Décoder l'AGENT AI : la force intelligente qui façonne la nouvelle écologie économique du futur

1. Contexte général

1.1 Introduction : le "nouveau partenaire" de l'ère intelligente

Chaque cycle de cryptomonnaie apporte de nouvelles infrastructures qui propulsent l'ensemble de l'industrie.

• En 2017, l'essor des contrats intelligents a entraîné le développement florissant des ICO.
• En 2020, les pools de liquidité des DEX ont déclenché la vague estivale de DeFi.
• En 2021, une multitude de séries d'œuvres NFT ont vu le jour, marquant l'avènement de l'ère des objets de collection numériques.
• En 2024, la performance exceptionnelle d'une certaine plateforme de lancement a conduit à une frénésie autour des memecoins et des plateformes de lancement.

Il est important de souligner que le démarrage de ces domaines verticaux n'est pas seulement dû à l'innovation technologique, mais aussi au résultat d'une combinaison parfaite entre les modes de financement et le cycle haussier. Lorsque l'opportunité rencontre le bon moment, cela peut engendrer des changements énormes. En regardant vers 2025, il est clair que le nouveau domaine émergent du cycle de 2025 sera les agents AI. Cette tendance a atteint son apogée en octobre de l'année dernière, avec le lancement d'un certain jeton le 11 octobre 2024, qui a atteint une capitalisation boursière de 150 millions de dollars le 15 octobre. Juste après, le 16 octobre, un certain protocole a lancé Luna, apparaissant pour la première fois sous la forme d'un livestream avec l'image d'une petite voisine, déclenchant une explosion dans toute l'industrie.

Alors, qu'est-ce qu'un agent IA ?

Tout le monde est certainement familier avec le film classique "Resident Evil", dont le système d'IA, la Reine Rouge, laisse une impression durable. La Reine Rouge est un puissant système d'IA qui contrôle des installations complexes et des systèmes de sécurité, capable de percevoir son environnement, d'analyser des données et d'agir rapidement.

En réalité, l'Agent IA présente de nombreuses similitudes avec les fonctions clés de la Reine de cœur. Dans la réalité, les Agents IA jouent un rôle similaire dans une certaine mesure, ils sont les "gardiens de la sagesse" du domaine technologique moderne, aidant les entreprises et les particuliers à faire face à des tâches complexes grâce à la perception autonome, à l'analyse et à l'exécution. Des voitures autonomes aux services clients intelligents, les Agents IA se sont intégrés dans divers secteurs, devenant une force clé pour améliorer l'efficacité et l'innovation. Ces agents intelligents autonomes, semblables à des membres d'équipe invisibles, possèdent des capacités complètes allant de la perception de l'environnement à l'exécution des décisions, s'infiltrant progressivement dans chaque secteur et促进ant une double amélioration de l'efficacité et de l'innovation.

Par exemple, un AGENT IA peut être utilisé pour le trading automatisé, gérant en temps réel un portefeuille et exécutant des transactions sur la base des données collectées à partir de plateformes de données ou de plateformes sociales, optimisant continuellement ses performances au cours des itérations. L'AGENT IA n'est pas une forme unique, mais se divise en différentes catégories en fonction des besoins spécifiques de l'écosystème cryptographique :

1. Agent IA exécutif : se concentre sur l'accomplissement de tâches spécifiques, telles que le trading, la gestion de portefeuille ou l'arbitrage, visant à améliorer la précision opérationnelle et à réduire le temps requis.

2. Agent IA créatif : utilisé pour la génération de contenu, y compris le texte, le design et même la création musicale.

3. Agent AI social : En tant que leader d'opinion sur les réseaux sociaux, interagir avec les utilisateurs, établir une communauté et participer à des activités de marketing.

4. Agent IA de coordination : coordonne des interactions complexes entre systèmes ou participants, particulièrement adapté à l'intégration multi-chaînes.

