Декодування AI Agent: інтелектуальна сила, що формує нову економічну екосистему майбутнього

1. Загальна інформація

1.1 Вступ: "Нові партнери" в епоху розумних технологій

Кожен цикл криптовалюти приносить нову інфраструктуру, яка стимулює розвиток всієї галузі.

• У 2017 році зростання смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX принесли літо DeFi.
• 2021 рік став знаковим для ери цифрових колекцій з появою великої кількості NFT-серій.
• У 2024 році зросте популярність мемкоїнів та платформ для їх запуску.

Слід підкреслити, що старт цих вертикальних галузей викликаний не лише технологічними інноваціями, а й ідеальним поєднанням моделей фінансування та циклів буму. Коли можливості зустрічають відповідний момент, це може призвести до величезних змін. Оглядаючи 2025 рік, очевидно, що новою перспективною галуззю в циклі 2025 року буде AI-агенти. Ця тенденція досягла свого піку в жовтні минулого року, 11 жовтня 2024 року був випущений токен $GOAT, а 15 жовтня досягнуто ринкової капіталізації в 150 мільйонів доларів. Вже 16 жовтня Virtuals Protocol представив Luna, яка вперше з'явилася в образі IP-трансляції сусідської дівчини, спровокувавши вибух у всій галузі.

Отже, що таке AI Agent?

Усі напевно знайомі з класичним фільмом «Обитель зла», в якому вражає система штучного інтелекту Червоне Серце. Червоне Серце — це потужна система ШІ, яка контролює складні об'єкти та системи безпеки, здатна автономно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато спільного з основними функціями червоної королеви. У реальному світі AI Agent в якійсь мірі відіграє подібну роль, вони є "розумними охоронцями" сучасної технологічної сфери, допомагаючи підприємствам та особам справлятися зі складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумного обслуговування клієнтів, AI Agent вже глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні системи, подібно до невидимих членів команди, володіють всебічними можливостями від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійній підвищенню ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з Dexscreener або соціальної платформи X, для управління портфелем в реальному часі та виконання торгівлі, постійно оптимізуючи власну продуктивність в процесі ітерацій. AI AGENT не є єдиною формою, а поділяється 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, метою якого є 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 у соціальних мережах, взаємодіяти з користувачами, будувати спільноту та брати участь у маркетингових заходах.

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

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

1.1.1 Історія розвитку

Історія розвитку штучного інтелекту (ШІ) демонструє еволюцію ШІ від фундаментальних досліджень до широкого застосування. На конференції в Дармуті в 1956 році термін "ШІ" був вперше запропонований, що заклало основу для ШІ як незалежної галузі. У цей період дослідження ШІ в основному зосереджувалися на символічних методах, що призвело до створення перших програм ШІ, таких як ELIZA(, чат-бот), та Dendral(, експертна система у галузі органічної хімії). Цей етап також став свідком першого впровадження нейронних мереж та початкового дослідження концепції машинного навчання. Але дослідження ШІ в цей період серйозно обмежувалися тодішніми обчислювальними можливостями. Дослідники стикалися з великими труднощами у розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт, опублікований у 1973 році, про стан досліджень ШІ у Великобританії. Звіт Лайтхілла в основному висловлював загальний песимізм щодо досліджень ШІ після початкового етапу захоплення, що призвело до великої втрати довіри до ШІ з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень ШІ значно зменшилося, і галузь ШІ зазнала першого "холодного періоду ШІ", що призвело до зростання скептицизму щодо потенціалу ШІ.

