AI AGENT: Kekuatan cerdas yang membentuk ekosistem ekonomi baru di masa depan

1. Latar Belakang

1.1 Pendahuluan: "Rekan Baru" di Era Cerdas

Setiap siklus cryptocurrency akan membawa infrastruktur baru yang mendorong perkembangan seluruh industri.

• Pada tahun 2017, kebangkitan kontrak pintar memicu perkembangan pesat ICO.
• Pada tahun 2020, kumpulan likuiditas DEX membawa gelombang panas DeFi musim panas.
• Pada tahun 2021, banyak seri karya NFT yang muncul menandakan kedatangan era koleksi digital.
• Pada tahun 2024, kinerja luar biasa dari suatu platform peluncuran memimpin gelombang memecoin dan platform peluncuran.

Perlu ditekankan bahwa langkah awal di bidang vertikal ini tidak hanya disebabkan oleh inovasi teknologi, tetapi juga merupakan hasil dari perpaduan sempurna antara model pembiayaan dan siklus bull market. Ketika kesempatan bertemu dengan waktu yang tepat, dapat menciptakan perubahan besar. Melihat ke tahun 2025, jelas bahwa bidang baru dalam siklus 2025 akan menjadi agen AI. Tren ini mencapai puncaknya pada bulan Oktober tahun lalu, ketika sebuah token diluncurkan pada 11 Oktober 2024, dan pada 15 Oktober mencapai nilai pasar 150 juta USD. Segera setelah itu, pada 16 Oktober, sebuah protokol meluncurkan Luna, yang pertama kali muncul dengan citra si gadis tetangga melalui siaran langsung, 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 dengan cepat mengambil tindakan.

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

Misalnya, AGENT AI 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. AGENT AI bukanlah bentuk tunggal, melainkan dibagi menjadi kategori yang berbeda 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.AI Agen Sosial: Sebagai pemimpin opini di media sosial, berinteraksi dengan pengguna, membangun komunitas, dan berpartisipasi 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 mengeksplorasi secara mendalam asal-usul, keadaan saat ini, dan prospek aplikasi luas dari AI Agent, menganalisis bagaimana mereka membentuk kembali lanskap industri, dan memandang 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 diperkenalkan pada konferensi Dartmouth pada tahun 1956, yang meletakkan dasar bagi AI sebagai bidang independen. Pada periode ini, penelitian AI terutama berfokus pada metode simbolik, melahirkan program AI pertama seperti ELIZA(, sebuah chatbot), dan Dendral(, sistem pakar di bidang kimia organik). Tahap ini juga menyaksikan pengenalan jaringan saraf dan eksplorasi awal konsep pembelajaran mesin. Namun, penelitian AI pada periode ini sangat dibatasi oleh keterbatasan kapasitas 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 tentang kondisi penelitian AI yang sedang berlangsung di Inggris. Laporan Lighthill secara umum mengungkapkan pesimisme yang mendalam terhadap penelitian AI setelah periode antusiasme awal, yang menyebabkan kehilangan kepercayaan besar dari lembaga akademis di Inggris(, termasuk lembaga pendanaan). Setelah tahun 1973, pendanaan untuk penelitian AI berkurang secara signifikan, dan bidang AI mengalami "musim dingin AI" pertama, dengan meningkatnya keraguan terhadap potensi AI.

Pada tahun 1980-an, perkembangan dan komersialisasi sistem pakar membuat perusahaan-perusahaan di seluruh dunia mulai mengadopsi teknologi AI. Periode ini menyaksikan kemajuan signifikan 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 ekspansi 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 mengintegrasikannya dengan sukses ke dalam aplikasi praktis tetap merupakan 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 tonggak dalam kemampuan AI untuk memecahkan masalah kompleks. Kebangkitan jaringan saraf dan pembelajaran mendalam meletakkan dasar bagi perkembangan AI pada akhir 1990-an, menjadikannya bagian yang tidak terpisahkan dari lanskap teknologi, dan mulai mempengaruhi kehidupan sehari-hari.

Pada awal abad ini, kemajuan dalam kemampuan komputasi mendorong kebangkitan pembelajaran mendalam, dengan asisten virtual seperti Siri yang menunjukkan kegunaan AI di bidang aplikasi konsumen. Pada dekade 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 merilis seri GPT, model pra-latih besar dengan ratusan miliar bahkan ribuan miliar parameter telah 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. Ini memungkinkan agen AI diterapkan dalam skenario seperti asisten percakapan, layanan pelanggan virtual, dan secara bertahap memperluas ke tugas yang lebih kompleks ( seperti analisis bisnis, penulisan kreatif ).

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

Sejarah pengembangan agen AI, dari sistem aturan awal hingga model bahasa besar yang diwakili oleh GPT-4, adalah sejarah evolusi yang terus menerus melampaui batasan teknologi. Munculnya GPT-4 jelas merupakan titik balik yang signifikan dalam perjalanan ini. Dengan perkembangan teknologi yang lebih lanjut, agen AI akan menjadi semakin cerdas, terarah, dan beragam. Model bahasa besar tidak hanya memberikan "kecerdasan" sebagai jiwa bagi agen AI, tetapi juga memberikan kemampuan kolaborasi lintas domain. Di masa depan, platform proyek inovatif akan terus bermunculan, mendorong penerapan dan perkembangan teknologi agen AI, serta memimpin era baru pengalaman yang didorong oleh AI.

1.2 Prinsip Kerja

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

Inti dari AI AGENT adalah "kecerdasan"------yaitu 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 indera manusia, menggunakan sensor, kamera, mikrofon, dan perangkat lainnya untuk menangkap data eksternal, yang mencakup ekstraksi fitur yang bermakna, pengenalan objek, atau penentuan entitas terkait 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.
• Fusi sensor: Menggabungkan data dari beberapa sensor menjadi satu tampilan yang seragam.

1.2.2 Modul Inferensi dan Pengambilan 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 dan sebagainya sebagai pengatur atau mesin penalaran, memahami tugas, menghasilkan solusi, dan berkoordinasi dengan model khusus yang digunakan untuk pembuatan konten, pemrosesan visual, atau sistem rekomendasi.

Modul ini biasanya menggunakan teknologi berikut:

• Mesin aturan: melakukan 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 percobaan dan kesalahan, beradaptasi dengan lingkungan yang berubah.

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

1.2.3 Modul Eksekusi

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

• Sistem kontrol robot: digunakan untuk operasi fisik, seperti pergerakan lengan robot.
• Panggilan API: berinteraksi dengan sistem perangkat lunak eksternal, seperti kueri basis data atau akses layanan jaringan.
• Manajemen alur otomatis: Di lingkungan perusahaan, melalui RPA( otomatisasi proses robot) untuk melaksanakan tugas berulang.

1.2.4 Modul Pembelajaran

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

Modul pembelajaran biasanya ditingkatkan melalui cara-cara berikut:

• Pembelajaran terawasi: menggunakan data berlabel untuk melatih model agar AI AGENT dapat menyelesaikan tugas dengan lebih akurat.
• Pembelajaran tanpa pengawasan: menemukan pola potensial dari data yang tidak diberi label, membantu agen beradaptasi dengan lingkungan baru.
• Pembelajaran Berkelanjutan: Memperbarui model dengan data waktu nyata, menjaga kinerja agen dalam lingkungan yang dinamis.

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 Status Pasar

1.3.1 Status Industri

AI AGENT sedang menjadi fokus 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 di siklus sebelumnya, AI AGENT juga menunjukkan prospek yang sama di siklus ini.

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

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