AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего

1. Общая информация

1.1 Введение: "Новые партнеры" эры интеллекта

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

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX стали причиной летнего бума DeFi.
• В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
• В 2024 году выдающиеся результаты одной платформы запуска возглавили бум мемкойнов и платформ для запуска.

Важно подчеркнуть, что старт этих вертикальных направлений вызван не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможности встречаются с подходящим моментом, это может привести к огромным изменениям. Смотря в 2025 год, очевидно, что новым направлением в цикле 2025 года станет AI-агент. 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 выпустил Luna, впервые появившись в образе IP живой трансляции соседской девушки, что вызвало волну в всей отрасли.

Итак, что же такое AI Agent?

Все знакомы с классическим фильмом «Обитель зла», впечатляющей фигурой которого является AI система Красная Королева. Красная Королева — это мощная AI система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать решения.

На самом деле, у AI Agent и основных функций Красной Королевы есть много схожих черт. В реальной жизни AI Agent в некоторой степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автономных автомобилей до интеллектуального обслуживания клиентов, AI Agent глубоко внедрился в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам 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 определенной платформы данных или социальной платформы, управляя инвестиционным портфелем в реальном времени и выполняя сделки, постоянно оптимизируя свои показатели в ходе итераций. AI AGENT не является единой формой, а делится на разные категории в зависимости от конкретных 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. Генеративный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.

3. Социальный AI-агент: выступая в качестве лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщества и участвует в маркетинговых мероприятиях.

4. Координационный AI-агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многосетевой интеграции.

В этом отчете мы глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируем, как они меняют ландшафт отрасли, и заглянем в их будущие тенденции развития.

1.1.1 История развития

История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первоначального предложения нейронных сетей и начального изучения концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с большими 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, который был опубликован в 1973 году. Отчет Лайтхилла в основном выражал полное пессимистическое отношение к исследованиям AI после первоначального периода восторга, что привело к огромной потере доверия со стороны академических учреждений( в Великобритании, включая финансовые организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-мертвый сезон", увеличившееся недоверие к потенциалу AI.

В 1980-х годах развитие и коммерциализация экспертных систем заставили мировые компании начать применять технологии ИИ. Этот период стал временем значительных достижений 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 таких отраслях, как финансы и здравоохранение, также ознаменовали расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное ИИ-аппаратное обеспечение, область ИИ пережила вторую "зимнюю спячку ИИ". Кроме того, как масштабировать ИИ-системы и успешно интегрировать их в реальные приложения по-прежнему остается постоянным вызовом. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало вехой в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав влиять на повседневную жизнь.

К началу этого века прогресс в вычислительной мощности способствовал росту глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическую полезность ИИ в потребительских приложениях. В 2010-х годах агенты с подкрепляющим обучением и генеративные модели, такие как GPT-2, достигли дальнейших 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 тех пор как одна компания выпустила серию GPT, модели с крупномасштабным предварительным обучением, состоящие из сотен миллиардов или даже триллионов параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающаяся производительность в области обработки естественного языка позволила ИИ-агентам демонстрировать четкую логику и ясность взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в сценариях, таких как чат-ассистенты и виртуальные службы поддержки, постепенно расширяясь к более сложным задачам (, таким как бизнес-анализ и творческое письмо ).

Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной из AI-управляемых платформ AI-агенты могут корректировать свои стратеги поведения на основе вводимых игроками данных, что действительно позволяет реализовать динамическое взаимодействие.

От ранних систем правил до языковых моделей, представленных GPT-4, история развития AI-агентов является эволюцией, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важной поворотной точкой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Языковые модели не только наполнили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, открывая новую эпоху, управляемую AI.

1.2 Принцип работы

AIAGENT отличается от традиционных роботов тем, что они могут со временем обучаться и адаптироваться, принимая тонкие решения для достижения целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.

核心 AI AGENT заключается в его "интеллекте"------то есть в том, чтобы с помощью алгоритмов моделировать интеллектуальное поведение человека или других существ для автоматизации 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 внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функций похожа на человеческие органы чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, что включает в себя извлечение значимых признаков, распознавание объектов или определение связанных сущностей в окружающей среде. Основная 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 видеоданных.
• Обработка естественного языка ( NLP ): помогает ИИ АГЕНТУ понимать и генерировать человеческий язык.
• Слияние датчиков: объединение данных от нескольких датчиков в единую картину.

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, он основан на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких конкретных функций, как создание контента, визуальная обработка или рекомендательные системы.

Этот модуль обычно использует следующие технологии:

• Правила движка: простые решения на основе предустановленных правил.
• Модели машинного обучения: включая деревья решений, нейронные сети и т. д., используются для сложного распознавания шаблонов и прогнозирования.
• Укрепляющее обучение: позволить ИИ АГЕНТУ постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала идет оценка окружающей среды, затем вычисляются несколько возможных вариантов действий в зависимости от цели, и, наконец, выбирается оптимальный вариант для выполнения.

1.2.3 Выполнение модуля

Исполнительный модуль является "руками и ногами" AI AGENT, который реализует решения, принятые в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения назначенных задач. Это может включать физические операции (, такие как действия робота ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:

• Роботизированная система управления: используется для физических операций, таких как движение роботизированной руки.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым службам.
• Автоматизированное управление процессами: в корпоративной среде с помощью RPA( роботов автоматизации процессов) выполняются повторяющиеся задачи.

1.2.4 Модуль обучения

Учебный модуль является核心竞争力 AI AGENT, он позволяет агентам со временем становиться более умными. Путем постоянного улучшения через обратную связь или "данные маховика", данные, генерируемые в ходе взаимодействия, возвращаются в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения качества принятия решений и операционной эффективности.

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 закономерностей из немаркированных данных, помогающее агенту адаптироваться к новой среде.
• Непрерывное обучение: обновление модели с помощью данных в реальном времени для поддержания производительности агента в динамической среде.

1.2.5 Реальное время обратной связи и корректировки

AI AGENT непрерывно оптимизирует свою производительность через обратную связь. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.

1.3 Текущая ситуация на рынке

1.3.1 Текущее состояние отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, приводя к изменениям в нескольких отраслях. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.

Согласно последнему отчету Markets and Markets, рынок AI Agent, 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 Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.

Крупные компании также значительно увеличили свои инвестиции в открытые прокси-рамки. Разработка таких рамок, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптографии, а TAM также расширяется.