AI Agent: Умная сила, формирующая экосистему новой экономики будущего

1. Фоновая информация

1.1 Введение: "Новые партнеры" в эпоху интеллекта

Каждый криптовалютный цикл приносит новую инфраструктуру, способствующую развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов стало толчком для бурного роста ICO.
• В 2020 году ликвидные пулы DEX вызвали летний бум DeFi.
• В 2021 году появление множества NFT-серийных произведений ознаменовало наступление эпохи цифровых коллекционных предметов.
• В 2024 году выдающаяся работа одной из платформ для запуска возглавила волну мемкойнов и платформ для запуска.

Следует подчеркнуть, что начало этих вертикальных областей обусловлено не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к огромным переменам. Глядя в 2025 год, очевидно, что новыми областями цикла 2025 года станут AI-агенты. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, один протокол представил Luna, впервые появившись в образе IP стриминга соседской девушки, что вызвало всплеск во всей отрасли.

Так что же такое AI Agent?

Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.

На самом деле, у AI Agent и основных функций Красной Королевы много схожего. В реальной жизни AI Agent в определенной степени выполняют схожую роль, они являются "умными хранителями" в сфере современных технологий, помогая компаниям и частным лицам справляться со сложными задачами благодаря автономному восприятию, анализу и выполнению. От автономных автомобилей до интеллектуального обслуживания клиентов, AI Agent проникли во все сферы, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам команды, обладают всесторонними способностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.

Например, AI AGENT может быть использован для автоматизации торговли, управляя инвестиционным портфелем и выполняя сделки на основе данных, собранных с определенной платформы данных или социальной платформы, постоянно оптимизируя свою работу в процессе итерации. AI AGENT не имеет единой формы, а разделяется на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:

1. Исполнительный ИИ-агент: сосредотачивается на выполнении определённых задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.

2. Креативный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.

3. Социальный AI Агент: в качестве лидера мнений в социальных медиа взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.

4. Координационный AI-агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для интеграции нескольких блокчейнов.

В этом отчете мы глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируем, как они меняют ландшафт отрасли, и прогнозируем их будущие тенденции развития.

1.1.1 История развития

История развития ИИ-агентов демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что стало основой для ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к созданию первых ИИ-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первого упоминания нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования ИИ в этот период были серьезно ограничены вычислительной мощностью того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов обработки естественного языка и имитации человеческих когнитивных функций. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований ИИ в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полную пессимизм по поводу исследований ИИ после раннего периода восторга, что привело к огромной потере доверия к ИИ со стороны британских академических учреждений(, включая финансирующие организации). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "зимний период ИИ", что усилило сомнения в потенциале ИИ.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что мировые компании начали внедрять технологии ИИ. Этот период стал временем значительного прогресса в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Но в конце 1980-х и начале 1990-х годов, в связи с крахом рыночного спроса на специализированное оборудование для ИИ, эта область пережила вторую "зиму ИИ". Кроме того, задача масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается актуальным вызовом. Однако в то же время, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения положило начало развитию ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.

К началу этого века, прогресс в вычислительной мощности способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С тех пор как одна компания представила серию GPT, крупномасштабные предварительно обученные модели, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам проявлять ясную логику и последовательность в интеракциях через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-помощники, виртуальные клиенты, и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ и креативное письмо ).

Способность обучения больших языковых моделей предоставляет ИИ-агентам более высокую степень автономии. С помощью технологий обучения с подкреплением (Reinforcement Learning) ИИ-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной из платформ, управляемых ИИ, ИИ-агент может корректировать стратегию поведения в зависимости от ввода игрока, действительно реализуя динамическое взаимодействие.

История развития AI-агентов от ранних правил до крупных языковых моделей, таких как GPT-4, является историей постоянного преодоления технологических границ. Появление GPT-4, безусловно, стало значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Крупные языковые модели не только наполнили AI-агентов "интеллектуальной" душой, но также предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать технологии AI-агентов и развитие, ведя нас в новую эпоху, управляемую AI.

Принцип работы 1.2

AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных, постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.

Суть AI AGENT заключается в его "интеллекте" ------ то есть в способности с помощью алгоритмов имитировать интеллектуальное поведение человека или других существ, чтобы автоматизировать решение сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функционала аналогична человеческим чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, что включает в себя извлечение значимых признаков, распознавание объектов или определение связанных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает в себя следующие технологии:

• Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
• Обработка естественного языка ( NLP ): помогает ИИ АГЕНТУ понимать и генерировать человеческий язык.
• Слияние датчиков: интеграция данных от нескольких датчиков в единое представление.

1.2.2 Модуль вывода и принятия решений

После восприятия окружающей среды, AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, который на основе собранной информации осуществляет логические выводы и разрабатывает стратегии. Используя большие языковые модели и другие инструменты в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.

Этот модуль обычно использует следующие технологии:

• Правила движка: простые решения на основе заданных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания образов и прогнозирования.
• Обучение с подкреплением: позволяет AI AGENT постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.

Процесс рассуждения обычно включает несколько этапов: сначала это оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.

1.2.3 Исполнительный модуль

Исполнительный модуль является "руками и ногами" AI AGENT, который приводит в действие решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:

• Система управления роботами: используется для физических операций, таких как движение роботизированной руки.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым сервисам.
• Автоматизация управления процессами: в корпоративной среде с помощью RPA( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.

1.2.4 Модуль обучения

Модуль обучения является основной конкурентной силой AI AGENT, позволяя агенту становиться более умным со временем. Постоянное совершенствование через обратную связь или "данные маховика" включает в себя возврат данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной с течением времени предоставляет компаниям мощный инструмент для повышения качества принятия решений и операционной эффективности.

Модули обучения обычно улучшаются следующими способами:

• Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
• Ненадзорное обучение: выявление потенциальных паттернов из неразмеченных данных, что помогает агенту адаптироваться к новой среде.
• Непрерывное обучение: обновление модели на основе данных в реальном времени, чтобы поддерживать производительность агента в динамичной среде.

1.2.5 Реальное время обратная связь и коррекция

AI AGENT оптимизирует свою производительность с помощью постоянного цикла обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.

1.3 Текущая рыночная ситуация

1.3.1 Состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, приводя к трансформациям в различных отраслях. Как и в прошлом цикле потенциал L1 блок-пространства был трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.

Согласно последнему отчету Markets and Markets, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, при этом среднегодовой темп роста (CAGR) составит 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.

Крупные компании также значительно увеличили свои вложения в открытые прокси-рамки. Разработка таких фреймов, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптографической области, а TAM также расширяется.