Анализ AI AGENT: интеллектуальная сила, формирующая новую экономическую экосистему будущего

1. Общая информация

1.1 Введение: «Новый партнер» в эпоху интеллекта

Каждый цикл криптовалюты приносит новые инфраструктуры, способствующие развитию всей отрасли.

• В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
• В 2020 году ликвидные пулы DEX привели к летнему буму DeFi.
• В 2021 году вышло большое количество серий NFT, ознаменовавших наступление эры цифровых предметов коллекционирования.
• В 2024 году выдающиеся результаты одной из стартовых платформ привели к буму мемкойнов и стартовых платформ.

Важно подчеркнуть, что старт этих вертикалей обусловлен не только технологическими инновациями, но и результатом идеального сочетания моделей финансирования и циклов бычьего рынка. Когда возможности появляются в нужное время, они могут иметь большое значение. Заглядывая вперед в 2025 год, очевидно, что новой областью цикла 2025 года станут агенты ИИ. Пик этой тенденции пришелся на октябрь прошлого года, когда токен был запущен 11 октября 2024 года, а рыночная капитализация достигла 150 миллионов долларов 15 октября. Затем, 16 октября, было запущено некое соглашение Luna, которое дебютировало как изображение девушки по соседству в прямом эфире, взорвав всю индустрию.

Итак, что же такое агент с искусственным интеллектом?

Каждый наверняка знаком с классическим фильмом «Обитель зла», в котором впечатляет система искусственного интеллекта Queen of Hearts. Queen of Hearts — это мощная система искусственного интеллекта, которая управляет сложными объектами и системами безопасности, способна автономно зондировать окружающую обстановку, анализировать данные и быстро действовать.

На самом деле, агент с искусственным интеллектом имеет много общего с основными функциями Queen of Hearts. Точно так же реальные агенты ИИ являются «умными стражами» современных технологий, помогая предприятиям и частным лицам решать сложные задачи с помощью автономного восприятия, анализа и выполнения. От беспилотных автомобилей до интеллектуального обслуживания клиентов, агенты ИИ проникли во все сферы жизни и стали ключевой силой эффективности и инноваций. Эти автономные агенты, как невидимые члены команды, обладают полным спектром возможностей, от восприятия окружающей среды до принятия решений, и постепенно проникают в различные отрасли, стимулируя как эффективность, так и инновации.

Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с платформ данных или социальных платформ, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свою производительность в ходе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от специфических потребностей в криптоэкосистеме:

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. Креативный AI Агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.

3. Социальный AI Агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.

4. Скоординированный агент искусственного интеллекта: координируйте сложные взаимодействия между системами или участниками, особенно подходит для многоцепочечной интеграции.

В этом отчете мы углубимся в происхождение, текущее состояние и широкие перспективы применения AI Agents, проанализируем, как они меняют ландшафт отрасли, и посмотрим на будущие тенденции их развития.

1.1.1 История

ЭВОЛЮЦИЯ ИИ ДЕМОНСТРИРУЕТ ЭВОЛЮЦИЮ ИИ ОТ ФУНДАМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ К ШИРОКОМУ ПРИМЕНЕНИЮ. На Дартмутской конференции в 1956 году впервые был придуман термин «ИИ», заложивший основу для ИИ как отдельной области. В этот период исследования в области искусственного интеллекта были сосредоточены в основном на символических методах, что привело к появлению первых программ искусственного интеллекта, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). На этом этапе также появилось первое предложение о нейронных сетях и первоначальное исследование концепции машинного обучения. Тем не менее, исследования в области искусственного интеллекта в этот период были серьезно ограничены из-за ограничений вычислительной мощности в то время. Исследователи столкнулись с большими трудностями при обработке естественного языка и разработке алгоритмов, имитирующих когнитивные функции человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил опубликованный в 1973 году доклад о состоянии текущих исследований в области ИИ в Великобритании. Доклад Лайтхилла в основном выразил общий пессимизм в отношении исследований ИИ после ранней эйфории, вызвав огромную потерю доверия к ИИ ( ) академических институтах Великобритании, включая финансирующие агентства. После 1973 года финансирование исследований в области ИИ было резко сокращено, и область ИИ пережила свою первую «зиму ИИ», и скептицизм в отношении потенциала ИИ усилился.