У 1980-х роках розвиток і комерціалізація експертних систем спонукали світові компанії почати впроваджувати технології ШІ. Цей період відзначався значними досягненнями в області машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних застосувань ШІ. Вперше було представлено автономні транспортні засоби, а також розгортання ШІ в таких галузях, як фінанси та охорона здоров'я, що стало знаковим моментом для розширення технологій ШІ. Однак наприкінці 1980-х і на початку 1990-х років, у зв'язку з обвалом попиту на спеціалізоване апаратне забезпечення для ШІ, ця сфера пережила другий "зимовий період ШІ". Крім того, питання розширення масштабів систем ШІ та їх успішної інтеграції в практичні застосування залишалося постійним викликом. Проте в той же час, у 1997 році комп'ютер IBM Deep Blue переміг світового чемпіона з шахів Гарі Каспарова, що стало знаковою подією для здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ в кінці 1990-х років, зробивши його невід'ємною частиною технологічного середовища і почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні асистенти, такі як Siri, продемонстрували практичність ШІ в споживчих додатках. У 2010-х роках агенти посилювального навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, вивівши діалоговий ШІ на новий рівень. У цьому процесі виникнення великих мовних моделей (Large Language Model, LLM) стало важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. З моменту випуску серії GPT компанією OpenAI великомасштабні попередньо навчені моделі, з сотнями мільярдів, а іноді й тисячами мільярдів параметрів, продемонстрували здатність генерувати та розуміти мову, що перевищує можливості традиційних моделей. Їхня видатна продуктивність у обробці природної мови дозволила агентам ШІ демонструвати чітку логіку та зрозумілість у взаємодії через генерацію мови. Це дозволяє агентам ШІ застосовуватися у таких сферах, як чат-асистенти, віртуальні служби підтримки та поступово розширюватися до більш складних завдань (, таких як бізнес-аналіз, креативне написання ).

Здатність великих мовних моделей до навчання надає AI-агентам вищу автономію. Завдяки технології підкріпленого навчання (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на AI-платформах, таких як Digimon Engine, AI-агенти можуть коригувати стратегії поведінки відповідно до введення гравця, що справді реалізує динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного突破у технологічних меж. Поява GPT-4 безсумнівно є важливим поворотним пунктом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще розумнішими, контекстнішими та різноманітнішими. Великі мовні моделі не лише надають AI-агентам "інтелектуальну" душу, але й забезпечують їх можливостями для міждисциплінарної співпраці. У майбутньому новаторські проектні платформи продовжуватимуть з'являтися, сприяючи реалізації та розвитку технології AI-агентів, ведучи нас у нову еру досвіду, зумовленого AI.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно досконалими та постійно розвиваючимися учасниками у сфері криптовалют, здатними діяти незалежно в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту" ------ тобто в імітації людської або іншої біологічної інтелектуальної поведінки за допомогою алгоритмів 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 зовнішнім світом через модуль сприйняття, збираючи інформацію про середовище. Ця частина функції подібна до людських відчуттів, використовуючи сенсори, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягнення 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 наступні технології:

• Комп'ютерне бачення: 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 висновків та рішень

Після сприйняття оточення AI AGENT повинен приймати рішення на основі даних. Модуль міркування та прийняття рішень є "мозком" всієї системи, який здійснює логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, що виконують роль оркестратора або двигуна міркування, розуміють завдання, генерують рішення та координують спеціалізовані моделі для створення контенту, обробки зображень або рекомендуючих систем.

Цей модуль зазвичай використовує такі технології:

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

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

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками та ногами" AI AGENT, який втілює рішення модуля міркування в дію. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:

• Система управління 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 сервісів.
• Автоматизація управління процесами: у підприємницькому середовищі, за допомогою RPA( роботизованої автоматизації процесів) виконуються повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам ставати розумнішими з часом. Завдяки зворотному зв'язку або "даним маховика" постійно вдосконалюється, дані, згенеровані під час взаємодії, повертаються в систему для покращення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент, який може підвищити ефективність прийняття рішень та операцій.

Модулі навчання зазвичай покращуються наступними способами:

• Супервізоване навчання: використання маркованих даних для навчання моделі, щоб AI AGENT міг більш точно виконувати завдання.
• Безконтрольне навчання: виявлення潜在них模式 з неназначених даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлюйте моделі за допомогою даних у реальному часі, щоб підтримувати продуктивність агентів у динамічному середовищі.

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 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 ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, що приносить зміни в різні галузі. Як і в попередньому циклі, коли потенціал L1 блок-простору був важко оцінити, AI AGENT також демонструє таку ж перспективу в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів у 2024 році до 47,1 мільярда доларів у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різні галузі та попит на ринку, що виникає внаслідок технологічних інновацій.

Вклад великих компаній у відкриті проксі-фреймворки також значно зріс. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph від Microsoft, стає все більш активною, що свідчить про те, що AI AGENT має більший ринковий потенціал поза сферою криптовалюти, а TAM також розширюється.