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

1. Latar Belakang

1.1 Pendahuluan: "Mitang 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 panas DeFi.
• Pada tahun 2021, banyak seri karya NFT yang muncul menandai kedatangan era barang koleksi digital.
• Pada tahun 2024, kinerja luar biasa dari suatu platform peluncuran memimpin tren memecoin dan platform peluncuran.

Perlu ditekankan bahwa peluncuran di bidang vertikal ini tidak hanya disebabkan oleh inovasi teknologi, melainkan juga merupakan hasil dari kombinasi sempurna antara model pendanaan dan siklus pasar bull. Ketika peluang bertemu dengan waktu yang tepat, hal itu dapat memicu perubahan besar. Melihat ke tahun 2025, jelas bahwa bidang baru dalam siklus 2025 akan menjadi agensi AI. Tren ini mencapai puncaknya pada bulan Oktober tahun lalu, ketika sebuah token diluncurkan pada 11 Oktober 2024 dan mencapai kapitalisasi pasar 150 juta dolar AS pada 15 Oktober. Segera setelah itu, pada 16 Oktober, sebuah protokol meluncurkan Luna, yang muncul pertama kali dengan citra si gadis tetangga dalam 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 tingkat tertentu, mereka adalah "penjaga kebijaksanaan" di bidang teknologi modern, membantu perusahaan dan individu menghadapi tugas kompleks melalui persepsi mandiri, analisis, dan eksekusi. Dari mobil otonom hingga layanan pelanggan cerdas, AI Agent telah menyusup ke berbagai industri, menjadi kekuatan kunci dalam meningkatkan efisiensi dan inovasi. Entitas cerdas otonom ini, seperti anggota tim tak terlihat, memiliki kemampuan menyeluruh mulai 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 melakukan perdagangan, terus-menerus mengoptimalkan kinerjanya dalam iterasi. AGENT AI bukanlah satu bentuk tunggal, melainkan dibagi menjadi berbagai kategori berdasarkan kebutuhan spesifik dalam ekosistem kripto:

1. Agen AI Eksekusi: Fokus pada menyelesaikan 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, keadaan saat ini, dan prospek aplikasi yang luas dari AI Agent, menganalisis bagaimana mereka membentuk kembali lanskap industri, dan melihat tren perkembangan masa depannya.

1.1.1 Sejarah Pengembangan

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 simbolis, 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 terhambat 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 tentang keadaan penelitian AI yang sedang berlangsung di Inggris. Laporan Lighthill pada dasarnya mengungkapkan skeptisisme yang mendalam terhadap penelitian AI setelah periode antusiasme awal, yang menyebabkan kehilangan kepercayaan yang besar dari lembaga akademis di Inggris(, termasuk lembaga pendanaan) terhadap AI. Setelah tahun 1973, pendanaan penelitian AI berkurang drastis, dan bidang AI mengalami "musim dingin AI" pertama, dengan peningkatan skeptisisme terhadap potensi AI.

