Dekode AI Agent: Kekuatan Cerdas yang Membentuk Ekosistem Ekonomi Baru di Masa Depan

1. Latar Belakang

1.1 Pendahuluan: "Mitra Baru" di Era Cerdas

Setiap siklus mata uang kripto akan membawa infrastruktur baru yang mendorong perkembangan seluruh industri.

• Pada tahun 2017, munculnya kontrak pintar memicu perkembangan pesat ICO.
• Tahun 2020, kolam likuiditas DEX membawa gelombang panas DeFi musim panas.
• Tahun 2021, peluncuran banyak seri karya NFT menandai kedatangan era koleksi digital.
• Pada tahun 2024, kinerja luar biasa dari sebuah platform peluncuran memimpin tren memecoin dan platform peluncuran.

Perlu ditekankan bahwa awal dari bidang vertikal ini tidak hanya disebabkan oleh inovasi teknologi, tetapi juga merupakan hasil dari kombinasi sempurna antara model pendanaan dan siklus bull market. Ketika kesempatan bertemu dengan waktu yang tepat, itu dapat memicu perubahan besar. Melihat ke tahun 2025, jelas bahwa bidang baru dalam siklus 2025 akan menjadi agen AI. Tren ini mencapai puncaknya pada Oktober tahun lalu, pada 11 Oktober 2024, sebuah token diluncurkan, dan pada 15 Oktober mencapai valuasi pasar sebesar 150 juta dolar. Segera setelah itu, pada 16 Oktober, sebuah protokol meluncurkan Luna, dengan citra si gadis tetangga yang disiarkan secara langsung untuk pertama kalinya, memicu ledakan di seluruh industri.

Jadi, apa sebenarnya AI Agent?

Semua orang pasti tidak asing dengan film klasik "Resident Evil", di mana sistem AI Ratu Merah sangat mengesankan. Ratu Merah adalah sistem AI yang kuat, mengendalikan fasilitas dan sistem keamanan yang kompleks, mampu secara mandiri merasakan lingkungan, menganalisis data, dan cepat mengambil tindakan.

Sebenarnya, AI Agent memiliki banyak kesamaan dengan fungsi inti Ratu Hati. Dalam kenyataannya, AI Agent memainkan peran serupa dalam beberapa hal, mereka adalah "penjaga kebijaksanaan" di bidang teknologi modern, membantu perusahaan dan individu menghadapi tugas yang kompleks melalui persepsi, analisis, dan pelaksanaan yang mandiri. Dari mobil otonom hingga layanan pelanggan cerdas, AI Agent telah meresap ke berbagai industri, menjadi kekuatan kunci dalam meningkatkan efisiensi dan inovasi. Agen cerdas mandiri ini, seperti anggota tim yang tidak terlihat, memiliki kemampuan menyeluruh dari persepsi lingkungan hingga pelaksanaan keputusan, secara bertahap menyusup ke berbagai sektor, mendorong peningkatan ganda dalam efisiensi dan inovasi.

Misalnya, sebuah AI AGENT dapat digunakan untuk perdagangan otomatis, berdasarkan data yang dikumpulkan dari platform data atau platform sosial, mengelola portofolio secara real-time dan mengeksekusi perdagangan, terus-menerus mengoptimalkan kinerjanya dalam iterasi. AI AGENT bukanlah bentuk tunggal, melainkan dibagi menjadi berbagai kategori berdasarkan kebutuhan spesifik dalam ekosistem kripto:

1. Agen AI Eksekusi: Fokus pada penyelesaian tugas tertentu, seperti perdagangan, manajemen portofolio, atau arbitrase, bertujuan untuk meningkatkan akurasi operasi dan mengurangi waktu yang diperlukan.

2. Agen AI Kreatif: digunakan untuk menghasilkan konten, termasuk teks, desain, bahkan penciptaan musik.

3.Agen AI Sosial: Sebagai pemimpin opini di media sosial, berinteraksi dengan pengguna, membangun komunitas, dan terlibat dalam kegiatan pemasaran.

4. Agen AI Koordinasi: Mengkoordinasikan interaksi kompleks antara sistem atau peserta, sangat cocok untuk integrasi multi-rantai.

