AI Ajansı'ndan DeFAI'a: Yeni Dönemin Şifreleme Boğa Koşusunun Sürücülerini Çözmek

1. Arka Plan Genel Durumu

1.1 Giriş: Akıllı çağın "yeni ortağı"

Her şifreleme para döngüsü, tüm sektörü geliştiren yeni bir altyapı getirir.

• 2017 yılında, akıllı sözleşmelerin yükselişi ICO'nun canlı gelişimini tetikledi.
• 2020'de, DEX'in likidite havuzları DeFi yazının patlamasını getirdi.
• 2021 yılında, çok sayıda NFT seri eseri ortaya çıkması, dijital koleksiyon çağına girişin bir işareti oldu.
• 2024'te, bir platformun olağanüstü performansı memecoin ve lansman platformlarının dalgasına öncülük etti.

Vurgulanması gereken bir nokta, bu dikey alanların başlangıcının yalnızca teknolojik yeniliklerden değil, aynı zamanda finansman modeli ile boğa koşusu döngüsünün mükemmel birleşiminden kaynaklandığıdır. Fırsatlar doğru zamanla buluştuğunda, büyük değişimlerin doğmasına neden olabilir. 2025 yılına baktığımızda, 2025 döngüsündeki yeni alanların AI ajanları olacağı açıktır. Bu trend, geçen yıl Ekim ayında zirveye ulaştı, 11 Ekim 2024'te bir token piyasaya sürüldü ve 15 Ekim'de 150 milyon dolarlık piyasa değerine ulaştı. Ardından 16 Ekim'de, bir protokol Luna'yı tanıttı ve komşu kızın IP canlı yayın imajıyla ilk kez sahneye çıktı, tüm sektörü ateşledi.

Peki, AI Agent nedir?

Herkes klasik film "Resident Evil" ile tanışık olmalı, içindeki AI sistemi Kırmızı Kraliçe etkileyici bir izlenim bırakıyor. Kırmızı Kraliçe, karmaşık tesisleri ve güvenlik sistemlerini kontrol eden güçlü bir AI sistemidir, çevreyi özümseyebilir, verileri analiz edebilir ve hızlı bir şekilde harekete geçebilir.

Aslında, AI Agent ile Kırmızı Kalp Kraliçesi'nin temel işlevleri arasında birçok benzerlik vardır. Gerçek dünyadaki AI Agent'lar, bir dereceye kadar benzer bir rol oynamaktadır; modern teknoloji alanında 'akıllı koruyucular' olarak, karmaşık görevlerle başa çıkmalarına yardımcı olmak için otonom algılama, analiz ve icra yoluyla işletmelere ve bireylere destek olmaktadırlar. Otonom sürüş araçlarından akıllı müşteri hizmetlerine kadar, AI Agent'lar her sektöre derinlemesine nüfuz ederek verimliliği artırma ve yenilik sağlama konusunda kilit bir güç haline gelmiştir. Bu otonom akıllı varlıklar, görünmez takım üyeleri gibi, çevresel algılamadan karar verme icrasına kadar kapsamlı yeteneklere sahip olup, çeşitli sektörlere adım adım nüfuz ederek verimlilik ve yeniliğin ikili artışını teşvik etmektedir.

Örneğin, bir AI AJANI otomatik ticaret için kullanılabilir, belirli bir veri platformundan veya sosyal platformdan toplanan verilere dayanarak, portföyü gerçek zamanlı olarak yönetebilir ve işlemler gerçekleştirebilir, sürekli olarak kendini optimize ederek performansını iyileştirebilir. AI AJANI tek bir formda değildir, şifreleme ekosistemindeki belirli ihtiyaçlara göre farklı kategorilere ayrılır:

1. Uygulayıcı AI Ajanı: Belirli görevleri tamamlamaya odaklanır, örneğin ticaret, portföy yönetimi veya arbitraj, operasyon hassasiyetini artırmayı ve gereken süreyi azaltmayı amaçlar.

2.Yaratıcı AI Ajanı: İçerik üretimi için kullanılır, metin, tasarım hatta müzik yaratımını içerir.

3. Sosyal AI Ajanı: Sosyal medyada görüş lideri olarak kullanıcılarla etkileşimde bulunmak, topluluklar oluşturmak ve pazarlama etkinliklerine katılmak.

4. Koordinasyon Tipi AI Ajanı: Koordinasyon sistemleri veya katılımcılar arasındaki karmaşık etkileşimleri düzenler, özellikle çok zincirli entegrasyonlar için uygundur.

