De l'Agent IA à DeFAI : déchiffrer les moteurs de la nouvelle vague de chiffrement bull run

1. Contexte général

1.1 Introduction : le "nouveau partenaire" de l'ère intelligente

Chaque cycle de chiffrement apporte de nouvelles infrastructures qui propulsent le développement de l'ensemble de l'industrie.

• En 2017, l'essor des contrats intelligents a déclenché le développement florissant des ICO.
• En 2020, les pools de liquidités DEX ont déclenché la vague estivale du DeFi.
• En 2021, une multitude de séries d'œuvres NFT ont vu le jour, marquant l'avènement de l'ère des collections numériques.
• En 2024, la performance exceptionnelle d'une plateforme a conduit à une tendance dans les memecoins et les plateformes de lancement.

Il est important de souligner que le démarrage de ces domaines verticaux n'est pas seulement le résultat d'innovations technologiques, mais aussi de la combinaison parfaite entre les modèles de financement et les cycles de bull run. Lorsque l'opportunité rencontre le bon moment, cela peut engendrer de grands bouleversements. Envisageant 2025, il est clair que le nouveau domaine émergent du cycle de 2025 sera l'agent AI. Cette tendance a atteint son sommet en octobre dernier, le 11 octobre 2024, un certain token a été lancé et a atteint une capitalisation boursière de 150 millions de dollars le 15 octobre. Juste après, le 16 octobre, un certain protocole a lancé Luna, apparaissant pour la première fois sous l'image de diffusion en direct de la voisine, déclenchant une réaction dans toute l'industrie.

Alors, qu'est-ce qu'un agent IA ?

Tout le monde connaît sûrement le film classique « Resident Evil », dont le système d'IA, la Reine Rouge, laisse une forte impression. La Reine Rouge est un puissant système d'IA qui contrôle des installations complexes et des systèmes de sécurité, capable de percevoir son environnement, d'analyser des données et d'agir rapidement.

En réalité, l'Agent AI et les fonctions clés de la Reine de Cœur présentent de nombreuses similitudes. Dans le monde réel, l'Agent AI joue dans une certaine mesure un rôle similaire, agissant comme un "gardien de la sagesse" dans le domaine de la technologie moderne, en aidant les entreprises et les particuliers à faire face à des tâches complexes grâce à la perception autonome, à l'analyse et à l'exécution. Des voitures autonomes aux services clients intelligents, les Agents AI se sont intégrés dans tous les secteurs, devenant une force clé pour améliorer l'efficacité et l'innovation. Ces agents intelligents autonomes, semblables à des membres d'équipe invisibles, possèdent des capacités complètes allant de la perception de l'environnement à l'exécution des décisions, s'infiltrant progressivement dans divers secteurs pour promouvoir une double amélioration de l'efficacité et de l'innovation.

Par exemple, un AGENT IA peut être utilisé pour le trading automatisé, en se basant sur les données collectées à partir d'une plateforme de données ou d'une plateforme sociale, gérant en temps réel le portefeuille d'investissement et exécutant des transactions, optimisant constamment ses performances au cours des itérations. L'AGENT IA n'est pas une forme unique, mais se divise en différentes catégories selon les besoins spécifiques de l'écosystème de chiffrement :

1. Agent IA exécuteur : se concentre sur l'accomplissement de tâches spécifiques, telles que le trading, la gestion de portefeuille ou l'arbitrage, visant à augmenter la précision opérationnelle et à réduire le temps requis.

2. Agent IA créatif : utilisé pour la génération de contenu, y compris le texte, le design et même la création musicale.

3.Agent AI social : en tant que leader d'opinion sur les réseaux sociaux, interagir avec les utilisateurs, établir des communautés et participer à des campagnes de marketing.

4. Agent AI coordonné : coordonne les interactions complexes entre les systèmes ou les participants, particulièrement adapté à l'intégration multi-chaînes.

