Từ AI Agent đến DeFAI: Giải mã động lực của vòng tăng trưởng mới trong mã hóa

1. Bối cảnh tổng quan

1.1 Giới thiệu: "Đối tác" mới trong kỷ nguyên thông minh

Mỗi chu kỳ mã hóa đều mang đến cơ sở hạ tầng mới thúc đẩy sự phát triển của toàn ngành.

• Năm 2017, sự trỗi dậy của hợp đồng thông minh đã thúc đẩy sự phát triển mạnh mẽ của ICO.
• Năm 2020, các bể thanh khoản DEX đã mang đến làn sóng mùa hè của DeFi.
• Năm 2021, sự ra đời của nhiều bộ sưu tập NFT đánh dấu sự xuất hiện của thời đại sưu tập kỹ thuật số.
• Năm 2024, sự xuất sắc của một nền tảng đã dẫn dắt cơn sốt memecoin và nền tảng phát hành.

Cần nhấn mạnh rằng, sự khởi đầu trong các lĩnh vực chuyên biệt này không chỉ là kết quả của đổi mới công nghệ, mà còn là sự kết hợp hoàn hảo giữa mô hình tài chính và chu kỳ thị trường tăng. Khi cơ hội gặp đúng thời điểm, nó có thể dẫn đến những biến đổi to lớn. Nhìn về năm 2025, rõ ràng rằng, các lĩnh vực mới nổi trong chu kỳ 2025 sẽ là đại lý AI. Xu hướng này đã đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, một mã thông báo đã được ra mắt và đến ngày 15 tháng 10 đã đạt giá trị thị trường 150 triệu đô la. Ngay sau đó vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh phát trực tiếp của một cô gái hàng xóm, làm bùng nổ toàn ngành.

Vậy, AI Agent thực sự là gì?

Mọi người chắc hẳn không xa lạ gì với bộ phim kinh điển "Resident Evil", hệ thống AI Nữ Hoàng Đỏ trong đó để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, kiểm soát các cơ sở và hệ thống an ninh phức tạp, có khả năng tự cảm nhận môi trường, phân tích dữ liệu và nhanh chóng hành động.

Thực ra, AI Agent và các chức năng cốt lõi của Nữ hoàng trái tim có nhiều điểm tương đồng. AI Agent trong thế giới thực một phần nào đó đóng vai trò tương tự, chúng là "người bảo vệ trí tuệ" trong lĩnh vực công nghệ hiện đại, giúp các doanh nghiệp và cá nhân đối phó với những nhiệm vụ phức tạp thông qua việc tự giác cảm nhận, phân tích và thực hiện. Từ xe hơi tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành nghề khác nhau, trở thành lực lượng then chốt trong việc nâng cao hiệu suất và đổi mới. Những thực thể thông minh tự chủ này, giống như các thành viên trong đội ngũ vô hình, có khả năng toàn diện từ việc cảm nhận môi trường đến thực hiện quyết định, dần dần thâm nhập vào các ngành khác nhau, thúc đẩy sự nâng cao gấp đôi về hiệu suất và đổi mới.

Ví dụ, một AI AGENT có thể được sử dụng để tự động hóa giao dịch, dựa trên dữ liệu thu thập từ một nền tảng dữ liệu hoặc nền tảng xã hội, quản lý danh mục đầu tư theo thời gian thực và thực hiện giao dịch, liên tục tối ưu hóa hiệu suất của chính nó trong quá trình lặp đi lặp lại. AI AGENT không phải là một hình thức đơn lẻ, mà được phân thành các loại khác nhau dựa trên những nhu cầu cụ thể trong hệ sinh thái mã hóa:

1. AI Agent thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, như giao dịch, quản lý danh mục đầu tư hoặc arbitrage, nhằm nâng cao độ chính xác hoạt động và giảm thời gian cần thiết.

2. Tạo hình AI Agent: dùng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.

3. Đại lý AI xã hội: Là người có ảnh hưởng trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia vào các hoạt động tiếp thị.

