Desencriptar AGENTE AI: La fuerza inteligente que moldea la nueva ecología económica del futuro

1. Antecedentes

1.1 Introducción: El "nuevo compañero" de la era inteligente

Cada ciclo de criptomonedas trae una nueva infraestructura que impulsa el desarrollo de toda la industria.

• En 2017, el auge de los contratos inteligentes dio lugar al florecimiento de las ICO.
• En 2020, las piscinas de liquidez de DEX trajeron la ola de verano de DeFi.
• En 2021, la aparición de numerosas series de obras NFT marcó la llegada de la era de los coleccionables digitales.
• En 2024, el destacado rendimiento de una plataforma de lanzamiento lideró la ola de memecoins y plataformas de lanzamiento.

Es importante enfatizar que el inicio de estos campos verticales no se debe únicamente a la innovación tecnológica, sino que es el resultado de la perfecta combinación de modelos de financiamiento y ciclos de mercado alcista. Cuando la oportunidad se encuentra con el momento adecuado, puede dar lugar a enormes transformaciones. Mirando hacia 2025, es evidente que el nuevo campo emergente del ciclo de 2025 será el de los agentes de IA. Esta tendencia alcanzó su punto máximo en octubre del año pasado, cuando un token fue lanzado el 11 de octubre de 2024 y alcanzó un valor de mercado de 150 millones de dólares el 15 de octubre. Poco después, el 16 de octubre, un protocolo lanzó Luna, que debutó con la imagen de una chica de la vecindad en una transmisión en vivo, provocando una explosión en toda la industria.

Entonces, ¿qué es un AG?

Todos están familiarizados con la clásica película "Resident Evil", en la que el sistema de IA Reina Roja deja una impresión duradera. La Reina Roja es un poderoso sistema de IA que controla instalaciones complejas y sistemas de seguridad, capaz de percibir el entorno, analizar datos y actuar rápidamente de forma autónoma.

En realidad, los AI Agents tienen muchas similitudes con las funciones centrales de la Reina de Corazones. En el mundo real, los AI Agents desempeñan un papel similar en cierta medida, siendo los "guardianes de la sabiduría" en el campo de la tecnología moderna, ayudando a empresas y personas a enfrentar tareas complejas a través de la percepción autónoma, el análisis y la ejecución. Desde automóviles autónomos hasta atención al cliente inteligente, los AI Agents han penetrado en diversas industrias, convirtiéndose en una fuerza clave para mejorar la eficiencia y la innovación. Estos agentes inteligentes autónomos, como miembros de equipo invisibles, poseen capacidades integrales que van desde la percepción del entorno hasta la ejecución de decisiones, infiltrándose gradualmente en diversas industrias y promoviendo una doble mejora en eficiencia e innovación.

Por ejemplo, un AGENTE de IA puede ser utilizado para la negociación automatizada, basado en los datos recopilados de alguna plataforma de datos o plataforma social, gestionando en tiempo real la cartera de inversiones y ejecutando transacciones, optimizando continuamente su rendimiento en iteraciones. El AGENTE de IA no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema de criptomonedas:

1. Agente de IA ejecutiva: se centra en completar tareas específicas, como trading, gestión de carteras o arbitraje, con el objetivo de aumentar la precisión operativa y reducir el tiempo requerido.

2. Agente de IA generativa: para la generación de contenido, incluyendo texto, diseño e incluso creación musical.

3. Agente de IA social: como líder de opinión en las redes sociales, interactuar con los usuarios, construir comunidades y participar en actividades de marketing.

4. Agente de IA de coordinación: Coordina interacciones complejas entre sistemas o participantes, especialmente adecuado para la integración de múltiples cadenas.

En este informe, profundizaremos en el origen, el estado actual y las amplias perspectivas de aplicación de los Agentes de IA, analizaremos cómo están remodelando el panorama de la industria y proyectaremos las tendencias de desarrollo futuro.

1.1.1 Historia del desarrollo

La evolución del AGENTE DE IA muestra la transformación de la IA desde la investigación básica hasta la aplicación generalizada. En la Conferencia de Dartmouth de 1956, se introdujo por primera vez el término "IA", estableciendo las bases para la IA como un campo independiente. Durante este período, la investigación en IA se centró principalmente en métodos simbólicos, dando lugar a los primeros programas de IA, como ELIZA(, un chatbot), y Dendral(, un sistema experto en el campo de la química orgánica). Esta etapa también fue testigo de la primera propuesta de redes neuronales y de la exploración inicial del concepto de aprendizaje automático. Sin embargo, la investigación en IA de este período se vio gravemente limitada por las restricciones de capacidad de cálculo de la época. Los investigadores encontraron grandes dificultades en el desarrollo de algoritmos para el procesamiento del lenguaje natural y la imitación de funciones cognitivas humanas. Además, en 1972, el matemático James Lighthill presentó un informe publicado en 1973 sobre el estado de la investigación en IA en el Reino Unido. El informe de Lighthill expresó básicamente un pesimismo general sobre la investigación en IA tras el período de entusiasmo inicial, lo que provocó una gran pérdida de confianza en la IA por parte de las instituciones académicas(, incluidas las agencias de financiamiento). Después de 1973, la financiación para la investigación en IA se redujo drásticamente, y el campo de la IA experimentó el primer "invierno de la IA", aumentando el escepticismo sobre el potencial de la IA.

