Аналіз AI-агента: інтелектуальна сила, що формує нову економічну екологію майбутнього

1. Загальний фон

1.1 Вступ: "Новий партнер" в епоху розумних технологій

Кожен криптовалютний цикл приносить нову інфраструктуру, яка сприяє розвитку всієї індустрії.

• У 2017 році виникнення смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX спричинили літню хвилю DeFi.
• У 2021 році велика кількість NFT-серіалів стала знаковою подією, що ознаменувала прихід ери цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали лідерами хвилі memecoin та платформ запуску.

Потрібно підкреслити, що старт у цих вертикальних областях не лише через технологічні інновації, але й є результатом ідеального поєднання фінансових моделей та циклів буму. Коли можливість зустрічає відповідний час, це може спричинити величезні зміни. Дивлячись у 2025 рік, очевидно, що новими перспективними областями циклу 2025 року будуть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року був запущений певний токен, а 15 жовтня його ринкова вартість досягла 150 мільйонів доларів. Вже 16 жовтня певний протокол представив Luna, вперше з'явившись у вигляді IP трансляції сусідньої дівчини, що спровокувало вибух у всій галузі.

Отже, що таке AI Agent?

Всі знайомі з класичним фільмом «Resident Evil», в якому вражає система штучного інтелекту Червоний Королів. Червоний Королів — це потужна система штучного інтелекту, яка контролює складні об'єкти та системи безпеки, може самостійно сприймати навколишнє середовище, аналізувати дані та швидко приймати рішення.

Насправді, у AI Agent є багато спільного з основними функціями Червоного Серця Королеви. В реальному світі AI Agent в певній мірі виконують подібну роль, вони є "розумними захисниками" в сучасній технологічній сфері, допомагаючи підприємствам і особам справлятися з складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумних служб обслуговування клієнтів, AI Agent впроваджуються в різні галузі, стаючи ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як невидимі члени команди, володіють всебічними можливостями від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійного підвищення ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, ґрунтуючись на даних, зібраних з певної платформі даних або соціальної платформи, для реального управління портфелем та виконання угод, постійно оптимізуючи свою продуктивність в процесі ітерацій. AI AGENT не має єдиного формату, а ділиться на різні категорії відповідно до специфічних потреб у криптоекосистемі:

1. Виконавчий AI Агент: зосереджений на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, з метою підвищення точності операцій та скорочення необхідного часу.

2. Креативний AI агент: для генерації контенту, включаючи тексти, дизайн і навіть музику.

3. Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіючи з користувачами, створюючи спільноти та беручи участь у маркетингових акціях.

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

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони перепроектують індустріальний ландшафт, та поглянемо на тенденції їхнього майбутнього розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, що заклало підґрунтя для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до появи перших AI програм, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Ця фаза також стала свідком вперше запропонованих нейронних мереж і початкових досліджень концепції машинного навчання. Проте дослідження AI в цей період зазнали серйозних обмежень через обмежені обчислювальні можливості того часу. Дослідники зіткнулися з величезними труднощами в розробці алгоритмів обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював повний песимізм щодо досліджень AI після раннього етапу захоплення, що викликало величезну втрату довіри до AI з боку британських академічних установ (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI різко зменшилося, а галузь AI пережила першу "зиму AI", що призвело до зростання скептицизму щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем змусили світові компанії почати використовувати технології ШІ. У цей період було досягнуто значних успіхів у галузі машинного навчання, нейронних мереж і обробки природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження автономних транспортних засобів і використання ШІ в таких галузях, як фінанси та охорона здоров'я, також стали знаковими моментами розширення технологій ШІ. Але в кінці 1980-х і на початку 1990-х років, внаслідок краху попиту на спеціалізоване обладнання ШІ, ця сфера пережила другий "зимовий період ШІ". Крім того, питання того, як масштабувати системи ШІ та успішно інтегрувати їх у практичні застосування, залишається постійним 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 у здатності ШІ вирішувати складні задачі. Відродження нейронних мереж і глибокого навчання заклало основи для розвитку ШІ в кінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а такі віртуальні асистенти, як Siri, продемонстрували практичність ШІ у споживчих застосунках. У 2010-х роках агенти з підкріпленням та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднімаючи діалоговий ШІ на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою у розвитку ШІ, особливо випуск GPT-4, який розглядається як переломний момент у сфері ШІ-агентів. З моменту випуску серії GPT певною компанією великомасштабні моделі попереднього навчання, що містять сотні мільярдів або навіть трильйони параметрів, продемонстрували можливості генерації та розуміння мови, що перевищують традиційні моделі. Їхнє видатне виконання в обробці природної мови дозволяє ШІ-агентам демонструвати логічно чіткі та послідовні можливості взаємодії через генерацію мови. Це дозволяє ШІ-агентам застосовуватися у випадках, таких як чат-асистенти, віртуальні клієнтські служби тощо, і поступово розширюватися до складніших завдань (як-от бізнес-аналіз, креативне письмо).

