หาก AIGC เปิดยุคอัจฉริยะของการสร้างเนื้อหา AI Agent ก็มีโอกาสที่จะเพิ่มขีดความสามารถของ AIGC อย่างแท้จริง
AI Agent เปรียบเสมือนพนักงานรอบด้านที่เป็นรูปธรรมมากขึ้น ซึ่งเรียกว่าหุ่นยนต์ปัญญาประดิษฐ์รูปแบบหลัก โดยสามารถสังเกตสภาพแวดล้อมโดยรอบ ตัดสินใจ และดำเนินการได้โดยอัตโนมัติเหมือนมนุษย์
บิล เกตส์เคยกล่าวไว้ตรงๆ ว่า “การควบคุม AI Agent คือความสำเร็จที่แท้จริง เมื่อถึงตอนนั้น คุณจะไม่ต้องค้นหาข้อมูลบนอินเทอร์เน็ตด้วยตัวเองอีกต่อไป” ผู้เชี่ยวชาญที่เชื่อถือได้ในสาขา AI ก็มีความหวังสูงต่อโอกาสนี้เช่นกัน ของตัวแทน AI Satya Nadella ซีอีโอของ Microsoft เคยคาดการณ์ว่า AI Agent จะกลายเป็นวิธีการหลักในการโต้ตอบระหว่างมนุษย์กับคอมพิวเตอร์ สามารถเข้าใจความต้องการของผู้ใช้ และให้บริการในเชิงรุกได้ ศาสตราจารย์อึ้ง เอนดะยังทำนายด้วยว่าในสภาพแวดล้อมการทำงานในอนาคต มนุษย์และตัวแทน AI จะทำงานร่วมกันอย่างใกล้ชิดมากขึ้นเพื่อสร้างโมเดลการทำงานที่มีประสิทธิภาพและปรับปรุงประสิทธิภาพ
AI Agent ไม่เพียงแต่เป็นผลิตภัณฑ์ของเทคโนโลยีเท่านั้น แต่ยังเป็นแกนหลักของวิถีชีวิตและการทำงานในอนาคตอีกด้วย
สิ่งนี้เตือนเราว่าเมื่อ Web3 และบล็อกเชนกระตุ้นให้เกิดการอภิปรายอย่างกว้างขวาง ผู้คนมักใช้คำว่า การหยุดชะงัก เพื่ออธิบายศักยภาพของเทคโนโลยีนี้ เมื่อมองย้อนกลับไปในช่วงไม่กี่ปีที่ผ่านมา Web3 ได้ค่อยๆ พัฒนาจาก ERC-20 เริ่มต้นและการพิสูจน์ความรู้แบบศูนย์ไปจนถึง DeFi, DePIN, GameFi ฯลฯ ที่บูรณาการเข้ากับสาขาอื่นๆ
หากเรารวมเทคโนโลยีดิจิทัลยอดนิยมทั้งสองของ Web3 และ AI เข้าด้วยกัน มันจะสร้างเอฟเฟกต์ 1+ 1>2 หรือไม่ โครงการ Web3 AI ที่มีขนาดทางการเงินที่ใหญ่ขึ้นเรื่อยๆ สามารถนำกระบวนทัศน์กรณีการใช้งานใหม่ๆ มาสู่อุตสาหกรรมและสร้างความต้องการที่แท้จริงใหม่ๆ ได้หรือไม่
AI Agent: ผู้ช่วยอัจฉริยะในอุดมคติที่สุดสำหรับมนุษยชาติ
จินตนาการของ AI Agent อยู่ที่ไหน? มีคำตอบที่ได้รับความนิยมอย่างกว้างขวางบนอินเทอร์เน็ตว่า โมเดลภาษาใหญ่สามารถเขียนโปรแกรมได้เฉพาะงู แต่ AI Agent สามารถเขียนโปรแกรม King of Glory ได้ทั้งหมด ฟังดูเกินจริง แต่ก็ไม่ได้เกินจริง
โดยทั่วไปแล้วตัวแทนจะแปลว่า ร่างกายอัจฉริยะ ในประเทศจีน แนวคิดนี้เสนอโดย Minsky บิดาแห่งปัญญาประดิษฐ์ ในหนังสือของเขา The Society of Thinking ซึ่งตีพิมพ์ในปี 1986 Minsky เชื่อว่าบุคคลบางคนในสังคมสามารถคิดวิธีแก้ปัญหาบางอย่างได้หลังจากการเจรจา เป็นตัวแทน. หลายปีที่ผ่านมา Agent เป็นรากฐานสำคัญของการโต้ตอบระหว่างมนุษย์กับคอมพิวเตอร์ ตั้งแต่ Clippy ผู้ช่วยแก้ไขของ Microsoft ไปจนถึงคำแนะนำอัตโนมัติของ Google Docs Agent รูปแบบแรกๆ เหล่านี้ได้แสดงให้เห็นถึงศักยภาพในการโต้ตอบแบบเฉพาะบุคคล แต่ความสามารถในการจัดการงานที่ซับซ้อนมากขึ้นนั้น ยังมีจำกัด จนกระทั่งการเกิดขึ้นของโมเดลภาษาขนาดใหญ่ (LLM) จึงจะสามารถดึงศักยภาพที่แท้จริงของตัวแทนได้