En la década de 1980, el desarrollo y la comercialización de sistemas expertos llevaron a que las empresas de todo el mundo comenzaran a adoptar tecnologías de IA. Este período vio avances significativos en aprendizaje automático, redes neuronales y procesamiento del lenguaje natural, lo que impulsó la aparición de aplicaciones de IA más complejas. La introducción de vehículos autónomos por primera vez y el despliegue de la IA en sectores como las finanzas y la salud también marcaron la expansión de la tecnología de IA. Sin embargo, a finales de la década de 1980 y principios de la de 1990, con el colapso de la demanda del mercado de hardware de IA especializado, el campo de la IA experimentó un segundo "invierno de la IA". Además, cómo escalar los sistemas de IA y lograr su integración exitosa en aplicaciones prácticas sigue siendo un desafío continuo. Pero al mismo tiempo, en 1997, la computadora Deep Blue de IBM derrotó al campeón mundial de ajedrez Garry Kasparov, un evento que marcó un hito en la capacidad de la IA para resolver problemas complejos. El renacimiento de las redes neuronales y el aprendizaje profundo sentó las bases para el desarrollo de la IA a finales de la década de 1990, convirtiendo a la IA en una parte indispensable del paisaje tecnológico y comenzando a influir en la vida cotidiana.

A principios de este siglo, los avances en capacidad de cálculo impulsaron el auge del aprendizaje profundo, y asistentes virtuales como Siri demostraron la utilidad de la IA en aplicaciones de consumo. En la década de 2010, los agentes de aprendizaje por refuerzo y modelos generativos como GPT-2 lograron avances adicionales, llevando la IA conversacional a nuevas alturas. En este proceso, la aparición de modelos de lenguaje a gran escala (Large Language Model, LLM) se convirtió en un hito importante en el desarrollo de la IA, especialmente con el lanzamiento de GPT-4, que se considera un punto de inflexión en el campo de los agentes de IA. Desde que una empresa lanzó la serie GPT, los modelos preentrenados a gran escala, con decenas de miles de millones e incluso cientos de miles de millones de parámetros, han demostrado capacidades de generación y comprensión de lenguaje que superan a los modelos tradicionales. Su destacado rendimiento en el procesamiento del lenguaje natural ha permitido que los agentes de IA exhiban habilidades de interacción lógicas y bien estructuradas a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y atención al cliente virtual, y se expandan gradualmente a tareas más complejas ( como análisis comercial y escritura creativa ).

La capacidad de aprendizaje de los grandes modelos de lenguaje proporciona una mayor autonomía a los agentes de IA. A través de la técnica de aprendizaje por refuerzo (Reinforcement Learning), los agentes de IA pueden optimizar continuamente su comportamiento y adaptarse a entornos dinámicos. Por ejemplo, en algunas plataformas impulsadas por IA, los agentes de IA pueden ajustar sus estrategias de comportamiento según la entrada del jugador, logrando una verdadera interacción dinámica.

Desde los sistemas de reglas tempranas hasta los modelos de lenguaje de gran tamaño representados por GPT-4, la historia del desarrollo de los agentes de IA es una historia de evolución que rompe constantemente las fronteras tecnológicas. La aparición de GPT-4 es, sin duda, un punto de inflexión importante en este proceso. Con el desarrollo continuo de la tecnología, los agentes de IA serán cada vez más inteligentes, contextualizados y diversos. Los modelos de lenguaje de gran tamaño no solo inyectan el "alma" de la "inteligencia" en los agentes de IA, sino que también les proporcionan la capacidad de colaboración interdisciplinaria. En el futuro, surgirán continuamente plataformas de proyectos innovadores que seguirán impulsando la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era impulsada por la experiencia de IA.

1.2 Principio de trabajo

La diferencia entre AIAGENT y los robots tradicionales radica en que pueden aprender y adaptarse con el tiempo, tomando decisiones detalladas para alcanzar sus objetivos. Se les puede considerar como participantes técnicamente avanzados y en constante desarrollo en el campo de las criptomonedas, capaces de actuar de manera independiente en la economía digital.

El núcleo del AGENTE DE IA radica en su "inteligencia"------es decir, la simulación del comportamiento inteligente humano u de otros organismos a través de algoritmos para resolver problemas complejos de manera automatizada. El flujo de trabajo de un AGENTE DE IA normalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje, ajuste.

