وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل

1. نظرة عامة على الخلفية

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها إلى الأمام.

• في عام 2017، أدت ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت أحواض السيولة في DEX موجة الصيف في DeFi.
• في عام 2021، ظهرت العديد من أعمال سلسلة NFT مما يدل على بداية عصر المقتنيات الرقمية.
• في عام 2024، أدى الأداء المتميز لمنصة إطلاق معينة إلى قيادة موجة من memecoin ومنصات الإطلاق.

من المهم التأكيد على أن بدء هذه المجالات الرأسية لم يكن فقط بسبب الابتكار التكنولوجي، بل هو أيضًا نتيجة التوافق المثالي بين نموذج التمويل ودورة السوق الصاعدة. عندما تلتقي الفرصة بالوقت المناسب، يمكن أن يؤدي ذلك إلى تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكيل الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، وفي 11 أكتوبر 2024 تم إطلاق رمز معين، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. ثم في 16 أكتوبر، أطلق بروتوكول معين Luna، ليظهر بشكل مباشر باستخدام صورة IP للفتاة المجاورة، مما أثار ضجة في جميع أنحاء الصناعة.

إذًا، ما هو وكيل الذكاء الاصطناعي؟

الجميع على دراية بالفيلم الكلاسيكي "مResident Evil"، حيث يترك نظام الذكاء الاصطناعي "الملكة الحمراء" انطباعًا قويًا. الملكة الحمراء هي نظام ذكاء اصطناعي قوي يتحكم في منشآت معقدة وأنظمة أمان، حيث يمكنها إدراك البيئة بشكل مستقل، وتحليل البيانات، واتخاذ الإجراءات بسرعة.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. في العالم الحقيقي، يلعب وكيل الذكاء الاصطناعي دورًا مشابهًا إلى حد ما، حيث أنه يعد "حارس الحكمة" في مجال التكنولوجيا الحديثة، حيث يساعد الشركات والأفراد في التعامل مع المهام المعقدة من خلال الإدراك الذاتي، والتحليل، والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من جميع الصناعات، وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، تشبه أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من إدراك البيئات إلى تنفيذ القرارات، وتتسلل تدريجيًا إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار على حد سواء.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، استنادًا إلى البيانات التي تم جمعها من منصة بيانات معينة أو منصة اجتماعية، لإدارة المحفظة الاستثمارية وتنفيذ العمليات التجارية في الوقت الفعلي، مع تحسين أدائه باستمرار من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل ينقسم إلى فئات مختلفة بناءً على الاحتياجات المحددة في النظام البيئي للعملات المشفرة:

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة مثل التداول، إدارة المحفظة أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.

2. وكيل AI الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى تأليف الموسيقى.

3. وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، ويقيم المجتمعات، ويشارك في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، وهو مناسب بشكل خاص للتكامل عبر سلاسل الكتل المتعددة.

في هذا التقرير، سنستكشف بعمق أصول AI Agent، والحالة الراهنة، وآفاق تطبيقاته الواسعة، ونحلل كيف تعيد تشكيل مشهد الصناعة، ونتطلع إلى اتجاهات تطوره المستقبلية.

1.1.1 تاريخ التطور

تاريخ تطور AI AGENT يعرض تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "AI" لأول مرة، مما وضع الأسس للذكاء الاصطناعي كحقل مستقل. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل أساسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA( وهو روبوت محادثة) وDendral( وهو نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشاف مفهوم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في ذلك الوقت كانت مقيدة بشدة بقدرات الحوسبة المتاحة. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. علاوة على ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايت هيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عبر تقرير لايت هيل عن نظرة شاملة متشائمة تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير للثقة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية( بما في ذلك الجهات الممولة). بعد عام 1973، انخفضت ميزانيات أبحاث الذكاء الاصطناعي بشكل كبير، وشهدت مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الأول، مع تزايد الشكوك حول إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطور الأنظمة الخبيرة وتجاريتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في قطاعات مثل المالية والرعاية الصحية، كان أيضًا علامة على توسع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، شهد مجال الذكاء الاصطناعي "شتاءً ثانياً" نتيجة لانهيار الطلب في السوق على الأجهزة المتخصصة في الذكاء الاصطناعي. علاوة على ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ونجاح دمجها في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، تغلبت كمبيوتر ديب بلو من IBM على بطل العالم في الشطرنج غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست نهضة الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ في التأثير على الحياة اليومية.

مع بداية القرن الحادي والعشرين، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل Siri إمكانية تطبيق الذكاء الاصطناعي في مجالات الاستهلاك. في العقد الأول من القرن الحادي والعشرين، حققت وكلاء التعلم المعزز والنماذج التوليدية مثل GPT-2 المزيد من الاختراقات، مما رفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. في هذه العملية، أصبحت ظهور نماذج اللغة الكبيرة (Large Language Model، LLM ) علامة فارقة في تطور الذكاء الاصطناعي، خاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع بفضل مئات المليارات أو حتى آلاف المليارات من المعلمات، قدرة على توليد وفهم اللغة تتجاوز النماذج التقليدية. أدت أدائها المتميز في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من إظهار قدرة على التفاعل منطقيًا وبوضوح من خلال توليد اللغة. مما سمح لوكلاء الذكاء الاصطناعي بالتطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجيًا نحو مهام أكثر تعقيدًا ( مثل التحليل التجاري والكتابة الإبداعية ).

