AI AGENT: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل

1. نظرة عامة على الخلفية

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التطور.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير عروض العملات الأولية (ICO).
• في عام 2020، جلبت برك السيولة في DEX موجة حرارة الصيف لـ DeFi.
• في عام 2021، أدت ظهور العديد من مجموعات NFT إلى الإشارة إلى بداية عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق إلى قيادة موجة من memecoin ومنصات الإطلاق.

من المهم التأكيد على أن بداية هذه المجالات الرأسية لم تكن مجرد نتيجة للابتكار التكنولوجي، بل كانت أيضًا نتيجة لتكامل نموذج التمويل مع دورة السوق الصاعدة. عندما تلتقي الفرصة مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات كبيرة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون هي وكلاء الذكاء الاصطناعي. وقد وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، حيث ظهرت للمرة الأولى بصورة البث المباشر التي تمثل الفتاة المجاورة، مما أشعل القطاع بأسره.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع يعرف الفيلم الكلاسيكي "مغامرة الأحياء الأموات"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. ملكة القلب الأحمر هي نظام ذكاء اصطناعي قوي، تتحكم في مرافق معقدة وأنظمة أمان، قادرة على إدراك البيئة وتحليل البيانات واتخاذ إجراءات سريعة بشكل مستقل.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في الحياة الواقعية دوراً مشابهاً إلى حد ما، فهو "حارس ذكي" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي، والتحليل، والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءاً لا يتجزأ من جميع الصناعات، وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، وتتغلغل تدريجياً في مختلف الصناعات، مما يدفع نحو تحسين مزدوج في الكفاءة والابتكار.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات المجمعة من منصة بيانات أو منصة تواصل اجتماعي، لإدارة المحفظة وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار خلال التكرارات. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل يتم تقسيمه إلى فئات مختلفة وفقًا للاحتياجات المحددة في نظام التشفير.

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة، مثل التداول، إدارة المحفظة أو التحكيم، بهدف تحسين دقة العمليات وتقليل الوقت المطلوب.

2. وكيل الذكاء الاصطناعي الإبداعي: يستخدم في إنشاء المحتوى، بما في ذلك النصوص، والتصميم، وحتى تأليف الموسيقى.

3. وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، ويبني المجتمع، ويشارك في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي التناسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص لدمج السلاسل المتعددة.

في هذا التقرير، سوف نستكشف بعمق أصول وكلاء الذكاء الاصطناعي، والحالة الراهنة، وآفاق تطبيقاتها الواسعة، ونحلل كيف تعيد تشكيل مشهد الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.

1.1.1 تاريخ التطور

تظهر مسيرة تطور وكيل الذكاء الاصطناعي (AI AGENT) تحول الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالاً مستقلاً. في هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل رئيسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA(، وهو روبوت دردشة) ونظام الخبراء في مجال الكيمياء العضوية Dendral(. شهدت هذه المرحلة أيضًا أول ظهور للشبكات العصبية واستكشاف مفاهيم التعلم الآلي. لكن بحوث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بقدرات الحوسبة المتاحة آنذاك. واجه الباحثون صعوبات كبيرة في تطوير خوارزميات معالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم الرياضي James Lighthill تقريراً نُشر في عام 1973 حول حالة بحوث الذكاء الاصطناعي الجارية في بريطانيا. أعرب تقرير Lighthill بشكل أساسي عن تشاؤم شامل تجاه بحوث الذكاء الاصطناعي بعد فترة الحماس المبكرة، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية)، بما في ذلك الجهات الممولة(. بعد عام 1973، انخفضت ميزانيات بحوث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بما يسمى "شتاء الذكاء الاصطناعي" الأول، وزادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.

في الثمانينات من القرن العشرين، أدى تطوير أنظمة الخبراء والتجارية إلى بدء اعتماد الشركات العالمية لتقنيات الذكاء الاصطناعي. حققت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع ظهور تطبيقات الذكاء الاصطناعي الأكثر تعقيدًا. كما أدت إدخال المركبات الذاتية التشغيل ونشر الذكاء الاصطناعي في مجالات المالية والطب وغيرها إلى توسيع نطاق تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينات وأوائل التسعينات، شهد مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي" مع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم كمبيوتر ديب بلو من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أدى انتعاش الشبكات العصبية والتعلم العميق إلى وضع الأساس لتطور الذكاء الاصطناعي في أواخر التسعينات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

بحلول أوائل هذا القرن، أدت التقدمات في القدرة الحسابية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجال التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 اختراقات إضافية، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبحت نماذج اللغة الكبيرة )Large Language Model، LLM( حدثًا هامًا في تطور الذكاء الاصطناعي، خاصةً مع إصدار GPT-4، والذي يعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت OpenAI سلسلة GPT، عرضت النماذج المدربة مسبقًا على نطاق واسع، مع مئات المليارات أو حتى آلاف المليارات من المعلمات، قدرات تفوق النماذج التقليدية في توليد وفهم اللغة. أدت أدائها الممتاز في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من عرض قدرة تفاعل واضحة ومنظمة من خلال توليد اللغة. هذا أتاح لوكلاء الذكاء الاصطناعي تطبيقهم في مشاهد مثل مساعدي الدردشة وخدمة العملاء الافتراضية، وتدريجيًا التوسع نحو مهام أكثر تعقيدًا ) مثل التحليل التجاري، والكتابة الإبداعية (.