Dalam laporan ini, kami akan menjelajahi asal-usul, kondisi saat ini, dan prospek aplikasi luas dari AI Agent, menganalisis bagaimana mereka membentuk kembali lanskap industri, dan melihat tren perkembangan masa depan mereka.

1.1.1 Sejarah Perkembangan

Perkembangan AI AGENT menunjukkan evolusi AI dari penelitian dasar hingga aplikasi yang luas. Istilah "AI" pertama kali diajukan pada Konferensi Dartmouth tahun 1956, yang menjadi dasar bagi AI sebagai bidang independen. Pada periode ini, penelitian AI terutama berfokus pada metode simbolik, melahirkan program-program AI pertama, seperti ELIZA(, sebuah chatbot) dan Dendral(, sistem pakar di bidang kimia organik). Tahap ini juga menyaksikan pengajuan pertama jaringan saraf dan eksplorasi awal konsep pembelajaran mesin. Namun, penelitian AI pada periode ini sangat dibatasi oleh keterbatasan kemampuan komputasi saat itu. Para peneliti mengalami kesulitan besar dalam pengembangan algoritma untuk pemrosesan bahasa alami dan meniru fungsi kognitif manusia. Selain itu, pada tahun 1972, matematikawan James Lighthill mengajukan laporan yang diterbitkan pada tahun 1973 mengenai keadaan penelitian AI yang sedang berlangsung di Inggris. Laporan Lighthill secara mendasar menyatakan pesimisme yang mendalam terhadap penelitian AI setelah fase kegembiraan awal, yang menyebabkan kehilangan kepercayaan besar terhadap AI dari lembaga akademis di Inggris(, termasuk lembaga pendanaan). Setelah tahun 1973, dana untuk penelitian AI secara signifikan berkurang, dan bidang AI mengalami "musim dingin AI" yang pertama, dengan meningkatnya keraguan terhadap potensi AI.

Pada tahun 1980-an, pengembangan dan komersialisasi sistem pakar membuat perusahaan-perusahaan di seluruh dunia mulai mengadopsi teknologi AI. Pada periode ini, kemajuan signifikan dicapai dalam pembelajaran mesin, jaringan saraf, dan pemrosesan bahasa alami, mendorong munculnya aplikasi AI yang lebih kompleks. Pengenalan kendaraan otonom untuk pertama kalinya serta penerapan AI di berbagai sektor seperti keuangan dan kesehatan juga menandai perluasan teknologi AI. Namun, pada akhir 1980-an hingga awal 1990-an, dengan runtuhnya permintaan pasar untuk perangkat keras AI khusus, bidang AI mengalami "musim dingin AI" yang kedua. Selain itu, bagaimana memperluas skala sistem AI dan berhasil mengintegrasikannya ke dalam aplikasi praktis, masih menjadi tantangan yang berkelanjutan. Namun, pada saat yang sama, pada tahun 1997, komputer Deep Blue milik IBM mengalahkan juara catur dunia Garry Kasparov, yang merupakan peristiwa penting dalam kemampuan AI untuk menyelesaikan masalah kompleks. Kebangkitan jaringan saraf dan pembelajaran mendalam meletakkan dasar bagi perkembangan AI pada akhir 1990-an, menjadikan AI sebagai bagian yang tak terpisahkan dari lanskap teknologi, dan mulai mempengaruhi kehidupan sehari-hari.

Pada awal abad ini, kemajuan kemampuan komputasi mendorong kebangkitan pembelajaran mendalam, asisten virtual seperti Siri menunjukkan kegunaan AI di bidang aplikasi konsumen. Di tahun 2010-an, agen pembelajaran penguatan dan model generatif seperti GPT-2 mencapai terobosan lebih lanjut, membawa AI percakapan ke tingkat yang baru. Dalam proses ini, kemunculan model bahasa besar (Large Language Model, LLM) menjadi tonggak penting dalam perkembangan AI, terutama dengan peluncuran GPT-4, yang dianggap sebagai titik balik di bidang agen AI. Sejak OpenAI meluncurkan seri GPT, model pra-latih berskala besar dengan ratusan miliar bahkan ribuan miliar parameter, menunjukkan kemampuan generasi dan pemahaman bahasa yang melampaui model tradisional. Kinerja luar biasa mereka dalam pemrosesan bahasa alami memungkinkan agen AI untuk menunjukkan kemampuan interaksi yang logis dan terstruktur melalui generasi bahasa. Hal ini memungkinkan agen AI untuk diterapkan dalam skenario seperti asisten obrolan, layanan pelanggan virtual, dan secara bertahap memperluas ke tugas yang lebih kompleks ( seperti analisis bisnis, penulisan kreatif ).

