Decodificando o AGENT AI: A força inteligente que molda o novo ecossistema econômico do futuro

1. Contexto geral

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

É importante enfatizar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas também é o resultado da perfeita combinação entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar grandes transformações. Olhando para 2025, é evidente que os novos setores do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu seu auge 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 certo protocolo lançou a Luna, apresentando pela primeira vez a imagem de uma garota da vizinhança em uma transmissão ao vivo, incendiando toda a indústria.

Então, o que é um Agente de IA?

Todos devem estar familiarizados com o clássico filme "Resident Evil", onde o sistema de IA Rainha Vermelha deixa uma impressão marcante. 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 e a Rainha de Copas têm muitas semelhanças em suas funções centrais. No mundo real, os AI Agents desempenham um papel semelhante até certo ponto, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autónomos até atendentes virtuais, os AI Agents penetraram em diversos setores, tornando-se forças chave para aumentar a eficiência e a inovação. Esses agentes autônomos, como membros invisíveis da equipe, possuem capacidades abrangentes que vão desde a percepção do ambiente até a execução de decisões, infiltrando-se gradualmente em várias indústrias e promovendo um aumento duplo em eficiência e inovação.

Por exemplo, um AGENTE de IA pode ser usado para negociar de forma automatizada, gerindo em tempo real um portfólio e executando transações com base nos dados coletados de uma plataforma de dados ou de uma plataforma 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 em completar tarefas específicas, como negociações, gestão de portfólio ou arbitragem, com o objetivo de aumentar a precisão operacional e reduzir o tempo necessário.

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

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

4. Agente de IA de Coordenação: Coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multi-chain.

Neste relatório, iremos explorar a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como estão a remodelar o panorama da indústria e prevendo as suas tendências de desenvolvimento futuro.

1.1.1 História do Desenvolvimento

A evolução do AGENTE DE IA mostra a transformação da IA desde a pesquisa básica até a aplicação ampla. Na Conferência de Dartmouth em 1956, o termo "IA" foi proposto pela primeira vez, estabelecendo as bases para a IA como um campo independente. Durante este 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 nesse período foi severamente limitada pelas restrições de capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e 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 Lighthill expressou basicamente um pessimismo abrangente em relação à pesquisa em IA após o entusiasmo inicial, resultando em uma enorme perda de confiança por parte das instituições acadêmicas do Reino Unido (, incluindo as agências de financiamento ). Após 1973, o financiamento para a pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pela primeira "crise da IA", aumentando o ceticismo 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. 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 de veículos autônomos pela primeira vez 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 por um segundo "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 evento 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, fazendo da IA uma parte indispensável da paisagem tecnológica e começando a influenciar a vida cotidiana.

No início deste século, o avanço da capacidade de processamento impulsionou a ascensão do aprendizado profundo, com assistentes virtuais como a Siri 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 considerado um ponto de virada no campo dos agentes de IA. Desde que uma certa empresa lançou a série GPT, modelos pré-treinados em larga escala, com dezenas de bilhões ou até centenas de bilhões de parâmetros, demonstraram habilidades de geração e compreensão de linguagem que superam os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permitiu que os agentes de IA apresentassem uma capacidade de interação clara e lógica por meio da geração de linguagem. Isso possibilitou que os agentes de IA fossem aplicados em cenários como assistentes de bate-papo e atendimento ao cliente virtual, expandindo gradualmente para tarefas mais complexas, como análise comercial e redação criativa.

A capacidade de aprendizado dos grandes modelos de linguagem oferece uma maior autonomia aos agentes de IA. Através da técnica de Aprendizado por Reforço, os agentes de IA conseguem otimizar continuamente seu comportamento, adaptando-se a ambientes dinâmicos. Por exemplo, em uma plataforma impulsionada por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando 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 história de evolução que ultrapassa continuamente as fronteiras tecnológicas. A aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta 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 injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes proporcionaram a capacidade de colaboração inter-disciplinar. No futuro, plataformas de projetos inovadores continuarão a surgir, impulsionando a implementação e o desenvolvimento da tecnologia dos agentes de IA, liderando uma nova era de experiências impulsionadas pela IA.

1.2 Princípio de Funcionamento

A principal diferença entre AIAGENT e robôs tradicionais é que eles podem aprender e se adaptar ao longo do tempo, fazendo decisões detalhadas para atingir objetivos. Podem ser vistos como participantes tecnicamente 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"------isto é, simular comportamentos inteligentes humanos ou de 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, aprendizagem, ajuste.

1.2.1 Módulo de Percepção

O AGENTE DE IA interage com o mundo exterior através de módulos 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, o que inclui extrair características significativas, reconhecer objetos ou determinar entidades relevantes no ambiente. A tarefa central do módulo de percepção é transformar dados brutos em informações significativas, o que geralmente envolve as seguintes tecnologias:

• Visão computacional: utilizada para processar e compreender dados de imagens e vídeos.
• Processamento de Linguagem Natural (NLP): ajuda o AGENT de IA a entender 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 de IA precisa tomar decisões com base nos dados. O módulo de raciocínio e decisão é o "cérebro" de todo o sistema, realizando raciocínio lógico e formulação de estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem 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: tomada de decisões simples com base em regras predefinidas.
• Modelos de aprendizado de máquina: incluem árvores de decisão, redes neurais, etc., usados para reconhecimento complexo de padrões e previsões.
• Aprendizagem por reforço: permitir que o AGENTE de IA otimize continuamente a estratégia de decisão através de tentativa e erro, adaptando-se a um ambiente em mudança.

O processo de raciocínio geralmente inclui várias etapas: primeiro, a avaliação do ambiente; em seguida, calcular várias opções de ação com base nos objetivos; por fim, escolher a 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 prática 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 de banco de dados ou acesso a serviços de rede.
• Gestão de processos automatizados: No ambiente empresarial, executar 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" de melhoria contínua, os dados gerados nas interações são reintegrados no sistema para aprimorar o modelo. Essa capacidade de se adaptar e se tornar mais eficaz ao longo do tempo fornece às empresas uma ferramenta poderosa para melhorar a tomada de decisões e a eficiência operacional.

Os módulos de aprendizagem são geralmente melhorados da seguinte forma:

• Aprendizagem supervisionada: utilização de dados rotulados para treinar o modelo, permitindo que o AGENTE de IA complete tarefas com maior precisão.
• Aprendizagem não supervisionada: descobrir padrões potenciais a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizado contínuo: atualizar modelos 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 o seu desempenho através de um ciclo de feedback contínuo. Os resultados de cada ação são registados e utilizados para ajustar as decisões futuras. Este sistema de circuito fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

1.3 Estado atual do mercado

1.3.1 Estado da Indústria

O AGENTE DE IA está se tornando o foco do mercado, trazendo transformação 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 inestimável, o AGENTE DE IA também demonstra 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%. Este crescimento rápido reflete a penetração dos Agentes de IA em vários setores e a demanda de mercado gerada pela inovação tecnológica.

As empresas grandes estão a aumentar significativamente o investimento em estruturas de proxy de código aberto. As atividades de desenvolvimento de estruturas como AutoGen, Phidata e LangGraph de algumas grandes empresas de tecnologia estão a tornar-se cada vez mais ativas, o que indica que o AGENTE de IA tem um potencial maior fora do espaço cripto.