Giải mã AI AGENT: Sức mạnh thông minh hình thành hệ sinh thái kinh tế mới trong tương lai
1. Bối cảnh chung
1.1 Giới thiệu: "Người bạn mới" trong thời đại thông minh
Mỗi chu kỳ tiền điện tử sẽ mang lại cơ sở hạ tầng mới để thúc đẩy sự phát triển của toàn bộ ngành.
Năm 2017, sự trỗi dậy của hợp đồng thông minh đã thúc đẩy sự phát triển mạnh mẽ của ICO.
Năm 2020, các bể thanh khoản của DEX đã mang đến cơn sốt mùa hè DeFi.
Năm 2021, sự ra đời của nhiều bộ sưu tập NFT đánh dấu sự xuất hiện của thời đại đồ sưu tầm kỹ thuật số.
Năm 2024, sự xuất sắc của một nền tảng phóng đã dẫn đầu xu hướng memecoin và nền tảng phóng.
Cần nhấn mạnh rằng, sự khởi đầu trong những lĩnh vực dọc này không chỉ đơn thuần là do đổi mới công nghệ, mà còn là kết quả của sự kết hợp hoàn hảo giữa mô hình tài chính và chu kỳ thị trường bò. Khi cơ hội gặp thời điểm thích hợp, nó có thể tạo ra sự biến đổi lớn. Nhìn về năm 2025, rõ ràng rằng, lĩnh vực mới nổi trong chu kỳ 2025 sẽ là đại lý AI. Xu hướng này đã đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, một mã thông báo đã được ra mắt và vào ngày 15 tháng 10 đã đạt giá trị thị trường 150 triệu USD. Ngay sau đó, vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh phát trực tiếp của hình mẫu cô gái hàng xóm, gây bùng nổ toàn ngành.
Vậy, AI Agent thực sự là gì?
Mọi người chắc chắn không còn xa lạ với bộ phim kinh điển "Sinh Hóa Khủng Hoảng", trong đó hệ thống AI Nữ Hoàng Đỏ để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, điều khiển các cơ sở và hệ thống an ninh phức tạp, có khả năng tự cảm nhận môi trường, phân tích dữ liệu và nhanh chóng hành động.
Trên thực tế, AI Agent có nhiều điểm tương đồng với chức năng cốt lõi của Nữ hoàng trái tim. AI Agent trong thực tế đóng vai trò tương tự ở một mức độ nào đó, chúng là "người bảo vệ trí tuệ" trong lĩnh vực công nghệ hiện đại, giúp doanh nghiệp và cá nhân đối phó với các nhiệm vụ phức tạp thông qua khả năng tự cảm nhận, phân tích và thực hiện. Từ xe hơi tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành nghề, trở thành sức mạnh quan trọng trong việc nâng cao hiệu quả và đổi mới. Những thực thể thông minh tự chủ này, như những thành viên trong đội ngũ vô hình, có khả năng toàn diện từ cảm nhận môi trường đến thực hiện quyết định, dần dần thẩm thấu vào từng ngành nghề, thúc đẩy sự nâng cao kép về hiệu suất và đổi mới.
Ví dụ, một AI AGENT có thể được sử dụng để giao dịch tự động, dựa trên dữ liệu thu thập từ một nền tảng dữ liệu hoặc nền tảng xã hội, quản lý danh mục đầu tư theo thời gian thực và thực hiện giao dịch, liên tục tối ưu hóa hiệu suất của chính nó trong quá trình lặp lại. AI AGENT không phải là một hình thức đơn lẻ, mà được phân loại thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền điện tử:
Đại lý AI thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, như giao dịch, quản lý danh mục đầu tư hoặc chênh lệch giá, nhằm nâng cao độ chính xác trong hoạt động và giảm thời gian cần thiết.
Đại lý AI sáng tạo: được sử dụng để tạo nội dung, bao gồm văn bản, thiết kế và thậm chí sáng tác âm nhạc.
AI Agent xã hội: Là người dẫn dắt ý kiến trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia các hoạt động tiếp thị.
AI Agent điều phối: Điều phối các tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp cho việc tích hợp đa chuỗi.
