من وكيل الذكاء الاصطناعي إلى DeFAI: كشف النقاب عن محركات السوق الصاعدة الجديدة في التشفير

1. خلفية عامة

1.1 المقدمة: "الشريك الجديد" في عصر الذكاء

كل دورة من دورات التشفير تجلب بنية تحتية جديدة تدفع الصناعة بأكملها إلى الأمام.

• في عام 2017، أدى ظهور العقود الذكية إلى ازدهار تطوير ICO.
• في عام 2020، جلبت برك السيولة في DEX موجة صيفية من DeFi.
• في عام 2021، أدت وفرة من أعمال سلسلة NFT إلى ظهور عصر المقتنيات الرقمية.
• في عام 2024، أدى الأداء المتميز لمنصة معينة إلى قيادة موجة من memecoin ومنصات الإطلاق.

من المهم التأكيد على أن انطلاق هذه المجالات العمودية لم يكن نتيجة الابتكار التكنولوجي فحسب، بل هو نتيجة الجمع المثالي بين نماذج التمويل ودورة السوق الصاعدة. عندما تلتقي الفرص بالوقت المناسب، يمكن أن تثير تغييرات هائلة. مع 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. وفي 16 أكتوبر، أطلق بروتوكول معين Luna، والذي ظهر لأول مرة بشكل شخصية فتاة الجوار في بث مباشر، مما أشعل القطاع بأسره.

إذن، ما هو وكيل الذكاء الاصطناعي؟

الجميع بالتأكيد ليس غريباً عن الفيلم الكلاسيكي "أزمة الحياة"، حيث أن نظام الذكاء الاصطناعي "ملكة القلب الأحمر" يترك انطباعاً قوياً. ملكة القلب الأحمر هي نظام ذكاء اصطناعي قوي، يتحكم في المنشآت المعقدة وأنظمة الأمان، قادرة على إدراك البيئة وتحليل البيانات واتخاذ الإجراءات بسرعة.

في الواقع، هناك العديد من أوجه التشابه بين AI Agent ووظائف ملكة القلوب الأساسية. يلعب AI Agent في العالم الحقيقي، 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 AI Agent جزءًا لا يتجزأ من جميع الصناعات، ليصبح قوة رئيسية في تعزيز الكفاءة والابتكار. هذه الكيانات الذكية الذاتية، مثل أعضاء الفريق غير المرئيين، تتمتع بقدرة شاملة من الإدراك البيئي إلى تنفيذ القرارات، وتتوغل تدريجيًا في مختلف الصناعات، مما يدفع إلى تعزيز مزدوج للكفاءة والابتكار.

على سبيل المثال، يمكن استخدام وكيل الذكاء الاصطناعي في التداول الآلي، بناءً على البيانات المجمعة من منصة بيانات معينة أو منصة اجتماعية، لإدارة المحفظة وتنفيذ التداولات في الوقت الفعلي، مع تحسين أدائه باستمرار من خلال التكرارات. وكيل الذكاء الاصطناعي ليس شكلاً واحدًا، بل يتم تقسيمه إلى فئات مختلفة بناءً على الاحتياجات المحددة في نظام التشفير.

1. وكيل الذكاء الاصطناعي التنفيذي: يركز على إتمام مهام محددة، مثل التداول، إدارة المحافظ أو التحكيم، ويهدف إلى 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 المنسق: تنسيق التفاعلات المعقدة بين الأنظمة أو المشاركين، مناسب بشكل خاص لتكامل السلاسل المتعددة.

في هذا التقرير، سنتناول بدقة أصول وواقع وآفاق تطبيقات وكيل الذكاء الاصطناعي، ونحلل كيف تعيد تشكيل المشهد الصناعي، ونتطلع إلى اتجاهات تطورها المستقبلية.

1.1.1 تاريخ التطور

تظهر مسيرة تطوير وكيل الذكاء الاصطناعي (AI AGENT) تطور الذكاء الاصطناعي من البحث الأساسي إلى التطبيق الواسع. في مؤتمر دارتموث عام 1956، تم اقتراح مصطلح "الذكاء الاصطناعي" لأول مرة، مما وضع الأساس للذكاء الاصطناعي كحقل مستقل. خلال هذه الفترة، تركزت أبحاث الذكاء الاصطناعي بشكل رئيسي على الأساليب الرمزية، مما أدى إلى ظهور أولى 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 أولي لمفاهيم التعلم الآلي. لكن أبحاث الذكاء الاصطناعي في تلك الفترة كانت مقيدة بشدة بسبب قيود القدرات 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 (James Lighthill) تقريرًا نُشر في عام 1973 حول حالة أبحاث الذكاء الاصطناعي الجارية في المملكة المتحدة. عبر تقرير لايتهيل بشكل أساسي عن التشاؤم الشامل تجاه أبحاث الذكاء الاصطناعي بعد فترة الحماس المبكرة، مما أدى إلى فقدان الثقة الكبير من المؤسسات الأكاديمية( بما في ذلك الجهات الممولة) تجاه الذكاء الاصطناعي. بعد عام 1973، انخفض تمويل أبحاث الذكاء الاصطناعي بشكل كبير، ومرت مجال الذكاء الاصطناعي بأول "شتاء للذكاء الاصطناعي"، حيث زادت مشاعر الشك تجاه إمكانيات الذكاء الاصطناعي.

