AI Agent: Інтелектуальна сила, що формує нову економічну екосистему майбутнього

1. Загальний фон

1.1 Вступ: "Новий партнер" в епоху розумних технологій

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

• У 2017 році зростання популярності смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пулли DEX спричинили літню хвилю DeFi.
• У 2021 році велика кількість NFT-серійних робіт стала ознакою приходу ери цифрових колекцій.
• У 2024 році видатні результати однієї з платформ запуску стали лідерами хвилі memecoin та платформ запуску.

Слід підкреслити, що започаткування цих вертикальних напрямків обумовлене не лише технологічними інноваціями, а й ідеальним поєднанням фінансування та циклів буму. Коли можливості зустрічають відповідний час, це може призвести до величезних змін. Заглядаючи у 2025 рік, очевидно, що нові перспективні сфери, що виникнуть у 2025 році, будуть пов'язані з агентами штучного інтелекту. Ця тенденція досягла свого піку у жовтні минулого року, коли 11 жовтня 2024 року було запущено токен $GOAT, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Невдовзі, 16 жовтня, один з протоколів запустив Luna, яка вперше з'явилася в образі IP сусідської дівчини у прямому ефірі, спровокувавши вибух у всій галузі.

Отже, що таке AI Agent?

Усі знайомі з класичним фільмом «Смертельна битва», в якому вражає штучний інтелект Червона королева. Червона королева — це потужна система ШІ, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато подібностей з основними функціями Червоного Серця Королеви. У реальному світі AI Agent в певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, допомагаючи підприємствам і особам справлятися зі складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумних клієнтських послуг, AI Agent проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні системи, як невидимі члени команди, мають всебічні можливості - від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі та стимулюючи подвійне підвищення ефективності та інновацій.

Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, базуючись на даних, зібраних з певної платформи даних або соціальної платформи, для实时管理投资组合并执行交易，不断在迭代中优化自身表现。 AI AGENT не є єдиною формою, а розподіляється на різні категорії відповідно до специфічних потреб криптоекосистеми:

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

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

3. Соціальний AI агент: бути лідером думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноту та брати участь у маркетингових активностях.

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 і широкі перспективи застосування AI Agent, проаналізуємо, як вони трансформують галузевий ландшафт, і поглянемо на тенденції їхнього подальшого розвитку.

1.1.1 Історія розвитку

Історія розвитку AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті термін "AI" був вперше запропонований, що заклало основу для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення перших AI програм, таких як ELIZA (чат-бот) та Dendral (експертна система в області органічної хімії). Цей етап також став свідком першого згадки нейронних мереж і початкового дослідження концепції машинного навчання. Але дослідження AI в цей період серйозно обмежувались тодішніми обчислювальними можливостями. Дослідники стикалися з великими труднощами в розробці алгоритмів обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подавав доповідь про стан AI-досліджень у Великобританії, яка була опублікована у 1973 році. Доповідь Лайтхілла в основному виражала загальний песимізм щодо AI-досліджень після початкового захоплення, що призвело до величезної втрати впевненості з боку британських академічних установ (, включаючи фінансові установи ). Після 1973 року фінансування AI-досліджень значно скоротилося, і галузь AI пережила першу "зиму AI", зростаючи скептицизму щодо потенціалу AI.

У 1980-х роках розвиток та комерціалізація експертних систем спонукали глобальні компанії почати впровадження технологій штучного інтелекту. У цей період було досягнуто значного прогресу в галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження автономних транспортних засобів і впровадження ШІ в фінансовому, медичному та інших секторах також стало ознакою розширення технології ШІ. Але наприкінці 1980-х років та на початку 1990-х, з падінням попиту на спеціалізоване апаратне забезпечення для ШІ, ця галузь пережила другий "зимовий період ШІ". Крім того, як масштабувати системи ШІ та успішно інтегрувати їх у реальні застосунки залишалося постійним викликом. Тим не менш, у 1997 році комп'ютер IBM Deep Blue переміг світового чемпіона з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні помічники, такі як Siri, продемонстрували практичність ШІ в споживчих додатках. У 2010-х роках агенти навчання з підкріпленням і генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши розмовний ШІ на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливим етапом у розвитку ШІ, особливо випуск GPT-4, що вважається поворотним моментом у галузі ШІ-агентів. З моменту випуску серії GPT певною компанією великомасштабні моделі попереднього навчання, що мають сотні мільярдів або навіть тисячі мільярдів параметрів, продемонстрували можливості генерування та розуміння мовлення, що перевищують традиційні моделі. Їхні видатні результати в обробці природної мови дозволяють ШІ-агентам демонструвати логічно чітку та структуровану здатність до взаємодії через генерування мовлення. Це дозволяє ШІ-агентам використовуватися в чат-асистентах, віртуальних службах підтримки та 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 навчання з підкріпленням (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, що працює на основі AI, AI-агенти можуть коригувати свою стратегію поведінки відповідно до введення гравця, справді реалізуючи динамічну взаємодію.

