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

1. الخلفية العامة

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها إلى الأمام.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت أحواض السيولة في DEX موجة الصيف في DeFi.
• في عام 2021 ، أدى ظهور العديد من سلسلة الأعمال الفنية NFT إلى علامة على دخول عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق إلى قيادة موجة من memecoin ومنصات الإطلاق.

من الضروري التأكيد على أن بداية هذه المجالات الرأسية لم تكن فقط نتيجة الابتكار التكنولوجي، بل كانت أيضًا نتيجة للتكامل المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة مع التوقيت المناسب، يمكن أن تثير تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكلاء الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، وفي 11 أكتوبر 2024 تم إطلاق رمز معين، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. ثم في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بشكل شخصية البث المباشر لفتاة الجوار، مما أثار ضجة في جميع أنحاء الصناعة.

فما هو عميل الذكاء الاصطناعي بالضبط؟

لا بد أن الجميع على دراية بالفيلم الكلاسيكي "مملكة الحياة"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا قويًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي، يتحكم في المرافق المعقدة وأنظمة الأمان، وقادر على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي، إلى حد ما، دورًا مشابهًا، حيث إنه "حارس الحكمة" 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 جزءًا لا يتجزأ من مختلف الصناعات، ويعتبر قوة رئيسية في تعزيز الكفاءة والابتكار. تتمتع هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، بقدرات شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتنفذ تدريجيًا في مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات التي تم جمعها من منصة بيانات أو منصة تواصل اجتماعي، لإدارة المحفظة وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل ينقسم إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إتمام مهام معينة، مثل التداول، وإدارة المحافظ، أو الاستغلال، ويهدف إلى 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 المجتمعات، ويشارك في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي التناسقي: ينسق التفاعلات المعقدة بين الأنظمة أو المشاركين، وهو مناسب بشكل خاص للتكامل متعدد السلاسل.

في هذا التقرير، سنستكشف بعمق أصول وكفاءة وآفاق تطبيقات وكيل الذكاء الاصطناعي، ونحلل كيف تعيد تشكيل هذه الوكلاء ملامح الصناعة، ونتطلع إلى اتجاهات تطويرها المستقبلية.

1.1.1 تاريخ التطور

عرض تاريخ تطور AI AGENT تحول الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كمجال مستقل. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تتركز بشكل أساسي على الطرق الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA( وهو روبوت محادثة) وDendral( وهو نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشاف مفاهيم التعلم الآلي بشكل ابتدائي. لكن أبحاث الذكاء الاصطناعي في هذه الفترة كانت مقيدة 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 James Lighthill تقريراً نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عبر تقرير Lighthill بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان الثقة الكبيرة من المؤسسات الأكاديمية( بما في ذلك الجهات الممولة) في الذكاء الاصطناعي. بعد عام 1973، انخفضت ميزانية أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، وزادت مشاعر الشك في إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. حققت هذه الفترة تقدمًا كبيرًا في مجالات التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية لأول مرة وتطبيق الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية، كان أيضًا علامة على توسع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، ومع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهدت هذه المجال "شتاء الذكاء الاصطناعي" الثاني. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، تغلب جهاز كمبيوتر IBM ديب بلو على بطل العالم في الشطرنج غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أدى إحياء الشبكات العصبية والتعلم العميق إلى وضع أساس 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، أدت تقدمات القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت مساعدات الذكاء الاصطناعي مثل سيري عملية الاستخدام العملي للذكاء الاصطناعي في التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 المزيد من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) معلمًا مهمًا في تطور الذكاء الاصطناعي، وخاصةً بعد إصدار GPT-4، الذي تم اعتباره نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة ما سلسلة GPT، عرضت النماذج المدربة مسبقًا على نطاق واسع من خلال مئات المليارات بل وحتى آلاف المليارات من المعلمات، قدرة على توليد وفهم اللغة تفوق النماذج التقليدية. أدت أدائها المتميز في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من عرض قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. مما جعل وكلاء الذكاء الاصطناعي قادرين على الاستخدام في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيعها تدريجياً نحو مهام أكثر تعقيدًا ( مثل التحليل التجاري، والكتابة الإبداعية ).

