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

Perlu ditekankan bahwa awal mula dari bidang-bidang vertikal ini bukan hanya disebabkan oleh inovasi teknologi, tetapi juga merupakan hasil dari kombinasi sempurna antara model pendanaan dan siklus bull market. Ketika peluang bertemu dengan waktu yang tepat, maka dapat memicu perubahan yang besar. Melihat ke tahun 2025, jelas bahwa bidang baru dalam siklus 2025 adalah agen AI. Tren ini mencapai puncaknya pada bulan Oktober tahun lalu, pada 11 Oktober 2024 sebuah token diluncurkan, dan pada 15 Oktober mencapai nilai pasar sebesar 150 juta USD. Segera setelah itu pada 16 Oktober, sebuah protokol meluncurkan Luna, yang muncul pertama kali dengan citra si gadis tetangga melalui siaran langsung, meledakkan seluruh industri.

Jadi, apa sebenarnya itu AI Agent?

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

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

Misalnya, AGENT AI dapat digunakan untuk otomatisasi perdagangan, 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, tetapi dibagi menjadi kategori yang berbeda berdasarkan kebutuhan spesifik dalam ekosistem kripto:

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

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

3. Agen AI 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 menyelidiki asal-usul, keadaan saat ini, dan prospek aplikasi luas dari AI Agent, menganalisis bagaimana mereka mengubah lanskap industri, serta memproyeksikan tren perkembangan di masa depan.

1.1.1 Sejarah Pengembangan

Perkembangan AI AGENT menunjukkan evolusi AI dari penelitian dasar hingga aplikasi luas. Istilah "AI" pertama kali diperkenalkan pada konferensi Dartmouth tahun 1956, yang meletakkan dasar bagi AI sebagai bidang yang independen. Pada periode ini, penelitian AI terutama berfokus pada metode simbolis, melahirkan program-program AI pertama, seperti ELIZA(, sebuah chatbot) dan Dendral(, sistem pakar di bidang kimia organik). Tahap ini juga menyaksikan usulan pertama tentang 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 banyak kesulitan 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 keadaan penelitian AI yang sedang berlangsung di Inggris. Laporan Lighthill secara mendasar menyatakan pesimisme yang mendalam terhadap penelitian AI setelah periode antusiasme awal, yang menyebabkan kehilangan kepercayaan besar di kalangan lembaga-lembaga akademis Inggris(, termasuk lembaga pendanaan). Setelah tahun 1973, pendanaan untuk penelitian AI berkurang secara drastis, dan bidang AI mengalami "musim dingin AI" yang 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 melihat kemajuan signifikan dalam pembelajaran mesin, jaringan saraf, dan pemrosesan bahasa alami, yang mendorong kemunculan aplikasi AI yang lebih kompleks. Pengenalan kendaraan otonom untuk pertama kalinya dan 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 memperbesar skala sistem AI dan berhasil mengintegrasikannya ke dalam aplikasi nyata 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 tonggak dalam kemampuan AI untuk memecahkan masalah kompleks. Kebangkitan jaringan saraf dan pembelajaran mendalam meletakkan dasar bagi perkembangan AI pada akhir 1990-an, menjadikan AI bagian yang tak terpisahkan dari lanskap teknologi, dan mulai mempengaruhi kehidupan sehari-hari.

Pada awal abad ini, kemajuan dalam kemampuan komputasi mendorong munculnya pembelajaran mendalam, dengan asisten virtual seperti Siri menunjukkan kegunaan AI di bidang aplikasi konsumen. Pada tahun 2010-an, agen pembelajaran penguatan dan model generatif seperti GPT-2 mencapai terobosan lebih lanjut, membawa AI percakapan ke tingkat baru. Dalam proses ini, munculnya model bahasa besar (Large Language Model,LLM) menjadi tonggak penting dalam perkembangan AI, terutama dengan rilis GPT-4, yang dianggap sebagai titik balik dalam bidang agen AI. Sejak suatu perusahaan merilis seri GPT, model pra-latih berskala 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 obrolan, layanan pelanggan virtual, dan secara bertahap berkembang 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 perilaku mereka dan beradaptasi dengan lingkungan yang dinamis. Misalnya, dalam suatu platform yang didorong oleh AI, agen AI dapat menyesuaikan strategi perilaku berdasarkan input 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 jelas merupakan titik balik yang signifikan dalam perjalanan ini. Seiring dengan perkembangan teknologi lebih lanjut, agen AI akan menjadi lebih cerdas, lebih terarah, dan lebih beragam. Model bahasa besar tidak hanya memberikan "jiwa" yang "cerdas" kepada agen AI, tetapi juga memberikan kemampuan kolaborasi lintas bidang. Di masa depan, platform proyek inovatif akan terus muncul, mendorong penerapan dan perkembangan teknologi agen AI, memimpin era baru pengalaman yang didorong oleh AI.

