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 المشفرة تجلب بنية تحتية جديدة تدفع الصناعة بأكملها نحو التقدم.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت أحواض السيولة في DEX موجة صيف DeFi.
• في عام 2021، أدى ظهور العديد من الأعمال الفنية NFT إلى ظهور عصر المقتنيات الرقمية.
• في عام 2024، أدت الأداء المتميز لمنصة إطلاق معينة إلى قيادة اتجاهات memecoin ومنصات الإطلاق.

من الضروري التأكيد على أن بداية هذه المجالات الرأسية لم تكن فقط نتيجة الابتكار التكنولوجي، بل كانت أيضًا نتيجة الجمع 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 وكالات الذكاء الاصطناعي. وصلت هذه الاتجاهات إلى ذروتها في أكتوبر من العام الماضي، حيث تم إصدار رمز معين في 11 أكتوبر 2024، وبلغت قيمته السوقية 150 مليون دولار في 15 أكتوبر. وبعد ذلك، في 16 أكتوبر، أطلق بروتوكول معين Luna، الذي ظهر لأول مرة بصورة IP لفتاة الجوار، مما أثار ضجة في جميع أنحاء الصناعة.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع على دراية بالفيلم الكلاسيكي "مغامرة البيولوجيا"، حيث أن نظام الذكاء الاصطناعي الملكة الحمراء يترك انطباعًا قويًا. الملكة الحمراء هي نظام ذكاء اصطناعي قوي، يتحكم في المرافق المعقدة وأنظمة الأمان، قادر على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.

في الواقع، هناك العديد من أوجه التشابه بين الوظائف الأساسية لوكيل الذكاء الاصطناعي وملكة القلوب الحمراء. يقوم وكيل الذكاء الاصطناعي في العالم الحقيقي، إلى حد ما، بدور مشابه، حيث إنه "حارس الحكمة" في مجال التكنولوجيا الحديثة، يساعد الشركات والأفراد على 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 جميع الصناعات، مما جعله قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية المستقلة، مثل أعضاء الفريق غير المرئيين، تمتلك القدرة الشاملة من إدراك البيئة إلى تنفيذ القرارات، وتخترق تدريجياً جميع الصناعات، مما يدفع بزيادة الكفاءة والابتكار بشكل مزدوج.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي لأتمتة التداول، استنادًا إلى البيانات التي تم جمعها من منصة البيانات أو المنصة الاجتماعية، لإدارة المحفظة وتنفيذ الصفقات في الوقت الفعلي، مع تحسين أدائه باستمرار في عمليات 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 القائم على التنفيذ: يركز على إكمال مهام محددة، مثل التداول، إدارة المحفظة أو التحكيم، بهدف تحسين دقة العمليات وتقليل الوقت المطلوب.

2. وكيل الذكاء الاصطناعي الإبداعي: يستخدم لإنشاء 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 أنشطة التسويق.

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

في هذا التقرير، سنستكشف بعمق أصول وكلاء الذكاء الاصطناعي، والحالة الراهنة، وآفاق تطبيقاتهم الواسعة، ونحلل كيف يعيدون تشكيل مشهد الصناعة، ونتطلع إلى اتجاهات تطورهم المستقبلية.

