فك تشفير AI AGENT: 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 المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها إلى الأمام.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير عروض العملات الأولية (ICO).
• في عام 2020، جلبت أحواض السيولة في DEX موجة صيف DeFi.
• في عام 2021، أشار ظهور العديد من مجموعات NFT إلى بداية عصر المقتنيات الرقمية.
• في عام 2024، أدى الأداء الممتاز لمنصة الإطلاق إلى قيادة موجة من memecoin والمنصات ذات الصلة.

من الضروري التأكيد على أن بداية هذه المجالات العمودية لا تعود فقط إلى الابتكار التكنولوجي، بل هي أيضًا نتيجة للتوافق المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة بالتوقيت المناسب، يمكن أن تولد تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكالات الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز في 11 أكتوبر 2024، ووصل إلى قيمة سوقية تبلغ 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول ما Luna، الذي ظهر لأول مرة بصورة البث المباشر لشخصية الفتاة المجاورة، مما أثار ضجة في جميع أنحاء الصناعة.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع يعرف الفيلم الكلاسيكي "أزمة حيوية"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة أمان، قادر على الإدراك الذاتي للبيئة، وتحليل البيانات، واتخاذ الإجراءات بسرعة.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي دوراً مماثلاً إلى حد ما، حيث يعد "حارس الذكاء" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي والتحليل والتنفيذ، يساعد الشركات والأفراد في مواجهة المهام المعقدة. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، لقد غزا وكيل الذكاء الاصطناعي جميع الصناعات، ليصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، تتمتع بقدرات شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتتسلل تدريجياً إلى جميع الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في التداول الآلي، استنادًا إلى البيانات المجمعة من منصات البيانات أو منصات التواصل الاجتماعي، لإدارة محفظة استثمارية وتنفيذ صفقات في الوقت الفعلي، وتحسين أدائه بشكل مستمر في كل تكرار. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل يتم تقسيمه إلى فئات مختلفة بناءً على الاحتياجات المحددة في النظام البيئي للعملات المشفرة:

1. وكيل الذكاء الاصطناعي القائم على التنفيذ: يركز على إتمام مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، بهدف زيادة دقة العمليات وتقليل الوقت المطلوب.

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

3.وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، التفاعل مع المستخدمين، بناء المجتمع والمشاركة في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي المنسق: ينسق التفاعلات المعقدة بين الأنظمة أو المشاركين، ويكون مناسبًا بشكل خاص لتكامل سلاسل الكتل المتعددة.

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

1.1.1 تاريخ التنمية

أظهرت مسيرة تطوير وكيل الذكاء الاصطناعي التحول من البحث الأساسي إلى التطبيق الواسع للذكاء الاصطناعي. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما أسس للذكاء الاصطناعي كحقل مستقل. في تلك الفترة، كانت أبحاث الذكاء الاصطناعي تتركز بشكل رئيسي 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 الاقتراح الأول للشبكات العصبية واستكشاف مفهوم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرة الحسابية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم الرياضي جيمس لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل بشأن أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكرة، مما أدى إلى فقدان كبير للثقة من قبل المؤسسات الأكاديمية في المملكة المتحدة( بما في ذلك الجهات الممولة) في الذكاء الاصطناعي. بعد عام 1973، انخفضت ميزانيات أبحاث الذكاء الاصطناعي بشكل كبير، وعانت مجال الذكاء الاصطناعي من "شتاء الذكاء الاصطناعي" الأول، مما زاد من مشاعر الشك بشأن إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدت تطورات أنظمة الخبراء والتجارية إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. حققت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت إدخال المركبات الذاتية لأول مرة ونشر الذكاء الاصطناعي في الصناعات مثل المالية والطب أيضًا علامات على توسيع تقنية الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، مع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهد مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الثاني. علاوة على ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم كمبيوتر Deep Blue من IBM بطل العالم في الشطرنج غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أرسى 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.

بحلول أوائل هذا القرن، أدى تقدم القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت مساعدات افتراضية مثل سيري فعالية الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم التعزيزي ونماذج التوليد مثل GPT-2 مزيدًا من التقدم، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. في هذه العملية، أصبح ظهور نموذج اللغة الكبير (Large Language Model، LLM ) علامة بارزة في تطور الذكاء الاصطناعي، خاصةً مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أطلقت شركة معينة سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، ذات المئات من المليارات أو حتى الآلاف من المليارات من المعلمات، قدرة متميزة على توليد وفهم اللغة تفوق النماذج التقليدية. أدت أدائها الاستثنائي في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من عرض تفاعلات واضحة ومنظمة من خلال توليد اللغة. مما سمح لوكلاء الذكاء الاصطناعي بالتطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، والتوسع تدريجياً نحو مهام أكثر تعقيدًا ( مثل التحليل التجاري والكتابة الإبداعية ).

