AI AGENT: Sức mạnh thông minh định hình hệ sinh thái kinh tế mới trong tương lai

1. Bối cảnh tổng quan

1.1 Giới thiệu: "Người bạn mới" của thời đại thông minh

Mỗi chu kỳ tiền điện tử đều mang đến cơ sở hạ tầng hoàn toàn 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 DEX đã mang đến cơn sốt mùa hè DeFi.
• Năm 2021, sự ra mắt của hàng loạt bộ sưu tập NFT đánh dấu sự ra đời của thời đại sưu tầm kỹ thuật số.
• Năm 2024, hiệu suất xuất sắc của một nền tảng phóng đã dẫn đầu xu hướng memecoin và các nền tảng phóng.

Cần nhấn mạnh rằng, sự khởi đầu của các lĩnh vực dọc này không chỉ do đổi mới công nghệ, mà còn là kết quả của sự kết hợp hoàn hảo giữa mô hình tài trợ và chu kỳ thị trường tăng giá. Khi cơ hội gặp đúng thời điểm, nó có thể tạo ra những biến đổi to lớn. Nhìn về năm 2025, rõ ràng rằng, các lĩnh vực mới nổi của chu kỳ 2025 sẽ là AI đại diện. Xu hướng này đã đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, một đồng tiền nào đó đã được ra mắt và vào ngày 15 tháng 10 đã đạt mức vốn hóa 150 triệu đô la. Ngay sau đó vào ngày 16 tháng 10, một giao thức nào đó đã ra mắt Luna, lần đầu tiên xuất hiện dưới hình ảnh phát trực tiếp của một cô gái hàng xóm, gây bùng nổ toàn ngành.

Vậy, AI Agent thực sự là gì?

Mọi người chắc chắn không còn xa lạ 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. 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 doanh nghiệp và cá nhân giải quyết 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 nhiều lĩnh vực, trở thành lực lượng then chốt trong việc nâng cao hiệu suất và đổi mới. Những thực thể thông minh tự động này, giống như những thành viên trong đội ngũ vô hình, có khả năng toàn diện từ cảm nhận môi trường đến thực hiện quyết định, dần dần thâm nhập vào các ngành khác nhau, thúc đẩy sự gia tăng đồng thời về hiệu suất và đổi mới.

Ví dụ, một AGENT AI có thể được sử dụng để giao dịch tự động, dựa trên dữ liệu thu thập từ 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 nó trong quá trình lặp lại. AGENT AI 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. AI Agent 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 tăng cường độ chính xác trong hoạt động và giảm thời gian cần thiết.

2. Tạo hình AI Agent: Được sử dụng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.

3. AI Agent kiểu xã hội: Là một 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 người tham gia, đặc biệt phù hợp với 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 định hình ngành công nghiệp và dự đoán xu hướng phát triển trong tương lai.

1.1.1 Lịch sử phát triển

Lịch sử phát triển của AI AGENT cho thấy sự tiến hóa của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Tại hội nghị Dartmouth năm 1956, thuật ngữ "AI" lần đầu tiên được đưa ra, đặt nền tảng cho AI như một lĩnh vực độc lập. Trong thời kỳ này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, tạo ra những chương trình AI đầu tiên, như ELIZA(, một chatbot) và Dendral(, một hệ thống chuyên gia trong lĩnh vực hóa hữu cơ). Giai đoạn này cũng chứng kiến sự đề xuất lần đầu tiên về mạng nơ-ron và sự khám phá ban đầu của khái niệm học máy. Tuy nhiên, nghiên cứu AI trong giai đoạn này bị hạn chế nghiêm trọng bởi khả năng tính toán của thời đại. Các nhà nghiên cứu gặp rất nhiều khó khăn 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 được công bố vào năm 1973 về tình hình nghiên cứu AI đang diễn ra ở Anh. Báo cáo Lighthill cơ bản 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 trải qua "mùa đông AI" đầu tiên, và sự 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 đã đạt được 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. Sự ra mắt lần đầu tiên của phương tiện tự hành và sự triển khai AI trong các ngành như tài chính, y tế cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, với sự sụp đổ của nhu cầu thị trường đối với phần cứng AI chuyên dụng, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, cách mở rộng quy mô của các hệ thống AI và tích hợp chúng thành công vào ứng dụng thực tế vẫn là một thách thức kéo dài. Nhưng trong khi đó, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ thế giới Garry Kasparov, đây là một sự kiện mang tính cột mốc 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 AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong bối cảnh công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.