تتيح قدرة التعلم لنماذج اللغة الكبيرة لوكلاء الذكاء الاصطناعي تحقيق مزيد من الاستقلالية. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من النظام القائم على القواعد في البداية إلى نموذج اللغة الكبير الممثل بـ GPT-4 ، فإن تاريخ تطور وكيل الذكاء الاصطناعي هو تاريخ تطور مستمر يتجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من التطور التكنولوجي ، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً ، وسياقية ، وتنوعًا. لم يضف نموذج اللغة الكبير "ذكاء" إلى روح وكيل الذكاء الاصطناعي فحسب ، بل زوده أيضًا بقدرة التعاون عبر المجالات. في المستقبل ، ستظهر منصات مشاريع مبتكرة باستمرار ، مما يدفع تكنولوجيا وكيل الذكاء الاصطناعي إلى التفعيل والتطوير ، مما يقود إلى عصر جديد من التجارب المدفوعة بالذكاء الاصطناعي.

1.2 مبدأ العمل

تختلف AIAGENT عن الروبوتات التقليدية في أنها قادرة على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين ذوي مهارات تقنية عالية ومتطورة باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

تتمثل جوهر AI AGENT في "الذكاء" ------ أي محاكاة السلوك الذكي للبشر أو الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة تلقائيًا. عادةً ما تتبع عملية عمل 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. تشبه وظائف هذه الوحدة الحواس البشرية، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، والتي تشمل استخراج الميزات ذات الدلالة، والتعرف على الكائنات أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الأولية إلى معلومات ذات معنى، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور ومقاطع الفيديو.
• معالجة اللغة الطبيعية ( NLP ): تساعد وكيل الذكاء الاصطناعي على فهم وتوليد 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. تعتبر وحدة الاستدلال واتخاذ القرار "العقل" في النظام بأكمله، حيث تستند إلى المعلومات المجمعة لإجراء الاستدلال المنطقي ووضع الاستراتيجيات. يتم استخدام نماذج اللغة الكبيرة وغيرها لتكون بمثابة منسق أو محرك استدلال، لفهم المهمة، وتوليد الحلول، والتنسيق مع النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

تستخدم هذه الوحدة عادةً التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة استنادًا إلى القواعد المحددة مسبقًا.
• نموذج التعلم الآلي: يشمل أشجار القرار، الشبكات العصبية، وغيرها، ويستخدم في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: جعل وكيل الذكاء الاصطناعي يقوم بتحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.

تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً، تقييم البيئة، ثانياً، حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيراً، اختيار الخيار الأمثل للتنفيذ.

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "يد وقدمي" وكيل الذكاء الاصطناعي، حيث تقوم بتطبيق قرارات وحدة الاستدلال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإكمال المهام المحددة. قد يتضمن ذلك عمليات مادية ( مثل تحركات الروبوت ) 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 قاعدة البيانات أو الوصول إلى خدمات الشبكة.
• إدارة العمليات الآلية: في بيئة الشركات، يتم تنفيذ المهام التكرارية من خلال RPA( أتمتة العمليات الروبوتية).

1.2.4 وحدة التعلم

تعد وحدة التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام باستمرار من خلال إدخال البيانات الناتجة عن التفاعل لزيادة فعالية النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت أداة قوية للشركات لتعزيز اتخاذ القرارات وكفاءة التشغيل.

تُحسَّن وحدات التعلم عادةً بالطريقة التالية:

• التعلم تحت الإشراف: استخدام بيانات معلمة لتدريب النموذج، مما يمكّن وكيل الذكاء الاصطناعي من إكمال المهام بدقة أكبر.
• التعلم غير الخاضع للإشراف: اكتشاف الأنماط الكامنة من البيانات غير المعلَّمة، مما يساعد الوكيل على التكيف مع بيئات جديدة.
• التعلم المستمر: تحديث النموذج من خلال البيانات الحية، للحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 ردود الفعل الفورية والتعديل

يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق تكيف ومرونة وكيل الذكاء الاصطناعي.

1.3 حالة السوق

1.3.1 حالة الصناعة

أصبح وكيل الذكاء الاصطناعي محور تركيز السوق، حيث يجلب تحولاً للعديد من الصناعات بفضل إمكاناته الكبيرة كواجهة للمستهلكين وفاعل اقتصادي مستقل. تمامًا كما كان من الصعب تقدير إمكانات مساحة الكتل من المستوى الأول في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي أيضًا آفاقًا مماثلة 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 بحلول عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه الزيادة السريعة مدى انتشار وكيل الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب السوقي الناتج عن الابتكارات التكنولوجية.

تزايدت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph لشركة معينة أصبحت أكثر نشاطًا، مما يشير إلى أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، كما أن TAM في طريقه للتوسع.