AI Agent: Розумна сила, що формує нову економічну екосистему майбутнього

1. Загальний фон

1.1 Вступ: "Новий партнер" епохи розумних технологій

Кожен криптовалютний цикл приносить нову інфраструктуру, яка стимулює розвиток всієї індустрії.

• У 2017 році підйом смарт-контрактів сприяв бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX стали причиною літньої хвилі DeFi.
• У 2021 році велика кількість NFT серій творів стала знаковою подією, що ознаменувала прихід ери цифрових колекцій.
• У 2024 році видатні результати певної платформи запуску стали лідерами хвилі memecoin та платформ запуску.

Слід підкреслити, що початок цих вертикальних сфер не лише зумовлений технологічними нововведеннями, а й є результатом ідеального поєднання фінансових моделей і циклів бичачого ринку. Коли можливість зустрічається з належним 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 було запущено певний токен, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол запустив Luna, яка вперше з'явилася в образі IP сусідки, що викликало бурю в усій індустрії.

Отже, що таке AI Agent?

Усі добре знають класичний фільм «Смертельна битва», і вражаюча система штучного інтелекту «Червона королева» залишає незабутнє враження. Червона королева — це потужна система штучного інтелекту, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато спільних функцій з Червоною Королевою. У реальному світі AI Agent в певному сенсі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які через автономне сприйняття, аналіз і виконання допомагають підприємствам і особам справлятися з складними завданнями. Від автомобілів з автопілотом до розумних служб підтримки, AI Agent вже глибоко впроваджені в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, як невидимі члени команди, мають всебічні можливості від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійній підвищенню 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 власні показники в процесі ітерацій. AI AGENT не є єдиною формою, а ділиться на різні категорії залежно від 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 та зменшення необхідного часу.

2. Творчий AI агент: для генерації контенту, включаючи тексти, дизайн і навіть музичне створення.

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

4. Координаційний AI-агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції між блокчейнами.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, та спрогнозуємо їхні майбутні тенденції розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію ШІ від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті термін "ШІ" був вперше запропонований, заклавши основу для ШІ як незалежної галузі. У цей період дослідження ШІ в основному зосереджувалися на символічних методах, що призвело до створення перших програм ШІ, таких як ELIZA( чат-бот) та Dendral( експертна система в галузі органічної хімії). На цьому етапі також було вперше запропоновано нейронні мережі та розпочато первинне дослідження концепції машинного навчання. Але дослідження ШІ в цей період сильно обмежувалося наявними обчислювальними можливостями. Дослідники стикалися з великими труднощами у розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхіл подав звіт, опублікований у 1973 році, про стан досліджень ШІ у Великобританії. Звіт Лайтхіла в основному висловлював глибокий песимізм щодо досліджень ШІ після початкового періоду хвилювання, що призвело до значної втрати довіри до ШІ з боку британських академічних установ(, включаючи фінансові організації). Після 1973 року фінансування досліджень ШІ значно зменшилося, і галузь ШІ пережила першу "зиму ШІ", коли зросли сумніви щодо потенціалу ШІ.

У 1980-х роках розвиток та комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати технології штучного інтелекту. У цей період було досягнуто значних успіхів у галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло виникненню більш складних застосувань ШІ. Впровадження перших автономних автомобілів, а також впровадження ШІ в фінансову, медичну та інші галузі також стали знаковими подіями, що свідчили про розширення технологій ШІ. Однак в кінці 1980-х - на початку 1990-х років, з падінням попиту на спеціалізоване апаратне забезпечення ШІ, ця сфера пережила другий "зимовий період ШІ". Крім того, розширення масштабів систем ШІ та їх успішна інтеграція в практичні застосування залишаються постійним викликом. Водночас, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку ШІ наприкінці 1990-х років, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На початку цього століття прогрес у обчислювальних потужностях сприяв виникненню глибокого навчання, віртуальні помічники, такі як Siri, продемонстрували практичність ШІ у споживчих застосуваннях. У 2010-х роках агенти з підкріплювальним навчанням та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на новий рівень. У цьому процесі виникнення великих мовних моделей (Large Language Model, LLM) стало важливим етапом у розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. Відтоді, як певна компанія випустила серію GPT, великомасштабні моделі попереднього навчання через десятки або навіть сотні мільярдів параметрів продемонстрували здатність до генерації та розуміння мови, що перевищує традиційні моделі. Їхня відмінна продуктивність у обробці природної мови дозволяє агентам ШІ демонструвати чітку логіку та структуровану взаємодію через генерацію мови. Це дозволяє агентам ШІ застосовуватися у сценах, таких як чат-асистенти, віртуальні служби підтримки, і поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне написання ).