Đến đầu thế kỷ này, sự tiến bộ trong khả năng tính toán đã thúc đẩy sự trỗi dậy của học sâu, các trợ lý ảo như Siri đã cho thấy tính thực tiễn của AI trong lĩnh vực ứng dụng tiêu dùng. Vào thập kỷ 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những đột phá hơn nữa, đưa AI đối thoại lên một tầm cao mới. Trong quá trình này, sự xuất hiện của 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 việc phát hành GPT-4, được xem là bước ngoặt trong lĩnh vực tác nhân AI. Kể từ khi một công ty phát hành dòng 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 các mô hình truyền thống. Sự thể hiện 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 có hệ thống thông qua việc sinh ngôn ngữ. Điều này đã cho phép các tác nhân AI ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và dần dần mở rộng ra các nhiệm vụ phức tạp hơn ( như phân tích kinh doanh, viết sáng tạo ).

Khả năng học hỏi của mô hình ngôn ngữ lớn cung cấp cho các đại lý AI tính tự chủ cao hơn. Thông qua công nghệ học tăng cường (Reinforcement Learning), các đại lý AI có thể liên tục tối ưu hóa hành vi của chính mình, thích ứng với môi trường động. Ví dụ, trong một nền tảng điều khiển bởi AI, các đại lý 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 tiêu biểu như GPT-4, lịch sử phát triển của các đại lý AI là một lịch sử tiến hóa không ngừng vượt qua giới hạn công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong hành trình này. Với sự phát triển công nghệ ngày càng tiến bộ, các đại lý AI sẽ trở nên thông minh hơn, phù hợp hơn với các tình huống và đa dạng hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI mà còn cung cấp khả năng hợp tác liên lĩnh vực. Trong tương lai, các nền tảng dự án đổi mới sẽ không ngừng xuất hiện, tiếp tục thúc đẩy việc triển khai và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên trải nghiệm do AI điều khiển.

1.2 Nguyên lý hoạt động

Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích ứng theo thời gian, đưa ra những quyết định tinh vi để đạt được mục tiêu. Chúng có thể được coi là 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 để tự động hóa việc giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: cảm nhận, 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 cảm biến, camera, microphone và các thiết bị khác để ghi lại dữ liệu bên ngoài, bao gồm việc trích xuất các đặc trưng 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 kỹ thuật 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 sinh 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 quyết định

Sau khi nhận biết 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 hệ thống, nó thực hiện suy luận logic và xây dựng chiến lược dựa trên thông tin thu thập được. Sử dụng các mô hình ngôn ngữ lớn như một bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên biệt 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: Ra quyết định đơn giản dựa trên các quy tắc đã thiết lập.
• Mô hình học máy: bao gồm cây quyết định, mạng nơ-ron, v.v., được sử dụng cho nhận diện mẫu và dự đoán phức tạp.
• Học tăng cường: cho phép AI AGENT tối ưu hóa chiến lược quyết định thông qua thử và sai, thích ứng với môi trường thay đổi.

Quá trình suy luận 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 hiện mô-đun

Mô-đun thực thi là "tay và chân" của AI AGENT, đưa ra quyết định của mô-đun suy luận vào hành động. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài, hoàn thành các nhiệm vụ được chỉ định. Điều này có thể liên quan đến các thao tác vật lý ( như hành động của robot ) hoặc thao tác 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, thông qua RPA( tự động hóa quy trình robot) thực hiện các nhiệm vụ lặp đi lặp lại.

1.2.4 Mô-đun học tập

Mô-đun học là năng lực cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải tiến liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu", dữ liệu được tạo ra trong các tương tác được phản hồi vào hệ thống để nâng cao mô hình. Khả năng thích ứng dần dần theo thời gian và trở nên hiệu quả hơn này cung cấp cho doanh nghiệp một công cụ mạnh mẽ, có khả năng nâng cao việc ra quyết định và hiệu quả hoạt động.

Các mô-đun học thường được cải tiến theo các cách sau:

• Học có giám sát: Sử dụng dữ liệu đã được gán nhãn để đào tạo mô hình, giúp AI AGENT hoàn thành nhiệm vụ chính xác hơn.
• Học không giám sát: Tìm ra các mẫu tiềm năng từ dữ liệu chưa được gán nhãn, giúp tác nhân thích ứng với môi trường mới.
• Học tập liên tục: Cập nhật mô hình thông 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 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 vòng kín này đảm bảo khả năng 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, với 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 biến cho nhiều ngành. Giống như tiềm năng của không gian khối L1 trong vòng chu kỳ trước là không thể đo lường, AI AGENT cũng thể hiện cùng một triển vọng trong vòng 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 và nhu cầu thị trường do đổi mới công nghệ mang lại.

Các công ty lớn đã tăng cường đầu tư vào các khung đại lý mã nguồn mở. Hoạt động phát triển 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 tiềm năng thị trường lớn hơn bên ngoài lĩnh vực tiền mã hóa, TAM cũng đang