مفهوم الذكاء الاصطناعي 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 ICO.
في عام 2020، جلبت أحواض السيولة في DEX موجة صيف DeFi.
في عام 2021، شهدت العديد من مجموعات الأعمال الفنية غير القابلة للاستبدال (NFT) ظهورها، مما يدل على بداية عصر المقتنيات الرقمية.
في عام 2024، أدت الأداء الممتاز لمنصة الإطلاق إلى قيادة الاتجاه لmemecoin ومنصات الإطلاق.
من المهم التأكيد على أن هذه المجالات الرأسية لم تبدأ فقط بسبب الابتكار التكنولوجي، بل كانت أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرص بالوقت المناسب، يمكن أن تؤدي إلى تغييرات ضخمة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون عبارة عن وكلاء الذكاء الاصطناعي. بلغت هذه الاتجاهات ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، ووصل إلى قيمة سوقية تبلغ 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بشكل شخصية فتاة الجوار في بث مباشر، مما أشعل جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي؟
الجميع يعرف الفيلم الكلاسيكي "مشكلة حيوية"، حيث يترك النظام الذكي الملكة الحمراء انطباعًا عميقًا. الملكة الحمراء هي نظام ذكاء اصطناعي قوي، تتحكم في المنشآت المعقدة وأنظمة الأمان، ولديها القدرة على استشعار البيئة بشكل مستقل، وتحليل البيانات، واتخاذ إجراءات سريعة.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. وكيل الذكاء الاصطناعي في العالم الحقيقي يلعب دورًا مشابهًا إلى حد ما، حيث إنه "حارس الحكمة" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي والتحليل والتنفيذ. من السيارات الذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من جميع الصناعات، ويعتبر قوة رئيسية في تعزيز الكفاءة والابتكار. هؤلاء الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، يمتلكون قدرات شاملة من إدراك البيئة إلى تنفيذ القرارات، ويتسللون تدريجياً إلى مختلف الصناعات، مما يدفع نحو تحسين مزدوج في الكفاءة والابتكار.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات التي تم جمعها من منصة بيانات أو منصة اجتماعية، لإدارة الحافظة المالية وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار خلال عمليات التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تقسيمه إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إتمام مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يُستخدم في إنشاء المحتوى، بما في ذلك النصوص، التصميم، وحتى تأليف الموسيقى.
3.وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في الأنشطة التسويقية.
وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل متعددة.
في هذا التقرير، سنستكشف بعمق أصول وواقع وآفاق تطبيقات AI Agent، ونحلل كيف تعيد تشكيل المشهد الصناعي، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطوير
تظهر مسيرة تطوير وكيل الذكاء الاصطناعي تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيقات الواسعة. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الطرق الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشاف أولي لمفهوم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرة الحسابية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا تم نشره في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في بريطانيا. عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير للثقة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الوكالات الممولة ). بعد عام 1973، تم تقليص تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مع زيادة مشاعر الشك بشأن إمكانات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارته إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت إدخال المركبات الذاتية التحكم ونشر الذكاء الاصطناعي في جميع القطاعات مثل المالية والرعاية الصحية علامة على توسيع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، شهد مجال الذكاء الاصطناعي أزمة ثانية تُعرف بـ"شتاء الذكاء الاصطناعي"، حيث انهار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية يمثل تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم الكمبيوتر "ديب بلو" من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاشة الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ في التأثير على الحياة اليومية.
مع بداية القرن الحادي والعشرين، دفعت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت المساعدات الافتراضية مثل Siri جدوى الذكاء الاصطناعي في تطبيقات المستهلك. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) علامة فارقة مهمة في تطوير الذكاء الاصطناعي، وخاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، التي تحتوي على مئات المليارات أو حتى آلاف المليارات من المعلمات، قدرات تفوق النماذج التقليدية في توليد وفهم اللغة. لقد سمح أداؤها المتميز في معالجة اللغة الطبيعية لوكلاء الذكاء الاصطناعي بإظهار قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا يمكن وكلاء الذكاء الاصطناعي من التطبيق في مشاهد مثل مساعدات المحادثة وخدمة العملاء الافتراضية، والتوسع تدريجيًا نحو مهام أكثر تعقيدًا مثل التحليل التجاري والكتابة الإبداعية.
