Decodificando AGENTE AI: La fuerza inteligente que está moldeando la nueva economía ecológica del futuro

1. Contexto general

1.1 Introducción: el "nuevo compañero" de la era inteligente

Cada ciclo de criptomonedas trae consigo nuevas infraestructuras que impulsan el desarrollo de toda la industria.

• En 2017, el surgimiento de los contratos inteligentes impulsó el desarrollo floreciente de las ICO.
• En 2020, las piscinas de liquidez de DEX trajeron la ola de calor del verano DeFi.
• En 2021, el lanzamiento de numerosas series de obras NFT marcó la llegada de la era de los coleccionables digitales.
• En 2024, el excelente rendimiento de una plataforma de lanzamiento lideró la ola de memecoins y plataformas relacionadas.

Es importante destacar que el inicio de estos campos verticales no se debe únicamente a la innovación tecnológica, sino que es el resultado de una combinación perfecta entre modelos de financiamiento y ciclos de mercado alcista. 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 el agente de IA. Esta tendencia alcanzó su punto máximo en octubre del año pasado, cuando un token fue lanzado el 11 de octubre de 2024 y alcanzó un valor de mercado de 150 millones de dólares el 15 de octubre. Poco después, el 16 de octubre, un protocolo lanzó Luna, debutando con la imagen de una chica vecina en un livestream, lo que provocó una explosión en toda la industria.

Entonces, ¿qué es exactamente un Agente de IA?

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

De hecho, el AI Agent tiene muchas similitudes con las funciones centrales de la Reina de Corazones. En la realidad, el AI Agent desempeña un papel similar en cierta medida, siendo los "guardianes inteligentes" del campo tecnológico moderno, ayudando a empresas y personas a enfrentar tareas complejas a través de la percepción, análisis y ejecución autónomos. Desde automóviles autónomos hasta atención al cliente inteligente, el AI Agent se ha integrado 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 capacidades integrales que van desde la percepción del entorno hasta la ejecución de decisiones, infiltrándose gradualmente en diversas industrias y promoviendo una mejora dual en eficiencia e innovación.

Por ejemplo, un AGENTE AI puede ser utilizado para la negociación automatizada, gestionando en tiempo real carteras de inversión y ejecutando operaciones, basándose en los datos recopilados de plataformas de datos o plataformas sociales, optimizando continuamente su rendimiento en iteraciones. El AGENTE AI no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema criptográfico:

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

2.Agent de IA generativa: utilizado 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, interactúa con los usuarios, construye comunidades y participa en actividades de marketing.

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

En este informe, exploraremos en profundidad 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 contemplaremos las tendencias futuras de su desarrollo.

1.1.1 Historia del desarrollo

La evolución del AGENTE DE IA muestra la transformación de la IA desde la investigación básica hasta su amplia aplicación. En la conferencia de Dartmouth de 1956, se introdujo por primera vez el término "IA", estableciendo las bases para la IA como 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 presenció la primera propuesta de redes neuronales y la exploración inicial del concepto de aprendizaje automático. Sin embargo, la investigación en IA de este período se vio gravemente restringida por las limitaciones de capacidad computacional de la época. Los investigadores enfrentaron 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 en IA en el Reino Unido. El informe de Lighthill expresó básicamente un pesimismo general sobre la investigación en IA después del entusiasmo inicial, provocando una gran pérdida de confianza de las instituciones académicas( en el Reino Unido, incluidos los organismos de financiación). Después de 1973, la financiación para la investigación en IA se redujo drásticamente, y el campo de la IA experimentó el primer "invierno de la 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 las empresas globales a adoptar tecnologías de IA. Este período vio avances significativos en el aprendizaje automático, las redes neuronales y el procesamiento de 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 la IA en sectores como las finanzas y la salud 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 lograr su exitosa integración 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 evento que marcó 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 a la IA en una parte indispensable del panorama tecnológico y comenzando a influir en la vida cotidiana.

A principios de este siglo, el avance en 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 refuerzo y modelos generativos como GPT-2 lograron nuevos avances, llevando la IA conversacional a nuevas alturas. En este proceso, la aparición del modelo de lenguaje grande (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 campo 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 o incluso cientos de miles de millones de parámetros, han demostrado una capacidad de generación y comprensión del lenguaje que supera a los modelos tradicionales. Su rendimiento excepcional en el procesamiento del lenguaje natural ha permitido que los agentes de IA exhiban habilidades de interacción claras y coherentes a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat, 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 ciertas plataformas impulsadas por IA, los agentes de IA pueden ajustar sus estrategias de comportamiento según la entrada de los jugadores, logrando así una interacción dinámica.

