Декодування AI AGENT: інтелектуальна сила, що формує нову економічну екологію майбутнього

1. Загальний фон

1.1 Вступ: "Новий партнер" епохи розумних технологій

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

• У 2017 році виникнення смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пулі DEX принесли літню хвилю DeFi.
• У 2021 році велика кількість NFT серійних творів стала символом приходу епохи цифрових колекцій.
• У 2024 році видатні досягнення певної платформи запуску стали рушійною силою для мемкоїнів та популярності платформ запуску.

Слід підкреслити, що старт у цих вертикальних областях зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів буму. Коли можливість зустрічається з відповідним часом, це може призвести до величезних змін. Дивлячись у 2025 рік, очевидно, що новими областями циклу 2025 року будуть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року був випущений певний токен, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол представив Luna, вперше з'явившись у вигляді IP-стріму сусідської дівчини, що спровокувало вибух у всій галузі.

Отже, що таке AI Agent?

Усі, напевно, знайомі з класичним фільмом «Обитель зла», в якому вражає штучний інтелект Червона Королева. Червона Королева – це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, основні функції AI Agent і червоної королеви мають багато спільного. AI Agent в реальному житті певною мірою виконує подібну роль, будучи "розумними охоронцями" сучасної технології, які допомагають підприємствам і особам справлятися зі складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумних служб підтримки, AI Agent проникли в усі галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, подібно до невидимих членів команди, володіють всебічними можливостями від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійній підвищенню ефективності та інновацій.

Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, базуючись на даних, зібраних з певної платформи даних або соціальної платформи, в реальному часі управляти портфелем і виконувати угоди, постійно оптимізуючи власну продуктивність в процесі ітерацій. AI AGENT не має єдиної форми, а поділяється на різні категорії відповідно до специфічних потреб криптоекосистеми:

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 музичне творіння.

3. Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіє з користувачами, створює спільноти та бере участь у маркетингових кампаніях.

4. Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції багатьох блокчейнів.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, та зробимо прогнози щодо їхнього майбутнього розвитку.

1.1.1 Історія розвитку

Історія розвитку AI AGENT демонструє еволюцію AI від фундаментальних досліджень до широкого використання. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, що заклало основу для AI як незалежної області. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення 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 попередніх досліджень концепції машинного навчання. Але дослідження AI в цей період серйозно обмежувалося доступними обчислювальними можливостями. Дослідники стикалися з величезними труднощами в розробці алгоритмів обробки природної мови та імітації когнітивних функцій людини. Крім того, в 1972 році математик Джеймс Лайтхілл подав звіт про стан AI-досліджень у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному виражав всебічний песимізм щодо дослідження AI після раннього ентузіазму, що призвело до величезної втрати довіри до AI з боку британських академічних установ (, включно з фінансовими установами ). Після 1973 року фінансування AI-досліджень різко зменшилося, і область AI пережила першу "AI зиму", при цьому зросла недовіра до потенціалу AI.

У 1980-х роках розвиток експертних систем та їх комерціалізація спонукали світові компанії почати використовувати технології ШІ. Цей період відзначався значними досягненнями в машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних додатків ШІ. Вперше запровадження автономних транспортних засобів та впровадження ШІ в таких галузях, як фінанси та охорона здоров'я, також свідчить про розширення технології ШІ. Але в кінці 1980-х - на початку 1990-х років, з падінням попиту на спеціалізоване апаратне забезпечення ШІ, ця галузь пережила другий "зимовий період ШІ". Крім того, питання розширення масштабів систем ШІ та їх успішної інтеграції в реальні застосування залишалась постійним викликом. Але водночас, у 1997 році комп'ютер IBM Deep Blue переміг світового чемпіона з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні задачі. Відродження нейронних мереж та глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х років, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

До початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а такі віртуальні помічники, як Siri, продемонстрували практичність ШІ у споживчих застосуваннях. У 2010-х роках агенти з підкріпленням та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднісши діалоговий ШІ на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері ШІ-агентів. Відтоді, як певна компанія випустила серію GPT, великомасштабні попередньо навчені моделі, що мають сотні мільярдів або навіть тисячі мільярдів параметрів, продемонстрували здатність генерувати та розуміти мову, що перевершує традиційні моделі. Їхні видатні досягнення в обробці природної мови дозволили ШІ-агентам демонструвати логічні та структуровані можливості взаємодії через генерування мови. Це дозволило ШІ-агентам застосовуватися в таких сферах, як чат-асистенти, віртуальні клієнтські служби тощо, і поступово розширюватися до більш складних завдань (таких як бізнес-аналіз, креативне написання).