Trong báo cáo này, chúng tôi sẽ đi sâu vào nguồn gốc, tình trạng hiện tại và triển vọng ứng dụng rộng lớn của AI Agent, phân tích cách chúng tái định hình cấu trúc ngành và dự báo xu hướng phát triển trong tương lai.
1.1.1 Lịch sử phát triển
Quá trình phát triển của AI AGENT cho thấy sự biến đổi của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth vào năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, đặt nền tảng cho AI trở thành một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, dẫn đến sự ra đời của những chương trình AI đầu tiên, như ELIZA (một chatbot) và Dendral (hệ thống chuyên gia trong lĩnh vực hóa học hữu cơ). Giai đoạn này cũng chứng kiến sự xuất hiện lần đầu tiên của mạng nơ-ron và khám phá sơ bộ về khái niệm học máy. Tuy nhiên, nghiên cứu AI trong thời kỳ này bị hạn chế nặng nề bởi khả năng tính toán còn thấp lúc bấy giờ. Các nhà nghiên cứu gặp rất nhiều khó khăn trong việc phát triển các thuật toán xử lý ngôn ngữ tự nhiên và mô phỏng chức năng nhận thức của con người. Ngoài ra, vào năm 1972, nhà toán học James Lighthill đã nộp một báo cáo về tình hình nghiên cứu AI đang diễn ra ở Anh, được công bố vào năm 1973. Báo cáo Lighthill chủ yếu bày tỏ sự bi quan sâu sắc về nghiên cứu AI sau giai đoạn hứng khởi ban đầu, dẫn đến sự mất niềm tin lớn vào AI từ các tổ chức học thuật ở Anh (, bao gồm cả các cơ quan tài trợ ). Sau năm 1973, ngân sách nghiên cứu AI giảm mạnh, lĩnh vực AI đã trải qua "mùa đông AI" đầu tiên, với sự gia tăng nghi ngờ về tiềm năng của AI.
Vào những năm 1980, sự phát triển và thương mại hóa của hệ thống chuyên gia đã khiến các doanh nghiệp toàn cầu bắt đầu áp dụng công nghệ AI. Thời kỳ này đã đạt được những tiến bộ lớn trong học máy, mạng nơ-ron và xử lý ngôn ngữ tự nhiên, thúc đẩy sự xuất hiện của các ứng dụng AI phức tạp hơn. Việc giới thiệu xe tự hành lần đầu tiên cũng như việc triển khai AI trong các ngành như tài chính, y tế đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, khi nhu cầu về phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" thứ hai. Hơn nữa, việc mở rộng quy mô hệ thống AI và tích hợp thành công vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng đồng thời, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đánh dấu một sự kiện quan trọng trong khả năng giải quyết vấn đề phức tạp của AI. Sự hồi sinh của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển của AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong cảnh quan công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.
Vào đầu thế kỷ này, sự tiến bộ của khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã chứng minh tính ứng dụng của AI trong lĩnh vực tiêu dùng. Trong những năm 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá hơn nữa, đưa AI đối thoại lên một tầm cao mới. Trong quá trình này, sự xuất hiện của mô hình ngôn ngữ lớn (Large Language Model, LLM) đã trở thành cột mốc quan trọng trong sự phát triển của AI, đặc biệt là sự ra mắt của GPT-4, được coi là bước ngoặt trong lĩnh vực đại diện AI. Kể từ khi một công ty phát hành series GPT, các mô hình huấn luyện trước quy mô lớn với hàng trăm tỷ thậm chí hàng nghìn tỷ tham số đã thể hiện khả năng sinh và hiểu ngôn ngữ vượt trội hơn các mô hình truyền thống. Hiệu suất xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các đại diện AI thể hiện khả năng tương tác rõ ràng và có tổ chức thông qua việc sinh ngôn ngữ. Điều này đã cho phép các đại diện AI được ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo và dần dần mở rộng tới các nhiệm vụ phức tạp hơn (như phân tích kinh doanh, viết sáng tạo).
