AI AGENT: A força inteligente que molda a nova ecologia econômica do futuro

1. Contexto geral

1.1 Introdução: o "novo parceiro" da era inteligente

Cada ciclo de criptomoedas traz uma nova infraestrutura que impulsiona o desenvolvimento de toda a indústria.

• Em 2017, o surgimento dos contratos inteligentes deu origem ao florescimento das ICOs.
• Em 2020, as pools de liquidez da DEX trouxeram a onda de calor do verão DeFi.
• Em 2021, o surgimento de uma grande quantidade de séries de obras NFT marcou a chegada da era dos colecionáveis digitais.
• Em 2024, o desempenho excepcional de uma plataforma de lançamento liderou a onda de memecoins e plataformas de lançamento.

É importante enfatizar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas também à combinação perfeita entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar grandes transformações. Olhando para 2025, é evidente que os novos setores do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu seu auge em outubro do ano passado, com o lançamento de um determinado token em 11 de outubro de 2024, que alcançou um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, um determinado protocolo lançou a Luna, que fez sua estreia com a imagem de uma garota da vizinhança em uma transmissão ao vivo, provocando uma explosão em todo o setor.

Então, afinal, o que é um Agente de IA?

Todos devem estar familiarizados com o clássico filme "Resident Evil", onde o sistema de IA Rainha Vermelha deixa uma impressão duradoura. A Rainha Vermelha é um poderoso sistema de IA que controla instalações complexas e sistemas de segurança, capaz de perceber o ambiente autonomamente, analisar dados e agir rapidamente.

Na verdade, o AI Agent tem muitas semelhanças com as funções centrais da Rainha de Copas. Na realidade, o AI Agent desempenha um papel semelhante até certo ponto, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autônomos até atendimento ao cliente inteligente, os AI Agents penetraram em diversos setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem habilidades abrangentes que vão desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em várias indústrias, promovendo um aumento duplo na eficiência e na inovação.

Por exemplo, um AGENTE de IA pode ser utilizado para a negociação automatizada, com base nos dados recolhidos de uma plataforma de dados ou de uma plataforma social, gerindo em tempo real o portfólio e executando transações, otimizando continuamente o seu desempenho através de iterações. O AGENTE de IA não é uma forma única, mas é dividido em diferentes categorias conforme as necessidades específicas dentro do ecossistema de criptomoedas:

1. Agente de IA Executiva: Focado em completar tarefas específicas, como negociação, gestão de portfólio ou arbitragem, destinado a aumentar a precisão operacional e reduzir o tempo necessário.

2. Agente de IA criativa: usado para geração de conteúdo, incluindo texto, design e até mesmo criação musical.

3. Agente de IA Social: como líder de opinião nas redes sociais, interage com os usuários, constrói comunidades e participa em atividades de marketing.

4. Agente de IA de coordenação: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multi-chain.

Neste relatório, iremos explorar a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como eles estão a remodelar o panorama da indústria e prevendo as suas tendências de desenvolvimento futuro.

1.1.1 História do Desenvolvimento

O desenvolvimento do AGENTE AI mostra a evolução da IA desde a pesquisa básica até a aplicação generalizada. Na conferência de Dartmouth de 1956, o termo "IA" foi apresentado pela primeira vez, estabelecendo as bases para a IA como um campo independente. Durante este período, a pesquisa em IA concentrou-se principalmente em métodos simbólicos, resultando nos primeiros programas de IA, como ELIZA( um chatbot) e Dendral( um sistema especialista na área de química orgânica). Esta fase também testemunhou a primeira proposta de redes neurais e a exploração inicial do conceito de aprendizado de máquina. No entanto, a pesquisa em IA nesse período foi severamente limitada pelas restrições de capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e imitação das funções cognitivas humanas. Além disso, em 1972, o matemático James Lighthill apresentou um relatório sobre o estado da pesquisa em IA em andamento no Reino Unido, publicado em 1973. O relatório de Lighthill expressou basicamente um pessimismo geral em relação à pesquisa em IA após o entusiasmo inicial, levando as instituições acadêmicas do Reino Unido(, incluindo as agências de financiamento), a perderem grande confiança na IA. Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pelo primeiro "inverno da IA", aumentando o ceticismo sobre o potencial da IA.

