وكيل الذكاء الاصطناعي: 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 تطور مزدهر لعملية الطرح الأولي للعملة (ICO).
في عام 2020 ، جلبت أحواض السيولة في DEX موجة الصيف في DeFi.
في عام 2021، شهدنا ظهور العديد من مجموعات الأعمال الفنية غير القابلة للاستبدال (NFT) مما يمثل بداية عصر المقتنيات الرقمية.
في عام 2024، أدت الأداء الممتاز لمنصة إطلاق معينة إلى إثارة حماس عملات الميم ومنصات الإطلاق.
إن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، ولكنها أيضًا نتيجة لتكامل مثالي بين نماذج التمويل ودورة السوق الصاعدة. عندما تلتقي الفرص مع التوقيت المناسب، يمكن أن تثير تغييرات كبيرة. من المتوقع أنه بحلول عام 2025، سيكون المجال الناشئ في دورة 2025 هو الوكلاء الذكائيين. لقد وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، وفي 11 أكتوبر 2024، تم إطلاق رمزية معينة، وبلغت قيمتها السوقية 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بصورة بث مباشر لشخصية الفتاة الجارة، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي بالضبط؟
يجب أن يكون الجميع على دراية بالفيلم الكلاسيكي "إقامة الموتى"، حيث أن نظام الذكاء الاصطناعي "الملكة الحمراء" يترك انطباعاً عميقاً. الملكة الحمراء هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة أمان، وقادرة على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.
في الواقع، هناك الكثير من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. يلعب وكيل الذكاء الاصطناعي في الحياة الواقعية دورًا مشابهًا إلى حد ما، حيث يعد "حارس الحكمة" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي، والتحليل، والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من مختلف الصناعات، مما جعله قوة رئيسية لتعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، تتمتع بقدرة شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتتسلل تدريجياً إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام عميل AI لأتمتة التداول، استنادًا إلى البيانات التي تم جمعها من منصة بيانات أو منصة اجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ التداولات في الوقت الفعلي، مع تحسين أدائها باستمرار من خلال التكرار. عميل AI ليس شكلًا واحدًا، بل يتم تصنيفه إلى فئات مختلفة بناءً على الاحتياجات المحددة في النظام الإيكولوجي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت اللازم.
وكيل الذكاء الاصطناعي الإبداعي: يستخدم لإنشاء المحتوى، بما في ذلك النصوص والتصميم وحتى تأليف الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمعات ويشارك في الأنشطة التسويقية.
وكيل الذكاء الاصطناعي التناسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل متعدد السلاسل.
في هذا التقرير، سنتناول بالتفصيل أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، وسنحلل كيف تعيد تشكيل هذه الوكلاء مشهد الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطوير
تاريخ تطور الوكيل الذكي (AI AGENT) يُظهر كيف انتقلت الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما أسس للذكاء الاصطناعي كمجال مستقل. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الطرق 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 اقتراح للشبكات العصبية واستكشاف أولي لمفهوم التعلم الآلي. ومع ذلك، كانت أبحاث الذكاء الاصطناعي في هذه الفترة مقيدة بشدة من خلال قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير خوارزميات معالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في بريطانيا. عبّر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير للثقة من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات المانحة ) تجاه الذكاء الاصطناعي. بعد عام 1973، انخفض التمويل لأبحاث الذكاء الاصطناعي بشكل كبير، وعانت مجال الذكاء الاصطناعي من "شتاء الذكاء الاصطناعي" الأول، مما زاد من مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطور الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في مجالات تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مختلف الصناعات مثل المالية والرعاية الصحية، كان أيضًا علامة على توسيع تقنيات الذكاء الاصطناعي. لكن في أواخر الثمانينيات وبدايات التسعينيات، ومع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهدت مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الثاني. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. لكن في الوقت نفسه، في عام 1997، هزم كمبيوتر IBM ديب بلو بطل الشطرنج العالمي غاري كاسباروف، مما كان حدثًا بارزًا في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاشة الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
بحلول أوائل هذا القرن، أدى التقدم في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري قابلية تطبيق الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في عقد 2010، حققت وكلاء التعلم التعزيزي ونماذج توليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. في هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (Large Language Model، LLM) علامة فارقة مهمة في تطوير الذكاء الاصطناعي، خاصة مع إطلاق GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع عبر مئات المليارات وحتى الآلاف من المليارات من المعاملات، قدرة فائقة على توليد وفهم اللغة تتجاوز النماذج التقليدية. إن أدائها البارز في معالجة اللغة الطبيعية مكن وكلاء الذكاء الاصطناعي من عرض قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا سمح لوكلاء الذكاء الاصطناعي بالتطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً نحو مهام أكثر تعقيدًا (مثل التحليل التجاري، الكتابة الإبداعية).