Khả năng học tập của mô hình ngôn ngữ lớn cung cấp cho các đại lý AI sự tự chủ cao hơn. Thông qua công nghệ học tăng cường (Reinforcement Learning), các đại lý AI có thể liên tục tối ưu hóa hành vi của chính mình, thích ứng với môi trường động. Ví dụ, trong một nền tảng điều khiển bởi AI nhất định, các đại lý AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được sự tương tác động.
Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện cho GPT-4, lịch sử phát triển của các đại lý AI là một câu chuyện tiến hóa không ngừng vượt qua ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong quá trình này. Với sự phát triển công nghệ ngày càng tiến bộ, các đại lý AI sẽ trở nên thông minh hơn, có ngữ cảnh và đa dạng hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI mà còn cung cấp khả năng hợp tác xuyên lĩnh vực. Trong tương lai, các nền tảng dự án sáng tạo sẽ không ngừng xuất hiện, tiếp tục thúc đẩy việc thực hiện và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm do AI điều khiển.
1.2 Nguyên lý hoạt động
Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích nghi theo thời gian, đưa ra những quyết định tinh vi để đạt được mục tiêu. Chúng có thể được coi là những người tham gia tài năng và đang phát triển không ngừng trong lĩnh vực tiền điện tử, có khả năng hành động độc lập trong nền kinh tế số.
Cốt lõi của AI AGENT nằm ở "trí tuệ" của nó ------ tức là mô phỏng hành vi trí tuệ của con người hoặc sinh vật khác thông qua các thuật toán để tự động giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: cảm nhận, suy luận, hành động, học hỏi, điều chỉnh.
1.2.1 Mô-đun cảm nhận
AI AGENT tương tác với thế giới bên ngoài thông qua mô-đun cảm nhận, thu thập thông tin môi trường. Chức năng của phần này tương tự như các giác quan của con người, sử dụng các thiết bị như cảm biến, camera, microphone để thu thập dữ liệu bên ngoài, bao gồm việc trích xuất các đặc điểm có ý nghĩa, nhận diện đối tượng hoặc xác định các thực thể liên quan trong môi trường. Nhiệm vụ cốt lõi của mô-đun cảm nhận là chuyển đổi dữ liệu thô thành thông tin có ý nghĩa, điều này thường liên quan đến các công nghệ sau:
Thị giác máy tính: được sử dụng để xử lý và hiểu dữ liệu hình ảnh và video.
Xử lý ngôn ngữ tự nhiên (NLP): Giúp AI AGENT hiểu và sinh ra ngôn ngữ của con người.
Kết hợp cảm biến: Tích hợp dữ liệu từ nhiều cảm biến thành một cái nhìn thống nhất.
1.2.2 Mô-đun suy luận và quyết định
Sau khi nhận thức được môi trường, AI AGENT cần đưa ra quyết định dựa trên dữ liệu. Mô-đun suy luận và quyết định là "bộ não" của toàn bộ hệ thống, nó thực hiện suy luận logic và xây dựng chiến lược dựa trên thông tin thu thập được. Sử dụng các mô hình ngôn ngữ lớn như là bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên dụng cho các chức năng cụ thể như tạo nội dung, xử lý hình ảnh hoặc hệ thống gợi ý.
Mô-đun này thường sử dụng các công nghệ sau:
Công cụ quy tắc: Thực hiện quyết định đơn giản dựa trên các quy tắc đã được thiết lập.
Mô hình học máy: bao gồm cây quyết định, mạng nơ-ron, v.v., dùng để nhận diện và dự đoán các mẫu phức tạp.
Học tăng cường: Để AI AGENT liên tục tối ưu hóa chiến lược ra quyết định trong quá trình thử và sai, thích ứng với môi trường thay đổi.
Quá trình suy luận thường bao gồm vài bước: đầu tiên là đánh giá môi trường, sau đó là tính toán nhiều phương án hành động có thể dựa trên mục tiêu, cuối cùng là chọn phương án tối ưu để thực hiện.