Dans ce rapport, nous allons explorer en profondeur les origines, l'état actuel et les vastes perspectives d'application des agents IA, analyser comment ils redéfinissent le paysage industriel et envisager les tendances de développement futur.

1.1.1 Histoire du développement

L'évolution des AGENTS IA montre la transformation de l'IA, passant de la recherche fondamentale à une application généralisée. Le terme "IA" a été proposé pour la première fois lors de la conférence de Dartmouth en 1956, posant les bases de l'IA en tant que domaine indépendant. À cette époque, la recherche en IA se concentrait principalement sur les méthodes symboliques, donnant naissance aux premiers programmes d'IA, tels qu'ELIZA (un chatbot) et Dendral (un système d'expert dans le domaine de la chimie organique). Cette phase a également vu la première apparition des réseaux de neurones et une exploration préliminaire du concept d'apprentissage automatique. Cependant, la recherche en IA de cette période a été gravement limitée par les capacités de calcul de l'époque. Les chercheurs ont rencontré d'énormes difficultés dans le développement d'algorithmes pour le traitement du langage naturel et l'imitation des fonctions cognitives humaines. De plus, en 1972, le mathématicien James Lighthill a soumis un rapport publié en 1973 sur l'état de la recherche en IA en cours au Royaume-Uni. Le rapport Lighthill exprimait essentiellement un pessimisme généralisé sur la recherche en IA après la période d'excitation initiale, suscitant une énorme perte de confiance de la part des institutions académiques britanniques (, y compris des agences de financement ). Après 1973, le financement de la recherche en IA a été considérablement réduit, et le domaine de l'IA a connu le premier "hiver de l'IA", avec une augmentation du scepticisme quant au potentiel de l'IA.

Dans les années 1980, le développement et la commercialisation des systèmes experts ont conduit les entreprises mondiales à adopter des technologies d'IA. Cette période a connu des avancées significatives dans l'apprentissage automatique, les réseaux de neurones et le traitement du langage naturel, favorisant l'émergence d'applications d'IA plus complexes. L'introduction des premiers véhicules autonomes et le déploiement de l'IA dans divers secteurs tels que la finance et la santé ont également marqué l'expansion des technologies d'IA. Cependant, à la fin des années 1980 et au début des années 1990, avec l'effondrement de la demande du marché pour du matériel d'IA spécialisé, le domaine de l'IA a connu un deuxième "hiver de l'IA". De plus, la manière d'élargir l'échelle des systèmes d'IA et de les intégrer avec succès dans des applications pratiques reste un défi continu. Mais en même temps, en 1997, l'ordinateur Deep Blue d'IBM a battu le champion du monde d'échecs Garry Kasparov, marquant un événement clé dans la capacité de l'IA à résoudre des problèmes complexes. La renaissance des réseaux de neurones et de l'apprentissage profond a jeté les bases du développement de l'IA à la fin des années 1990, faisant de l'IA une partie intégrante du paysage technologique et commençant à influencer la vie quotidienne.

Au début de ce siècle, les avancées en matière de puissance de calcul ont propulsé l'émergence de l'apprentissage profond, avec des assistants virtuels comme Siri montrant l'utilité de l'IA dans les applications grand public. Dans les années 2010, les agents de renforcement et des modèles génératifs comme GPT-2 ont réalisé des percées supplémentaires, propulsant l'IA conversationnelle vers de nouveaux sommets. Dans ce processus, l'apparition des grands modèles de langage (Large Language Model, LLM) est devenue un jalon important dans le développement de l'IA, notamment avec la sortie de GPT-4, qui est considérée comme un tournant dans le domaine des agents IA. Depuis qu'une société a publié la série GPT, les modèles pré-entraînés à grande échelle, avec des dizaines de milliards voire des centaines de milliards de paramètres, ont démontré des capacités de génération et de compréhension linguistique dépassant celles des modèles traditionnels. Leurs performances exceptionnelles en traitement du langage naturel ont permis aux agents IA de présenter des capacités d'interaction logiques et structurées à travers la génération de langage. Cela a permis aux agents IA d'être appliqués dans des scénarios tels que les assistants de chat et le service client virtuel, et de s'étendre progressivement vers des tâches plus complexes (comme l'analyse commerciale, l'écriture créative).

