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

1. Фоновая информация

1.1 Введение: "Новые партнеры" в эпоху умных технологий

Каждый криптовалютный цикл приносит новые инфраструктуры, способствующие развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году пулы ликвидности DEX привели к летнему буму DeFi.
• В 2021 году появление множества NFT-серийных работ ознаменовало наступление эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся результаты одной из платформ для запуска стали движущей силой роста мемкоинов и платформ для запуска.

Необходимо подчеркнуть, что старт этих вертикальных областей обусловлен 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 изменениям. Глядя на 2025 год, очевидно, что новые области в цикле 2025 года будут связанны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен, и 15 октября его рыночная капитализация составила 150 миллионов долларов. Сразу после этого, 16 октября, был запущен протокол Luna, который впервые появился в образе IP живого вещания "девушки-соседки", что вызвало всплеск во всей отрасли.

Итак, что же 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 схожих черт. В реальной жизни AI Agent в определенной степени исполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая компаниям и частным лицам справляться со сложными задачами с помощью автономного восприятия, анализа и выполнения. От автономных автомобилей до интеллектуального обслуживания клиентов, AI Agent уже проникли во все отрасли, став 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, способствуя двойному увеличению эффективности и инноваций.

Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, управляя портфелем в реальном времени и выполняя сделки, постоянно оптимизируя свое представление в ходе итераций. AI AGENT не является единственной формой, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:

1. Исполнительный AI Агент: сосредоточен на выполнении определенных 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 текст, дизайн и даже создание музыки.

3. Социальный AI Агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает сообщества и участвует в маркетинговых мероприятиях.

4. Координационный 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 структуру отрасли, и взглянем на 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, что положило начало 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). Этот этап также стал свидетелем первого появления нейронных сетей и начального исследования концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. 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 выразил всеобъемлющий пессимизм в отношении исследований AI после первоначального взлета, что привело к значительной потере доверия к AI со стороны академических учреждений(, включая финансовые организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первую "зиму AI", что увеличило сомнения в его потенциале.

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 и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также стали свидетельством расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в практические 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 в вычислительных мощностях способствовал возникновению глубокого обучения, а такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты на основе обучения 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 выхода серии GPT от одной компании большие предварительно обученные модели с сотнями миллиардов и даже триллионами параметров продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логичное и последовательное взаимодействие через генерацию языка. Это позволяет ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное письмо ).

Способность обучаться больших языковых моделей предоставляет ИИ-агентам большую автономию. С помощью технологий усиленного обучения (Reinforcement Learning), ИИ-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на некоторых платформах с ИИ-управлением ИИ-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 языковых моделей, представленных GPT-4, является эволюцией, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только придают AI-агентам "разум" как душу, но и предоставляют им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эре, управляемой AI.

1.2 Принцип работы

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

核心 AI AGENT заключен в его "ум" ------ то есть, через алгоритмы моделировать интеллектуальное поведение человека или других существ для автоматизации решения сложных задач. Обычно рабочий процесс AI AGENT следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешним миром 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, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырьевых 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 ): помогает ИИ АГЕНТУ понимать и генерировать человеческий язык.
• Слияние датчиков: интеграция данных от нескольких датчиков в единый обзор.

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 в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких конкретных функций, как создание контента, визуальная обработка или рекомендательные системы.

Этот модуль обычно использует следующие технологии:

• Правилообразующий механизм: простое принятие решений на основе заданных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используются для сложного распознавания образов и прогнозирования.
• Обучение с подкреплением: позволяет 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 оптимального варианта для выполнения.

1.2.3 Исполнительный модуль

Исполнительный модуль является "руками и ногами" AI AGENT, реализуя решения, принятые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (, такие как действия роботов ), или цифровые действия (, такие как обработка данных ). Исполнительный модуль зависит от:

• Роботизированная система управления: используется для физических операций, например, для движения роботизированной руки.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым службам.
• Автоматизированное управление процессами: в корпоративной среде с помощью RPA( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.

1.2.4 Модуль обучения

Модуль обучения является ключевой конкурентоспособностью AI AGENT, он позволяет агенту со временем становиться более умным. Постоянное улучшение через обратную связь или "данные маховика" включает обратную связь данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для улучшения принятия решений и операционной эффективности.

Модули обучения обычно улучшаются следующим образом:

• Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
• Обучение без учителя: обнаружение скрытых паттернов из немаркированных данных, что помогает агенту адаптироваться к новой среде.
• Непрерывное обучение: обновление модели с помощью данных в реальном времени, чтобы поддерживать производительность агента в динамичной среде.

1.2.5 Реальная обратная связь 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 рыночная ситуация

1.3.1 Состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, приносящему изменения в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также демонстрирует такие же 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 годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.

Крупные компании также значительно увеличили свои инвестиции в открытые прокси-фреймворки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph, становится все более активной в некоторых компаниях, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптографии, TAM также