Decodificação do AGENT AI: A força inteligente que molda a nova ecologia da economia do futuro

1. Contexto de fundo

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 DEX trouxeram a onda de verão do DeFi.
• Em 2021, uma grande quantidade de séries de obras NFT surgiu, marcando a chegada da era dos colecionáveis digitais.
• Em 2024, o desempenho excepcional de uma plataforma de lançamento liderou a onda de memecoins e plataformas relacionadas.

É importante enfatizar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas também é o resultado da combinação perfeita entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar mudanças significativas. Olhando para 2025, é evidente que os novos setores que surgirão no ciclo de 2025 serão os agentes de IA. Essa tendência atingiu o pico em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024 e alcançou uma capitalização de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, um determinado protocolo lançou o Luna, apresentando pela primeira vez a imagem da transmissão ao vivo do IP da garota vizinha, incendiando toda a indústria.

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

Todos devem estar familiarizados com o clássico filme "Resident Evil", e o sistema de IA Rainha Vermelha é impressionante. A Rainha Vermelha é um poderoso sistema de IA que controla instalações e sistemas de segurança complexos, capaz de perceber o ambiente de forma independente, analisar dados e agir rapidamente.

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

Por exemplo, um AGENTE de IA pode ser utilizado para automatizar negociações, gerindo em tempo real a carteira de investimentos e executando transações com base nos dados coletados de plataformas de dados ou sociais, otimizando continuamente seu desempenho através de iterações. O AGENTE de IA não é uma forma única, mas sim dividido em diferentes categorias conforme as necessidades específicas do ecossistema de criptomoedas:

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

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

3. Agente de IA Social: Como um líder de opinião nas redes sociais, interage com os usuários, constrói comunidades e participa de campanhas de marketing.

4. Agente de IA de Coordenação: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração de múltiplas cadeias.

Neste relatório, iremos explorar em profundidade 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 perspetivando as tendências de desenvolvimento futuro.

1.1.1 História do Desenvolvimento

A evolução do AGENTE DE IA mostra a transição da IA desde a pesquisa básica até a aplicação ampla. Na conferência de Dartmouth em 1956, o termo "IA" foi apresentado pela primeira vez, estabelecendo a base para a IA como um campo independente. Durante esse 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 durante esse período foi severamente limitada pelas capacidades computacionais da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e na imitação das funções cognitivas humanas. Além disso, em 1972, o matemático James Lighthill apresentou um relatório publicado em 1973 sobre o estado da pesquisa em IA em andamento no Reino Unido. O relatório de Lighthill expressou fundamentalmente um pessimismo abrangente em relação à pesquisa em IA após o entusiasmo inicial, levando a uma grande perda de confiança nas instituições acadêmicas( do Reino Unido, incluindo as agências de financiamento). Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo de IA passou pelo primeiro "inverno da IA", com um aumento na dúvida 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. Durante este período, houve avanços significativos em aprendizado de máquina, redes neurais e processamento de linguagem natural, impulsionando o surgimento de aplicações de IA mais complexas. A introdução dos primeiros veículos autónomos e 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 até o início da década de 1990, com o colapso da demanda do mercado por hardware de IA especializado, o campo da IA passou pela segunda "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 derrotou o campeão mundial de xadrez Garry Kasparov, um marco na capacidade 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 uma parte indispensável do panorama tecnológico e começando a influenciar a vida cotidiana.

No início deste século, os avanços na capacidade de computação impulsionaram a ascensão do aprendizado profundo, com assistentes virtuais como Siri demonstrando a utilidade da IA em aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos geradores como o GPT-2 alcançaram novos avanços, levando a IA conversacional a novas alturas. Nesse processo, a emergência de grandes modelos de linguagem (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 viragem no campo dos agentes de IA. Desde que uma certa empresa lançou a série GPT, modelos de pré-treinamento em larga escala, com bilhões ou até trilhões de parâmetros, demonstraram capacidades de geração e compreensão de linguagem que superam os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural possibilitou que agentes de IA exibissem uma capacidade de interação logicamente clara e organizada por meio da geração de linguagem. Isso permitiu que os agentes de IA fossem aplicados em assistentes de chat, atendimento virtual ao cliente e, gradualmente, se expandissem para tarefas mais complexas ( como análise de negócios, redação criativa ).

