Аналіз AI AGENT: інтелектуальна сила для формування нової економічної екосистеми майбутнього

1. Загальний фон

1.1 Вступ: «Новий партнер» в інтелектуальну еру

Кожен цикл криптовалюти приносить нову інфраструктуру, яка стимулює розвиток усієї галузі.

• У 2017 році зростання смарт-контрактів сприяло бурхливому розвитку ICO.
• У 2020 році пули ліквідності DEX принесли літній бум у DeFi.
• У 2021 році вийшла велика кількість NFT-серій, що ознаменували прихід ери цифрових предметів колекціонування.
• У 2024 році видатні результати певної стартової платформи стали каталізатором буму мемкоїнів та стартових платформ.

Необхідно підкреслити, що початок цих вертикальних секторів обумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів бичачого ринку. Коли можливості зустрічаються з відповідним моментом, це може спровокувати величезні зміни. Заглядаючи вперед до 2025 року, очевидно, що новими сферами циклу 2025 року стануть AI-агенти. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року був запущений певний токен, який 15 жовтня досяг ринкової капіталізації в 150 мільйонів доларів. Одразу після цього, 16 жовтня, певний протокол запустив Luna, з'явившись вперше в образі дівчини-сусідки в прямій трансляції, викликавши бум у всій індустрії.

Отже, що ж таке AI Agent?

Всі, напевно, знайомі з класичним фільмом «Обитель зла», в якому вразливим є AI-системою Червона Королева. Червона Королева є потужною AI-системою, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко приймати рішення.

Насправді, AI Agent має багато спільного з основними функціями Королеви Сердець. Подібним чином реальні агенти штучного інтелекту є «розумними охоронцями» сучасних технологій, допомагаючи компаніям і окремим особам вирішувати складні завдання за допомогою автономного сприйняття, аналізу та виконання. Від безпілотних автомобілів до інтелектуального обслуговування клієнтів, агенти штучного інтелекту проникли в усі сфери життя та стали ключовою силою для ефективності та інновацій. Ці автономні агенти, як і невидимі члени команди, мають повний спектр можливостей, від сприйняття навколишнього середовища до виконання рішень, і поступово проникають у різні галузі, стимулюючи як ефективність, так і інновації.

Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з платформ даних або соціальних платформ, для управління портфелем в реальному часі та виконання угод, постійно оптимізуючи власні результати в процесі ітерацій. AI AGENT не має єдиної форми, а ділиться на різні категорії відповідно до специфічних потреб криптоекосистеми:

1. Агент штучного інтелекту виконавчого типу: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, з метою підвищення операційної точності та скорочення необхідного часу.

2. Creative AI Agent: використовується для генерації контенту, включаючи текст, дизайн і навіть створення музики.

3. Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіє з користувачами, створює спільноту та бере участь у маркетингових кампаніях.

4. Координаційний AI агент: координація складних взаємодій між системами або учасниками, особливо підходить для інтеграції в багатьох ланцюгах.

У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони перетворюють галузевий ландшафт, і зробимо прогнози щодо їх майбутнього розвитку.

1.1.1 Історія розвитку

Розвиток AI AGENT демонструє еволюцію AI від базових досліджень до широкого застосування. У 1956 році на конференції в Дартмуті вперше було введено термін "AI", що заклало основу для AI як незалежної сфери. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до появи перших програм AI, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Цей етап також став свідком вперше представлених нейронних мереж та початкових досліджень концепції машинного навчання. Але дослідження AI в цей період було серйозно обмежене можливостями обчислень того часу. Дослідники стикалися з великими труднощами при розробці алгоритмів обробки природної мови та імітації людських когнітивних функцій. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан AI-досліджень, що проводяться в Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному висловлював всебічний песимізм щодо досліджень AI після раннього періоду збудження, викликавши величезну втрату довіри до AI в британських академічних установах (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI різко зменшилося, а сфера AI пережила першу "AI-зиму", ставши предметом зростаючих сумнівів щодо потенціалу AI.

У 1980-х роках розвиток і комерціалізація експертних систем спонукали глобальні компанії почати використовувати технології ШІ. У цей період досягнуто значних успіхів у машинному навчанні, нейронних мережах та обробці природної мови, що сприяло появі більш складних застосувань ШІ. Вперше введення автономних автомобілів, а також впровадження ШІ в таких галузях, як фінанси, медицина та інші, також стало ознакою розширення технологій ШІ. Але в кінці 1980-х і на початку 1990-х років, коли попит на спеціалізоване апаратне забезпечення ШІ впав, галузь ШІ пережила другий "зимовий період ШІ". Крім того, питання масштабування систем ШІ та успішної інтеграції їх у реальні застосування залишається постійним викликом. Водночас, у 1997 році комп'ютер IBM Deep Blue переміг світового чемпіона з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні задачі. Відродження нейронних мереж та глибокого навчання заклало основи розвитку ШІ в кінці 1990-х років, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.

