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

1. Общая информация

1.1 Введение: "Новые партнёры" в эпоху умных технологий

Каждый цикл криптовалют приносит новые инфраструктуры, способствующие 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 выдающаяся работа одной из платформ для запуска возглавила волну мемкойнов и связанных с ними платформ.

Необходимо подчеркнуть, что начало этих вертикальных областей обусловлено не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих рыночных циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным преобразованиям. Смотрим в 2025 год, становится очевидно, что новыми перспективными областями цикла 2025 года будут AI-агенты. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Непосредственно после этого, 16 октября, один из протоколов выпустил Luna, впервые представив образ соседской девушки в формате живой трансляции, что вызвало всплеск в всей отрасли.

Так что же такое AI Agent?

Все, вероятно, знакомы с классическим фильмом «Обитель зла», в котором система ИИ Красная Королева оставляет незабываемое впечатление. Красная Королева — это мощная система ИИ, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.

На самом деле, у AI Agent и главных функций Красного Короля много общего. В реальной жизни AI Agent в определенной степени выполняет похожую роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через самостоятельное восприятие, анализ и выполнение. От автономных автомобилей до интеллектуального обслуживания клиентов, AI Agent глубоко внедрились в различные отрасли, став ключевыми силами для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями — от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному росту эффективности и инноваций.

Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои результаты в процессе итерации. AI AGENT не имеет единой формы, а разделяется на различные категории в зависимости от специфических потребностей криптоэкосистемы:

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 тексты, дизайн и даже музыкальное творчество.

3. Социальный AI Агент: в качестве лидера мнений в социальных медиа взаимодействует с пользователями, строит сообщество и участвует в маркетинговых мероприятиях.

4. Координационный AI Агента: координация сложных взаимодействий 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 преобразуют отраслевой ландшафт, и оценим их будущие тенденции развития.

1.1.1 История развития

История развития AI AGENT демонстрирует эволюцию AI от фундаментальных 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 в области AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). Эта стадия также стала свидетелем первого упоминания нейронных сетей и первоначальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии проводимых в Великобритании исследований в области AI, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полную пессимистичность по поводу исследований AI после первоначального возбуждения, 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 "AI-ледниковый период", в обществе усилились сомнения в потенциале AI.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные 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 и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х - начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной проблемой. Тем не менее, 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 основы для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.

К началу XXI века прогресс вычислительных мощностей способствовал возникновению глубокого обучения, а такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агентов с обучением с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT одной компанией крупномасштабные предварительно обученные модели, обладающие сотнями миллиардов, а то и тысячами миллиардов параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логически четкие и структурированные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в сценариях, таких как чат-ассистенты и виртуальные службы поддержки, и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ и творческое письмо ).

Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамическим условиям. Например, на некоторых платформах с AI-управлением AI-агенты могут изменять стратегии поведения в зависимости от ввода игрока, что действительно позволяет реализовать динамическое взаимодействие.

От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей эволюции, которая постоянно преодолевает технические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только наполнили AI-агентов "разумом", но и предоставили им возможности для междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя нас в новую эру, управляемую AI-опытом.

1.2 Принцип работы

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 и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.

Суть AI AGENT заключается в его "интеллекте" ------ то есть в моделировании человеческого или другого биологического интеллекта с помощью алгоритмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно включает следующие этапы: восприятие, вывод, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с окружающей средой через модуль восприятия, собирая информацию об окружающей среде. Эта часть функции аналогична человеческим чувствам и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружении. 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 видео данных.
• Обработка естественного языка ( NLP ): помощь ИИ АГЕНТУ в понимании и генерации человеческого языка.
• Слияние датчиков: объединение данных от нескольких датчиков в единую картину.

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, он основан на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели и другие инструменты в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких 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: включают в себя деревья решений, нейронные сети и т.д., используются для сложного распознавания паттернов и прогнозирования.
• Обучение с подкреплением: позволяет AI AGENT оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.

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

1.2.3 Исполнительный модуль

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

• Система управления роботами: используется для физических операций, таких как движение роботизированной руки.
• API-вызов: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым службам.
• Автоматизация управления процессами: в корпоративной среде с помощью RPA( роботы автоматизации процессов) выполняют повторяющиеся задачи.

1.2.4 Модуль обучения

Модуль обучения является ключевым конкурентным преимуществом AI AGENT, который позволяет агенту со временем становиться более интеллектуальным. Постоянное улучшение через цикл обратной связи или "данные флайвера" включает данные, генерируемые во время взаимодействия, обратно в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения качества принятия решений и операционной эффективности.

Модули обучения обычно улучшаются следующими способами:

• Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
• Ненадзорное обучение: выявление潜在ных паттернов из немаркированных данных, что помогает агентам адаптироваться к новой среде.
• Непрерывное обучение: обновление модели на основе данных в реальном времени, поддержание производительности агента в динамичной среде.

1.2.5 Реальные отзывы и корректировка

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

1.3 Текущая ситуация на рынке

1.3.1 Состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и самостоятельного экономического агента, который приносит изменения в различные отрасли. Так же, как в предыдущем цикле потенциал L1 блок-пространства был трудно оценить, AI AGENT также проявляет аналогичные перспективы в этом цикле.

Согласно последнему отчету Markets and Markets, рынок AI-агентов, 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 проникновение AI-агентов в различные отрасли и рыночный спрос, вызванный технологическими инновациями.

Вложения крупных компаний в открытые фреймворки для агентов значительно увеличились. Разработка фреймворков таких как AutoGen, Phidata и LangGraph от одной компании становится все более активной, что свидетельствует о большом рыночном потенциале AI AGENT за пределами криптовалютной сферы, TAM также растет.