Dans ce rapport, nous explorerons en profondeur l'origine, l'état actuel et les vastes perspectives d'application des agents IA, analyserons comment ils redéfinissent le paysage industriel et envisagerons leurs tendances de développement futures.

1.1.1 historique du développement

Le développement des AGENTS AI montre l'évolution de l'IA, de la recherche fondamentale à l'application généralisée. Le terme "IA" a été proposé pour la première fois lors de la conférence de Dartmouth en 1956, établissant les bases de l'IA en tant que domaine indépendant. À cette époque, la recherche en IA était principalement axée sur des méthodes symboliques, donnant naissance aux premiers programmes d'IA, tels qu'ELIZA( un chatbot) et Dendral( un système d'experts dans le domaine de la chimie organique). Cette phase a également vu la première proposition de réseaux neuronaux et l'exploration préliminaire du concept d'apprentissage machine. Cependant, la recherche en IA de cette période était gravement limitée par les capacités de calcul de l'époque. Les chercheurs ont rencontré d'énormes difficultés dans le traitement du langage naturel et le développement d'algorithmes imitant les fonctions cognitives humaines. De plus, en 1972, le mathématicien James Lighthill a soumis un rapport publié en 1973 sur l'état de la recherche en IA en cours au Royaume-Uni. Le rapport Lighthill exprimait fondamentalement un pessimisme général concernant la recherche en IA après l'excitation initiale, entraînant une énorme perte de confiance des institutions académiques britanniques(, y compris des organismes de financement), envers l'IA. Après 1973, le financement de la recherche en IA a considérablement diminué, et le domaine de l'IA a connu son premier "hiver de l'IA", augmentant les sentiments de doute quant au potentiel de l'IA.

Dans les années 1980, le développement et la commercialisation des systèmes experts ont conduit les entreprises du monde entier à adopter des technologies d'IA. Cette période a vu d'importants progrès dans l'apprentissage automatique, les réseaux de neurones et le traitement du langage naturel, propulsant l'émergence d'applications d'IA plus complexes. L'introduction des véhicules autonomes pour la première fois et le déploiement de l'IA dans des secteurs tels que la finance et la santé ont également marqué l'expansion des technologies d'IA. Cependant, à la fin des années 1980 et au début des années 1990, avec l'effondrement de la demande du marché pour du matériel d'IA spécialisé, le domaine de l'IA a traversé un deuxième "hiver de l'IA". De plus, comment élargir l'échelle des systèmes d'IA et les intégrer avec succès dans des applications pratiques reste un défi continu. Mais en même temps, en 1997, l'ordinateur Deep Blue d'IBM a battu le champion du monde d'échecs Garry Kasparov, ce qui constitue un événement marquant dans la capacité de l'IA à résoudre des problèmes complexes. La renaissance des réseaux de neurones et de l'apprentissage profond a jeté les bases du développement de l'IA à la fin des années 1990, faisant de l'IA une partie intégrante du paysage technologique et commençant à influencer la vie quotidienne.

Au début du XXIe siècle, les avancées en matière de puissance de calcul ont favorisé l'émergence de l'apprentissage profond, des assistants virtuels comme Siri ont démontré l'utilité de l'IA dans le domaine des applications grand public. Dans les années 2010, les agents d'apprentissage par renforcement et des modèles génératifs tels que GPT-2 ont réalisé des percées supplémentaires, élevant l'IA conversationnelle à de nouveaux sommets. Dans ce processus, l'apparition du modèle de langage (Large Language Model, LLM) est devenue un jalon important dans le développement de l'IA, en particulier avec la publication de GPT-4, qui est considérée comme un tournant dans le domaine des agents IA. Depuis qu'une certaine entreprise a lancé la série GPT, les modèles pré-entraînés à grande échelle, avec des centaines de milliards voire des milliers de milliards de paramètres, ont montré des capacités de génération et de compréhension du langage dépassant celles des modèles traditionnels. Leur performance exceptionnelle dans le traitement du langage naturel a permis aux agents IA de démontrer des capacités d'interaction logiquement claires et bien structurées grâce à la génération de langage. Cela a permis aux agents IA d'être appliqués dans des scénarios tels que les assistants de chat, le service client virtuel, et de s'étendre progressivement vers des tâches plus complexes ( telles que l'analyse commerciale, l'écriture créative ).

