فك تشفير AI AGENT: 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 الصناعة بأكملها إلى الأمام.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت خزانات السيولة في DEX موجة صيف DeFi.
• في عام 2021، ظهرت العديد من مجموعات الأعمال الفنية الرقمية التي تمثل بداية عصر المقتنيات الرقمية.
• في عام 2024، أدى الأداء الممتاز لمنصة الإطلاق إلى قيادة موجة من memecoin ومنصات الإطلاق.

من المهم التأكيد على أن انطلاق هذه المجالات الرأسية لم يكن فقط نتيجة الابتكار التكنولوجي، بل كان أيضًا نتيجة الجمع المثالي بين نماذج التمويل ودورات السوق الصاعدة. عندما تلتقي الفرصة مع التوقيت المناسب، يمكن أن تؤدي إلى تغييرات هائلة. بالنظر إلى عام 2025، من الواضح أن المجالات الناشئة في دورة 2025 ستكون وكيل الذكاء الاصطناعي. بلغت هذه الاتجاهات ذروتها في أكتوبر من العام الماضي، حيث تم إطلاق رمز معين في 11 أكتوبر 2024، ووصل إلى قيمة سوقية تبلغ 150 مليون دولار في 15 أكتوبر. بعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين لونا، الذي ظهر لأول مرة بشكل صورة البث المباشر لفتاة الجوار، مما أثار ضجة في جميع أنحاء الصناعة.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع يعرف الفيلم الكلاسيكي "أزمة حيوية"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعًا عميقًا. ملكة القلب الأحمر هي نظام ذكاء اصطناعي قوي، يتحكم في المرافق المعقدة وأنظمة الأمان، قادر على إدراك البيئة بشكل مستقل، وتحليل البيانات واتخاذ الإجراءات بسرعة.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يلعب وكيل الذكاء الاصطناعي في العالم الحقيقي دورًا مشابهًا إلى حد ما، حيث يعد "حامي 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، لقد دخل وكيل الذكاء الاصطناعي في جميع الصناعات، وأصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، وتستمر في التغلغل في مختلف الصناعات، مما يدفع إلى تحسين مزدوج للكفاءة والابتكار.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، بناءً على البيانات التي تم جمعها من منصة بيانات معينة أو منصة اجتماعية، لإدارة المحفظة وتنفيذ الصفقات في الوقت الحقيقي، مع تحسين أدائه باستمرار خلال التكرارات. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تصنيفه إلى فئات مختلفة بناءً على الاحتياجات المحددة في نظام التشفير البيئي:

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إكمال مهام محددة، مثل التداول، إدارة المحفظة أو التحكيم، بهدف زيادة 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، يبني المجتمعات ويشارك في الأنشطة التسويقية.

4. وكيل الذكاء الاصطناعي التناسقي: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص لتكامل عدة سلاسل.

في هذا التقرير، سوف نستكشف بعمق أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، ونحلل كيف تعيد تشكيل هذه الوكلاء المشهد الصناعي، ونتطلع إلى اتجاهات تطويرها المستقبلية.

1.1.1 تاريخ التطور

تاريخ تطوير وكيل الذكاء الاصطناعي يُظهر تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيقات الواسعة. في مؤتمر دارتموث عام 1956، تم تقديم مصطلح "الذكاء الاصطناعي" لأول مرة، مما أسس مجال الذكاء الاصطناعي كحقل مستقل. في هذه الفترة، كانت أبحاث الذكاء الاصطناعي تركز بشكل رئيسي على الطرق الرمزية، مما أدى إلى ظهور أول برامج الذكاء الاصطناعي، مثل ELIZA(، وهو روبوت محادثة)، وDendral(، وهو نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول لشبكات الأعصاب واستكشاف مفاهيم التعلم الآلي بشكل أولي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرة الحاسوبية في ذلك الوقت. واجه الباحثون صعوبات كبيرة في تطوير الخوارزميات لمعالجة 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. عبّر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل حول أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكرة، مما أدى إلى فقدان الثقة الكبيرة في الذكاء الاصطناعي من قبل المؤسسات الأكاديمية(، بما في ذلك هيئات التمويل). بعد عام 1973، انخفض التمويل المخصص لأبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، مما زاد من مشاعر الشك في إمكانات الذكاء الاصطناعي.

في ثمانينيات القرن العشرين، أدى تطوير الأنظمة الخبيرة وتجارتها إلى بدء الشركات العالمية في اعتماد تقنيات الذكاء الاصطناعي. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. أدت إدخال المركبات الذاتية لأول مرة ونشر الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية إلى توسيع تقنيات الذكاء الاصطناعي. ولكن في أواخر ثمانينيات القرن العشرين وأوائل التسعينيات، شهدت مجال الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي" مع انهيار الطلب في السوق على الأجهزة الخاصة بالذكاء الاصطناعي. علاوة على ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية تحديًا مستمرًا. ومع ذلك، في عام 1997، هزم كمبيوتر ديب بلو من IBM بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أدى إحياء الشبكات العصبية والتعلم العميق إلى وضع أساس لتطور الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من مشهد التكنولوجيا وبدأ يؤثر على الحياة اليومية.