Історія розвитку AI-агентів від ранніх систем правил до великих мовних моделей, представлених GPT-4, є еволюцією, що безперервно розширює технічні межі. Поява GPT-4 безсумнівно є значним поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще розумнішими, більш контекстуальними та різноманітними. Великі мовні моделі не лише надають AI-агентам «інтелектуальну» душу, але й забезпечують їх можливістю міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи продовжать 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 навчатися та адаптуватися з плином часу, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно розвинених і постійно зростаючих учасників у сфері криптовалют, які можуть самостійно діяти в цифровій економіці.

Ядром AI AGENT є його "інтелект" ------ тобто моделювання поведінки інтелекту людини або інших живих істот за допомогою алгоритмів для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, корекція.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з зовнішнім світом через модуль спостереження, збираючи інформацію про навколишнє середовище. Ця частина функцій подібна до людських відчуттів, використовуючи сенсори, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає в себе виділення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля спостереження полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає в себе наступні технології:

• Комп'ютерне зору: використовується для обробки та розуміння зображень і відеоданих.
• Обробка природної мови (NLP): допомагає AI AGENT розуміти та генерувати людську мову.
• Злиття датчиків: інтеграція даних з кількох датчиків в єдине зображення.

1.2.2 Модуль висновків та прийняття рішень

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

Цей модуль зазвичай використовує такі технології:

• Правила двигуна: прості рішення на основі заздалегідь встановлених правил.
• Моделі машинного навчання: включаючи дерева рішень, нейронні мережі тощо, для складного розпізнавання шаблонів та прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінюваного середовища.

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

1.2.3 Виконавчий модуль

Модуль виконання є "руками та ногами" AI AGENT, який втілює рішення модуля міркування в дії. Ця частина взаємодіє з зовнішніми системами або пристроями, виконуючи визначені завдання. Це може включати фізичні операції (наприклад, дії роботів) або цифрові операції (наприклад, обробка даних). Модуль виконання залежить від:

• Система управління роботами: використовується для фізичних операцій, наприклад, для руху роботизованої руки.
• Виклики API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих сервісів.
• Автоматизація управління процесами: у 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 ставати більш розумним з часом. Завдяки циклу зворотного зв'язку або "даних-флайвера" система постійно покращується, повертаючи дані, згенеровані під час взаємодії, в систему для посилення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент для підвищення ефективності прийняття рішень та операцій.

Модулі навчання зазвичай покращуються наступними способами:

• Підконтрольне навчання: використання розмічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення潜在模式 з неназначених даних, що допомагає агентам адаптуватися до нових умов.
• Постійне навчання: оновлюйте модель за допомогою даних в реальному часі, щоб підтримувати продуктивність агента в динамічному середовищі.

1.2.5 Реальний зворотній 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 на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та самостійного економічного агента, приносить зміни в кілька галузей. Як і потенціал L1 блочних просторів в попередньому циклі, AI AGENT також демонструє подібні перспективи в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає ступінь проникнення AI Agent в різні галузі, а також попит на ринку, викликаний технологічними інноваціями.

Великі компанії суттєво збільшили інвестиції в відкриті проксі-фреймворки. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph деякої компанії, стає все більш активною, що свідчить про те, що AI AGENT має більший ринок поза криптосферою.