Декодирование AI AGENT: интеллектуальная сила, формирующая новую экономическую экосистему будущего

1. Обзор фона

1.1 Введение: "Новые партнеры" умной эпохи

Каждый цикл криптовалют приводит к появлению новой инфраструктуры, способствующей развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX принесли летний бум DeFi.
• В 2021 году появление большого количества NFT-серийных произведений ознаменовало наступление эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся достижения одной из платформ для запуска стали вехой в популярности мемкоинов и платформ для запуска.

Важно подчеркнуть, что старт этих вертикальных секторов вызван не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и циклов бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к значительным изменениям. Глядя на 2025 год, очевидно, что новые перспективные области в цикле 2025 года будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Вскоре, 16 октября, некий протокол выпустил Luna, который впервые появился в образе стриминга с IP соседской девушки, что вызвало фурор во всей отрасли.

Итак, что 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 меры.

На самом деле, у AI Agent и основных функций Красной Королевы есть много схожестей. AI Agent в реальной жизни в какой-то степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, AI Agent глубоко проникли в различные отрасли и стали 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, основываясь на данных, собранных с определенной платформы данных или социальной платформы, управляя портфелем в реальном времени и выполняя сделки, постоянно оптимизируя свои показатели в ходе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от специфических потребностей криптоэкосистемы:

1. Исполнительный AI агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и уменьшения необходимого времени.

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

3. Социальный AI агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых акциях.

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 ландшафт отрасли, и обсудим тенденции их будущего развития.

1.1.1 История развития

История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, тем самым заложив основу для AI как самостоятельной области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также стала свидетельством первого предложения нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования AI в этот период сталкивались с серьезными ограничениями из-за недостаточной вычислительной мощности. Исследователи испытывали огромные трудности 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, который был опубликован в 1973 году. Отчет Лайтхилла в основном выражал полный пессимизм по поводу исследований AI после первоначального периода восторга, что привело к огромной утрате доверия к AI со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "зимний период AI", что привело к росту сомнений в потенциале AI.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что мировые компании начали внедрять 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, а также развертывание ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым событием для расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, вопросы масштабирования систем ИИ и успешной интеграции их в реальные приложения по-прежнему остаются актуальными вызовами. В то же время, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития 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 вычислительных мощностях 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 новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С тех пор, как одна компания выпустила серию GPT, модели с крупномасштабным предварительным обучением с сотнями миллиардов или даже триллионами параметров продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся достижения в области обработки естественного языка позволили ИИ-агентам демонстрировать четкую логику и последовательность в взаимодействиях через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как помощники для общения, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).

Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на одной из платформ, управляемых AI, AI-агенты могут корректировать стратегии поведения в зависимости от ввода игрока, что действительно позволяет осуществлять динамическое взаимодействие.

История развития AI-агентов от ранних систем правил до крупных языковых моделей, таких как 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. Крупные языковые модели не только наделили AI-агентов "интеллектом", но и предоставили им возможность к междисциплинарному сотрудничеству. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать технологии AI-агентов и их развитие, возглавляя новую эру, управляемую AI.

1.2 Принцип работы

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

Ядро 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 состоит из следующих этапов: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с окружающей средой 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 AI AGENT 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 ИИ АГЕНТ должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачу, генерирует решения и координирует специализированные модели для таких конкретных функций, как создание контента, визуальная обработка или рекомендательные системы.

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., используемые для сложного распознавания паттернов и прогнозирования.
• Обучение с подкреплением: позволяйте AI AGENT постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего варианта для выполнения.

1.2.3 Исполнительный модуль

Исполнительный модуль является "руками и ногами" AI AGENT, реализуя решения, принятые в модуле вывода. 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 физического взаимодействия, например, для движения роботизированных рук.
• API вызов: 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 (роботизированная автоматизация процессов).

1.2.4 Модуль обучения

Модуль обучения является ключевым конкурентным преимуществом AI AGENT, позволяя агентам становиться умнее со временем. Путем непрерывного улучшения через обратную связь или "данные маховика", данные, генерируемые в ходе взаимодействия, возвращаются в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем представляет собой мощный инструмент для бизнеса, позволяя улучшать процесс принятия решений и операционную эффективность.

Модули обучения обычно улучшаются следующими способами:

• Обучение с учителем: использование размеченных данных для тренировки модели, чтобы AI AGENT мог более точно выполнять задачи.
• Обучение без учителя: обнаружение потенциальных паттернов из необработанных данных, что помогает агентам адаптироваться к новым условиям.
• Непрерывное обучение: обновление модели на основе актуальных данных для поддержания производительности агента в динамической среде.

1.2.5 Реакция в реальном времени и корректировка

AI AGENT постоянно оптимизирует свои характеристики через циклы обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.

1.3 Состояние рынка

1.3.1 Состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как потребительского интерфейса и автономного экономического агента, внося изменения в несколько отраслей. Как и в предыдущем 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, с совокупным годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.

Вложения крупных компаний в открытые фреймворки для агентов также значительно увеличились. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph, активно растет в крупных технологических компаниях, что свидетельствует о том, что AI AGENT имеет больший потенциал за пределами криптосферы.