1.2.3 Thực thi mô-đun
Mô-đun thực thi là "tay và chân" của AI AGENT, thực hiện các quyết định của mô-đun suy luận. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài để hoàn thành nhiệm vụ được chỉ định. Điều này có thể liên quan đến các hoạt động vật lý (như hành động của robot) hoặc các hoạt động kỹ thuật số (như xử lý dữ liệu). Mô-đun thực thi phụ thuộc vào:
Hệ thống điều khiển robot: dùng cho các hoạt động vật lý, chẳng hạn như chuyển động của cánh tay robot.
Gọi API: Tương tác với hệ thống phần mềm bên ngoài, chẳng hạn như truy vấn cơ sở dữ liệu hoặc truy cập dịch vụ mạng.
Quản lý quy trình tự động: Trong môi trường doanh nghiệp, thực hiện các nhiệm vụ lặp đi lặp lại thông qua RPA (Tự động hóa quy trình bằng robot).
1.2.4 Mô-đun học tập
Mô-đun học là năng lực cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải tiến liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu", phản hồi dữ liệu được tạo ra trong các tương tác vào hệ thống để tăng cường mô hình. Khả năng này, dần dần thích ứng và trở nên hiệu quả hơn theo thời gian, cung cấp cho doanh nghiệp một công cụ mạnh mẽ để nâng cao việc ra quyết định và hiệu quả hoạt động.
Các mô-đun học thường được cải tiến theo các cách sau:
Học có giám sát: Sử dụng dữ liệu được gán nhãn để đào tạo mô hình, giúp AI AGENT hoàn thành nhiệm vụ một cách chính xác hơn.
Học không giám sát: Tìm ra các mẫu tiềm ẩn từ dữ liệu chưa được gán nhãn, giúp đại lý thích nghi với môi trường mới.
Học tập liên tục: Cập nhật mô hình thông qua dữ liệu thời gian thực, giữ cho đại lý hoạt động trong môi trường động.
1.2.5 Phản hồi và điều chỉnh thời gian thực
AI AGENT tối ưu hóa hiệu suất của mình thông qua chu trình phản hồi liên tục. Kết quả của mỗi hành động sẽ được ghi lại và sử dụng để điều chỉnh các quyết định trong tương lai. Hệ thống khép kín này đảm bảo khả năng tự thích ứng và linh hoạt của AI AGENT.
1.3 Tình hình thị trường
1.3.1 Tình trạng ngành
AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng lớn của nó như một giao diện người tiêu dùng và một thực thể kinh tế tự chủ, mang lại sự chuyển mình cho nhiều ngành. Giống như tiềm năng của không gian khối L1 trong chu kỳ trước khó có thể đánh giá, AI AGENT cũng thể hiện triển vọng tương tự trong chu kỳ này.
Theo báo cáo mới nhất của Markets and Markets, thị trường AI Agent dự kiến sẽ tăng từ 5,1 tỷ USD vào năm 2024 lên 47,1 tỷ USD vào năm 2030, với tỷ lệ tăng trưởng hàng năm (CAGR) lên tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành khác nhau, cũng như nhu cầu thị trường do đổi mới công nghệ mang lại.
Các công ty lớn cũng đã tăng cường đầu tư vào các khung đại lý mã nguồn mở. Hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang trở nên ngày càng sôi động, điều này cho thấy AI AGENT có thị trường lớn hơn ngoài lĩnh vực tiền điện tử.
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.
Sự trỗi dậy của AI AGENT: Tạo ra lõi thông minh cho hệ sinh thái kinh tế mới Web3
Giải mã AI AGENT: Sức mạnh thông minh hình thành hệ sinh thái kinh tế mới trong tương lai
1. Bối cảnh chung
1.1 Giới thiệu: "Người bạn mới" trong thời đại thông minh
Mỗi chu kỳ tiền điện tử sẽ mang lại cơ sở hạ tầng mới để thúc đẩy sự phát triển của toàn bộ ngành.
