AI AGENT: Інтелектуальна сила, що формує нову економічну екосистему майбутнього

1. Загальна інформація

1.1 Вступ: "Новий партнер" в епоху розумних технологій

Кожен цикл криптовалют приносить нову інфраструктуру, що стимулює розвиток всієї галузі.

• У 2017 році підйом смарт-контрактів сприяв бурхливому розвитку ICO.
• У 2020 році ліквідні пули DEX принесли літній бум DeFi.
• У 2021 році велика кількість NFT-серійних 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 галузей обумовлений не лише технологічними інноваціями, а й ідеальним поєднанням фінансових моделей та циклів буму. Коли можливість зустрічає відповідний момент, це може спричинити величезні зміни. Оглядаючи 2025 рік, очевидно, що новою галуззю циклу 2025 року стануть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року було запущено певний токен, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Вже наступного дня, 16 жовтня, певний протокол запустив Luna, вперше з'явившись з образом сусідської дівчини в прямому ефірі, що спалахнуло в усій галузі.

Отже, що таке AI Agent?

Усі, напевно, знайомі з класичним фільмом «Смертельна битва», де вражає AI-система Червона Королева. Червона Королева — це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.

Насправді, AI Agent має багато спільного з основними функціями червоного королеви. У реальному світі AI Agent у певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасної технології, допомагаючи підприємствам і особам справлятися зі складними завданнями завдяки автономному сприйняттю, аналізу та виконанню. Від автомобілів з автоматичним управлінням до розумних клієнтських сервісів, AI Agent проникли в усі сфери, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як невидимі члени команди, мають всебічні можливості від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвоєнню підвищення ефективності та інновацій.

Наприклад, AI AGENT може використовуватися для автоматизованої торгівлі, базуючись на даних, зібраних з платформи даних або соціальної платформи, в реальному часі управляючи портфелем та виконуючи угоди, постійно оптимізуючи свою продуктивність в ітераціях. AI AGENT не має єдиної форми, а ділиться на різні категорії відповідно до специфічних потреб у криптоекосистемі:

1. Виконавчий AI агент: зосереджений на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, призначений для підвищення точності операцій та зменшення необхідного часу.

2. Створюючий AI агент: для генерації контенту, включаючи тексти, дизайн і навіть музичне творіння.

3. Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіє з користувачами, створює спільноти та бере участь у маркетингових заходах.

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

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

1.1.1 Історія розвитку

Історія розвитку AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті термін "AI" був вперше запропонований, заклавши основи для AI як незалежної сфери. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до появи перших AI програм, таких як ELIZA(, чат-бот), та Dendral(, експертна система в галузі органічної хімії). Цей етап також став свідком вперше запропонованих нейронних мереж та первинного дослідження концепції машинного навчання. Але дослідження AI в цей період були серйозно обмежені обмеженнями обчислювальних можливостей того часу. Дослідники зіткнулися з величезними труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт, який був опублікований у 1973 році, про стан AI досліджень, що проводяться у Великобританії. Звіт Лайтхілла в основному виражав повний песимізм щодо AI досліджень після раннього періоду захоплення, викликавши величезну втрату довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI значно зменшилося, а галузь AI пережила першу "зиму AI", зростання скептицизму щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні підприємства почали впроваджувати технології ШІ. У цей період було досягнуто значних успіхів у галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних застосувань ШІ. Вперше було введено автономні транспортні засоби, а також впровадження ШІ в таких секторах, як фінанси та охорона здоров'я, стало ще одним свідченням розширення технології ШІ. Але в кінці 1980-х - на початку 1990-х років, у зв'язку з крахом попиту на спеціалізоване апаратне забезпечення ШІ, ця сфера пережила другий "зимовий період ШІ". Крім того, розширення масштабів систем ШІ та їх успішна інтеграція в реальні застосування залишаються постійним викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією для ШІ у вирішенні складних проблем. 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, а віртуальні асистенти, такі як Siri, продемонстрували практичність ШІ у споживчих застосуваннях. У 2010-х роках агентів підкріпленого навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на новий рівень. У цьому процесі поява великих мовних моделей (Large Language Model, LLM ) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. З моменту випуску серії GPT певною компанією великомасштабні попередньо навчені моделі з сотнями мільярдів або навіть тисячами мільярдів параметрів продемонстрували здатність генерувати та розуміти мову, що перевершує традиційні моделі. Їхні чудові результати в обробці природної мови дозволили агентам ШІ демонструвати логічні та чітко структуровані інтеракції через генерацію мови. Це дозволило агентам ШІ застосовуватися в таких сценаріях, як чат-асистенти, віртуальні служби підтримки та поступово розширюватися на більш складні завдання (, такі як бізнес-аналіз, креативне написання ).

