AI AGENT: Sức mạnh thông minh định hình hệ sinh thái kinh tế mới trong tương lai
1. Bối cảnh tổng quát
1.1 Giới thiệu: "Người bạn mới" trong kỷ nguyên thông minh
Mỗi chu kỳ tiền điện tử đều mang đến cơ sở hạ tầng hoàn toàn mới thúc đẩy sự phát triển của toàn 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, hàng loạt tác phẩm NFT ra đời đánh dấu sự xuất hiện của thời đại sưu tập kỹ thuật số.
Năm 2024, hiệu suất xuất sắc của một nền tảng phóng đã dẫn đầu cơn sốt memecoin và nền tảng phóng.
Cần nhấn mạnh rằng, sự khởi đầu của các 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 những biến đổi lớn lao. 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 đồng tiền nhất định được ra mắt, và vào ngày 15 tháng 10 đạt giá trị thị trường 150 triệu đô la. Ngay sau đó, vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh livestream của một cô gái hàng xóm, gây bùng nổ toàn ngành.
Vậy, AI Agent thực sự là gì?
Mọi người chắc chắn không xa lạ gì với bộ phim kinh điển "Resident Evil", trong đó hệ thống AI Nữ Hoàng Đỏ để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, kiểm soát 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 và chức năng cốt lõi của Nữ hoàng trái tim có nhiều điểm tương đồng. AI Agent trong thực tế đóng vai trò tương tự đến 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 nhận thức tự chủ, phân tích và thực hiện. Từ ô tô tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành nghề, trở thành lực lượng then chốt trong việc nâng cao hiệu quả và đổi mới. Những thực thể thông minh tự chủ này, giống như những thành viên trong nhóm vô hình, có khả năng toàn diện từ nhận thức môi trường đến thực hiện quyết định, dần dần thâm nhập vào các ngành khác nhau, thúc đẩy sự nâng cao kép về hiệu suất và đổi mới.
Ví dụ, một AI AGENT có thể được sử dụng để tự động hóa giao dịch, 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 duy nhất, mà được chia thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền mã hóa:
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.
AI Agent sáng tạo: dùng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.
AI Agent xã hội: Là một người có ảnh hưởng trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia các hoạt động tiếp thị.
Đại lý AI điều phối: Điều phối tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp cho 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 cấu trúc cảnh quan ngành, và dự báo xu hướng phát triển trong tương lai.
1.1.1 Lịch sử phát triển
Lịch sử phát triển của AI AGENT cho thấy sự chuyển biến của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, tạo nền tảng cho AI như một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, đã tạo ra những chương trình AI đầu tiên, như ELIZA( một robot trò chuyện) và Dendral( hệ chuyên gia trong lĩnh vực hóa học hữu cơ). Giai đoạn này cũng chứng kiến việc đề xuất mạng nơ-ron lần đầu tiên và khám phá ban đầu về khái niệm học máy. Nhưng nghiên cứu AI trong giai đoạn này bị hạn chế nghiêm trọng bởi khả năng tính toán vào thời điểm đó. 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. Hơn nữa, vào năm 1972, nhà toán học James Lighthill đã nộp một báo cáo được công bố vào năm 1973 về tình trạng nghiên cứu AI đang diễn ra ở Anh. Báo cáo Lighthill cơ bản thể hiện sự bi quan toàn diện 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, kinh phí nghiên cứu AI đã giảm mạnh, lĩnh vực AI đã trải qua "mùa đông AI" đầu tiên, với tâm lý nghi ngờ về tiềm năng của AI gia tăng.
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 và việc triển khai AI trong các ngành như tài chính, y tế cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, khi nhu cầu thị trường đối với phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, cách mở rộng quy mô của các hệ thống AI và tích hợp thành công chúng vào ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng trong khi đó, 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 về khả năng giải quyết các vấn đề phức tạp của AI. Sự phục hồi của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong bức tranh công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.
