AI AGENT：інтелектуальна сила, що формує нову економічну екологію майбутнього

1. Загальний фон

1.1 Вступ: "новий партнер" епохи розумних технологій

Кожен криптовалютний цикл приносить нову інфраструктуру, яка сприяє розвитку всієї індустрії.

• У 2017 році виникнення смарт-контрактів призвело до бурхливого розвитку ICO.
• У 2020 році ліквідні пулі DEX принесли літній бум DeFi.
• У 2021 році численні серії NFT позначили початок ери цифрових колекцій.
• У 2024 році видатна продуктивність певної платформи запуску стала лідером у хвилі мемкоїнів та платформ запуску.

Потрібно підкреслити, що старт цих вертикальних галузей обумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів буму. Коли можливості зустрічаються з відповідним часом, це може призвести до величезних змін. З огляду на 2025 рік, очевидно, що новими сферами в циклі 2025 року будуть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року був запущений певний токен, і 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол запустив Luna, вперше з'явившись в образі сусідської дівчини, що призвело до вибуху в усій галузі.

Отже, що таке AI Agent?

Усі знайомі з класичним фільмом «Смертельна битва», в якому 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 Червоної Королеви. У реальному світі AI Agent у певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, допомагаючи підприємствам і особам справлятися зі складними завданнями через автономне сприйняття, аналіз і виконання. Від автомобілів з автоматичним керуванням до розумних клієнтських послуг, AI Agent вже глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як невидимі члени команди, володіють всебічними здібностями, починаючи з сприйняття середовища і закінчуючи виконанням рішень, поступово проникають у різні галузі, сприяючи подвійному підвищенню ефективності та інновацій.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, на основі даних, зібраних з певної платформи даних або соціальної платформи, для управління портфелем в реальному часі та виконання торгівлі, постійно оптимізуючи власні показники в процесі ітерації. AI AGENT не має єдиної форми, а розділяється на різні категорії залежно від специфічних потреб криптоекосистеми:

1. Виконавчий AI агент: зосереджений на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, має на меті підвищити точність операцій та зменшити необхідний час.

2. Креативний AI агент: для генерації контенту, включаючи текст, дизайн і навіть музику.

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 багатьох ланцюгів.

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

1.1.1 Історія розвитку

Історія розвитку AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, заклавши основи для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення перших AI програм, таких як ELIZA( – чат-бот) та Dendral( – експертна система в галузі органічної хімії). Ця стадія також стала свідком вперше запропонованих нейронних мереж та первісного дослідження концепції машинного навчання. Але дослідження AI в цей час серйозно обмежувалися обмеженими обчислювальними можливостями. Дослідники стикалися з величезними труднощами в розробці алгоритмів для обробки природної мови та імітації людських когнітивних функцій. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював повний песимізм щодо досліджень AI після початкового етапу збудження, що призвело до величезної втрати довіри до AI з боку академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI різко зменшилося, і галузь AI пережила першу "зиму AI", що призвело до зростання скептицизму щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати AI-технології. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах і обробці природної мови, що сприяло появі більш складних AI-додатків. Впровадження перших автономних транспортних засобів і розгортання AI в фінансовому, медичному та інших секторах також стало ознакою розширення AI-технологій. Але в кінці 1980-х - на початку 1990-х років, з падінням попиту на спеціалізоване AI-апаратне забезпечення, сфера AI зазнала другого "AI-зимового" періоду. Крім того, як розширити масштаби AI-систем і успішно інтегрувати їх у реальні програми, залишалося постійним викликом. Але водночас, у 1997 році комп'ютер "Г Deep Blue" компанії переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією в здатності AI вирішувати складні задачі. Відродження нейронних мереж і глибокого навчання заклало основу для розвитку AI 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 деякі віртуальні помічники продемонстрували практичність ШІ в споживчих застосуваннях. У 2010-х роках агенти навчання з підкріпленням і деякі генеративні моделі 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 певної моделі, яка була визнана переломним моментом у сфері агентів ШІ. Відтоді, як певна компанія випустила серію GPT, великомасштабні попередньо навчені моделі продемонстрували мовну генерацію та розуміння, що перевершують традиційні моделі, завдяки сотням мільярдів навіть тисячам мільярдів параметрів. Їхні видатні результати в обробці природної мови дозволили агентам ШІ демонструвати чітку логіку та зрозумілість у взаємодії через мовну генерацію. Це дозволило агентам ШІ застосовуватися в таких сферах, як чат-помічники, віртуальні служби підтримки клієнтів та поступово розширюватися до більш складних завдань (, таких як бізнес-аналіз, творчий письмовий ).

