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

1. Общая информация

1.1 Введение: "Новые партнеры" в эпоху умных технологий

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

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX принесли летний бум DeFi.
• В 2021 году появление множества NFT-серийных работ ознаменовало наступление эпохи цифровых коллекционных предметов.
• В 2024 году выдающееся выступление одной из платформ запуска возглавило бум мем-койнов и платформ запуска.

Важно подчеркнуть, что старт этих вертикальных областей произошел не только благодаря технологическим инновациям, но и является результатом идеального сочетания моделей финансирования и циклов бычьего рынка. Когда возможность встречает подходящий момент, это может привести к огромным изменениям. Глядя вперед на 2025 год, очевидно, что новым развивающимся направлением в цикле 2025 года будет агент AI. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Затем, 16 октября, некий протокол запустил Luna, впервые представив образ соседской девушки в формате прямой трансляции, что вызвало взрыв в всей отрасли.

Итак, что такое AI Agent?

Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Красное Сердце. Красное Сердце — это мощная AI-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать решения.

На самом деле, у AI Agent и Королевы червей есть много схожих функций. В реальной жизни AI Agent в определенной степени выполняют 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 автопилотом до умных客服, AI Agent глубоко проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.

Например, AI AGENT может использоваться для автоматической торговли, управляя портфелем в реальном времени и выполняя сделки на основе данных, собранных с определенной платформы или из социальных сетей, постоянно оптимизируя свои показатели в ходе итераций. AI AGENT не имеет единой формы, а разделяется на разные категории в зависимости от специфических потребностей криптоэкосистемы:

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

2. Креативный AI агент: используется для генерации контента, включая текст, дизайн и даже музыкальное творчество.

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

4. Координационный ИИ-агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для интеграции нескольких цепочек.

В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и заглянем в будущие тенденции их развития.

1.1.1 История развития

История развития AI AGENT демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что заложило основу для ИИ как независимой области. В этот период исследования 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). На этом этапе также было впервые предложено использование нейронных сетей и начаты исследования концепции машинного обучения. Однако исследования ИИ в этот период сильно 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, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое настроение по отношению к исследованиям ИИ после раннего периода энтузиазма, что привело к значительной утрате доверия к ИИ со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первую "зиму ИИ", увеличившееся сомнение в потенциале ИИ.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. Этот период ознаменовался значительными достижениями 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 финансовом, медицинском и других отраслях также стало свидетельством расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное ИИ-оборудование, область ИИ пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать ИИ-системы и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало вехой 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 XXI века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, и некоторые виртуальные помощники продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты усиленного обучения и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. 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 некоторыми компаниями крупномасштабные предварительно обученные модели продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели, благодаря сотням миллиардов или даже триллионам параметров. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам продемонстрировать логичное и структурированное взаимодействие через генерацию языка. Это позволило ИИ-агентам применять свои возможности в таких сценариях, как чат-помощники, виртуальные клиенты и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).

Способность больших языковых моделей к обучению предоставляет AI-агентам большую автономию. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на некоторых платформах с AI-управлением AI-агенты могут корректировать свои стратегии поведения в зависимости от ввода игрока, действительно реализуя динамическое взаимодействие.

От ранних систем правил до языковых моделей, представленных GPT-4, история развития AI-агентов — это история постоянного преодоления технических границ. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "ум" в AI-агентов, но и предоставили им возможности для междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать технологии AI-агентов и их развитие, ведя к новой эпохе AI-управляемого опыта.

1.2 Принцип работы

AIAGENT отличается от традиционных роботов тем, что они могут обучаться и адаптироваться со временем, принимая детализированные решения для достижения своих целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.

Основой AI AGENT является его "интеллект" ------ то есть, имитация человеческого или другого биологического интеллекта с помощью алгоритмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно включает следующие этапы: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

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

• Компьютерное зрение: используется для обработки и понимания данных изображений и видео.
• Обработка естественного языка (NLP): помогает AI AGENT понимать и генерировать человеческий язык.
• Слияние датчиков: интеграция данных от нескольких датчиков в единый взгляд.

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, который осуществляет логическое рассуждение и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестратора или движка 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:

• Правилообразующий механизм: простое принятие решений на основе заранее установленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания паттернов и прогнозирования.
• Укрепленное обучение: позволяет ИИ АГЕНТУ постоянно оптимизировать стратегии принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.

1.2.3 Исполнительный модуль

Исполнительный модуль является "руками и ногами" AI AGENT, который реализует решения, принятые в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) или цифровые операции (например, 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 базе данных или доступ к сетевым сервисам.
• Автоматизация управления процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированная автоматизация процессов).

1.2.4 Модуль обучения

Модуль обучения является основной конкурентоспособностью AI AGENT, который позволяет агенту со временем становиться более умным. Непрерывное улучшение через обратную связь или "данные-флайвера" включает обратную связь данных, сгенерированных в ходе взаимодействия, в систему для усиления модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для улучшения 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 паттернов из необработанных данных, помогающее агенту адаптироваться к новой среде.
• Непрерывное обучение: обновление модели в режиме реального времени, чтобы поддерживать производительность агента в динамической среде.

1.2.5 Реальная обратная связь и корректировка

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

1.3 Текущая ситуация на рынке

1.3.1 Текущее состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, он приносит преобразования 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, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, что соответствует среднегодовому темпу роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.

Крупные компании значительно увеличили свои инвестиции в открытые прокси-фреймворки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph, компании становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптографии, TA