Decodificando AI AGENT: A força inteligente que molda a nova ecologia da economia futura

1. Contexto Geral

1.1 Introdução: o "novo parceiro" da era inteligente

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

• Em 2017, o surgimento dos contratos inteligentes impulsionou o desenvolvimento próspero das ICOs.
• Em 2020, as pools de liquidez 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 excecional de uma plataforma de lançamento liderou a onda de moedas meme 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 enormes transformações. Olhando para 2025, fica claro que o novo setor emergente do ciclo de 2025 será o agente de IA. Esta tendência atingiu seu pico em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024, alcançando um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, um determinado protocolo lançou o Luna, fazendo sua estreia com a imagem de uma garota vizinha em uma transmissão ao vivo, desencadeando uma explosão em toda a indústria.

Então, o que é um Agente de IA?

Todos estão 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 complexas e sistemas de segurança, capaz de perceber o ambiente, analisar dados e agir rapidamente de forma autônoma.

Na verdade, o AI Agent tem muitas semelhanças com as funções principais da Rainha de Copas. Os AI Agents no mundo real desempenham, de certa forma, um papel semelhante; eles são os "guardas da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a lidar com tarefas complexas através da percepção, análise e execução autônomas. Desde automóveis autónomos até atendimento ao cliente inteligente, os AI Agents já estão presentes em diversos setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis de uma equipe, possuem capacidades abrangentes que vão desde a percepção ambiental até a execução de decisões, penetrando gradualmente em várias indústrias e impulsionando a melhoria dupla da eficiência e da inovação.

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

1. Agente de IA Executiva: Focado na conclusão de tarefas específicas, como negociação, gestão de carteira ou arbitragem, com o objetivo de aumentar a precisão das operações e reduzir o tempo necessário.

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

3. Agente de IA Social: Como líder de opinião nas redes sociais, interagir com os usuários, construir comunidades e participar em atividades de marketing.

4. Agente de IA Coordenador: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multichain.

Neste relatório, iremos explorar profundamente 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 suas tendências futuras de desenvolvimento.

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 em 1956, o termo "IA" foi introduzido pela primeira vez, estabelecendo as bases para a IA como um campo independente. Neste período, a pesquisa em IA focou principalmente em métodos simbólicos, gerando os primeiros programas de IA, como o ELIZA (um chatbot) e o 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 este período foi severamente restringida pelas limitações de capacidade computacional 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 no Reino Unido. O relatório de Lighthill expressou basicamente um pessimismo abrangente sobre a pesquisa em IA após o período inicial de entusiasmo, o que levou a instituições acadêmicas do Reino Unido (, incluindo 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", 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 começarem a adotar 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 dos primeiros veículos autônomos 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 e início da década de 1990, com o colapso da demanda de mercado por hardware de IA dedicado, 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 de resolver problemas complexos. O renascimento das redes neurais e do aprendizado profundo estabeleceu as bases para o desenvolvimento da IA no final da década de 1990, tornando a IA uma parte indispensável da paisagem tecnológica e começando a influenciar a vida cotidiana.

No início deste século, os avanços na capacidade de computação impulsionaram o surgimento do aprendizado profundo, com alguns assistentes virtuais 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 alcançaram novos avanços, levando a IA conversacional a novas alturas. Nesse processo, o surgimento de Modelos 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 de pré-treinamento em larga escala, com centenas de bilhões ou até milhares de bilhões de parâmetros, demonstraram uma capacidade de geração e compreensão de linguagem que supera os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permitiu que os agentes de IA demonstrassem uma capacidade de interação clara e organizada através da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em cenários como assistentes de chat e atendimento ao cliente virtual, expandindo gradualmente para tarefas mais complexas, como análise de negócios e redação criativa.

A capacidade de aprendizagem dos grandes modelos de linguagem proporciona uma maior autonomia aos agentes de IA. Através da técnica de Aprendizagem por Reforço, os agentes de IA conseguem otimizar continuamente o seu comportamento, adaptando-se a ambientes dinâmicos. Por exemplo, em algumas plataformas impulsionadas por IA, os agentes de IA podem ajustar as suas estratégias de comportamento com base nas entradas dos jogadores, concretizando assim uma interação dinâmica.

Da antiga sistema de regras aos grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento dos agentes de IA é uma evolução que ultrapassa constantemente as fronteiras tecnológicas. E a emergência do GPT-4 é, sem dúvida, um ponto de virada significativo nesse percurso. Com o desenvolvimento adicional da tecnologia, os agentes de IA se tornarão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes forneceram a capacidade de colaboração inter-disciplinar. No futuro, plataformas de projetos inovadoras continuarão a surgir, impulsionando a implementação e desenvolvimento da tecnologia de agentes de IA, liderando uma nova era de experiências impulsionadas por IA.

1.2 Princípio de Funcionamento

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

O núcleo do AGENTE DE IA reside na sua "inteligência" ------ ou seja, a simulação de comportamentos inteligentes humanos ou de outros seres vivos através de algoritmos, para resolver problemas complexos de forma automatizada. O fluxo de trabalho do AGENTE DE IA normalmente segue os seguintes passos: percepção, raciocínio, ação, aprendizagem, ajuste.

1.2.1 Módulo de Percepção

O AGENTE DE IA interage com o mundo exterior através do módulo de percepção, coletando informações do ambiente. 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, reconhecimento 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 tecnologias:

• Visão computacional: utilizada para processar e entender dados de imagens e vídeos.
• Processamento de Linguagem Natural (NLP): ajuda o AGENTE de IA a compreender 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 AI precisa tomar decisões com base nos dados. O módulo de raciocínio e decisão é o "cérebro" de todo o sistema, realizando raciocínios lógicos e elaboração de estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem e 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 geralmente utiliza as seguintes tecnologias:

• Motor de regras: decisão simples com base em regras predefinidas.
• Modelos de aprendizado de máquina: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsões.
• Aprendizado por reforço: permite que o AGENTE de IA otimize continuamente 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 seguida, o cálculo de várias possíveis opções de ação com base no objetivo; por fim, a escolha da opção ótima para execução.

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 robô: usado para operações físicas, como o movimento de braços robóticos.
• Chamadas de 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, execução de tarefas repetitivas através de RPA (Automação de Processos Robóticos).

1.2.4 Módulo de Aprendizagem

O módulo de aprendizagem 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", os dados gerados nas interações são alimentados de volta ao 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 geralmente são melhorados da seguinte forma:

• Aprendizagem supervisionada: utilizar dados rotulados para treinar modelos, permitindo que o AGENTE AI complete tarefas com mais precisão.
• Aprendizagem não supervisionada: descobrir padrões subjacentes a partir de dados não rotulados, ajudando o agente a se adaptar a novos ambientes.
• Aprendizagem contínua: Atualize o modelo com dados em tempo real para manter o desempenho do agente 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.

1.3 Estado 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 demonstrou perspectivas semelhantes nesta rodada.

De acordo com o mais recente relatório da Markets and Markets, o mercado de Agentes de IA deve crescer de 5,1 bilhões de dólares em 2024 para 47,1 bilhões de dólares em 2030, com uma taxa de crescimento anual composta (CAGR) de até 44,8%. Esse rápido crescimento reflete a penetração dos Agentes de IA em diversas indústrias, bem como a demanda de mercado gerada pela inovação tecnológica.

As empresas grandes estão a investir significativamente em frameworks de proxy open source. As atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph de uma determinada empresa estão a tornar-se cada vez mais ativas, o que indica que os AGENTs de IA têm um maior potencial de mercado fora do campo das criptomoedas, TA