1.1.1 تاريخ التطوير

تظهر مسيرة تطوير وكيل الذكاء الاصطناعي التحول من البحث الأساسي إلى التطبيقات الواسعة للذكاء الاصطناعي. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، كان البحث في الذكاء الاصطناعي يركز بشكل أساسي على الأساليب الرمزية، مما أدى إلى ظهور أولى برامج الذكاء الاصطناعي، مثل ELIZA(، وهو روبوت دردشة)، وDendral(، وهو نظام خبير في مجال الكيمياء العضوية). شهدت هذه المرحلة أيضًا الاقتراح الأول لشبكات الأعصاب واستكشاف المفاهيم الأولية للتعلم الآلي. ومع ذلك، كانت أبحاث الذكاء الاصطناعي خلال 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 لايتهيل تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عبّر تقرير لايتهيل بشكل أساسي عن تشاؤم شامل بشأن أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكر، مما أدى إلى فقدان كبير في الثقة من المؤسسات الأكاديمية( في المملكة المتحدة، بما في ذلك الجهات الممولة). بعد عام 1973، انخفض التمويل لأبحاث الذكاء الاصطناعي بشكل كبير، وشهد مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الأول، مع زيادة 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. شهدت هذه الفترة تقدمًا كبيرًا في تعلم الآلة والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت دخول المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية علامة أيضًا على توسع تكنولوجيا الذكاء الاصطناعي. لكن في أواخر الثمانينيات وأوائل التسعينيات، شهدت مجالات الذكاء الاصطناعي "الشتاء الثاني للذكاء الاصطناعي" مع انهيار الطلب في السوق على أجهزة الذكاء الاصطناعي المخصصة. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ونجاح دمجها في التطبيقات العملية تحديًا مستمرًا. ولكن في الوقت نفسه، في عام 1997، هزم الكمبيوتر ديب بلو التابع لشركة آي بي إم بطل الشطرنج العالمي غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أعاد إحياء الشبكات العصبية والتعلم العميق تأسيس تطوير الذكاء الاصطناعي في أواخر التسعينيات، مما جعل الذكاء الاصطناعي جزءًا لا يتجزأ من المشهد التكنولوجي وبدأ يؤثر على الحياة اليومية.

حتى بداية هذا القرن، أدت التقدمات في القدرة الحاسوبية إلى ظهور التعلم العميق، حيث عرضت مساعدات افتراضية مثل Siri جدوى الذكاء الاصطناعي في تطبيقات المستهلك. في عقد 2010، حققت وكلاء التعلم المعزز ونماذج الجيل مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. خلال هذه العملية، أصبح ظهور النماذج اللغوية الكبيرة (Large Language Model، LLM ) نقطة تحول مهمة في تطور الذكاء الاصطناعي، خاصةً مع إصدار GPT-4 الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة معينة سلسلة GPT، عرضت النماذج المدربة على نطاق واسع، التي تحتوي على عشرات المليارات أو حتى مئات المليارات من المعلمات، قدرة على توليد وفهم اللغة تتجاوز النماذج التقليدية. لقد أدت أداؤها المتميز في معالجة اللغة الطبيعية إلى تمكين وكلاء الذكاء الاصطناعي من إظهار قدرة تفاعل واضحة ومنظمة من خلال توليد اللغة. وهذا مكن وكلاء الذكاء الاصطناعي من التطبيق في سيناريوهات مثل مساعدات الدردشة وخدمة العملاء الافتراضية، والتوسع تدريجياً نحو مهام أكثر تعقيدًا ( مثل التحليل التجاري، والكتابة الإبداعية ).

تتيح قدرة نماذج اللغة الكبيرة على التعلم لوكلاء الذكاء الاصطناعي مزيدًا من الاستقلالية. من خلال تقنية التعلم المعزز (Reinforcement Learning)، يمكن لوكلاء الذكاء الاصطناعي تحسين سلوكهم باستمرار والتكيف مع بيئات ديناميكية. على سبيل المثال، في منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكلاء الذكاء الاصطناعي تعديل استراتيجية سلوكهم بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، تعتبر تاريخ تطور الوكلاء الذكاء الاصطناعي قصة تطور مستمرة تتجاوز الحدود التقنية. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه الرحلة. مع مزيد من التطور التكنولوجي، سيصبح وكلاء الذكاء الاصطناعي أكثر ذكاءً، وتنوعًا، وسياقًا. لم تضف نماذج اللغة الكبيرة "الحكمة" إلى روح وكلاء الذكاء الاصطناعي فحسب، بل زودتهم أيضًا بقدرة التعاون بين المجالات المختلفة. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع تكنولوجيا وكلاء الذكاء الاصطناعي إلى التنفيذ والتطور، مما يقود إلى عصر جديد مدفوع بالذكاء الاصطناعي.

1.2 مبدأ العمل

تختلف AIAGENT عن الروبوتات التقليدية في أنها تستطيع التعلم والتكيف مع مرور الوقت، واتخاذ قرارات دقيقة لتحقيق الأهداف. يمكن اعتبارها مشاركين بارعين ومتطورين باستمرار في مجال التشفير، قادرين على العمل بشكل مستقل في الاقتصاد الرقمي.