تمنح قدرة التعلم لنماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في بعض المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.
من النظام القائم على القواعد في البداية إلى نموذج اللغة الكبير الممثل بـ GPT-4، تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ من التطور الذي يتجاوز الحدود التكنولوجية باستمرار. وبلا شك، فإن ظهور GPT-4 يعد نقطة تحول مهمة في هذه الرحلة. مع المزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتخصصًا، وتنوعًا. لم يضف نموذج اللغة الكبير "ذكاء" إلى روح وكلاء الذكاء الاصطناعي فحسب، بل منحهم أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة جديدة باستمرار، مما سيستمر في دفع تقنية وكلاء الذكاء الاصطناعي إلى الأمام وتطويرها، مما يقود إلى عصر جديد من التجارب المدفوعة بالذكاء الاصطناعي.
1.2 آلية العمل
تختلف AIAGENT عن الروبوتات التقليدية في قدرتها على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين بارزين ومتطورين في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
الجوهر الأساسي لوكيل الذكاء الاصطناعي هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل آلي. عادة ما تتبع سير العمل لوكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
يتمكن وكيل الذكاء الاصطناعي من التفاعل مع العالم الخارجي من خلال وحدة الإدراك، وجمع المعلومات البيئية. تشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المعنى، والتعرف على الكائنات أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات معنى، وغالبًا ما تتضمن التقنيات التالية:
الرؤية الحاسوبية: تُستخدم لمعالجة وفهم بيانات الصور والفيديو.
معالجة اللغة الطبيعية (NLP): تساعد وكيل الذكاء الاصطناعي على فهم وتوليد اللغة البشرية.
دمج المستشعرات: دمج بيانات من مستشعرات متعددة في عرض موحد.
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات استنادًا إلى البيانات. تعتبر وحدة الاستدلال واتخاذ القرار "دماغ" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي وتطوير استراتيجيات استنادًا إلى المعلومات التي تم جمعها. من خلال استخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلال، يتم فهم المهام، وإنشاء الحلول، والتنسيق مع النماذج المتخصصة التي تستخدم لإنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
عادةً ما تستخدم هذه الوحدة التقنيات التالية:
محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، وتستخدم في التعرف على الأنماط المعقدة والتنبؤ.
التعلم المعزز: جعل وكيل الذكاء الاصطناعي يحسن استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.
عادةً ما تتضمن عملية الاستدلال عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.
1.2.3 وحدة التنفيذ
وحدة التنفيذ هي "الأيدي والأقدام" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع أنظمة أو أجهزة خارجية لإكمال 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 المادية، مثل حركة ذراع الروبوت.
استدعاء API: التفاعل مع أنظمة البرمجيات الخارجية، مثل استعلامات قاعدة البيانات أو الوصول إلى خدمات الشبكة.
إدارة العمليات الآلية: في بيئة الشركات، من خلال RPA (أتمتة العمليات الروبوتية) تنفيذ المهام المتكررة.
1.2.4 وحدة التعلم
تعد وحدة التعلم من الركائز الأساسية لميزة الذكاء الاصطناعي، حيث تمكن الوكلاء من أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النموذج باستمرار من خلال إدخال البيانات التي تم إنشاؤها خلال التفاعلات في النظام. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات من أجل تعزيز عملية اتخاذ القرار وكفاءة العمليات.
تتم تحسين وحدات التعلم عادةً بالطرق التالية:
التعلم تحت الإشراف: استخدام البيانات المعنونة لتدريب النموذج، مما يمكن الوكيل الذكي من إكمال المهام بدقة أكبر.
التعلم غير المشرف: اكتشاف الأنماط المحتملة من البيانات غير الموسومة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
التعلم المستمر: من خلال تحديث النموذج بالبيانات الحية، الحفاظ على أداء الوكيل في بيئة ديناميكية.
1.2.5 التغذية الراجعة الفورية والتعديل
يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة ملاحظات مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق التكيف والمرونة لوكيل الذكاء الاصطناعي.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح AI AGENT محور تركيز السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وكمتعامل اقتصادي مستقل، مما يجلب تغييرات للعديد من الصناعات. تمامًا كما كانت إمكانيات مساحة الكتل L1 في الدورة السابقة لا تقدر بثمن، يظهر AI AGENT في هذه الدورة نفس الآفاق.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي 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 اختراق وكيل الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.
لقد زادت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. إن أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph من قبل شركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT يمتلك إمكانات سوقية أكبر خارج مجال التشفير، وأن السوق المتاحة (TAM) تتوسع، ويزداد اهتمام المستثمرين به، مما يجعلهم أكثر استعدادًا لمنحه مضاعفات سعرية.
