De AI Agent a DeFAI: desentrañando los impulsores de la nueva ronda de encriptación alcista

1. Contexto general

1.1 Introducción: los "nuevos compañeros" de la era inteligente

Cada ciclo de encriptación trae una nueva infraestructura que impulsa el desarrollo de toda la industria.

• En 2017, el auge de los contratos inteligentes provocó el florecimiento del desarrollo de ICO.
• En 2020, las piscinas de liquidez de DEX trajeron la ola de calor del verano DeFi.
• En 2021, la aparición de numerosas series de obras NFT marcó la llegada de la era de las colecciones digitales.
• En 2024, el destacado rendimiento de una plataforma lideró la ola de memecoins y plataformas de lanzamiento.

Es importante destacar que el inicio en estos sectores verticales no es solo el resultado de la innovación tecnológica, sino también de la perfecta combinación de modelos de financiamiento y ciclos de bull run. Cuando la oportunidad se encuentra con el momento adecuado, puede dar lugar a enormes transformaciones. Al mirar hacia 2025, es evidente que el nuevo campo emergente del ciclo de 2025 será la representación de IA. Esta tendencia alcanzó su punto máximo en octubre del año pasado, cuando se lanzó un token el 11 de octubre de 2024, alcanzando un valor de mercado de 150 millones de dólares el 15 de octubre. Justo después, el 16 de octubre, un protocolo lanzó Luna, debutando con la imagen en vivo de la chica vecina, causando un gran impacto en toda la industria.

Entonces, ¿qué es un Agente de IA?

Todo el mundo debe estar familiarizado con la clásica película "Resident Evil", en la que el sistema de IA Reina Roja deja una impresión duradera. La Reina Roja es un poderoso sistema de IA que controla instalaciones y sistemas de seguridad complejos, capaz de percibir su entorno de manera autónoma, analizar datos y actuar rápidamente.

En realidad, el Agent AI tiene muchas similitudes con las funciones centrales de la Reina de Corazones. En la vida real, el Agent AI desempeña un papel similar hasta cierto punto, ya que son los "guardianes inteligentes" en el campo de la tecnología moderna, ayudando a empresas y particulares a afrontar tareas complejas a través de la percepción, análisis y ejecución autónomas. Desde coches autónomos hasta atención al cliente inteligente, el Agent AI se ha infiltrado en diversas industrias, convirtiéndose en una fuerza clave para mejorar la eficiencia y la innovación. Estos agentes inteligentes autónomos, como miembros invisibles del equipo, poseen la capacidad integral desde la percepción del entorno hasta la ejecución de decisiones, infiltrándose gradualmente en todas las industrias y promoviendo una doble mejora en la eficiencia y la innovación.

Por ejemplo, un AGENTE de IA puede utilizarse para automatizar el comercio, gestionando en tiempo real carteras de inversión y ejecutando operaciones, basándose en datos recopilados de alguna plataforma de datos o de redes sociales, optimizando continuamente su rendimiento en iteraciones. El AGENTE de IA no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema de encriptación:

1. Agente de IA ejecutiva: se centra en completar tareas específicas, como la negociación, la gestión de carteras o el arbitraje, con el objetivo de mejorar la precisión operativa y reducir el tiempo necesario.

2. Agente de IA creativa: para la generación de contenido, incluyendo texto, diseño e incluso creación musical.

3. Agente de IA social: como líder de opinión en las redes sociales, interactuar con los usuarios, construir comunidades y participar en actividades de marketing.

4. Agente de IA coordinador: coordina interacciones complejas entre sistemas o participantes, especialmente adecuado para la integración de múltiples cadenas.

En este informe, profundizaremos en el origen, el estado actual y las amplias perspectivas de aplicación de los Agentes de IA, analizaremos cómo están remodelando el panorama de la industria y anticiparemos las tendencias de desarrollo futuro.

1.1.1 Historia del desarrollo

El desarrollo de AGENTE DE IA muestra la evolución de la IA desde la investigación básica hasta su amplia aplicación. En la conferencia de Dartmouth de 1956, se propuso por primera vez el término "IA", sentando las bases para que la IA se convirtiera en un campo independiente. Durante este período, la investigación en IA se centró principalmente en métodos simbólicos, dando lugar a los primeros programas de IA, como ELIZA(, un chatbot), y Dendral(, un sistema experto en el campo de la química orgánica). Esta etapa también fue testigo de la primera propuesta de redes neuronales y de la exploración preliminar del concepto de aprendizaje automático. Sin embargo, la investigación en IA de esta época se vio gravemente limitada por las restricciones de capacidad computacional de entonces. Los investigadores encontraron grandes dificultades en el desarrollo de algoritmos para el procesamiento del lenguaje natural y la imitación de las funciones cognitivas humanas. Además, en 1972, el matemático James Lighthill presentó un informe, publicado en 1973, sobre el estado de la investigación de IA en curso en el Reino Unido. El informe de Lighthill expresó fundamentalmente un pesimismo general sobre la investigación en IA después del período inicial de entusiasmo, lo que llevó a una gran pérdida de confianza en la IA por parte de instituciones académicas( en el Reino Unido, incluidas las agencias de financiación). Después de 1973, el financiamiento para la investigación en IA se redujo drásticamente, y el campo de la IA experimentó su primer "invierno de IA", aumentando el escepticismo sobre el potencial de la IA.