Cần nhấn mạnh rằng, sự khởi đầu trong những lĩnh vực dọc này không chỉ đơn thuần là do đổi mới công nghệ, mà còn là kết quả của sự kết hợp hoàn hảo giữa mô hình tài chính và chu kỳ thị trường bò. Khi cơ hội gặp thời điểm thích hợp, nó có thể tạo ra sự biến đổi lớn. Nhìn về năm 2025, rõ ràng rằng, lĩnh vực mới nổi trong chu kỳ 2025 sẽ là đại lý AI. Xu hướng này đã đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, một mã thông báo đã được ra mắt và vào ngày 15 tháng 10 đã đạt giá trị thị trường 150 triệu USD. Ngay sau đó, vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh phát trực tiếp của hình mẫu cô gái hàng xóm, gây bùng nổ toàn ngành.
Vậy, AI Agent thực sự là gì?
Mọi người chắc chắn không còn xa lạ với bộ phim kinh điển "Sinh Hóa Khủng Hoảng", trong đó hệ thống AI Nữ Hoàng Đỏ để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, điều khiển các cơ sở và hệ thống an ninh phức tạp, có khả năng tự cảm nhận môi trường, phân tích dữ liệu và nhanh chóng hành động.
Trên thực tế, AI Agent có nhiều điểm tương đồng với chức năng cốt lõi của Nữ hoàng trái tim. AI Agent trong thực tế đóng vai trò tương tự ở một mức độ nào đó, chúng là "người bảo vệ trí tuệ" trong lĩnh vực công nghệ hiện đại, giúp doanh nghiệp và cá nhân đối phó với các nhiệm vụ phức tạp thông qua khả năng tự cảm nhận, phân tích và thực hiện. Từ xe hơi tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành nghề, trở thành sức mạnh quan trọng trong việc nâng cao hiệu quả và đổi mới. Những thực thể thông minh tự chủ này, như những thành viên trong đội ngũ vô hình, có khả năng toàn diện từ cảm nhận môi trường đến thực hiện quyết định, dần dần thẩm thấu vào từng ngành nghề, thúc đẩy sự nâng cao kép về hiệu suất và đổi mới.
Ví dụ, một AI AGENT có thể được sử dụng để giao dịch tự động, dựa trên dữ liệu thu thập từ một nền tảng dữ liệu hoặc nền tảng xã hội, quản lý danh mục đầu tư theo thời gian thực và thực hiện giao dịch, liên tục tối ưu hóa hiệu suất của chính nó trong quá trình lặp lại. AI AGENT không phải là một hình thức đơn lẻ, mà được phân loại thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền điện tử:
Đại lý AI thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, như giao dịch, quản lý danh mục đầu tư hoặc chênh lệch giá, nhằm nâng cao độ chính xác trong hoạt động và giảm thời gian cần thiết.
Đại lý AI sáng tạo: được sử dụng để tạo nội dung, bao gồm văn bản, thiết kế và thậm chí sáng tác âm nhạc.
AI Agent xã hội: Là người dẫn dắt ý kiến trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia các hoạt động tiếp thị.
AI Agent điều phối: Điều phối các tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp cho việc tích hợp đa chuỗi.
Trong báo cáo này, chúng tôi sẽ đi sâu vào nguồn gốc, tình trạng hiện tại và triển vọng ứng dụng rộng lớn của AI Agent, phân tích cách chúng tái định hình cấu trúc ngành và dự báo xu hướng phát triển trong tương lai.
1.1.1 Lịch sử phát triển
Quá trình phát triển của AI AGENT cho thấy sự biến đổi của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth vào năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, đặt nền tảng cho AI trở thành một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, dẫn đến sự ra đời của những chương trình AI đầu tiên, như ELIZA (một chatbot) và Dendral (hệ thống chuyên gia trong lĩnh vực hóa học hữu cơ). Giai đoạn này cũng chứng kiến sự xuất hiện lần đầu tiên của mạng nơ-ron và khám phá sơ bộ về khái niệm học máy. Tuy nhiên, nghiên cứu AI trong thời kỳ này bị hạn chế nặng nề bởi khả năng tính toán còn thấp lúc bấy giờ. Các nhà nghiên cứu gặp rất nhiều khó khăn trong việc phát triển các thuật toán xử lý ngôn ngữ tự nhiên và mô phỏng chức năng nhận thức của con người. Ngoài ra, vào năm 1972, nhà toán học James Lighthill đã nộp một báo cáo về tình hình nghiên cứu AI đang diễn ra ở Anh, được công bố vào năm 1973. Báo cáo Lighthill chủ yếu bày tỏ sự bi quan sâu sắc về nghiên cứu AI sau giai đoạn hứng khởi ban đầu, dẫn đến sự mất niềm tin lớn vào AI từ các tổ chức học thuật ở Anh (, bao gồm cả các cơ quan tài trợ ). Sau năm 1973, ngân sách nghiên cứu AI giảm mạnh, lĩnh vực AI đã trải qua "mùa đông AI" đầu tiên, với sự gia tăng nghi ngờ về tiềm năng của AI.
