Descodificação do AGENT AI: a força inteligente que molda a nova ecologia da economia futura

1. Contexto Geral

1.1 Introdução: os "novos parceiros" da era inteligente

Cada ciclo de criptomoeda traz uma nova infraestrutura que impulsiona o desenvolvimento de toda a indústria.

• Em 2017, o surgimento dos contratos inteligentes levou ao florescimento das ICOs.
• Em 2020, as pools de liquidez DEX trouxeram a onda de verão do 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 excelente desempenho de uma plataforma de lançamento liderou a onda de memecoins e plataformas de lançamento.

É importante enfatizar que o surgimento desses setores verticais não se deve apenas à inovação tecnológica, mas também é o resultado da combinação perfeita entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, grandes transformações podem surgir. Olhando para 2025, é claro que o novo setor emergente do ciclo de 2025 será o agente de IA. Essa tendência alcançou o auge em outubro do ano passado, quando um certo token foi lançado em 11 de outubro de 2024, alcançando um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, um certo protocolo lançou a Luna, fazendo sua estreia com a imagem de uma garota vizinha em um streaming ao vivo, incendiando toda a indústria.

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

Todos devem estar familiarizados com o clássico filme "Resident Evil", onde o sistema de IA Rainha Vermelha deixa uma forte impressão. A Rainha Vermelha é um poderoso sistema de IA que controla instalações complexas e sistemas de segurança, capaz de perceber o ambiente, analisar dados e agir rapidamente.

Na verdade, o AI Agent tem muitas semelhanças com as funções centrais da Rainha de Copas. O AI Agent no mundo real desempenha, de certa forma, um papel semelhante; eles são 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 autônomos até atendimento ao cliente inteligente, os AI Agents estão profundamente integrados em diversos setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem uma capacidade abrangente que vai desde a percepção ambiental até a execução de decisões, penetrando gradualmente em várias indústrias e promovendo um aumento duplo na eficiência e na inovação.

Por exemplo, um AGENTE de IA pode ser utilizado para negociação automatizada, com base em dados coletados de uma plataforma ou rede social, gerindo em tempo real o portfólio e executando transações, otimizando continuamente o seu desempenho em iterações. O AGENTE de IA não é uma forma única, mas é dividido em diferentes categorias de acordo com as necessidades específicas do ecossistema de criptomoedas:

1. Agente de IA Executiva: Focado em completar 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 de IA social: como líder de opinião nas redes sociais, interage com os usuários, constrói comunidades e participa em atividades de marketing.

4. Agente de IA de Coordenação: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração de múltiplas cadeias.

Neste relatório, iremos explorar em profundidade a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como eles estão a remodelar o panorama da indústria e perspetivando as suas tendências de desenvolvimento futuro.

1.1.1 História do Desenvolvimento

O desenvolvimento do AGENTE AI mostra a evolução da IA desde a pesquisa básica até a aplicação ampla. Na Conferência de Dartmouth de 1956, o termo "IA" foi proposto pela primeira vez, estabelecendo as bases para a IA como um campo independente. Durante esse período, a pesquisa em IA concentrou-se principalmente em métodos simbólicos, gerando os primeiros programas de IA, como ELIZA(, um chatbot), e Dendral(, um sistema especialista na área de química orgânica). Esta fase também testemunhou a proposta inicial de redes neurais e a exploração preliminar do conceito de aprendizado de máquina. No entanto, a pesquisa em IA nesse período foi severamente limitada pelas restrições da capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e na replicação das 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 basicamente um pessimismo abrangente em relação à pesquisa em IA após o período inicial de entusiasmo, levando a uma grande perda de confiança nas instituições acadêmicas( do Reino Unido, incluindo agências de financiamento). Após 1973, o financiamento para a pesquisa em IA foi drasticamente reduzido, e o campo da IA passou por um primeiro "inverno da IA", aumentando o ceticismo em relação ao 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 autónomos pela primeira vez e 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. Mas, 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.

Até o início deste século, os avanços na capacidade de computação impulsionaram o surgimento do aprendizado profundo, com assistentes virtuais como a Siri demonstrando a praticidade da IA na área de aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos geradores como o GPT-2 alcançaram novos avanços, levando a IA conversacional a novas alturas. Nesse processo, a emergência de grandes modelos de linguagem (Large Language Model, LLM) tornou-se um marco importante no desenvolvimento da IA, especialmente com o lançamento do GPT-4, que é visto como um ponto de virada no campo dos agentes de IA. Desde que uma determinada empresa lançou a série GPT, modelos de pré-treinamento em larga escala, com centenas de bilhões ou até trilhões de parâmetros, demonstraram capacidades 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 através da geração de linguagem. Isso possibilitou que os agentes de IA fossem aplicados em cenários como assistentes de chat, atendimento ao cliente virtual, e gradualmente se expandissem para tarefas mais complexas ( como análise comercial, redação criativa ).

