От AI Agent до DeFAI: расшифровка драйверов нового раунда шифрования бычьего рынка

1. Фоновая информация

1.1 Введение: "Новый партнер" эпохи умных технологий

Каждый цикл шифрования приносит новые инфраструктуры, способствующие развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году пулы ликвидности DEX принесли летний бум DeFi.
• В 2021 году появление большого количества NFT-серийных работ ознаменовало приход эры цифровых коллекционных предметов.
• В 2024 году выдающиеся результаты одной платформы стали основой для роста мемкоинов и платформ для их запуска.

Необходимо подчеркнуть, что старт этих вертикальных областей вызван не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к огромным изменениям. Глядя на 2025 год, очевидно, что новые области цикла 2025 года будут представлять собой AI-агентов. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу после этого, 16 октября, некий протокол представил Luna, впервые появившись в образе IP-стрима соседской девочки, что вызвало фурор во всей отрасли.

Итак, что такое AI Agent?

Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.

На самом деле, у AI Agent и основных функций Красной Королевы есть много сходств. AI Agent в реальной жизни в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая компаниям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, AI Agent глубоко внедрился в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли, способствуя двойному росту эффективности и инноваций.

Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, управляя портфелем в реальном времени и выполняя сделки, постоянно оптимизируя свою эффективность в процессе итераций. AI AGENT не имеет единственной формы, а делится на разные категории в зависимости от конкретных потребностей в экосистеме шифрования:

1. Исполнительный AI-агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения операционной точности и сокращения необходимого времени.

2. Креативный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.

3. Социальный AI-агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.

4. Координирующий AI агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многосетевой интеграции.

В этом отчете мы подробно исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируем, как они меняют ландшафт отрасли, и рассматриваем тенденции их будущего развития.

1.1.1 История развития

История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). На этом этапе также было предложено использование нейронных сетей и начата предварительная разработка концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в значительной степени выразил общее пессимистическое мнение о исследованиях AI после первоначального периода энтузиазма, что привело к огромной потере доверия к AI со стороны академических учреждений(, включая финансирующие организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первую "зиму AI", что увеличило сомнения в потенциале AI.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также обозначили расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение для ИИ, отрасль столкнулась со вторым "зимним периодом ИИ". Кроме того, масштабирование систем ИИ и успешная интеграция их в реальные приложения по-прежнему остаются постоянной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав воздействовать на повседневную жизнь.

К началу XXI века прогресс вычислительных мощностей способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическую полезность ИИ в потребительских приложениях. В 2010-х годах агенты с усиленным обучением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT некоторыми компаниями, крупномасштабные модели предобучения, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превышающие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам проявлять четкую логику и последовательность в взаимодействии через генерацию языка. Это дало возможность ИИ-агентам применяться в таких сценариях, как чат-ассистенты и виртуальные клиенты, и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ и креативное письмо ).

Способность больших языковых моделей к обучению обеспечивает более высокую автономность для AI-агентов. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ, управляемых AI, AI-агенты могут корректировать свои стратегические действия в зависимости от ввода игрока, что действительно позволяет реализовать динамическое взаимодействие.

От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей постоянного преодоления технологических границ. Появление GPT-4, безусловно, является значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили «ум» в AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя нас в новую эру, управляемую AI.

1.2 Принцип работы

AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области шифрования, способных действовать независимо в цифровой экономике.

Ядро AI AGENT заключается в его "умности" ------ то есть в способности с помощью алгоритмов моделировать интеллектуальное поведение человека или других живых существ для автоматизированного решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешней средой через сенсорный модуль, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим органам чувств, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача сенсорного модуля заключается в преобразовании сырых данных в значимую информацию, что обычно включает в себя следующие технологии:

• Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
• Обработка естественного языка ( NLP ): помогает AI AGENT понимать и генерировать человеческий язык.
• Слияние датчиков: объединение данных от нескольких датчиков в единый обзор.

1.2.2 Модуль вывода и принятия решений

После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, который основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или механизмов вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких конкретных функций, как создание контента, визуальная обработка или рекомендательные системы.

Этот модуль обычно использует следующие технологии:

• Правила движка: простые решения на основе предустановленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания образов и прогнозирования.
• Укрепляющее обучение: позволяет ИИ-АГЕНТУ постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптироваться к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.

1.2.3 Исполнительный модуль

Исполнительный модуль является "руками и ногами" AI AGENT, реализуя решения, принятые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия робота ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:

• Система управления роботами: используется для физических операций, таких как движение роботизированной руки.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым сервисам.
• Автоматизация управления процессами: в корпоративной среде, с помощью RPA( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.

1.2.4 Модуль обучения

Учебный модуль является ключевым конкурентным преимуществом AI AGENT, позволяя агентам со временем становиться более интеллектуальными. Постоянное совершенствование через обратную связь или "данные летающего колеса" включает в себя обратную связь данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для улучшения принятия решений и операционной эффективности.

Модули обучения обычно улучшаются следующими способами:

• Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
• Ненаблюдаемое обучение: выявление скрытых паттернов из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
• Постоянное обучение: обновление моделей с помощью данных в реальном времени, поддерживающее производительность агента в динамичной среде.

1.2.5 Реальная обратная связь и корректировка

AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.

1.3Текущая рыночная ситуация

1.3.1 Текущая ситуация в отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, принося изменения в несколько отраслей. Как и потенциальная ценность L1 блок-пространства в прошлом цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.

Согласно последнему отчету какого-то агентства, рынок AI Agent ожидается, что вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с совокупным годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.

Инвестиции крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами сферы шифрования, TAM также