وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل
1. خلفية عامة
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 موجة من memecoin ومنصات الإطلاق.
من المهم التأكيد على أن بداية هذه المجالات الرأسية ليست مجرد نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة للتكامل المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تتقاطع الفرص مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون هي وكالات الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق عملة معينة في 11 أكتوبر 2024، ووصلت قيمتها السوقية إلى 150 مليون دولار في 15 أكتوبر. ثم، في 16 أكتوبر، أطلق بروتوكول معين عملة لونا، حيث ظهرت لأول مرة بشكل صورة مباشرة من IP لفتاة الجوار، مما أشعل الصناعة بأكملها.
إذن، ما هو وكيل الذكاء الاصطناعي؟
لا شك أن الجميع على دراية بالفيلم الكلاسيكي "أزمة الحياة"، حيث يترك نظام الذكاء الاصطناعي "ملكة القلب الأحمر" انطباعًا قويًا. "ملكة القلب الأحمر" هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة أمان، قادر على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة بشكل مستقل.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. تلعب وكالات الذكاء الاصطناعي في العالم الحقيقي دورًا مشابهًا إلى حد ما، فهي "حماة الحكمة" في مجال التكنولوجيا الحديثة، حيث تساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي والتحليل والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبحت وكالات الذكاء الاصطناعي متغلغلة في جميع المجالات، وأصبحت قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تتمتع بقدرة شاملة تتراوح من إدراك البيئة إلى تنفيذ القرارات، وتعمل تدريجيًا على اختراق مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في تداول آلي، بناءً على البيانات المجمعة من منصة بيانات معينة أو منصة تواصل اجتماعي، لإدارة المحفظة الاستثمارية وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائه باستمرار خلال عمليات التكرار. وكيل الذكاء الاصطناعي ليس له شكل واحد، بل يتم تقسيمه إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام معينة، 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، والتصميم، وحتى تأليف الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في أنشطة التسويق.
وكيل الذكاء الاصطناعي التعاوني: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل بين سلاسل الكتل المتعددة.
في هذا التقرير، سنستكشف بعمق أصل وكلاء الذكاء الاصطناعي، وضعهم الحالي وآفاق تطبيقاتهم الواسعة، وسنحلل كيف يعيدون تشكيل ملامح الصناعة، ونتطلع إلى اتجاهات تطورهم المستقبلية.
1.1.1 تاريخ التطوير
تاريخ تطور وكيل الذكاء الاصطناعي يظهر تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل رئيسي على الأساليب الرمزية، مما أدى إلى نشوء أول برامج الذكاء الاصطناعي، مثل ELIZA( وهو روبوت محادثة) وDendral( نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا أول اقتراح لشبكات الأعصاب واستكشاف أولي لمفهوم التعلم الآلي. لكن بحث الذكاء الاصطناعي في تلك الفترة كان مقيدًا بشدة بسبب قيود القدرة الحاسوبية 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 البحث في الذكاء الاصطناعي الجاري في المملكة المتحدة. عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل بشأن البحث في الذكاء الاصطناعي بعد فترة الحماس الأولية، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية( بما في ذلك الجهات الممولة) تجاه الذكاء الاصطناعي. بعد عام 1973، تم تقليص التمويل لبحوث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، وزادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية والاعتماد على الذكاء الاصطناعي في مختلف الصناعات مثل المالية والطب، كان أيضًا علامة على توسع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وبداية التسعينيات، مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المتخصصة، شهدت مجال الذكاء الاصطناعي "شتاءً ثانياً". بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، هزم حاسوب ديب بلو من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أعد إحياء الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
في بداية هذا القرن، دفعت التطورات في القدرة الحاسوبية بروز التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل Siri جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في عقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 المزيد من الاختراقات، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النموذج اللغوي الكبير (Large Language Model، LLM) علامة بارزة في تطور الذكاء الاصطناعي، خاصةً مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ إصدار OpenAI لسلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع من خلال عشرات المليارات أو حتى مئات المليارات من المعلمات قدرة متفوقة على توليد وفهم اللغة مقارنة بالنماذج التقليدية. لقد مكن أداؤها الاستثنائي في معالجة اللغة الطبيعية وكلاء الذكاء الاصطناعي من عرض قدرات تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا سمح لوكلاء الذكاء الاصطناعي بالتطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا ( مثل التحليل التجاري، والكتابة الإبداعية ).