ในเดือนพฤษภาคมของปีนี้ ศาสตราจารย์ Andrew Ng นักวิชาการที่เชื่อถือได้ในสาขา AI ได้กล่าวสุนทรพจน์เกี่ยวกับ AI Agent ที่งาน Sequoia AI ในสหรัฐอเมริกา ในนั้น เขาได้แสดงชุดการทดลองที่ดำเนินการโดยทีมงานของเขา:
ให้ AI เขียนโค้ดแล้วรัน และเปรียบเทียบผลลัพธ์จาก LLM และเวิร์กโฟลว์ต่างๆ ผลลัพธ์จะเป็นดังนี้:
รุ่น GPT-3.5 : ความแม่นยำ 48%
รุ่น GPT-4: ความแม่นยำ 67%
GPT-3.5 + Agent: ประสิทธิภาพสูงกว่ารุ่น GPT-4
GPT-4 + Agent: สูงกว่ารุ่น GPT-4 มากดีมาก
อย่างแท้จริง. เมื่อคนส่วนใหญ่ใช้ LLM เช่น ChatGPT วิธีการคือ ป้อนคำพร้อมท์ จากนั้นโมเดลขนาดใหญ่จะสร้างคำตอบทันที โดยไม่ต้องระบุและแก้ไขข้อผิดพลาด การลบ และการเขียนใหม่โดยอัตโนมัติ
เมื่อเปรียบเทียบกันแล้ว ขั้นตอนการทำงานของ AI Agent จะเป็นดังนี้:
ขั้นแรก ให้ LLM เขียนโครงร่างบทความ หากจำเป็น ให้ค้นหาเนื้อหาบนอินเทอร์เน็ตเพื่อการวิจัยและวิเคราะห์ พิมพ์ร่างฉบับแรก จากนั้นอ่านฉบับร่างและคิดถึงวิธีเพิ่มประสิทธิภาพวงจรนี้ซ้ำหลายครั้ง และสุดท้ายก็แสดงผลบทความเชิงตรรกะและเข้มงวดและมีอัตราความผิดพลาดต่ำที่สุด
เราจะพบว่าความแตกต่างระหว่าง AI Agent และ LLM ก็คือปฏิสัมพันธ์ระหว่าง LLM และมนุษย์นั้นขึ้นอยู่กับคำพูดที่พร้อมท์ (พร้อมท์) AI Agent เพียงตั้งเป้าหมายก็สามารถคิดได้อย่างอิสระและดำเนินการตามเป้าหมายได้ แจกแจงรายละเอียดแต่ละขั้นตอนของแผนตามงานที่ได้รับมอบหมาย และอาศัยคำติชมจากโลกภายนอกและการคิดอย่างอิสระเพื่อสร้างคำแนะนำให้ตัวเองบรรลุเป้าหมาย
ดังนั้น คำจำกัดความของ AI Agent ของ OpenAI คือ ระบบที่ขับเคลื่อนโดย LLM ในฐานะสมอง โดยมีความสามารถในการเข้าใจการรับรู้ การวางแผน หน่วยความจำ และการใช้เครื่องมือได้โดยอัตโนมัติ และสามารถดำเนินงานที่ซับซ้อนได้โดยอัตโนมัติ
เมื่อ AI เปลี่ยนจากเครื่องมือที่ใช้ไปเป็นหัวข้อที่สามารถใช้เครื่องมือได้ ก็จะกลายเป็น AI Agent นี่คือเหตุผลว่าทำไม AI Agent จึงสามารถเป็นผู้ช่วยอัจฉริยะในอุดมคติที่สุดสำหรับมนุษย์ได้ ตัวอย่างเช่น AI Agent สามารถเข้าใจและจดจำความสนใจ ความชอบ และนิสัยประจำวันของผู้ใช้ตามประวัติการโต้ตอบออนไลน์ของผู้ใช้ ระบุความตั้งใจของผู้ใช้ เสนอแนะเชิงรุก และประสานงานแอปพลิเคชันต่างๆ เพื่อทำงานให้เสร็จสิ้น
เช่นเดียวกับวิสัยทัศน์ของ Gates ในอนาคตเราไม่จำเป็นต้องเปลี่ยนไปใช้แอปพลิเคชันอื่นสำหรับงานที่แตกต่างกันอีกต่อไป เราเพียงแต่ต้องใช้ภาษาธรรมดาในการบอกคอมพิวเตอร์และโทรศัพท์มือถือว่าเราต้องการทำอะไรโดยอิงตามข้อมูลที่ผู้ใช้ต้องการ เพื่อแบ่งปัน ตัวแทน AI จะให้คำตอบแบบเฉพาะบุคคล
