Decodificando o Agente AI: 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 criptomoedas traz novas infraestruturas que impulsionam o desenvolvimento de toda a indústria.

• Em 2017, o surgimento dos contratos inteligentes impulsionou o desenvolvimento florescente das ICOs.
• Em 2020, as pools de liquidez DEX trouxeram a onda de calor do verão DeFi.
• Em 2021, o surgimento de uma grande quantidade de séries de obras NFT marcou a chegada da era dos colecionáveis digitais.
• Em 2024, o desempenho excecional de uma plataforma de lançamento liderou a onda de memecoins e plataformas de lançamento.

É importante destacar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas também 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 evidente que os novos setores emergentes do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu seu pico em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024 e alcançou um valor de mercado de 150 milhões de dólares em 15 de outubro. Em seguida, em 16 de outubro, um determinado protocolo lançou o Luna, apresentando pela primeira vez a imagem de uma garota da vizinhança em uma transmissão ao vivo, incendiando toda a indústria.

Então, afinal, o que é um Agente de IA?

Todos estão familiarizados com o clássico filme "Resident Evil", onde 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, analisar dados e agir rapidamente de forma autônoma.

Na verdade, o AI Agent e o Rei de Copas têm muitas semelhanças nas suas funções principais. Na realidade, os AI Agents desempenham um papel semelhante até certo ponto, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autónomos até atendimento ao cliente inteligente, os AI Agents têm penetrado em diversos setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Estes agentes inteligentes autônomos, como membros invisíveis de uma equipe, possuem a capacidade abrangente que vai desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em várias indústrias e promovendo um aumento duplo na eficiência e na inovação.

Por exemplo, um AGENTE de IA pode ser usado para automatizar negociações, gerenciando portfólios em tempo real e executando transações com base nos dados coletados de uma plataforma de dados ou de redes sociais, otimizando continuamente seu desempenho em iterações. O AGENTE de IA não é uma única forma, mas é dividido em diferentes categorias de acordo com as necessidades específicas do ecossistema de criptomoedas:

1. Agente de IA Executiva: Focado na realização de tarefas específicas, como negociação, gestão de portfólio ou arbitragem, com o objetivo de 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 AI Social: como um líder de opinião nas redes sociais, interage com os usuários, constrói comunidades e participa de atividades de marketing.

4. Agente de IA de Coordenação: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multi-chain.

Neste relatório, iremos explorar profundamente as origens, o estado atual e as amplas perspectivas de aplicação do Agente de IA, analisando como eles estão a remodelar o panorama da indústria e perspetivando as futuras tendências de desenvolvimento.

1.1.1 História do desenvolvimento

A evolução do AGENTE DE IA mostra a transformação da IA desde a pesquisa básica até a aplicação ampla. Na conferência de Dartmouth de 1956, o termo "IA" foi introduzido pela primeira vez, lançando as bases para a IA como um campo independente. Durante este período, a pesquisa em IA concentrou-se principalmente em métodos simbólicos, resultando nos primeiros programas de IA, como ELIZA(, um chatbot), e Dendral(, um sistema especialista no campo da 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 para imitar 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 essencialmente um pessimismo abrangente sobre a pesquisa em IA após o entusiasmo inicial, levando a uma enorme perda de confiança por parte das instituições acadêmicas( no 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", com um aumento no 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 progressos significativos em aprendizado de máquina, redes neurais e processamento de linguagem natural, impulsionando o surgimento de aplicações de IA mais complexas. A introdução de veículos autônomos pela primeira vez, bem como a implementação de IA em setores como finanças e saúde, também marcaram a expansão da tecnologia de IA. No entanto, do 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. Ao mesmo tempo, em 1997, o computador Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, um marco na capacidade da IA de resolver problemas complexos. O renascimento das redes neurais e do aprendizado profundo lançou 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.

No início deste século, os avanços na capacidade de computação impulsionaram a ascensão do aprendizado profundo, com assistentes virtuais como a Siri demonstrando a aplicabilidade 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, elevando a IA conversacional a novas alturas. Nesse processo, a emergência do modelo de linguagem grande (Large Language Model, LLM) tornou-se um marco importante no desenvolvimento da IA, especialmente com o lançamento do GPT-4, que foi visto como um ponto de virada no campo dos agentes de IA. Desde que a OpenAI lançou a série GPT, modelos pré-treinados em larga escala, com centenas de bilhões ou até trilhões de parâmetros, demonstraram habilidades de geração e compreensão de linguagem que superam os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permitiu que os agentes de IA exibissem uma capacidade de interação clara e organizada por meio da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em cenários como assistentes de bate-papo, atendimento ao cliente virtual, e a expansão progressiva para tarefas mais complexas ( como análise comercial e redação criativa ).

A capacidade de aprendizado dos grandes modelos de linguagem proporciona maior autonomia aos agentes de IA. Através da técnica de aprendizado por reforço (Reinforcement Learning), os agentes de IA podem continuamente otimizar seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em algumas plataformas impulsionadas 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 dos primeiros dias até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que constantemente ultrapassa as fronteiras tecnológicas. A chegada do GPT-4 é, sem dúvida, um ponto de virada significativo nesse percurso. Com o avanço contínuo da tecnologia, os agentes de IA serão cada vez mais inteligentes, situacionais e diversificados. Os grandes modelos de linguagem não apenas injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes forneceram a capacidade de colaborar em diferentes domínios. 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 robôs tradicionais é que eles podem aprender e se adaptar com o tempo, tomando decisões detalhadas para alcançar objetivos. Podem ser vistos como participantes tecnicamente avançados e em constante desenvolvimento no campo das criptomoedas, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE DE IA está na sua "inteligência" ------ ou seja, simular o comportamento inteligente humano ou de outros seres vivos através de algoritmos, para resolver problemas complexos de forma automatizada. 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 do ambiente. Esta parte da funcionalidade 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 tecnologias:

• Visão computacional: usada para processar e entender dados de imagens e vídeos.
• Processamento de Linguagem Natural(NLP): ajudar o AGENTE de IA a entender e gerar a linguagem humana.
• Fusão de sensores: integrar os dados de vários 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, realizando raciocínios lógicos e formulando estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem como orquestradores ou motores de raciocínio, compreende tarefas, gera soluções e coordena modelos especializados para funções específicas, como criação de conteúdo, processamento visual ou sistemas de recomendação.

Este módulo normalmente utiliza as seguintes tecnologias:

• Motor de regras: tomada de decisões simples com base em regras predefinidas.
• Modelos de aprendizagem automática: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsões.
• Aprendizagem reforçada: permite que o AGENTE de IA otimize continuamente as estratégias de decisão através da tentativa e erro, adaptando-se a ambientes em mudança.

O processo de raciocínio geralmente envolve várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, calcular várias opções de ação com base no objetivo; e, finalmente, escolher a melhor opção para executar.

1.2.3 Módulo de Execução

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

• Sistema de controle de robô: para operações físicas, como o movimento de braços robóticos.
• Chamadas 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 aprendizagem é a principal vantagem competitiva do AGENTE de IA, pois permite que o agente se torne mais inteligente ao longo do tempo. Através de um ciclo de feedback ou "flywheel de dados" de melhoria contínua, 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 fornece 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: utilização de dados rotulados para treinar modelos, permitindo que o AGENTE de IA realize tarefas com maior precisão.
• Aprendizagem não supervisionada: descobrir padrões subjacentes a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizagem contínua: atualizar o modelo com dados em tempo real para manter o desempenho do agente em ambientes dinâmicos.

1.2.5 Feedback e Ajuste em Tempo Real

O AGENTE DE IA otimiza o seu desempenho através de um ciclo de feedback contínuo. O resultado de cada ação é registado e utilizado para ajustar decisões futuras. Este sistema de circuito 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 centro das atenções no mercado, trazendo transformações para vários setores devido ao seu enorme potencial como interface de consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos era incalculável, o AGENTE DE IA também demonstra perspectivas semelhantes nesta rodada.

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

As empresas grandes estão investindo significativamente em frameworks de proxy de código aberto. As atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph de uma determinada empresa estão se tornando cada vez mais ativas, o que indica que os AGENTES de IA têm um potencial de mercado maior fora do campo das criptomoedas, e o TAM também está