1.2 Prinsip Kerja

Perbedaan AIAGENT dengan robot tradisional terletak pada kemampuannya untuk 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 dalam ekonomi digital.

Inti dari AI AGENT terletak pada "kecerdasan"-nya------yaitu mensimulasikan perilaku cerdas manusia atau makhluk hidup lainnya melalui algoritma untuk mengotomatisasi penyelesaian masalah 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. Bagian ini memiliki fungsi yang mirip dengan indra manusia, menggunakan sensor, kamera, mikrofon, dan perangkat lainnya untuk menangkap data eksternal, termasuk mengekstrak fitur yang bermakna, mengenali objek, atau menentukan entitas yang relevan dalam lingkungan. Tugas inti dari 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 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 lainnya sebagai pengatur atau mesin penalaran, memahami tugas, menghasilkan solusi, dan berkoordinasi dengan model khusus yang digunakan untuk fungsi tertentu seperti pembuatan konten, pemrosesan visual, atau sistem rekomendasi.

Modul ini biasanya menggunakan teknologi berikut:

• Mesin aturan: Pengambilan keputusan sederhana berdasarkan aturan yang telah ditetapkan.
• Model pembelajaran mesin: termasuk pohon keputusan, jaringan saraf, dll., untuk pengenalan pola dan prediksi yang kompleks.
• Pembelajaran yang diperkuat: Membuat AI AGENT terus mengoptimalkan strategi keputusan melalui coba-coba, menyesuaikan diri dengan lingkungan yang berubah.

Proses inferensi biasanya terdiri dari 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 mengimplementasikan keputusan modul penalaran. Bagian ini berinteraksi dengan sistem atau perangkat eksternal untuk menyelesaikan tugas yang ditentukan. Ini mungkin melibatkan operasi fisik ( seperti tindakan robot ) atau operasi digital ( seperti pemrosesan data ). Modul eksekusi bergantung pada:

• Sistem kontrol robot: digunakan 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 kekuatan inti dari AI AGENT, yang memungkinkan agen menjadi lebih cerdas seiring waktu. Dengan perbaikan berkelanjutan melalui siklus umpan balik atau "roda data", data yang dihasilkan dalam interaksi dikembalikan ke dalam sistem untuk meningkatkan model. Kemampuan ini untuk beradaptasi secara bertahap dan menjadi lebih efektif seiring waktu memberikan alat yang kuat bagi perusahaan untuk meningkatkan pengambilan keputusan dan efisiensi operasional.

Modul pembelajaran biasanya ditingkatkan dengan 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 melalui data real-time untuk menjaga kinerja agen dalam lingkungan yang dinamis.

1.2.5 Umpan Balik dan Penyesuaian Waktu Nyata

AI AGENT mengoptimalkan kinerjanya melalui 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 pusat perhatian pasar, dengan potensi besarnya sebagai antarmuka konsumen dan pelaku ekonomi mandiri, membawa perubahan ke berbagai industri. Sama seperti potensi ruang blok L1 yang sulit diukur dalam 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 dolar AS pada tahun 2024 menjadi 47,1 miliar dolar AS pada tahun 2030, dengan tingkat pertumbuhan tahunan gabungan (CAGR) mencapai 44,8%. Pertumbuhan yang 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 kerja proxy sumber terbuka. Kegiatan pengembangan kerangka kerja seperti AutoGen, Phidata, dan LangGraph dari perusahaan tertentu semakin aktif, yang menunjukkan bahwa AI AGENT memiliki potensi pasar yang lebih besar di luar bidang kripto, dan TAM juga sedang