AI Agent: Sức mạnh thông minh định hình hệ sinh thái kinh tế mới trong tương lai

1. Bối cảnh tổng quan

1.1 Giới thiệu: "Người bạn mới" trong kỷ nguyên thông minh

Mỗi chu kỳ tiền điện tử sẽ mang lại cơ sở hạ tầng hoàn toàn mới thúc đẩy sự phát triển của toàn ngành.

• Năm 2017, sự phát triển của hợp đồng thông minh đã thúc đẩy sự phát triển mạnh mẽ của ICO.
• Năm 2020, các bể thanh khoản của DEX đã mang lại cơn sốt mùa hè DeFi.
• Năm 2021, hàng loạt tác phẩm NFT ra đời đánh dấu sự xuất hiện của kỷ nguyên đồ sưu tập kỹ thuật số.
• Năm 2024, hiệu suất xuất sắc của một nền tảng phóng đã dẫn đầu xu hướng memecoin và nền tảng phóng.

Cần nhấn mạnh rằng, sự khởi đầu của các lĩnh vực dọc này không chỉ là do đổi mới công nghệ, mà còn là kết quả của sự kết hợp hoàn hảo giữa mô hình tài trợ và chu kỳ thị trường bò. Khi cơ hội gặp đúng thời điểm, nó có thể tạo ra những thay đổi lớn. Nhìn về năm 2025, rõ ràng rằng, lĩnh vực mới nổi trong chu kỳ năm 2025 sẽ là đại lý AI. Xu hướng này đã đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, một đồng tiền nào đó đã được ra mắt, và vào ngày 15 tháng 10 đã đạt giá trị thị trường 150 triệu USD. Ngay sau đó vào ngày 16 tháng 10, một giao thức nào đó đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh phát trực tiếp của một cô gái hàng xóm, đã làm bùng nổ toàn ngành.

Vậy, AI Agent thực sự là gì?

Mọi người chắc chắn không còn xa lạ với bộ phim kinh điển "Sinh Hóa Khủng Hoảng", trong đó hệ thống AI Nữ Hoàng Đỏ để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, kiểm soát các cơ sở và hệ thống an ninh phức tạp, có khả năng tự nhận biết môi trường, phân tích dữ liệu và nhanh chóng hành động.

Trên thực tế, AI Agent và các chức năng cốt lõi của Nữ hoàng trái tim có nhiều điểm tương đồng. AI Agent trong thế giới thực đóng vai trò tương tự ở một mức độ nào đó, chúng là "người bảo vệ trí tuệ" trong lĩnh vực công nghệ hiện đại, giúp các doanh nghiệp và cá nhân đối phó với các nhiệm vụ phức tạp thông qua khả năng tự nhận thức, phân tích và thực hiện. Từ xe tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành nghề, trở thành lực lượng then chốt trong việc nâng cao hiệu suất và đổi mới. Những thực thể thông minh tự chủ này, giống như các thành viên trong đội ngũ vô hình, có khả năng từ nhận thức môi trường đến thực hiện quyết định, dần dần thâm nhập vào các ngành khác nhau, thúc đẩy sự nâng cao kép về hiệu suất và đổi mới.

Ví dụ, một AGENT AI có thể được sử dụng để giao dịch tự động, dựa trên dữ liệu thu thập từ một nền tảng dữ liệu hoặc nền tảng xã hội, quản lý danh mục đầu tư theo thời gian thực và thực hiện giao dịch, liên tục tối ưu hóa hiệu suất của chính nó trong quá trình lặp lại. AGENT AI không phải là một hình thức duy nhất, mà được chia thành các loại khác nhau dựa trên các nhu cầu cụ thể trong hệ sinh thái tiền mã hóa:

1. AI Agent thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, như giao dịch, quản lý danh mục đầu tư hoặc chênh lệch giá, nhằm tăng cường độ chính xác của hoạt động và giảm thiểu thời gian cần thiết.

2. Tạo ra AI Agent: dùng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.

3. AI Agent xã hội: Làm người có ảnh hưởng trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia các hoạt động tiếp thị.