Na década de 1980, o desenvolvimento e a comercialização de sistemas especialistas levaram as empresas globais a adotarem tecnologias de IA. Este período viu avanços significativos em aprendizado de máquina, redes neurais e processamento de linguagem natural, impulsionando o surgimento de aplicações de IA mais complexas. A introdução de veículos autônomos pela primeira vez, bem como a implementação da IA em setores como finanças e saúde, também marcaram a expansão da tecnologia de IA. No entanto, no final da década de 1980 e início da década de 1990, com o colapso da demanda do mercado por hardware de IA dedicado, o campo da IA enfrentou o segundo "inverno da IA". Além disso, como escalar sistemas de IA e integrá-los com sucesso em aplicações práticas continua a ser um desafio persistente. Mas, ao mesmo tempo, em 1997, o computador Deep Blue da IBM venceu o campeão mundial de xadrez Garry Kasparov, um marco no poder da IA em resolver problemas complexos. O renascimento das redes neurais e do aprendizado profundo lançou as bases para o desenvolvimento da IA no final da década de 1990, tornando a IA uma parte indispensável do cenário tecnológico e começando a impactar a vida cotidiana.

Até o início deste século, o avanço da capacidade de computação impulsionou o surgimento do aprendizado profundo, com assistentes virtuais como Siri demonstrando a utilidade da IA no campo das aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos geradores como o GPT-2 fizeram grandes avanços, levando a IA de conversação a novos patamares. Nesse processo, o surgimento do modelo de linguagem de grande escala (Large Language Model, LLM) tornou-se um marco importante no desenvolvimento da IA, especialmente com o lançamento do GPT-4, que é visto como um ponto de virada no campo dos agentes de IA. Desde que uma certa empresa lançou a série GPT, modelos pré-treinados em larga escala, com dezenas ou até centenas de bilhões de parâmetros, demonstraram habilidades de geração e compreensão de linguagem que superam os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permite que os agentes de IA demonstrem uma capacidade de interação clara e organizada por meio da geração de linguagem. Isso possibilita que os agentes de IA sejam aplicados em cenários como assistentes de bate-papo, atendimento ao cliente virtual, e gradualmente se expandam para tarefas mais complexas ( como análise de negócios, escrita criativa ).

A capacidade de aprendizado de grandes modelos de linguagem proporciona uma maior autonomia para os agentes de IA. Através da técnica de Aprendizado por Reforço (Reinforcement Learning), os agentes de IA conseguem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em uma determinada plataforma impulsionada por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realmente implementando uma interação dinâmica.

Desde os primeiros sistemas de regras até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que continuamente ultrapassa as fronteiras tecnológicas. A aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta trajetória. Com o desenvolvimento contínuo da tecnologia, os agentes de IA tornar-se-ão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes proporcionaram a capacidade de colaboração interdomínios. No futuro, plataformas de projetos inovadores continuarão a surgir, impulsionando a implementação e o desenvolvimento da tecnologia de agentes de IA, liderando uma nova era de experiências impulsionadas por IA.

1.2 Princípio de funcionamento

A diferença entre o AIAGENT e os robôs tradicionais é que eles podem aprender e se adaptar ao longo do tempo, tomando decisões detalhadas para alcançar objetivos. Podem ser vistos como participantes altamente qualificados e em constante evolução no campo das criptomoedas, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE DE IA está em sua "inteligência"------ou seja, simular o comportamento inteligente de humanos ou outros seres vivos por meio de algoritmos, para automatizar a resolução de problemas complexos. O fluxo de trabalho do AGENTE DE IA geralmente segue os seguintes passos: percepção, raciocínio, ação, aprendizado, ajuste.

1.2.1 Módulo de Percepção

O AGENTE DE IA interage com o exterior através do módulo de percepção, coletando informações ambientais. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmaras, microfones e outros dispositivos para capturar dados externos, incluindo a extração de características significativas, identificação de objetos ou determinação de entidades relevantes no ambiente. A tarefa principal do módulo de percepção é transformar dados brutos em informações significativas, o que geralmente envolve as seguintes técnicas:

• Visão computacional: usada para processar e entender dados de imagem e vídeo.
• Processamento de Linguagem Natural ( NLP ): ajuda o AGENTE de IA a entender e gerar linguagem humana.
• Fusão de sensores: integrar dados de múltiplos sensores em uma visão unificada.

