Декодирование AI-агента: умственная сила, формирующая новый экономический экосистему будущего

1. Общая информация

1.1 Введение: "Новый партнер" в эпоху умных технологий

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

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX привели к летнему буму DeFi.
• В 2021 году появление большого количества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся результаты одной из платформ для запуска стали движущей силой популярности мемкоинов и платформ для запуска.

Важно подчеркнуть, что старт в этих вертикальных областях обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих рыночных циклов. Когда возможность встречает подходящее время, это может привести к огромным преобразованиям. Глядя в 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Следом за этим, 16 октября, один протокол представил Luna, впервые появившись в образе IP стриминга соседской девочки, что вызвало взрыв в всей отрасли.

Итак, 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, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать решения.

На самом деле, у AI Agent и основных функций Красной Королевы есть много схожего. В реальном мире AI Agent в определенной степени выполняет аналогичную роль, являясь "умными хранителями" в сфере современных технологий, помогая предприятиям и отдельным лицам справляться со сложными задачами с помощью автономного восприятия, анализа и выполнения. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, AI Agent проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними возможностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные сектора и способствуя двойному росту эффективности и инноваций.

Например, AI AGENT может использоваться для автоматизированной торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в режиме реального времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:

1. Исполнительный ИИ-агент: сосредоточен на выполнении конкретных 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: выступая в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.

4. Координирующий AI агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многосетевой интеграции.

В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют структуру отрасли, и обсудим тенденции их будущего развития.

1.1.1 История развития

Развитие AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к появлению первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и начального изучения концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации человеческих когнитивных функций. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое настроение по поводу исследований AI после раннего периода энтузиазма, что вызвало огромную утрату доверия со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первую "зиму AI", что привело к увеличению сомнений в потенциале AI.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что компании по всему миру начали применять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовали расширение технологий ИИ. Однако в конце 1980-х - начале 1990-х годов, с崩溃ем спроса на специализированное аппаратное обеспечение для ИИ, эта область пережила второй "зимний период ИИ". Кроме того, как расширить масштаб систем ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается постоянным вызовом. 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 годов, сделав ИИ 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 на основе обучения с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, выведя диалоговый ИИ на новый уровень. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который рассматривается как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT одной ИИ-компанией крупномасштабные предобученные модели, обладающие сотнями миллиардов даже триллионами параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически ясные и структурированные возможности взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-помощники, виртуальные客服, и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).

Способность обучения больших языковых моделей предоставляет AI-агентам большую автономию. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ с AI-управлением AI-агенты могут настраивать свои стратегические действия в зависимости от ввода игроков, действительно реализуя динамическое взаимодействие.

История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, стало важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедряют "разум" в AI-агентов, но и предоставляют им возможность междисциплинарного сотрудничества. В будущем будут постоянно возникать инновационные проектные платформы, которые будут продолжать продвигать внедрение и развитие технологий AI-агентов, открывая новую эру, управляемую AI.

Принцип работы 1.2

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

核心 AI AGENT заключается в его "интеллекте" ------ то есть в автоматизации решения сложных задач с помощью алгоритмов, имитирующих интеллектуальное поведение человека или других живых существ. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, настройка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим чувствам, используя сенсоры, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение актуальных сущностей в 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: объединение данных от нескольких датчиков в единый обзор.

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 осуществляет логическое рассуждение и разработку стратегий на основе собранной информации. Используя большие языковые модели и другие инструменты в качестве оркестратора или движка вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких функций, как создание контента, обработка визуальных данных или рекомендательные системы.

Этот модуль обычно использует следующие технологии:

• Правила движка: простое принятие решений на основе предустановленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т. д., предназначенные для сложного распознавания шаблонов и прогнозирования.
• Укрепляющее обучение: позволяет ИИ АГЕНТУ постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько этапов: сначала идет оценка окружающей среды, затем вычисление нескольких возможных вариантов действий на основе цели, и, наконец, выбор наилучшего варианта для выполнения.

1.2.3 Исполнительный модуль

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

• Система управления роботами: используется для физических операций, таких как движение роботизированных рук.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым сервисам.
• Автоматизированное управление процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (автоматизация процессов с использованием роботов).

1.2.4 Модуль обучения

Модуль обучения является核心竞争力 AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через циклы обратной связи или "данные летающего колеса" позволяет возвращать данные, созданные в процессе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для повышения эффективности принятия решений и операционной деятельности.

Модули обучения обычно улучшаются следующим образом:

• Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
• Ненадзорное обучение: обнаружение потенциальных паттернов из немаркированных данных, помогающее агенту адаптироваться к новой среде.
• Постоянное обучение: обновляя модель в реальном времени, поддерживать производительность агента в динамической среде.

1.2.5 Реальная обратная связь и корректировка

AI AGENT оптимизирует свою производительность через постоянные циклы 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 автономного экономического агента, приносящего изменения в различные отрасли. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.

Согласно последнему отчету одной исследовательской компании, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, что соответствует среднегодовому темпу роста (CAGR) 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, обусловленный технологическими инновациями.

Крупные компании также значительно увеличили инвестиции в открытые прокси-рамки. Разработка таких рамок, как AutoGen, Phidata и LangGraph от одного из технологических гигантов, становится всё более активной, что свидетельствует о том, что AI AGENT имеет потенциал за пределами криптографической сферы.