Bu raporda, AI Agent'in kökenlerini, mevcut durumunu ve geniş uygulama perspektiflerini derinlemesine inceleyeceğiz, bunların sektör dinamiklerini nasıl yeniden şekillendirdiğini analiz edecek ve gelecekteki gelişim trendlerini öngöreceğiz.

1.1.1 Gelişme Tarihi

AI AJANı'nın gelişim süreci, AI'nın temel araştırmalardan geniş uygulamalara evrimini göstermektedir. 1956'daki Dartmouth konferansında, "AI" terimi ilk kez ortaya atılmış ve AI'nın bağımsız bir alan olarak temelini atmıştır. Bu dönemde, AI araştırmaları esasen sembolik yöntemlere odaklanmış ve ilk AI programlarının ortaya çıkmasına neden olmuştur; bunlar arasında ELIZA( bir sohbet robotu) ve Dendral( organik kimya alanındaki uzman sistem) yer almaktadır. Bu aşama ayrıca sinir ağlarının ilk kez ortaya atılması ve makine öğrenimi kavramının ilk keşiflerine tanıklık etmiştir. Ancak, bu dönemde AI araştırmaları mevcut hesaplama gücünün sınırlamalarıyla ciddi şekilde kısıtlanmıştır. Araştırmacılar, doğal dil işleme ve insan bilişsel işlevlerini taklit eden algoritmalar geliştirme konusunda büyük zorluklarla karşılaşmışlardır. Ayrıca, 1972'de matematikçi James Lighthill, 1973'te yayımlanan bir rapor sunmuştur; bu rapor, Birleşik Krallık'taki devam eden AI araştırmalarının durumunu ele almıştır. Lighthill raporu, AI araştırmalarının erken heyecan döneminden sonraki genel karamsarlığını ifade etmiş ve Birleşik Krallık akademik kurumları(, özellikle de finansman kuruluşları), üzerinde AI'ya dair büyük bir güven kaybı yaratmıştır. 1973 sonrasında, AI araştırma fonları önemli ölçüde azalmış ve AI alanı ilk "AI kışı"nı yaşamıştır; AI potansiyeline dair şüpheci duygular artmıştır.

1980'li yıllarda, uzman sistemlerin gelişimi ve ticarileşmesi, küresel şirketlerin AI teknolojilerini benimsemeye başlamasına yol açtı. Bu dönemde makine öğrenimi, sinir ağları ve doğal dil işleme alanlarında önemli ilerlemeler kaydedildi ve daha karmaşık AI uygulamalarının ortaya çıkmasını sağladı. İlk otonom araçların tanıtılması ve AI'nın finans, sağlık gibi çeşitli sektörlerdeki kullanımı, AI teknolojisinin genişlemesini de simgeliyor. Ancak 1980'lerin sonları ile 90'ların başında, özel AI donanımına olan talebin çökmesiyle AI alanı ikinci "AI kışı"nı yaşadı. Ayrıca, AI sistemlerinin ölçeğini büyütmek ve bunları başarılı bir şekilde pratik uygulamalara entegre etmek hâlâ devam eden bir zorluktu. Ama aynı zamanda, 1997'de IBM'in Deep Blue bilgisayarı dünya satranç şampiyonu Garry Kasparov'u yenerek, karmaşık problemleri çözme yeteneği açısından bir dönüm noktası oldu. Sinir ağları ve derin öğrenmenin yeniden doğuşu, 1990'ların sonlarındaki AI gelişimini destekleyerek, AI'yı teknolojik manzarada vazgeçilmez bir parça haline getirdi ve günlük yaşamı etkilemeye başladı.

Yüzyılın başlarına gelindiğinde, hesaplama gücündeki ilerleme derin öğrenmenin yükselişini tetikledi ve Siri gibi sanal asistanlar, AI'nın tüketici uygulama alanındaki pratikliğini gösterdi. 2010'lu yıllarda, pekiştirme öğrenimi ajanları ve GPT-2 gibi üretken modellerde daha fazla atılım sağlandı ve diyalog tabanlı AI yeni bir seviyeye taşındı. Bu süreçte, büyük dil modeli (Büyük Dil Modeli, LLM )'nin ortaya çıkışı AI gelişiminin önemli bir dönüm noktası oldu; özellikle GPT-4'ün piyasaya sürülmesi, AI ajanları alanında bir dönüm noktası olarak kabul edildi. Bir şirketin GPT serisini piyasaya sürmesinden bu yana, büyük ölçekli önceden eğitilmiş modeller, yüz milyarlarca hatta trilyonlarca parametre aracılığıyla, geleneksel modelleri aşan dil oluşturma ve anlama yetenekleri sergiledi. Doğal dil işleme konusundaki olağanüstü performansları, AI ajanlarının dil oluşturarak mantıksal olarak net ve düzenli etkileşim yeteneği göstermesini sağladı. Bu, AI ajanlarının sohbet asistanları, sanal müşteri hizmetleri gibi senaryolarda uygulanabilmesini sağladı ve yavaş yavaş daha karmaşık görevler ( gibi ticari analiz, yaratıcı yazım ) alanlarına genişledi.