تتيح قدرة نموذج اللغة الكبير على التعلم لوكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئة الديناميكية. على سبيل المثال، في إحدى المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات السلوك استنادًا إلى إدخالات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.
من النظام القائم على القواعد في المراحل المبكرة إلى نماذج اللغة الكبيرة الممثلة بـ GPT-4، تعتبر تاريخ تطور وكلاء الذكاء الاصطناعي تاريخًا من التطورات المستمرة في تجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع التقدم الإضافي في التكنولوجيا، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وأكثر تركيزًا على السيناريوهات، وأكثر تنوعًا. لم توفر نماذج اللغة الكبيرة فقط "روح" الذكاء لوكلاء الذكاء الاصطناعي، بل زودتهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع باستمرار تقنية وكلاء الذكاء الاصطناعي نحو التطبيق والتطور، ويقود تجربة مدفوعة بالذكاء الاصطناعي في عصر جديد.
1.2 مبدأ التشغيل
تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها 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.
النواة في AI AGENT هي "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، من أجل حل المشكلات المعقدة بشكل تلقائي. تتبع عملية عمل AI AGENT عادةً الخطوات التالية: الاستشعار، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، ويجمع معلومات البيئة. تشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات وغيرها من الأجهزة لالتقاط البيانات الخارجية، بما في ذلك 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، ويتضمن ذلك عادةً التقنيات التالية:
الرؤية الحاسوبية: تُستخدم لمعالجة وفهم بيانات الصور والفيديو.
معالجة اللغة الطبيعية (NLP): تساعد وكيل الذكاء الاصطناعي على فهم وإنتاج اللغة البشرية.
دمج المستشعرات: دمج بيانات来自 عدة مستشعرات في عرض موحد.
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج AI AGENT إلى اتخاذ قرارات بناءً على البيانات. يعدّ نموذج الاستدلال واتخاذ القرار "العقل" في النظام بأكمله، حيث يقوم بإجراء استدلال منطقي وتطوير استراتيجيات بناءً على المعلومات المجمعة. باستخدام نماذج اللغة الكبيرة وغيرها من النماذج كمنسّقين أو محركات استدلال، يفهم المهام، وينتج الحلول، ويتعاون مع النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
تستخدم هذه الوحدة عادة التقنيات التالية:
محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
نماذج تعلم الآلة: تشمل أشجار القرار، الشبكات العصبية، وغيرها، تستخدم للتعرف على الأنماط المعقدة والتنبؤ.
التعلم المعزز: تمكين وكيل الذكاء الاصطناعي من تحسين استراتيجيات اتخاذ القرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.
عادةً ما تتضمن عملية الاستدلال عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيراً اختيار الخيار الأمثل للتنفيذ.
1.2.3 تنفيذ الوحدة
وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تحول قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإتمام 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 في العمليات الفيزيائية، مثل حركة ذراع الروبوت.
استدعاء API: التفاعل مع أنظمة البرمجيات الخارجية، مثل استعلامات قواعد البيانات أو الوصول إلى خدمات الشبكة.
إدارة العمليات الآلية: في بيئة الشركات، يتم تنفيذ المهام المتكررة من خلال RPA (أتمتة العمليات الروبوتية).
1.2.4 وحدة التعلم
تعتبر وحدة التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين النموذج باستمرار عن طريق إدخال البيانات الناتجة عن التفاعلات في النظام. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز اتخاذ القرارات وكفاءة العمليات.
عادةً ما يتم تحسين وحدات التعلم بالطريقة التالية:
التعلم تحت الإشراف: استخدام البيانات الموصوفة لتدريب النموذج، مما يمكّن وكيل الذكاء الاصطناعي من إكمال المهام بدقة أكبر.
التعلم غير الخاضع للإشراف: اكتشاف الأنماط المحتملة من البيانات غير المعنونة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
التعلم المستمر: من خلال تحديث النموذج بالبيانات في الوقت الفعلي، الحفاظ على أداء الوكيل في بيئة ديناميكية.
