AI代理:новый драйвер и перспективы развития для шифрования рынка

AI AGENT: Новый партнер в эпоху искусственного интеллекта

1. Фоновая информация

1.1 Введение: "Новый партнер" в эпоху умных технологий

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

  • В 2017 году рост смарт-контрактов способствовал бурному развитию ICO.
  • В 2020 году ликвидные пулы DEX принесли летний бум DeFi.
  • 2021 год стал знаковым благодаря появлению множества NFT-серий, что ознаменовало наступление эпохи цифровых коллекционных предметов.
  • В 2024 году выдающиеся результаты pump.fun возглавили волну мемкойнов и платформ запуска.

Важно подчеркнуть, что старт этих вертикальных областей не является результатом только технологических инноваций, а скорее результатом идеального сочетания моделей финансирования и бычьих рыночных циклов. Когда возможность встречается с подходящим временем, это может вызвать огромные изменения. Смотрим на 2025 год, очевидно, что новые области в цикле 2025 года будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен токен $GOAT, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, Virtuals Protocol выпустил Luna, впервые представив образ "соседской девушки" в формате живой трансляции, что вызвало фурор в индустрии.

Итак, что же такое AI Agent?

Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет 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 меры.

На самом деле, у AI Agent и основных функций Красной Королевы много схожего. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и индивидуумам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От самоуправляемых автомобилей до интеллектуального обслуживания клиентов, AI Agent проникли во все сферы и стали ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены 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 Dexscreener или социальной платформы X, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных 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. Генеративный AI агент: используется для создания контента, включая текст, дизайн и даже музыкальное творчество.

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

  4. Координационный AI агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многосетевой интеграции.

В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и заглянем в тенденции их будущего развития.

Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего

1.1.1 История развития

Развитие AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к созданию первых AI-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и начального изучения концепции машинного обучения. Однако исследования AI в этот период были сильно ограничены из-за ограниченных вычислительных возможностей. Исследователи столкнулись с большими трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии AI-исследований в Великобритании, опубликованный в 1973 году. В отчете Лайтхилла в целом выражался полный пессимизм по поводу AI-исследований после первоначального восторга, что вызвало огромную утрату доверия к AI со стороны британских академических институтов(, включая финансирующие организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первую "зиму AI", что привело к увеличению скептицизма относительно потенциала AI.

В 1980-х годах развитие и коммерциализация экспертных систем заставили глобальные компании начать применять технологии ИИ. В этот период были достигнуты значительные успехи 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 ознаменовало расширение технологий ИИ. Однако в конце 1980-х - начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение для ИИ, эта область пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной проблемой. 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 возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который рассматривается как поворотный момент в области ИИ-агентов. С тех пор как OpenAI выпустила серию GPT, модели с крупномасштабным предварительным обучением, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволяют ИИ-агентам демонстрировать логичное и последовательное взаимодействие через генерацию языка. Это позволяет ИИ-агентам использоваться в таких сценариях, как чат-помощники, виртуальные службы поддержки и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ и креативное письмо ).

Способности к обучению больших языковых моделей обеспечивают более высокую автономию для AI-агентов. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на AI-платформах, таких как Digimon Engine, AI-агенты могут корректировать свои стратеги поведения в зависимости от ввода игрока, действительно реализуя динамическое взаимодействие.

От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей постоянного преодоления технологических границ. Появление GPT-4, безусловно, стало значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только придают AI-агентам "ум" душу, но и обеспечивают им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе AI-управляемого опыта.

Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего

1.2 Принцип работы

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

核心 AI AGENT заключается в его "умности" ------ 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 функции аналогична человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, что включает извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружении. 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: интеграция данных от нескольких датчиков в единый обзор.

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 основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве координатора или движка вывода, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.

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., для сложного распознавания образов и прогнозирования.
  • Обучение с подкреплением: позволяет AI AGENT постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.

Процесс рассуждений обычно состоит из нескольких этапов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего варианта для выполнения.

1.2.3 Исполнительный модуль

Модуль выполнения является "руками и ногами" AI AGENT, который приводит в действие решения модуля вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (, такие как действия робота ), или цифровые действия (, такие как обработка данных ). Модуль выполнения зависит от:

  • Система управления роботами: используется для физических операций, таких как движение роботизированных рук.
  • API-вызов: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым сервисам.
  • Автоматизация управления процессами: в корпоративной среде с помощью RPA( роботов автоматизации процессов) выполняются повторяющиеся задачи.

1.2.4 Модуль обучения

Модуль обучения является ключевым конкурентным преимуществом AI AGENT, который позволяет агенту со временем становиться более умным. Постоянное улучшение через обратную связь или «данные колесо» позволяет возвращать данные, генерируемые в ходе взаимодействия, в систему для улучшения модели. Эта способность со временем адаптироваться и становиться более эффективной предоставляет компаниям мощный инструмент для повышения качества принятия решений и операционной эффективности.

Модули обучения обычно улучшаются следующими способами:

  • Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
  • Обучение без учителя: обнаружение скрытых паттернов из неразмеченных данных, что помогает агенту адаптироваться к новой среде.
  • Непрерывное обучение: обновление модели с помощью данных в реальном времени, чтобы поддерживать производительность агента в динамичной среде.

1.2.5 Реальная обратная связь и корректировка

AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.

Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего

1.3 Рыночная ситуация

1.3.1 Текущая ситуация в отрасли

AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, приводя к изменениям в различных отраслях. Как и в предыдущем цикле, когда потенциал L1 блок-пространства было трудно оценить, AI AGENT также продемонстрировал 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, что соответствует среднегодовому темпу роста (CAGR) в 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различные отрасли, а также рыночный спрос, вызванный технологическими инновациями.

Инвестиции крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph от Microsoft, становится все более активной, что свидетельствует о большем рыночном потенциале AI AGENT за пределами криптосферы, TAM также

AGENT6.39%
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
  • Награда
  • 2
  • Поделиться
комментарий
0/400
0xDreamChaservip
· 10ч назад
Чувствуется, что pump.fun переименовалось.
Посмотреть ОригиналОтветить0
Lonely_Validatorvip
· 10ч назад
За 24 года торговли собаками я заработал кучу денег.
Посмотреть ОригиналОтветить0
  • Закрепить