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

1. Bối cảnh tổng quát

1.1 Giới thiệu: "Đối tác mới" trong thời đại thông minh

Mỗi chu kỳ tiền điện tử đều mang đến hạ tầng mới thúc đẩy sự phát triển của toàn ngành.

• Năm 2017, sự trỗi dậy 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 đến cơn sốt mùa hè DeFi.
• Năm 2021, sự ra đời của nhiều bộ sưu tập NFT đánh dấu sự xuất hiện của thời đại đồ sưu tầm kỹ thuật số.
• Năm 2024, hiệu suất xuất sắc của một nền tảng phóng đã dẫn đầu cơn sốt memecoin và nền tảng phóng.

Cần nhấn mạnh rằng, sự khởi đầu của những lĩnh vực chuyên biệt này không chỉ đơn thuần là do đổi mới công nghệ, mà còn là kết quả của sự kết hợp hoàn hảo giữa mô hình tài chính và chu kỳ thị trường tăng trưởng. Khi cơ hội gặp đúng thời điểm, nó có thể tạo ra những biến đổi lớn. Nhìn về năm 2025, rõ ràng rằng lĩnh vực mới nổi trong chu kỳ 2025 sẽ là đại lý AI. Xu hướng này đã đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, mã token $GOAT được ra mắt và đạt giá trị thị trường 150 triệu đô la vào ngày 15 tháng 10. Ngay sau đó, vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, với hình ảnh phát sóng trực tiếp IP của cô gái hàng xóm lần đầu tiên xuất hiện, gây bùng nổ toàn ngành.

Vậy, AI Agent thực sự là gì?

Mọi người chắc hẳn không xa lạ gì với bộ phim kinh điển "Resident Evil", trong đó hệ thống AI Nữ Hoàng Đỏ gây ấn tượng mạnh. 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 cảm nhận môi trường, phân tích dữ liệu và nhanh chóng hành động.

Trên thực tế, AI Agent có nhiều điểm tương đồng với chức năng cốt lõi của Nữ hoàng trái tim đỏ. 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 việc tự cảm nhận, phân tích và thực hiện. Từ xe tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào mọi lĩnh vực, trở thành sức mạnh then chốt trong việc nâng cao hiệu quả và đổi mới. Những thực thể thông minh tự chủ này, như những thành viên trong nhóm vô hình, có khả năng toàn diện từ cảm nhận môi trường đến thực hiện quyết định, dần dần thẩm thấu vào các ngành công nghiệp khác nhau, thúc đẩy sự nâng cao đồng thời về hiệu suất và đổi mới.

Ví dụ, một AI AGENT có thể được sử dụng để tự động hóa giao dịch, 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. AI AGENT không phải là một hình thức đơn lẻ, mà được phân thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền điện tử:

1. Đại lý AI 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 nâng cao độ chính xác trong hoạt động và giảm thời gian cần thiết.

2. Tác nhân AI sáng tạo: Dùng để tạo nội dung, bao gồm văn bản, thiết kế và thậm chí sáng tác nhạc.

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

4. AI Agent điều phối: Điều phối các tương tác phức tạp giữa hệ thống hoặc các bên tham gia, đặc biệt phù hợp cho tích hợp đa chuỗi.

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

1.1.1 Lịch sử phát triển

Quá trình phát triển của AI AGENT cho thấy sự biến đổi của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth vào năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, đặt 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 sự ra đời của 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 đầu tiên của mạng nơ-ron và sự khám phá ban đầu về khái niệm học máy. Tuy nhiên, nghiên cứu AI trong thời kỳ này bị hạn chế nghiêm trọng bởi khả năng tính toán của thời đại. Các nhà nghiên cứu gặp khó khăn lớn trong việc phát triển các thuật toán xử lý ngôn ngữ tự nhiên và mô phỏng chức năng nhận thức của con người. Ngoài ra, vào năm 1972, nhà toán học James Lighthill đã nộp một báo cáo về tình trạng nghiên cứu AI đang diễn ra ở Anh, được công bố vào năm 1973. Báo cáo Lighthill chủ yếu thể hiện sự bi quan toàn diện về nghiên cứu AI sau giai đoạn hưng phấn ban đầu, dẫn đến sự mất niềm tin lớn vào AI từ các tổ chức học thuật ở Anh (, bao gồm cả các cơ quan tài trợ ). Sau năm 1973, ngân sách nghiên cứu AI giảm mạnh, lĩnh vực AI đã trải qua "mùa đông AI" đầu tiên, và cảm giác nghi ngờ về tiềm năng của AI gia tăng.

