملكة الأموات"، حيث يترك نظام الذكاء الاصطناعي "ملكة القلب الأحمر" انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي يتحكم في المرافق المعقدة وأنظمة الأمان، ولديه القدرة على الشعور بالبيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية للوكيل الذكي وملكة القلوب الحمراء. يلعب الوكيل الذكي في العالم الحقيقي دوراً مماثلاً إلى حد ما، حيث يعد "حارس الذكاء" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي، والتحليل، والتنفيذ، يساعد الشركات والأفراد في مواجهة المهام المعقدة. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، لقد غزا الوكيل الذكي مختلف الصناعات وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، وتتغلغل تدريجياً في مختلف القطاعات، مما يعزز الزيادة المزدوجة في الكفاءة والابتكار.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في التداول الآلي، بناءً على البيانات المجمعة من منصات البيانات أو المنصات الاجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار خلال عملية التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل ينقسم إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إتمام مهام معينة، مثل التداول، إدارة المحافظ، أو التحكيم، ويهدف إلى زيادة دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يُستخدم في إنشاء المحتوى، بما في ذلك النصوص، والتصميم، وحتى تأليف الموسيقى.
3.وكيل AI الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في الأنشطة التسويقية.
في هذا التقرير، سنستكشف بعمق أصول الوكيل الذكي، والحالة الراهنة، وآفاق التطبيق الواسعة، وسنحلل كيف تعيد تشكيل هذه الوكلاء المشهد الصناعي، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطور
تُظهر مسيرة تطوير وكيل الذكاء الاصطناعي (AI AGENT) تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، تركزت أبحاث الذكاء الاصطناعي بشكل رئيسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا تقديم الشبكات العصبية واستكشاف مفهوم التعلم الآلي بشكل أولي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات James Lighthill تقريرًا نُشر في عام 1973 عن حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عكس تقرير Lighthill بشكل أساسي تشاؤمًا شاملاً بشأن أبحاث الذكاء الاصطناعي بعد فترة الحماس الأولى، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية في المملكة المتحدة ( بما في ذلك جهات التمويل ) في الذكاء الاصطناعي. بعد عام 1973، تم تقليص ميزانيات أبحاث الذكاء الاصطناعي بشكل كبير، وشهد مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الأول، حيث زادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجاريتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغات الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في قطاعات مثل المالية والرعاية الصحية أيضًا علامة على توسع تكنولوجيا الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، ومع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهد مجال الذكاء الاصطناعي "الشتاء الثاني" للذكاء الاصطناعي. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية 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. أعاد إحياء الشبكات العصبية والتعلم العميق الأسس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
مع بداية القرن الحالي، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجال التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج الجيل مثل GPT-2 مزيدًا من الانتصارات، مما دفع الذكاء الاصطناعي المحادثي إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (Large Language Model، LLM) علامة فارقة في تطور الذكاء الاصطناعي، خاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أطلقت شركة معينة سلسلة GPT، أظهرت النماذج الكبيرة المدربة مسبقًا التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات قدرة على توليد وفهم اللغة تتجاوز النماذج التقليدية. إن أدائها الممتاز في معالجة اللغة الطبيعية قد مكن وكلاء الذكاء الاصطناعي من إظهار قدرة تفاعلية واضحة ومرتبة من خلال توليد اللغة. وهذا يتيح لوكلاء الذكاء الاصطناعي أن يُستخدموا في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، والتوسع تدريجيًا إلى مهام أكثر تعقيدًا مثل التحليل التجاري والكتابة الإبداعية.
تقدم قدرة نماذج اللغة الكبيرة على التعلم مستوى أعلى من الاستقلالية لوكلاء الذكاء الاصطناعي. من خلال تقنية التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئة الديناميكية. على سبيل المثال، في إحدى المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي ضبط استراتيجيات سلوكه بناءً على مدخلات اللاعبين، مما يحقق تفاعلاً دينامياً حقيقياً.
من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، تعتبر تاريخ تطور وكلاء الذكاء الاصطناعي تاريخًا من التطور المستمر الذي يتجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع استمرار تطوير التكنولوجيا، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعًا، وتخصصًا في السياقات. لم توفر نماذج اللغة الكبيرة فقط "روح" الحكمة لوكلاء الذكاء الاصطناعي، بل زودتهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستظهر منصات المشاريع الابتكارية باستمرار، مما يدفع تكنولوجيا وكلاء الذكاء الاصطناعي نحو التنفيذ والتطور، ويمثل عصرًا جديدًا يقوده الذكاء الاصطناعي.
1.2 مبدأ العمل
تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في أنها تستطيع التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين بارعين ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
تتمثل جوهر AI AGENT في "الذكاء" ------ أي محاكاة التصرفات الذكية للبشر أو الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع سير العمل الخاص بـ AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك لجمع معلومات البيئة. وتُشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات وغيرها من الأجهزة لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المغزى، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات مغزى، وعادة ما تتضمن هذه العملية التقنيات التالية:
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. يعد نموذج الاستدلال واتخاذ القرار "العقل" الكامل للنظام، حيث يعتمد على المعلومات التي تم جمعها لإجراء الاستدلال المنطقي ووضع الاستراتيجيات. باستخدام نماذج اللغة الكبيرة وغيرها كمنسق أو محرك استدلال، يتم فهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة المستخدمة في إنشاء المحتوى أو المعالجة البصرية أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً التقنيات التالية:
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة ، ثم 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، حيث تقوم بتنفيذ قرارات وحدة الاستدلال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يشمل ذلك عمليات فعلية (مثل تحركات الروبوت) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:
1.2.4 وحدة التعلم
تُعد وحدات التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تتيح للوكيل أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال تحسين مستمر عبر حلقة التغذية الراجعة أو "عجلة البيانات"، يتم إدخال البيانات التي تم توليدها خلال التفاعلات إلى النظام 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:
1.2.5 التغذية الراجعة في الوقت الحقيقي والتعديلات
تقوم وكيل الذكاء الاصطناعي بتحسين أدائها من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح وكيل الذكاء الاصطناعي محور اهتمام السوق، حيث يحمل إمكانات كبيرة كواجهة للمستهلك وعامل اقتصادي مستقل، مما يُحدث تحولات في العديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانيات مساحة الكتلة من الجيل الأول في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي أيضًا آفاقًا مماثلة في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق الوكلاء الذكيين 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 عمق انتشار الوكلاء الذكيين في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.
تزايدت استثمارات الشركات الكبيرة في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. الأنشطة التطويرية لأطر مثل AutoGen وPhidata وLangGraph من شركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير.