وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل
1. خلفية عامة
1.1 المقدمة: "الشريك الجديد" في عصر الذكاء
كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التطور.
في عام 2017، أدت ظهور العقود الذكية إلى ازدهار تطوير ICO.
في عام 2020، جلبت تجمعات السيولة في DEX موجة صيف DeFi.
في عام 2021، شهدت العديد من سلسلة NFT ظهورها مما يدل على بداية عصر المقتنيات الرقمية.
في عام 2024، أدت الأداء الممتاز لمنصة إطلاق معينة إلى قيادة موجة من memecoin ومنصات الإطلاق.
من المهم التأكيد على أن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة للتوافق المثالي بين نماذج التمويل ودورة السوق الصاعدة. عندما تلتقي الفرصة مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات كبيرة. 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، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين لونا، الذي ظهر لأول مرة بصورة فتاة الجيران في بث مباشر، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي؟
الجميع على دراية بالفيلم الكلاسيكي "Resident Evil"، حيث يترك نظام الذكاء الاصطناعي "ملكة القلب الأحمر" انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي يتحكم في المرافق المعقدة وأنظمة الأمان، ويستطيع إدراك البيئة وتحليل البيانات واتخاذ إجراءات سريعة بشكل مستقل.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. يلعب وكيل الذكاء الاصطناعي في الواقع، إلى حد ما، دوراً مماثلاً، حيث إنه "حارس الذكاء" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في التعامل مع المهام المعقدة من خلال الإدراك الذاتي والتحليل والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءاً لا يتجزأ من جميع القطاعات، مما يجعله قوة رئيسية في تعزيز الكفاءة والابتكار. هؤلاء الوكلاء الذكيون المستقلون، مثل أعضاء الفريق غير المرئيين، يمتلكون القدرة الشاملة من الإدراك البيئي إلى تنفيذ القرارات، ويتسللون تدريجياً إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، استنادًا إلى البيانات المجمعة من منصة بيانات معينة أو منصة تواصل اجتماعي، لإدارة المحفظة الاستثمارية وتنفيذ التداولات في الوقت الحقيقي، وتحسين أدائه بشكل مستمر من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تقسيمه إلى فئات مختلفة حسب الاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى تأليف الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني مجتمعًا ويشارك في الأنشطة التسويقية.
وكيل الذكاء الاصطناعي التناسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل متعددة.
في هذا التقرير، سوف نستكشف بعمق أصول وكلاء الذكاء الاصطناعي، ووضعهم الحالي، وآفاق تطبيقاتهم الواسعة، وسنحلل كيف يعيدون تشكيل مشهد الصناعة، ونتطلع إلى اتجاهات تطويرهم المستقبلية.
1.1.1 تاريخ التنمية
تظهر مسيرة تطوير AI التحول من البحث الأساسي إلى التطبيق الواسع للذكاء الاصطناعي. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالًا مستقلاً. خلال هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل كبير على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي مثل ELIZA (روبوت محادثة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشافًا أوليًا لمفهوم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بقدرات الحوسبة في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير خوارزميات معالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. علاوة على ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. يعبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماسة المبكرة، مما أدى إلى فقدان كبير للثقة من المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات الممولة ). بعد عام 1973، انخفض تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من مشاعر الشك في إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجاريتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. حققت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. إن إدخال المركبات الذاتية لأول مرة ونشر الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية وغيرها، كان أيضًا علامة على توسيع تكنولوجيا الذكاء الاصطناعي. لكن في أواخر الثمانينيات وبداية التسعينيات، مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المخصصة، شهد مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي". بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم حاسوب IBM ديب بلو بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أتاح إحياء الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر في الحياة اليومية.
في بداية هذا القرن، دفعت التقدمات في القدرة الحاسوبية صعود التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حقق وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (LLM) علامة فارقة مهمة في تطور الذكاء الاصطناعي، خصوصًا مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة ما سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، التي تحتوي على مئات المليارات أو حتى آلاف المليارات من المعلمات، قدرات تفوق النماذج التقليدية في توليد وفهم اللغة. لقد أثبتت أدائها المتميز في معالجة اللغة الطبيعية أن وكلاء الذكاء الاصطناعي قادرون على عرض قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا مكن وكلاء الذكاء الاصطناعي من تطبيق أنفسهم في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا (مثل التحليل التجاري، والكتابة الإبداعية).
تقدم قدرة التعلم لنماذج اللغة الكبيرة مستوى أعلى من الاستقلالية لوكلاء الذكاء الاصطناعي. من خلال تقنيات التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على إدخالات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.