Büyük dil modellerinin öğrenme yeteneği, AI ajanlarına daha yüksek bir özerklik sağlıyor. Pekiştirmeli öğrenme (Pekiştirmeli Öğrenme) teknolojisi sayesinde, AI ajanları sürekli olarak kendi davranışlarını optimize edebilir ve dinamik ortamlara uyum sağlayabilir. Örneğin, bir AI destekli platformda, AI ajanı oyuncu girdilerine göre davranış stratejisini ayarlayarak gerçekten dinamik bir etkileşim gerçekleştirebilir.

Erken dönem kural sistemlerinden GPT-4 gibi büyük dil modellerine kadar, AI ajanlarının gelişim tarihi, sürekli olarak teknolojik sınırları aşan bir evrim tarihidir. GPT-4'ün ortaya çıkışı, bu sürecin kesinlikle önemli bir dönüm noktasıdır. Teknolojinin daha da gelişmesiyle, AI ajanları daha akıllı, sahneye uygun ve çeşitlendirilmiş hale gelecektir. Büyük dil modelleri, AI ajanlarına "zekâ" ruhunu kazandırmakla kalmayıp, aynı zamanda onlara farklı alanlarda işbirliği yapma yeteneği de sağlamaktadır. Gelecekte, yenilikçi proje platformları sürekli olarak ortaya çıkacak ve AI ajanı teknolojisinin hayata geçirilmesini ve gelişimini desteklemeye devam edecek, AI destekli deneyimlerin yeni bir çağını yönlendirecektir.

1.2 Çalışma Prensibi

AIAGENT'in geleneksel robotlardan farkı, zamanla öğrenip uyum sağlayabilmeleri ve hedeflere ulaşmak için ince detaylarla kararlar verebilmeleridir. Onları, dijital ekonomide bağımsız bir şekilde hareket edebilen, şifreleme alanında teknik olarak yetkin ve sürekli gelişen katılımcılar olarak görebiliriz.

AI AGENT'in özü, "zekası"dır------yani algoritmalar aracılığıyla insan veya diğer canlıların zeki davranışlarını simüle ederek karmaşık sorunları otomatik olarak çözmektir. AI AGENT'in iş akışı genellikle aşağıdaki adımları takip eder: algılama, akıl yürütme, eylem, öğrenme, ayarlama.

1.2.1 Algılama Modülü

AI AGENT, dış dünya ile etkileşime geçmek için algılama modülü aracılığıyla çevresel bilgileri toplar. Bu bölümün işlevi, insan sensörlerine benzer; dış verileri yakalamak için sensörler, kameralar, mikrofonlar gibi cihazları kullanır. Bu, anlamlı özelliklerin çıkarılmasını, nesnelerin tanınmasını veya çevredeki ilgili varlıkların belirlenmesini içerir. Algılama modülünün temel görevi, ham verileri anlamlı bilgiye dönüştürmektir; bu genellikle aşağıdaki teknolojileri içerir:

• Bilgisayarla Görme: Görüntü ve video verilerini işlemek ve anlamak için kullanılır.
• Doğal dil işleme ( NLP ): AI AGENT'in insan dilini anlamasına ve üretmesine yardımcı olur.
• Sensör füzyonu: Birden fazla sensörden gelen verileri tek bir görünümde birleştirmek.

1.2.2 Akıl yürütme ve karar verme modülü

Çevreyi algıladıktan sonra, AI AGENT veriye dayalı kararlar almak zorundadır. Akıl yürütme ve karar verme modülü, tüm sistemin "beyni"dir; toplanan bilgilere dayanarak mantıksal akıl yürütme ve strateji geliştirme yapar. Büyük dil modelleri gibi araçlar kullanarak, görevleri anlayabilir, çözümler üretebilir ve içerik oluşturma, görsel işleme veya öneri sistemleri gibi belirli işlevler için özel modellerle koordinasyon sağlar.