ยูนิคอร์นเพียงคนเดียวกำลังกลายเป็นความจริง
AI Agent ยังสามารถช่วยองค์กรต่างๆ สร้างโมเดลการทำงานอัจฉริยะใหม่โดยมี การทำงานร่วมกันระหว่างมนุษย์และเครื่องจักร เป็นแกนหลัก AI จะดำเนินกิจกรรมทางธุรกิจเพิ่มมากขึ้นเรื่อยๆ ในขณะที่มนุษย์จำเป็นต้องมุ่งเน้นไปที่วิสัยทัศน์ กลยุทธ์ และการตัดสินใจในเส้นทางที่สำคัญขององค์กรเท่านั้น
เช่นเดียวกับที่ Sam Altman CEO ของ OpenAI เคยกล่าวถึงจุดที่น่าสนใจในการให้สัมภาษณ์ ด้วยการพัฒนา AI เรากำลังเข้าสู่ยุคของ ยูนิคอร์นแบบคนเดียว นั่นคือบริษัทที่ก่อตั้งโดยคนเพียงคนเดียวและมีมูลค่าถึง 1 พันล้าน บริษัทมีมูลค่าเป็นดอลลาร์สหรัฐ
ดูเหมือนเป็นจินตนาการ แต่ด้วยความช่วยเหลือจาก AI Agent มุมมองนี้กำลังกลายเป็นความจริง
สมมติว่าเราต้องการเริ่มต้นสตาร์ทอัพด้านเทคโนโลยี ภายใต้แนวทางแบบดั้งเดิม แน่นอนว่าฉันจะต้องจ้างวิศวกรซอฟต์แวร์ ผู้จัดการผลิตภัณฑ์ นักออกแบบ นักการตลาด ฝ่ายขาย และเจ้าหน้าที่การเงิน ล้วนทำงานของตัวเองแต่ได้รับความร่วมมือจากฉัน
ดังนั้นหากฉันใช้ AI Agent ฉันอาจไม่จำเป็นต้องจ้างพนักงานด้วยซ้ำ
Devin - การเขียนโปรแกรมอัตโนมัติ
แทนที่จะเป็นวิศวกรซอฟต์แวร์ ฉันอาจใช้ Devin วิศวกรซอฟต์แวร์ AI ที่ได้รับความนิยมในปีนี้ มันสามารถช่วยฉันทำงานส่วนหน้าและส่วนหลังทั้งหมดได้
Devin ได้รับการพัฒนาโดย Cognition Labs และเป็นที่รู้จักในนาม วิศวกรซอฟต์แวร์ AI คนแรกของโลก สามารถทำงานการพัฒนาซอฟต์แวร์ทั้งหมดให้เสร็จสมบูรณ์ได้อย่างอิสระ วิเคราะห์ปัญหา ตัดสินใจ เขียนโค้ด และแก้ไขข้อผิดพลาดได้อย่างอิสระ ซึ่งทั้งหมดนี้สามารถดำเนินการได้อย่างอิสระ สิ่งนี้จะช่วยลดภาระงานของนักพัฒนาได้อย่างมาก Devin ได้รับเงินทุน 196 ล้านดอลลาร์สหรัฐในเวลาเพียงหกเดือน และการประเมินมูลค่าเพิ่มสูงขึ้นอย่างรวดเร็วเป็นหลายพันล้านดอลลาร์ นักลงทุนรวมถึงบริษัทร่วมลงทุนที่มีชื่อเสียง เช่น Founders Fund และ Khosla Ventures
แม้ว่า Devin ยังไม่ได้เปิดตัวเวอร์ชันสาธารณะ แต่เราสามารถมองเห็นศักยภาพได้จาก Cursor ซึ่งเป็นผลิตภัณฑ์ Web2 ยอดนิยมอีกตัวหนึ่งเมื่อเร็ว ๆ นี้ มันทำงานเกือบทั้งหมดให้คุณ เปลี่ยนแนวคิดง่ายๆ ให้เป็นโค้ดที่ใช้งานได้ภายในไม่กี่นาที คุณเพียงแค่ต้องออกคำสั่งและ นั่งเฉยๆ และเพลิดเพลินไปกับผลลัพธ์ มีรายงานว่าเด็กอายุ 8 ขวบใช้ Cursor เพื่อเขียนโค้ดและสร้างเว็บไซต์โดยไม่ต้องมีประสบการณ์ด้านการเขียนโปรแกรมเลย
เฮบเบีย — การประมวลผลไฟล์
แทนที่จะเป็นผู้จัดการผลิตภัณฑ์หรือเจ้าหน้าที่การเงิน ฉันอาจเลือก Hebbia ซึ่งสามารถช่วยฉันจัดระเบียบและวิเคราะห์เอกสารทั้งหมดได้