جوهر وكيل الذكاء الاصطناعي هو "الذكاء" ------ أي محاكاة سلوك الذكاء البشري أو سلوك الكائنات الحية الأخرى من خلال الخوارزميات، من أجل حل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع 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 بيئية. 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. تتمثل المهمة الأساسية لوحدة الإدراك في تحويل البيانات الخام إلى معلومات ذات معنى، وغالبًا ما تتضمن التقنيات التالية:

• الرؤية الحاسوبية: تستخدم لمعالجة وفهم بيانات الصور والفيديو.
• معالجة اللغة الطبيعية ( NLP ): تساعد 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 القرارات "عقل" 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، تفهم المهام، وتولد الحلول، وتنسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، المعالجة البصرية، أو أنظمة التوصية.

تستخدم هذه الوحدة عادةً التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة استنادًا إلى القواعد المحددة مسبقًا.
• نموذج التعلم الآلي: يشمل أشجار القرار، الشبكات العصبية، وغيرها، ويستخدم للتعرف 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، وثانياً حساب العديد من خيارات العمل المحتملة بناءً على الهدف، وأخيراً اختيار الخيار الأمثل للتنفيذ.

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "الأيدي والأقدام" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. تتفاعل هذه الوحدة مع الأنظمة أو الأجهزة الخارجية لإنجاز 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 للعمليات الفيزيائية، مثل حركة ذراع الروبوت.
• استدعاء API: التفاعل مع أنظمة البرامج الخارجية، مثل استعلامات قاعدة البيانات أو الوصول إلى خدمات الشبكة.
• إدارة العمليات الآلية: في بيئة المؤسسة، يتم تنفيذ المهام المتكررة من خلال RPA( أتمتة العمليات الروبوتية).

1.2.4 وحدة التعلم

وحدة التعلم هي القوة التنافسية الأساسية لوكيل الذكاء الاصطناعي، حيث تمكن الوكلاء من أن يصبحوا أكثر ذكاءً مع مرور الوقت. من خلال حلقة التغذية الراجعة أو "عجلة البيانات"، يتم تحسين النظام باستمرار من خلال تغذية البيانات الناتجة عن التفاعلات إلى النظام لتعزيز النموذج. هذه القدرة على التكيف التدريجي مع مرور الوقت وزيادة الفعالية توفر للأعمال أداة قوية لتعزيز اتخاذ القرار وكفاءة العمليات.

عادةً ما يتم تحسين وحدات التعلم بالطريقة التالية:

• التعلم تحت الإشراف: استخدام البيانات المتسمة لتدريب النموذج، مما يجعل وكيل الذكاء الاصطناعي قادرًا على إكمال المهام بدقة أكبر.
• التعلم غير المراقب: اكتشاف الأنماط الكامنة من البيانات غير المعلَّمة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: تحديث النماذج من خلال البيانات في الوقت الحقيقي، للحفاظ على أداء الوكلاء في بيئة ديناميكية.

1.2.5 التغذية الراجعة الفورية والتعديلات

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 الحالة الحالية للصناعة

أصبح وكيل الذكاء الاصطناعي محور تركيز السوق، بفضل إمكاناته الكبيرة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب تحولات للعديد من الصناعات. تماماً كما كان من الصعب تقدير إمكانات مساحة كتلة L1 في الدورة السابقة، يظهر وكيل الذكاء الاصطناعي في هذه الدورة أيضاً نفس الآفاق.

وفقًا لأحدث تقرير من Markets and Markets، من المتوقع أن ينمو سوق وكيل الذكاء الاصطناعي من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار في عام 2030، بمعدل نمو سنوي مركب (CAGR) يصل إلى 44.8%. تعكس هذه الزيادة السريعة مدى انتشار وكيل الذكاء الاصطناعي في مختلف الصناعات، بالإضافة إلى الطلب المتزايد في السوق الناتج عن الابتكارات التقنية.

ازداد استثمار الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. أصبحت أنشطة تطوير أطر مثل AutoGen و Phidata و LangGraph لشركة معينة أكثر نشاطًا، مما يشير إلى أن AI AGENT لديه إمكانات سوقية أكبر خارج مجال التشفير، وأن TAM أيضًا في