Vào đầu thế kỷ này, sự tiến bộ trong khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã chứng minh tính thực tiễn của AI trong lĩnh vực ứng dụng tiêu dùng. Trong thập kỷ 2010, các đại lý học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá tiếp theo, 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 một cột mốc quan trọng trong sự phát triển của AI, đặc biệt là việc phát hành GPT-4, được coi là một bước ngoặt trong lĩnh vực đại lý AI. Kể từ khi một công ty phát hành dòng GPT, các mô hình được tiền huấn luyện quy mô lớn với hàng chục tỷ thậm chí hàng trăm tỷ tham số đã thể hiện khả năng sinh và hiểu ngôn ngữ vượt trội hơn so với các mô hình truyền thống. Hiệu suất xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các đại lý AI thể hiện khả năng tương tác rõ ràng và có hệ thống thông qua việc sinh ngôn ngữ. Điều này đã cho phép các đại lý AI được áp dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và dần dần mở rộng sang các nhiệm vụ phức tạp hơn ( như phân tích kinh doanh, viết sáng tạo ).
Khả năng học hỏi của mô hình ngôn ngữ lớn đã cung cấp cho các đại lý AI tính 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, 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 điển hình như GPT-4, lịch sử phát triển của các đại lý AI là một cuộc cách mạng không ngừng vượt qua các ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong hành trình này. Với sự phát triển công nghệ thêm nữa, các đại lý AI sẽ trở nên thông minh hơn, định hình theo 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 liên lĩnh vực. Trong tương lai, các nền tảng dự án đổi mới sẽ tiếp tục xuất hiện, thúc đẩy việc triển khai và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm do AI điều khiển.
Nguyên lý hoạt động 1.2
Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích ứng 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 có kỹ thuật cao, đang phát triển trong lĩnh vực tiền điện tử, có khả năng hoạt động độc lập trong nền kinh tế số.
Cốt lõi của AI AGENT là "thông minh"------tức là mô phỏng hành vi thông minh của con người hoặc sinh vật khác thông qua thuật toán, nhằm tự động hóa việc giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: nhận thức, 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 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 ra 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 làm bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên biệt 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: 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., được sử dụng cho nhận diện và dự đoán mẫu phức tạp.
Học tăng cường: Để AI AGENT liên tục tối ưu hóa chiến lược quyết định trong quá trình thử và sai, thích ứng với môi trường thay đổi.
Quá trình suy luận thường bao gồm một vài bước: đầu tiên là đánh giá môi trường, tiếp theo 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 các 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: được sử dụng 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 hóa: Trong môi trường doanh nghiệp, thông qua RPA( tự động hóa quy trình robot) thực hiện các nhiệm vụ lặp đi lặp lại.
1.2.4 Mô-đun học
Mô-đun học là lợi thế cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải thiện liên tục thông qua vòng phản hồi hoặc "bánh xe dữ liệu", phản hồi dữ liệu được tạo ra trong tương tác vào hệ thống để tăng cường mô hình. Khả năng này dần thích ứng và trở nên hiệu quả hơn theo thời gian cung cấp cho các doanh nghiệp một công cụ mạnh mẽ để nâng cao quyết định và hiệu quả hoạt động.
Mô-đun học thường được cải tiến theo những cách sau:
Học có giám sát: Sử dụng dữ liệu đã được gán nhãn để đào tạo mô hình, giúp AI AGENT hoàn thành nhiệm vụ một cách chính xác hơn.
Học không giám sát: Phát hiện 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 bằng dữ liệu thời gian thực, giữ cho đại lý thể hiện 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 tính thích ứng và linh hoạt của AI AGENT.
