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، شهدت العديد من أعمال سلسلة NFT ظهورها، مما يدل على بداية عصر المقتنيات الرقمية.
في عام 2024 ، أدت الأداء الممتاز لمنصة الإطلاق إلى قيادة موجة memecoin ومنصات الإطلاق.
من المهم التأكيد على أن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة بالوقت المناسب، يمكن أن تؤدي إلى 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، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، ليظهر لأول مرة بصورة فتاة الجوار في بث مباشر، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي بالضبط؟
الجميع على دراية بالفيلم الكلاسيكي "Resident Evil"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. "ملكة القلب الأحمر" هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة الأمان، ولديه القدرة على الإدراك الذاتي للبيئة، 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 دورًا مشابهًا إلى حد ما، حيث يعتبر "حارس الحكمة" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي، والتحليل، والتنفيذ، يساعد الشركات والأفراد في مواجهة المهام المعقدة. 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. هؤلاء الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، يمتلكون القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، ويتسللون تدريجياً إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي للتداول الآلي، استنادًا إلى البيانات المجمعة من منصة بيانات أو منصة اجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائه باستمرار من خلال التكرارات. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل ينقسم 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 الاستفادة، بهدف تحسين دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى إنشاء الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، ويبني مجتمعًا، ويشارك في الحملات التسويقية.
وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل متعددة.
في هذا التقرير، سنتناول بعمق أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، وسنحلل كيف تعيد تشكيل هذه الوكلاء ملامح الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطور
تظهر مسيرة تطور وكيل الذكاء الاصطناعي (AI AGENT) تحول الذكاء الاصطناعي من البحث الأساسي إلى تطبيق واسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالًا مستقلاً. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا أول طرح للشبكات العصبية واستكشاف مفهوم التعلم الآلي بشكل أولي. ولكن أبحاث الذكاء الاصطناعي في ذلك الوقت كانت مقيدة بشدة بسبب قيود القدرات الحاسوبية السائدة. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم الرياضي James Lighthill تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في بريطانيا. عكس تقرير Lighthill بشكل أساسي تفاؤلًا مفرطًا حول أبحاث الذكاء الاصطناعي بعد فترة الإثارة المبكرة، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات الممولة ) تجاه الذكاء الاصطناعي. بعد عام 1973، انخفضت ميزانيات أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتCommercialization إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. حقق هذا العصر تقدمًا كبيرًا في مجالات التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت مقدمة السيارات الذاتية القيادة ونشر الذكاء الاصطناعي في مختلف الصناعات مثل المالية والرعاية الصحية، بمثابة علامة على توسع تكنولوجيا الذكاء الاصطناعي. ولكن في أواخر الثمانينات وأوائل التسعينات، مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المتخصصة، شهد مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي". علاوة على ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، تغلبت كمبيوتر ديب بلو من IBM على بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاش الشبكات العصبية والتعلم العميق قاعدة لتطور الذكاء الاصطناعي في أواخر التسعينات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
بحلول أوائل القرن الحادي والعشرين، أدت التقدمات في القدرة الحاسوبية إلى صعود التعلم العميق، حيث عرضت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حقق وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 اختراقات إضافية، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) علامة فارقة في تطور الذكاء الاصطناعي، خاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت نماذج التدريب المسبق على نطاق واسع، التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرات توليد وفهم اللغة تفوق النماذج التقليدية. لقد سمحت أدائها المتميز في معالجة اللغة الطبيعية لوكلاء الذكاء الاصطناعي بعرض قدرة تفاعل منطقية وواضحة من خلال توليد اللغة. وهذا جعل وكلاء الذكاء الاصطناعي قادرين على الاستخدام في مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا (مثل التحليل التجاري، والكتابة الإبداعية).
تتيح قدرة التعلم لنماذج اللغة الكبيرة لوكلاء الذكاء الاصطناعي الحصول على مستوى أعلى من الاستقلالية. من خلال تقنيات التعلم التعزيزي، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئات الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على مدخلات 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 الوكلاء الذكيين تاريخًا من التطور المستمر الذي يتجاوز الحدود التقنية. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع التطور المستمر للتكنولوجيا، سيصبح الوكلاء الذكيون أكثر ذكاءً، وتنوعًا، وتخصصًا. نماذج اللغة الكبيرة لا تضيف فقط "حكمة" إلى روح الوكلاء الذكيين، بل توفر أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع باستمرار تطوير وتطبيق تقنية الوكلاء الذكيين، ويقود عصرًا جديدًا مدفوعًا 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 مشاركين بارعين ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
النواة الأساسية لوكيل الذكاء الاصطناعي تكمن في "الذكاء" ----- أي من خلال الخوارزميات لمحاكاة السلوك الذكي للبشر أو الكائنات الحية الأخرى، لحل المشكلات المعقدة بشكل تلقائي. تسير عملية عمل وكيل الذكاء الاصطناعي عادةً وفق الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التكيف.