تتيح قدرة نماذج اللغة الكبيرة على التعلم لوكلاء الذكاء الاصطناعي مستوى أعلى من الاستقلالية. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في بعض المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلاً ديناميكياً حقيقياً.
تاريخ تطور وكلاء الذكاء الاصطناعي من الأنظمة القاعدية المبكرة إلى نماذج اللغة الكبيرة التي تمثلها GPT-4 هو تاريخ من التطور الذي يتجاوز الحدود التكنولوجية باستمرار. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وملاءمةً، وتنوعًا. لم تُضف نماذج اللغة الكبيرة فقط "روح" الذكاء إلى وكلاء الذكاء الاصطناعي، بل زودتهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع باستمرار لتطبيق وتطوير تقنية وكلاء الذكاء الاصطناعي، وقيادة عصر جديد مدفوع بالذكاء الاصطناعي.
1.2 مبدأ العمل
تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها لاعبين بارزين ومتطورين في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
الجوهر في AI AGENT هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوكيات الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة تلقائيًا. عادةً ما تتبع سير العمل في AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
تتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، حيث تجمع معلومات البيئة. تشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات 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، وغالبًا ما يتضمن ذلك التقنيات التالية:
رؤية الكمبيوتر: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
معالجة اللغة الطبيعية(NLP): مساعدة وكيل الذكاء الاصطناعي على فهم وإنتاج اللغة البشرية.
دمج المستشعرات: دمج بيانات من عدة مستشعرات في عرض موحد.
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. إن وحدة الاستدلال واتخاذ القرار هي "دماغ" النظام بأكمله، حيث تستند إلى المعلومات المجمعة لإجراء الاستدلال المنطقي ووضع الاستراتيجيات. باستخدام نماذج اللغة الكبيرة وغيرها من النماذج كمنسقين أو محركات استدلال، لفهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة للاستخدام في إنشاء المحتوى أو معالجة الصور أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً التقنيات التالية:
محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، تستخدم في التعرف على الأنماط المعقدة والتنبؤ.
التعلم المعزز: جعل وكيل الذكاء الاصطناعي يواصل تحسين استراتيجيات اتخاذ القرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خيارات عمل ممكنة بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.
1.2.3 تنفيذ الوحدة
وحدة التنفيذ هي "يد ورجل" AI AGENT، حيث تُحوّل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يتضمن ذلك عمليات فعلية ( مثل حركة الروبوتات ) أو عمليات رقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:
نظام التحكم في الروبوتات: للاستخدام في العمليات الفيزيائية، مثل حركة الذراع الروبوتية.
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 أتمتة العمليات الروبوتية RPA(.
)# 1.2.4 وحدة التعلم
تعد وحدة التعلم هي القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تتيح للوكلاء أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام بشكل مستمر عن طريق إعادة البيانات المولدة أثناء التفاعل إلى النظام لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتحسين اتخاذ القرارات وكفاءة التشغيل.
تتم تحسين وحدات التعلم عادةً من خلال الطرق التالية:
التعلم تحت الإشراف: استخدام البيانات المعنونة لتدريب النموذج، مما يجعل وكيل الذكاء الاصطناعي قادرًا على إكمال المهام بدقة أكبر.
التعلم غير المراقب: اكتشاف الأنماط الكامنة من البيانات غير المعنونة، لمساعدة الوكلاء على التكيف مع بيئات جديدة.
التعلم المستمر: من خلال تحديث النموذج بالبيانات في الوقت الحقيقي، حافظ على أداء الوكيل في بيئة ديناميكية.
1.2.5 التغذية الراجعة الفورية والتعديل
تحسن الوكيل الذكي أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق تكيف الوكيل الذكي ومرونته.
![وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(
) 1.3 حالة السوق
1.3.1 حالة الصناعة
تبدأ وكالات الذكاء الاصطناعي في أن تصبح محور اهتمام السوق، بفضل إمكانياتها الكبيرة كواجهة للمستهلكين وعوامل اقتصادية مستقلة، مما يجلب تغييرات للعديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانات مساحة الكتل L1 في الدورة السابقة، فإن وكالات الذكاء الاصطناعي تظهر نفس الآفاق في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء الذكاء الاصطناعي من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار في عام 2030، بمعدل نمو سنوي مركب يصل إلى 44.8%. تعكس هذه الزيادة السريعة قوة نفاذ وكلاء الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.