Vào những năm 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 chứng kiến 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. Việc giới thiệu các phương tiện tự hành lần đầu tiên và sự triển khai AI trong các ngành tài chính, y tế và nhiều lĩnh vực khác cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 và đầu những năm 1990, với sự sụp đổ của nhu cầu trên thị trường đối với phần cứng AI chuyên dụng, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, việc mở rộng quy mô hệ thống AI và tích hợp thành công nó vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng đồng thời, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đánh dấu một sự kiện mang tính bước ngoặt 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 những năm 1990, khiến AI trở thành một phần không thể thiếu trong cảnh quan công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.

Đầu thế kỷ 21, sự tiến bộ của khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã chứng minh tính thực tiễn của AI trong lĩnh vực ứng dụng tiêu dùng. Trong thập niên 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 các mô hình ngôn ngữ lớn (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 xem như một bước ngoặt trong lĩnh vực tác nhân AI. Kể từ khi một công ty phát hành dòng sản phẩm GPT, các mô hình tiền huấn luyện quy mô lớn với hàng chục tỷ thậm chí hàng trăm tỷ tham số đã thể hiện khả năng sinh và hiểu ngôn ngữ vượt trội hơn so với các mô hình truyền thống. Hiệu suất 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 logic qua việc sinh ngôn ngữ. Điều này cho phép các tác nhân AI được ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo và dần dần mở rộng đến các nhiệm vụ phức tạp hơn (như phân tích kinh doanh, viết sáng tạo).

Khả năng học tập của mô hình ngôn ngữ lớn mang lại cho các tác nhân AI sự 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 ứng với môi trường động. Ví dụ, trong một nền tảng điều khiển bởi 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 là 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 trở nên thông minh hơn, tình huống hơn và đa dạng hơn. Mô hình ngôn ngữ lớn không chỉ tiêm "trí tuệ" vào linh hồn của các đại lý AI mà còn cung cấp khả năng hợp tác đa lĩnh vực cho chúng. Trong tương lai, các nền tảng dự án đổi mới sẽ tiếp tục xuất hiện, thúc đẩy việc áp dụng và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm được thúc đẩy bởi AI.

1.2 Nguyên lý hoạt động

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

Cốt lõi của AI AGENT nằm ở "trí tuệ" của nó ------ tức là mô phỏng hành vi trí tuệ 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: nhận thức, 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 các giác quan của con người, sử dụng các thiết bị như cảm biến, camera, micro 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 tạo ra ngôn ngữ của con người.
• Fusion cảm biến: Kết hợp dữ liệu từ nhiều cảm biến thành một cái nhìn thống nhất.

1.2.2 Mô-đun suy diễn và ra quyết định

Sau khi cảm nhận 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 người 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 các quy tắc đã được thiết lập.
• Mô hình máy học: bao gồm cây quyết định, mạng nơ-ron, v.v., được sử dụng cho nhận dạng và dự đoán mẫu phức tạp.
• Học tăng cường: Cho phép AI AGENT tối ưu hóa chiến lược quyết định liên tục thông qua thử và sai, thích ứng với môi trường thay đổi.

Quá trình suy diễn thường bao gồm một vài bước: đầu tiên là đánh giá môi trường, tiếp theo 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 thi mô-đun

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

• Hệ thống điều khiển robot: Dùng cho các hoạt động 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 hóa: Trong môi trường doanh nghiệp, thực hiện các nhiệm vụ lặp đi lặp lại thông qua RPA (Tự động hóa quy trình bằng robot).

1.2.4 Mô-đun học

Mô-đun học là năng lực cạnh tranh 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 thích ứng dần dần theo thời gian và trở nên hiệu quả hơn này cung cấp cho các doanh nghiệp một công cụ mạnh mẽ, có thể nâng cao việc ra quyết định và hiệu quả hoạt động.

Các mô-đun học thường được cải thiện theo những cách sau:

• Học có giám sát: Sử dụng dữ liệu được gán nhãn để đào tạo mô hình, giúp AI AGENT hoàn thành nhiệm vụ chính xác hơn.
• Học không giám sát: Tìm kiếm các mẫu tiềm ẩn từ dữ liệu không được gán nhãn, giúp đại lý thích nghi với môi trường mới.
• Học tập liên tục: Cập nhật mô hình qua dữ liệu thời gian thực, duy trì hiệu suất của đại lý 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 trạng 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 một tác nhân kinh tế tự chủ, mang lại sự chuyển mình cho nhiều ngành công nghiệp. Cũng giống như tiềm năng của không gian khối L1 trong chu kỳ trước khó có thể đo lường, 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 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 công nghiệp, cũng như nhu cầu thị trường do sự đổi mới công nghệ mang lại.

Các công ty lớn đã đầu tư đáng kể vào các khung đại lý mã nguồn mở. Hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang ngày càng sôi động, điều này cho thấy AI AGENT có thị trường lớn hơn ngoài lĩnh vực tiền điện tử.