En la década de 1980, el desarrollo y la comercialización de sistemas expertos llevaron a que las empresas globales comenzaran a adoptar tecnología de IA. Durante este período, se lograron avances significativos en el aprendizaje automático, las redes neuronales y el procesamiento del lenguaje natural, lo que impulsó la aparición de aplicaciones de IA más complejas. La introducción de vehículos autónomos por primera vez y el despliegue de IA en diversas industrias como la financiera y la médica también marcaron la expansión de la tecnología de IA. Sin embargo, a finales de la década de 1980 y principios de la de 1990, con el colapso de la demanda del mercado de hardware de IA especializado, el campo de la IA experimentó un segundo "invierno de la IA". Además, cómo escalar los sistemas de IA y lograrlos integrar con éxito en aplicaciones prácticas sigue siendo un desafío continuo. Pero al mismo tiempo, en 1997, la computadora Deep Blue de IBM venció al campeón mundial de ajedrez Garry Kasparov, un hito en la capacidad de la IA para resolver problemas complejos. El renacimiento de las redes neuronales y el aprendizaje profundo sentó las bases para el desarrollo de la IA a finales de la década de 1990, convirtiendo la IA en una parte indispensable del paisaje tecnológico y comenzando a influir en la vida cotidiana.

A principios de este siglo, el avance de la capacidad de cálculo impulsó el auge del aprendizaje profundo, y asistentes virtuales como Siri demostraron la utilidad de la IA en el ámbito de las aplicaciones de consumo. En la década de 2010, los agentes de aprendizaje por refuerzo y modelos generativos como GPT-2 lograron avances adicionales, llevando la IA conversacional a nuevas alturas. En este proceso, la aparición de los modelos de lenguaje grandes (Large Language Model, LLM) se convirtió en un hito importante en el desarrollo de la IA, especialmente con el lanzamiento de GPT-4, que se considera un punto de inflexión en el ámbito de los agentes de IA. Desde que una empresa lanzó la serie GPT, los modelos de preentrenamiento a gran escala, con decenas de miles de millones e incluso cientos de miles de millones de parámetros, han mostrado capacidades de generación y comprensión del lenguaje que superan a los modelos tradicionales. Su rendimiento sobresaliente en el procesamiento del lenguaje natural ha permitido que los agentes de IA muestren una capacidad de interacción lógica y clara a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y servicio al cliente virtual, y se expandan gradualmente a tareas más complejas ( como análisis comercial, escritura creativa ).

La capacidad de aprendizaje de los grandes modelos de lenguaje proporciona una mayor autonomía a los agentes de IA. A través de la técnica de aprendizaje por refuerzo (Reinforcement Learning), los agentes de IA pueden optimizar continuamente su comportamiento y adaptarse a entornos dinámicos. Por ejemplo, en una plataforma impulsada por IA, el agente de IA puede ajustar su estrategia de comportamiento según las entradas del jugador, logrando así una interacción dinámica.

Desde los sistemas de reglas tempranas hasta los modelos de lenguaje grande representados por GPT-4, la historia del desarrollo de los agentes de IA es una historia de evolución que supera constantemente los límites de la tecnología. La aparición de GPT-4 es, sin duda, un punto de inflexión importante en este proceso. Con el avance adicional de la tecnología, los agentes de IA serán más inteligentes, contextualizados y diversos. Los modelos de lenguaje grande no solo inyectan el "alma" de la "sabiduría" en los agentes de IA, sino que también les proporcionan la capacidad de colaboración interdisciplinaria. En el futuro, seguirán surgiendo plataformas de proyectos innovadores, impulsando la implementación y el desarrollo de la tecnología de los agentes de IA, liderando una nueva era de experiencias impulsadas por la IA.

1.2 principio de funcionamiento

La diferencia entre AIAGENT y los robots tradicionales radica en que pueden aprender y adaptarse con el tiempo, tomando decisiones detalladas para alcanzar sus objetivos. Se pueden considerar participantes hábiles y en constante evolución en el campo de la encriptación, capaces de actuar de manera independiente en la economía digital.

El núcleo del AGENTE DE IA radica en su "inteligencia"------es decir, simular el comportamiento inteligente de los humanos u otros seres vivos a través de algoritmos para resolver problemas complejos de manera automatizada. El flujo de trabajo del AGENTE DE IA generalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje, ajuste.

