وكلاء الذكاء الاصطناعي: القوة الذكية التي تشكل النظام الاقتصادي الجديد في المستقبل

1. نظرة عامة على الخلفية

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 ازدهار تطوير عروض العملات الأولية (ICO).
• في عام 2020، جلبت خزانات السيولة في DEX موجة الصيف في DeFi.
• في عام 2021، ظهرت مجموعة كبيرة من الأعمال الفنية غير القابلة للاستبدال (NFT) مما يدل على بداية عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة الإطلاق 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 ودورات السوق الصاعدة. عندما تلتقي الفرص مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات هائلة. عند النظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكيل AI. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، ووصلت قيمته السوقية إلى 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلقت بروتوكول معين Luna، الذي ظهر لأول مرة بشكل IP للبنت الجارة، مما أثار ضجة في جميع أنحاء الصناعة.

إذن، ما هو وكيل الذكاء الاصطناعي؟

من المؤكد أن الجميع يعرفون الفيلم الكلاسيكي "Resident Evil"، حيث أن نظام الذكاء الاصطناعي "ملكة القلوب" يترك انطباعًا قويًا. "ملكة القلوب" هي نظام ذكاء اصطناعي قوي، يتحكم في المنشآت المعقدة وأنظمة الأمان، قادر على إدراك البيئة بشكل مستقل، وتحليل البيانات، واتخاذ إجراءات سريعة.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. في العالم الحقيقي، يلعب وكيل الذكاء الاصطناعي إلى حد ما دورًا مشابهًا، حيث إنه "حارس حكيم" 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، وأصبح قوة رئيسية لتعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الكاملة على الإدراك البيئي وتنفيذ القرارات، مما يدفع تدريجيًا إلى تعزيز الكفاءة والابتكار في مختلف القطاعات.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، استنادًا إلى البيانات المجمعة من منصة بيانات معينة أو منصة اجتماعية، لإدارة المحفظة الاستثمارية وتنفيذ التداولات في الوقت الفعلي، مع تحسين أدائه باستمرار من خلال التكرار. وكيل الذكاء الاصطناعي ليس شكلًا واحدًا، بل يتم تقسيمه إلى فئات مختلفة حسب الاحتياجات المحددة في النظام البيئي للعملات المشفرة:

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

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

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

4. وكيل الذكاء الاصطناعي المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، وهو مناسب بشكل خاص للتكامل عبر سلاسل متعددة.

في هذا التقرير، سوف نستكشف بعمق أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، ونحلل كيف تعيد تشكيل ملامح الصناعة، ونتطلع إلى اتجاهات تطورها المستقبلية.

1.1.1 التاريخ التطويري

تظهر رحلة تطوير وكيل الذكاء الاصطناعي تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956 ، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة ، مما أرسى الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة ، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الأساليب الرمزية ، مما أطلق العنان لأول برامج الذكاء الاصطناعي ، مثل ELIZA( وهو روبوت محادثة) وDendral( نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا تقديم الشبكات العصبية واستكشاف أولي لمفهوم تعلم الآلة. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب 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 المملكة المتحدة. عبر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكرة ، مما أدى إلى فقدان كبير للثقة من قبل المؤسسات الأكاديمية( بما في ذلك جهات التمويل) في الذكاء الاصطناعي. بعد عام 1973 ، تم تقليل تمويل أبحاث الذكاء الاصطناعي بشكل كبير ، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي" ، وزادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطور الأنظمة الخبيرة وتجاريتها 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. كانت إدخال المركبات ذاتية القيادة ونشر الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية أيضًا علامة على توسيع تقنيات الذكاء الاصطناعي. لكن في أواخر الثمانينيات وأوائل التسعينيات، مع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهدت مجال الذكاء الاصطناعي "شتاء ذكاء اصطناعي" الثاني. 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 كمبيوتر IBM ديب بلو بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسست انتعاش الشبكات العصبية والتعلم العميق الأسس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

في بداية هذا القرن، دفع التقدم في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في مجالات التطبيقات الاستهلاكية. في العقد 2010، حققت وكلاء التعلم المعزز ونماذج توليد مثل GPT-2 مزيدًا من الانفجارات، مما دفع الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM ) علامة بارزة في تطوير الذكاء الاصطناعي، وخاصة 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 عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرات فائقة في توليد وفهم اللغة تتجاوز النماذج التقليدية. لقد أدت أدائها البارز في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من عرض قدرات تفاعلية واضحة ومنظمة من خلال توليد اللغة. وهذا جعل وكلاء الذكاء الاصطناعي قادرين على تطبيقها في سيناريوهات مثل مساعدات الدردشة، وخدمة العملاء الافتراضية، والتوسع تدريجياً نحو مهام أكثر تعقيداً ( مثل التحليل التجاري، والكتابة الإبداعية ).

