AGENTE DE IA: 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 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 calor do verão DeFi.
• Em 2021, o surgimento de uma grande quantidade de obras de arte 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 início desses setores verticais não se deve apenas à inovação tecnológica, mas também é o resultado da perfeita combinação entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar grandes mudanças. Olhando para 2025, é claro que os novos setores que emergirão no ciclo de 2025 serão os agentes de IA. Essa tendência atingiu o pico em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024 e alcançou uma capitalização de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, um determinado protocolo lançou o Luna, fazendo sua estreia com a imagem ao vivo de uma garota da vizinhança, incendiando toda a indústria.

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

Todos estão familiarizados com o clássico filme "Resident Evil", em que o sistema de IA Rainha Vermelha deixa uma impressão marcante. 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 de forma autônoma.

Na verdade, o AI Agent tem muitas semelhanças com as funções principais da Rainha de Copas. Os AI Agents no mundo real desempenham, de certa forma, um papel semelhante; eles são os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a lidar com tarefas complexas através da percepção, análise e execução autônomas. Desde carros autônomos a atendimento ao cliente inteligente, os AI Agents têm penetrado em diversos setores, tornando-se uma força crucial para aumentar a eficiência e a inovação. Esses agentes autônomos, semelhantes a membros invisíveis da equipe, possuem uma capacidade abrangente, desde a percepção do ambiente 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 AI pode ser usado para negociação automatizada, com base nos dados coletados de plataformas de dados ou sociais, gerenciando portfólios em tempo real e executando transações, otimizando continuamente seu desempenho em iterações. O AGENTE AI não é uma única forma, mas é dividido em diferentes categorias de acordo com as necessidades específicas do ecossistema criptográfico:

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 das operações e reduzir o tempo necessário.

2. Agente de IA Criativa: utilizado para geração de conteúdo, incluindo texto, design e até criação musical.

3. Agente de IA social: como líder de opinião nas redes sociais, interagir com os usuários, construir comunidades e participar em atividades de marketing.

4. Agente de IA Coordenador: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multichain.

Neste relatório, iremos explorar 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

A evolução do AGENTE de IA demonstra a transição da IA de pesquisa básica para aplicações amplas. Na Conferência de Dartmouth em 1956, o termo "IA" foi introduzido pela primeira vez, estabelecendo as bases para a IA como um campo independente. Nesse período, a pesquisa em IA concentrou-se principalmente em métodos simbólicos, gerando os primeiros programas de IA, como o ELIZA(, um chatbot), e o Dendral(, um sistema especialista na área de 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 desse período foi severamente limitada pelas restrições de capacidade computacional da época. Os pesquisadores enfrentaram enormes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e imitação das funções cognitivas humanas. Além disso, em 1972, o matemático James Lighthill apresentou um relatório, publicado em 1973, sobre o estado da pesquisa em IA em andamento no Reino Unido. O relatório de Lighthill expressou basicamente um pessimismo geral em relação à pesquisa em IA após o entusiasmo inicial, levando a uma enorme perda de confiança por parte das instituições acadêmicas( do Reino Unido, incluindo agências de financiamento). Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pela primeira "inverno da IA", aumentando o ceticismo sobre o potencial da IA.

Na década de 1980, o desenvolvimento e a comercialização de sistemas especialistas levaram as empresas globais a começarem a adotar a tecnologia de IA. Este período viu avanços significativos em aprendizado de máquina, redes neurais e processamento de linguagem natural, impulsionando o surgimento de aplicações de IA mais complexas. A introdução dos primeiros veículos autônomos e a implementação da IA em setores como finanças e saúde também marcaram a expansão da tecnologia de IA. No entanto, no 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 enfrentou 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 estabeleceu 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, o avanço da capacidade computacional impulsionou o surgimento do aprendizado profundo, e assistentes virtuais como a Siri demonstraram a utilidade da IA no campo das aplicações de consumo. Na década de 2010, os agentes de aprendizado por reforço e modelos geradores como o GPT-2 alcançaram novos avanços, levando a IA conversacional a novas alturas. 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 viragem no campo dos agentes de IA. Desde que uma certa empresa lançou a série GPT, modelos de pré-treinamento em grande escala com centenas de bilhões ou até milhares de bilhões de parâmetros demonstraram uma capacidade de geração e compreensão de linguagem que supera os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permitiu que os agentes de IA apresentassem 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 e atendimento ao cliente virtual, e a gradual expansão para tarefas mais complexas ( como análise de negócios e redação criativa ).

A capacidade de aprendizagem dos grandes modelos de linguagem proporciona maior autonomia aos agentes de IA. Através da técnica de (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, realizando assim uma interação dinâmica.

A história do desenvolvimento de agentes de IA, desde os primeiros sistemas de regras até os grandes modelos de linguagem representados pelo GPT-4, é uma evolução que rompe continuamente as fronteiras tecnológicas. A aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta trajetória. Com o avanço adicional da tecnologia, os agentes de IA tornar-se-ão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não só injetaram a "inteligência" 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 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 os robôs tradicionais é que eles conseguem aprender e se adaptar ao longo do tempo, tomando decisões detalhadas para alcançar objetivos. Eles podem ser vistos como participantes altamente técnicos e em constante evolução no campo da criptografia, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE AI reside na sua "inteligência" ------ isto é, simular comportamentos inteligentes de humanos ou outros seres vivos através de algoritmos, para resolver problemas complexos de forma automatizada. O fluxo de trabalho do AGENTE AI 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, incluindo a extração de características significativas, reconhecimento 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 ): ajuda o AGENTE de IA a entender e gerar a linguagem humana.
• Fusão de sensores: integrar dados de múltiplos 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 raciocínio lógico e formulando estratégias com base nas informações coletadas. Utilizando modelos de linguagem avançados 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: toma decisões simples com base em regras predefinidas.
• Modelos de aprendizagem automática: incluem árvores de decisão, redes neurais, entre outros, utilizados para reconhecimento de padrões complexos e previsão.
• Aprendizagem reforçada: permitir 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 inclui várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, calcular várias opções de ação com base no objetivo; 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 inferência. Esta parte interage com sistemas ou dispositivos externos para completar tarefas específicas. 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 robôs: utilizado 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 Aprendizado

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" para melhorias contínuas, os dados gerados nas interações são realimentados no 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 execute as tarefas com mais precisão.
• Aprendizado não supervisionado: descobrir padrões ocultos a partir de dados não rotulados, ajudando o agente a se adaptar a novos ambientes.
• Aprendizado contínuo: atualizando o modelo com dados em tempo real, mantendo o desempenho do agente em um ambiente dinâmico.

1.2.5 Feedback em tempo real e ajuste

O AGENTE DE IA otimiza seu desempenho através de um ciclo de feedback contínuo. Os resultados de cada ação são registrados e utilizados para ajustar decisões futuras. Este sistema de circuito fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

![Decodificar AGENTE AI: A força inteligente que molda a nova ecologia econômica do futuro]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 Estado do mercado

1.3.1 Estado da Indústria

O AGENTE DE IA está se tornando o foco do mercado, trazendo transformações para vários setores com seu enorme potencial como interface do consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos era difícil de avaliar, o AGENTE DE IA também mostrou 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 rápido crescimento reflete a penetração dos Agentes de IA em várias indústrias, bem como a demanda de mercado gerada pela inovação tecnológica.

As grandes empresas também aumentaram significativamente seus investimentos 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 maior potencial de mercado fora do campo das criptomoedas, e o TAM também está