ต่างจาก Glean ที่เน้นการค้นหาเอกสารภายในองค์กร Hebbia Matrix เป็นแพลตฟอร์ม AI Agent ระดับองค์กรที่ใช้โมเดล AI หลายแบบเพื่อช่วยให้ผู้ใช้แยก วางโครงสร้าง และวิเคราะห์ข้อมูลและเอกสารได้อย่างมีประสิทธิภาพ จึงส่งเสริมการปรับปรุงประสิทธิภาพการทำงานขององค์กร . เป็นเรื่องน่าทึ่งที่ Matrix สามารถจัดการเอกสารได้หลายล้านเอกสารในคราวเดียว
Hebbia เสร็จสิ้นรอบ Series B มูลค่า 130 ล้านดอลลาร์สหรัฐในเดือนกรกฎาคมปีนี้ นำโดย a16z โดยมีส่วนร่วมจากนักลงทุนที่มีชื่อเสียง เช่น Google Ventures และ Peter Thiel
Jasper AI – การสร้างเนื้อหา
แทนที่จะทำงานและนักออกแบบโซเชียลมีเดีย ฉันอาจเลือก Jasper AI ซึ่งสามารถช่วยฉันสร้างเนื้อหาได้
Jasper AI คือผู้ช่วยเขียน AI Agent ที่ออกแบบมาเพื่อช่วยผู้สร้าง นักการตลาด และธุรกิจในการปรับปรุงกระบวนการสร้างเนื้อหาและปรับปรุงประสิทธิภาพการผลิตและประสิทธิภาพในการสร้างสรรค์ Jasper AI สามารถสร้างเนื้อหาได้หลายประเภทตามสไตล์ที่ผู้ใช้ร้องขอ รวมถึงบล็อกโพสต์ โพสต์บนโซเชียลมีเดีย ข้อความโฆษณา คำอธิบายผลิตภัณฑ์ และอื่นๆ และสร้างรูปภาพตามคำอธิบายของผู้ใช้เพื่อจัดเตรียมภาพช่วยสำหรับเนื้อหาข้อความ
Jasper AI ระดมทุนได้ 125 ล้านดอลลาร์ และมีมูลค่าถึง 1.5 พันล้านดอลลาร์ในปี 2565 ตามสถิติ Jasper AI ได้ช่วยให้ผู้ใช้สร้างคำศัพท์มากกว่า 500 ล้านคำ ทำให้เป็นหนึ่งในเครื่องมือเขียน AI ที่ใช้กันอย่างแพร่หลายที่สุด
MultiOn — หน้าเว็บอัตโนมัติ
แทนที่จะเป็นผู้ช่วย ฉันอาจเลือก MultiOn เพื่อช่วยฉันจัดการงานประจำวัน จัดตารางเวลา ตั้งการแจ้งเตือน และแม้แต่วางแผนการเดินทางเพื่อธุรกิจ จองโรงแรมโดยอัตโนมัติ และจัดการเรียกรถโดยสารออนไลน์โดยอัตโนมัติ
MultiOn คือเอเจนต์ AI งานเครือข่ายอัตโนมัติที่สามารถช่วยทำงานโดยอัตโนมัติในสภาพแวดล้อมดิจิทัลใดๆ เช่น การช่วยให้ผู้ใช้ทำงานส่วนตัว เช่น การช็อปปิ้งออนไลน์และการนัดหมาย การปรับปรุงประสิทธิภาพส่วนบุคคล หรือการช่วยให้ผู้ใช้งานประจำวันง่ายขึ้นและปรับปรุงประสิทธิภาพการทำงาน
ความฉงนสนเท่ห์ - การค้นหาการวิจัย
แทนที่จะเป็นนักวิจัย ฉันอาจจะเลือก Perplexity ซึ่ง CEO ของ NVIDIA ใช้ทุกวัน
Perplexity เป็นเครื่องมือค้นหา AI ที่เข้าใจคำถามของผู้ใช้ แจกแจงคำถาม จากนั้นค้นหาและรวมเนื้อหา และสร้างรายงานเพื่อให้ผู้ใช้ได้รับคำตอบที่ชัดเจน
ความฉงนสนเท่ห์เหมาะสำหรับกลุ่มผู้ใช้ต่างๆ เช่น นักศึกษาและนักวิจัยสามารถลดความซับซ้อนของกระบวนการดึงข้อมูลเมื่อเขียนและปรับปรุงประสิทธิภาพ นักการตลาดสามารถรับข้อมูลที่เชื่อถือได้เพื่อสนับสนุนกลยุทธ์ทางการตลาด