Vào những năm 1980, sự phát triển và thương mại hóa của hệ thống chuyên gia đã khiến các doanh nghiệp toàn cầu bắt đầu áp dụng công nghệ AI. Thời kỳ này đã đạt được những tiến bộ lớn trong học máy, mạng nơ-ron và xử lý ngôn ngữ tự nhiên, thúc đẩy sự xuất hiện của các ứng dụng AI phức tạp hơn. Việc giới thiệu xe tự hành lần đầu tiên cũng như việc triển khai AI trong các ngành như tài chính, y tế đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, khi nhu cầu về phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" thứ hai. Hơn nữa, việc mở rộng quy mô hệ thống AI và tích hợp thành công vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng đồng thời, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đánh dấu một sự kiện quan trọng trong khả năng giải quyết vấn đề phức tạp của AI. Sự hồi sinh của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển của AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong cảnh quan công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.
Vào đầu thế kỷ này, sự tiến bộ của khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã chứng minh tính ứng dụng của AI trong lĩnh vực tiêu dùng. Trong những năm 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá hơn nữa, đưa AI đối thoại lên một tầm cao mới. Trong quá trình này, sự xuất hiện của mô hình ngôn ngữ lớn (Large Language Model, LLM) đã trở thành cột mốc quan trọng trong sự phát triển của AI, đặc biệt là sự ra mắt của GPT-4, được coi là bước ngoặt trong lĩnh vực đại diện AI. Kể từ khi một công ty phát hành series GPT, các mô hình huấn luyện trước quy mô lớn với hàng trăm tỷ thậm chí hàng nghìn tỷ tham số đã thể hiện khả năng sinh và hiểu ngôn ngữ vượt trội hơn các mô hình truyền thống. Hiệu suất xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các đại diện AI thể hiện khả năng tương tác rõ ràng và có tổ chức thông qua việc sinh ngôn ngữ. Điều này đã cho phép các đại diện AI được ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo và dần dần mở rộng tới các nhiệm vụ phức tạp hơn (như phân tích kinh doanh, viết sáng tạo).
Khả năng học tập của mô hình ngôn ngữ lớn cung cấp cho các đại lý AI sự tự chủ cao hơn. Thông qua công nghệ học tăng cường (Reinforcement Learning), các đại lý AI có thể liên tục tối ưu hóa hành vi của chính mình, thích ứng với môi trường động. Ví dụ, trong một nền tảng điều khiển bởi AI nhất định, các đại lý AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được sự tương tác động.
Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện cho GPT-4, lịch sử phát triển của các đại lý AI là một câu chuyện tiến hóa không ngừng vượt qua ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong quá trình này. Với sự phát triển công nghệ ngày càng tiến bộ, các đại lý AI sẽ trở nên thông minh hơn, có ngữ cảnh và đa dạng hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI mà còn cung cấp khả năng hợp tác xuyên lĩnh vực. Trong tương lai, các nền tảng dự án sáng tạo sẽ không ngừng xuất hiện, tiếp tục thúc đẩy việc thực hiện và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm do AI điều khiển.
1.2 Nguyên lý hoạt động
Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích nghi theo thời gian, đưa ra những quyết định tinh vi để đạt được mục tiêu. Chúng có thể được coi là những người tham gia tài năng và đang phát triển không ngừng trong lĩnh vực tiền điện tử, có khả năng hành động độc lập trong nền kinh tế số.