1.2.1 Módulo de percepción

El AGENTE DE IA interactúa con el mundo exterior a través de un módulo de percepción, recopilando información del entorno. Esta parte de la función es similar a los sentidos humanos, utilizando sensores, cámaras, micrófonos y otros dispositivos para capturar datos externos, lo que incluye la extracción de características significativas, la identificación de objetos o la determinación de entidades relevantes en el entorno. La tarea principal del módulo de percepción es convertir los datos en bruto en información significativa, lo que generalmente implica las siguientes técnicas:

• Visión por computadora: utilizada para procesar y entender datos de imágenes y videos.
• Procesamiento de lenguaje natural ( NLP ): ayuda a la AGENTE de IA a entender y generar el lenguaje humano.
• Fusión de sensores: integrar los datos de múltiples sensores en una vista unificada.

1.2.2 Módulo de Inferencia y Decisión

Una vez que el AGENTE AI percibe el entorno, necesita tomar decisiones basadas en los datos. El módulo de inferencia y toma de decisiones es el "cerebro" de todo el sistema, que realiza inferencias lógicas y elabora estrategias basándose en la información recopilada. Utilizando modelos de lenguaje de gran escala para actuar como orquestadores o motores de inferencia, entiende tareas, genera soluciones y coordina modelos especializados utilizados para funciones específicas como creación de contenido, procesamiento visual o sistemas de recomendación.

Este módulo generalmente utiliza las siguientes tecnologías:

• Motor de reglas: toma decisiones simples basadas en reglas preestablecidas.
• Modelos de aprendizaje automático: incluyen árboles de decisión, redes neuronales, etc., utilizados para el reconocimiento y la predicción de patrones complejos.
• Aprendizaje profundo: permite que el AGENTE de IA optimice continuamente las estrategias de decisión a través de prueba y error, adaptándose a un entorno cambiante.

El proceso de inferencia generalmente incluye varios pasos: primero, la evaluación del entorno; segundo, el cálculo de múltiples posibles planes de acción según el objetivo; y finalmente, la selección y ejecución del plan óptimo.

1.2.3 Módulo de ejecución

El módulo de ejecución es las "manos y pies" del AGENTE de IA, llevando a cabo las decisiones del módulo de razonamiento. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede involucrar operaciones físicas ( como acciones de robots ) o operaciones digitales ( como el procesamiento de datos ). El módulo de ejecución depende de:

• Sistema de control de robots: utilizado para operaciones físicas, como el movimiento de brazos robóticos.
• Llamadas a API: interacción con sistemas de software externos, como consultas a bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en un entorno empresarial, la automatización de procesos robóticos RPA( ejecuta tareas repetitivas.

)# 1.2.4 Módulo de Aprendizaje

El módulo de aprendizaje es la competencia central del AGENTE de IA, ya que permite que el agente se vuelva más inteligente con el tiempo. A través de ciclos de retroalimentación o "ruedas de datos" que mejoran continuamente, los datos generados en las interacciones se retroalimentan al sistema para mejorar el modelo. Esta capacidad de adaptarse gradualmente con el tiempo y volverse más eficaz proporciona a las empresas una herramienta poderosa que puede mejorar la toma de decisiones y la eficiencia operativa.

Los módulos de aprendizaje suelen mejorarse de las siguientes maneras:

• Aprendizaje supervisado: utilizar datos etiquetados para entrenar modelos, permitiendo que el AGENTE de IA complete las tareas con mayor precisión.
• Aprendizaje no supervisado: descubrir patrones potenciales a partir de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
• Aprendizaje continuo: actualizando el modelo con datos en tiempo real, manteniendo el rendimiento del agente en un entorno dinámico.

1.2.5 Retroalimentación y ajustes en tiempo real

El AGENTE DE IA optimiza su rendimiento a través de un ciclo de retroalimentación constante. El resultado de cada acción se registra y se utiliza para ajustar las decisiones futuras. Este sistema de retroalimentación cerrada asegura la adaptabilidad y flexibilidad del AGENTE DE IA.

![Decodificando AGENTE AI: La fuerza inteligente que modela el nuevo ecosistema económico del futuro]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 Estado del mercado

1.3.1 Estado de la industria

El AGENTE DE IA se está convirtiendo en el centro de atención del mercado, gracias a su enorme potencial como interfaz de consumidor y agente económico autónomo, transformando múltiples industrias. Así como el potencial del espacio de bloques L1 fue difícil de medir en el ciclo anterior, el AGENTE DE IA también ha demostrado tener un panorama similar en este ciclo.

Según el último informe de Markets and Markets, se espera que el mercado de Agentes de IA crezca de 5.1 mil millones de dólares en 2024 a 47.1 mil millones de dólares en 2030, con una tasa de crecimiento anual compuesta ###CAGR( de hasta 44.8%. Este rápido crecimiento refleja el grado de penetración de los Agentes de IA en diversas industrias, así como la demanda del mercado impulsada por la innovación tecnológica.

Las grandes empresas han aumentado significativamente su inversión en marcos de proxies de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph en ciertas empresas están cada vez más activas, lo que indica que los AGENTES de IA tienen un mayor potencial de mercado fuera del ámbito de las criptomonedas, y el TAM también.