เนื้อหาข้างต้นเป็นเพียงจินตนาการ ความสามารถและระดับที่แท้จริงของ AI Agent เหล่านี้ยังไม่เพียงพอที่จะทดแทนผู้มีความสามารถระดับสูงในทุกสาขาอาชีพ ดังที่ Li Bojie ผู้ร่วมก่อตั้ง Logenic AI กล่าวว่า ความสามารถในปัจจุบันของ LLM นั้นเป็นเพียงระดับเริ่มต้นเท่านั้น และยังห่างไกลจากระดับผู้เชี่ยวชาญอีกด้วย AI Agent ในปัจจุบันเป็นเหมือนพนักงานที่ทำงานเร็วแต่ไม่น่าเชื่อถือมากนัก
อย่างไรก็ตาม ด้วยความเชี่ยวชาญเฉพาะด้าน AI Agent เหล่านี้กำลังช่วยให้ผู้ใช้ปัจจุบันปรับปรุงประสิทธิภาพและความสะดวกสบายในสถานการณ์ที่หลากหลาย
ไม่ใช่แค่บริษัทเทคโนโลยีเท่านั้น ทุกสาขาอาชีพสามารถได้รับประโยชน์จากคลื่นของตัวแทน AI ในด้านการศึกษา AI Agent สามารถจัดหาทรัพยากรการเรียนรู้ส่วนบุคคลและการสอนตามความก้าวหน้าในการเรียนรู้ ความสนใจ และความสามารถของนักเรียน ในด้านการเงิน AI Agent สามารถช่วยให้ผู้ใช้จัดการการเงินส่วนบุคคล ให้คำแนะนำด้านการลงทุน และแม้กระทั่งคาดการณ์แนวโน้มหุ้น ในด้านการแพทย์ ตัวแทน AI สามารถช่วยแพทย์วินิจฉัยโรคและกำหนดแผนการรักษา ในด้านอีคอมเมิร์ซ ตัวแทน AI ยังสามารถทำหน้าที่เป็นบริการลูกค้าอัจฉริยะ ตอบคำถามของผู้ใช้โดยอัตโนมัติ จัดการปัญหาการสั่งซื้อ และส่งคืนคำขอผ่านภาษาธรรมชาติ เทคโนโลยีการประมวลผลและการเรียนรู้ของเครื่องปรับปรุงประสิทธิภาพการบริการลูกค้า
Multi-Agent: ก้าวต่อไปสำหรับ AI Agent
ในส่วนก่อนหน้าเกี่ยวกับแนวคิดของบริษัทยูนิคอร์นที่มีคนเดียว AI Agent คนเดียวต้องเผชิญกับข้อจำกัดในการจัดการงานที่ซับซ้อนและยากที่จะตอบสนองความต้องการที่แท้จริง เมื่อใช้เอเจนต์ AI หลายตัว เนื่องจากเอเจนต์ AI เหล่านี้ใช้ LLM ที่ต่างกัน การตัดสินใจร่วมกันจึงเป็นเรื่องยากและความสามารถมีจำกัด ดังนั้นมนุษย์จึงต้องทำหน้าที่เป็นตัวกำหนดเวลาระหว่างเอเจนต์ AI อิสระเหล่านี้เพื่อประสานงานเอเจนต์ AI เหล่านี้เพื่อรองรับสถานการณ์การใช้งานที่แตกต่างกัน ไปทำงาน. สิ่งนี้ทำให้เกิด Multi Agent (กรอบงานหลายตัวแทน) ขึ้นมา
ปัญหาที่ซับซ้อนมักต้องอาศัยการบูรณาการความรู้และทักษะหลายด้าน และ AI Agent เดียวก็มีความสามารถที่จำกัดและยากต่อการจัดการ ด้วยการรวม AI Agents ที่มีความสามารถที่แตกต่างกันเข้าด้วยกัน ระบบ Multi-Agent ช่วยให้ AI Agents สามารถใช้ประโยชน์จากจุดแข็งของตนและเรียนรู้จากจุดแข็งของกันและกันเพื่อแก้ไขปัญหาที่ซับซ้อนได้อย่างมีประสิทธิภาพมากขึ้น
สิ่งนี้คล้ายกับกระบวนการทำงานจริงหรือโครงสร้างองค์กรของเรามาก กล่าวคือ ผู้นำมอบหมายงาน และบุคคลที่มีความสามารถต่างกันจะต้องรับผิดชอบงานที่แตกต่างกัน ผลลัพธ์ของแต่ละกระบวนการจะถูกมอบให้กับกระบวนการถัดไป และในที่สุดผลลัพธ์ของงานสุดท้ายก็จะได้รับ .