На рубежі століть прогрес в обчислювальних потужностях сприяв зростанню глибокого навчання, а віртуальні помічники, такі як Siri, продемонстрували корисність штучного інтелекту в споживчих додатках. У 2010-х роках були зроблені подальші прориви в агентах навчання з підкріпленням і генеративних моделях, таких як GPT-2, піднявши розмовний штучний інтелект на нові висоти. У цьому процесі поява великих мовних моделей (LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, який розглядається як поворотний момент у сфері агентів ШІ. З моменту випуску компанією серії GPT великомасштабні попередньо навчені моделі продемонстрували можливості генерації та розуміння мови, що виходять за рамки традиційних моделей, за допомогою десятків або навіть сотень мільярдів параметрів. Їхня відмінна продуктивність в обробці природної мови дозволяє агентам штучного інтелекту демонструвати логічні та зв'язні можливості взаємодії за допомогою генерації мови. Це дозволяє агентам штучного інтелекту застосовувати їх до таких сценаріїв, як чат-асистенти та віртуальне обслуговування клієнтів, і поступово розширюватися до більш складних завдань, таких як бізнес-аналіз та творче письмо.

Навчальна спроможність великих мовних моделей надає агентам ШІ вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning) агенти ШІ можуть безперервно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах, що працюють на основі ШІ, агенти можуть коригувати свою поведінку відповідно до введення гравця, справді реалізуючи динамічну взаємодію.

Від ранньої системи правил до великої мовної моделі, представленої GPT-4, історія розвитку агентів штучного інтелекту – це еволюційна історія, яка постійно розширює межі технологій. Поява GPT-4, безсумнівно, є важливим поворотним моментом у цій подорожі. З подальшим розвитком технологій агенти штучного інтелекту стануть більш інтелектуальними, заснованими на сценаріях і диверсифікованими. Великі мовні моделі не тільки вносять душу «інтелекту» в агентів штучного інтелекту, але й надають їм можливість співпрацювати в різних сферах. У майбутньому продовжуватимуть з'являтися інноваційні платформи-проєкти, які продовжуватимуть сприяти впровадженню та розвитку технологій AI-агентств і очолити нову еру досвіду, керованого штучним інтелектом.

1.2 Як це працює

ЩО ВІДРІЗНЯЄ AIAGENTS ВІД ТРАДИЦІЙНИХ РОБОТІВ, ТАК ЦЕ ЇХНЯ ЗДАТНІСТЬ НАВЧАТИСЯ ТА АДАПТУВАТИСЯ З ЧАСОМ, ПРИЙМАЮЧИ ТОНКІ РІШЕННЯ ДЛЯ ДОСЯГНЕННЯ ЦІЛЕЙ. Їх можна розглядати як високотехнологічних гравців у криптопросторі, що розвиваються, здатних діяти самостійно в цифровій економіці.

ЗА СВОЄЮ СУТТЮ АГЕНТИ ШІ Є «РОЗУМНИМИ» ------ ТОБТО ВОНИ ВИКОРИСТОВУЮТЬ АЛГОРИТМИ ДЛЯ ІМІТАЦІЇ РОЗУМНОЇ ПОВЕДІНКИ ЛЮДЕЙ АБО ІНШИХ ІСТОТ ДЛЯ АВТОМАТИЧНОГО ВИРІШЕННЯ СКЛАДНИХ ЗАВДАНЬ. РОБОЧИЙ ПРОЦЕС АГЕНТА ШТУЧНОГО ІНТЕЛЕКТУ ЗАЗВИЧАЙ СКЛАДАЄТЬСЯ З ТАКИХ ЕТАПІВ: СПРИЙНЯТТЯ, ВИСНОВОК, ДІЯ, НАВЧАННЯ ТА КОРИГУВАННЯ.