في الثمانينيات من القرن العشرين، أدى تطوير وتسويق أنظمة الخبراء إلى بدء اعتماد الشركات العالمية لتقنية الذكاء الاصطناعي. حققت هذه الفترة تقدمًا كبيرًا في التعلم الآلي والشبكات العصبية ومعالجة اللغة الطبيعية، مما أدى إلى ظهور تطبيقات ذكاء اصطناعي أكثر تعقيدًا. كانت إدخال المركبات الذاتية القيادة ونشر الذكاء الاصطناعي في قطاعات مثل المالية والرعاية الصحية علامة على توسيع تقنية الذكاء الاصطناعي. ولكن في أواخر الثمانينيات وأوائل التسعينيات، ومع انهيار الطلب في السوق على الأجهزة المخصصة للذكاء الاصطناعي، شهدت مجال الذكاء الاصطناعي "شتاء الذكاء الاصطناعي" الثاني. بالإضافة إلى ذلك، لا يزال توسيع نطاق أنظمة الذكاء الاصطناعي ودمجها بنجاح في التطبيقات العملية يمثل تحديًا مستمرًا. ومع ذلك، في عام 1997، هزم جهاز IBM ديب بلو بطل العالم في الشطرنج غاري كاسباروف، وهو حدث بارز في قدرة الذكاء الاصطناعي على حل المشكلات المعقدة. أسس إحياء الشبكات العصبية والتعلم العميق أساسًا لتطوير 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 تقدم قدرة الحوسبة إلى ظهور التعلم العميق، حيث أظهرت المساعدات الافتراضية مثل Siri عملية الذكاء الاصطناعي في تطبيقات المستهلك. في العقد 2010، حقق وكلاء التعلم المعزز ونماذج التوليد مثل GPT-2 مزيدًا من الاختراقات، مما دفع الذكاء الاصطناعي القائم على الحوار إلى آفاق جديدة. في هذه العملية، أصبح ظهور نماذج اللغة الكبيرة (Large Language Model، LLM ) علامة فارقة مهمة في تطور الذكاء الاصطناعي، وخاصة مع إصدار GPT-4، الذي يُعتبر نقطة تحول في مجال وكلاء الذكاء الاصطناعي. منذ أن أصدرت شركة معينة سلسلة GPT، عرضت النماذج المدربة مسبقًا على نطاق واسع من خلال مئات المليارات وحتى آلاف المليارات من المعلمات، قدرة على توليد وفهم اللغة تتجاوز النماذج التقليدية. أداؤها الممتاز في معالجة اللغة الطبيعية سمح لوكلاء الذكاء الاصطناعي بإظهار تفاعل منطقي ومنظم من خلال توليد اللغة. مما جعل وكلاء الذكاء الاصطناعي قادرين على تطبيقهم في مساعدات الدردشة وخدمات العملاء الافتراضية، تدريجياً نحو مهام أكثر تعقيدًا ( مثل التحليل التجاري، الكتابة الإبداعية ).

تمنح قدرة نماذج اللغة الكبيرة على التعلم الوكلاء 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 منصة مدفوعة بالذكاء الاصطناعي، يمكن لوكيل الذكاء الاصطناعي تعديل استراتيجيات سلوكه بناءً على مدخلات اللاعبين، مما يحقق تفاعلًا ديناميكيًا حقيقيًا.

من نظام القواعد المبكر إلى نماذج اللغة الكبيرة التي تمثلها GPT-4، فإن تاريخ تطور الوكلاء الذكائيين هو تاريخ تطور يتجاوز الحدود التقنية باستمرار. وظهور GPT-4 هو بلا شك نقطة تحول كبيرة في هذه المسيرة. مع استمرار تقدم التكنولوجيا، ستصبح الوكلاء الذكائيون أكثر ذكاءً، وتنوعًا، وتطبيقًا في المشاهد. لا توفر نماذج اللغة الكبيرة "روح" الحكمة للوكلاء الذكائيين فحسب، بل تمنحهم أيضًا القدرة على التعاون عبر المجالات. في المستقبل، ستستمر منصات المشاريع المبتكرة في الظهور، مما يدفع تكنولوجيا الوكلاء الذكائيين نحو التطبيق والتطور، ويقود تجربة مدفوعة بالذكاء الاصطناعي إلى عصر جديد.

كيفية العمل 1.2

الفرق بين AIAGENT والروبوتات التقليدية هو أنها قادرة على 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.