4. Đại lý AI phối hợp: Phối hợp các tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp với tích hợp đa chuỗi.

Trong báo cáo này, chúng tôi sẽ đi sâu vào nguồn gốc, tình trạng hiện tại và tiềm năng ứng dụng rộng rãi của AI Agent, phân tích cách chúng tái cấu trúc bối cảnh ngành và dự báo xu hướng phát triển trong tương lai.

1.1.1 Lịch sử phát triển

Quá trình phát triển của AI AGENT cho thấy sự chuyển mình của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, đánh dấu nền tảng cho AI như một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, dẫn đến những chương trình AI đầu tiên như ELIZA(, một chatbot) và Dendral(, hệ thống chuyên gia trong lĩnh vực hóa học hữu cơ). Giai đoạn này cũng chứng kiến sự xuất hiện lần đầu của mạng nơ-ron và sự khám phá ban đầu về khái niệm học máy. Tuy nhiên, nghiên cứu AI trong giai đoạn này bị hạn chế nghiêm trọng bởi khả năng tính toán lúc bấy giờ. Các nhà nghiên cứu gặp phải nhiều khó khăn trong việc phát triển các thuật toán xử lý ngôn ngữ tự nhiên và mô phỏng chức năng nhận thức của con người. Hơn nữa, vào năm 1972, nhà toán học James Lighthill đã trình bày một báo cáo được công bố vào năm 1973 về tình trạng nghiên cứu AI đang diễn ra tại Anh. Báo cáo Lighthill chủ yếu thể hiện sự bi quan toàn diện về nghiên cứu AI sau giai đoạn hưng phấn ban đầu, gây ra sự mất niềm tin lớn vào AI từ các cơ quan học thuật( ở Anh, bao gồm cả các cơ quan tài trợ). Sau năm 1973, ngân sách nghiên cứu AI đã giảm mạnh, lĩnh vực AI trải qua "mùa đông AI" đầu tiên, và cảm giác nghi ngờ về tiềm năng của AI gia tăng.

Vào thập niên 1980, sự phát triển và thương mại hóa của hệ thống chuyên gia đã khiến các doanh nghiệp toàn cầu bắt đầu áp dụng công nghệ AI. Thời kỳ này đã đạt được những tiến bộ đáng kể trong học máy, mạng nơ-ron và xử lý ngôn ngữ tự nhiên, thúc đẩy sự xuất hiện của các ứng dụng AI phức tạp hơn. Sự ra mắt của các phương tiện tự hành lần đầu tiên và việc triển khai AI trong các ngành như tài chính, y tế cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối thập niên 1980 đến đầu thập niên 1990, khi nhu cầu thị trường về phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, cách mở rộng quy mô hệ thống AI và tích hợp thành công chúng vào các ứng dụng thực tế vẫn là một thách thức kéo dài. Nhưng đồng thời, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đây là một sự kiện mang tính mốc trong khả năng giải quyết vấn đề phức tạp của AI. Sự phục hồi của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển của AI vào cuối thập niên 1990, khiến AI trở thành một phần không thể thiếu trong bối cảnh công nghệ và bắt đầu ảnh hưởng đến đời sống hàng ngày.

Đến đầu thế kỷ này, sự tiến bộ của khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, với các trợ lý ảo như Siri thể hiện tính thiết thực của AI trong lĩnh vực ứng dụng tiêu dùng. Trong những năm 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá hơn nữa, đưa AI đối thoại lên một tầm cao mới. Trong quá trình này, sự xuất hiện của (Large Language Model, LLM) đã trở thành một cột mốc quan trọng trong sự phát triển của AI, đặc biệt là sự ra mắt của GPT-4, được coi là một bước ngoặt trong lĩnh vực tác nhân AI. Kể từ khi một công ty phát hành dòng GPT, các mô hình huấn luyện trước quy mô lớn với hàng trăm tỷ thậm chí hàng ngàn tỷ tham số đã thể hiện khả năng tạo ra và hiểu ngôn ngữ vượt trội hơn các mô hình truyền thống. Thành tích xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các tác nhân AI thể hiện khả năng tương tác rõ ràng và mạch lạc thông qua việc tạo ra ngôn ngữ. Điều này cho phép các tác nhân AI được áp dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và dần dần mở rộng sang các nhiệm vụ phức tạp hơn ( như phân tích kinh doanh, viết sáng tạo ).