В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период было достигнуто значительное прогресс в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение для ИИ, эта область пережила вторую "зиму ИИ". Кроме того, как масштабировать ИИ-системы и успешно интегрировать их в практические приложения, по-прежнему остается постоянной задачей. Тем временем, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.

На рубеже веков достижения в области вычислительных мощностей привели к росту глубокого обучения, и виртуальные помощники, такие как Siri, продемонстрировали полезность искусственного интеллекта в потребительских приложениях. В 2010-х годах были сделаны дальнейшие прорывы в области агентов обучения с подкреплением и генеративных моделей, таких как GPT-2, что подняло разговорный ИИ на новые высоты. В этом процессе важной вехой в развитии ИИ стало появление больших языковых моделей (LLM), особенно выпуск GPT-4, который расценивается как поворотный момент в области агентов ИИ. С момента выпуска компанией серии GPT крупномасштабные предварительно обученные модели продемонстрировали возможности генерации и понимания языка, выходящие за рамки традиционных моделей, с помощью десятков или даже сотен миллиардов параметров. Их превосходная производительность при обработке естественного языка позволяет агентам ИИ демонстрировать логические и согласованные возможности взаимодействия посредством генерации языка. Это позволяет применять агентов ИИ в таких сценариях, как чат-помощники и виртуальное обслуживание клиентов, и постепенно расширять их до более сложных задач, таких как бизнес-анализ и творческое письмо.

Способность к обучению больших языковых моделей обеспечивает агентам ИИ большую автономность. Благодаря технологии обучения с подкреплением агенты ИИ могут постоянно оптимизировать свое поведение и адаптироваться к динамичным средам. Например, на некоторых платформах, управляемых искусственным интеллектом, агенты ИИ могут корректировать поведенческие стратегии на основе вводимых игроком данных для достижения действительно динамичных взаимодействий.

От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов — это эволюция, постоянно преодолевающая технологические границы. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут еще более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "ум" в AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать технологии AI-агентов и развитие, ведя к новой эпохе, управляемой AI.

1.2 Принцип работы

ЧТО ОТЛИЧАЕТ AIAGENTS ОТ ТРАДИЦИОННЫХ РОБОТОВ, ТАК ЭТО ИХ СПОСОБНОСТЬ ОБУЧАТЬСЯ И АДАПТИРОВАТЬСЯ С ТЕЧЕНИЕМ ВРЕМЕНИ, ПРИНИМАЯ ТОНКИЕ РЕШЕНИЯ ДЛЯ ДОСТИЖЕНИЯ ЦЕЛЕЙ. Их можно рассматривать как высокотехнологичных, развивающихся игроков в криптопространстве, способных действовать самостоятельно в цифровой экономике.

Основной принцип AI AGENT заключается в его "интеллекте" ------ то есть в имитации человеческого или другого биологического интеллекта с помощью алгоритмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.

1.2.1 Модуль восприятия

АГЕНТ ИИ ВЗАИМОДЕЙСТВУЕТ С ВНЕШНИМ МИРОМ ЧЕРЕЗ МОДУЛЬ ВОСПРИЯТИЯ И СОБИРАЕТ ИНФОРМАЦИЮ ОБ ОКРУЖАЮЩЕЙ СРЕДЕ. Эта часть функционирует аналогично человеческим чувствам, используя такие устройства, как датчики, камеры, микрофоны и т. д., для сбора внешних данных, что включает в себя извлечение значимых признаков, идентификацию объектов или идентификацию соответствующих объектов в окружающей среде. Основная задача модуля восприятия заключается в преобразовании необработанных данных в значимую информацию, для чего обычно используются следующие технологии:

• Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
• ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА (NLP): ПОМОГАЕТ АГЕНТАМ ИИ ПОНИМАТЬ И ГЕНЕРИРОВАТЬ ЧЕЛОВЕЧЕСКИЙ ЯЗЫК.
• Объединение датчиков: консолидация данных с нескольких датчиков в единое представление.