ในกระบวนการนำไปใช้งาน เจ้าหน้าที่ AI ระดับล่างจะทำงานของตนตามลำดับ ในขณะที่เจ้าหน้าที่ AI ระดับสูงกว่าจะมอบหมายงานและควบคุมดูแลให้งานเสร็จสิ้น
Multi-Agent ยังสามารถจำลองกระบวนการตัดสินใจของมนุษย์ได้ เช่นเดียวกับเมื่อเราประสบปัญหา เราจะขอคำแนะนำจากผู้อื่น นอกจากนี้ AI Agent หลายตัวยังสามารถจำลองพฤติกรรมการตัดสินใจโดยรวมและให้การสนับสนุนข้อมูลที่ดียิ่งขึ้นแก่เรา ตัวอย่างเช่น AutoGen ที่พัฒนาโดย Microsoft เป็นไปตามประเด็นนี้:
ความสามารถในการสร้าง AI Agent ที่มีบทบาทต่างกัน ตัวแทน AI เหล่านี้มีความสามารถในการสนทนาขั้นพื้นฐาน และสามารถสร้างการตอบกลับตามข้อความที่ได้รับ
ใช้ GroupChat เพื่อสร้างสภาพแวดล้อมการแชทกลุ่มที่เข้าร่วมโดยตัวแทน AI หลายคน ใน GroupChat นี้ มีตัวแทน AI ที่มีบทบาทผู้ดูแลระบบในการจัดการบันทึกการแชท ลำดับผู้พูด การสิ้นสุดคำพูด ฯลฯ ของตัวแทน AI อื่น ๆ
หากนำไปใช้กับแนวคิดของบริษัทยูนิคอร์นที่มีคนเดียว เราสามารถสร้าง AI Agent หลายๆ ตัวที่มีบทบาทที่แตกต่างกันผ่านสถาปัตยกรรม Multi-Agent เช่น ผู้จัดการโครงการ โปรแกรมเมอร์ หรือหัวหน้างาน บอกเป้าหมายของเราให้พวกเขาทราบและให้พวกเขาทราบว่าต้องทำอย่างไร เราเพียงแต่ต้องฟังรายงาน หากเรารู้สึกว่ามีข้อโต้แย้งหรือหากพวกเขาทำอะไรผิดก็ให้พวกเขาเปลี่ยนแปลงจนกว่าเราจะพอใจ
เมื่อเปรียบเทียบกับเอเจนต์ AI ตัวเดียว มัลติเอเจนต์สามารถบรรลุผล:
ความสามารถในการปรับขนาด: ด้วยการเพิ่มจำนวน AI Agent เพื่อรองรับปัญหาในวงกว้าง AI Agent แต่ละตัวจะจัดการส่วนหนึ่งของงาน ทำให้ระบบสามารถขยายได้ตามความต้องการที่เพิ่มมากขึ้น
ความเท่าเทียม: โดยธรรมชาติแล้ว รองรับการประมวลผลแบบขนาน โดยที่ AI Agent หลายตัวสามารถทำงานในส่วนต่างๆ ของปัญหาได้พร้อมๆ กัน จึงช่วยเร่งการแก้ปัญหา
การปรับปรุงการตัดสินใจ: ปรับปรุงการตัดสินใจโดยการรวบรวมข้อมูลเชิงลึกจากตัวแทน AI หลายคน ซึ่งแต่ละคนมีมุมมองและความเชี่ยวชาญของตนเอง
เนื่องจากเทคโนโลยี AI ยังคงก้าวหน้าอย่างต่อเนื่อง จึงเป็นไปได้ว่าเฟรมเวิร์ก Multi-Agent จะมีบทบาทมากขึ้นในอุตสาหกรรมต่างๆ มากขึ้น และส่งเสริมการพัฒนาโซลูชันที่ขับเคลื่อนด้วย AI ใหม่ต่างๆ
สายลมของ AI Agent พัดไปทาง Web3
เมื่อก้าวออกจากห้องปฏิบัติการ AI Agent และ Multi-Agent ก็มีเส้นทางข้างหน้าอีกยาวไกล
โดยไม่คำนึงถึง Multi-Agent ในขณะนี้ แม้แต่ AI Agent เดี่ยวที่ทันสมัยที่สุดในปัจจุบันก็มีขีดจำกัดบนที่ชัดเจนเกี่ยวกับทรัพยากรการประมวลผลและพลังการประมวลผลที่ต้องการในระดับกายภาพ และไม่สามารถขยายได้อย่างไม่มีที่สิ้นสุด เมื่อต้องเผชิญกับงานที่ซับซ้อนและเน้นการประมวลผลอย่างมาก AI Agent จะพบกับ คอขวดของพลังการประมวลผล อย่างไม่ต้องสงสัย และประสิทธิภาพของมันจะลดลงอย่างมาก
