Agente de IA: La fuerza inteligente que da forma a la nueva ecología económica del futuro

1. Resumen del contexto

1.1 Introducción: "Nuevos socios" en la era inteligente

Cada ciclo de criptomonedas trae una nueva infraestructura que impulsa el desarrollo de toda la industria.

• En 2017, el auge de los contratos inteligentes dio lugar al florecimiento de las ICO.
• En 2020, las piscinas de liquidez de DEX trajeron la ola de verano de DeFi.
• En 2021, la aparición de una gran cantidad de series de obras NFT marcó el inicio de la era de los coleccionables digitales.
• En 2024, el destacado rendimiento de una plataforma de lanzamiento lideró la ola de memecoins y plataformas de lanzamiento.

Es importante destacar que el inicio de estos sectores verticales no se debe únicamente a la innovación tecnológica, sino que es el resultado de una perfecta combinación entre los modelos de financiación y los ciclos de mercado alcista. Cuando la oportunidad se encuentra con el momento adecuado, puede dar lugar a enormes transformaciones. Mirando hacia 2025, es evidente que el nuevo sector emergente del ciclo de 2025 será el de los agentes 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. Justo al día siguiente, el 16 de octubre, un protocolo lanzó Luna, apareciendo por primera vez con la imagen de una chica de la vecindad en un livestream, lo que desencadenó una explosión en toda la industria.

Entonces, ¿qué es un agente de IA?

Todos están familiarizados con la película clásica "Resident Evil", y el sistema de IA Reina Roja es particularmente impresionante. La Reina Roja es un poderoso sistema de IA que controla instalaciones complejas y sistemas de seguridad, capaz de percibir el entorno, analizar datos y actuar rápidamente por sí misma.

De hecho, el AI Agent y las funciones centrales de la Reina de Corazones tienen muchas similitudes. En la realidad, el AI Agent desempeña un papel similar en cierta medida, siendo los "guardianes inteligentes" del campo de la tecnología moderna, ayudando a empresas y particulares a enfrentar tareas complejas a través de la percepción autónoma, el análisis y la ejecución. Desde automóviles autónomos hasta atención al cliente inteligente, el AI Agent se ha infiltrado 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 desde la percepción del entorno hasta la ejecución de decisiones, infiltrándose gradualmente en diversas industrias y promoviendo un doble aumento en la eficiencia y la innovación.

Por ejemplo, un AGENTE de IA puede utilizarse para la negociación automatizada, gestionando en tiempo real una cartera de inversiones y ejecutando operaciones, basándose en datos recopilados de una plataforma de datos o red social, optimizando continuamente su rendimiento en cada iteración. El AGENTE de IA no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema criptográfico:

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

2. Agente 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, interactuar con los usuarios, construir comunidades y participar en actividades de marketing.

4. Agente de IA de coordinación: Coordina interacciones complejas entre sistemas o participantes, especialmente adecuado para la integración de múltiples cadenas.

En este informe, profundizaremos en los orígenes, el estado actual y las amplias perspectivas de aplicación de los Agentes de IA, analizaremos cómo están remodelando el panorama industrial y anticiparemos las tendencias de desarrollo futuro.

1.1.1 Historia del desarrollo

La evolución del desarrollo de los AGENTES DE IA muestra la transformación de la IA desde la investigación básica hasta la aplicación generalizada. En la conferencia de Dartmouth de 1956, se propuso por primera vez el término "IA", que sentó 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 fue testigo de la primera propuesta de redes neuronales y de la exploración inicial del concepto de aprendizaje automático. Sin embargo, la investigación en IA de este período estuvo severamente limitada por las capacidades computacionales de la época. Los investigadores encontraron enormes dificultades en el desarrollo de algoritmos para el procesamiento del lenguaje natural y la imitación de funciones cognitivas humanas. Además, en 1972, el matemático James Lighthill presentó un informe sobre el estado de la investigación en IA que se estaba llevando a cabo en el Reino Unido, publicado en 1973. El informe de Lighthill expresaba en gran medida un pesimismo general sobre la investigación en IA tras el entusiasmo inicial, lo que provocó una gran pérdida de confianza en IA por parte de las instituciones académicas(, incluidos los organismos financiadores). Después de 1973, la financiación de 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 que las empresas de todo el mundo comenzaran a adoptar tecnologías de IA. Este período vio avances significativos en el aprendizaje automático, las redes neuronales y el procesamiento del 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 diversas industrias 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 de hardware de IA especializado en el mercado, el campo de la IA experimentó un segundo "invierno de la IA". Además, cómo escalar los sistemas de IA y lograr su integración exitosa en aplicaciones reales 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 de 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 aprendizaje reforzado y modelos generativos como GPT-2 lograron avances adicionales, llevando la IA conversacional a nuevas alturas. En este proceso, la aparición de modelos de lenguaje a gran escala (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 cierta empresa lanzó la serie GPT, los modelos de preentrenamiento a gran escala, con decenas de miles de millones e incluso cientos de miles de millones de parámetros, han mostrado capacidades de generación y comprensión del lenguaje que superan a los modelos tradicionales. Su rendimiento excepcional en el procesamiento del lenguaje natural ha permitido que los agentes de IA muestren habilidades de interacción lógicas y bien estructuradas a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y atención al cliente virtual, y se expanda gradualmente a tareas más complejas ( como análisis comercial y redacción 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 una plataforma impulsada por IA, el agente de IA puede ajustar su estrategia de comportamiento según las entradas de los jugadores, logrando una interacción dinámica real.