تاريخ تطور وكلاء الذكاء الاصطناعي من أنظمة القواعد المبكرة إلى نماذج اللغة الكبيرة الممثلة بـ GPT-4 هو تاريخ من التطور المستمر الذي ي突破 الحدود التكنولوجية. وبلا شك، فإن ظهور GPT-4 يمثل نقطة تحول هامة في هذه الرحلة. مع استمرار تقدم التكنولوجيا، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعاً، وسياقاً. لم تزود نماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي "بروح" "الذكاء" فحسب، بل منحتهم أيضاً القدرة على التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع بتقنية وكلاء الذكاء الاصطناعي إلى التنفيذ والتطور، وقيادة عصر جديد مدفوع بالذكاء الاصطناعي.
1.2طريقة العمل
تختلف AIAGENT عن الروبوتات التقليدية في أنها قادرة 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 في AI AGENT هو "الذكاء"------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل آلي. عادةً ما تتبع سير العمل في AI AGENT 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 البشر، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات المعنوية، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات مغزى، والتي تشمل عادةً التقنيات التالية:
رؤية الحاسوب: تستخدم لمعالجة وفهم بيانات الصور ومقاطع الفيديو.
معالجة اللغة الطبيعية (NLP): تساعد وكيل الذكاء الاصطناعي على فهم وإنتاج اللغة البشرية.
دمج المستشعرات: دمج بيانات من عدة مستشعرات في عرض موحد.
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. إن وحدة الاستدلال واتخاذ القرار هي "عقل" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي ووضع استراتيجيات بناءً على المعلومات المجمعة. من خلال استخدام نماذج اللغة الكبيرة، تعمل كمنسق أو محرك استدلال، لفهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً 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.
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب العديد من خيارات العمل المحتملة 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 تشمل هذه العمليات عمليات مادية (مثل حركة الروبوتات) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:
نظام التحكم الروبوتي: 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 المؤسسات، يتم تنفيذ المهام المتكررة من خلال RPA (أتمتة العمليات الروبوتية).
1.2.4 وحدة التعلم
تعد وحدات التعلم من الركائز الأساسية لتنافسية الوكيل الذكي، حيث تتيح للوكيل أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين الأداء باستمرار من خلال إعادة إدخال البيانات الناتجة عن التفاعلات إلى النظام لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز صنع القرار وكفاءة العمليات.
تتم تحسين وحدات التعلم عادةً بالطريقة التالية:
التعلم تحت الإشراف: استخدام البيانات المصنفة لتدريب النماذج، مما يمكن وكيل الذكاء الاصطناعي من إكمال المهام بدقة أكبر.
التعلم غير الخاضع للإشراف: اكتشاف الأنماط الكامنة من البيانات غير المعنونة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
التعلم المستمر: من خلال تحديث النموذج ببيانات حقيقية، الحفاظ على أداء الوكيل في بيئة ديناميكية.
1.2.5 التغذية الراجعة والتعديل في الوقت الحقيقي
تحسن وكيل الذكاء الاصطناعي أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.
1.3 حالة السوق
1.3.1 حالة الصناعة
يصبح AI AGENT محور اهتمام السوق، حيث يتمتع بإمكانيات هائلة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب التحول لعدة صناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتل L1 في الدورة السابقة، فإن AI AGENT يظهر أيضاً آفاقاً مماثلة في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق الوكلاء الذكيين 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 مدى انتشار الوكلاء الذكيين في مختلف الصناعات، فضلاً عن الطلب المتزايد في السوق الناتج عن الابتكارات التكنولوجية.
زاد الاستثمار من قبل الشركات الكبرى في أطر الوكلاء المفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph من شركة معينة أصبحت أكثر نشاطًا، مما يشير إلى أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
تسجيلات الإعجاب 8
أعجبني
8
5
مشاركة
تعليق
0/400
FlashLoanPrince
· منذ 21 س
هل يمكن أن ينجح مشروع Agent هذه المرة مقارنة بـ ICO و NFT؟
AI Agent: المحرك الذكي للجيل التالي من التشفير
وكيل الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل
1. خلفية عامة
1.1 المقدمة: "الشريك الجديد" في عصر الذكاء
كل دورة من دورات العملات المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التطور.
من المهم التأكيد على أن بداية هذه المجالات الرأسية ليست فقط نتيجة للابتكار التكنولوجي، بل هي أيضًا نتيجة للتوافق المثالي بين نماذج التمويل ودورة السوق الصاعدة. عندما تلتقي الفرصة مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات كبيرة. 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، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين لونا، الذي ظهر لأول مرة بصورة فتاة الجيران في بث مباشر، مما أثار ضجة في جميع أنحاء الصناعة.
