فك تشفير وكيل الذكاء الاصطناعي: القوة الذكية لتشكيل نظام الاقتصاد الجديد في المستقبل

1. خلفية عامة

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التقدم.

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

من المهم التأكيد على أن انطلاق هذه المجالات الرأسية لا يعود فقط إلى الابتكار التكنولوجي، ولكن أيضًا إلى نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة بالوقت المناسب، يمكن أن تثير تغييرات كبيرة. بالنظر إلى عام 2025، من الواضح أن المجالات الناشئة خلال دورة 2025 ستكون هي الوكالات الذكية. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق عملة رمزية في 11 أكتوبر 2024، وبلغت قيمتها السوقية 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول ما Luna، بمظهر البث المباشر لشخصية الفتاة المجاورة، مما أشعل القطاع بأكمله.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع يعرف الفيلم الكلاسيكي "أزمة الحياة"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. ملكة القلب الأحمر هي نظام ذكاء اصطناعي قوي، يتحكم في المرافق المعقدة ونظم الأمان، قادر على الاستشعار الذاتي للبيئة، وتحليل البيانات، واتخاذ الإجراءات بسرعة.

في الواقع، توجد العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي دورًا مشابهًا إلى حد ما، حيث أنه "حارس الذكاء" في مجال التكنولوجيا الحديثة، ويساعد الشركات والأفراد في التعامل مع المهام المعقدة من خلال الاستشعار الذاتي والتحليل والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من مختلف الصناعات، حيث أصبح قوة رئيسية لتعزيز الكفاءة والابتكار. تتمتع هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، بقدرة شاملة تتراوح من الاستشعار البيئي إلى تنفيذ القرارات، وتخترق تدريجيًا مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، استنادًا إلى البيانات المجمعة من منصة بيانات أو منصة تواصل اجتماعي، لإدارة المحفظة بشكل لحظي وتنفيذ الصفقات، مع تحسين أدائه باستمرار من خلال التكرار. لا يمثل وكيل الذكاء الاصطناعي شكلًا واحدًا، بل يتم تقسيمه 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 الاستفادة، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.

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

3. وكيل AI الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمعات ويشارك في الأنشطة التسويقية.

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

في هذا التقرير، سنستكشف بعمق أصول وكلاء الذكاء الاصطناعي، والحالة الراهنة، وآفاق تطبيقاتهم الواسعة، ونحلل كيف يعيدون تشكيل المشهد الصناعي، ونتطلع إلى اتجاهات تطورهم المستقبلية.

1.1.1 تاريخ التطوير

تظهر مسيرة تطوير وكيل الذكاء الاصطناعي تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع أساسًا للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل أساسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا اقتراح الشبكات العصبية واستكشاف مفهوم التعلم الآلي. ولكن كانت أبحاث الذكاء الاصطناعي في تلك الفترة مقيدة بشدة من قبل قيود قدرات الحوسبة في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف المعرفية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات James Lighthill تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عبر تقرير Lighthill بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الإثارة المبكرة، مما أدى إلى فقدان كبير للثقة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية في المملكة المتحدة (، بما في ذلك جهات التمويل ). بعد عام 1973، انخفض تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، وزادت مشاعر الشك تجاه إمكانات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطوير ونشر أنظمة الخبراء إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في مجالات تعلم الآلة، والشبكات العصبية، ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما كانت إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية علامة على توسع تقنيات الذكاء الاصطناعي. لكن في أواخر الثمانينيات وأوائل التسعينيات، شهدت مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي" مع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي. علاوة على ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية يمثل تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم الكمبيوتر العملاق "ديب بلو" من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أعاد إحياء الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

في أوائل هذا القرن، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري قدرة الذكاء الاصطناعي في تطبيقات المستهلك. في العقد 2010، حققت عوامل التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. في هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (Large Language Model، LLM) علامة بارزة في تطور الذكاء الاصطناعي، وخاصةً مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة معينة سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع قدرات توليد وفهم اللغة تتجاوز النماذج التقليدية من خلال مئات المليارات أو حتى آلاف المليارات من المعلمات. إن أدائها المتميز في معالجة اللغة الطبيعية يسمح لوكلاء الذكاء الاصطناعي بإظهار قدرات تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا يمكّن وكلاء الذكاء الاصطناعي من تطبيقهم في مشاهد مثل مساعدات الدردشة، وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا (مثل التحليل التجاري، والكتابة الإبداعية).