تُوفر قدرة التعلم لنماذج اللغة الكبيرة وكالة الذكاء الاصطناعي بمزيد من الاستقلالية. من خلال تقنية التعلم التعزيزي )Reinforcement Learning(، يمكن لوكالات الذكاء الاصطناعي تحسين سلوكها باستمرار والتكيف مع البيئة الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكالات الذكاء الاصطناعي تعديل استراتيجيات السلوك بناءً على إدخالات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من نظام القواعد في المراحل المبكرة إلى نماذج اللغة الكبيرة التي يمثلها GPT-4، تعتبر تاريخ تطور وكلاء الذكاء الاصطناعي تاريخًا من التقدم المستمر في تجاوز الحدود التقنية. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه المسيرة. مع المزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، سياقية، وتنوعًا. لا توفر نماذج اللغة الكبيرة فقط "روح" "الحكمة" لوكلاء الذكاء الاصطناعي، بل تمنحهم أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة باستمرار، مما يدفع بتكنولوجيا وكلاء الذكاء الاصطناعي إلى الأمام ويقود تجربة تعتمد على الذكاء الاصطناعي إلى عصر جديد.

![تشفير AI AGENT: تشكيل القوة الذكية للاقتصاد الجديد في المستقبل])https://img-cdn.gateio.im/webp-social/moments-b2211eca49347f5293d6624a040c20cd.webp(

) 1.2 آلية العمل

تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في أنها قادرة على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين بارعين ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

الجوهر في AI AGENT هو "الذكاء"------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع سير العمل في AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتمكن وكيل الذكاء الاصطناعي من التفاعل مع العالم الخارجي من خلال وحدة الإدراك، وجمع معلومات البيئة. هذه الوظيفة تشبه حواس الإنسان، حيث يستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، والتي تتضمن استخراج الميزات ذات المعنى، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات معنى، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية###NLP(: تساعد الوكيل الذكي على فهم وتوليد اللغة الإنسانية.
• دمج المستشعرات: دمج بيانات من مستشعرات متعددة في عرض موحد.

)# 1.2.2 وحدة الاستدلال واتخاذ القرار

بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ القرارات بناءً على البيانات. تعتبر وحدة الاستدلال واتخاذ القرار "عقل" النظام بأكمله، حيث تقوم بالاستدلال المنطقي ووضع الاستراتيجيات بناءً على المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وغيرها كمنسق أو محرك استدلال، تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، أو معالجة الصور، أو أنظمة التوصية.

عادةً ما تستخدم هذه الوحدة التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، المستخدمة في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: جعل وكيل الذكاء الاصطناعي يقوم بتحسين استراتيجيات اتخاذ القرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.

تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب العديد من خيارات العمل المحتملة بناءً على الهدف، وأخيراً اختيار الخيار الأمثل للتنفيذ.

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "الأيدي والأرجل" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع أنظمة أو أجهزة خارجية لإكمال المهام المحددة. قد يشمل ذلك عمليات فعلية ### مثل حركة الروبوتات ( أو عمليات رقمية ) مثل معالجة البيانات (. تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: يستخدم للت操作 الفعلي، مثل حركة ذراع الروبوت.
• استدعاء API: التفاعل مع أنظمة البرمجيات الخارجية، مثل استعلامات قاعدة البيانات أو الوصول إلى خدمات الشبكة.
• إدارة العمليات الآلية: في بيئة الشركات، من خلال RPA)، يتم تنفيذ المهام المتكررة بواسطة أتمتة العمليات الروبوتية (.

)# 1.2.4 وحدة التعلم

تعد وحدة التعلم إحدى الميزات الأساسية لوكيل الذكاء الاصطناعي، حيث تمكّن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين النظام بشكل مستمر من خلال إدخال البيانات الناتجة عن التفاعلات لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز اتخاذ القرارات وكفاءة العمليات.

يتم تحسين وحدات التعلم عادةً بالطريقة التالية:

• التعلم تحت الإشراف: استخدام البيانات المعلّمة لتدريب النموذج، مما يمكّن وكيل الذكاء الاصطناعي من إكمال المهام بدقة أكبر.
• التعلم غير الخاضع للإشراف: اكتشاف الأنماط المحتملة من البيانات غير المميزة، لمساعدة الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: تحديث النموذج من خلال بيانات الوقت الحقيقي، للحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 التغذية الراجعة الفورية والتعديل

تحسن وكيل الذكاء الاصطناعي أدائه من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء وتستخدم لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.

![فك تشفير AI AGENT: تشكيل القوة الذكية للاقتصاد الجديد في المستقبل]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 حالة السوق

1.3.1 حالة الصناعة

أصبح AI AGENT نقطة التركيز في السوق، بفضل إمكانيته الضخمة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب تغييرات للعديد من الصناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتلة L1 في الدورة السابقة، يظهر AI AGENT نفس الآفاق في هذه الدورة.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار في عام 2030، بمعدل نمو سنوي مركب ###CAGR( يصل إلى 44.8%. يعكس هذا النمو السريع مدى انتشار وكيل الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب السوقي الذي تتيحه الابتكارات التكنولوجية.

تزايد الاستثمار من قبل الشركات الكبرى في أطر الوكالة مفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen و Phidata و LangGraph لشركة معينة تصبح أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، وتستمر TAM في التوسع.