นอกจากนี้ ระบบ AI Agent และ Multi-Agent ยังเป็น โมเดลสถาปัตยกรรมแบบรวมศูนย์ ซึ่งกำหนดว่าระบบเหล่านี้มีความเสี่ยงสูงที่จะเกิดความล้มเหลวเพียงครั้งเดียว ที่สำคัญกว่านั้น รูปแบบธุรกิจแบบผูกขาดของ OpenAI, Microsoft, Google และบริษัทอื่นๆ ที่ใช้โมเดลขนาดใหญ่แบบปิด คุกคามสภาพแวดล้อมการอยู่รอดของสตาร์ทอัพ AI Agent ที่เป็นอิสระและเดี่ยว ทำให้เป็นไปไม่ได้ที่ AI Agents จะใช้ข้อมูลส่วนตัวขนาดใหญ่ขององค์กรได้สำเร็จ ทำให้พวกเขาฉลาดขึ้นและมีประสิทธิภาพมากขึ้น มีความจำเป็นเร่งด่วนสำหรับสภาพแวดล้อมการทำงานร่วมกันตามระบอบประชาธิปไตยระหว่างตัวแทน AI เพื่อให้ ตัวแทน AI ที่มีคุณค่าอย่างแท้จริง สามารถให้บริการผู้คนที่มีความต้องการในวงกว้างขึ้น และสร้างมูลค่าที่มากขึ้นให้กับสังคม
ท้ายที่สุด แม้ว่า AI Agent จะมีความใกล้ชิดกับอุตสาหกรรมมากกว่า LLM แต่การพัฒนาก็ขึ้นอยู่กับ LLM อย่างไรก็ตาม รูปแบบธุรกิจขนาดใหญ่ในปัจจุบันมีลักษณะเฉพาะด้วยเกณฑ์ทางเทคนิคที่สูง การลงทุนจำนวนมาก และโมเดลธุรกิจที่ยังไม่บรรลุนิติภาวะมักจะได้รับได้ยาก . การจัดหาเงินทุนเพื่ออัปเดตและทำซ้ำต่อไป
กระบวนทัศน์ Multi-Agent เป็นมุมที่ยอดเยี่ยมสำหรับ Web3 เพื่อช่วย AI ทีมพัฒนา Web3 จำนวนมากกำลังลงทุนในการวิจัยและพัฒนาเพื่อมอบโซลูชั่นในด้านเหล่านี้
โดยทั่วไประบบ AI Agent และ Multi-Agent ต้องการทรัพยากรการประมวลผลจำนวนมากเพื่อดำเนินการตัดสินใจและประมวลผลที่ซับซ้อน Web3 สามารถสร้างตลาดพลังงานการประมวลผลแบบกระจายอำนาจผ่านบล็อกเชนและเทคโนโลยีแบบกระจายอำนาจ เพื่อให้สามารถกระจายและใช้งานทรัพยากรพลังงานการประมวลผลอย่างยุติธรรมและมีประสิทธิภาพมากขึ้นในระดับโลก โปรเจ็กต์ Web3 เช่น Akash, Nosana, Aethir และ IO.net สามารถมอบความสามารถในการประมวลผลสำหรับการตัดสินใจและการให้เหตุผลของ AI Agent
ระบบ AI แบบดั้งเดิมมักได้รับการจัดการในลักษณะรวมศูนย์ ทำให้ AI Agent เผชิญกับความล้มเหลวจุดเดียวและปัญหาความเป็นส่วนตัวของข้อมูล ลักษณะการกระจายอำนาจของ Web3 สามารถทำให้ระบบ Multi-Agent มีการกระจายอำนาจและเป็นอิสระมากขึ้น บนโหนด ข้อกำหนดที่ผู้ใช้นำเสนอจะถูกดำเนินการโดยอัตโนมัติ ซึ่งช่วยเพิ่มความแข็งแกร่งและความปลอดภัย การสร้างกลไกจูงใจและการลงโทษสำหรับผู้ให้คำมั่นและผู้มอบหมายผ่าน PoS, DPoS และกลไกอื่นๆ สามารถส่งเสริมการทำให้เป็นประชาธิปไตยของระบบตัวแทน AI เดี่ยวหรือหลายตัวแทน