تمنح قدرة التعلم لنماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي استقلالية أكبر. من خلال تقنية التعلم التعزيزي (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئة الديناميكية. على سبيل المثال، في بعض المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلاً ديناميكياً حقيقياً.

من النظام القائم على القواعد في المراحل المبكرة إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، تعد تاريخ تطور وكيل الذكاء الاصطناعي قصة تطور مستمر تتجاوز الحدود التكنولوجية. إن ظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وأكثر سياقًا، وأكثر تنوعًا. لم تضف نماذج اللغة الكبيرة "روح" الذكاء لوكلاء الذكاء الاصطناعي فحسب، بل زودتهم أيضًا بقدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة باستمرار، مما يدفع تقنية وكيل الذكاء الاصطناعي نحو التنفيذ والتطور، ويقود تجربة مدفوعة بالذكاء الاصطناعي إلى عصر جديد.

1.2 مبدأ العمل

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

الجوهر في AI AGENT هو "الذكاء"------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، من أجل حل المشكلات المعقدة بشكل آلي. عادةً ما تتبع سير العمل لـ AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

تتفاعل AI AGENT مع العالم الخارجي من خلال وحدة الإدراك، تجمع معلومات البيئة. تشبه هذه الوظيفة الحواس البشرية، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات وغيرها من الأجهزة 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 مغزى، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية ( NLP ): يساعد وكيل الذكاء الاصطناعي على فهم وتوليد اللغة البشرية.
• دمج المستشعرات: دمج بيانات来自 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. تعد وحدة الاستدلال واتخاذ القرار "دماغ" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي ووضع استراتيجيات بناءً على المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلال، لفهم المهام، وتوليد الحلول، والتنسيق مع نماذج متخصصة لأداء وظائف محددة مثل إنشاء المحتوى، والمعالجة البصرية، أو أنظمة التوصية.

عادة ما يستخدم هذا الموديل التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة.
• نماذج التعلم الآلي: تشمل أشجار القرار، الشبكات العصبية، وغيرها، وتستخدم للتعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: تمكين الوكيل الذكي من تحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.

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

1.2.3 وحدة التنفيذ

وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإتمام المهام المحددة. قد ينطوي ذلك على عمليات مادية ( مثل حركة الروبوتات ) أو عمليات رقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: يستخدم للعمليات الفيزيائية، مثل حركة ذراع الروبوت.
• استدعاء API: التفاعل مع أنظمة البرامج 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 تتيح للوكلاء أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال تحسين مستمر عبر حلقة التغذية الراجعة أو "دوامة البيانات"، يتم إدخال البيانات الناتجة عن التفاعلات مرة أخرى في النظام لتعزيز النموذج. إن هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية توفر للأعمال أداة قوية لتعزيز صنع القرار وكفاءة العمليات.

عادةً ما يتم تحسين وحدات التعلم بالطريقة التالية:

• التعلم تحت الإشراف: استخدام البيانات المميزة لتدريب النموذج، مما يتيح لوكيل الذكاء الاصطناعي إكمال المهام بدقة أكبر.
• التعلم غير المراقب: اكتشاف الأنماط الكامنة من بيانات غير معنونة، لمساعدة الوكيل على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث النموذج بالبيانات في الوقت الفعلي، حافظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 التغذية الراجعة الفورية والتعديل

يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال دورة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق تكيف ومرونة وكيل الذكاء الاصطناعي.

1.3 حالة السوق

1.3.1 حالة الصناعة

أصبح وكيل الذكاء الاصطناعي محور اهتمام السوق، حيث يحمل إمكانيات هائلة كواجهة للمستهلكين وكمساهم مستقل في الاقتصاد، مما يحدث تحولاً في العديد من الصناعات. كما كان من الصعب تقدير إمكانيات مساحة كتل L1 في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي آفاقًا مماثلة في هذه الدورة.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء الذكاء الاصطناعي من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي بحلول عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه النمو السريع مدى انتشار وكلاء الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب المتزايد في السوق الناتج عن الابتكار التكنولوجي.

زاد استثمار الشركات الكبرى في أطر الوكيل مفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph من إحدى الشركات أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانات سوق أكبر خارج مجال التشفير، وTAM أيضًا في