AI AGENTの発展の歴史は、AIが基礎研究から広範な応用へと進化する過程を示しています。1956年のダートマス会議で、「AI」という言葉が初めて提唱され、AIが独立した分野としての基盤を築きました。この時期、AI研究は主に記号的手法に集中し、初期のAIプログラムが生まれました。例えば、ELIZA(というチャットボット)や、Dendral(という有機化学分野の専門家システム)です。この段階では、神経ネットワークの初めての提案や機械学習概念の初歩的な探求も見られました。しかし、この時期のAI研究は当時の計算能力の制約に大きく影響されました。研究者たちは自然言語処理や人間の認知機能を模倣するアルゴリズムの開発において大きな困難に直面しました。さらに、1972年、数学者James Lighthillは1973年に発表された英国におけるAI研究の状況に関する報告書を提出しました。Lighthill報告は、AI研究が初期の興奮期を過ぎた後の全面的な悲観を基本的に表現しており、英国の学術機関(や資金提供機関)におけるAIへの大きな信頼喪失を引き起こしました。1973年以降、AI研究の資金が大幅に減少し、AI分野は最初の「AIの冬」を経験し、AIの潜在能力に対する疑念が高まりました。
21世紀初頭、計算能力の進歩が深層学習の台頭を促し、Siriなどのバーチャルアシスタントが消費者向けアプリケーションにおけるAIの実用性を示しました。2010年代には、強化学習エージェントやGPT-2などの生成モデルがさらなる突破を遂げ、対話型AIを新たな高みへと押し上げました。この過程で、大規模言語モデル(Large Language Model,LLM)の登場はAIの発展の重要なマイルストーンとなり、特にGPT-4のリリースはAIエージェント領域の転換点と見なされています。ある会社がGPTシリーズを発表して以来、大規模な事前トレーニングモデルは数百億、さらには数千億のパラメータを通じて、従来のモデルを超える言語生成と理解能力を示しています。自然言語処理における優れたパフォーマンスにより、AIエージェントは言語生成を通じて論理的で整理されたインタラクション能力を発揮できるようになりました。これにより、AIエージェントはチャットアシスタントやバーチャルカスタマーサービスなどのシナリオに応用され、次第により複雑なタスク(ビジネス分析やクリエイティブライティング)に拡張されています。
AI AGENTの核心はその"知能"にあります------すなわち、アルゴリズムを通じて人間や他の生物の知的行動を模倣し、複雑な問題を自動的に解決します。AI AGENTのワークフローは通常、以下のステップに従います: 知覚、推論、行動、学習、調整。
1.2.1 知覚モジュール
AI AGENTは、知覚モジュールを通じて外界とインタラクションし、環境情報を収集します。この部分の機能は人間の感覚に似ており、センサー、カメラ、マイクなどのデバイスを利用して外部データをキャッチします。これには、意味のある特徴を抽出したり、オブジェクトを認識したり、環境内の関連エンティティを特定したりすることが含まれます。知覚モジュールの核心的な任務は、生のデータを意味のある情報に変換することであり、通常は以下の技術が関与します:
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.
AIエージェント:WEB3新経済エコシステムを形成するインテリジェントな推進力
デコードAI AGENT: 未来の新しい経済エコシステムを形作る知能の力
1. 背景の概要
1.1 はじめに:スマート時代の"新しいパートナー"
各暗号通貨サイクルは、業界全体の発展を促進する新しいインフラをもたらします。
強調すべきは、これらの垂直分野のスタートは単に技術革新によるものではなく、資金調達モデルとブル市場サイクルの完璧な組み合わせの結果であるということです。機会が適切なタイミングと出会うことで、大きな変革を生むことができます。2025年を展望すると、2025年のサイクルにおける新興分野はAIエージェントであることは明らかです。このトレンドは昨年の10月にピークに達し、2024年10月11日にあるトークンが発表され、10月15日に1.5億ドルの時価総額に達しました。続いて10月16日、あるプロトコルがLunaを発表し、隣の女の子のIPライブイメージで初めて登場し、業界全体を引き爆しました。
では、AIエージェントとは一体何でしょうか?