Навчальні можливості великих мовних моделей надають AI-агентам вищу автономію. Завдяки технології посиленого навчання (Reinforcement Learning) AI-агенти можуть безперервно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі з підтримкою AI, AI-агенти можуть коригувати стратегію поведінки відповідно до введення гравця, справді реалізуючи динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного прориву технічних меж. Поява GPT-4, безсумнівно, є значним поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще розумнішими, ситуаційнішими та різноманітнішими. Великі мовні моделі не лише наділяють AI-агентів "інтелектом", але й надають їм можливості міждисциплінарної співпраці. У майбутньому інноваційні платформи проектів будуть постійно з'являтися, продовжуючи сприяти впровадженню та розвитку технології AI-агентів, ведучи до нової ери досвіду, що керується AI.

Принцип роботи 1.2

AIAGENT відрізняється від традиційних роботів тим, що вони здатні вчитися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно досконалих, що постійно розвиваються учасників у сфері криптовалют, які можуть самостійно діяти в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту"------тобто у моделюванні інтелектуальної поведінки людини або інших живих істот за допомогою алгоритмів для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дії, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім середовищем через модуль сприйняття, збираючи інформацію про середовище. Функції цієї частини подібні до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає виділення значущих ознак, ідентифікацію об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай передбачає такі технології:

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

1.2.2 Модуль виведення та прийняття рішень

Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль розумування та прийняття рішень є "мозком" всієї системи, який проводить логічне розумування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі як оркестратори або рушії розумування, розуміє завдання, генерує рішення та координує спеціалізовані моделі для створення контенту, візуальної обробки або систем рекомендацій.

Цей модуль зазвичай використовує такі технології:

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

Процес інференції зазвичай містить кілька етапів: спочатку оцінка середовища, потім розрахунок кількох можливих варіантів дій залежно від мети, а наостанок вибір оптимального варіанту для виконання.

1.2.3 Виконуючий модуль

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

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

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту з часом ставати розумнішим. Постійне вдосконалення через зворотний зв'язок або "дані-колеса" повертає дані, згенеровані під час взаємодії, в систему для посилення моделі. Ця здатність адаптуватися і ставати ефективнішою з часом надає підприємствам потужний інструмент для покращення прийняття рішень та ефективності операцій.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Контрольне навчання: використання помічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення潜在模式 з немаркованих даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: підтримувати модель за допомогою оновлення даних в реальному часі, щоб агент зберігав свої показники в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та корекція

AI AGENT оптимізує свою продуктивність через постійний зворотний зв'язок. Результати кожної дії фіксуються 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 автономного економічного агента, що приносить зміни в багатьох галузях. Так само, як потенціал L1 блок-простору в попередньому циклі був важко оцінити, AI AGENT також демонструє таку ж перспективу в цьому циклі.

Згідно з останнім звітом однієї дослідницької компанії, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США в 2024 році до 47,1 мільярда доларів США в 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, зумовлений технологічними інноваціями.

Вклад великих компаній у відкриті проксі-фреймворки також значно зріс. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph, певної компанії стає дедалі активнішою, що свідчить про те, що AI AGENT має більший ринок поза криптою.