Pada tahun 1980-an, perkembangan dan komersialisasi sistem pakar mendorong perusahaan-perusahaan di seluruh dunia untuk mulai mengadopsi teknologi AI. Periode ini melihat kemajuan signifikan dalam pembelajaran mesin, jaringan saraf, dan pemrosesan bahasa alami, yang mendorong munculnya aplikasi AI yang lebih kompleks. Pengenalan kendaraan otonom untuk pertama kalinya dan penerapan AI di berbagai industri 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 cara memperluas skala sistem AI dan mengintegrasikannya dengan sukses ke dalam aplikasi praktis tetap 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 memecahkan masalah yang kompleks. Kebangkitan jaringan saraf dan pembelajaran mendalam meletakkan dasar bagi perkembangan AI di akhir 1990-an, menjadikannya 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 kepraktisan AI di bidang aplikasi konsumen. Pada tahun 2010-an, agen pembelajaran penguatan dan model generatif seperti GPT-2 mencapai terobosan lebih lanjut, mengangkat AI percakapan ke tingkat baru. Dalam proses ini, munculnya model bahasa besar (Large Language Model, LLM) menjadi tonggak penting dalam perkembangan AI, terutama peluncuran GPT-4, yang dianggap sebagai titik balik di bidang agen AI. Sejak suatu perusahaan merilis seri GPT, model pra-latih skala besar dengan ratusan miliar bahkan ribuan miliar parameter telah menunjukkan kemampuan generasi dan pemahaman bahasa yang melampaui model tradisional. Kinerja mereka yang luar biasa dalam pemrosesan bahasa alami memungkinkan agen AI untuk menunjukkan kemampuan interaksi yang logis dan terstruktur melalui generasi bahasa. Ini memungkinkan agen AI digunakan dalam skenario seperti asisten obrolan, layanan pelanggan virtual, dan secara bertahap berkembang 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 teknik Pembelajaran Penguatan (Reinforcement Learning), agen AI dapat terus mengoptimalkan perilakunya dan beradaptasi dengan lingkungan yang dinamis. Misalnya, di suatu platform yang didorong oleh AI, agen AI dapat menyesuaikan strategi perilakunya berdasarkan masukan pemain, benar-benar mewujudkan interaksi yang dinamis.

Sejarah perkembangan 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, tanpa diragukan lagi, adalah titik balik yang signifikan dalam perjalanan ini. Dengan perkembangan teknologi lebih lanjut, agen AI akan semakin cerdas, terarah, dan beragam. Model bahasa besar tidak hanya memberikan "kecerdasan" pada jiwa agen AI, tetapi juga memberikannya kemampuan untuk berkolaborasi lintas bidang. Di masa depan, platform proyek inovatif akan terus muncul, terus mendorong penerapan dan perkembangan teknologi agen AI, memimpin era baru pengalaman yang didorong oleh AI.

1.2 Prinsip Kerja

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

Inti dari AI AGENT adalah "kecerdasan"------yaitu mensimulasikan perilaku cerdas manusia atau makhluk hidup lainnya melalui algoritma, untuk secara otomatis menyelesaikan 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. Fungsi bagian ini mirip dengan indera manusia, menggunakan sensor, kamera, mikrofon, dan perangkat lainnya untuk menangkap data eksternal, termasuk mengekstrak fitur yang bermakna, mengenali objek, atau menentukan entitas terkait di 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 menyadari lingkungan, AI AGENT perlu membuat keputusan berdasarkan data. Modul penalaran dan pengambilan keputusan adalah "otak" dari seluruh sistem, yang melakukan penalaran logis dan merumuskan strategi berdasarkan informasi yang dikumpulkan. Dengan menggunakan model bahasa besar dan lain-lain yang berfungsi 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: membuat 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, beradaptasi dengan lingkungan yang berubah.

Proses penalaran biasanya terdiri dari beberapa langkah: pertama adalah evaluasi lingkungan, kedua adalah menghitung beberapa rencana tindakan yang mungkin 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 penalaran. Bagian ini berinteraksi dengan sistem eksternal atau perangkat untuk menyelesaikan tugas yang ditentukan. Ini dapat 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) 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 dari interaksi dimasukkan kembali 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 berikut:

• Pembelajaran terawasi: menggunakan data berlabel untuk melatih model, sehingga AI AGENT dapat menyelesaikan tugas dengan lebih akurat.
• Pembelajaran tanpa pengawasan: menemukan pola yang mendasari dari data yang tidak terlabel, membantu agen beradaptasi dengan lingkungan baru.
• Pembelajaran Berkelanjutan: Memperbarui model dengan data waktu nyata untuk 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 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, berkat potensi besarnya 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 pada 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 pesat ini mencerminkan penetrasi AI Agent di berbagai industri, serta permintaan pasar yang dihasilkan dari inovasi teknologi.

Perusahaan besar juga meningkatkan investasi mereka dalam kerangka kerja proxy sumber terbuka. Kegiatan 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 kripto, dan TAM juga sedang berkembang.