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

1. الخلفية العامة

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات الرقمية تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التطور.

• في عام 2017 ، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت أحواض السيولة الخاصة بـ DEX موجة الصيف في DeFi.
• في عام 2021، أدى ظهور العديد من سلسلة الأعمال الفنية غير القابلة للاستبدال إلى علامة على بداية عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق إلى قيادة اتجاه memecoin ومنصات الإطلاق.

من المهم التأكيد على أن انطلاق هذه المجالات العمودية لا يعود فقط إلى الابتكار التكنولوجي، بل هو أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرص بالوقت المناسب، يمكن أن تخلق تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكلاء الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلقت بروتوكولًا معينًا Luna، مع ظهورها الأول بشكل صورة البث المباشر لشخصية الفتاة المجاورة، مما أثار ضجة في جميع أنحاء الصناعة.

إذن، ما هو وكيل الذكاء الاصطناعي بالضبط؟

من المؤكد أن الجميع على دراية بالفيلم الكلاسيكي "Resident Evil"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا قويًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي يتحكم في مرافق معقدة وأنظمة أمان، ويمكنه استشعار البيئة وتحليل البيانات بسرعة واتخاذ الإجراءات.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وقلب الملكة الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي دورًا مشابهًا إلى حد ما، حيث يعد "حارس الحكمة" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي، والتحليل، والتنفيذ، يساعد الشركات والأفراد على مواجهة المهام المعقدة. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي متغلغلاً في جميع الصناعات، ليصبح قوة رئيسية في تعزيز الكفاءة والابتكار. تمتلك هذه الوكالات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، قدرة شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتدريجيا تتسرب إلى مختلف الصناعات، مما يدفع نحو تحسين مزدوج في الكفاءة والابتكار.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في التداول الآلي، استنادًا إلى البيانات التي تم جمعها من منصة بيانات أو منصة اجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ التداولات في الوقت الحقيقي، مع تحسين أدائه باستمرار أثناء عمليات التكرار. وكيل الذكاء الاصطناعي ليس له شكل واحد، 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 المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.

2. وكيل الذكاء الاصطناعي الإبداعي: يُستخدم في إنشاء المحتوى، بما في ذلك النصوص، والتصميم، وحتى تأليف الموسيقى.

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

4. وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل متعدد السلاسل.

في هذا التقرير، سنستكشف بعمق أصول وكالات الذكاء الاصطناعي، والحالة الراهنة، وآفاق التطبيق الواسعة، وسنحلل كيف تعيد تشكيل هذه الوكالات المشهد الصناعي، ونتطلع إلى اتجاهات التطور المستقبلية لها.

1.1.1 تاريخ التطور

تاريخ تطوير وكيل الذكاء الاصطناعي يظهر تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالاً مستقلاً. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل أساسي على الأساليب الرمزية، مما أدى إلى ظهور أول برامج الذكاء الاصطناعي، مثل ELIZA (روبوت محادثة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضاً تقديم الشبكات العصبية واستكشاف مفاهيم التعلم الآلي في بدايتها. ولكن تم تقييد البحث في الذكاء الاصطناعي في هذه الفترة بشدة بسبب قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير خوارزميات معالجة اللغة الطبيعية وتقليد وظائف الإدراك البشري. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريراً تم نشره عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. أعرب تقرير لايتهيل أساساً عن تشاؤمه الشامل بشأن أبحاث الذكاء الاصطناعي بعد فترة من الحماس المبكر، مما أدى إلى فقدان كبير للثقة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات الممولة ). بعد عام 1973، انخفض تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء ذكاء اصطناعي"، مما زاد من مشاعر الشك في إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطور الأنظمة الخبيرة والتجارية إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مجالات مثل المالية والطب، كان علامة على توسع تكنولوجيا الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، مع انهيار الطلب في السوق على الأجهزة الخاصة بالذكاء الاصطناعي، شهد مجال الذكاء الاصطناعي "شتاءً ثانياً". بالإضافة إلى ذلك، فإن كيفية توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية لا تزال تمثل تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم كمبيوتر ديب بلو من شركة IBM بطل العالم في الشطرنج غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. وأدى انتعاش الشبكات العصبية والتعلم العميق إلى تأسيس قاعدة لتطوير الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

بحلول بداية القرن الحادي والعشرين، أدى تقدم قدرات الحوسبة إلى ظهور التعلم العميق، حيث عرضت مساعدات الذكاء الاصطناعي مثل سيري جدوى الذكاء الاصطناعي في مجال التطبيقات الاستهلاكية. في عقد 2010، حققت الوكلاء المعززين ونماذج التوليد مثل GPT-2 مزيدًا من الانتصارات، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) علامة فارقة مهمة في تطور الذكاء الاصطناعي، خاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات الذكاء الاصطناعي سلسلة GPT، أظهرت النماذج الكبيرة المدربة مسبقًا، التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرة تتجاوز النماذج التقليدية في توليد وفهم اللغة. إن أدائها الرائع في معالجة اللغة الطبيعية يمكّن وكلاء الذكاء الاصطناعي من عرض قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا يمكّن وكلاء الذكاء الاصطناعي من التطبيق في سيناريوهات مثل مساعدات المحادثة وخدمة العملاء الافتراضية، ويتوسع تدريجيًا إلى مهام أكثر تعقيدًا (مثل التحليل التجاري والكتابة الإبداعية).