4. Đại lý AI phối hợp: Phối hợp các tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp với tích hợp đa chuỗi.

Trong báo cáo này, chúng tôi sẽ đi sâu vào nguồn gốc, tình trạng và triển vọng ứng dụng rộng rãi của AI Agent, phân tích cách chúng tái định hình cấu trúc ngành và dự báo xu hướng phát triển trong tương lai.

1.1.1 Lịch sử phát triển

Lịch sử phát triển của AI AGENT cho thấy sự tiến hóa của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth vào năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, đặt nền tảng cho AI như một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, dẫn đến sự ra đời của các chương trình AI đầu tiên, chẳng hạn như ELIZA(, một chatbot) và Dendral(, một hệ thống chuyên gia trong lĩnh vực hóa hữu cơ). Giai đoạn này cũng chứng kiến sự ra đời của mạng nơ-ron và sự khám phá ban đầu về khái niệm học máy. Tuy nhiên, nghiên cứu AI trong giai đoạn này bị hạn chế nghiêm trọng bởi khả năng tính toán lúc bấy giờ. Các nhà nghiên cứu gặp phải khó khăn lớn trong việc phát triển các thuật toán xử lý ngôn ngữ tự nhiên và mô phỏng chức năng nhận thức của con người. Ngoài ra, vào năm 1972, nhà toán học James Lighthill đã đệ trình một báo cáo về tình trạng nghiên cứu AI đang diễn ra ở Anh, được công bố vào năm 1973. Báo cáo Lighthill đã thể hiện sự bi quan toàn diện đối với nghiên cứu AI sau giai đoạn hưng phấn ban đầu, dẫn đến sự mất niềm tin lớn vào AI từ các tổ chức học thuật( ở Anh, bao gồm cả các tổ chức tài trợ). Sau năm 1973, ngân sách cho nghiên cứu AI giảm mạnh, lĩnh vực AI trải qua "mùa đông AI" đầu tiên, và sự nghi ngờ về tiềm năng của AI gia tăng.

Vào những năm 1980, sự phát triển và thương mại hóa của các hệ thống chuyên gia đã khiến các doanh nghiệp toàn cầu bắt đầu áp dụng công nghệ AI. Thời kỳ này đã đạt được những tiến bộ đáng kể trong học máy, mạng nơ-ron và xử lý ngôn ngữ tự nhiên, thúc đẩy sự xuất hiện của các ứng dụng AI phức tạp hơn. Việc giới thiệu các phương tiện tự hành lần đầu tiên và việc triển khai AI trong các ngành như tài chính, y tế cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 và đầu những năm 1990, khi nhu cầu thị trường đối với phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, cách mở rộng quy mô hệ thống AI và tích hợp thành công vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng trong khi đó, năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đánh dấu một sự kiện quan trọng trong khả năng giải quyết vấn đề phức tạp của AI. Sự phục hồi của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển của AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong bối cảnh công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.

Đến đầu thế kỷ này, sự tiến bộ trong khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã chứng minh tính thực tiễn của AI trong lĩnh vực ứng dụng tiêu dùng. Trong thập kỷ 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá hơn nữa, đưa AI đối thoại lên một tầm cao mới. Trong quá trình này, sự xuất hiện của mô hình ngôn ngữ lớn (Large Language Model, LLM) đã trở thành một cột mốc quan trọng trong sự phát triển của AI, đặc biệt là sự ra mắt của GPT-4, được xem như một bước ngoặt trong lĩnh vực tác nhân AI. Kể từ khi một công ty phát hành dòng sản phẩm GPT, các mô hình được huấn luyện quy mô lớn đã thể hiện khả năng sinh và hiểu ngôn ngữ vượt trội hơn các mô hình truyền thống thông qua hàng chục tỷ thậm chí hàng trăm tỷ tham số. Sự thể hiện xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các tác nhân AI thể hiện khả năng tương tác rõ ràng và mạch lạc thông qua việc sinh ngôn ngữ. Điều này đã cho phép các tác nhân AI được ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo và dần dần mở rộng đến các nhiệm vụ phức tạp hơn ( như phân tích kinh doanh, viết sáng tạo ).