Bu modül genellikle aşağıdaki teknolojileri kullanır:

• Kural motoru: Önceden belirlenmiş kurallara dayanarak basit kararlar almak.
• Makine öğrenimi modeli: karmaşık desen tanıma ve tahmin için karar ağaçları, sinir ağları vb. içerir.
• Pekiştirmeli öğrenme: AI AGENT'in deneme yanılma ile karar verme stratejisini sürekli olarak optimize etmesini ve değişen ortama uyum sağlamasını sağlar.

Çıkarım süreci genellikle birkaç adım içerir: öncelikle çevrenin değerlendirilmesi, ikincisi hedefe göre birden fazla olası eylem planının hesaplanması ve son olarak en uygun planın uygulanması.

1.2.3 yürütme modülü

İcra modülü, AI AGENT'in "elleri ve ayakları"dır ve çıkarım modülünün kararlarını uygulamaya koyar. Bu kısım, belirli görevleri yerine getirmek için dış sistemler veya cihazlarla etkileşime girer. Bu, robot hareketleri gibi fiziksel işlemleri ( veya veri işleme gibi dijital işlemleri ) içerebilir. İcra modülü, şunlara bağımlıdır:

• Robot kontrol sistemi: Fiziksel işlemler için, örneğin robot kollarının hareketi.
• API çağrısı: Harici yazılım sistemleriyle etkileşim, örneğin veritabanı sorguları veya ağ hizmetlerine erişim.
• Otomatik Süreç Yönetimi: Kurumsal ortamda, RPA( robotik süreç otomasyonu) aracılığıyla tekrarlayan görevleri yerine getirir.

(# 1.2.4 Öğrenme Modülü

Öğrenme modülü, AI AGENT'in temel rekabet gücüdür; bu, ajanların zamanla daha akıllı hale gelmesini sağlar. Geri bildirim döngüsü veya "veri tekerleği" yoluyla sürekli iyileştirme, etkileşim sırasında üretilen verilerin sisteme geri beslenerek modeli güçlendirmesi için kullanılmaktadır. Zamanla uyum sağlama ve daha etkili hale gelme yeteneği, işletmelere karar alma ve operasyon verimliliğini artırma konusunda güçlü bir araç sunmaktadır.

Öğrenme modülleri genellikle aşağıdaki yollarla geliştirilir:

• Denetimli öğrenme: Etiketlenmiş verileri kullanarak model eğitimi yapmak, AI AGENT'in görevleri daha doğru bir şekilde tamamlamasını sağlamak.
• Denetimsiz öğrenme: Etiketlenmemiş verilerden potansiyel kalıplar bulmak, ajanların yeni ortamlara uyum sağlamalarına yardımcı olur.
• Sürekli öğrenme: Gerçek zamanlı verilerle modeli güncelleyerek, ajanların dinamik ortamdaki performansını sürdürmek.

)# 1.2.5 Gerçek Zamanlı Geri Bildirim ve Ayarlama

AI AJANI, sürekli geri bildirim döngüsü aracılığıyla kendi performansını optimize eder. Her eylemin sonucu kaydedilir ve gelecekteki kararları ayarlamak için kullanılır. Bu kapalı döngü sistemi, AI AJANI'nın uyum yeteneğini ve esnekliğini sağlar.

![Decoding AI AGENT: Gelecekteki Yeni Ekonomi Ekosistemini Şekillendiren Akıllı Güç]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp###

( 1.3Pazar Durumu

)# 1.3.1 Sektör Durumu

AI AGENT, tüketici arayüzü ve otonom ekonomik aktör olarak büyük potansiyeli sayesinde pazarın odak noktası haline geliyor ve birçok sektörde devrim yaratıyor. Önceki döngüde L1 blok alanının potansiyelinin ölçülemez olduğu gibi, AI AGENT bu döngüde de benzer bir perspektif sergiliyor.

Bir kuruluşun en son raporuna göre, AI Agent pazarının 2024'te 5.1 milyar dolardan 2030'da 47.1 milyar dolara büyümesi bekleniyor, yıllık bileşik büyüme oranı ###CAGR### %44.8'e kadar çıkıyor. Bu hızlı büyüme, AI Agent'ın çeşitli sektörlerdeki etkisini ve teknolojik yeniliklerin getirdiği pazar talebini yansıtıyor.

Büyük şirketlerin açık kaynaklı proxy çerçevelerine yatırımları da önemli ölçüde arttı. Bir şirketin AutoGen, Phidata ve LangGraph gibi çerçevelerin geliştirme faaliyetleri giderek daha aktif hale geliyor, bu da AI AGENT'ın şifreleme alanının dışında daha büyük bir pazar potansiyeline sahip olduğunu gösteriyor, TAM da