من حيث نشر سلسلة الكتل العامة، تعتبر سلسلة الكتل العامة معينة هي ساحة المعركة الرئيسية، وهناك أيضًا سلسلة كتل معينة.
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.
تسجيلات الإعجاب 8
أعجبني
8
3
إعادة النشر
مشاركة
تعليق
0/400
DefiSecurityGuard
· منذ 18 س
*يُدقّق في الكود بقلق* مmm دورة أخرى، متجه هجوم آخر في الانتظار... هل تحقق أحد من هذه الوكلاء الذكية لاستغلالات MEV حتى الآن؟ بصراحة، يبدو مريبًا جدًا
ظهور وكيل الذكاء الاصطناعي وإعادة تشكيل الاقتصاد الرقمي الجديد في Web3
وكيل الذكاء الاصطناعي: 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.
إن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، ولكنها أيضًا نتيجة لتكامل مثالي بين نماذج التمويل ودورة السوق الصاعدة. عندما تلتقي الفرص مع التوقيت المناسب، يمكن أن تثير تغييرات كبيرة. من المتوقع أنه بحلول عام 2025، سيكون المجال الناشئ في دورة 2025 هو الوكلاء الذكائيين. لقد وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، وفي 11 أكتوبر 2024، تم إطلاق رمزية معينة، وبلغت قيمتها السوقية 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بصورة بث مباشر لشخصية الفتاة الجارة، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي بالضبط؟
يجب أن يكون الجميع على دراية بالفيلم الكلاسيكي "إقامة الموتى"، حيث أن نظام الذكاء الاصطناعي "الملكة الحمراء" يترك انطباعاً عميقاً. الملكة الحمراء هي نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة أمان، وقادرة على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.
في الواقع، هناك الكثير من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. يلعب وكيل الذكاء الاصطناعي في الحياة الواقعية دورًا مشابهًا إلى حد ما، حيث يعد "حارس الحكمة" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في مواجهة المهام المعقدة من خلال الإدراك الذاتي، والتحليل، والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من مختلف الصناعات، مما جعله قوة رئيسية لتعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، تتمتع بقدرة شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتتسلل تدريجياً إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام عميل AI لأتمتة التداول، استنادًا إلى البيانات التي تم جمعها من منصة بيانات أو منصة اجتماعية، لإدارة المحافظ الاستثمارية وتنفيذ التداولات في الوقت الفعلي، مع تحسين أدائها باستمرار من خلال التكرار. عميل AI ليس شكلًا واحدًا، بل يتم تصنيفه إلى فئات مختلفة بناءً على الاحتياجات المحددة في النظام الإيكولوجي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت اللازم.
وكيل الذكاء الاصطناعي الإبداعي: يستخدم لإنشاء المحتوى، بما في ذلك النصوص والتصميم وحتى تأليف الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمعات ويشارك في الأنشطة التسويقية.
وكيل الذكاء الاصطناعي التناسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل متعدد السلاسل.
في هذا التقرير، سنتناول بالتفصيل أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، وسنحلل كيف تعيد تشكيل هذه الوكلاء مشهد الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.
1.1.1 تاريخ التطوير
تاريخ تطور الوكيل الذكي (AI AGENT) يُظهر كيف انتقلت الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما أسس للذكاء الاصطناعي كمجال مستقل. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الطرق 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 اقتراح للشبكات العصبية واستكشاف أولي لمفهوم التعلم الآلي. ومع ذلك، كانت أبحاث الذكاء الاصطناعي في هذه الفترة مقيدة بشدة من خلال قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير خوارزميات معالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في بريطانيا. عبّر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير للثقة من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات المانحة ) تجاه الذكاء الاصطناعي. بعد عام 1973، انخفض التمويل لأبحاث الذكاء الاصطناعي بشكل كبير، وعانت مجال الذكاء الاصطناعي من "شتاء الذكاء الاصطناعي" الأول، مما زاد من مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطور الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في مجالات تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما ساهم في ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مختلف الصناعات مثل المالية والرعاية الصحية، كان أيضًا علامة على توسيع تقنيات الذكاء الاصطناعي. لكن في أواخر الثمانينيات وبدايات التسعينيات، ومع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهدت مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الثاني. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. لكن في الوقت نفسه، في عام 1997، هزم كمبيوتر IBM ديب بلو بطل الشطرنج العالمي غاري كاسباروف، مما كان حدثًا بارزًا في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاشة الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.