A capacidade de aprendizado dos grandes modelos de linguagem proporciona uma maior autonomia aos agentes de IA. Através da técnica de Aprendizado por Reforço (Reinforcement Learning), os agentes de IA podem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em algumas plataformas impulsionadas por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando verdadeiramente uma interação dinâmica.

Da evolução dos sistemas de regras iniciais até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que supera continuamente as fronteiras tecnológicas. A chegada do GPT-4 é, sem dúvida, um ponto de viragem significativo nessa trajetória. Com o avanço adicional da tecnologia, os agentes de IA se tornarão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetam a "sabedoria" na alma dos agentes de IA, mas também lhes proporcionam a capacidade de colaboração inter-disciplinar. No futuro, plataformas de projetos inovadoras continuarão a surgir, impulsionando a implementação e o desenvolvimento da tecnologia de agentes de IA, liderando uma nova era de experiências impulsionadas por IA.

Princípio de funcionamento 1.2

A principal 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 técnicos e em constante evolução no campo das criptomoedas, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE DE IA reside em sua "inteligência" ------ ou seja, simular comportamentos inteligentes de humanos ou outros seres vivos através de algoritmos, a fim de resolver automaticamente 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 mundo exterior através de um módulo de percepção, coletando informações do ambiente. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmeras, microfones e outros dispositivos para capturar dados externos, o que inclui a extração de características significativas, reconhecimento de objetos ou a 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): Ajudar o AGENTE de IA a entender e gerar a linguagem humana.
• Fusão de sensores: integrar dados de múltiplos sensores em uma visão unificada.

1.2.2 Módulo de Inferência e Decisão

Depois de 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, que realiza raciocínios lógicos e formula estratégias com base nas informações coletadas. Utiliza grandes modelos de linguagem, entre outros, como orquestradores ou motores de raciocínio, para entender tarefas, gerar soluções e coordenar modelos especializados para funções específicas como criação de conteúdo, processamento visual ou sistemas de recomendação.

Este módulo geralmente utiliza as seguintes tecnologias:

• Motor de regras: toma decisões simples com base em regras predefinidas.
• Modelos de aprendizado de máquina: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões e previsões complexas.
• Aprendizado por reforço: permite que o AGENTE de IA otimize continuamente a estratégia 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; por último, a escolha da melhor opção para executar.

1.2.3 Módulo de Execução

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

• Sistema de controle de robôs: utilizado para operações físicas, como o movimento de braços robóticos.
• Chamada de API: interagir com sistemas de software externos, como consultas a bancos de dados ou acesso a serviços na web.
• Gestão de processos automatizados: num ambiente empresarial, através da automação de processos robotizados RPA(, executa tarefas repetitivas.

)# 1.2.4 Módulo de Aprendizagem

O módulo de aprendizado é a principal vantagem competitiva do AGENTE de IA, pois permite que o agente se torne mais inteligente com o tempo. Através de um ciclo de feedback ou "flywheel de dados" que melhora continuamente, os dados gerados durante as interações são reinseridos no sistema para aprimorar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo oferece às empresas uma ferramenta poderosa para melhorar a tomada de decisões e a eficiência operacional.

Os módulos de aprendizagem são normalmente melhorados da seguinte forma:

• Aprendizagem supervisionada: utilizar dados rotulados para treinar o modelo, permitindo que o AGENTE de IA realize as tarefas com mais precisão.
• Aprendizagem não supervisionada: descobrir padrões subjacentes a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizagem contínua: Atualizar modelos com dados em tempo real para manter o desempenho dos agentes em ambientes dinâmicos.

1.2.5 Feedback e Ajustes em Tempo Real

O AGENTE DE IA otimiza seu desempenho através de um ciclo de feedback contínuo. O resultado de cada ação é registrado e utilizado para ajustar decisões futuras. Este sistema de circuito fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

![Decodificar AI AGENT: A força inteligente que molda o novo ecossistema econômico 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 centro das atenções no mercado, trazendo transformações para vários setores devido ao seu enorme potencial como interface de consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos foi difícil de estimar, o AGENTE DE IA também demonstrou 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 o grau de penetração dos Agentes de IA em várias indústrias, bem como a demanda do mercado impulsionada pela inovação tecnológica.

As empresas grandes estão a aumentar significativamente o investimento em frameworks de proxy de código aberto. As atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph de uma determinada empresa estão cada vez mais ativas, o que indica que o AGENTE de IA tem um maior potencial de mercado fora do campo das criptomoedas, e o TAM também está