Khả năng học tập của các mô hình ngôn ngữ lớn cung cấp cho các tác nhân AI tính tự chủ cao hơn. Thông qua công nghệ học tăng cường (Reinforcement Learning), các tác nhân AI có thể liên tục tối ưu hóa hành vi của mình, thích nghi với môi trường động. Ví dụ, trong một nền tảng điều khiển bằng AI, các tác nhân AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được sự tương tác động.

Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện bởi GPT-4, lịch sử phát triển của các đại lý AI là một câu chuyện tiến hóa không ngừng vượt qua ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong quá trình này. Với sự phát triển công nghệ tiếp theo, các đại lý AI sẽ ngày càng thông minh hơn, theo tình huống hơn và đa dạng hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI, mà còn cung cấp khả năng hợp tác đa lĩnh vực. Trong tương lai, các nền tảng dự án sáng tạo sẽ liên tục xuất hiện, tiếp tục thúc đẩy việc triển khai và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm điều khiển bởi AI.

1.2 Nguyên lý hoạt động

Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích nghi theo thời gian, đưa ra những quyết định tinh tế để đạt được mục tiêu. Chúng có thể được coi là những người tham gia có kỹ thuật cao và đang phát triển không ngừng trong lĩnh vực tiền điện tử, có khả năng hành động độc lập trong nền kinh tế số.

Cốt lõi của AI AGENT là "thông minh"------tức là mô phỏng hành vi thông minh của con người hoặc sinh vật khác thông qua thuật toán, nhằm tự động hóa việc giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: cảm nhận, suy luận, hành động, học hỏi, điều chỉnh.

1.2.1 Mô-đun cảm nhận

AI AGENT tương tác với thế giới bên ngoài thông qua mô-đun cảm nhận, thu thập thông tin môi trường. Chức năng của phần này tương tự như cảm giác của con người, sử dụng cảm biến, camera, micrô và các thiết bị khác để thu thập dữ liệu bên ngoài, bao gồm việc trích xuất các đặc điểm có ý nghĩa, nhận diện đối tượng hoặc xác định các thực thể liên quan trong môi trường. Nhiệm vụ cốt lõi của mô-đun cảm nhận là chuyển đổi dữ liệu thô thành thông tin có ý nghĩa, điều này thường liên quan đến các công nghệ sau:

• Thị giác máy tính: được sử dụng để xử lý và hiểu dữ liệu hình ảnh và video.
• Xử lý ngôn ngữ tự nhiên ( NLP ): giúp AI AGENT hiểu và sinh ra ngôn ngữ của con người.
• Kết hợp cảm biến: Tích hợp dữ liệu từ nhiều cảm biến thành một cái nhìn thống nhất.

1.2.2 Mô-đun suy diễn và quyết định

Sau khi nhận thức được môi trường, AI AGENT cần đưa ra quyết định dựa trên dữ liệu. Mô-đun suy luận và quyết định là "bộ não" của toàn bộ hệ thống, nó thực hiện suy luận logic và xây dựng chiến lược dựa trên thông tin đã thu thập. Sử dụng các mô hình ngôn ngữ lớn như một bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên dụng cho các chức năng cụ thể như tạo nội dung, xử lý hình ảnh hoặc hệ thống gợi ý.

Mô-đun này thường sử dụng các công nghệ sau:

• Công cụ quy tắc: Thực hiện quyết định đơn giản dựa trên quy tắc đã thiết lập.
• Mô hình học máy: bao gồm cây quyết định, mạng nơ-ron, v.v., được sử dụng cho nhận diện và dự đoán mẫu phức tạp.
• Học tăng cường: cho AI AGENT liên tục tối ưu hóa chiến lược quyết định thông qua thử và sai, thích nghi với môi trường thay đổi.

