Decodificando o AGENTE AI: A força inteligente que molda o novo ecossistema econômico do futuro

1. Contexto Geral

1.1 Introdução: o "novo parceiro" da era inteligente

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

• Em 2017, o surgimento dos contratos inteligentes deu origem ao florescimento das ICOs.
• Em 2020, as pools de liquidez DEX trouxeram a onda 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 excepcional 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 à perfeita combinação 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 óbvio que os novos setores emergentes do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu seu auge em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024, alcançando uma capitalização de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, um determinado protocolo lançou a Luna, estreando com a imagem de uma garota da porta ao lado em um streaming ao vivo, incendiando toda a indústria.

Então, afinal, o que é um Agente AI?

Todos estão familiarizados com o clássico filme "Resident Evil", e o sistema de IA Rainha Vermelha é particularmente 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, a AI Agent tem muitas semelhanças com as funções principais da Rainha de Copas. No mundo real, a AI Agent desempenha um papel semelhante até certo ponto, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a lidarem com tarefas complexas por meio de percepção autônoma, análise e execução. Desde carros autônomos até atendimento ao cliente inteligente, a AI Agent já está profundamente enraizada em vários setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem a capacidade abrangente de percepção ambiental até a execução de decisões, infiltrando-se gradualmente em várias indústrias e promovendo o aumento duplo de eficiência e inovação.

Por exemplo, um AGENTE de IA pode ser usado para automatizar negociações, gerenciando em tempo real um portfólio e executando transações com base nos dados coletados de uma plataforma de dados ou de uma plataforma social, otimizando continuamente seu desempenho em iterações. O AGENTE de IA não tem uma única forma, mas é dividido em diferentes categorias com base nas 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: 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 Coordenador: 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 prevendo as tendências de desenvolvimento futuro.

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 em 1956, o termo "IA" foi proposto pela primeira vez, estabelecendo a base 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 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 desse 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 no Reino Unido, publicado em 1973. O relatório de Lighthill expressou basicamente um pessimismo abrangente em relação à pesquisa em IA após o entusiasmo inicial, levando a uma enorme perda de confiança nas instituições acadêmicas( do Reino Unido, incluindo agências de financiamento). Após 1973, o financiamento para pesquisa em IA foi significativamente reduzido, e o campo da IA passou pelo primeiro "inverno da IA", aumentando os sentimentos de dúvida 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 grandes avanços 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 e a implementação da IA em setores como finanças e saúde também marcaram a expansão da tecnologia de IA. No entanto, do final da década de 1980 ao início da década de 1990, com a queda da demanda do mercado por hardware de IA dedicado, o campo da IA passou pela segunda "inverno da IA". Além disso, como escalar sistemas de IA e integrá-los com sucesso em aplicações práticas continua a ser um desafio constante. 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 estabeleceu as bases para o desenvolvimento da IA no final da década de 1990, tornando-a 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 utilidade da IA em 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 de conversação a novos patamares. Nesse processo, o surgimento 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 certa empresa lançou a série GPT, modelos pré-treinados em larga escala com dezenas de bilhões ou até centenas de bilhões 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 mostrassem habilidades de interação com lógica clara e estrutura organizada através da geração de linguagem. Isso possibilitou que os agentes de IA fossem aplicados em assistentes de bate-papo, atendimento virtual ao cliente e gradualmente se expandissem para tarefas mais complexas ( como análise de negócios, escrita criativa ).

A capacidade de aprendizagem de grandes modelos de linguagem proporciona uma maior autonomia para os agentes de IA. Através da técnica de Aprendizagem por Reforço (Reinforcement Learning), os agentes de IA podem continuamente otimizar seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, numa plataforma impulsionada por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando verdadeiramente interações dinâmicas.

Da regra inicial dos sistemas a modelos de linguagem grandes como o GPT-4, a história do desenvolvimento de agentes de IA é uma evolução que ultrapassa continuamente as fronteiras tecnológicas. A aparição do GPT-4 é, sem dúvida, um marco importante neste percurso. Com o avanço adicional da tecnologia, os agentes de IA se tornarão mais inteligentes, situacionais e diversificados. Os modelos de linguagem grandes não só injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes proporcionaram a capacidade de colaboração interdisciplinar. No futuro, plataformas de projetos inovadores continuarão a surgir, impulsionando a aplicação 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 o AIAGENT e os robôs tradicionais é que eles podem aprender e se adaptar ao longo do tempo, fazendo decisões detalhadas para alcançar objetivos. Podem ser vistos como participantes altamente técnicos e em constante evolução 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 de seres humanos ou de outros seres vivos através de algoritmos, para resolver automaticamente problemas complexos. O fluxo de trabalho do AGENTE DE IA geralmente segue os seguintes passos: percepção, raciocínio, ação, aprendizado, ajuste.

1.2.1 Módulo de Percepção

O AGENTE DE IA interage com o mundo exterior através do módulo de percepção, coletando informações ambientais. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmaras, microfones e outros dispositivos para capturar dados externos, o que inclui a extração de características significativas, a identificação de objetos ou a 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 imagem e vídeo.
• Processamento de Linguagem Natural ( NLP ): ajuda o AGENTE de IA a compreender 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, que realiza raciocínio lógico e formula estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem, entre outros, 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 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, entre outros, utilizados para reconhecimento de padrões complexos e previsões.
• Aprendizado reforçado: permitir que o AGENTE de IA otimize continuamente as estratégias de decisão por meio de tentativa e erro, adaptando-se a ambientes em mudança.

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

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, completando tarefas designadas. Isso pode envolver operações físicas (, como ações robóticas ), ou operações digitais (, como processamento de dados ). O módulo de execução depende de:

• Sistema de Controle de Robôs: utilizado para operações físicas, como o movimento de braços robóticos.
• Chamada de API: interagir com sistemas de software externos, como consultas a bases 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, permitindo que o agente se torne mais inteligente ao longo do tempo. Através de ciclos de feedback ou "flywheel de dados", os dados gerados nas interações são retornados ao sistema para melhorar 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:

• Aprendizado supervisionado: utilizar dados rotulados para treinar o modelo, permitindo que o AGENTE de IA complete tarefas com mais precisão.
• Aprendizado não supervisionado: descobrir padrões potenciais a partir de dados não rotulados, ajudando o agente a se adaptar a novos ambientes.
• Aprendizagem contínua: atualizando o modelo com dados em tempo real, mantendo o desempenho do agente em um ambiente dinâmico.

1.2.5 Feedback e Ajustes em Tempo Real

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

![Decodificar AI AGENT: A força inteligente que molda o novo ecossistema econômico 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 a tornar-se o centro das atenções no mercado, com o seu enorme potencial como interface de consumidor e agente económico autónomo, trazendo mudanças a várias indústrias. Assim como o potencial do espaço de bloco L1 na última ronda de ciclos era difícil de avaliar, o AGENTE DE IA também demonstra perspectivas semelhantes nesta ronda.

De acordo com o mais recente relatório de uma determinada instituição, 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 frameworks de proxy open-source. As atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph de uma certa empresa estão a tornar-se cada vez mais ativas, o que indica que o AGENT de IA possui um maior potencial de mercado fora do domínio das criptomoedas, e o TAM também está