1.3 Tình trạng thị trường
1.3.1 Tình trạng ngành
AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng to lớn của nó như một giao diện người tiêu dùng và một tác nhân kinh tế tự chủ, mang lại sự chuyển mình cho nhiều ngành công nghiệp. Giống như tiềm năng không thể đo lường của không gian khối L1 trong chu kỳ trước, 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) cao tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành công nghiệp khác nhau và 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 diện mã nguồn mở. Các hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang ngày càng sôi động, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn bên ngoài lĩnh vực tiền điện tử, TAM cũng đang mở rộng.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
6 thích
Phần thưởng
6
5
Chia sẻ
Bình luận
0/400
GasGrillMaster
· 13giờ trước
agent là nhu cầu thiết yếu!
Xem bản gốcTrả lời0
CounterIndicator
· 13giờ trước
Năm 2025 chắc chắn sẽ bán phá giá lớn, không tin bạn xem.
Đại lý AI dẫn dắt hệ sinh thái kinh tế mới, quy mô thị trường dự kiến vượt 47 tỷ đô la.
AI AGENT: Sức mạnh thông minh định hình hệ sinh thái kinh tế mới trong tương lai
1. Bối cảnh tổng quát
1.1 Giới thiệu: "Người bạn mới" trong kỷ nguyên thông minh
Mỗi chu kỳ tiền điện tử đều mang đến cơ sở hạ tầng hoàn toàn mới thúc đẩy sự phát triển của toàn ngành.
Cần nhấn mạnh rằng, sự khởi đầu của các 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 những biến đổi lớn lao. 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 đồng tiền nhất định được ra mắt, và vào ngày 15 tháng 10 đạt giá trị thị trường 150 triệu đô la. Ngay sau đó, vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh livestream của một cô gái hàng xóm, gây bùng nổ toàn ngành.
Vậy, AI Agent thực sự là gì?
Mọi người chắc chắn không xa lạ gì với bộ phim kinh điển "Resident Evil", trong đó hệ thống AI Nữ Hoàng Đỏ để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, kiểm soát 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 và chức năng cốt lõi của Nữ hoàng trái tim có nhiều điểm tương đồng. AI Agent trong thực tế đóng vai trò tương tự đến 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 nhận thức tự chủ, phân tích và thực hiện. Từ ô tô tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành nghề, trở thành lực lượng then chốt trong việc nâng cao hiệu quả và đổi mới. Những thực thể thông minh tự chủ này, giống như những thành viên trong nhóm vô hình, có khả năng toàn diện từ nhận thức môi trường đến thực hiện quyết định, dần dần thâm nhập vào các ngành khác nhau, thúc đẩy sự nâng cao kép về hiệu suất và đổi mới.
Ví dụ, một AI AGENT có thể được sử dụng để tự động hóa giao dịch, 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 duy nhất, mà được chia thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền mã hóa:
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.
AI Agent sáng tạo: dùng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.
AI Agent xã hội: Là một người có ảnh hưởng trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia các hoạt động tiếp thị.
Đại lý AI điều phối: Điều phối tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp cho 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 cấu trúc cảnh quan ngành, và dự báo xu hướng phát triển trong tương lai.
1.1.1 Lịch sử phát triển
Lịch sử phát triển của AI AGENT cho thấy sự chuyển biến của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, tạo nền tảng cho AI như một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, đã tạo ra những chương trình AI đầu tiên, như ELIZA( một robot trò chuyện) và Dendral( hệ chuyên gia trong lĩnh vực hóa học hữu cơ). Giai đoạn này cũng chứng kiến việc đề xuất mạng nơ-ron lần đầu tiên và khám phá ban đầu về khái niệm học máy. Nhưng nghiên cứu AI trong giai đoạn này bị hạn chế nghiêm trọng bởi khả năng tính toán vào thời điểm đó. 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. Hơn nữa, vào năm 1972, nhà toán học James Lighthill đã nộp một báo cáo được công bố vào năm 1973 về tình trạng nghiên cứu AI đang diễn ra ở Anh. Báo cáo Lighthill cơ bản thể hiện sự bi quan toàn diện 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, kinh phí nghiên cứu AI đã giảm mạnh, lĩnh vực AI đã trải qua "mùa đông AI" đầu tiên, với tâm lý nghi ngờ về tiềm năng của AI gia tăng.