Cốt lõi của AI AGENT nằm ở "trí tuệ" của nó ------ tức là mô phỏng hành vi trí tuệ của con người hoặc sinh vật khác thông qua các thuật toán để tự động giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: cảm nhận, suy luận, hành động, học hỏi, điều chỉnh.
1.2.1 Mô-đun cảm nhận
AI AGENT tương tác với thế giới bên ngoài thông qua mô-đun cảm nhận, thu thập thông tin môi trường. Chức năng của phần này tương tự như các giác quan của con người, sử dụng các thiết bị như cảm biến, camera, microphone để thu thập dữ liệu bên ngoài, bao gồm việc trích xuất các đặc điểm có ý nghĩa, nhận diện đối tượng hoặc xác định các thực thể liên quan trong môi trường. Nhiệm vụ cốt lõi của mô-đun cảm nhận là chuyển đổi dữ liệu thô thành thông tin có ý nghĩa, điều này thường liên quan đến các công nghệ sau:
1.2.2 Mô-đun suy luận và quyết định
Sau khi nhận thức được môi trường, AI AGENT cần đưa ra quyết định dựa trên dữ liệu. Mô-đun suy luận và quyết định là "bộ não" của toàn bộ hệ thống, nó thực hiện suy luận logic và xây dựng chiến lược dựa trên thông tin thu thập được. Sử dụng các mô hình ngôn ngữ lớn như là bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên dụng cho các chức năng cụ thể như tạo nội dung, xử lý hình ảnh hoặc hệ thống gợi ý.
Mô-đun này thường sử dụng các công nghệ sau:
Quá trình suy luận thường bao gồm vài bước: đầu tiên là đánh giá môi trường, sau đó là tính toán nhiều phương án hành động có thể dựa trên mục tiêu, cuối cùng là chọn phương án tối ưu để thực hiện.
1.2.3 Thực thi mô-đun
Mô-đun thực thi là "tay và chân" của AI AGENT, thực hiện các quyết định của mô-đun suy luận. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài để hoàn thành nhiệm vụ được chỉ định. Điều này có thể liên quan đến các hoạt động vật lý (như hành động của robot) hoặc các hoạt động kỹ thuật số (như xử lý dữ liệu). Mô-đun thực thi phụ thuộc vào:
1.2.4 Mô-đun học tập
Mô-đun học là năng lực cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải tiến liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu", phản hồi dữ liệu được tạo ra trong các tương tác vào hệ thống để tăng cường mô hình. Khả năng này, dần dần thích ứng và trở nên hiệu quả hơn theo thời gian, cung cấp cho doanh nghiệp một công cụ mạnh mẽ để nâng cao việc ra quyết định và hiệu quả hoạt động.
Các mô-đun học thường được cải tiến theo các cách sau:
1.2.5 Phản hồi và điều chỉnh thời gian thực
AI AGENT tối ưu hóa hiệu suất của mình thông qua chu trình phản hồi liên tục. Kết quả của mỗi hành động sẽ được ghi lại và sử dụng để điều chỉnh các quyết định trong tương lai. Hệ thống khép kín này đảm bảo khả năng tự thích ứng và linh hoạt của AI AGENT.
1.3 Tình hình thị trường
1.3.1 Tình trạng ngành
AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng lớn của nó như một giao diện người tiêu dùng và một thực thể kinh tế tự chủ, mang lại sự chuyển mình cho nhiều ngành. Giống như tiềm năng của không gian khối L1 trong chu kỳ trước khó có thể đánh giá, AI AGENT cũng thể hiện triển vọng tương tự trong chu kỳ này.
Theo báo cáo mới nhất của Markets and Markets, thị trường AI Agent dự kiến sẽ tăng từ 5,1 tỷ USD vào năm 2024 lên 47,1 tỷ USD vào năm 2030, với tỷ lệ tăng trưởng hàng năm (CAGR) lên tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành khác nhau, cũng như nhu cầu thị trường do đổi mới công nghệ mang lại.
Các công ty lớn cũng đã tăng cường đầu tư vào các khung đại lý mã nguồn mở. Hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang trở nên ngày càng sôi động, điều này cho thấy AI AGENT có thị trường lớn hơn ngoài lĩnh vực tiền điện tử.