تتيح قدرة التعلم لنماذج اللغة الكبيرة لوكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع البيئات الديناميكية. على سبيل المثال، في إحدى المنصات المدعومة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من النظام القائم على القواعد في بداياته إلى نموذج اللغة الكبير الممثل بـ GPT-4، فإن تاريخ تطوير وكلاء الذكاء الاصطناعي هو تاريخ من التطور المستمر الذي يتجاوز الحدود التقنية. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من تطور التكنولوجيا، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وأكثر تخصيصًا، وأكثر تنوعًا. لم يضف نموذج اللغة الكبير فقط "روح" الذكاء لوكلاء الذكاء الاصطناعي، بل زودهم أيضًا بقدرة التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة باستمرار، مما يدفع بتقنية وكلاء الذكاء الاصطناعي إلى الأمام ويقود تجربة مدفوعة بالذكاء الاصطناعي إلى عصر جديد.

1.2 آلية العمل

يختلف AIAGENT عن الروبوتات التقليدية في أنه يمكنهم التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارهم مشاركين تقنيين متفوقين ومتعلمين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

تكمن جوهر وكيل الذكاء الاصطناعي في "الذكاء"------ أي من خلال الخوارزميات لمحاكاة سلوك الذكاء البشري أو غيره من الكائنات الحية، لحل المشكلات المعقدة بشكل تلقائي. عادة ما يتبع سير عمل وكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، ويجمع معلومات البيئة. وتعمل هذه الوظيفة بشكل مشابه لحواس 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 يتضمن ذلك التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور ومقاطع الفيديو.
• معالجة اللغة الطبيعية ( NLP ): يساعد وكيل الذكاء الاصطناعي على فهم وإنتاج 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 بناءً على البيانات. تعتبر وحدة الاستدلال واتخاذ القرار "عقل" النظام بأكمله، حيث تقوم بإجراء استدلال منطقي وتطوير استراتيجيات بناءً على المعلومات المجمعة. باستخدام نماذج اللغة الكبيرة كمديري عمليات أو محركات استدلال، تفهم المهام، وتولد الحلول، وتنسق مع نماذج متخصصة تؤدي وظائف محددة مثل إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

عادة ما يستخدم هذا النموذج التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المحددة مسبقًا.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، تستخدم في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: يجعل 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 عدة خيارات محتملة للعمل بناءً على الهدف، وأخيرًا اختيار الخيار الأمثل للتنفيذ.

1.2.3 وحدة التنفيذ

وحدة التنفيذ هي "يد وقدم" AI AGENT ، حيث تضع قرارات وحدة الاستدلال موضع التنفيذ. تتفاعل هذه الوحدة مع أنظمة أو أجهزة خارجية لإكمال المهام المحددة. قد يتضمن ذلك عمليات مادية ( مثل حركات الروبوت ) أو عمليات رقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:

• نظام التحكم في الروبوتات: للاستخدام 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 أتمتة العمليات الروبوتية RPA(.

)# 1.2.4 وحدة التعلم

تعد وحدة التعلم من القوى التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكيل من أن يصبح أكثر ذكاءً مع مرور الوقت. من خلال دورة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النموذج باستمرار عبر إدخال البيانات التي تم توليدها في التفاعلات إلى النظام. توفر هذه القدرة على التكيف التدريجي والزيادة في الفعالية مع مرور الوقت أداة قوية للشركات لتعزيز اتخاذ القرارات وكفاءة العمليات.

تتم تحسين وحدات التعلم عادةً بالطريقة التالية:

• التعلم تحت الإشراف: استخدام البيانات المعلَّمة لتدريب النموذج، مما يمكّن وكيل الذكاء الاصطناعي من أداء المهام بدقة أكبر.
• التعلم غير المُشرف: اكتشاف الأنماط المحتملة من البيانات غير المعلّمة، لمساعدة الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث النماذج بالبيانات الحية، الحفاظ على أداء الوكلاء في بيئة ديناميكية.

1.2.5 التغذية الراجعة والتعديل في الوقت الحقيقي

يعمل وكيل الذكاء الاصطناعي على تحسين أدائه من خلال حلقة تغذية راجعة مستمرة. يتم تسجيل نتائج كل إجراء واستخدامها لضبط القرارات المستقبلية. يضمن هذا النظام المغلق قدرة وكيل الذكاء الاصطناعي على التكيف والمرونة.

![فك تشفير الذكاء الاصطناعي: القوة الذكية لتشكيل النظام الاقتصادي الجديد في المستقبل]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 حالة السوق

1.3.1 حالة الصناعة

أصبح وكيل الذكاء الاصطناعي محور تركيز السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وعامل اقتصادي مستقل، مما يجلب تغييرات إلى العديد من الصناعات. تمامًا كما كان من الصعب قياس إمكانيات مساحة الكتلة من الجيل الأول في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي نفس الآفاق في هذه الدورة.

وفقًا لأحدث تقرير من شركة أبحاث معينة، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار بحلول عام 2030، بمعدل نمو سنوي مركب ###CAGR( يصل إلى 44.8%. يعكس هذا النمو السريع قوة اختراق وكيل الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب في السوق الناتج عن الابتكار التكنولوجي.

أصبحت استثمارات الشركات الكبرى في إطار العمل مفتوح المصدر أكثر وضوحًا. نشاط تطوير الأطر مثل AutoGen وPhidata وLangGraph لشركة معينة أصبح متزايدًا، مما يشير إلى أن AI AGENT لديه إمكانيات سوقية أكبر خارج مجال التشفير، TAM