تمنح قدرة التعلم لنموذج اللغة الكبير الوكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز، يمكن للوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئة الديناميكية. على سبيل المثال، في إحدى المنصات المدفوعة بالذكاء الاصطناعي، يمكن للوكلاء تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي يمثلها GPT-4، تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ تطور يتجاوز الحدود التقنية بشكل مستمر. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع المزيد من التطور التكنولوجي، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعاً، وتخصصاً. نماذج اللغة الكبيرة لا تعطي فقط "الذكاء" للوكيل، بل تزوده أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة باستمرار، مما يدفع تكنولوجيا وكلاء الذكاء الاصطناعي نحو التطبيق والتطور، ويقود تجربة مدفوعة بالذكاء الاصطناعي إلى عصر جديد.

1.2 مبدأ العمل

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

الجوهر الرئيسي لوكيل الذكاء الاصطناعي هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو الحيواني الآخر من خلال الخوارزميات لحل المشكلات المعقدة بشكل تلقائي. تتبع سير العمل لوكيل الذكاء الاصطناعي عادةً الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التكيف.

1.2.1 وحدة الإدراك

تتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، وجمع معلومات البيئة. تشبه هذه الوظيفة الحواس البشرية، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات المهمة، والتعرف على الكائنات أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات مغزى، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تُستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية (NLP): تساعد الوكيل الذكي على فهم وتوليد اللغة البشرية.
• دمج المستشعرات: دمج البيانات من مستشعرات متعددة في عرض موحد.

1.2.2 وحدة الاستدلال واتخاذ القرار

بعد إدراك البيئة، يحتاج AI AGENT إلى اتخاذ قرارات بناءً على البيانات. تعتبر وحدة الاستدلال واتخاذ القرار "دماغ" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي وتطوير استراتيجيات بناءً على المعلومات المجمعة. باستخدام نماذج اللغة الكبيرة كأدوات تنسيق أو محركات استدلال، فإنها تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

يستخدم هذا الموديل عادةً التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
• نماذج تعلم الآلة: تشمل أشجار القرار، الشبكات العصبية، وغيرها، وتستخدم في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم التعزيزي: يجعل وكيل الذكاء الاصطناعي يقوم بتحسين استراتيجيات اتخاذ القرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.

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

1.2.3 وحدة التنفيذ

وحدة التنفيذ هي "اليد والقدم" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الجزء مع الأنظمة أو الأجهزة الخارجية لإكمال المهام المحددة. قد يشمل ذلك عمليات فعلية (مثل تحركات الروبوت) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: يستخدم في العمليات 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 من القوى التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكّن الوكلاء من أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام بشكل مستمر من خلال إدخال البيانات المولدة أثناء التفاعل. تعطي هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية الشركات أداة قوية لتعزيز صنع القرار وكفاءة العمليات.

تُحسَّن وحدات التعلم عادةً من خلال الطرق التالية:

• التعلم تحت الإشراف: استخدام البيانات المعلَّمة لتدريب النموذج، مما يمكّن AI AGENT من إكمال المهام بدقة أكبر.
• التعلم غير الخاضع للإشراف: اكتشاف الأنماط الكامنة من البيانات غير المعلَمة، مما يساعد الوكيل على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث البيانات في الوقت الحقيقي، الحفاظ على أداء الوكلاء في بيئة ديناميكية.

1.2.5 التغذية الراجعة والتعديل في الوقت الحقيقي

تقوم AI AGENT بتحسين أدائها من خلال حلقة ردود الفعل المستمرة. يتم تسجيل نتائج كل إجراء 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 محور اهتمام السوق، حيث يتمتع بإمكانات هائلة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب تغييرات لعدة صناعات. تمامًا كما كان من الصعب تقدير إمكانات مساحة الكتل L1 في الدورة السابقة، فإن AI AGENT يظهر نفس الآفاق في هذه الدورة.

وفقًا لأحدث تقرير من شركة أبحاث السوق، من المتوقع أن ينمو سوق الوكلاء الذكيين من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي في عام 2030، بمعدل نمو سنوي مركب يصل إلى 44.8%. يعكس هذا النمو السريع مدى انتشار الوكلاء الذكيين في مختلف الصناعات، فضلاً عن الطلب في السوق الناتج عن الابتكارات التكنولوجية.

تزايدت استثمارات الشركات الكبرى في إطار الوكلاء المفتوح المصدر بشكل ملحوظ. إن أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph من قبل عملاق التكنولوجيا تشير إلى أن AI AGENT يمتلك