Здатність навчання великих мовних моделей забезпечує вищу автономність для AI-агентів. Завдяки технології підкріплювального навчання (Reinforcement Learning) агент AI може постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деякій платформі, що використовує AI, агент AI може коригувати стратегію поведінки відповідно до введення гравця, насправді реалізуючи динамічну взаємодію.

Історія розвитку AI-агентів від ранніх систем правил до великих мовних моделей, представлених GPT-4, є історією еволюції, що постійно перевершує технологічні межі. Поява GPT-4, безумовно, є важливим поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуаційними та різноманітними. Великі мовні моделі не лише наділяють AI-агентів "розумом", а й забезпечують їх можливостями міждисциплінарної співпраці. У майбутньому новаторські проектні платформи продовжуватимуть з'являтися, щоб стимулювати впровадження та розвиток технології AI-агентів, ведучи до нової ери досвіду, що керується AI.

1.2 Принцип роботи

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

Основою AI AGENT є його "інтелект"------тобто, шляхом алгоритмів моделювання інтелектуальної поведінки людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним крокам: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функцій подібна до людських сенсорів, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає в себе виділення значущих характеристик, розпізнавання об'єктів або визначення пов'язаних сутностей в навколишньому середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай включає в себе такі технології:

• Комп'ютерне зорове сприйняття: для обробки та розуміння зображень і відеоданих.
• Обробка природної мови ( NLP ): допомагає AI AGENT розуміти та генерувати людську мову.
• Fusion of sensors: об'єднання даних з кількох датчиків у єдину картину.

1.2.2 Модуль інтерпретації та прийняття рішень

Після сприйняття навколишнього середовища AI AGENT повинен приймати рішення на основі даних. Модуль міркувань та прийняття рішень – це "мозок" всієї системи, який здійснює логічні висновки та розробляє стратегії на основі зібраної інформації. Використовуючи великі мовні моделі та інші, що виконують роль координатора або двигуна міркувань, розуміти завдання, генерувати рішення та координувати спеціалізовані моделі для створення контенту, візуальної обробки або рекомендованих систем.

Цей модуль зазвичай використовує такі технології:

• Правила двигун: прості рішення на основі попередньо визначених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі та інші, використовуються для складного розпізнавання шаблонів і прогнозування.
• Поглиблене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінного середовища.

Процес інтерпретації зазвичай включає кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій відповідно до мети, і нарешті вибір оптимального варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками і ногами" AI AGENT, який реалізує рішення, ухвалені модулем розуміння. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання певних завдань. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:

• Система керування роботами: використовується для фізичних операцій, наприклад, для руху роботизованих рук.
• API виклик: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
• Автоматизація управління процесами: у корпоративному середовищі, за допомогою RPA(, роботизована автоматизація процесів) виконує повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агенту з часом ставати розумнішим. Завдяки циклу зворотного зв'язку або "даним флайвера" відбувається постійне вдосконалення, дані, згенеровані під час взаємодії, повертаються в систему для підсилення моделі. Ця здатність адаптуватися та ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення процесу прийняття рішень і операційної ефективності.

Модулі навчання зазвичай вдосконалюються наступними способами:

• Контрольне навчання: використання маркованих даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення潜在них模式 з неанотованих даних, що допомагає агенту адаптуватися до нового середовища.
• Постійне навчання: оновлюйте модель за допомогою даних в реальному часі, щоб підтримувати ефективність агента в динамічному середовищі.

1.2.5 Реальний 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 замкнута 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 як споживчого інтерфейсу та автономного економічного агента, приносить зміни в кількох індустріях. Як і в попередньому циклі потенціал L1 блокпростору був важко оцінити, так і AI AGENT демонструє такі ж перспективи в цьому циклі.

Згідно з останнім звітом Markets and Markets, ринок AI Agent, за прогнозами, зросте з 5,1 млрд доларів США у 2024 році до 47,1 млрд доларів США у 2030 році, з річним складеним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях, а також попит на ринку, викликаний технологічними інноваціями.

Великі компанії також значно збільшили свої інвестиції в відкриті фреймворки для проксі. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph певної компанії, стає дедалі активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери, TAM також зростає.