Khả năng học hỏi của mô hình ngôn ngữ lớn mang lại tính tự chủ cao hơn cho các đại lý AI. Thông qua công nghệ học tăng cường (Reinforcement Learning), các đại lý AI có thể tối ưu hóa hành vi của mình liên tục, thích ứng với môi trường động. Ví dụ, trong một nền tảng điều khiển bởi AI, các đại lý AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được sự tương tác động.

Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện cho GPT-4, lịch sử phát triển của các đại lý AI là một lịch sử tiến hóa liên tục vượt qua ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong hành trình này. Khi công nghệ phát triển hơn nữa, các đại lý AI sẽ trở nên thông minh hơn, phù hợp với nhiều tình huống và đa dạng hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI mà còn cung cấp khả năng hợp tác liên lĩnh vực. Trong tương lai, các nền tảng dự án sáng tạo sẽ liên tục xuất hiện, tiếp tục thúc đẩy việc ứng dụng và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm do AI điều khiển.

1.2 Nguyên lý hoạt động

AIAGENT khác với robot truyền thống ở chỗ chúng có khả năng học hỏi và thích ứng theo thời gian, đưa ra những quyết định tinh vi để đạt được mục tiêu. Chúng có thể được coi là những người tham gia có kỹ thuật cao và đang phát triển không ngừng trong lĩnh vực mã hóa, có khả năng hoạt động độc lập trong nền kinh tế số.

Cốt lõi của AI AGENT nằm ở "trí tuệ" của nó------tức là mô phỏng hành vi thông minh của con người hoặc các sinh vật khác thông qua thuật toán, nhằm tự động hóa việc giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: cảm nhận, suy luận, hành động, học hỏi, điều chỉnh.

1.2.1 Mô-đun cảm nhận

AI AGENT thông qua mô-đun cảm nhận để tương tác với thế giới bên ngoài, thu thập thông tin môi trường. Chức năng của phần này tương tự như các giác quan của con người, sử dụng cảm biến, camera, microphone và các thiết bị khác để thu thập dữ liệu bên ngoài, bao gồm việc trích xuất các đặc điểm có ý nghĩa, nhận diện đối tượng hoặc xác định các thực thể liên quan trong môi trường. Nhiệm vụ cốt lõi của mô-đun cảm nhận là chuyển đổi dữ liệu thô thành thông tin có ý nghĩa, điều này thường liên quan đến các công nghệ sau:

• Thị giác máy tính: được sử dụng để xử lý và hiểu dữ liệu hình ảnh và video.
• Xử lý ngôn ngữ tự nhiên(NLP): Giúp AI AGENT hiểu và sinh ra ngôn ngữ của con người.
• Kết hợp cảm biến: Tích hợp dữ liệu từ nhiều cảm biến thành một cái nhìn thống nhất.

1.2.2 Mô-đun suy luận và ra quyết định

Sau khi cảm nhận được môi trường, AI AGENT cần đưa ra quyết định dựa trên dữ liệu. Mô-đun suy diễn và quyết định là "bộ não" của toàn bộ hệ thống, nó thực hiện suy diễn logic và lập kế hoạch dựa trên thông tin thu thập được. Sử dụng các mô hình ngôn ngữ lớn như một nhạc trưởng hoặc động cơ suy diễn, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên biệt cho các chức năng cụ thể như tạo nội dung, xử lý hình ảnh hoặc hệ thống gợi ý.