تقدم قدرة التعلم لنماذج اللغة الكبيرة مستوى أعلى من الاستقلالية لوكلاء الذكاء الاصطناعي. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع بيئات ديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من نظام القواعد المبكر إلى نماذج اللغة الكبيرة الممثلة بـ GPT-4، فإن تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ من التطور المستمر الذي يتجاوز الحدود التقنية. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من تطوير التقنية، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وملاءمة للمواقف، وتنوعاً. لم تضف نماذج اللغة الكبيرة "روح" "الحكمة" إلى وكلاء الذكاء الاصطناعي فحسب، بل زودتهم أيضاً بقدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة بشكل مستمر، مما يدفع تكنولوجيا وكلاء الذكاء الاصطناعي إلى التقدم والتطور، مما يقود إلى عصر جديد مدفوع بالذكاء الاصطناعي.

1.2 مبدأ العمل

تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها على التعلم والتكيف مع مرور الوقت، مما يسمح لها باتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين ذوي مهارات تقنية متقدمة ومتطورة باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

تتمثل جوهر AI AGENT في "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع سير عمل AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، وجمع معلومات البيئة. تعمل هذه الوظيفة بشكل مشابه لحواس الإنسان، حيث تستخدم أجهزة استشعار وكاميرات وميكروفونات 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، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية (NLP): تساعد AI AGENT 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. تعتبر وحدة الاستدلال واتخاذ القرار "العقل" الكلي للنظام، حيث تقوم بإجراء الاستدلال المنطقي وتطوير الاستراتيجيات بناءً على المعلومات المجمعة. من خلال استخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلال، تفهم المهام، وتولد الحلول، وتنسق 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، وتستخدم في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: تمكين وكيل الذكاء الاصطناعي من تحسين استراتيجيات اتخاذ القرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.

تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، وثانيًا حساب العديد من خيارات العمل المحتملة بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.

1.2.3 وحدة التنفيذ

وحدة التنفيذ هي "الأيدي والأرجل" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. هذا الجزء يتفاعل مع أنظمة أو أجهزة خارجية لإكمال المهام المحددة. قد يشمل ذلك العمليات الفيزيائية (مثل حركة الروبوت) أو العمليات الرقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: يُستخدم 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 هي القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين البيانات التي تم إنشاؤها أثناء التفاعل باستمرار، مما يعزز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وتصبح أكثر فعالية للأعمال أداة قوية لتعزيز اتخاذ القرار وكفاءة التشغيل.

تتم تحسين وحدات التعلم عادةً بالطرق التالية:

• التعلم تحت الإشراف: استخدام البيانات المعلَّمة لتدريب النموذج، مما يمكّن AGENT الذكاء الاصطناعي من إتمام المهام بدقة أكبر.
• التعلم غير المشرف: اكتشاف الأنماط المحتملة من البيانات غير المعلَّمة، مما يساعد الوكيل على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث النموذج ببيانات حقيقية، الحفاظ على أداء الوكلاء في بيئة ديناميكية.

1.2.5 الملاحظات الفورية والتعديلات

يعمل AI AGENT على تحسين أدائه من خلال حلقة التغذية الراجعة 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

إن وكيل الذكاء الاصطناعي أصبح محور التركيز في السوق، بفضل إمكاناته الهائلة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب التحولات للعديد من الصناعات. كما كان من الصعب تقدير إمكانات مساحة الكتلة من المستوى الأول في الدورة السابقة، فإن وكيل الذكاء الاصطناعي يظهر نفس الآفاق في هذه الدورة.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي في عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه الزيادة السريعة مدى انتشار وكيل الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.

زاد الاستثمار من قبل الشركات الكبرى في أطر الوكيل مفتوحة المصدر بشكل كبير. أنشطة تطوير الأطر مثل AutoGen وPhidata وLangGraph من بعض شركات التكنولوجيا الكبرى أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانيات أكبر خارج مجال التشفير.