Quá trình suy luận thường bao gồm một vài bước: đầu tiên là đánh giá môi trường, sau đó là tính toán ra nhiều phương án hành động có thể dựa trên mục tiêu, cuối cùng là chọn phương án tối ưu để thực hiện.

1.2.3 Thực hiện mô-đun

Mô-đun thực thi là "tay và chân" của AI AGENT, thực hiện các quyết định của mô-đun suy luận. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài, hoàn thành các nhiệm vụ được chỉ định. Điều này có thể bao gồm các thao tác vật lý ( như hành động của robot ) hoặc các thao tác số ( như xử lý dữ liệu ). Mô-đun thực thi phụ thuộc vào:

• Hệ thống điều khiển robot: được sử dụng cho các thao tác vật lý, chẳng hạn như chuyển động của cánh tay robot.
• Gọi API: tương tác với hệ thống phần mềm bên ngoài, chẳng hạn như truy vấn cơ sở dữ liệu hoặc truy cập dịch vụ mạng.
• Quản lý quy trình tự động: Trong môi trường doanh nghiệp, thông qua RPA( tự động hóa quy trình robot) thực hiện các nhiệm vụ lặp đi lặp lại.

1.2.4 Mô-đun học tập

Mô-đun học tập là thế mạnh cốt lõi của AI AGENT, nó giúp các đại lý trở nên thông minh hơn theo thời gian. Cải tiến liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu", phản hồi dữ liệu được tạo ra trong các tương tác vào hệ thống để tăng cường mô hình. Khả năng này, với sự thích nghi dần dần theo thời gian và trở nên hiệu quả hơn, cung cấp cho doanh nghiệp một công cụ mạnh mẽ để nâng cao việc ra quyết định và hiệu quả hoạt động.

Các mô-đun học thường được cải tiến thông qua các cách sau:

• Học có giám sát: Sử dụng dữ liệu được gán nhãn để huấn luyện mô hình, giúp AI AGENT hoàn thành nhiệm vụ một cách chính xác hơn.
• Học không giám sát: khám phá các mẫu tiềm năng từ dữ liệu chưa được gán nhãn, giúp tác nhân thích nghi với môi trường mới.
• Học tập liên tục: Cập nhật mô hình bằng dữ liệu thời gian thực, giữ cho đại lý hoạt động trong môi trường động.

1.2.5 Phản hồi và điều chỉnh theo thời gian thực

AI AGENT tối ưu hóa hiệu suất của mình thông qua vòng phản hồi liên tục. Kết quả của mỗi hành động sẽ được ghi lại và sử dụng để điều chỉnh các quyết định trong tương lai. Hệ thống khép kín này đảm bảo tính thích ứng và linh hoạt của AI AGENT.

1.3 Tình hình thị trường

1.3.1 Tình trạng ngành

AI AGENT đang trở thành tâm điểm của thị trường, nhờ vào tiềm năng to lớn của nó như một giao diện người tiêu dùng và là một tác nhân kinh tế độc lập, mang lại chuyển biến cho nhiều ngành. Cũng giống như tiềm năng không thể đo lường của không gian khối L1 trong chu kỳ trước, AI AGENT cũng thể hiện triển vọng tương tự trong chu kỳ này.

Theo báo cáo mới nhất của Markets and Markets, thị trường AI Agent dự kiến sẽ tăng từ 5,1 tỷ USD vào năm 2024 lên 47,1 tỷ USD vào năm 2030, với tỷ lệ tăng trưởng kép hàng năm (CAGR) lên tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành khác nhau, cũng như nhu cầu thị trường do đổi mới công nghệ mang lại.

Các công ty lớn đã tăng cường đầu tư vào các khung代理 mã nguồn mở. Các hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang ngày càng trở nên sôi động, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn bên ngoài lĩnh vực tiền điện tử, TAM cũng đang