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 và việc triển khai AI trong các ngành như tài chính, y tế cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, khi nhu cầu thị trường đối với phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, cách mở rộng quy mô của các hệ thống AI và tích hợp thành công chúng vào ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng trong khi đó, 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 về khả năng giải quyết các vấn đề phức tạp của AI. Sự phục hồi của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong bức tranh công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.
Vào đầu thế kỷ này, sự tiến bộ trong khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã chứng minh tính thực tiễn của AI trong lĩnh vực ứng dụng tiêu dùng. Trong thập kỷ 2010, các đại lý học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá tiếp theo, 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 một cột mốc quan trọng trong sự phát triển của AI, đặc biệt là việc phát hành GPT-4, được coi là một bước ngoặt trong lĩnh vực đại lý AI. Kể từ khi một công ty phát hành dòng GPT, các mô hình được tiền huấn luyện quy mô lớn với hàng chục tỷ thậm chí hàng trăm tỷ tham số đã thể hiện khả năng sinh và hiểu ngôn ngữ vượt trội hơn so với các mô hình truyền thống. Hiệu suất xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các đại lý AI thể hiện khả năng tương tác rõ ràng và có hệ thống thông qua việc sinh ngôn ngữ. Điều này đã cho phép các đại lý AI được áp dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và dần dần mở rộng sang các nhiệm vụ phức tạp hơn ( như phân tích kinh doanh, viết sáng tạo ).
Khả năng học hỏi của mô hình ngôn ngữ lớn đã cung cấp cho các đại lý AI tính 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, 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 điển hình như GPT-4, lịch sử phát triển của các đại lý AI là một cuộc cách mạng không ngừng vượt qua các ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong hành trình này. Với sự phát triển công nghệ thêm nữa, các đại lý AI sẽ trở nên thông minh hơn, định hình theo 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 liên lĩnh vực. Trong tương lai, các nền tảng dự án đổi mới sẽ tiếp tục xuất hiện, thúc đẩy việc triển khai và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm do AI điều khiển.
Nguyên lý hoạt động 1.2
Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích ứng 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 có kỹ thuật cao, đang phát triển trong lĩnh vực tiền điện tử, có khả năng hoạt động độc lập trong nền kinh tế số.
Cốt lõi của AI AGENT là "thông minh"------tức là mô phỏng hành vi thông minh của con người hoặc sinh vật khác thông qua thuật toán, nhằm tự động hóa việc giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: nhận thức, 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 ra 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 làm bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên biệt 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 một vài bước: đầu tiên là đánh giá môi trường, tiếp theo 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 các 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
Mô-đun học là lợi thế cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải thiện liên tục thông qua vòng phản hồi hoặc "bánh xe dữ liệu", phản hồi dữ liệu được tạo ra trong tương tác vào hệ thống để tăng cường mô hình. Khả năng này dần thích ứng và trở nên hiệu quả hơn theo thời gian cung cấp cho các doanh nghiệp một công cụ mạnh mẽ để nâng cao quyết định và hiệu quả hoạt động.
Mô-đun học thường được cải tiến theo những 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 tính thích ứng và linh hoạt của AI AGENT.
1.3 Tình trạng thị trường
1.3.1 Tình trạng ngành
AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng to lớn của nó như một giao diện người tiêu dùng và một tác nhân kinh tế tự chủ, mang lại sự chuyển mình cho nhiều ngành công nghiệp. Giống như tiềm năng không thể đo lường của không gian khối L1 trong chu kỳ trước, 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) cao tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành công nghiệp khác nhau và 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 diện mã nguồn mở. Các hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang ngày càng sôi động, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn bên ngoài lĩnh vực tiền điện tử, TAM cũng đang mở rộng.