فك شفرة 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 الرقمية تجلب بنية تحتية جديدة تدفع صناعة بأكملها نحو التطور.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت برك السيولة في DEX موجة الصيف في DeFi.
• في عام 2021، أدى ظهور العديد من مجموعات الأعمال الفنية غير القابلة للاستبدال (NFT) إلى ظهور عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق إلى إثارة حماس العملات الميمية ومنصات الإطلاق.

من المهم التأكيد على أن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرص مع الوقت المناسب، يمكن أن تؤدي إلى تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكيل الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، وفي 11 أكتوبر 2024 تم إطلاق رمز معين، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. تلا ذلك في 16 أكتوبر، حيث أطلق بروتوكول معين Luna، مع ظهورها لأول مرة بصورة شخصية فتاة الجوار، مما أشعل القطاع بأسره.

إذن، ما هو وكيل الذكاء الاصطناعي بالضبط؟

الجميع بالتأكيد على دراية بالفيلم الكلاسيكي "أزمة حيوية"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي، يتحكم في مرافق معقدة وأنظمة الأمان، قادر على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة بشكل مستقل.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي، إلى حد ما، دورًا مشابهًا، حيث يُعتبر "حارس الحكمة" في مجال التكنولوجيا الحديثة، من خلال الإدراك الذاتي، والتحليل، والتنفيذ، يساعد الشركات والأفراد على مواجهة المهام المعقدة. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءًا لا يتجزأ من جميع الصناعات، وأصبح القوة الرئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من الإدراك البيئي إلى تنفيذ القرارات، وتتغلغل تدريجياً في مختلف القطاعات، مما يدفع نحو تحسين مزدوج في الكفاءة والابتكار.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في التداول الآلي، استنادًا إلى البيانات التي تم جمعها من منصة معينة أو منصة اجتماعية، لإدارة المحفظة وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائها باستمرار من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل يتم تقسيمه إلى فئات مختلفة وفقًا للاحتياجات المحددة في النظام البيئي للعملات المشفرة:

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام معينة مثل التداول، إدارة المحافظ، أو التحكيم، بهدف تحسين دقة العمليات وتقليل الوقت المطلوب.

2. وكيل الذكاء الاصطناعي الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى تأليف الموسيقى.

3. وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني المجتمع ويشارك في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي التنسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، خاصةً مناسب لدمج سلاسل الكتل المتعددة.

في هذا التقرير، سوف نستكشف بعمق أصول وأوضاع وآفاق تطبيقات AI Agent، ونحلل كيف تعيد تشكيل مشهد الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.

1.1.1 تاريخ التنمية

عرض تطور AI AGENT تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "AI" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالًا مستقلًا. في هذه الفترة، ركز البحث في الذكاء الاصطناعي بشكل أساسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA (روبوت الدردشة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشاف مفاهيم التعلم الآلي. ومع ذلك، كانت أبحاث الذكاء الاصطناعي في هذه الفترة مقيدة بشدة بسبب قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في معالجة اللغة الطبيعية وتطوير الخوارزميات التي تحاكي الوظائف الإدراكية البشرية. بالإضافة إلى ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايت هيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. أعرب تقرير لايت هيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الإثارة المبكرة، مما أدى إلى فقدان الثقة بشكل كبير من قبل المؤسسات الأكاديمية البريطانية ( بما في ذلك جهات التمويل ). بعد عام 1973، انخفضت التمويلات المخصصة لأبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من المشاعر المشككة في إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وت commercialisation إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كما أن إدخال المركبات الذاتية لأول مرة ونشر تقنيات الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية، كانت أيضًا علامة على توسع تقنيات الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، شهدت مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الثاني مع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، هزم كمبيوتر IBMs Deep Blue بطل العالم في الشطرنج غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. وأسس إحياء 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.

مع بداية القرن الحادي والعشرين، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت بعض المساعدات الافتراضية عملية الذكاء الاصطناعي في مجال التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي التفاعلي إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM) علامة فارقة في تطور الذكاء الاصطناعي، وخاصة مع إطلاق GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت إحدى الشركات سلسلة GPT، أظهرت النماذج المدربة على نطاق واسع من خلال عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرة على توليد وفهم اللغة تتجاوز النماذج التقليدية. لقد جعل الأداء المتميز لها في معالجة اللغة الطبيعية وكلاء الذكاء الاصطناعي قادرين على عرض تفاعلات منطقية وواضحة من خلال توليد اللغة. وهذا يمكن وكلاء الذكاء الاصطناعي من التطبيق في سيناريوهات مثل مساعدات الدردشة وخدمات العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا (مثل التحليل التجاري، والكتابة الإبداعية).

تُوفر قدرة نماذج اللغة الكبيرة على التعلم مستوى أعلى من الاستقلالية لوكلاء الذكاء الاصطناعي. من خلال تقنيات التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم بشكل مستمر، 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 يتيح تفاعلًا ديناميكيًا حقيقيًا.

من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، فإن تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ تطور مستمر يتجاوز حدود التكنولوجيا. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع التطور المستمر للتكنولوجيا، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعًا، وسيناريوهات. نماذج اللغة الكبيرة لا تضيف فقط "ذكاء" إلى روح وكلاء الذكاء الاصطناعي، بل توفر لهم أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة باستمرار، مما يدفع تكنولوجيا وكلاء الذكاء الاصطناعي إلى التنفيذ والنمو، وقيادة عصر جديد مدفوع بالذكاء الاصطناعي.

1.2 مبدأ العمل

تتمثل الاختلافات بين AIAGENT والروبوتات التقليدية في قدرتها على التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين ذوي مهارات تقنية متطورة ومتنامية 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، من أجل حل المشكلات المعقدة بشكل تلقائي. عادة ما تتبع سير عمل وكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستنتاج، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك لجمع معلومات البيئة. تشبه وظيفة هذه الوحدة الحواس البشرية، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات ذات الدلالة، وتحديد الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات مغزى، وغالبًا ما يتضمن ذلك التقنيات التالية:

• رؤية الحاسوب: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية (NLP): تساعد AI AGENT على فهم وإنتاج اللغة البشرية.
• دمج المستشعرات: دمج بيانات来自 عدة مستشعرات في عرض موحد.

1.2.2 وحدة الاستدلال واتخاذ القرار

عند إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات استنادًا إلى البيانات. وحدة الاستدلال واتخاذ القرار هي "دماغ" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي ووضع استراتيجيات استنادًا إلى المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وما إلى ذلك كمنسق أو محرك استدلال، لفهم المهام، وتوليد الحلول وتنسيق النماذج المتخصصة في وظائف معينة مثل إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

عادة 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 يقوم بتحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئة المتغيرة.

عملية الاستدلال عادةً ما تتضمن عدة خطوات: أولاً تقييم البيئة، ثم حساب العديد من السيناريوهات الممكنة بناءً على الهدف، وأخيرًا اختيار السيناريو الأمثل للتنفيذ.

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تحوّل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية، وتنفيذ المهام المحددة. قد يشمل ذلك عمليات مادية (مثل حركة الروبوتات) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: يستخدم في العمليات الفيزيائية، 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، يتم تنفيذ المهام المتكررة من خلال RPA (أتمتة العمليات الروبوتية).

1.2.4 وحدة التعلم

تُعد وحدة التعلم هي القوة الأساسية لوكيل الذكاء الاصطناعي، حيث تمكّن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام باستمرار من خلال إعادة إدخال البيانات الناتجة عن التفاعلات لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية للأعمال أداة قوية تُعزز من اتخاذ القرارات وكفاءة العمليات.

عادة ما يتم تحسين وحدات التعلم بالطرق التالية:

• التعلم تحت الإشراف: استخدام البيانات المصنفة لتدريب النموذج، مما يمكن وكيل الذكاء الاصطناعي من إكمال المهام بدقة أكبر.
• التعلم غير المشرف: اكتشاف الأنماط المحتملة من البيانات غير المعلنة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: تحديث النموذج من خلال البيانات الحية، للحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 ردود الفعل الفورية والتعديل

يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال دورة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لتعديل القرارات المستقبلية. يضمن هذا النظام المغلق تكيف وكيل الذكاء الاصطناعي ومرونته.

1.3 حالة السوق

1.3.1 حالة الصناعة

أصبح وكيل الذكاء الاصطناعي محور اهتمام السوق، حيث يحمل إمكانيات ضخمة كواجهة للمستهلكين وعامل اقتصادي مستقل، مما يجلب التحولات للعديد من الصناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتلة L1 في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي آفاقًا مماثلة في هذه الدورة.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكلاء 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%. تعكس هذه الزيادة السريعة قوة اختراق وكلاء الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب المتزايد في السوق الناجم عن الابتكار التكنولوجي.

لقد زادت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. أصبحت أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph لشركة معينة أكثر نشاطًا، مما يشير إلى أن الذكاء الاصطناعي AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، TA