Від AI Agent до DeFAI: розкриття драйверів нового раунду шифрувального булрану

1. Загальний фон

1.1 Вступ: "Новий партнер" епохи розумних технологій

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

• У 2017 році підйом смарт-контрактів сприяв бурхливому розвитку ICO.
• 2020 рік, ліквідні пул DEX приніс літній бум DeFi.
• У 2021 році велика кількість NFT-серіалів стала свідченням початку ери цифрових колекцій.
• У 2024 році видатні досягнення певної платформи стали рушійною силою в популяризації мемкоїнів та платформ для їх запуску.

Потрібно підкреслити, що старт цих вертикальних сфер зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів булрану. Коли можливості зустрічаються з відповідним часом, це може призвести до величезних змін. Дивлячись у 2025 рік, очевидно, що новими сферами циклу 2025 року стануть агенти штучного інтелекту. Ця тенденція досягла свого піку в жовтні минулого року, коли 11 жовтня 2024 року був запущений певний токен, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол запустив Luna, вперше з'явившись у вигляді IP трансляції сусідської дівчини, що викликало бум у всій індустрії.

Отже, що таке AI Agent?

Усі знайомі з класичним фільмом «Обитель зла», де вражає AI-система Червона Королева. Червона Королева — це потужна AI-система, що контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко діяти.

Насправді, AI Agent має багато спільного з ключовими функціями червоного королеви. У реальному світі AI Agent в певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасної технології, допомагаючи підприємствам і особам справлятися з складними завданнями через самостійне сприйняття, аналіз і виконання. Від автомобілів з автопілотом до розумних клієнтських сервісів, AI Agent 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 середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи підвищенню ефективності та інновацій.

Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, базуючись на даних, зібраних з певної платформи даних або соціальної платформи, для управління портфелем в реальному часі та виконання угод, постійно оптимізуючи свою продуктивність у процесі ітерацій. AI AGENT не є єдиною формою, а розподіляється на різні категорії відповідно до специфічних потреб у шифрувальному екосистемі:

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 тексти, дизайн і навіть музичне творіння.

3. Соціальний AI Агент: як лідер думок у соціальних мережах, взаємодіє з користувачами, створює спільноту та бере 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 та широкі перспективи застосування AI Agent, проаналізуємо, як вони перевизначають галузевий ландшафт, і зробимо прогноз їх майбутніх тенденцій розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію AI від фундаментальних досліджень до широкого застосування. У 1956 році на конференції в Дартмуті термін "AI" був вперше запропонований, заклавши 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) і Dendral( експертна система у сфері органічної хімії). Цей етап також став свідком першого запропонування нейронних мереж та початкових досліджень концепції машинного навчання. Але дослідження AI в цей період були серйозно обмежені обмеженнями обчислювальних можливостей того часу. Дослідники стикалися з величезними труднощами в розробці алгоритмів обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтіл подав звіт про стан AI-досліджень у Великобританії, опублікований у 1973 році. Звіт Лайтіла в основному висловлював повний песимізм щодо досліджень AI після раннього захоплення, що призвело до величезної втрати довіри з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI значно зменшилося, і область AI пережила першу "AI зимову пору", зростаючи скептицизм щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що світові компанії почали впроваджувати технології ШІ. У цей період досягнуто значного прогресу в машинному навчанні, нейронних мережах і обробці природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження автономних транспортних засобів вперше, а також впровадження ШІ в різних галузях, таких як фінанси та охорона здоров'я, також стало ознакою розширення технологій ШІ. Але в кінці 1980-х - на початку 1990-х років, з крахом попиту на спеціалізоване апаратне забезпечення ШІ, галузь ШІ пережила другий "зимовий період ШІ". Крім того, питання розширення систем ШІ та їх успішної інтеграції в практичні застосування залишаються постійним викликом. Але водночас, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання стало основою для розвитку ШІ наприкінці 1990-х років, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

До початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні помічники, такі як Siri, продемонстрували практичність ШІ у споживчих застосунках. У 2010-х роках агенти навчання з підкріпленням і генеративні моделі, такі як GPT-2, досягли подальших проривів, підвищуючи діалоговий ШІ на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою у розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. Відтоді, як певна компанія випустила серію GPT, великомасштабні попередньо навчені моделі з сотнями мільярдів, а іноді й тисячами мільярдів параметрів, продемонстрували здатність до генерації та розуміння мови, що перевищує традиційні моделі. Їх видатні результати в обробці природної мови дозволили агентам ШІ демонструвати логічні та структуровані можливості взаємодії через генерацію мови. Це дозволило агентам ШІ застосовуватися в таких сценаріях, як чат-асистенти, віртуальні служби підтримки клієнтів тощо, і поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне написання ).

Здатність навчання великих мовних моделей забезпечує вищу автономність для AI-агентів. Завдяки технології посиленого навчання (Reinforcement Learning), AI-агенти можуть постійно оптимізувати свою поведінку та адаптуватися до динамічного середовища. Наприклад, на певній платформі, що працює на основі AI, AI-агенти можуть налаштовувати 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 еволюційною історією, яка постійно розширює технологічні межі. Поява GPT-4, безумовно, є важливим поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, сценарними та різноманітними. Великі мовні моделі не лише надають AI-агентам "розум" в душу, але й забезпечують їх можливістю міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи продовжать з'являтися, щоб сприяти впровадженню та розвитку технології AI-агентів, ведучи до нової ери AI-управлінських досвідів.

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 розвиваються учасниками в сфері шифрування, здатними діяти самостійно в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту" ------ тобто в автоматизації вирішення складних проблем шляхом моделювання інтелектуальної поведінки людини або інших живих істот через алгоритми. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім світом через модуль сприйняття, збираючи інформацію про середовище. Ця частина функцій схожа на людські сенсори, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає виділення значущих характеристик, розпізнавання об'єктів або визначення релевантних сутностей у середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай передбачає наступні технології:

• Комп'ютерне зір: для обробки та розуміння зображень і відеоданих.
• Природна мова ( NLP ): допомагає AI AGENT розуміти та генерувати людську мову.
• Об'єднання датчиків: інтеграція даних з кількох датчиків в єдиний перегляд.

1.2.2 Модуль інтерпретації та прийняття рішень

Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль розумування та прийняття рішень є "мозком" всієї системи, він ґрунтується на зібраній інформації для логічного виведення та розробки стратегій. Використовуючи великі мовні моделі, які діють як оркестратори або механізми розумування, він розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких специфічних функцій, як створення контенту, обробка зображень або системи рекомендацій.

Цей модуль зазвичай використовує такі технології:

• Правила двигун: просте прийняття рішень на основі заздалегідь визначених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів та прогнозування.
• Поглиблене навчання: дозволити 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 дій на основі цілей, а врешті-решт вибір оптимального варіанту для виконання.

1.2.3 Виконуючий модуль

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

• Система керування роботами: 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 корпоративному 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 з часом ставати все більш розумними. Завдяки циклу зворотного зв'язку або "даних флайера" постійно вдосконалюється, дані, згенеровані під час взаємодії, повертаються в систему для посилення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення прийняття рішень та операційної ефективності.

Модулі навчання зазвичай вдосконалюються такими способами:

• Супервізоване навчання: використання мічених даних для навчання моделей, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення潜在模式 з ненадрукованих даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлення моделі за допомогою даних у реальному часі, щоб підтримувати продуктивність агентів у динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та корекція

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 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 кількох галузях. Як і потенціал L1 блокпростору в попередньому циклі, AI AGENT також демонструє таку ж перспективу в цьому циклі.

Згідно з останнім звітом певної організації, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів у 2024 році до 47,1 мільярда доларів у 2030 році, з річною складною швидкістю зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, спричинений технологічними інноваціями.

Великі компанії також значно збільшили свої інвестиції в відкриті фреймворки. Розробка таких фреймворків, як AutoGen, Phidata і LangGraph певної компанії, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал поза сферою шифрування, TAM також