La capacité d'apprentissage des grands modèles de langage offre une plus grande autonomie aux agents AI. Grâce à la technologie de l'apprentissage par renforcement (Reinforcement Learning), les agents AI peuvent continuellement optimiser leur comportement et s'adapter à des environnements dynamiques. Par exemple, sur une certaine plateforme alimentée par l'IA, l'agent AI peut ajuster sa stratégie comportementale en fonction des entrées des joueurs, réalisant ainsi une interaction dynamique.

De l'ancien système de règles aux modèles de langage tels que le GPT-4, l'histoire du développement des agents IA est une histoire d'évolution qui repousse sans cesse les frontières technologiques. L'apparition du GPT-4 représente sans aucun doute un tournant majeur dans ce parcours. Avec le développement technologique supplémentaire, les agents IA deviendront plus intelligents, contextualisés et diversifiés. Les modèles de langage ne se contentent pas d'insuffler une "intelligence" à l'agent IA, mais leur fournissent également la capacité de collaboration interdisciplinaire. À l'avenir, des plateformes de projets innovants continueront à émerger, poursuivant ainsi la mise en œuvre et le développement de la technologie des agents IA, ouvrant la voie à une nouvelle ère d'expériences pilotées par l'IA.

1.2 Principe de fonctionnement

La différence entre AIAGENT et les robots traditionnels réside dans leur capacité à apprendre et à s'adapter au fil du temps, prenant des décisions détaillées pour atteindre leurs objectifs. On peut les considérer comme des participants techniquement avancés et en constante évolution dans le domaine de la cryptographie, capables d'agir de manière autonome dans l'économie numérique.

Le cœur de l'AGENT IA réside dans son "intelligence" ------ c'est-à-dire simuler par des algorithmes le comportement intelligent des humains ou d'autres êtres vivants afin de résoudre automatiquement des problèmes complexes. Le flux de travail de l'AGENT IA suit généralement les étapes suivantes : perception, raisonnement, action, apprentissage, ajustement.

1.2.1 Module de perception

L'AGENT IA interagit avec le monde extérieur via un module de perception, collectant des informations environnementales. Cette partie des fonctionnalités est similaire aux sens humains, utilisant des capteurs, des caméras, des microphones et d'autres dispositifs pour capturer des données externes, ce qui inclut l'extraction de caractéristiques significatives, la reconnaissance d'objets ou la détermination des entités pertinentes dans l'environnement. La tâche principale du module de perception est de transformer les données brutes en informations significatives, ce qui implique généralement les techniques suivantes :

• Vision par ordinateur : utilisée pour traiter et comprendre les données d'images et de vidéos.
• Traitement du langage naturel (NLP) : aide l'AGENT IA à comprendre et à générer le langage humain.
• Fusion de capteurs : intégrer les données provenant de plusieurs capteurs en une vue unifiée.

1.2.2 Module de raisonnement et de décision

Après avoir perçu l'environnement, l'AI AGENT doit prendre des décisions basées sur les données. Le module de raisonnement et de prise de décision est le "cerveau" de l'ensemble du système, il effectue un raisonnement logique et élabore des stratégies en se basant sur les informations collectées. En utilisant des modèles de langage de grande taille pour jouer le rôle d'orchestrateur ou de moteur de raisonnement, il comprend les tâches, génère des solutions et coordonne des modèles spécialisés pour des fonctions spécifiques telles que la création de contenu, le traitement visuel ou les systèmes de recommandation.