誰もがクラシック映画「バイオハザード」に慣れているに違いなく、その中のAIシステム「レッドクイーン」は印象的です。レッドクイーンは強力なAIシステムで、複雑な施設やセキュリティシステムを制御し、自律的に環境を感知し、データを分析し、迅速に行動を取ることができます。
実際に、AIエージェントとハートの女王の核心機能には多くの類似点があります。現実のAIエージェントは、ある程度似たような役割を果たしており、彼らは現代技術分野の「知恵の守護者」として、自律的に感知、分析、実行することで、企業や個人が複雑なタスクに対処するのを助けています。自動運転車からスマートカスタマーサービスまで、AIエージェントはさまざまな業界に浸透し、効率の向上と革新の鍵となる力となっています。これらの自律的なインテリジェントエージェントは、環境の感知から意思決定の実行までの全方位の能力を持つ、目に見えないチームメンバーのようで、各業界に徐々に浸透し、効率と革新の双方の向上を促進しています。
例えば、AI AGENTは自動取引に使用でき、特定のデータプラットフォームやソーシャルプラットフォームから収集したデータに基づいて、リアルタイムでポートフォリオを管理し、取引を実行し、継続的に自らのパフォーマンスを最適化します。AI AGENTは単一の形態ではなく、暗号エコシステム内の特定のニーズに応じて異なるカテゴリに分かれています。
2.創造型AIエージェント: コンテンツ生成に使用され、テキスト、デザイン、さらには音楽制作を含みます。
3.ソーシャル型AIエージェント: ソーシャルメディア上の意見リーダーとして、ユーザーと交流し、コミュニティを構築し、マーケティング活動に参加します。
4.調整型AIエージェント:システムや参加者間の複雑な相互作用を調整し、特にマルチチェーン統合に適しています。
この報告書では、AIエージェントの起源、現状、そして広範な応用の可能性を深く探求し、それらがどのように業界の構図を再構築しているかを分析し、その未来の発展の傾向を展望します。
! 解読AIエージェント:未来を形作る知的な力新しい経済エコロジー
1.1.1 履歴
AI AGENTの発展の歴史は、AIが基礎研究から広範な応用へと進化する過程を示しています。1956年のダートマス会議で、「AI」という言葉が初めて提唱され、AIが独立した分野としての基盤を築きました。この時期、AI研究は主に記号的手法に集中し、初期のAIプログラムが生まれました。例えば、ELIZA(というチャットボット)や、Dendral(という有機化学分野の専門家システム)です。この段階では、神経ネットワークの初めての提案や機械学習概念の初歩的な探求も見られました。しかし、この時期のAI研究は当時の計算能力の制約に大きく影響されました。研究者たちは自然言語処理や人間の認知機能を模倣するアルゴリズムの開発において大きな困難に直面しました。さらに、1972年、数学者James Lighthillは1973年に発表された英国におけるAI研究の状況に関する報告書を提出しました。Lighthill報告は、AI研究が初期の興奮期を過ぎた後の全面的な悲観を基本的に表現しており、英国の学術機関(や資金提供機関)におけるAIへの大きな信頼喪失を引き起こしました。1973年以降、AI研究の資金が大幅に減少し、AI分野は最初の「AIの冬」を経験し、AIの潜在能力に対する疑念が高まりました。
1980年代、専門家システムの発展と商業化により、世界の企業はAI技術を採用し始めました。この時期、機械学習、神経ネットワーク、自然言語処理の分野で重要な進展があり、より複雑なAIアプリケーションの出現を促進しました。初の自律走行車の導入や、金融、医療などの各業界におけるAIの展開も、AI技術の拡大を象徴しています。しかし、1980年代後半から90年代初頭にかけて、専用AIハードウェアへの市場の需要が崩壊し、AI分野は第二の「AI冬」を経験しました。さらに、AIシステムのスケールを拡大し、実際のアプリケーションに成功裏に統合する方法は、依然として継続的な課題です。しかし同時に、1997年にはIBMのディープブルーが世界チェスチャンピオンのガリー・カスパロフに勝利し、これはAIが複雑な問題を解決する能力において重要な出来事となりました。神経ネットワークと深層学習の復興は、1990年代末のAI発展の基盤を築き、AIを技術の風景において欠かせない存在とし、日常生活に影響を及ぼし始めました。
21世紀初頭、計算能力の進歩が深層学習の台頭を促し、Siriなどのバーチャルアシスタントが消費者向けアプリケーションにおけるAIの実用性を示しました。2010年代には、強化学習エージェントやGPT-2などの生成モデルがさらなる突破を遂げ、対話型AIを新たな高みへと押し上げました。この過程で、大規模言語モデル(Large Language Model,LLM)の登場はAIの発展の重要なマイルストーンとなり、特にGPT-4のリリースはAIエージェント領域の転換点と見なされています。ある会社がGPTシリーズを発表して以来、大規模な事前トレーニングモデルは数百億、さらには数千億のパラメータを通じて、従来のモデルを超える言語生成と理解能力を示しています。自然言語処理における優れたパフォーマンスにより、AIエージェントは言語生成を通じて論理的で整理されたインタラクション能力を発揮できるようになりました。これにより、AIエージェントはチャットアシスタントやバーチャルカスタマーサービスなどのシナリオに応用され、次第により複雑なタスク(ビジネス分析やクリエイティブライティング)に拡張されています。