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 constantemente rompe las fronteras tecnológicas. La aparición de GPT-4 es, sin duda, un punto de inflexión importante en este proceso. Con el avance continuo de la tecnología, los agentes de IA serán cada vez más inteligentes, contextualizados y diversificados. Los modelos de lenguaje grandes no solo inyectan el "alma" de la "sabiduría" en los agentes de IA, sino que también les brindan la capacidad de colaboración interdisciplinaria. En el futuro, surgirán continuamente plataformas de proyectos innovadores que seguirán impulsando la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era de experiencias impulsadas por IA.

1.2 Principio de funcionamiento

La diferencia entre AIAGENT y los robots tradicionales es que pueden aprender y adaptarse con el tiempo, tomando decisiones detalladas para alcanzar sus objetivos. Se pueden considerar como participantes técnicamente avanzados y en constante evolución en el campo de las criptomonedas, capaces de actuar de manera independiente en la economía digital.

El núcleo del AGENTE AI 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 del AGENTE AI generalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje, 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 dispositivos como sensores, cámaras y micrófonos 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 generalmente implica las siguientes técnicas:

• Visión por computadora: utilizada para procesar y comprender datos de imágenes y videos.
• Procesamiento de lenguaje natural ( NLP ): ayuda a la IA AGENTE 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 AI necesita tomar decisiones basadas en los datos. El módulo de inferencia y toma de decisiones es el "cerebro" de todo el sistema, que realiza inferencias lógicas y formula estrategias a partir de la información recopilada. Utiliza modelos de lenguaje grande, entre otros, para actuar como orquestador o motor de inferencia, entendiendo tareas, generando soluciones y coordinando 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 preestablecidas.
• Modelos de aprendizaje automático: incluyen árboles de decisión, redes neuronales, etc., utilizados para el reconocimiento y predicción de patrones complejos.
• Aprendizaje por refuerzo: permite que el AGENTE de IA optimice continuamente su estrategia de decisión a través de prueba y error, adaptándose a un entorno cambiante.

El proceso de razonamiento generalmente incluye varios pasos: primero, la evaluación del entorno; segundo, el cálculo de múltiples opciones de acción en función del objetivo; y finalmente, la selección y ejecución de la opción óptima.

1.2.3 Módulo de Ejecución

El módulo de ejecución es las "manos y pies" del AGENTE AI, 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 el movimiento 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 la API: interacción con sistemas de software externos, como consultas a bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en el entorno empresarial, mediante RPA(, la automatización de procesos robóticos) ejecuta tareas repetitivas.

1.2.4 Módulo de Aprendizaje

El módulo de aprendizaje es la competencia central de AI AGENT, permite que el agente se vuelva más inteligente con el tiempo. A través de un ciclo de retroalimentación o "rueda de datos" de mejora continua, los datos generados en las interacciones se retroalimentan al sistema para mejorar el modelo. Esta capacidad de adaptarse y volverse más eficaz con el tiempo ofrece 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 el modelo, lo que permite que el AGENTE de IA complete las tareas con mayor precisión.
• Aprendizaje no supervisado: descubrir patrones subyacentes a partir de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
• Aprendizaje continuo: actualiza el modelo con datos en tiempo real para mantener el rendimiento del agente en un entorno dinámico.

1.2.5 Retroalimentación y ajuste en tiempo real

El AGENTE DE IA optimiza su rendimiento a través de un ciclo de retroalimentación constante. Los resultados de cada acción se registran y se utilizan para ajustar las decisiones futuras. Este sistema de retroalimentación cerrada garantiza 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 foco del mercado, gracias a su enorme potencial como interfaz de consumidor y agente económico autónomo, trayendo cambios a múltiples industrias. Al igual que el potencial del espacio de bloque L1 fue difícil de medir en el último ciclo, 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 compuesta de crecimiento anual (CAGR) de hasta el 44.8%. Este rápido crecimiento refleja la penetración de los Agentes de IA en diversas industrias, así como la demanda del mercado impulsada por la innovación tecnológica.

Las grandes empresas también han incrementado 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 los AGENTES de IA tienen un mayor potencial de mercado fuera del ámbito de las criptomonedas, y el TAM también está en