في بداية هذا القرن، ساهمت التقدمات في القدرة الحاسوبية في ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل سيري جدوى الذكاء الاصطناعي في تطبيقات المستهلك. في العقد الثاني من الألفية، حققت وكالات التعلم المعزز والنماذج التوليدية مثل GPT-2 مزيدًا من الانتصارات، ودفعوا الذكاء الاصطناعي الحواري إلى آفاق جديدة. خلال هذه العملية، كان ظهور نموذج اللغة الكبير (Large Language Model، LLM ) بمثابة علامة بارزة في تطور الذكاء الاصطناعي، خاصة مع إطلاق GPT-4، الذي اعتبر نقطة تحول في مجال وكالات الذكاء الاصطناعي. منذ أن أطلقت شركة معينة 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 أدت أداؤها المتميز في معالجة اللغة الطبيعية إلى تمكين وكالات الذكاء الاصطناعي من إظهار قدرة تفاعلية واضحة ومنظمة من خلال توليد اللغة. مما يجعل وكالات الذكاء الاصطناعي قادرة على التطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، وبالتدريج تتوسع نحو مهام أكثر تعقيدًا ( مثل تحليل الأعمال 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 بعض المنصات المدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجيات سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من النظام القاعدي المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، تاريخ تطور وكلاء الذكاء الاصطناعي هو تاريخ من التطور الذي يتجاوز الحدود التكنولوجية باستمرار. إن ظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من تطور التكنولوجيا، ستصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وأكثر تكييفاً مع السيناريوهات، وأكثر تنوعًا. لا توفر نماذج اللغة الكبيرة فقط "روح" الذكاء لوكلاء الذكاء الاصطناعي، ولكنها أيضًا تمنحهم القدرة على التعاون عبر المجالات. في المستقبل، ستظهر منصات مشاريع مبتكرة باستمرار، مما يدفع بتقنية وكلاء الذكاء الاصطناعي إلى الأمام وتطويرها، وتقود تجربة مدفوعة بالذكاء الاصطناعي نحو عصر جديد.

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 تقنية متقدمة ومتطورة باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

النقطة الأساسية لوكيل الذكاء الاصطناعي هي "الذكاء" ------ أي محاكاة السلوك الذكي للبشر أو الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة تلقائيًا. عادةً ما تتبع سير العمل لوكيل الذكاء الاصطناعي الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التعديل.

1.2.1 وحدة الإدراك

يتمكن AI AGENT من التفاعل مع العالم الخارجي من خلال وحدة الإدراك، وجمع معلومات البيئة. هذه الوظيفة مماثلة للحواس البشرية، حيث تستخدم أجهزة الاستشعار، والكاميرات، والميكروفونات وغيرها من الأجهزة 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 الأولية إلى معلومات ذات معنى، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية ( NLP ): مساعدة وكيل الذكاء الاصطناعي على فهم وتوليد 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. تعتبر وحدة الاستدلال واتخاذ القرار "الدماغ" الكامل للنظام، حيث تقوم بإجراء الاستدلال المنطقي وتطوير الاستراتيجيات استنادًا إلى المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة وغيرها من النماذج كمنسقين أو محركات استدلال، تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

عادة ما تستخدم هذه الوحدة التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة بناءً على القواعد المسبقة.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، المستخدمة في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: جعل وكيل الذكاء الاصطناعي يقوم بتحسين استراتيجيات اتخاذ القرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.

تتضمن عملية الاستدلال عادةً عدة خطوات: أولاً تقييم البيئة، ثم حساب العديد من خيارات العمل المحتملة بناءً على الهدف، وأخيراً اختيار الخيار الأمثل للتنفيذ.

1.2.3 وحدة التنفيذ

وحدة التنفيذ هي "اليدين والقدمين" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستنتاج إلى أفعال. تتفاعل هذه الوحدة مع أنظمة أو أجهزة خارجية لإكمال المهام المحددة. قد يشمل ذلك عمليات جسدية ( مثل تحركات الروبوت ) 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، من خلال RPA( يتم تنفيذ أتمتة العمليات الروبوتية) للمهام المتكررة.

1.2.4 وحدة التعلم

تعتبر وحدة التعلم القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تتيح للوكلاء أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النموذج بشكل مستمر من خلال إدخال البيانات التي تم توليدها خلال التفاعلات إلى النظام. توفر هذه القدرة التي تتكيف تدريجياً وتصبح أكثر فعالية مع مرور الوقت أداة قوية للشركات لتعزيز عملية اتخاذ القرار وكفاءة العمليات.

تتم تحسين وحدات التعلم عادةً من خلال الطرق التالية:

• التعلم الخاضع للإشراف: استخدام بيانات معلمة لتدريب النموذج، مما يجعل عامل الذكاء الاصطناعي قادرًا على إكمال المهام بدقة أكبر.
• التعلم غير المراقب: اكتشاف الأنماط الكامنة من البيانات غير المعلنة، مما يساعد الوكلاء على التكيف مع البيئات الجديدة.
• التعلم المستمر: تحديث النموذج من خلال بيانات الوقت الحقيقي، للحفاظ على أداء الوكيل في بيئة ديناميكية.

1.2.5 ردود فعل فورية وتعديلات

تحسن وكيل الذكاء الاصطناعي أدائه من خلال حلقة التغذية الراجعة المستمرة. يتم تسجيل نتيجة 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

أصبح وكيل الذكاء الاصطناعي محور التركيز في السوق، بفضل إمكاناته الكبيرة كواجهة للمستهلك وفاعل اقتصادي مستقل، مما يجلب التحولات لعدة صناعات. تمامًا كما كان من الصعب تقدير إمكانات مساحة الكتلة من المستوى الأول في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي نفس الآفاق 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 مدى انتشار وكلاء الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب في السوق الناتج عن الابتكارات التكنولوجية.

لقد زاد استثمار الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. إن أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph لشركات معينة تزداد نشاطًا، مما يدل على أن AI AGENT يمتلك إمكانيات سوقية أكبر خارج مجال التشفير، كما أن TAM أيضًا