1.2.5 التغذية الراجعة الفورية والتعديل
يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق التكيف والمرونة لوكيل الذكاء الاصطناعي.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح وكيل الذكاء الاصطناعي محور التركيز في السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وكمتفاعل اقتصادي مستقل، مما يجلب تحولات للعديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانيات مساحة كتل L1 في الدورة السابقة، فإن وكيل الذكاء الاصطناعي يظهر آفاقًا مماثلة في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء الذكاء الاصطناعي من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي بحلول عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه الزيادة السريعة مدى انتشار وكلاء الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب في السوق الذي أحدثته الابتكارات التكنولوجية.
زاد الاستثمار من قبل الشركات الكبرى في إطار الوكيل مفتوح المصدر بشكل ملحوظ. إن أنشطة تطوير الأطر مثل AutoGen وPhidata وLangGraph من شركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه سوق أكبر خارج مجال التشفير.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
ظهور وكيل الذكاء الاصطناعي: بناء اللب الذكي للاقتصاد الجديد في Web3
مفهوم الذكاء الاصطناعي 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.
من المهم التأكيد على أن هذه المجالات الرأسية لم تبدأ فقط بسبب الابتكار التكنولوجي، بل كانت أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرص بالوقت المناسب، يمكن أن تؤدي إلى تغييرات ضخمة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون عبارة عن وكلاء الذكاء الاصطناعي. بلغت هذه الاتجاهات ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، ووصل إلى قيمة سوقية تبلغ 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بشكل شخصية فتاة الجوار في بث مباشر، مما أشعل جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي؟
الجميع يعرف الفيلم الكلاسيكي "مشكلة حيوية"، حيث يترك النظام الذكي الملكة الحمراء انطباعًا عميقًا. الملكة الحمراء هي نظام ذكاء اصطناعي قوي، تتحكم في المنشآت المعقدة وأنظمة الأمان، ولديها القدرة على استشعار البيئة بشكل مستقل، وتحليل البيانات، واتخاذ إجراءات سريعة.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. وكيل الذكاء الاصطناعي في العالم الحقيقي يلعب دورًا مشابهًا إلى حد ما، حيث إنه "حارس الحكمة" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي والتحليل والتنفيذ. من السيارات الذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من جميع الصناعات، ويعتبر قوة رئيسية في تعزيز الكفاءة والابتكار. هؤلاء الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، يمتلكون قدرات شاملة من إدراك البيئة إلى تنفيذ القرارات، ويتسللون تدريجياً إلى مختلف الصناعات، مما يدفع نحو تحسين مزدوج في الكفاءة والابتكار.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات التي تم جمعها من منصة بيانات أو منصة اجتماعية، لإدارة الحافظة المالية وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار خلال عمليات التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تقسيمه إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إتمام مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يُستخدم في إنشاء المحتوى، بما في ذلك النصوص، التصميم، وحتى تأليف الموسيقى.
3.وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في الأنشطة التسويقية.
في هذا التقرير، سنستكشف بعمق أصول وواقع وآفاق تطبيقات AI Agent، ونحلل كيف تعيد تشكيل المشهد الصناعي، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطوير
تظهر مسيرة تطوير وكيل الذكاء الاصطناعي تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيقات الواسعة. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الطرق الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشاف أولي لمفهوم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرة الحسابية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا تم نشره في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في بريطانيا. عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير للثقة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الوكالات الممولة ). بعد عام 1973، تم تقليص تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مع زيادة مشاعر الشك بشأن إمكانات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارته إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت إدخال المركبات الذاتية التحكم ونشر الذكاء الاصطناعي في جميع القطاعات مثل المالية والرعاية الصحية علامة على توسيع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، شهد مجال الذكاء الاصطناعي أزمة ثانية تُعرف بـ"شتاء الذكاء الاصطناعي"، حيث انهار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية يمثل تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم الكمبيوتر "ديب بلو" من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاشة الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ في التأثير على الحياة اليومية.