1.2.1 وحدة الإدراك
يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك لجمع معلومات البيئة. تشبه هذه الوظيفة الحواس البشرية، حيث تستخدم أجهزة استشعار وكاميرات وميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المعنى، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. تتمثل المهمة الأساسية لوحدة الإدراك في تحويل البيانات الخام إلى معلومات ذات مغزى، والتي غالبًا ما تتضمن التقنيات التالية:
الرؤية الحاسوبية: تُستخدم لمعالجة وفهم بيانات الصور والفيديو.
معالجة اللغة الطبيعية (NLP): تساعد وكيل الذكاء الاصطناعي في فهم وإنتاج اللغة البشرية.
دمج المستشعرات: دمج بيانات من عدة مستشعرات في رؤية موحدة.
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج AI AGENT إلى اتخاذ قرارات بناءً على البيانات. وحدة الاستدلال واتخاذ القرار هي "العقل" في النظام بأكمله، حيث تقوم بالاستدلال المنطقي ووضع الاستراتيجيات بناءً على المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلال، تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة 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: يجعل AI AGENT يقوم بتحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خطط عمل ممكنة بناءً على الهدف، وأخيرًا اختيار الخطة المثلى للتنفيذ.
1.2.3 تنفيذ الوحدة
وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يتضمن ذلك عمليات مادية (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
تعد وحدات التعلم هي 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 التفاعلات لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز اتخاذ القرار وكفاءة العمليات.
تُحسن وحدات التعلم عادةً بالطريقة التالية:
التعلم تحت الإشراف: استخدام البيانات المعنونة لتدريب النموذج، مما يجعل AI AGENT قادراً على إكمال المهام بدقة أكبر.
التعلم غير المشرف: اكتشاف الأنماط المحتملة من البيانات غير المعنونة، مما يساعد الوكلاء على التكيف مع البيئات الجديدة.
التعلم المستمر: تحديث النماذج من خلال البيانات الحية للحفاظ على أداء الوكلاء في بيئة ديناميكية.
1.2.5 ردود فعل فورية وتعديلات
يعمل AI AGENT على تحسين أدائه من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق قدرة AI AGENT على التكيف والمرونة.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح AI AGENT محور اهتمام السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلك وفاعل اقتصادي مستقل، مما يجلب التحول للعديد من الصناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتل L1 في الدورة السابقة، فإن AI AGENT يظهر نفس الآفاق في هذه الدورة.
وفقًا لأحدث تقرير من مؤسسة بحثية معينة، من المتوقع أن ينمو سوق AI Agent من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي في عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. يعكس هذا النمو السريع مدى انتشار AI Agent في مختلف الصناعات، بالإضافة إلى الطلب المتزايد في السوق الناتج عن الابتكار التكنولوجي.
زادت استثمارات الشركات الكبرى في إطار代理 المفتوح بشكل ملحوظ.某
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
AI AGENT: القوة الذكية الجديدة للبلوكتشين生态 في 2025
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.
من المهم التأكيد على أن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة بالوقت المناسب، يمكن أن تؤدي إلى 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، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، ليظهر لأول مرة بصورة فتاة الجوار في بث مباشر، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي بالضبط؟
الجميع على دراية بالفيلم الكلاسيكي "Resident Evil"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. "ملكة القلب الأحمر" هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة الأمان، ولديه القدرة على الإدراك الذاتي للبيئة، 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 دورًا مشابهًا إلى حد ما، حيث يعتبر "حارس الحكمة" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي، والتحليل، والتنفيذ، يساعد الشركات والأفراد في مواجهة المهام المعقدة. 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. هؤلاء الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، يمتلكون القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، ويتسللون تدريجياً إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي للتداول الآلي، استنادًا إلى البيانات المجمعة من منصة بيانات أو منصة اجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائه باستمرار من خلال التكرارات. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل ينقسم 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 الاستفادة، بهدف تحسين دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى إنشاء الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، ويبني مجتمعًا، ويشارك في الحملات التسويقية.
وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل متعددة.
