AI AGENT: Розумна сила для формування нової економічної екосистеми майбутнього

1. Загальний фон

1.1 Вступ: "Новий партнер" епохи розумних технологій

Кожен цикл криптовалюти приносить нову інфраструктуру, яка стимулює розвиток усієї галузі.

• У 2017 році виникнення смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році ліквідні пулі DEX спричинили літню хвилю DeFi.
• У 2021 році велика кількість NFT-серійних творів ознаменувала початок ери цифрових колекцій.
• У 2024 році видатні досягнення певної платформи запуску стали лідером хвилі мемкоїнів та платформ запуску.

Слід підкреслити, що старт цих вертикальних секторів зумовлений не лише технологічними інноваціями, а й ідеальним поєднанням моделей фінансування та циклів бика. Коли можливість зустрічається з відповідним часом, це може призвести до величезних змін. Дивлячись у 2025 рік, очевидно, що новими сферами циклу 2025 року стануть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року був запущений певний токен, а 15 жовтня він досягнув ринкової капіталізації в 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол представив Luna, вперше з'явившись у вигляді трансляції IP сусідки, що викликало справжній вибух у всій галузі.

Отже, що таке AI Agent?

Всі знайомі з класичним фільмом «Смертельна битва», в якому вражає AI-система Червона королева. Червона королева — це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати оточення, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато схожих функцій з червоною королевою. У реальному світі AI Agent в певній мірі виконує подібну роль, вони є "мудрими охоронцями" сучасних технологій, допомагаючи підприємствам і особам справлятися зі складними завданнями завдяки автономному сприйняттю, аналізу та виконанню. Від автомобілів з автоматичним керуванням до розумних клієнтських послуг, AI Agent проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, подібно до невидимих командних членів, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні індустрії, сприяючи подвійного підвищення ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з певної платформи даних або соціальної платформи, для управління портфелем у реальному часі та виконання угод, постійно оптимізуючи свою ефективність в процесі ітерації. AI AGENT не має єдиної форми, 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 скорочення необхідного часу.

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

3. Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноти та брати участь у маркетингових акціях.

4. Координаційний AI Агент: координація складних взаємодій між системами або учасниками, особливо підходить для багатоланцюгової інтеграції.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони змінюють ландшафт галузі, і зробимо прогнози щодо їх майбутнього 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 термін "AI" був вперше запропонований, заклавши основи AI як незалежної галузі. У цей період дослідження AI переважно зосереджувалися на символічних методах, що привело до створення перших AI програм, таких як ELIZA( чат-бот) та Dendral( експертна система в галузі органічної хімії). Цей етап також став свідком вперше запропонованих нейронних мереж і початкового дослідження концепції машинного навчання. Але дослідження AI в цей період сильно обмежувалося обмеженими обчислювальними можливостями 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 Лайтхіл подав звіт про стан досліджень AI у Великобританії, опублікований у 1973 році. Звіт Лайтхіла в основному висловлював повне песимізм щодо досліджень AI після раннього періоду захоплення, що призвело до великої втрати довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI значно зменшилося, і галузь AI пережила першу "зиму AI", зростаючи скептицизм щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем спонукали глобальні компанії почати впровадження технологій штучного інтелекту. У цей період було досягнуто значних успіхів у галузі машинного навчання, нейронних мереж і обробки природної мови, що сприяло появі більш складних застосувань ШІ. Впровадження перших автономних транспортних засобів та використання ШІ в таких сферах, як фінанси та охорона здоров'я, також стали ознакою розширення технологій ШІ. Але наприкінці 1980-х — на початку 1990-х років, через крах ринку на спеціалізоване апаратне забезпечення ШІ, ця сфера пережила друге "завмирання ШІ". Крім того, розширення масштабів систем ШІ та їх успішна інтеграція у реальні застосування залишаються постійним викликом. Але тим часом, у 1997 році, комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією для можливостей ШІ у розв'язанні складних проблем. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х, зробивши його невід'ємною частиною технологічного ландшафту та починаючи впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, а віртуальні асистенти, такі як Siri, продемонстрували практичність AI в споживчих застосуваннях. У 2010-х роках агенти з підкріпленням і генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий AI на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливим етапом у розвитку AI, особливо випуск GPT-4, який вважається вирішальним моментом у сфері AI-агентів. З моменту випуску серії GPT певною компанією великомасштабні моделі з попереднім навчанням з сотнями мільярдів або навіть тисячами мільярдів параметрів продемонстрували здатності до генерації та розуміння мови, що перевершують традиційні моделі. Їхні видатні результати в обробці природної мови дозволили AI агентам демонструвати логічно чітку та структуровану взаємодію через генерацію мови. Це дозволило AI агентам застосовуватися в чат-асистентах, віртуальних службах підтримки та поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне письмо ).