مع بداية القرن الحادي والعشرين، دفعت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت المساعدات الافتراضية مثل Siri جدوى الذكاء الاصطناعي في تطبيقات المستهلك. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) علامة فارقة مهمة في تطوير الذكاء الاصطناعي، وخاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، التي تحتوي على مئات المليارات أو حتى آلاف المليارات من المعلمات، قدرات تفوق النماذج التقليدية في توليد وفهم اللغة. لقد سمح أداؤها المتميز في معالجة اللغة الطبيعية لوكلاء الذكاء الاصطناعي بإظهار قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا يمكن وكلاء الذكاء الاصطناعي من التطبيق في مشاهد مثل مساعدات المحادثة وخدمة العملاء الافتراضية، والتوسع تدريجيًا نحو مهام أكثر تعقيدًا مثل التحليل التجاري والكتابة الإبداعية.
تتيح قدرة نموذج اللغة الكبير على التعلم لوكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئة الديناميكية. على سبيل المثال، في إحدى المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات السلوك استنادًا إلى إدخالات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.
من النظام القائم على القواعد في المراحل المبكرة إلى نماذج اللغة الكبيرة الممثلة بـ GPT-4، تعتبر تاريخ تطور وكلاء الذكاء الاصطناعي تاريخًا من التطورات المستمرة في تجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع التقدم الإضافي في التكنولوجيا، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وأكثر تركيزًا على السيناريوهات، وأكثر تنوعًا. لم توفر نماذج اللغة الكبيرة فقط "روح" الذكاء لوكلاء الذكاء الاصطناعي، بل زودتهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع باستمرار تقنية وكلاء الذكاء الاصطناعي نحو التطبيق والتطور، ويقود تجربة مدفوعة بالذكاء الاصطناعي في عصر جديد.
1.2 مبدأ التشغيل
تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها 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.
النواة في AI AGENT هي "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، من أجل حل المشكلات المعقدة بشكل تلقائي. تتبع عملية عمل AI AGENT عادةً الخطوات التالية: الاستشعار، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، ويجمع معلومات البيئة. تشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات وغيرها من الأجهزة لالتقاط البيانات الخارجية، بما في ذلك 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، ويتضمن ذلك عادةً التقنيات التالية:
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج AI AGENT إلى اتخاذ قرارات بناءً على البيانات. يعدّ نموذج الاستدلال واتخاذ القرار "العقل" في النظام بأكمله، حيث يقوم بإجراء استدلال منطقي وتطوير استراتيجيات بناءً على المعلومات المجمعة. باستخدام نماذج اللغة الكبيرة وغيرها من النماذج كمنسّقين أو محركات استدلال، يفهم المهام، وينتج الحلول، ويتعاون مع النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
تستخدم هذه الوحدة عادة التقنيات التالية:
عادةً ما تتضمن عملية الاستدلال عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيراً اختيار الخيار الأمثل للتنفيذ.
1.2.3 تنفيذ الوحدة
وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تحول قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإتمام المهام المحددة. قد يشمل ذلك عمليات فعلية (مثل حركة الروبوتات) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:
1.2.4 وحدة التعلم
تعتبر وحدة التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين النموذج باستمرار عن طريق إدخال البيانات الناتجة عن التفاعلات في النظام. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز اتخاذ القرارات وكفاءة العمليات.
عادةً ما يتم تحسين وحدات التعلم بالطريقة التالية:
1.2.5 التغذية الراجعة الفورية والتعديل
يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق التكيف والمرونة لوكيل الذكاء الاصطناعي.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح وكيل الذكاء الاصطناعي محور التركيز في السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وكمتفاعل اقتصادي مستقل، مما يجلب تحولات للعديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانيات مساحة كتل L1 في الدورة السابقة، فإن وكيل الذكاء الاصطناعي يظهر آفاقًا مماثلة في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء الذكاء الاصطناعي من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي بحلول عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه الزيادة السريعة مدى انتشار وكلاء الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب في السوق الذي أحدثته الابتكارات التكنولوجية.
زاد الاستثمار من قبل الشركات الكبرى في إطار الوكيل مفتوح المصدر بشكل ملحوظ. إن أنشطة تطوير الأطر مثل AutoGen وPhidata وLangGraph من شركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه سوق أكبر خارج مجال التشفير.