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

1. Загальний фон

1.1 Вступ: "новий партнер" епохи розумних технологій

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

• 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 знаковою подією, що ознаменувала настання ери цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали ведучими в бумі мем-коінів та платформ запуску.

Необхідно підкреслити, що старт цих вертикальних областей зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням фінансування та циклу бика. Коли можливість зустрічає правильний момент, це може призвести до величезних змін. З огляду на 2025 рік, очевидно, що новими сферами циклу 2025 року стануть AI агенти. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року буде випущено певний токен, а 15 жовтня його ринкова капіталізація досягне 150 мільйонів доларів. Наступного дня, 16 жовтня, певний протокол запустив Luna, вперше представивши образ сусідської дівчини в трансляції, що спровокувало вибух у всій галузі.

Отже, що таке AI Agent?

Усі добре знайомі з класичним фільмом «Обитель зла», в якому вражає AI-система 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, AI Agent має багато спільного з основними функціями червоної королеви. AI Agent у реальному житті в певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасної технологічної сфери, допомагаючи підприємствам і особам справлятися зі складними завданнями через автономне сприйняття, аналіз та виконання. Від автомобілів з автопілотом до розумних клієнтських сервісів, 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 навколишнього 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 певної платформи або соціальної мережі, в реальному часі керувати портфелем і виконувати угоди, постійно оптимізуючи власні показники 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, з метою підвищення точності операцій і зменшення витраченого часу.

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

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 ланцюгів.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони трансформують ландшафт галузі, і заглянемо в майбутні тенденції розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті вперше було запропоновано термін "AI", що заклало основу для AI як незалежної області. 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). На цьому етапі також було вперше запропоновано нейронні мережі та розпочато первісне дослідження концепції машинного навчання. Проте дослідження AI в цей період сильно обмежувалися обмеженнями обчислювальних можливостей 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 Лайтхіл подав звіт про стан AI-досліджень у Великобританії, який був опублікований у 1973 році. Звіт Лайтхіла в основному висловлював повний песимізм щодо AI-досліджень після початкового захоплення, що призвело до великої втрати впевненості в AI з боку академічних установ Великобританії (, включаючи фінансуючі організації ). Після 1973 року фінансування AI-досліджень значно зменшилось, і 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 були досягнуті значні успіхи в машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження перших автономних транспортних засобів, а також впровадження ШІ в таких сферах, як фінансовий сектор і охорона здоров'я, також стали знаковими для розширення технології ШІ. Але в кінці 1980-х - на початку 1990-х років, з падінням попиту на спеціалізоване апаратне забезпечення для ШІ, ця сфера пережила другий "зимовий період ШІ". Крім того, питання масштабування систем ШІ та їх успішної інтеграції в реальні застосування залишаються 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 проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На початку цього століття прогрес у комп'ютерних обчисленнях сприяв виникненню глибокого навчання, деякі віртуальні помічники продемонстрували практичність ШІ в споживчих застосунках. У 2010-х роках агентів зміцнюючого навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, підносячи 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 агентів ШІ. Від часу випуску серії GPT певною компанією, великомасштабні попередньо навчені моделі через сотні мільярдів або навіть трильйони параметрів продемонстрували можливості генерування та розуміння мови, що перевершують традиційні моделі. Їхня видатна продуктивність у обробці природної мови дозволила агентам ШІ демонструвати логічні та структуровані взаємодії через генерацію мови. Це дало змогу агентам ШІ використовуватися в сценах, таких як чат-асистенти, віртуальні служби підтримки клієнтів, і поступово розширюватися до більш складних завдань (таких як бізнес-аналіз, креативне письмо).

Здатність до навчання великих мовних моделей забезпечує вищу автономність для агентів ШІ. Завдяки технології підкріплювального навчання (Reinforcement Learning) агенти ШІ можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах, що використовують ШІ, агенти можуть коригувати стратегії поведінки відповідно до вводу гравця, що справді забезпечує динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є еволюцією, що постійно розширює технологічні межі. 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 "інтелекту" душу AI-агентам, але й забезпечують їх можливостями для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть продовжувати з'являтися, сприяючи реалізації та розвитку технології AI-агентів, ведучи до нової ери досвіду, керованого AI.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з плином часу, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно досконалими та такими, що постійно розвиваються учасниками в крипто-сфері, здатними діяти незалежно в цифровій економіці.

Основна суть 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 крокам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім світом через модуль сприйняття, збираючи інформацію про середовище. Функції цієї частини схожі на людські органи чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягування значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основним завданням модуля сприйняття є перетворення сировинних даних на значущу інформацію, що зазвичай передбачає такі технології:

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

1.2.2 Модуль розуміння та ухвалення рішень

Після сприйняття навколишнього середовища, AI AGENT повинен ухвалювати рішення на основі даних. Модуль міркування та ухвалення рішень є "мозком" всієї системи, він здійснює логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі як оркестратори або міркувальні двигуни, він розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких конкретних функцій, як створення контенту, обробка зображень або рекомендовані системи.

Цей модуль зазвичай використовує такі технології:

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

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

1.2.3 Виконавчий модуль

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

• Роботизована система управління: 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 виконання повторюваних завдань за допомогою RPA (роботизована автоматизація процесів).

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам ставати більш розумними з часом. Постійне покращення через цикл зворотного зв'язку або "дані летючого колеса" повертає дані, згенеровані під час взаємодії, в систему для підвищення моделі. Ця здатність поступово адаптуватися та ставати більш ефективною з часом надає компаніям потужний інструмент для підвищення якості ухвалення рішень та операційної ефективності.

Модулі навчання зазвичай покращуються наступними способами:

• Навчання з учителем: використання маркованих даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення потенційних моделей з ненаведених даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлюючи модель в режимі реального часу, підтримуйте показники агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та коригування

AI AGENT оптимізує свою продуктивність через постійний цикл зворотного зв'язку. Результати кожної дії фіксуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність і 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 кілька галузей. Як і в попередньому циклі, потенціал L1 блок-простору важко переоцінити, так і AI AGENT 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 різних галузях, а також попит на ринку, викликаний технологічними інноваціями.

Великі компанії також значно збільшили свої вклади в відкриті фреймворки проксі. Розробка фреймворків таких компаній, як AutoGen, Phidata і LangGraph, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери, TA