AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего

1. Фоновая информация

1.1 Введение: "Новый партнер" в эру интеллекта

Каждый цикл криптовалюты приносит новую инфраструктуру, способствующую развитию всей отрасли.

• В 2017 году всплеск смарт-контрактов способствовал бурному развитию ICO.
• В 2020 году ликвидные пулы DEX стали причиной летнего бума DeFi.
• В 2021 году появление большого количества NFT-серийных произведений ознаменовало наступление эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся достижения одной из платформ для запуска стали движущей силой популярности мемкойнов и платформ для запуска.

Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования с бычьими циклами. Когда возможность встречает подходящее время, она может вызвать огромные изменения. Оглядываясь на 2025 год, становится очевидно, что новые области в цикле 2025 года будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, который 15 октября достиг капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, один протокол представил Luna, впервые появившись в образе IP соседской девушки, что взорвало всю индустрию.

Итак, что же такое AI Agent?

Все, вероятно, знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система «Красная королева». «Красная королева» — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.

На самом деле, у AI Agent и основных функций Красной Королевы много похожего. В реальности AI Agent в какой-то степени выполняют аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, AI Agent глубоко проникают в различные отрасли, становясь ключевой силой 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 повышению эффективности и инноваций.

Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с платформ данных или социальных платформ, для управления инвестиционным портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свою производительность в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от специфических потребностей криптоэкосистемы:

1. Исполнительный AI 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 текст, дизайн и даже музыкальное творчество.

3. Социальный AI-агент: выступая в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых активностях.

4. Координационный AI Агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многоплатформенной интеграции.

В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и рассмотрим тенденции их будущего развития.

1.1.1 История развития

История развития AI AGENT демонстрирует эволюцию AI от фундаментальных исследований до широкого применения. На Дартмутской конференции 1956 года термин "AI" был впервые предложен, что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что дало старт первым AI-программам, таким как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также ознаменовался первыми предложениями нейронных сетей и первичными исследованиями концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены 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, опубликованный в 1973 году. Отчет Лайтхилла в основном выражал полное пессимизм по поводу исследований AI после первоначального энтузиазма, что вызвало огромную утрату доверия со стороны британских академических учреждений(, включая финансовые организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "зимний период AI", увеличившееся недоверие к потенциалу AI.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что компании по всему миру 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 различных отраслях, таких как финансы и здравоохранение, также стало знаковым событием для расширения технологий ИИ. Однако в конце 1980-х - начале 1990-х годов, с падением спроса на специализированное аппаратное обеспечение ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, масштабирование систем ИИ и успешная интеграция их в реальные приложения по-прежнему остаются текущими вызовами. Но в то же время, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.

К началу этого 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 с подкреплением и генеративные модели, такие как GPT-2, достигли новых прорывов, поднимая диалоговый ИИ на новый уровень. 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, крупномасштабные предварительно обученные модели, обладающие сотнями миллиардов или даже триллионами параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать четкую логику и структурированность в взаимодействии через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-помощники, виртуальные службы поддержки, и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное письмо ).

Способности к обучению больших языковых моделей обеспечивают более высокую автономию для AI-агентов. Благодаря технологии усиленного обучения (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на одной из платформ с AI, AI-агенты могут корректировать свою стратегию 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 ИИ-агентов — это эволюция, постоянно преодолевающая технические границы. Появление GPT-4, безусловно, стало важной вехой в этом процессе. С дальнейшим развитием технологий ИИ-агенты станут еще более интеллектуальными, сценическими и разнообразными. Большие языковые модели не только наделили ИИ-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем будут постоянно появляться инновационные проектные платформы, которые продолжат продвигать технологии ИИ-агентов и развитие, ведя к новой эпохе опыта, управляемого ИИ.

1.2 Принцип работы

AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться со временем, принимая детализированные решения для достижения своих целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.

Ядро AI AGENT заключается в его "интеллекте"------то есть в способности с помощью алгоритмов моделировать интеллектуальное поведение человека или других существ для автоматизированного решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

AI AGENT взаимодействует с внешней средой через модуль восприятия, собирая информацию об окружении. Эта часть функционала аналогична человеческим сенсорным системам и использует устройства, такие как датчики, камеры, микрофоны и т.д., для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружении. Главная 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 ): 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, который осуществляет логическое мышление и разработку стратегий на основе собранной информации. Используя большие языковые модели 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 двигателя: простое принятие решений на основе предустановленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используются для сложного распознавания шаблонов и прогнозирования.
• Укрепленное обучение: позволить AI АГЕНТУ постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий на основе цели, и, наконец, выбор наиболее оптимального варианта для выполнения.

1.2.3 Исполнительный модуль

Исполнительный модуль является «руками и ногами» AI AGENT, который осуществляет действия, основанные на решениях модуля вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), 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( роботизированная автоматизация процессов) выполняет повторяющиеся задачи.

1.2.4 Учебный модуль

Модуль обучения является核心竞争力 AI AGENT, он позволяет агенту со временем становиться более умным. Постоянное улучшение через обратную связь или "данные маховика" внедряет данные, сгенерированные в ходе взаимодействия, обратно в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для повышения эффективности принятия решений и операционной деятельности.

Модули обучения обычно улучшаются следующим образом:

• 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, поддерживая 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 фиксируются 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 автономного экономического агента, внося изменения в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства было трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в текущем 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 к 2030 году, со среднегодовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI-агентов в различные отрасли и рыночный спрос, вызванный технологическими инновациями.

Вложения крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптографии, TAM тоже.