1.2.2 Модуль вывода и принятия решений

ПОСЛЕ ОБНАРУЖЕНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ АГЕНТ ИИ ДОЛЖЕН ПРИНИМАТЬ РЕШЕНИЯ НА ОСНОВЕ ДАННЫХ. Модуль «Рассуждения и решения» является «мозгом» всей системы, который делает логические рассуждения и разработку стратегии на основе собранной информации. Используйте большие языковые модели в качестве оркестраторов или механизмов вывода для понимания задач, создания решений и координации специализированных моделей для конкретных функций, таких как создание контента, визуальная обработка или рекомендательные системы.

В этом модуле обычно используются следующие технологии:

• Правила движка: простые решения на основе предустановленных правил. • Модели машинного обучения: включая деревья решений, нейронные сети и т. д., для распознавания и прогнозирования сложных образов.
• Обучение с подкреплением: позволить AI AGENT постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.

Процесс вывода обычно включает несколько шагов: сначала оценивается окружение, затем рассчитываются несколько возможных вариантов действий в зависимости от цели, и, наконец, выбирается оптимальный вариант для выполнения.

1.2.3 Исполнительный модуль

МОДУЛЬ ВЫПОЛНЕНИЯ — ЭТО «РУКИ И НОГИ» АГЕНТА ИИ, ПРИВОДЯЩИЕ В ДЕЙСТВИЕ РЕШЕНИЯ МОДУЛЯ ВЫВОДА. Эта часть взаимодействует с внешними системами или устройствами для выполнения поставленных задач. Это может включать в себя физические операции, такие как действия робота, или цифровые операции, такие как обработка данных. Модуль исполнения опирается на:

• Система управления роботами: используется для физических операций, например, для движения роботизированной руки.
• Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым сервисам.
• Управление автоматизированными процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированной автоматизации процессов).

1.2.4 Учебный модуль

Модуль обучения является核心竞争力 AI AGENT, позволяя агентам становиться умнее со временем. Постоянное улучшение через обратные связи или "данные флайвера" включает данные, генерируемые во взаимодействиях, обратно в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент, способный улучшить принятие решений и операционную эффективность.

Модули обучения обычно улучшаются следующим образом:

• КОНТРОЛИРУЕМОЕ ОБУЧЕНИЕ: ИСПОЛЬЗУЙТЕ ПОМЕЧЕННЫЕ ДАННЫЕ ДЛЯ ОБУЧЕНИЯ МОДЕЛИ, ЧТОБЫ АГЕНТЫ ИИ МОГЛИ ВЫПОЛНЯТЬ ЗАДАЧИ БОЛЕЕ ТОЧНО.
• Неконтролируемое обучение: выявляйте потенциальные закономерности в непомеченных данных, чтобы помочь агентам адаптироваться к новым условиям.
• Непрерывное обучение: обновляя модель с помощью данных в реальном времени, поддерживать производительность агента в динамичной среде.

1.2.5 Реальное время обратной связи и корректировки

AI AGENT постоянно оптимизирует свою производительность за счет непрерывного цикла обратной связи. 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 Текущая ситуация в отрасли

АГЕНТЫ ИИ СТАНОВЯТСЯ ЦЕНТРОМ ВНИМАНИЯ РЫНКА, ПРИВНОСЯ ИЗМЕНЕНИЯ ВО МНОГИЕ ОТРАСЛИ БЛАГОДАРЯ СВОЕМУ БОЛЬШОМУ ПОТЕНЦИАЛУ В КАЧЕСТВЕ ПОТРЕБИТЕЛЬСКИХ ИНТЕРФЕЙСОВ И АВТОНОМНЫХ ЭКОНОМИЧЕСКИХ СУБЪЕКТОВ. ТОЧНО ТАК ЖЕ, КАК ПОТЕНЦИАЛ ПРОСТРАНСТВА БЛОКА L1 В ПРЕДЫДУЩЕМ ЦИКЛЕ БЫЛ НЕИЗМЕРИМ, ИИ AGENT ПОКАЗАЛ ТЕ ЖЕ 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, что соответствует среднегодовому темпу роста (CAGR) 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный техническими инновациями.

Крупные компании также значительно увеличили инвестиции в открытые фреймворки агентов. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph, активно развивается в одной компании, что свидетельствует о большем рыночном потенциале AI AGENT за пределами криптосферы.