Навчальні можливості великих мовних моделей забезпечують вищу автономію для AI-агентів. Завдяки технології підкріплювального навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуватися до динамічного середовища. Наприклад, на певній платформі, що працює на базі AI, AI-агенти можуть коригувати свої стратегії поведінки відповідно до введення гравця, що справді реалізує динамічну взаємодію.

Історія розвитку AI-агентів від ранніх систем правил до великих мовних моделей, представлених GPT-4, є історією еволюції, що постійно перевершує технічні межі. Поява GPT-4 безсумнівно є важливим поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, сценарними та різноманітними. Великі мовні моделі не тільки надають AI-агентам "інтелектуальну" душу, але й забезпечують їх здатністю до міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи продовжать з'являтися, сприяючи впровадженню та розвитку технології AI-агентів, ведучи до нової ери досвіду, зумовленого AI.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися і адаптуватися з плином часу, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно вишуканих і постійно розвиваються учасників у крипто-сфері, які можуть діяти незалежно в цифровій економіці.

Ядро AI AGENT полягає в його "інтелекту" ------ тобто в автоматизації вирішення складних задач шляхом моделювання інтелектуальної поведінки людини чи інших живих істот за допомогою алгоритмів. 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 сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функцій подібна до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, які включають в себе витягнення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних у значущу інформацію, що зазвичай включає в себе наступні технології:

• Комп'ютерне зорове сприйняття: використовується для обробки та розуміння зображень і відеоданих.
• Обробка природної мови ( NLP ): допомога AI AGENT в розумінні та генерації людської мови.
• Злиття датчиків: об'єднання даних з кількох датчиків в єдину картину.

1.2.2 Модуль інтерпретації та прийняття рішень

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

Цей модуль зазвичай використовує такі технології:

• Правила двигун: просте прийняття рішень на основі заданих правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів і прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, пристосовуючись до змінного середовища.

Процес інференції зазвичай містить кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій відповідно до мети, і нарешті вибір найкращого варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками та ногами" AI AGENT, який втілює рішення модульного розуміння в дії. Ця частина взаємодіє з зовнішніми системами або пристроями, виконуючи вказані завдання. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль покладається на:

• Система контролю роботів: 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 процесів управління: у підприємницькому 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 агенту ставати розумнішим з часом. Завдяки циклу зворотного зв'язку або "даним флайвіл", дані, що генеруються під час взаємодії, повертаються до системи для покращення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом є потужним інструментом для бізнесу, що дозволяє покращити процес прийняття рішень та операційну ефективність.

Модулі навчання зазвичай покращуються наступними способами:

• Надзорне навчання: використання помічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Несупервізоване навчання: виявлення潜在них模式 з необроблених даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлення моделі за допомогою даних в реальному часі, щоб підтримувати ефективність агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та коригування

AI AGENT оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.

1.3Стан 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 у кілька галузей. Як і потенціал L1 блок-простору в попередньому циклі, AI AGENT також демонструє аналогічні перспективи в цьому циклі.

Згідно з останнім звітом Markets and Markets, очікується, що ринок AI Agent зросте з 5,1 мільярда доларів у 2024 році до 47,1 мільярда доларів у 2030 році, з річним складним 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 інвестиції в відкриті фреймворки для проксі. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph від однієї компанії, стає все активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал поза криптою, TAM також розширюється.