La capacité d'apprentissage des grands modèles de langage offre une plus grande autonomie aux agents AI. Grâce à la technologie de l'(Reinforcement Learning), les agents AI peuvent continuellement optimiser leur comportement et s'adapter à un environnement dynamique. Par exemple, sur une plateforme alimentée par AI, les agents AI peuvent ajuster leur stratégie comportementale en fonction des entrées des joueurs, réalisant ainsi une interaction dynamique.

De l'ancien système de règles aux grands modèles de langage représentés par GPT-4, l'histoire du développement des agents AI est une histoire d'évolution qui repousse constamment les frontières technologiques. L'apparition de GPT-4 est sans aucun doute un tournant majeur dans ce parcours. Avec le développement technologique supplémentaire, les agents AI deviendront plus intelligents, contextuels et diversifiés. Les grands modèles de langage n'ont pas seulement injecté "l'intelligence" dans l'âme des agents AI, mais leur ont également fourni la capacité de collaboration interdisciplinaire. À l'avenir, de nouvelles plateformes de projets innovants continueront d'émerger, propulsant la mise en œuvre et le développement de la technologie des agents AI, ouvrant la voie à une nouvelle ère d'expériences pilotées par l'IA.

1.2 principe de fonctionnement

La différence entre AIAGENT et les robots traditionnels réside dans leur capacité à apprendre et à s'adapter au fil du temps, à prendre des décisions précises pour atteindre des objectifs. On peut les considérer comme des participants techniquement avancés et en constante évolution dans le domaine du chiffrement, capables d'agir de manière autonome dans l'économie numérique.

Le cœur de l'AGENT IA réside dans son "intelligence" ------ c'est-à-dire simuler le comportement intelligent des humains ou d'autres êtres vivants par le biais d'algorithmes, afin de résoudre de manière automatisée des problèmes complexes. Le flux de travail de l'AGENT IA suit généralement les étapes suivantes : perception, raisonnement, action, apprentissage, ajustement.

1.2.1 Module de perception

L'AGENT IA interagit avec le monde extérieur via un module de perception, collectant des informations sur l'environnement. Cette partie de la fonction est similaire aux sens humains, utilisant des capteurs, des caméras, des microphones et d'autres dispositifs pour capturer des données externes, ce qui inclut l'extraction de caractéristiques significatives, la reconnaissance d'objets ou la détermination des entités pertinentes dans l'environnement. La tâche principale du module de perception est de transformer les données brutes en informations significatives, ce qui implique généralement les techniques suivantes :

• Vision par ordinateur : utilisée pour traiter et comprendre les données d'images et de vidéos.
• Traitement du langage naturel ( NLP ) : aider l'AGENT IA à comprendre et à générer le langage humain.
• Fusion de capteurs : intégrer les données de plusieurs capteurs en une vue unifiée.

1.2.2 Module d'inférence et de décision

Après avoir perçu l'environnement, l'AGENT IA doit prendre des décisions en fonction des données. Le module de raisonnement et de décision est le "cerveau" de l'ensemble du système, il effectue un raisonnement logique et élabore des stratégies sur la base des informations collectées. En utilisant de grands modèles de langue comme orchestrateurs ou moteurs de raisonnement, il comprend les tâches, génère des solutions et coordonne des modèles spécialisés pour des fonctions spécifiques telles que la création de contenu, le traitement visuel ou les systèmes de recommandation.