Kemampuan belajar dari model bahasa besar memberikan otonomi yang lebih tinggi bagi agen AI. Melalui teknologi Pembelajaran Penguatan (Reinforcement Learning), agen AI dapat terus mengoptimalkan perilakunya dan beradaptasi dengan lingkungan yang dinamis. Misalnya, dalam beberapa platform yang didorong oleh AI, agen AI dapat menyesuaikan strategi perilaku berdasarkan masukan pemain, benar-benar mewujudkan interaksi dinamis.

Dari sistem aturan awal hingga model bahasa besar yang diwakili oleh GPT-4, sejarah perkembangan agen AI adalah sejarah evolusi yang terus menerus melampaui batasan teknologi. Kemunculan GPT-4, tanpa diragukan lagi, adalah titik balik yang signifikan dalam perjalanan ini. Seiring dengan perkembangan teknologi lebih lanjut, agen AI akan menjadi lebih cerdas, terjangkau, dan beragam. Model bahasa besar tidak hanya memberikan "jiwa" yang "cerdas" kepada agen AI, tetapi juga memberikannya kemampuan untuk berkolaborasi lintas domain. Di masa depan, platform proyek inovatif akan terus muncul, mendorong penerapan dan pengembangan teknologi agen AI, memimpin era baru pengalaman yang didorong oleh AI.

1.2 Prinsip Kerja

Perbedaan AIAGENT dengan robot tradisional adalah bahwa mereka dapat belajar dan beradaptasi seiring waktu, membuat keputusan yang cermat untuk mencapai tujuan. Mereka dapat dianggap sebagai peserta yang terampil dan terus berkembang di bidang kripto, mampu bertindak secara mandiri di ekonomi digital.

Inti dari AI AGENT terletak pada "kecerdasan"-nya ------ yaitu dengan mensimulasikan perilaku cerdas manusia atau makhluk hidup lainnya melalui algoritma, untuk secara otomatis menyelesaikan masalah yang kompleks. Alur kerja AI AGENT biasanya mengikuti langkah-langkah berikut: persepsi, penalaran, tindakan, pembelajaran, penyesuaian.

1.2.1 Modul Persepsi

AI AGENT berinteraksi dengan dunia luar melalui modul persepsi, mengumpulkan informasi lingkungan. Fungsi bagian ini mirip dengan indra manusia, menggunakan sensor, kamera, mikrofon, dan perangkat lainnya untuk menangkap data eksternal, yang mencakup pengambilan fitur yang bermakna, pengenalan objek, atau penentuan entitas yang relevan di lingkungan. Tugas inti modul persepsi adalah mengubah data mentah menjadi informasi yang bermakna, yang biasanya melibatkan teknologi berikut:

• Penglihatan komputer: digunakan untuk memproses dan memahami data gambar dan video.
• Pemrosesan bahasa alami ( NLP ): Membantu AI AGENT memahami dan menghasilkan bahasa manusia.
• Penggabungan sensor: Mengintegrasikan data dari beberapa sensor menjadi satu tampilan yang seragam.

1.2.2 Modul Inferensi dan Keputusan

Setelah merasakan lingkungan, AI AGENT perlu membuat keputusan berdasarkan data. Modul penalaran dan pengambilan keputusan adalah "otak" dari seluruh sistem, yang melakukan penalaran logis dan perumusan strategi berdasarkan informasi yang dikumpulkan. Menggunakan model bahasa besar sebagai pengatur atau mesin penalaran, memahami tugas, menghasilkan solusi, dan mengoordinasikan model khusus yang digunakan untuk fungsi tertentu seperti pembuatan konten, pemrosesan visual, atau sistem rekomendasi.

Modul ini biasanya menggunakan teknologi berikut:

• Mesin Aturan: Mengambil keputusan sederhana berdasarkan aturan yang telah ditetapkan.
• Model pembelajaran mesin: termasuk pohon keputusan, jaringan saraf, dll, digunakan untuk pengenalan pola dan prediksi yang kompleks.
• Pembelajaran Penguatan: Membuat AI AGENT terus mengoptimalkan strategi keputusan melalui trial and error, menyesuaikan diri dengan lingkungan yang berubah.