لقد زادت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen و Phidata و LangGraph التابعة لشركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، وأن TAM أيضًا في
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.
تسجيلات الإعجاب 11
أعجبني
11
3
مشاركة
تعليق
0/400
MemeCurator
· 07-05 01:53
2025 حان دور الذكاء الاصطناعي الموجة التالية من AIT
شاهد النسخة الأصليةرد0
DeFiGrayling
· 07-05 01:45
مقالة أخرى تتحدث عن توقعات مستقبل الأبطال، لقد سئمت من هذا.
AI Agent: القوة الذكية التي تشكل نظامًا بيئيًا جديدًا للاقتصاد التشفيري
وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل
1. خلفية عامة
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 بداية هذه المجالات الرأسية ليست مجرد نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة للتكامل المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تتقاطع الفرص مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون هي وكالات الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق عملة معينة في 11 أكتوبر 2024، ووصلت قيمتها السوقية إلى 150 مليون دولار في 15 أكتوبر. ثم، في 16 أكتوبر، أطلق بروتوكول معين عملة لونا، حيث ظهرت لأول مرة بشكل صورة مباشرة من IP لفتاة الجوار، مما أشعل الصناعة بأكملها.
إذن، ما هو وكيل الذكاء الاصطناعي؟
لا شك أن الجميع على دراية بالفيلم الكلاسيكي "أزمة الحياة"، حيث يترك نظام الذكاء الاصطناعي "ملكة القلب الأحمر" انطباعًا قويًا. "ملكة القلب الأحمر" هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة أمان، قادر على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة بشكل مستقل.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. تلعب وكالات الذكاء الاصطناعي في العالم الحقيقي دورًا مشابهًا إلى حد ما، فهي "حماة الحكمة" في مجال التكنولوجيا الحديثة، حيث تساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي والتحليل والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبحت وكالات الذكاء الاصطناعي متغلغلة في جميع المجالات، وأصبحت قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تتمتع بقدرة شاملة تتراوح من إدراك البيئة إلى تنفيذ القرارات، وتعمل تدريجيًا على اختراق مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في تداول آلي، بناءً على البيانات المجمعة من منصة بيانات معينة أو منصة تواصل اجتماعي، لإدارة المحفظة الاستثمارية وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائه باستمرار خلال عمليات التكرار. وكيل الذكاء الاصطناعي ليس له شكل واحد، بل يتم تقسيمه إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام معينة، 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، والتصميم، وحتى تأليف الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في أنشطة التسويق.
وكيل الذكاء الاصطناعي التعاوني: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل بين سلاسل الكتل المتعددة.
في هذا التقرير، سنستكشف بعمق أصل وكلاء الذكاء الاصطناعي، وضعهم الحالي وآفاق تطبيقاتهم الواسعة، وسنحلل كيف يعيدون تشكيل ملامح الصناعة، ونتطلع إلى اتجاهات تطورهم المستقبلية.
1.1.1 تاريخ التطوير
تاريخ تطور وكيل الذكاء الاصطناعي يظهر تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل رئيسي على الأساليب الرمزية، مما أدى إلى نشوء أول برامج الذكاء الاصطناعي، مثل ELIZA( وهو روبوت محادثة) وDendral( نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا أول اقتراح لشبكات الأعصاب واستكشاف أولي لمفهوم التعلم الآلي. لكن بحث الذكاء الاصطناعي في تلك الفترة كان مقيدًا بشدة بسبب قيود القدرة الحاسوبية 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 البحث في الذكاء الاصطناعي الجاري في المملكة المتحدة. عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل بشأن البحث في الذكاء الاصطناعي بعد فترة الحماس الأولية، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية( بما في ذلك الجهات الممولة) تجاه الذكاء الاصطناعي. بعد عام 1973، تم تقليص التمويل لبحوث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، وزادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية والاعتماد على الذكاء الاصطناعي في مختلف الصناعات مثل المالية والطب، كان أيضًا علامة على توسع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وبداية التسعينيات، مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المتخصصة، شهدت مجال الذكاء الاصطناعي "شتاءً ثانياً". بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، هزم حاسوب ديب بلو من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أعد إحياء الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
في بداية هذا القرن، دفعت التطورات في القدرة الحاسوبية بروز التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل Siri جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في عقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 المزيد من الاختراقات، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النموذج اللغوي الكبير (Large Language Model، LLM) علامة بارزة في تطور الذكاء الاصطناعي، خاصةً مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ إصدار OpenAI لسلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع من خلال عشرات المليارات أو حتى مئات المليارات من المعلمات قدرة متفوقة على توليد وفهم اللغة مقارنة بالنماذج التقليدية. لقد مكن أداؤها الاستثنائي في معالجة اللغة الطبيعية وكلاء الذكاء الاصطناعي من عرض قدرات تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا سمح لوكلاء الذكاء الاصطناعي بالتطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا ( مثل التحليل التجاري، والكتابة الإبداعية ).