Desde los primeros sistemas de reglas hasta los modelos de lenguaje grandes, representados por GPT-4, la historia del desarrollo de los agentes de IA es una evolución que rompe constantemente las fronteras tecnológicas. La aparición de GPT-4 es, sin duda, un punto de inflexión importante en este proceso. Con el desarrollo continuo de la tecnología, los agentes de IA serán cada vez más inteligentes, contextualizados y diversificados. Los modelos de lenguaje grandes no solo han inyectado el "alma" de la "sabiduría" en los agentes de IA, sino que también les han proporcionado la capacidad de colaborar en múltiples dominios. En el futuro, surgirán continuamente plataformas de proyectos innovadores, impulsando la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era impulsada por la experiencia de 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 les puede considerar participantes técnicamente avanzados y en constante evolución en el ámbito de las criptomonedas, 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 forma automatizada. El flujo de trabajo de un AGENTE DE IA generalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje y ajuste.

1.2.1 Módulo de percepción

El AGENTE DE IA interactúa con el mundo 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, lo que 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 a menudo implica las siguientes tecnologías:

• Visión por computadora: utilizada para procesar y entender datos de imágenes y videos.
• Procesamiento del lenguaje natural(NLP): ayudar a la AGENTE de IA a entender 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 inferencia y decisión es el "cerebro" de todo el sistema, que realiza inferencias lógicas y formula estrategias basadas en la información recopilada. Utilizando modelos de lenguaje grandes y otros como orquestadores o motores de inferencia, entiende las tareas, genera soluciones y coordina modelos especializados para funciones específicas como la creación de contenido, el procesamiento visual o 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 y la predicción de patrones complejos.
• Aprendizaje por refuerzo: permite que el AGENTE de IA optimice continuamente la estrategia de decisión a través de prueba y error, adaptándose a un entorno cambiante.

El proceso de inferencia generalmente incluye varios pasos: primero, la evaluación del entorno; en segundo lugar, calcular múltiples posibles cursos de acción según el objetivo; y finalmente, elegir el plan óptimo para ejecutar.

1.2.3 Módulo de ejecución

El módulo de ejecución es "las manos y los pies" del AGENTE de IA, llevando a cabo las decisiones del módulo de inferencia. 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 API: interacción con sistemas de software externos, como consultas a bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en un entorno empresarial, a través de RPA(, la automatización de procesos robóticos) ejecuta tareas repetitivas.

1.2.4 Módulo de Aprendizaje

El módulo de aprendizaje es la competencia central del AGENTE de IA, lo que permite que el agente se vuelva más inteligente con el tiempo. A través de ciclos de retroalimentación o "ruedas de datos" que mejoran continuamente, se retroalimenta al sistema los datos generados en las interacciones para mejorar el modelo. Esta capacidad de adaptarse gradualmente y volverse más eficaz 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, de modo que el AGENTE de IA pueda realizar tareas con mayor precisión.
• Aprendizaje no supervisado: descubrir patrones潜在 de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
• Aprendizaje continuo: mantener el rendimiento del agente en un entorno dinámico actualizando el modelo con datos en tiempo real.

1.2.5 Retroalimentación y ajustes en tiempo real

El AGENTE DE IA optimiza su rendimiento a través de ciclos de retroalimentación constantes. El resultado de cada acción se registra y se utiliza para ajustar las decisiones futuras. Este sistema de retroalimentación cerrada asegura la adaptabilidad y flexibilidad del AGENTE DE IA.

1.3 Estado del mercado

1.3.1 Estado de la industria

El AGENTE DE IA se está convirtiendo en el centro de atención del mercado, gracias a su gran potencial como interfaz de consumidor y agente económico autónomo, lo que trae cambios a múltiples industrias. Al igual que el potencial del espacio de bloque L1 en el último ciclo fue difícil de medir, el AGENTE DE IA también ha mostrado perspectivas similares en este ciclo.

Según el último informe de Markets and Markets, 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) de hasta el 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.

Las grandes empresas también han aumentado significativamente su inversión en marcos de proxy de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de una empresa están cada vez más activas, lo que indica que AI AGENT tiene un mayor potencial de mercado fuera del ámbito de las criptomonedas, y el TAM también está