Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего

1. Общее описание

1.1 Введение: "новый партнер" эры умных технологий

Каждый криптовалютный цикл приносит новую инфраструктуру, способствующую развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX стали причиной летнего бума DeFi.
• В 2021 году появление множества NFT-серийных работ ознаменовало наступление эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся результаты одной из платформ для запуска стали катализатором для хайпа вокруг мемкоинов и платформ для запуска.

Необходимо подчеркнуть, что начало этих вертикальных областей обусловлено не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и циклов бычьего рынка. Когда возможность встречает подходящий момент, это может привести к огромным изменениям. Оглядываясь на 2025 год, очевидно, что новые области в цикле 2025 года будут представлять собой AI-агентов. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был выпущен определенный токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, некий протокол выпустил Luna, представив ее в образе IP-девушки-соседки, что стало настоящим фурором для всей отрасли.

Итак, что же такое AI Agent?

Все, вероятно, знакомы с классическим фильмом «Resident Evil», в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, контролирующая сложные объекты и системы 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 схожих черт. В реальности AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автономным управлением до интеллектуального обслуживания клиентов, AI Agent уже проникли в различные отрасли, став ключевой силой в повышении эффективности и инновациях. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями от восприятия окружающей среды до выполнения решений, постепенно проникая в разные отрасли, способствуя двойному повышению эффективности и инноваций.

Например, AI AGENT может использоваться для автоматической торговли, основываясь на данных, собранных с какой-либо платформы или социальной сети, в реальном времени управляя портфелем и выполняя сделки, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от конкретных потребностей в криптоэкосистеме:

1. Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения времени, необходимого для выполнения.

2. Творческий AI Агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.

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

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

В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют структуру отрасли, и предскажем их будущие тенденции развития.

1.1.1 История развития

История развития ИИ-АГ демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, заложив основу для ИИ как независимой области. В этот период исследования в области ИИ в основном сосредоточились на символических методах, что привело к созданию первых ИИ-программ, таких как ELIZA( чат-бот) и Dendral( экспертная система в области органической химии). Эта стадия также стала свидетельством первого появления нейронных сетей и предварительного изучения концепции машинного обучения. Однако исследования ИИ в этот период серьезно ограничивались вычислительными возможностями того времени. Исследователи столкнулись с большими 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 ИИ в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выражал полное пессимистическое отношение к исследованиям ИИ после первоначального периода волнения, что привело к потере огромной уверенности в ИИ со стороны академических учреждений Великобритании(, включая финансирующие организации). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "зимний период ИИ", увеличившееся недоверие к потенциалу ИИ.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали применять 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 стало знаковым моментом в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение для ИИ, эта область пережила вторую "зиму ИИ". Кроме того, как расширить масштаб систем ИИ и успешно интегрировать их в реальные приложения по-прежнему является постоянной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, 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 оказывать влияние на повседневную жизнь.

К началу этого века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с обучением с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT одной компанией большие предобученные модели с сотнями миллиардов или даже триллионами параметров продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логически ясные и структурированные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сферах, как чат-ассистенты и виртуальные службы поддержки, и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное письмо ).

Способности больших языковых моделей к обучению обеспечивают AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной из платформ, управляемых AI, AI-агенты могут корректировать стратегию поведения в зависимости от ввода игрока, действительно реализуя динамическое взаимодействие.

История развития AI-агентов от ранних систем правил до языковых моделей,代表уемых GPT-4, является историей эволюции, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстными и разнообразными. Большие языковые модели не только наделяют AI-агентов "разумом", но и предоставляют им возможности для междисциплинарного сотрудничества. В будущем новые инновационные платформы будут постоянно появляться, продолжая推动技术落地与发展,引领AI驱动体验的新时代。

1.2 Принцип работы

AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.

Ключевым аспектом AI AGENT является его "интеллект" — то есть способность автоматически решать сложные задачи, имитируя интеллектуальное поведение человека или других живых существ с помощью алгоритмов. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, настройка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение связанных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает следующие технологии:

• Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
• Обработка естественного языка ( NLP ): помогает ИИ АГЕНТУ понимать и генерировать человеческий язык.
• Слияние датчиков: интеграция данных от нескольких датчиков в единое представление.

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, он проводит логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя большие языковые модели и другие инструменты в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.

Этот модуль обычно использует следующие технологии:

• Правила движка: простое принятие решений на основе предустановленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и др., используются для сложного распознавания образов и прогнозирования.
• Укрепленное обучение: позволяет AI AGENT постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к меняющейся 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 Выполнение модуля

Исполнительный модуль является "руками и ногами" AI AGENT, который осуществляет действия по решениям, принятым в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать в себя физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:

• Система управления роботами: используется для физических операций, таких как движение роботизированных рук.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к веб-сервисам.
• Автоматизированное управление 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, который позволяет агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "данные маховик" позволяет интегрировать данные, генерируемые во взаимодействии, обратно в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной с течением времени предоставляет компаниям мощный инструмент для повышения качества 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.
• Ненадзорное обучение: обнаружение潜在ных模式 из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
• Непрерывное обучение: обновление модели на основе данных в реальном времени для поддержания производительности агента в динамичной среде.

1.2.5 Реальное время обратной связи и корректировка

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

1.3 Текущее состояние рынка

1.3.1 Состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, принося трансформации в различные отрасли. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.

Согласно последнему отчету Markets and Markets, рынок AI Agent ожидается, что вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.

Крупные компании также значительно увеличили свои инвестиции в открытые прокси-фреймворки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph, в некоторых компаниях становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, TAM также