Вміння вивчення великих мовних моделей забезпечує вищу автономію для AI-агентів. Завдяки технології підкріпленого навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах з підтримкою AI, AI-агенти можуть коригувати свої стратегії поведінки відповідно до введення гравців, що дійсно реалізує динамічну взаємодію.

Від ранніх систем правил до великих мовних моделей, що представляються певною моделлю, історія розвитку AI-агентів є історією еволюції, яка постійно突破є технологічні кордони. Поява певної моделі безсумнівно є важливим поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, сценічними та різноманітними. Великі мовні моделі не лише надають AI-агентам "інтелектуальну" душу, але й забезпечують їм можливості для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи продовжуватимуть з'являтися, сприяючи впровадженню та розвитку технологій AI-агентів, ведучи до нової ери досвіду, підкріпленого 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 вважати технічно розвиненими та постійно розвиваються учасниками у сфері криптовалют, здатними самостійно діяти в цифровій економіці.

Основна суть AI AGENT полягає в його "інтелекті" ------ тобто в здатності автоматично вирішувати складні завдання, імітуючи інтелектуальну поведінку людини або інших живих істот за допомогою алгоритмів. Робочий процес AI AGENT зазвичай складається з наступних етапів: сприйняття, міркування, дія, навчання, коригування.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з навколишнім середовищем через модуль сприйняття, збираючи інформацію про середовище. Функції цієї частини подібні до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає в себе витягування значущих характеристик, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай передбачає використання наступних технологій:

• Комп'ютерне зір: використовується для обробки та розуміння зображень і відео даних.
• Обробка природної мови ( NLP ): допомога AI AGENT у розумінні та генерації людської мови.
• Агрегація сенсорів: об'єднання даних з кількох сенсорів в єдину картину.

1.2.2 Модуль висновків та прийняття рішень

Після сприйняття навколишнього середовища AI AGENT повинен приймати рішення на основі даних. Модуль міркування та ухвалення рішень є "мозком" всієї системи, він ґрунтується на зібраній інформації для логічного міркування та розробки стратегій. Використовуючи великі мовні моделі тощо в якості оркестратора або двигуна міркування, розуміти завдання, генерувати рішення та координувати спеціалізовані моделі для створення контенту, обробки візуальних даних або систем рекомендацій.

Цей модуль зазвичай використовує такі технології:

• Правило двигун: прості рішення на основі попередньо встановлених правил.
• Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання патернів та прогнозування.
• Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень у процесі проб і помилок, адаптуючись до змінного середовища.

Процес інференції зазвичай включає кілька етапів: спочатку оцінка середовища, потім розрахунок кількох можливих варіантів дій відповідно до мети, на останньому етапі вибір оптимального варіанту для виконання.

1.2.3 Виконавчий модуль

Виконавчий модуль є "руками і ногами" AI AGENT, втілюючи рішення модульного висновку в дію. Ця частина взаємодіє з зовнішніми системами або пристроями, виконуючи визначені завдання. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:

• Система управління роботами: для фізичних операцій, таких як рухи роботизованої руки.
• Виклик API: взаємодія з зовнішніми програмними системами, наприклад, запити до бази даних або доступ до мережевих сервісів.
• Автоматизація управління процесами: в підприємницькому середовищі, за допомогою RPA( роботизованої автоматизації процесів) виконуються повторювані завдання.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам з часом ставати більш розумними. Постійне вдосконалення через зворотний зв'язок або "дані-кругообіг" інтегрує дані, згенеровані під час взаємодії, в систему для покращення моделі. Ця здатність поступово адаптуватися та ставати більш ефективною з часом надає підприємствам потужний інструмент для підвищення ефективності прийняття рішень та операційної ефективності.

Модулі навчання зазвичай покращуються наступними способами:

• Надзорне навчання: використання маркованих даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
• Безконтрольне навчання: виявлення потенційних патернів з неанотованих даних, що допомагає агентам адаптуватися до нових умов.
• Постійне навчання: оновлюйте модель за допомогою даних в режимі реального часу, щоб підтримувати ефективність агента в динамічному середовищі.

1.2.5 Реальний зворотний зв'язок та корекція

AI AGENT оптимізує свою продуктивність через постійний цикл зворотного зв'язку. Результати кожної дії записуються і використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність і гнучкість AI AGENT.

1.3Стан 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 кілька галузей. Як і потенціал L1 блочних просторів у попередньому циклі, AI AGENT також демонструє такі ж перспективи в цьому циклі.

Згідно з останнім звітом деякого дослідницького агентства, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, зі середнім темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає глибину проникнення AI Agent у різних галузях, а також попит на ринку, викликаний технологічними інноваціями.

Великі компанії також значно збільшили свої інвестиції в рамки відкритого виходу. Розробка таких рамок, як AutoGen, Phidata і LangGraph від певної компанії, стає дедалі активнішою, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами крипто-сфери, TAM також розширюється,