1.2.2 Módulo de Inferência e Decisão

Após perceber o ambiente, o AGENTE de IA precisa tomar decisões com base nos dados. O módulo de raciocínio e decisão é o "cérebro" de todo o sistema, realizando raciocínio lógico e formulação de estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem, entre outros, como orquestradores ou motores de raciocínio, compreende tarefas, gera soluções e coordena modelos especializados para funções específicas como criação de conteúdo, processamento visual ou sistemas de recomendação.

Este módulo normalmente utiliza as seguintes tecnologias:

• Motor de Regras: toma decisões simples com base em regras pré-definidas.
• Modelos de aprendizado de máquina: incluem árvores de decisão, redes neurais, etc., usados para reconhecimento de padrões complexos e previsões.
• Aprendizagem reforçada: permitir que o AGENTE de IA otimize constantemente as estratégias de decisão através de tentativa e erro, adaptando-se a ambientes em mudança.

O processo de raciocínio geralmente inclui várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, o cálculo de várias opções de ação com base no objetivo; e, finalmente, a escolha da melhor opção para executar.

1.2.3 Módulo de Execução

O módulo de execução é as "mãos e pés" do AGENTE AI, colocando em prática as decisões do módulo de raciocínio. Esta parte interage com sistemas ou dispositivos externos para realizar tarefas designadas. Isso pode envolver operações físicas (, como movimentos de robôs ), ou operações digitais (, como processamento de dados ). O módulo de execução depende de:

• Sistema de controle de robô: utilizado para operações físicas, como o movimento de braços robóticos.
• Chamada API: interagir com sistemas de software externos, como consultas a bancos de dados ou acesso a serviços de rede.
• Gestão de processos automatizados: no ambiente empresarial, a automação de processos robóticos RPA( executa tarefas repetitivas.

)# 1.2.4 Módulo de Aprendizagem

O módulo de aprendizado é a principal vantagem competitiva do AGENTE de IA, permitindo que o agente se torne mais inteligente ao longo do tempo. Através de um ciclo de feedback ou "flywheel de dados" que melhora continuamente, os dados gerados nas interações são retornados ao sistema para aprimorar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo fornece às empresas uma ferramenta poderosa para melhorar a tomada de decisões e a eficiência operacional.

Os módulos de aprendizagem geralmente são melhorados da seguinte forma:

• Aprendizagem supervisionada: utilização de dados rotulados para treinar modelos, permitindo que o AGENTE de IA complete tarefas de forma mais precisa.
• Aprendizagem não supervisionada: descobrir padrões potenciais a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizagem contínua: Atualizar o modelo com dados em tempo real, mantendo o desempenho do agente em um ambiente dinâmico.

1.2.5 Feedback em tempo real e ajuste

O AGENTE DE IA otimiza o seu desempenho através de um ciclo de feedback contínuo. Os resultados de cada ação são registados e utilizados para ajustar decisões futuras. Este sistema de ciclo fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

![Decodificar AGENTE DE IA: A força inteligente que molda a nova ecologia econômica do futuro]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 Estado atual do mercado

1.3.1 Estado da indústria

O AGENTE DE IA está se tornando o foco do mercado, trazendo transformações para vários setores com seu enorme potencial como interface do consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos era difícil de mensurar, o AGENTE DE IA também demonstra perspectivas semelhantes nesta rodada.

De acordo com o mais recente relatório da Markets and Markets, o mercado de Agentes de IA deverá crescer de 5,1 mil milhões de dólares em 2024 para 47,1 mil milhões de dólares em 2030, com uma taxa de crescimento anual composta ###CAGR( de até 44,8%. Este rápido crescimento reflete a penetração dos Agentes de IA em várias indústrias, bem como a demanda de mercado impulsionada pela inovação tecnológica.

As grandes empresas estão investindo significativamente em estruturas de proxy de código aberto. As atividades de desenvolvimento de estruturas como AutoGen, Phidata e LangGraph de uma determinada empresa estão se tornando cada vez mais ativas, o que indica que os AGENTES de IA têm um potencial de mercado maior fora do campo da criptografia, e o TAM também está se expandindo.