بحلول أوائل هذا القرن، أدى التقدم في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري قابلية تطبيق الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في عقد 2010، حققت وكلاء التعلم التعزيزي ونماذج توليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. في هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (Large Language Model، LLM) علامة فارقة مهمة في تطوير الذكاء الاصطناعي، خاصة مع إطلاق GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع عبر مئات المليارات وحتى الآلاف من المليارات من المعاملات، قدرة فائقة على توليد وفهم اللغة تتجاوز النماذج التقليدية. إن أدائها البارز في معالجة اللغة الطبيعية مكن وكلاء الذكاء الاصطناعي من عرض قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا سمح لوكلاء الذكاء الاصطناعي بالتطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً نحو مهام أكثر تعقيدًا (مثل التحليل التجاري، الكتابة الإبداعية).
تمنح قدرة التعلم لنماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في بعض المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.
من النظام القائم على القواعد في البداية إلى نموذج اللغة الكبير الممثل بـ GPT-4، تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ من التطور الذي يتجاوز الحدود التكنولوجية باستمرار. وبلا شك، فإن ظهور GPT-4 يعد نقطة تحول مهمة في هذه الرحلة. مع المزيد من التطور التكنولوجي، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتخصصًا، وتنوعًا. لم يضف نموذج اللغة الكبير "ذكاء" إلى روح وكلاء الذكاء الاصطناعي فحسب، بل منحهم أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة جديدة باستمرار، مما سيستمر في دفع تقنية وكلاء الذكاء الاصطناعي إلى الأمام وتطويرها، مما يقود إلى عصر جديد من التجارب المدفوعة بالذكاء الاصطناعي.
1.2 آلية العمل
تختلف AIAGENT عن الروبوتات التقليدية في قدرتها على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين بارزين ومتطورين في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.
الجوهر الأساسي لوكيل الذكاء الاصطناعي هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل آلي. عادة ما تتبع سير العمل لوكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.
1.2.1 وحدة الإدراك
يتمكن وكيل الذكاء الاصطناعي من التفاعل مع العالم الخارجي من خلال وحدة الإدراك، وجمع المعلومات البيئية. تشبه هذه الوظيفة حواس الإنسان، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات المعنى، والتعرف على الكائنات أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات معنى، وغالبًا ما تتضمن التقنيات التالية:
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات استنادًا إلى البيانات. تعتبر وحدة الاستدلال واتخاذ القرار "دماغ" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي وتطوير استراتيجيات استنادًا إلى المعلومات التي تم جمعها. من خلال استخدام نماذج اللغة الكبيرة وغيرها كمنسقين أو محركات استدلال، يتم فهم المهام، وإنشاء الحلول، والتنسيق مع النماذج المتخصصة التي تستخدم لإنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
عادةً ما تستخدم هذه الوحدة التقنيات التالية:
عادةً ما تتضمن عملية الاستدلال عدة خطوات: أولاً تقييم البيئة، ثم حساب عدة خيارات عمل محتملة بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.
1.2.3 وحدة التنفيذ
وحدة التنفيذ هي "الأيدي والأقدام" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع أنظمة أو أجهزة خارجية لإكمال 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 وحدة التعلم من الركائز الأساسية لميزة الذكاء الاصطناعي، حيث تمكن الوكلاء من أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النموذج باستمرار من خلال إدخال البيانات التي تم إنشاؤها خلال التفاعلات في النظام. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات من أجل تعزيز عملية اتخاذ القرار وكفاءة العمليات.
تتم تحسين وحدات التعلم عادةً بالطرق التالية:
1.2.5 التغذية الراجعة الفورية والتعديل
يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة ملاحظات مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق التكيف والمرونة لوكيل الذكاء الاصطناعي.
1.3 حالة السوق
1.3.1 حالة الصناعة
أصبح AI AGENT محور تركيز السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وكمتعامل اقتصادي مستقل، مما يجلب تغييرات للعديد من الصناعات. تمامًا كما كانت إمكانيات مساحة الكتل L1 في الدورة السابقة لا تقدر بثمن، يظهر AI AGENT في هذه الدورة نفس الآفاق.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي 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 اختراق وكيل الذكاء الاصطناعي في مختلف الصناعات، فضلاً عن الطلب السوقي الناتج عن الابتكار التكنولوجي.
لقد زادت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. إن أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph من قبل شركة معينة أصبحت أكثر نشاطًا، مما يدل على أن AI AGENT يمتلك إمكانات سوقية أكبر خارج مجال التشفير، وأن السوق المتاحة (TAM) تتوسع، ويزداد اهتمام المستثمرين به، مما يجعلهم أكثر استعدادًا لمنحه مضاعفات سعرية.
من حيث نشر سلسلة الكتل العامة، تعتبر سلسلة الكتل العامة معينة هي ساحة المعركة الرئيسية، وهناك أيضًا سلسلة كتل معينة.