في هذا التقرير، سنتناول بعمق أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، وسنحلل كيف تعيد تشكيل هذه الوكلاء ملامح الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطور
تظهر مسيرة تطور وكيل الذكاء الاصطناعي (AI AGENT) تحول الذكاء الاصطناعي من البحث الأساسي إلى تطبيق واسع. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالًا مستقلاً. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا أول طرح للشبكات العصبية واستكشاف مفهوم التعلم الآلي بشكل أولي. ولكن أبحاث الذكاء الاصطناعي في ذلك الوقت كانت مقيدة بشدة بسبب قيود القدرات الحاسوبية السائدة. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم الرياضي James Lighthill تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في بريطانيا. عكس تقرير Lighthill بشكل أساسي تفاؤلًا مفرطًا حول أبحاث الذكاء الاصطناعي بعد فترة الإثارة المبكرة، مما أدى إلى فقدان كبير في الثقة من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات الممولة ) تجاه الذكاء الاصطناعي. بعد عام 1973، انخفضت ميزانيات أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتCommercialization إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. حقق هذا العصر تقدمًا كبيرًا في مجالات التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما دفع ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت مقدمة السيارات الذاتية القيادة ونشر الذكاء الاصطناعي في مختلف الصناعات مثل المالية والرعاية الصحية، بمثابة علامة على توسع تكنولوجيا الذكاء الاصطناعي. ولكن في أواخر الثمانينات وأوائل التسعينات، مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المتخصصة، شهد مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي". علاوة على ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، تغلبت كمبيوتر ديب بلو من IBM على بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاش الشبكات العصبية والتعلم العميق قاعدة لتطور الذكاء الاصطناعي في أواخر التسعينات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
بحلول أوائل القرن الحادي والعشرين، أدت التقدمات في القدرة الحاسوبية إلى صعود التعلم العميق، حيث عرضت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حقق وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 اختراقات إضافية، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) علامة فارقة في تطور الذكاء الاصطناعي، خاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت نماذج التدريب المسبق على نطاق واسع، التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرات توليد وفهم اللغة تفوق النماذج التقليدية. لقد سمحت أدائها المتميز في معالجة اللغة الطبيعية لوكلاء الذكاء الاصطناعي بعرض قدرة تفاعل منطقية وواضحة من خلال توليد اللغة. وهذا جعل وكلاء الذكاء الاصطناعي قادرين على الاستخدام في مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا (مثل التحليل التجاري، والكتابة الإبداعية).
تتيح قدرة التعلم لنماذج اللغة الكبيرة لوكلاء الذكاء الاصطناعي الحصول على مستوى أعلى من الاستقلالية. من خلال تقنيات التعلم التعزيزي، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار، والتكيف مع البيئات الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على مدخلات 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 الوكلاء الذكيين تاريخًا من التطور المستمر الذي يتجاوز الحدود التقنية. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع التطور المستمر للتكنولوجيا، سيصبح الوكلاء الذكيون أكثر ذكاءً، وتنوعًا، وتخصصًا. نماذج اللغة الكبيرة لا تضيف فقط "حكمة" إلى روح الوكلاء الذكيين، بل توفر أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع باستمرار تطوير وتطبيق تقنية الوكلاء الذكيين، ويقود عصرًا جديدًا مدفوعًا 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 مشاركين بارعين ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
النواة الأساسية لوكيل الذكاء الاصطناعي تكمن في "الذكاء" ----- أي من خلال الخوارزميات لمحاكاة السلوك الذكي للبشر أو الكائنات الحية الأخرى، لحل المشكلات المعقدة بشكل تلقائي. تسير عملية عمل وكيل الذكاء الاصطناعي عادةً وفق الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التكيف.
1.2.1 وحدة الإدراك
يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك لجمع معلومات البيئة. تشبه هذه الوظيفة الحواس البشرية، حيث تستخدم أجهزة استشعار وكاميرات وميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المعنى، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. تتمثل المهمة الأساسية لوحدة الإدراك في تحويل البيانات الخام إلى معلومات ذات مغزى، والتي غالبًا ما تتضمن التقنيات التالية:
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج AI AGENT إلى اتخاذ قرارات بناءً على البيانات. وحدة الاستدلال واتخاذ القرار هي "العقل" في النظام بأكمله، حيث تقوم بالاستدلال المنطقي ووضع الاستراتيجيات بناءً على المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلال، تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً التقنيات التالية:
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خطط عمل ممكنة بناءً على الهدف، وأخيرًا اختيار الخطة المثلى للتنفيذ.
1.2.3 تنفيذ الوحدة
وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز المهام المحددة. قد يتضمن ذلك عمليات مادية (مثل حركة الروبوتات) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:
1.2.4 وحدة التعلم
تعد وحدات التعلم هي 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 التفاعلات لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز اتخاذ القرار وكفاءة العمليات.
تُحسن وحدات التعلم عادةً بالطريقة التالية:
1.2.5 ردود فعل فورية وتعديلات
يعمل AI AGENT على تحسين أدائه من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق قدرة AI AGENT على التكيف والمرونة.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح AI AGENT محور اهتمام السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلك وفاعل اقتصادي مستقل، مما يجلب التحول للعديد من الصناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتل L1 في الدورة السابقة، فإن AI AGENT يظهر نفس الآفاق في هذه الدورة.
وفقًا لأحدث تقرير من مؤسسة بحثية معينة، من المتوقع أن ينمو سوق AI Agent من 5.1 مليار دولار أمريكي في عام 2024 إلى 47.1 مليار دولار أمريكي في عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. يعكس هذا النمو السريع مدى انتشار AI Agent في مختلف الصناعات، بالإضافة إلى الطلب المتزايد في السوق الناتج عن الابتكار التكنولوجي.
زادت استثمارات الشركات الكبرى في إطار代理 المفتوح بشكل ملحوظ.某