1.2.1 Módulo de percepción

El AGENTE DE IA interactúa con el exterior a través de un módulo de percepción, recopilando información del entorno. Esta parte de la funcionalidad es similar a los sentidos humanos, utilizando sensores, cámaras, micrófonos y otros dispositivos para capturar datos externos; esto incluye la extracción de características significativas, la identificación de objetos o la determinación de entidades relevantes en el entorno. La tarea principal del módulo de percepción es transformar los datos en bruto en información significativa, lo que generalmente implica las siguientes tecnologías:

• Visión por computadora: utilizada para procesar y entender datos de imágenes y videos.
• Procesamiento de lenguaje natural(NLP): ayudar a la AGENTE de IA a comprender y generar el lenguaje humano.
• Fusión de sensores: integrar datos de múltiples sensores en una vista unificada.

1.2.2 Módulo de Inferencia y Decisión

Después de percibir el entorno, el AGENTE de IA necesita tomar decisiones basadas en los datos. El módulo de razonamiento y toma de decisiones es el "cerebro" de todo el sistema, que realiza razonamientos lógicos y formula estrategias en base a la información recopilada. Utilizando modelos de lenguaje de gran tamaño, actúa como orquestador o motor de razonamiento, entendiendo las tareas, generando soluciones y coordinando modelos especializados utilizados para funciones específicas como la creación de contenido, el procesamiento visual o los sistemas de recomendación.

Este módulo generalmente utiliza las siguientes tecnologías:

• Motor de reglas: toma decisiones simples basadas en reglas predefinidas.
• Modelos de aprendizaje automático: incluyen árboles de decisión, redes neuronales, etc., utilizados para el reconocimiento de patrones y la predicción compleja.
• Aprendizaje reforzado: permitir que el AGENTE de IA optimice continuamente su estrategia de decisión a través del ensayo y error, adaptándose a un entorno cambiante.

El proceso de inferencia generalmente incluye varios pasos: primero, la evaluación del entorno; segundo, el cálculo de múltiples posibles planes de acción en función del objetivo; y finalmente, la selección y ejecución del plan óptimo.

1.2.3 Módulo de ejecución

El módulo de ejecución es las "manos y pies" del AGENTE AI, llevando a cabo las decisiones del módulo de razonamiento. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede involucrar operaciones físicas ( como acciones de robots ) o operaciones digitales ( como el procesamiento de datos ). El módulo de ejecución depende de:

• Sistema de control de robots: utilizado para operaciones físicas, como el movimiento de brazos robóticos.
• Llamadas a la API: interacción con sistemas de software externos, como consultas de bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en un entorno empresarial, a través de RPA(, la encriptación de procesos robóticos) lleva a cabo tareas repetitivas.

1.2.4 Módulo de aprendizaje

El módulo de aprendizaje es la competencia central del AGENTE AI, que permite que el agente se vuelva más inteligente con el tiempo. A través de un ciclo de retroalimentación o "rueda de datos" de mejora continua, los datos generados en las interacciones se retroalimentan al sistema para mejorar el modelo. Esta capacidad de adaptarse y volverse más efectivo con el tiempo proporciona a las empresas una herramienta poderosa para mejorar la toma de decisiones y la eficiencia operativa.

Los módulos de aprendizaje suelen mejorarse de las siguientes maneras:

• Aprendizaje supervisado: utilizar datos etiquetados para entrenar modelos, permitiendo que el AGENTE de IA complete las tareas con mayor precisión.
• Aprendizaje no supervisado: descubrir patrones ocultos a partir de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
• Aprendizaje continuo: actualizar el modelo con datos en tiempo real para mantener el rendimiento del agente en un entorno dinámico.

1.2.5 Retroalimentación y ajuste en tiempo real

El AGENTE DE IA optimiza su rendimiento a través de ciclos de retroalimentación continuos. Los resultados de cada acción se registran y se utilizan para ajustar las decisiones futuras. Este sistema de bucle cerrado garantiza la adaptabilidad y flexibilidad del AGENTE DE IA.

1.3Estado del mercado

1.3.1 Estado de la industria

El AGENTE DE IA se está convirtiendo en el foco del mercado, gracias a su enorme potencial como interfaz de consumidor y actor económico autónomo, trayendo transformaciones a múltiples industrias. Así como el potencial del espacio de bloque L1 en el último ciclo era difícil de medir, el AGENTE DE IA también ha mostrado perspectivas similares en este ciclo.

Según el último informe de una institución, se espera que el mercado de Agentes de IA crezca de 5.1 mil millones de dólares en 2024 a 47.1 mil millones de dólares en 2030, con una tasa de crecimiento anual compuesta (CAGR) del 44.8%. Este rápido crecimiento refleja la penetración de los Agentes de IA en diversas industrias y la demanda del mercado impulsada por la innovación tecnológica.

La inversión de grandes empresas en marcos de proxy de código abierto también ha aumentado significativamente. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de una cierta empresa están cada vez más activas, lo que indica que los AGENTES de IA tienen un mayor potencial de mercado fuera del ámbito de la encriptación, TAM también.