Proses penalaran biasanya melibatkan beberapa langkah: pertama adalah evaluasi lingkungan, kedua adalah menghitung beberapa kemungkinan rencana tindakan berdasarkan tujuan, dan terakhir adalah memilih rencana terbaik untuk dieksekusi.

1.2.3 Modul Eksekusi

Modul eksekusi adalah "tangan dan kaki" dari AI AGENT, yang menerapkan keputusan dari modul inferensi ke dalam tindakan. Bagian ini berinteraksi dengan sistem atau perangkat eksternal untuk menyelesaikan tugas yang ditentukan. Ini bisa melibatkan tindakan fisik ( seperti gerakan robot ) atau tindakan digital ( seperti pengolahan data ). Modul eksekusi bergantung pada:

• Sistem kontrol robot: untuk operasi fisik, seperti gerakan lengan robot.
• Panggilan API: berinteraksi dengan sistem perangkat lunak eksternal, seperti kueri basis data atau akses layanan jaringan.
• Manajemen Proses Otomatisasi: Dalam lingkungan perusahaan, melalui RPA( otomatisasi proses robot) untuk melaksanakan tugas-tugas yang berulang.

1.2.4 Modul Pembelajaran

Modul pembelajaran adalah keunggulan inti dari AI AGENT, yang memungkinkan agen menjadi lebih cerdas seiring berjalannya waktu. Melalui siklus umpan balik atau "roda data" yang terus-menerus diperbaiki, data yang dihasilkan dari interaksi dikembalikan ke dalam sistem untuk meningkatkan model. Kemampuan ini untuk beradaptasi secara bertahap dan menjadi lebih efektif seiring waktu memberikan perusahaan alat yang kuat untuk meningkatkan pengambilan keputusan dan efisiensi operasional.

Modul pembelajaran biasanya ditingkatkan melalui cara berikut:

• Pembelajaran terawasi: menggunakan data berlabel untuk melatih model, agar AI AGENT dapat menyelesaikan tugas dengan lebih akurat.
• Pembelajaran tanpa pengawasan: menemukan pola yang mendasari dari data yang tidak diberi label, membantu agen beradaptasi dengan lingkungan baru.
• Pembelajaran berkelanjutan: Mempertahankan kinerja agen dalam lingkungan dinamis dengan memperbarui model melalui data real-time.

1.2.5 Umpan Balik dan Penyesuaian Waktu Nyata

AI AGENT mengoptimalkan kinerjanya melalui siklus umpan balik yang terus menerus. Hasil dari setiap tindakan akan dicatat dan digunakan untuk menyesuaikan keputusan di masa depan. Sistem umpan balik tertutup ini memastikan adaptabilitas dan fleksibilitas AI AGENT.

1.3 Kondisi Pasar

1.3.1 Status Industri

AI AGENT sedang menjadi pusat perhatian pasar, dengan potensi besar sebagai antarmuka konsumen dan pelaku ekonomi mandiri, membawa perubahan ke berbagai industri. Sama seperti potensi ruang blok L1 yang sulit diukur pada siklus sebelumnya, AI AGENT juga menunjukkan prospek yang sama dalam siklus ini.

Menurut laporan terbaru dari Markets and Markets, pasar AI Agent diperkirakan akan tumbuh dari 5,1 miliar USD pada tahun 2024 menjadi 47,1 miliar USD pada tahun 2030, dengan tingkat pertumbuhan tahunan majemuk (CAGR) mencapai 44,8%. Pertumbuhan yang cepat ini mencerminkan penetrasi AI Agent di berbagai industri, serta permintaan pasar yang dihasilkan oleh inovasi teknologi.

Perusahaan besar juga meningkatkan investasi mereka dalam kerangka kerja proxy sumber terbuka. Aktivitas pengembangan kerangka kerja seperti AutoGen, Phidata, dan LangGraph dari suatu perusahaan semakin aktif, yang menunjukkan bahwa AI AGENT memiliki potensi pasar yang lebih besar di luar bidang crypto, dan TAM juga sedang