Ce module utilise généralement les technologies suivantes :

• Moteur de règles : prise de décision simple basée sur des règles prédéfinies.
• Modèles d'apprentissage automatique : y compris les arbres de décision, les réseaux neuronaux, etc., utilisés pour la reconnaissance de motifs complexes et la prédiction.
• Apprentissage par renforcement : permettre à l'AGENT IA d'optimiser constamment sa stratégie de décision par essais et erreurs, et de s'adapter à un environnement changeant.

Le processus de raisonnement comprend généralement plusieurs étapes : d'abord, l'évaluation de l'environnement, ensuite, le calcul de plusieurs options d'action possibles en fonction de l'objectif, et enfin, le choix de la meilleure option à exécuter.

1.2.3 Exécution du module

Le module d'exécution est la "main et le pied" de l'AGENT IA, mettant en œuvre les décisions du module de raisonnement. Cette partie interagit avec des systèmes ou dispositifs externes pour accomplir des tâches spécifiques. Cela peut impliquer des opérations physiques (comme les mouvements de robots) ou des opérations numériques (comme le traitement des données). Le module d'exécution dépend de :

• Système de contrôle robotique : utilisé pour des opérations physiques, comme le mouvement d'un bras robotique.
• Appel API : interaction avec des systèmes logiciels externes, tels que des requêtes de base de données ou l'accès à des services web.
• Gestion des flux de travail automatisée : dans un environnement d'entreprise, exécuter des tâches répétitives grâce à l'RPA (Automatisation des Processus Robotisés).

1.2.4 Module d'apprentissage

Le module d'apprentissage est le principal avantage concurrentiel de l'AGENT IA, il permet à l'agent de devenir plus intelligent au fil du temps. Grâce à un cycle de rétroaction ou à un "flywheel de données" qui améliore continuellement, les données générées lors des interactions sont renvoyées dans le système pour renforcer le modèle. Cette capacité à s'adapter progressivement et à devenir plus efficace avec le temps offre aux entreprises un puissant outil pour améliorer la prise de décision et l'efficacité opérationnelle.

Les modules d'apprentissage sont généralement améliorés de la manière suivante :

• Apprentissage supervisé : utiliser des données étiquetées pour former le modèle, afin que l'AGENT IA puisse accomplir les tâches avec plus de précision.
• Apprentissage non supervisé : découvrir des modèles sous-jacents à partir de données non étiquetées, aidant les agents à s'adapter à de nouveaux environnements.
• Apprentissage continu : Mettre à jour le modèle avec des données en temps réel pour maintenir la performance de l'agent dans un environnement dynamique.

1.2.5 Retours en temps réel et ajustements

L'AGENT IA optimise ses performances à travers un cycle de rétroaction continu. Les résultats de chaque action sont enregistrés et utilisés pour ajuster les décisions futures. Ce système en boucle fermée garantit l'adaptabilité et la flexibilité de l'AGENT IA.

1.3 État du marché

1.3.1 État de l'industrie

L'AGENT IA devient le point focal du marché, apportant des transformations à plusieurs secteurs grâce à son énorme potentiel en tant qu'interface consommateur et acteur économique autonome. Tout comme le potentiel de l'espace de blocs L1 était difficile à évaluer lors du dernier cycle, l'AGENT IA montre également des perspectives similaires dans ce cycle.

Selon le dernier rapport de Markets and Markets, le marché des agents IA devrait passer de 5,1 milliards de dollars en 2024 à 47,1 milliards de dollars en 2030, avec un taux de croissance annuel composé (CAGR) atteignant 44,8 %. Cette croissance rapide reflète l'ampleur de l'infiltration des agents IA dans divers secteurs, ainsi que la demande du marché générée par l'innovation technologique.

Les grandes entreprises investissent également de plus en plus dans les frameworks de proxy open source. Les activités de développement de frameworks tels qu'AutoGen, Phidata et LangGraph de Microsoft deviennent de plus en plus actives, ce qui indique que l'AGENT IA a un potentiel de marché plus important en dehors du domaine de la cryptographie, TA