ในเรื่องนี้ GaiaNet, Theoriq, PIN AI และ HajimeAI ต่างมีความพยายามที่ล้ำหน้ามาก
Theoriq เป็นโปรเจ็กต์ที่ให้บริการ AI สำหรับ Web3 โดยหวังที่จะสร้างระบบการโทรและเศรษฐกิจสำหรับตัวแทน AI ผ่าน Agentic Protocol เผยแพร่การพัฒนา Web3 และสถานการณ์การทำงานต่างๆ มากมาย และมอบความสามารถในการให้เหตุผลของโมเดลที่ตรวจสอบได้สำหรับ Web3 dApps
GaiaNet คือสภาพแวดล้อมการสร้างและปรับใช้ AI Agent บนโหนด โดยมีจุดเริ่มต้นในการปกป้องทรัพย์สินทางปัญญาและความเป็นส่วนตัวของข้อมูลของผู้เชี่ยวชาญและผู้ใช้ เพื่อแข่งขันกับ OpenAI GPT Store แบบรวมศูนย์
จากทั้งสองสิ่งนี้ HajimeAI มุ่งเน้นไปที่การสร้างเวิร์กโฟลว์ AI Agent ตามความต้องการที่แท้จริง ความอัจฉริยะและระบบอัตโนมัติของจุดประสงค์นั้นเอง ซึ่งสะท้อนถึง การปรับเปลี่ยนความฉลาดส่วนบุคคลของ AI ที่ PIN AI กล่าวถึง
ในเวลาเดียวกัน Modulus Labs และ ORA Protocol ก็มีความคืบหน้าในทิศทางอัลกอริทึม zkML และ opML ของ AI Agent ตามลำดับ
สุดท้ายนี้ การพัฒนาและการทำซ้ำของระบบ AI Agent และ Multi-Agent มักต้องการการสนับสนุนทางการเงินจำนวนมาก และ Web3 สามารถช่วยให้โครงการ AI Agent ที่มีศักยภาพได้รับการสนับสนุนที่มีคุณค่าตั้งแต่เนิ่นๆ ผ่านฟีเจอร์ของสภาพคล่องแบบโหลดล่วงหน้า
ทั้ง Spectral และ HajimeAI ได้เสนอแนวคิดผลิตภัณฑ์ที่รองรับการออกสินทรัพย์ AI Agent บนห่วงโซ่ โดยการออกโทเค็นผ่าน IAO (Initial Agent Offer) ตัวแทน AI สามารถรับเงินทุนโดยตรงจากนักลงทุน และในเวลาเดียวกันก็กลายเป็นสมาชิกของ DAO การกำกับดูแลให้นักลงทุนมีโอกาสมีส่วนร่วมในการพัฒนาโครงการและแบ่งปันผลกำไรในอนาคต ในบรรดาสิ่งเหล่านั้น DAO ที่เป็นเกณฑ์มาตรฐานของ HajimeAI หวังที่จะรวมการให้คะแนน AI Agent แบบกระจายอำนาจเข้ากับการออกสินทรัพย์ของ AI Agent ผ่านการระดมทุนคราวด์ฟันดิ้งและแรงจูงใจด้านโทเค็น เพื่อสร้างวงจรปิดของ AI Agent โดยอาศัยการจัดหาเงินทุนของ Web3 และ Cold Start ซึ่งเป็นความพยายามที่ค่อนข้างใหม่เช่นกัน
AI Pandoras Box ถูกเปิดออกแล้ว และทุกคนในนั้นต่างก็ตื่นเต้นและสับสน ไม่มีใครรู้ว่าความบ้าคลั่งนั้นเป็นโอกาสหรืออันตรายที่ซ่อนอยู่ ทุกวันนี้ ทุกสาขาอาชีพไม่ได้อยู่ในยุคของการจัดหาเงินทุน PPT อีกต่อไป ไม่ว่าเทคโนโลยีจะล้ำสมัยเพียงใด คุณค่าจะเกิดขึ้นได้ก็ต่อเมื่อมีการใช้งานเท่านั้น อนาคตของ AI Agent ถูกกำหนดให้เป็นการแข่งขันมาราธอนที่ยาวนาน และ Web3 ก็รับประกันว่าจะไม่จางหายไปในการแข่งขันครั้งนี้