إذن، ما هو وكيل الذكاء الاصطناعي؟
الجميع على دراية بالفيلم الكلاسيكي "Resident Evil"، حيث يترك نظام الذكاء الاصطناعي "ملكة القلب الأحمر" انطباعًا عميقًا. "ملكة القلب الأحمر" هو نظام ذكاء اصطناعي قوي يتحكم في المرافق المعقدة وأنظمة الأمان، ويستطيع إدراك البيئة وتحليل البيانات واتخاذ إجراءات سريعة بشكل مستقل.
في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب. يلعب وكيل الذكاء الاصطناعي في الواقع، إلى حد ما، دوراً مماثلاً، حيث إنه "حارس الذكاء" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد في التعامل مع المهام المعقدة من خلال الإدراك الذاتي والتحليل والتنفيذ. من السيارات ذاتية القيادة إلى خدمة العملاء الذكية، أصبح وكيل الذكاء الاصطناعي جزءاً لا يتجزأ من جميع القطاعات، مما يجعله قوة رئيسية في تعزيز الكفاءة والابتكار. هؤلاء الوكلاء الذكيون المستقلون، مثل أعضاء الفريق غير المرئيين، يمتلكون القدرة الشاملة من الإدراك البيئي إلى تنفيذ القرارات، ويتسللون تدريجياً إلى مختلف الصناعات، مما يعزز الكفاءة والابتكار بشكل مزدوج.
على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، استنادًا إلى البيانات المجمعة من منصة بيانات معينة أو منصة تواصل اجتماعي، لإدارة المحفظة الاستثمارية وتنفيذ التداولات في الوقت الحقيقي، وتحسين أدائه بشكل مستمر من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تقسيمه إلى فئات مختلفة حسب الاحتياجات المحددة في النظام البيئي للعملات المشفرة:
وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى تحسين دقة العمليات وتقليل الوقت المطلوب.
وكيل الذكاء الاصطناعي الإبداعي: يستخدم لتوليد المحتوى، بما في ذلك النصوص والتصميم وحتى تأليف الموسيقى.
وكيل الذكاء الاصطناعي الاجتماعي: كقائد رأي على وسائل التواصل الاجتماعي، يتفاعل مع المستخدمين، يبني مجتمعًا ويشارك في الأنشطة التسويقية.
وكيل الذكاء الاصطناعي التناسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص للتكامل عبر سلاسل متعددة.
في هذا التقرير، سوف نستكشف بعمق أصول وكلاء الذكاء الاصطناعي، ووضعهم الحالي، وآفاق تطبيقاتهم الواسعة، وسنحلل كيف يعيدون تشكيل مشهد الصناعة، ونتطلع إلى اتجاهات تطويرهم المستقبلية.
1.1.1 تاريخ التنمية
تظهر مسيرة تطوير AI التحول من البحث الأساسي إلى التطبيق الواسع للذكاء الاصطناعي. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "AI" لأول مرة، مما أسس لكون الذكاء الاصطناعي مجالًا مستقلاً. خلال هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل كبير على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي مثل ELIZA (روبوت محادثة) وDendral (نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول للشبكات العصبية واستكشافًا أوليًا لمفهوم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بقدرات الحوسبة في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير خوارزميات معالجة اللغة الطبيعية وتقليد الوظائف الإدراكية البشرية. علاوة على ذلك، في عام 1972، قدم عالم الرياضيات جيمس لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. يعبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماسة المبكرة، مما أدى إلى فقدان كبير للثقة من المؤسسات الأكاديمية البريطانية ( بما في ذلك الجهات الممولة ). بعد عام 1973، انخفض تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من مشاعر الشك في إمكانيات الذكاء الاصطناعي.
في الثمانينيات من القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجاريتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. حققت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. إن إدخال المركبات الذاتية لأول مرة ونشر الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية وغيرها، كان أيضًا علامة على توسيع تكنولوجيا الذكاء الاصطناعي. لكن في أواخر الثمانينيات وبداية التسعينيات، مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المخصصة، شهد مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي". بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم حاسوب IBM ديب بلو بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أتاح إحياء الشبكات العصبية والتعلم العميق الأساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر في الحياة اليومية.