Ce module utilise généralement les technologies suivantes :

• Moteur de règles : prise de décisions simples basée sur des règles prédéfinies.
• Modèles d'apprentissage automatique : inclut les arbres de décision, les réseaux de neurones, etc., utilisés pour la reconnaissance de motifs complexes et la prévision.
• Apprentissage par renforcement : permettre à l'AGENT IA d'optimiser en continu sa stratégie de décision par essai et erreur, s'adaptant à un environnement en évolution.

Le processus de raisonnement comprend généralement plusieurs étapes : d'abord l'évaluation de l'environnement, ensuite le calcul de plusieurs options d'action possibles en fonction des objectifs, et enfin le choix de l'option optimale à exécuter.

1.2.3 Exécution du module

Le module d'exécution est "les mains et les pieds" de l'AGENT AI, mettant en œuvre les décisions du module de raisonnement. Cette partie interagit avec des systèmes ou dispositifs externes pour accomplir des tâches spécifiques. Cela peut impliquer des opérations physiques ( telles que des actions robotiques ) ou des opérations numériques ( telles que le traitement de données ). Le module d'exécution dépend de :

• Système de contrôle robotique : utilisé pour des opérations physiques, comme le mouvement des bras robotiques.
• Appel API : interaction avec des systèmes logiciels externes, comme les requêtes de base de données ou l'accès aux services réseau.
• Gestion automatisée des processus : Dans un environnement d'entreprise, l'automatisation des processus robotisés RPA( exécute des tâches répétitives.

)# 1.2.4 Module d'apprentissage

Le module d'apprentissage est le principal atout de l'AGENT IA, permettant à l'agent de devenir plus intelligent au fil du temps. Grâce à un cycle de rétroaction ou "roue de données" qui améliore continuellement, les données générées lors des interactions sont renvoyées dans le système pour renforcer le modèle. Cette capacité à s'adapter progressivement et à devenir plus efficace au fil du temps offre aux entreprises un outil puissant pour améliorer la prise de décision et l'efficacité opérationnelle.

Les modules d'apprentissage sont généralement améliorés de la manière suivante :

• Apprentissage supervisé : utiliser des données étiquetées pour former le modèle, afin que l'AGENT IA puisse accomplir les tâches avec plus de précision.
• Apprentissage non supervisé : découvrir des motifs potentiels à partir de données non étiquetées, aidant l'agent à s'adapter à un nouvel environnement.
• Apprentissage continu : Mettre à jour le modèle avec des données en temps réel pour maintenir la performance de l'agent dans un environnement dynamique.

1.2.5 Retour et ajustement en temps réel

L'AGENT IA optimise ses performances grâce à un cycle de rétroaction continu. Les résultats de chaque action sont enregistrés et utilisés pour ajuster les décisions futures. Ce système en boucle fermée garantit l'adaptabilité et la flexibilité de l'AGENT IA.

![Décodez AI AGENT : La puissance intelligente qui façonne la nouvelle économie écologique du futur]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 État du marché

1.3.1 État de l'industrie

L'AGENT IA devient le point focal du marché, grâce à son immense potentiel en tant qu'interface consommateur et acteur économique autonome, apportant des transformations à plusieurs secteurs. Tout comme le potentiel de l'espace de bloc L1 était difficile à évaluer lors du dernier cycle, l'AGENT IA montre également des perspectives similaires dans ce cycle.

Selon le dernier rapport d'une certaine agence, le marché des Agents AI devrait passer de 5,1 milliards de dollars en 2024 à 47,1 milliards de dollars en 2030, avec un taux de croissance annuel composé ###CAGR( atteignant 44,8 %. Cette croissance rapide reflète la pénétration des Agents AI dans divers secteurs, ainsi que la demande du marché générée par l'innovation technologique.

Les grandes entreprises investissent également de plus en plus dans les frameworks de proxy open source. Les activités de développement de frameworks tels qu'AutoGen, Phidata et LangGraph d'une certaine entreprise deviennent de plus en plus actives, ce qui indique que les AGENTS AI ont un plus grand potentiel de marché en dehors du chiffrement, le TAM aussi.