تتيح قدرة نماذج اللغة الكبيرة على التعلم لوكلاء الذكاء الاصطناعي مستوى أعلى من الاستقلالية. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في بعض المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلاً ديناميكياً حقيقياً.
تاريخ تطور وكلاء الذكاء الاصطناعي من الأنظمة القاعدية المبكرة إلى نماذج اللغة الكبيرة التي تمثلها GPT-4 هو تاريخ من التطور الذي يتجاوز الحدود التكنولوجية باستمرار. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وملاءمةً، وتنوعًا. لم تُضف نماذج اللغة الكبيرة فقط "روح" الذكاء إلى وكلاء الذكاء الاصطناعي، بل زودتهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع باستمرار لتطبيق وتطوير تقنية وكلاء الذكاء الاصطناعي، وقيادة عصر جديد مدفوع بالذكاء الاصطناعي.
1.2 مبدأ العمل
تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها لاعبين بارزين ومتطورين في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
الجوهر في AI AGENT هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوكيات الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة تلقائيًا. عادةً ما تتبع سير العمل في AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
تتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، حيث تجمع معلومات البيئة. تشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات 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، وغالبًا ما يتضمن ذلك التقنيات التالية:
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. إن وحدة الاستدلال واتخاذ القرار هي "دماغ" النظام بأكمله، حيث تستند إلى المعلومات المجمعة لإجراء الاستدلال المنطقي ووضع الاستراتيجيات. باستخدام نماذج اللغة الكبيرة وغيرها من النماذج كمنسقين أو محركات استدلال، لفهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة للاستخدام في إنشاء المحتوى أو معالجة الصور أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً التقنيات التالية:
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خيارات عمل ممكنة بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.
1.2.3 تنفيذ الوحدة
وحدة التنفيذ هي "يد ورجل" AI AGENT، حيث تُحوّل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يتضمن ذلك عمليات فعلية ( مثل حركة الروبوتات ) أو عمليات رقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:
)# 1.2.4 وحدة التعلم
تعد وحدة التعلم هي القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تتيح للوكلاء أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام بشكل مستمر عن طريق إعادة البيانات المولدة أثناء التفاعل إلى النظام لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتحسين اتخاذ القرارات وكفاءة التشغيل.
تتم تحسين وحدات التعلم عادةً من خلال الطرق التالية:
1.2.5 التغذية الراجعة الفورية والتعديل
تحسن الوكيل الذكي أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق تكيف الوكيل الذكي ومرونته.
![وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(
) 1.3 حالة السوق
1.3.1 حالة الصناعة
تبدأ وكالات الذكاء الاصطناعي في أن تصبح محور اهتمام السوق، بفضل إمكانياتها الكبيرة كواجهة للمستهلكين وعوامل اقتصادية مستقلة، مما يجلب تغييرات للعديد من الصناعات. تمامًا كما كان من الصعب تقدير إمكانات مساحة الكتل L1 في الدورة السابقة، فإن وكالات الذكاء الاصطناعي تظهر نفس الآفاق في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء الذكاء الاصطناعي من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار في عام 2030، بمعدل نمو سنوي مركب يصل إلى 44.8%. تعكس هذه الزيادة السريعة قوة نفاذ وكلاء الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.
لقد زادت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen و Phidata و LangGraph التابعة لشركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، وأن TAM أيضًا في