في بداية هذا القرن، دفعت التقدمات في القدرة الحاسوبية صعود التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حقق وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (LLM) علامة فارقة مهمة في تطور الذكاء الاصطناعي، خصوصًا مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة ما سلسلة GPT، أظهرت النماذج المدربة مسبقًا على نطاق واسع، التي تحتوي على مئات المليارات أو حتى آلاف المليارات من المعلمات، قدرات تفوق النماذج التقليدية في توليد وفهم اللغة. لقد أثبتت أدائها المتميز في معالجة اللغة الطبيعية أن وكلاء الذكاء الاصطناعي قادرون على عرض قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا مكن وكلاء الذكاء الاصطناعي من تطبيق أنفسهم في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وتوسيع نطاقهم تدريجياً إلى مهام أكثر تعقيدًا (مثل التحليل التجاري، والكتابة الإبداعية).
تقدم قدرة التعلم لنماذج اللغة الكبيرة مستوى أعلى من الاستقلالية لوكلاء الذكاء الاصطناعي. من خلال تقنيات التعلم المعزز، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على إدخالات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.
تاريخ تطور وكلاء الذكاء الاصطناعي من أنظمة القواعد المبكرة إلى نماذج اللغة الكبيرة الممثلة بـ GPT-4 هو تاريخ من التطور المستمر الذي ي突破 الحدود التكنولوجية. وبلا شك، فإن ظهور GPT-4 يمثل نقطة تحول هامة في هذه الرحلة. مع استمرار تقدم التكنولوجيا، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعاً، وسياقاً. لم تزود نماذج اللغة الكبيرة وكلاء الذكاء الاصطناعي "بروح" "الذكاء" فحسب، بل منحتهم أيضاً القدرة على التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع بتقنية وكلاء الذكاء الاصطناعي إلى التنفيذ والتطور، وقيادة عصر جديد مدفوع بالذكاء الاصطناعي.
1.2طريقة العمل
تختلف AIAGENT عن الروبوتات التقليدية في أنها قادرة 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 في AI AGENT هو "الذكاء"------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل آلي. عادةً ما تتبع سير العمل في AI AGENT 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 البشر، حيث تستخدم أجهزة الاستشعار والكاميرات والميكروفونات لالتقاط البيانات الخارجية، بما في ذلك استخراج الميزات المعنوية، والتعرف على الكائنات، أو تحديد الكيانات ذات الصلة في البيئة. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات مغزى، والتي تشمل عادةً التقنيات التالية:
1.2.2 وحدة الاستدلال واتخاذ القرار
بعد إدراك البيئة، يحتاج وكيل الذكاء الاصطناعي إلى اتخاذ قرارات بناءً على البيانات. إن وحدة الاستدلال واتخاذ القرار هي "عقل" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي ووضع استراتيجيات بناءً على المعلومات المجمعة. من خلال استخدام نماذج اللغة الكبيرة، تعمل كمنسق أو محرك استدلال، لفهم المهام، وتوليد الحلول، وتنسيق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.
تستخدم هذه الوحدة عادةً التقنيات التالية:
تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب العديد من خيارات العمل المحتملة 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 تشمل هذه العمليات عمليات مادية (مثل حركة الروبوتات) أو عمليات رقمية (مثل معالجة البيانات). تعتمد وحدة التنفيذ على:
1.2.4 وحدة التعلم
تعد وحدات التعلم من الركائز الأساسية لتنافسية الوكيل الذكي، حيث تتيح للوكيل أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "دوامة البيانات"، يتم تحسين الأداء باستمرار من خلال إعادة إدخال البيانات الناتجة عن التفاعلات إلى النظام لتعزيز النموذج. توفر هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية أداة قوية للشركات لتعزيز صنع القرار وكفاءة العمليات.
تتم تحسين وحدات التعلم عادةً بالطريقة التالية:
1.2.5 التغذية الراجعة والتعديل في الوقت الحقيقي
تحسن وكيل الذكاء الاصطناعي أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.
1.3 حالة السوق
1.3.1 حالة الصناعة
يصبح AI AGENT محور اهتمام السوق، حيث يتمتع بإمكانيات هائلة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب التحول لعدة صناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتل L1 في الدورة السابقة، فإن AI AGENT يظهر أيضاً آفاقاً مماثلة في هذه الدورة.
وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق الوكلاء الذكيين 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 مدى انتشار الوكلاء الذكيين في مختلف الصناعات، فضلاً عن الطلب المتزايد في السوق الناتج عن الابتكارات التكنولوجية.
زاد الاستثمار من قبل الشركات الكبرى في أطر الوكلاء المفتوحة المصدر بشكل ملحوظ. أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph من شركة معينة أصبحت أكثر نشاطًا، مما يشير إلى أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير.