AGENTE DE IA: A força inteligente que molda a nova ecologia econômica do futuro

1. Contexto Geral

1.1 Introdução: o "novo parceiro" da era inteligente

Cada ciclo de criptomoeda 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, uma grande quantidade de séries de obras NFT surgiu, marcando a chegada da era dos colecionáveis digitais.
• Em 2024, o excelente desempenho 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 sim à combinação perfeita 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 claro que os novos setores emergentes 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 depois, em 16 de outubro, um determinado protocolo lançou a Luna, fazendo sua estreia com a imagem de uma garota da porta ao lado em uma transmissão ao vivo, incendiando toda a indústria.

Então, o que é um Agente de IA?

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

Na verdade, o Agente de IA tem muitas semelhanças com as funções principais da Rainha de Coração. Os Agentes de IA no mundo real desempenham, até certo ponto, papéis semelhantes, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através de percepção, análise e execução autônomas. Desde carros autônomos a serviços de atendimento ao cliente inteligentes, os Agentes de IA já se infiltraram em várias indústrias, tornando-se forças-chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem habilidades abrangentes, desde a percepção ambiental até a execução de decisões, permeando gradualmente todos os setores e promovendo um aumento duplo na eficiência e na inovação.

Por exemplo, um AGENTE de IA pode ser utilizado para automatizar negociações, com base nos dados coletados de uma plataforma de dados ou rede social, gerenciando em tempo real um portfólio e executando negociações, otimizando continuamente seu desempenho em iterações. O AGENTE de IA não é uma forma única, mas é classificado em diferentes categorias com base nas necessidades específicas do ecossistema de criptomoedas:

1. Agente de IA Executiva: Focado em completar tarefas específicas, como negociação, gestão de portfólio ou arbitragem, destinado a aumentar a precisão operacional e reduzir o tempo necessário.

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

3. Agente de IA Social: como um influenciador nas redes sociais, interage com os usuários, constrói comunidades e participa em atividades de marketing.

4. Agente de IA Coordenador: Coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração de múltiplas cadeias.

Neste relatório, vamos explorar a origem, o estado atual e as amplas perspetivas de aplicação do AI Agent, analisando como eles estão a remodelar o panorama da indústria e a perspetivar as tendências futuras de desenvolvimento.

1.1.1 História do Desenvolvimento

O desenvolvimento do AGENTE DE IA demonstra a evolução 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, gerando os 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 deste período foi severamente limitada pela 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 sobre o estado da pesquisa em IA em andamento no Reino Unido, publicado em 1973. O relatório de Lighthill expressou basicamente um pessimismo abrangente sobre a pesquisa em IA após o entusiasmo inicial, levando a uma enorme perda de confiança nas instituições acadêmicas( do Reino Unido, incluindo agências de financiamento). Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pelo primeiro "inverno 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 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 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, tornando a IA uma parte indispensável da paisagem tecnológica e começando a influenciar a vida cotidiana.

Até o início deste século, o avanço da capacidade computacional impulsionou o surgimento do aprendizado profundo, e assistentes virtuais como a Siri demonstraram a praticidade 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 grandes modelos de linguagem (Large Language Model,LLM) se tornou 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 a OpenAI lançou a série GPT, modelos de pré-treinamento em larga escala, com dezenas de bilhões ou até centenas de bilhões de parâmetros, demonstraram capacidades de geração e compreensão de linguagem que superam os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permitiu que agentes de IA mostrassem uma capacidade de interação lógica e bem estruturada por meio da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em assistentes de bate-papo, atendimento virtual ao cliente e, gradualmente, a expansão para tarefas mais complexas ( como análise de negócios e escrita criativa ).

A capacidade de aprendizagem dos grandes modelos de linguagem oferece uma maior autonomia aos agentes de IA. Através da técnica de Aprendizagem por Reforço (Reinforcement Learning), os agentes de IA podem 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 evolução dos sistemas de regras iniciais aos grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que quebra constantemente as fronteiras tecnológicas. A chegada do GPT-4 é, sem dúvida, um ponto de viragem importante nesta trajetória. Com o avanço contínuo da tecnologia, os agentes de IA tornar-se-ão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não só injetaram a "inteligência" na alma dos agentes de IA, mas também lhes proporcionaram a capacidade de colaboração interdisciplinar. No futuro, plataformas de projetos inovadores continuarão a surgir, impulsionando a implementação e o 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 os robôs tradicionais é que eles podem aprender e se adaptar ao longo do tempo, tomando decisões detalhadas para alcançar objetivos. Podem ser vistos como participantes altamente habilidosos 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, simular comportamentos inteligentes humanos ou de outros seres vivos através de algoritmos, para 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 um módulo de percepção, coletando informações ambientais. Esta parte da função é semelhante aos sentidos humanos, utilizando sensores, câmaras, microfones e outros dispositivos para capturar dados externos, incluindo a extração de características significativas, identificação 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 técnicas:

• Visão computacional: usada para processar e entender dados de imagem e vídeo.
• Processamento de Linguagem Natural ( NLP ): ajuda o AGENTE de IA a compreender e gerar a 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, que realiza raciocínio lógico e formula estratégias com base nas informações coletadas. Utiliza grandes modelos de linguagem, entre outros, como orquestradores ou motores de raciocínio, para entender tarefas, gerar soluções e coordenar 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 pré-definidas.
• Modelos de Aprendizado de Máquina: incluem árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsão.
• Aprendizagem por Reforço: permitir que o AGENTE de IA otimize continuamente a estratégia de decisão através da tentativa e erro, adaptando-se a ambientes em mudança.

O processo de raciocínio geralmente inclui várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, o cálculo de várias opções de ação com base no objetivo; por fim, a escolha da melhor opção para executar.

1.2.3 Módulo de Execução

O módulo de execução é as "mãos e pés" do AGENTE AI, colocando em ação as decisões do módulo de raciocínio. Esta parte interage com sistemas ou dispositivos externos para completar tarefas específicas. Isso pode envolver operações físicas (, como movimentos de robôs ), ou operações digitais (, como processamento de dados ). O módulo de execução depende de:

• Sistema de controle de robô: utilizado para operações físicas, como o movimento de braços robóticos.
• Chamada 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, a automação de processos robóticos RPA( executa tarefas repetitivas.

)# 1.2.4 Módulo de Aprendizagem

O módulo de aprendizado é a principal vantagem competitiva do AGENTE AI, permitindo que o agente se torne mais inteligente ao longo do tempo. Através de um ciclo de feedback ou "flywheel de dados" que melhora continuamente, os dados gerados nas interações são reintegrados 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 são geralmente melhorados da seguinte forma:

• Aprendizagem supervisionada: utilizar dados rotulados para o treinamento do modelo, permitindo que o AGENTE de IA complete as 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 o modelo com dados em tempo real para manter o desempenho do agente em um ambiente dinâmico.

1.2.5 Feedback em tempo real e ajustes

O AGENTE DE IA otimiza seu desempenho através de um ciclo de feedback contínuo. Os resultados de cada ação são registrados e utilizados para ajustar decisões futuras. Este sistema de ciclo fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

![Decodificar AI AGENT: A força inteligente que molda a nova ecologia econômica do futuro]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 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 difícil de quantificar, o AGENTE DE IA também demonstrou perspectivas semelhantes nesta rodada.

De acordo com o último relatório da Markets and Markets, o mercado de Agentes de IA deve crescer de 5,1 mil milhões de dólares em 2024 para 47,1 mil milhões de dólares em 2030, com uma taxa de crescimento anual composta ###CAGR( de até 44,8%. Este rápido crescimento reflete a penetração dos Agentes de IA em várias indústrias e a demanda do mercado impulsionada pela inovação tecnológica.

As grandes empresas também estão investindo significativamente em estruturas de proxy de código aberto. As atividades de desenvolvimento de estruturas como AutoGen, Phidata e LangGraph de uma determinada empresa estão se tornando cada vez mais ativas, o que indica que o AGENTE de IA tem um potencial de mercado maior fora do setor de criptomoedas, e o TAM também está se expandindo.