Декодування AI AGENT: Розробка інтелектуальної сили для формування нової економічної екосистеми майбутнього

1. Загальний огляд

1.1 Вступ: "Новий партнер" епохи розумних технологій

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

• У 2017 році зростання смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пулі DEX спричинили літню хвилю DeFi.
• У 2021 році вийшла велика кількість NFT-серій, що ознаменувало прихід епохи цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали лідерами хвилі memecoin та платформ запуску.

Потрібно підкреслити, що старт цих вертикальних галузей не є результатом лише технологічних інновацій, а є результатом ідеального поєднання моделей фінансування та циклів буму. Коли можливість зустрічається з відповідним моментом, це може призвести до величезних змін. Заглядаючи в 2025 рік, очевидно, що новими галузями циклу 2025 року стануть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року було випущено певний токен, а 15 жовтня його ринкова капіталізація становила 150 мільйонів доларів. Слідом за цим, 16 жовтня, певний протокол представив Luna, яка вперше з'явилася в образі сусідської дівчини в прямому ефірі, спровокувавши вибух у всій галузі.

Отже, що таке AI Agent?

Усі, напевно, знайомі з класичним фільмом «Обитель зла», де вражає AI-система Червоне Серце. Червоне Серце - це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато схожих функцій з основними можливостями червоної королеви. У реальному світі AI Agent до певної міри виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, допомагаючи підприємствам і особам вирішувати складні завдання через автономне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумних клієнтських послуг, AI Agent глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, подібно до невидимих членів команди, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні індустрії, сприяючи подвоєнню ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, на основі даних, зібраних з певної платформи даних або соціальної мережі, для управління портфелем в режимі реального часу та виконання угод, постійно оптимізуючи свою продуктивність в процесі ітерацій. AI AGENT не має єдиного формату, а поділяється на різні категорії в залежності від специфічних потреб криптоекосистеми:

1. Виконавчий AI Агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, має на меті підвищення точності операцій та зменшення необхідного часу.

2. Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть музику.

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

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

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони змінюють ландшафт галузі, та передбачимо їх майбутні тенденції розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, заклавши основу для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення перших програм AI, таких як ELIZA( чат-бот) та Dendral( експертна система в галузі органічної хімії). Цей етап також став свідком першої пропозиції нейронних мереж і початкового вивчення концепції машинного навчання. Але дослідження AI в цей період були серйозно обмежені обмеженими обчислювальними можливостями того часу. Дослідники стикалися з величезними труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав доповідь, яка була опублікована в 1973 році, про стан досліджень AI у Великобританії. Доповідь Лайтхілла в основному виражала повний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до великої втрати довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI різко зменшилося, і сфера AI пережила першу "зиму AI", посиливши сумніви щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем спонукали світові компанії почати впроваджувати технології ШІ. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження автономних транспортних засобів і розгортання ШІ в таких галузях, як фінанси та охорона здоров'я, також стало знаковим для розширення технологій ШІ. Але в кінці 1980-х – на початку 1990-х років, через крах попиту на спеціалізоване апаратне забезпечення ШІ, ця сфера пережила другий "зимовий період ШІ". Крім того, питання масштабування систем ШІ та їх успішної інтеграції в реальні застосування продовжує залишатися актуальним викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання поклало основу для розвитку ШІ наприкінці 1990-х років, перетворивши його на невід'ємну частину технологічного ландшафту і почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а віртуальні асистенти, такі як Siri, продемонстрували практичність ШІ у споживчих додатках. У 2010-х роках агенти підкріпленого навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, вивівши діалоговий ШІ на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою у розвитку ШІ, особливо запуск GPT-4, який вважається переломним моментом у сфері ШІ-агентів. Відтоді, як певна компанія випустила серію GPT, моделі з великою попередньою підготовкою, що мають десятки і навіть сотні мільярдів параметрів, продемонстрували можливості генерації та розуміння мови, що перевершують традиційні моделі. Їхні видатні результати в обробці природної мови дозволили ШІ-агентам демонструвати логічно чітку та структуровану взаємодію через генерацію мови. Це дозволило ШІ-агентам застосовуватися у сценах чат-асистентів, віртуальних клієнтських службах тощо, а також поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне письмо ).

Здатність до навчання великих мовних моделей надає AI-агентам вищу автономію. Завдяки технології посиленого навчання (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі з AI, AI-агенти можуть коригувати стратегію поведінки на основі 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, сценічними та різноманітними. Великі мовні моделі не лише надають AI-агентам "розумову" душу, але й забезпечують їм можливість міждисциплінарної співпраці. У майбутньому інноваційні проєктні 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 з часом навчатися та адаптуватися, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно досконалих, що постійно розвиваються учасників у сфері криптовалют, які можуть діяти незалежно в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту"------тобто в здатності за допомогою алгоритмів імітувати інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім середовищем через модуль сприйняття, збираючи інформацію про середовище. Це частина функцій схожа на людські органи чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає виділення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає такі технології:

• Комп'ютерне бачення: для обробки та розуміння зображень і відеоданих.
• Обробка природної мови ( NLP ): допомагає AI AGENT розуміти та генерувати людську мову.
• Об'єднання датчиків: інтеграція даних з кількох датчиків в єдиний вигляд.

1.2.2 Модуль інтерпретації та прийняття рішень

Після сприйняття навколишнього середовища, AI AGENT має приймати рішення на основі даних. Модуль висновків та прийняття рішень є "мозком" цілої системи, він проводить логічні висновки та розробляє стратегії на основі зібраної інформації. Використовуючи великі мовні моделі, які виступають у ролі оркестратора або рушія висновків, розуміє завдання, генерує рішення та координує спеціалізовані моделі для створення контенту, візуальної обробки або рекомендаційних систем.

Цей модуль зазвичай використовує такі технології:

• Правила двигуна: просте прийняття рішень на основі попередньо встановлених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів і прогнозування.
• Поглиблене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень у процесі проб і помилок, адаптуючись до змінного середовища.

Процес інтерпретації зазвичай містить кілька етапів: спочатку оцінка навколишнього середовища, потім обчислення кількох можливих варіантів дій на основі мети, і нарешті вибір найкращого варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "рукою та ногою" AI AGENT, втілюючи рішення, прийняті модулями розуміння, в дії. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (, такі як рухи роботів ), або цифрові операції (, такі як 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 корпоративному середовищі через RPA( автоматизацію процесів роботами) виконуються повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є ключовою конкурентною перевагою AI AGENT, який дозволяє агенту ставати розумнішим з часом. Постійне вдосконалення через зворотний зв'язок або "дані циклу" дозволяє інтегрувати дані, згенеровані під час взаємодії, в систему для посилення моделі. Ця здатність адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення прийняття рішень та оперативної ефективності.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Надзорне навчання: використання позначених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безнаглядне навчання: виявлення потенційних патернів з ненаданих даних, що допомагає агенту адаптуватись до нового середовища.
• Постійне навчання: підтримувати агентів у динамічному середовищі через оновлення моделі на основі даних в реальному часі.

1.2.5 Реальний зворотний зв'язок та коригування

AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії фіксуються і використовуються для коригування майбутніх рішень. Ця закрита 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 кількох галузях. Як і потенціал L1 блокпростору в попередньому циклі, AI AGENT також демонструє аналогічні перспективи в цьому циклі.

Згідно з останнім звітом певної організації, ринок AI Agent, як очікується, зросте з 5,1 млрд доларів у 2024 році до 47,1 млрд доларів у 2030 році, з річною складною нормою зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різні галузі та попит на ринку, що виникає внаслідок технологічних інновацій.

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