Mô-đun này thường sử dụng các công nghệ sau:

• Công cụ quy tắc: Quyết định đơn giản dựa trên các quy tắc đã thiết lập.
• Mô hình học máy: bao gồm cây quyết định, mạng nơ-ron, v.v., được sử dụng cho nhận diện và dự đoán mẫu phức tạp.
• Học tăng cường: để AI AGENT liên tục tối ưu hóa chiến lược quyết định trong quá trình thử và sai, thích ứng với môi trường thay đổi.

Quá trình suy luận thường bao gồm một vài bước: trước tiên là đánh giá môi trường, sau đó là tính toán nhiều phương án hành động có thể dựa trên mục tiêu, cuối cùng là chọn phương án tối ưu để thực hiện.

1.2.3 Thực hiện mô-đun

Mô-đun thực thi là "tay và chân" của AI AGENT, thực hiện các quyết định của mô-đun suy luận. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài để hoàn thành các nhiệm vụ được chỉ định. Điều này có thể liên quan đến các hoạt động vật lý ( như hành động của robot ) hoặc các hoạt động kỹ thuật số ( như xử lý dữ liệu ). Mô-đun thực thi phụ thuộc vào:

• Hệ thống điều khiển robot: dùng cho các thao tác vật lý, chẳng hạn như chuyển động của cánh tay robot.
• Gọi API: tương tác với hệ thống phần mềm bên ngoài, chẳng hạn như truy vấn cơ sở dữ liệu hoặc truy cập dịch vụ mạng.
• Quản lý quy trình tự động hóa: Trong môi trường doanh nghiệp, thông qua RPA( tự động hóa quy trình robot) thực hiện các nhiệm vụ lặp đi lặp lại.

1.2.4 Mô-đun học tập

Mô-đun học là sức mạnh cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải thiện liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu", dữ liệu được tạo ra trong tương tác được phản hồi vào hệ thống để nâng cao mô hình. Khả năng này dần dần thích ứng và trở nên hiệu quả hơn theo thời gian cung cấp cho các doanh nghiệp một công cụ mạnh mẽ để nâng cao việc ra quyết định và hiệu quả hoạt động.

Các mô-đun học thường được cải tiến theo các cách sau:

• Học có giám sát: Sử dụng dữ liệu gán nhãn để đào tạo mô hình, giúp AGENT AI hoàn thành nhiệm vụ một cách chính xác hơn.
• Học không giám sát: phát hiện các mẫu tiềm ẩn từ dữ liệu chưa được gán nhãn, giúp tác nhân thích ứng với môi trường mới.
• Học hỏi liên tục: Cập nhật mô hình bằng dữ liệu thời gian thực, giữ cho đại lý hoạt động trong môi trường động.

1.2.5 Phản hồi và điều chỉnh thời gian thực

AI AGENT tối ưu hóa hiệu suất của mình thông qua vòng phản hồi liên tục. Kết quả của mỗi hành động sẽ được ghi lại và sử dụng để điều chỉnh các quyết định trong tương lai. Hệ thống kín này đảm bảo khả năng tự thích ứng và linh hoạt của AI AGENT.

1.3 Tình trạng thị trường

1.3.1 Tình trạng ngành

AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng lớn của nó như một giao diện người tiêu dùng và là một tác nhân kinh tế tự chủ, mang lại sự thay đổi cho nhiều ngành. Cũng giống như tiềm năng của không gian khối L1 trong chu kỳ trước khó có thể đánh giá, AI AGENT cũng thể hiện triển vọng tương tự trong chu kỳ này.

Theo báo cáo mới nhất của một tổ chức, thị trường AI Agent dự kiến sẽ tăng từ 5,1 tỷ USD vào năm 2024 lên 47,1 tỷ USD vào năm 2030, với tỷ lệ tăng trưởng hàng năm (CAGR) lên đến 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent vào các ngành công nghiệp, cũng như nhu cầu thị trường do đổi mới công nghệ mang lại.

Các công ty lớn cũng đã đầu tư đáng kể vào các khung代理 mã nguồn mở. Các hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang ngày càng trở nên sôi nổi, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn bên ngoài lĩnh vực mã hóa, TAM cũng