Здатність до навчання великих мовних моделей забезпечує вищу автономність для AI-агентів. Завдяки технології підкріплювального 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 свою поведінку 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 еволюції, яка постійно долає технологічні межі. Поява GPT-4, безсумнівно, є значною віхою в цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуаційними та різноманітними. Великі мовні моделі не лише наділили AI-агентів "інтелектом", але й надали їм можливості для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи постійно з'являтимуться, продовжуючи просувати технології AI-агентів у практику та розвиток, ведучи епоху AI-водного досвіду.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть з часом навчатися та адаптуватися, приймати детальні рішення для досягнення цілей. Їх можна вважати технічно підкованими та постійно розвиваються учасниками в криптосфері, здатними діяти самостійно в цифровій економіці.

Основою AI AGENT є його "інтелект" ------ тобто, за допомогою алгоритмів моделювання інтелектуальної поведінки людини або інших живих істот для автоматизації вирішення складних задач. Робочий процес AI AGENT зазвичай слідує наступним 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. Функції цього модуля подібні до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягування значущих характеристик, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає наступні технології:

• Комп'ютерне зору: використовується для обробки та розуміння зображень і відео даних.
• Обробка природної мови (NLP): допомагає AI AGENT розуміти та генерувати людську мову.
• Злиття датчиків: об'єднання даних з кількох датчиків в єдину картину.

1.2.2 Модуль висновків та рішень

Після сприйняття навколишнього середовища AI AGENT повинен приймати рішення на основі даних. Модуль висновків та прийняття рішень є "мозком" усієї системи, він здійснює логічні висновки та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі як оркестратори або引擎 для висновків, розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або рекомендаційні системи.

Цей модуль зазвичай використовує такі технології:

• Правила двигун: прості рішення на основі попередньо визначених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання моделей та прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінного середовища.

Процес розумування зазвичай включає кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій на основі мети, і нарешті вибір оптимального варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками та ногами" AI AGENT, який реалізує рішення, прийняті в модулі міркування. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання певних завдань. Це може включати фізичні дії (наприклад, дії роботів) або цифрові дії (наприклад, обробка даних). Виконавчий модуль залежить від:

• Система керування роботами: використовується для фізичних операцій, таких як рухи роботизованої руки.
• Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
• Автоматизація управління процесами: у підприємницькому середовищі виконання повторюваних завдань за допомогою RPA (автоматизація процесів роботами).

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту з часом ставати розумнішим. Постійне вдосконалення за допомогою зворотного зв'язку або "даних флайвера" зворотно повертає дані, що генеруються під час взаємодії, в систему для покращення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення ухвалення рішень та ефективності операцій.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Надзорне навчання: використання мічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безнаглядне навчання: виявлення潜在них模式 з ненадрукованих даних, що допомагає агенту адаптуватися до нових умов.
• Постійне навчання: оновлення моделей за допомогою реальних даних, щоб підтримувати продуктивність агентів у динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та корекція

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 самостійного економічного агента, що приносить зміни в кілька галузей. Як і потенціал L1 блок-простору в попередньому циклі, AI AGENT демонструє таку ж перспективу в цьому циклі.

Згідно з останнім звітом певної дослідницької установи, ринок AI Agent, ймовірно, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з річним середньою темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає ступінь проникнення AI Agent у різних галузях, а також попит на ринку, що виникає внаслідок технологічних нововведень.

Великі компанії також значно збільшили свої інвестиції в відкриті фреймворки для проксі. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph, у деяких компаніях стає все активнішою, що свідчить про те, що AI AGENT має більший потенціал поза криптосферою.