تمنح قدرة نماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي درجة أعلى من الاستقلالية. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئات الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق التفاعل الديناميكي الحقيقي.

من النظام القواعدي المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4 ، تعتبر تاريخ تطور وكلاء الذكاء الاصطناعي تاريخًا من التطور المستمر الذي يتجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول رئيسية في هذه الرحلة. مع مزيد من التطور التكنولوجي ، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً ، ومناسبة للمواقف ، ومتنوعة. لم تقدم نماذج اللغة الكبيرة فقط "روح" "الحكمة" لوكلاء الذكاء الاصطناعي ، بل وفرت أيضًا القدرة على التعاون عبر المجالات. في المستقبل ، ستستمر المنصات المبتكرة في الظهور ، مما يدفع بتقنية وكلاء الذكاء الاصطناعي إلى الأمام وتطويرها ، وقيادة عصر جديد من التجارب المدفوعة بالذكاء الاصطناعي.

1.2 مبدأ العمل

تختلف AIAGENT عن الروبوتات التقليدية في أنها قادرة على التعلم والتكيف مع مرور الزمن، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين متقدمين ومتطورين في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

الجوهر الأساسي لوكيل الذكاء الاصطناعي هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع سير العمل لوكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، ويجمع معلومات البيئة. هذه الوظيفة تشبه حواس الإنسان، حيث تستخدم أجهزة الاستشعار، والكاميرات، والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المعنى، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات معنى، وهذا غالبًا ما يتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور ومقاطع الفيديو.
• معالجة اللغة الطبيعية ( NLP ): تساعد وكيل الذكاء الاصطناعي على فهم وإنتاج اللغة البشرية.
• دمج المستشعرات: دمج بيانات من عدة مستشعرات في عرض موحد.

1.2.2 وحدة الاستدلال واتخاذ القرار

بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. يعدّ نموذج الاستدلال واتخاذ القرار "عقل" النظام بأكمله، حيث يقوم بإجراء استدلال منطقي ووضع استراتيجيات بناءً على المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وغيرها، تعمل كمنسق أو محرك استدلال، لفهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

تستخدم هذه الوحدة عادةً التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، تُستخدم في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: السماح لوكيل الذكاء الاصطناعي بتحسين استراتيجيات القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.

تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب العديد من الخيارات الممكنة للعمل بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "اليد والرجل" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإكمال المهام المحددة. قد يتضمن ذلك عمليات جسدية ( مثل حركة الروبوتات ) أو عمليات رقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:

• نظام التحكم الروبوتي: يستخدم للعمليات الفيزيائية، مثل حركة ذراع الروبوت.
• استدعاء API: التفاعل مع أنظمة البرمجيات الخارجية، مثل استعلامات قاعدة البيانات أو الوصول إلى خدمات الشبكة.
• إدارة العمليات الآلية: في بيئة الشركات، يتم تنفيذ المهام المتكررة من خلال RPA( أتمتة العمليات الروبوتية).

1.2.4 وحدة التعلم

تعد وحدة التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكّن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين الوكيل باستمرار من خلال إدخال البيانات الناتجة عن التفاعلات في النظام لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات، مما يعزز من اتخاذ القرارات وكفاءة العمليات.

تتم تحسين وحدات التعلم عادةً بالطرق التالية:

• التعلم تحت الإشراف: استخدام البيانات المعنونة لتدريب النموذج، مما يمكّن وكيل الذكاء الاصطناعي من إتمام المهام بدقة أكبر.
• التعلم غير الخاضع للإشراف: اكتشاف الأنماط المحتملة من البيانات غير المعلّمة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث النموذج بالبيانات في الوقت الفعلي، الحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 ردود فعل فورية وتعديل

تحسن AI AGENT أدائها من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل عمل واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق قدرة AI AGENT على التكيف والمرونة.

1.3 حالة السوق

1.3.1 حالة الصناعة

أصبح AI AGENT مركز اهتمام السوق، بفضل إمكاناته الهائلة كواجهة للمستهلكين وكممثل مستقل في الاقتصاد، مما يجلب تغييرات للعديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانيات مساحة الكتل من المستوى 1 في الدورة السابقة، فإن AI AGENT يظهر أيضًا آفاقًا مماثلة في هذه الدورة.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء الذكاء الاصطناعي من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي بحلول عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. يعكس هذا النمو السريع مدى انتشار وكلاء الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب السوقي الناتج عن الابتكارات التكنولوجية.

لقد زادت استثمارات الشركات الكبرى في إطار العمل المفتوح المصدر بشكل ملحوظ. نشاط تطوير الأطر مثل AutoGen و Phidata و LangGraph من شركة معينة يصبح أكثر نشاطًا، مما يشير إلى أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، وأن السوق المحتمل (TAM) يتوسع أيضًا.