A capacidade de aprendizado de grandes modelos de linguagem proporciona maior autonomia aos agentes de IA. Através da técnica de aprendizado por reforço (Reinforcement Learning), os agentes de IA conseguem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em uma determinada plataforma impulsionada por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realmente alcançando uma interação dinâmica.

Da antiga sistemática de regras aos grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma evolução que constantemente quebra limites tecnológicos. A aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo neste percurso. Com o desenvolvimento contínuo da tecnologia, os agentes de IA tornar-se-ão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetam a "sabedoria" na alma dos agentes de IA, mas também lhes proporcionam a capacidade de colaboração intersetorial. 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 pela IA.

1.2 Princípio de funcionamento

A diferença entre o AIAGENT e os robôs tradicionais é que eles conseguem aprender e se adaptar ao longo do tempo, tomando decisões detalhadas para alcançar objetivos. Podem ser vistos como participantes tecnicamente proficientes e em constante evolução no campo das criptomoedas, capazes de atuar de forma independente na economia digital.

O núcleo do AGENTE DE IA está na sua "inteligência" - ou seja, simular comportamentos inteligentes humanos 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 do módulo de percepção, coletando informações do ambiente. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmeras, microfones e outros dispositivos para capturar dados externos, o que inclui a extração de características significativas, identificação de objetos ou determinação de entidades relevantes no ambiente. A tarefa central do módulo de percepção é transformar dados brutos em informações significativas, o que geralmente envolve as seguintes técnicas:

• Visão computacional: utilizada para processar e entender dados de imagens e vídeos.
• Processamento de Linguagem Natural ( NLP ): ajudar o AGENTE AI 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 modelos de linguagem de grande escala como orquestradores ou motores de raciocínio, compreende as tarefas, gera soluções e coordena modelos especializados para funções específicas como criação de conteúdo, processamento visual ou sistemas de recomendação.

Este módulo geralmente utiliza as seguintes tecnologias:

• Motor de regras: tomada de decisões simples com base em regras predefinidas.
• Modelos de aprendizado de máquina: incluem árvores de decisão, redes neurais, etc., usados para reconhecimento de padrões complexos e previsão.
• Aprendizagem reforçada: permitir que o AGENTE de IA otimize continuamente a estratégia de decisão através de tentativa e erro, adaptando-se a ambientes em mudança.

O processo de inferência geralmente inclui várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, o cálculo de várias possíveis opções de ação com base no objetivo; e, por fim, a escolha da melhor opção para executar.

1.2.3 Módulo de Execução

O módulo de execução é as "mãos e pés" do AGENTE AI, 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 ações de robôs ), ou operações digitais (, como processamento de dados ). O módulo de execução depende de:

• Sistema de controle de robô: utilizado para operações físicas, como o movimento de braços robóticos.
• Chamada 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, através da automação de processos robóticos RPA(, são executadas tarefas repetitivas.

)# 1.2.4 Módulo de Aprendizagem

O módulo de aprendizagem é a principal vantagem competitiva do AGENTE de IA, permitindo 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 oferece 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 o modelo, permitindo que o AGENTE de IA complete tarefas com mais precisão.
• Aprendizagem não supervisionada: descobrir padrões potenciais a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizagem contínua: atualizar modelos com dados em tempo real para manter o desempenho do agente em ambientes dinâmicos.

1.2.5 Feedback e Ajustes em Tempo Real

O AGENTE DE IA otimiza seu desempenho através de um ciclo de feedback contínuo. O resultado de cada ação é registrado e utilizado para ajustar decisões futuras. Este sistema de feedback assegura a adaptabilidade e flexibilidade do AGENTE DE IA.

1.3 Estado do mercado

1.3.1 Estado da Indústria

O AGENTE DE IA está a tornar-se o foco do mercado, com o seu enorme potencial como interface para consumidores e agente económico autónomo, trazendo transformação para vários sectores. Assim como o potencial do espaço de bloco L1 na última ronda de ciclos era difícil de quantificar, o AGENTE DE IA também demonstrou perspectivas semelhantes nesta ronda.

De acordo com o mais recente relatório da Markets and Markets, o mercado de Agentes de IA deverá crescer de 5,1 mil milhões de dólares em 2024 para 47,1 mil milhões 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 impulsionada pela inovação tecnológica.

As grandes empresas estão a aumentar significativamente o investimento em estruturas de proxy de código aberto. As atividades de desenvolvimento de estruturas como AutoGen, Phidata e LangGraph de certas empresas estão a tornar-se cada vez mais ativas, o que indica que o AGENTE de IA tem um maior potencial de mercado fora do espaço cripto, e o TAM também.