الجوهر في AI AGENT هو "الذكاء" ------ أي محاكاة السلوك الذكي للبشر أو الكائنات الحية الأخرى من خلال الخوارزميات، لحل المشكلات المعقدة بشكل تلقائي. عادةً ما تتبع سير العمل لـ AI AGENT الخطوات التالية: الإدراك، الاستدلال، العمل، التعلم، التكيف.

1.2.1 وحدة الإدراك

تتفاعل وكيل الذكاء الاصطناعي مع العالم الخارجي من خلال وحدة الإدراك، حيث تجمع معلومات البيئة. 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. المهمة الأساسية لوحدة الإدراك هي تحويل البيانات الخام إلى معلومات ذات معنى، وعادة 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 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. يعتبر نموذج الاستدلال واتخاذ القرارات "عقل" النظام بأكمله، حيث يقوم بإجراء استدلال منطقي ووضع استراتيجيات استنادًا إلى المعلومات التي تم جمعها. باستخدام نماذج اللغة الكبيرة كمنسق أو محرك استدلال، يفهم المهمة، ويولد الحلول، وينسق النماذج المتخصصة المستخدمة في إنشاء المحتوى، ومعالجة الصور، أو أنظمة التوصية.

عادة ما تستخدم هذه الوحدة التقنيات التالية:

• محرك القواعد: اتخاذ قرارات بسيطة استنادًا إلى القواعد المحددة مسبقًا.
• نماذج التعلم الآلي: تشمل أشجار القرار والشبكات العصبية وغيرها، وتستخدم في التعرف على الأنماط المعقدة والتنبؤ.
• التعلم المعزز: السماح لوكيل الذكاء الاصطناعي بتحسين استراتيجيات اتخاذ القرار باستمرار من خلال التجربة والخطأ، والتكيف مع البيئات المتغيرة.

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

1.2.3 تنفيذ الوحدة

وحدة التنفيذ هي "اليد والقدم" لوكيل الذكاء الاصطناعي، حيث تقوم بتحويل قرارات وحدة الاستدلال إلى أفعال. يتفاعل هذا الجزء مع أنظمة أو أجهزة خارجية لإتمام المهام المحددة. قد يتضمن ذلك عمليات مادية ( مثل تحركات الروبوت ) أو عمليات رقمية ( مثل معالجة البيانات ). تعتمد وحدة التنفيذ على:

• نظام التحكم بالروبوتات: يُستخدم 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

تعد وحدة التعلم هي القوة التنافسية 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 البيانات التي تم إنشاؤها خلال التفاعلات بشكل مستمر، مما يعزز النموذج. هذه القدرة على التكيف تدريجياً مع مرور الوقت وزيادة الفعالية توفر للأعمال أداة قوية لتحسين صنع القرار وكفاءة العمليات.

عادة ما يتم تحسين وحدات التعلم بالطريقة التالية:

• التعلم تحت الإشراف: الاستفادة من البيانات المعنونة لتدريب النموذج، مما يجعل الوكيل الذكي قادرًا على إكمال المهام بدقة أكبر.
• التعلم بدون إشراف: اكتشاف الأنماط المحتملة من البيانات غير المميزة، مما يساعد الوكلاء على التكيف مع بيئات جديدة.
• التعلم المستمر: من خلال تحديث البيانات في الوقت الحقيقي للنموذج، الحفاظ على أداء الوكلاء في بيئة ديناميكية.

1.2.5 ردود الفعل الفورية والتعديل

يعمل وكيل الذكاء الاصطناعي على تحسين 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

وكيل الذكاء الاصطناعي أصبح نقطة التركيز في السوق، بفضل إمكانياته الكبيرة كواجهة للمستهلكين وفاعل اقتصادي مستقل، مما يجلب تغييرات للعديد من الصناعات. كما كان من الصعب تقدير إمكانيات مساحة الكتلة من الطبقة 1 في الدورة السابقة، فإن وكيل الذكاء الاصطناعي يظهر أيضاً آفاقاً مماثلة في هذه الدورة.

وفقًا لتقرير حديث من إحدى الوكالات، من المتوقع أن ينمو سوق الوكلاء الذكيين من 5.1 مليار دولار في عام 2024 إلى 47.1 مليار دولار في عام 2030، بمعدل نمو سنوي مركب يصل إلى 44.8%. تعكس هذه الزيادة السريعة قوة اختراق الوكلاء الذكيين في مختلف الصناعات، فضلاً عن الطلب في السوق الناتج عن الابتكارات التكنولوجية.

تزايدت استثمارات الشركات الكبرى في أطر الوكلاء مفتوحة المصدر بشكل ملحوظ. أصبحت أنشطة تطوير أطر مثل AutoGen وPhidata وLangGraph في إحدى الشركات أكثر نشاطًا، مما يشير إلى أن AI AGENT يمتلك إمكانات سوقية أكبر خارج مجال التشفير، وTAM أيضًا