大規模言語モデルの学習能力は、AIエージェントにより高い自律性を提供します。強化学習(Reinforcement Learning)技術を通じて、AIエージェントは自己の行動を継続的に最適化し、動的な環境に適応できます。例えば、あるAI駆動プラットフォームでは、AIエージェントはプレイヤーの入力に基づいて行動戦略を調整し、真に動的なインタラクションを実現します。
初期のルールシステムからGPT-4を代表とする大規模言語モデルまで、AIエージェントの発展の歴史は技術の限界を突破し続ける進化の歴史です。そして、GPT-4の登場は、このプロセスの中で重大な転換点であることは間違いありません。技術のさらなる発展に伴い、AIエージェントはますます知能化し、シーン化され、多様化していくでしょう。大規模言語モデルは、AIエージェントに「知恵」の魂を注入するだけでなく、分野を超えた協力の能力を提供します。未来において、革新的なプロジェクトプラットフォームが次々に登場し、AIエージェント技術の実現と発展を推進し、AI駆動の体験の新時代をリードしていくことでしょう。
! 解読AIエージェント:新しい経済エコシステムの未来を形作るインテリジェントな力
1.2 仕組み
AIAGENTと従来のロボットの違いは、時間の経過とともに学習し適応し、目標を達成するために細やかな意思決定を行うことができる点です。これらは暗号分野において技術に優れ、常に進化し続ける参加者と見なすことができ、デジタル経済の中で独立して行動することができます。
AI AGENTの核心はその"知能"にあります------すなわち、アルゴリズムを通じて人間や他の生物の知的行動を模倣し、複雑な問題を自動的に解決します。AI AGENTのワークフローは通常、以下のステップに従います: 知覚、推論、行動、学習、調整。
1.2.1 知覚モジュール
AI AGENTは、知覚モジュールを通じて外界とインタラクションし、環境情報を収集します。この部分の機能は人間の感覚に似ており、センサー、カメラ、マイクなどのデバイスを利用して外部データをキャッチします。これには、意味のある特徴を抽出したり、オブジェクトを認識したり、環境内の関連エンティティを特定したりすることが含まれます。知覚モジュールの核心的な任務は、生のデータを意味のある情報に変換することであり、通常は以下の技術が関与します:
1.2.2 推論と意思決定モジュール
環境を認識した後、AI AGENTはデータに基づいて意思決定を行う必要があります。推論と意思決定モジュールは、システム全体の「脳」であり、収集した情報に基づいて論理的推論と戦略を策定します。大規模言語モデルなどをオーケストレーターまたは推論エンジンとして利用し、タスクを理解し、ソリューションを生成し、コンテンツ作成、視覚処理、または推奨システムなどの特定の機能に特化したモデルを調整します。
このモジュールは通常、以下の技術を使用します:
推論プロセスは通常、いくつかのステップを含みます: 最初は環境の評価、次に目標に基づいて複数の可能な行動計画を計算し、最後に最適な計画を選択して実行します。
1.2.3 実行モジュール
実行モジュールはAIエージェントの「手と足」であり、推論モジュールの決定を実行に移します。この部分は外部システムやデバイスと相互作用し、指定されたタスクを完了します。これには物理的な操作((例えばロボットの動作))やデジタル操作((例えばデータ処理))が含まれる場合があります。実行モジュールは次のことに依存します:
1.2.4 学習モジュール
学習モジュールはAI AGENTのコア競争力であり、エージェントが時間の経過とともによりスマートになることを可能にします。フィードバックループまたは「データフライホイール」による継続的な改善を通じて、インタラクション中に生成されたデータをシステムにフィードバックしてモデルを強化します。この時間の経過とともに徐々に適応し、より効果的になる能力は、企業に意思決定と運営効率を向上させる強力なツールを提供します。
学習モジュールは通常次の方法で改善されます:
1.2.5 リアルタイムフィードバックと調整
AI AGENTは、継続的なフィードバックループを通じて自身のパフォーマンスを最適化します。各アクションの結果は記録され、将来の意思決定の調整に使用されます。このクローズドループシステムは、AI AGENTの適応性と柔軟性を確保します。
! 解読AIエージェント:未来を形作る知的な力新しい経済エコロジー
1.3 市場状況
1.3.1業界の状況
AI AGENTは市場の焦点となりつつあり、消費者インターフェースおよび自律的経済行動者としての巨大な潜在能力により、複数の業界に変革をもたらしています。前回のサイクルにおけるL1ブロックスペースの潜在能力が計り知れなかったように、AI AGENTも今回のサイクルで同様の展望を示しています。
ある機関の最新報告によると、AIエージェント市場は2024年の51億ドルから2030年の471億ドルへと成長する見込みで、年平均成長率(CAGR)は44.8%に達します。この急速な成長は、AIエージェントが各業界に浸透していることと、技術革新によってもたらされる市場需要を反映しています。
大企業によるオープンソースプロキシフレームワークへの投資も顕著に増加しています。ある企業のAutoGen、Phidata、LangGraphなどのフレームワークの開発活動がますます活発になっており、これはAI AGENTが暗号分野以外でもより大きな市場潜在力を持っていることを示しています。TAMも増加しています。