Здатність до навчання великих мовних моделей надає AI-агентам вищий рівень автономності. Завдяки технології посиленого навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, пристосовуючись до динамічного середовища. Наприклад, на певній платформі з підтримкою AI агенти можуть коригувати стратегії поведінки відповідно до введення гравців, що дозволяє досягти справжньої динамічної взаємодії.

Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного подолання технологічних меж. Поява GPT-4, безумовно, є важливою віхою в цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, контекстуальними та різноманітними. Великі мовні моделі не лише надають "розум" AI-агентам, але й забезпечують їм можливість міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть постійно з'являтися, продовжуючи просувати технології AI-агентів та розвиток, ведучи в нову еру досвіду, що керується AI.

1.2 Принцип роботи

AIAGENT відрізняється від традиційних роботів тим, що вони можуть вчитися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна розглядати як технічно досконалих, що постійно розвиваються учасників у криптовалютній сфері, які здатні діяти незалежно в цифровій економіці.

Суть AI AGENT полягає в його "інтелекту"------тобто в алгоритмах, які імітують інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, корекція.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім середовищем через модуль сприйняття, збираючи інформацію про середовище. Функції цієї частини подібні до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягнення значущих характеристик, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних у значущу інформацію, що зазвичай передбачає використання наступних технологій:

• Комп'ютерне зір: використовується для обробки та розуміння зображень і відеоданих.
• Обробка природної мови ( NLP ): допомагає AI AGENT зрозуміти та генерувати людську мову.
• Злиття датчиків: об'єднання даних з кількох датчиків в єдиний погляд.

1.2.2 Модуль висновків та рішень

Після сприйняття середовища, AI AGENT повинен приймати рішення на основі даних. Модуль міркування та прийняття рішень є "мозком" всієї системи, він проводить логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, які виконують роль оркестратора або механізму міркування, він розуміє завдання, генерує рішення та координує спеціалізовані моделі для створення контенту, обробки зображень або рекомендуючих систем.

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, адаптуючи їх до змінного середовища.

Процес інтерпретації зазвичай містить кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих планів дій на основі цілей, і нарешті вибір оптимального плану для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками та ногами" AI AGENT, який реалізує рішення модулю міркування. 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 залежить від:

• Система управління роботами: 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 сервісів.
• Автоматизація управління процесами: у корпоративному середовищі через RPA( робота автоматизація процесів) виконує повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту ставати розумнішим з часом. Постійне вдосконалення через зворотний зв'язок або "дані колеса" вносить дані, що генеруються під час взаємодії, назад у систему для покращення моделі. Ця здатність поступово адаптуватися і ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення ухвалення рішень та ефективності операцій.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Навчання з наглядом: використання мічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення потенційних патернів з неанотованих даних, що допомагає агентам адаптуватися до нових умов.
• Постійне навчання: оновлюйте модель на основі даних в реальному часі, щоб підтримувати продуктивність агента в динамічному середовищі.

1.2.5 Своєчасний зворотний зв'язок та коригування

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

1.3 Стан ринку

1.3.1 Стан галузі

AI AGENT стає центром уваги на ринку завдяки своєму величезному потенціалу в якості споживчого інтерфейсу та автономного економічного агента, що приносить зміни в кількох галузях. Так само, як у попередньому циклі потенціал L1 блок-простору був важко оцінити, AI AGENT також продемонстрував подібні перспективи в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США в 2024 році до 47,1 мільярда доларів США в 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, що виникає внаслідок технологічних інновацій.

Вклад великих компаній у відкриті проксі-фрейми також значно зріс. Розробка фреймів, таких як AutoGen, Phidata та LangGraph, певної компанії стає дедалі активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери, а TAM також розширюється.