1.2.1 Модуль сприйняття

AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про середовище. Ця частина функцій подібна до людських органів чуття, використовуючи сенсори, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, які включають вилучення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає такі технології:

• Комп'ютерний зір: використовується для обробки та розуміння зображень та відеоданих.
• ОБРОБКА ПРИРОДНОЇ МОВИ (NLP): ДОПОМАГАЄ АГЕНТАМ ШТУЧНОГО ІНТЕЛЕКТУ РОЗУМІТИ ТА ГЕНЕРУВАТИ ЛЮДСЬКУ МОВУ.
• Злиття датчиків: об'єднання даних з кількох сенсорів в єдиний вигляд.

1.2.2 Модуль міркувань і рішень

Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль міркування та прийняття рішень є «мозком» усієї системи, він здійснює логічне міркування та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, що виконують роль оркестратора або двигуна міркування, він розуміє завдання, генерує рішення та координує спеціалізовані моделі для створення контенту, обробки зображень або рекомендованих систем.

Цей модуль зазвичай використовує такі технології:

• Rule Engine: приймайте прості рішення на основі попередньо встановлених правил.
• Моделі машинного навчання: включаючи дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів та прогнозування.
• Посилене навчання: дозволити AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінюваного середовища.

Процес інференції зазвичай включає кілька етапів: спочатку оцінка середовища, потім розрахунок кількох можливих варіантів дій відповідно до мети, і нарешті вибір оптимального варіанту для виконання.

1.2.3 Виконувальний модуль

Виконавчий модуль є "руками і ногами" AI AGENT, який втілює рішення модуля міркування в дію. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання поставлених завдань. Це може включати фізичні операції (як-от дії роботів) або цифрові операції (як-от обробка даних). Виконавчий модуль залежить від:

• Система управління роботами: для фізичних операцій, таких як рухи роботизованої руки.
• Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
• Автоматизоване управління процесами: виконуйте повторювані завдання за допомогою RPA (роботизована автоматизація процесів) у корпоративному середовищі.

1.2.4 Модуль навчання

Модуль навчання є основною конкурентною перевагою AI AGENT, оскільки він дозволяє агенту ставати розумнішим з часом. Постійне вдосконалення через цикл зворотного зв'язку або "дані літак" включає повернення даних, згенерованих під час взаємодії, до системи для покращення моделі. Ця здатність поступово адаптуватися і ставати ефективнішою з часом надає підприємствам потужний інструмент для підвищення ефективності прийняття рішень та операційної ефективності.

Модулі навчання зазвичай покращуються наступними способами:

• КОНТРОЛЬОВАНЕ НАВЧАННЯ: ВИКОРИСТОВУЙТЕ ПОЗНАЧЕНІ ДАНІ ДЛЯ НАВЧАННЯ МОДЕЛЕЙ, ЩОБ АГЕНТИ ШТУЧНОГО ІНТЕЛЕКТУ МОГЛИ ВИКОНУВАТИ ЗАВДАННЯ БІЛЬШ ТОЧНО.
• Навчання без учителя: виявляйте потенційні закономірності в немічених даних, щоб допомогти агентам адаптуватися до нових середовищ.
• Безперервне навчання: підтримуйте продуктивність агента в динамічних середовищах, оновлюючи моделі даними в режимі реального часу.

1.2.5 Своєчасний зворотний зв'язок та коригування

AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії фіксуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.

1.3 Стан ринку

1.3.1 Стан галузі

АГЕНТИ ШТУЧНОГО ІНТЕЛЕКТУ СТАЮТЬ ЦЕНТРОМ УВАГИ, ПРИНОСЯЧИ ЗМІНИ В ЧИСЛЕННІ ГАЛУЗІ З ЇХНІМ ВЕЛИКИМ ПОТЕНЦІАЛОМ ЯК СПОЖИВЧИХ ІНТЕРФЕЙСІВ ТА АВТОНОМНИХ ЕКОНОМІЧНИХ СУБ'ЄКТІВ. ПОДІБНО ДО ТОГО, ЯК ПОТЕНЦІАЛ БЛОКОВОГО ПРОСТОРУ L1 У ПОПЕРЕДНЬОМУ ЦИКЛІ БУВ НЕЗМІРНИМ, AI AGENT ПОКАЗАВ ТІ Ж ПЕРСПЕКТИВИ В ЦЬОМУ ЦИКЛІ.

Згідно з останнім звітом Markets and Markets, ринок AI Agent прогнозується, що зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях та ринковий попит, що виникає внаслідок технологічних інновацій.

Вклад великих компаній у відкриті проксі-фреймворки також значно зріс. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph від певної компанії, стає все більш активною, що свідчить про те, що AI AGENT має більший ринковий потенціал поза сферою криптовалют.