Décodez l'AGENT IA : la puissance intelligente qui façonne la nouvelle économie écologique du futur

1. Contexte général

1.1 Introduction : le "nouveau partenaire" de l'ère intelligente

Chaque cycle de cryptomonnaie apporte une nouvelle infrastructure qui propulse l'ensemble de l'industrie.

• En 2017, l'émergence des contrats intelligents a entraîné un développement florissant des ICO.
• En 2020, les pools de liquidité DEX ont apporté la vague estivale de DeFi.
• En 2021, une multitude de séries d'œuvres NFT ont vu le jour, marquant l'avènement de l'ère des objets de collection numériques.
• En 2024, l'excellente performance d'une plateforme de lancement a conduit à une vague de popularité pour les memecoins et les plateformes de lancement.

Il est important de souligner que le démarrage de ces domaines verticaux n'est pas uniquement dû à l'innovation technologique, mais également à la combinaison parfaite entre les modèles de financement et le cycle de marché haussier. Lorsque l'opportunité rencontre le bon moment, cela peut engendrer de grands changements. En regardant vers 2025, il est clair que les nouveaux domaines émergents du cycle de 2025 seront les agents AI. Cette tendance a atteint son apogée en octobre dernier, lorsque certains tokens ont été lancés le 11 octobre 2024, atteignant une capitalisation boursière de 150 millions de dollars le 15 octobre. Juste après, le 16 octobre, un certain protocole a lancé Luna, apparaissant pour la première fois sous l'image de diffusion en direct d'une fille du voisinage, déclenchant une explosion dans toute l'industrie.

Alors, qu'est-ce qu'un agent AI ?

Tout le monde est probablement familier avec le film classique "Resident Evil", dans lequel le système d'IA Reine Rouge est particulièrement impressionnant. La Reine Rouge est un puissant système d'IA qui contrôle des installations et des systèmes de sécurité complexes, capable de percevoir son environnement, d'analyser des données et de réagir rapidement.

En réalité, les fonctions clés de l'Agent AI présentent de nombreuses similitudes avec celles de la Reine de Cœur. Dans le monde réel, les Agents AI jouent dans une certaine mesure un rôle similaire, agissant en tant que "gardiens de la sagesse" dans le domaine technologique moderne. Grâce à la perception autonome, à l'analyse et à l'exécution, ils aident les entreprises et les particuliers à faire face à des tâches complexes. Des voitures autonomes aux services clients intelligents, les Agents AI se sont intégrés dans divers secteurs, devenant une force clé pour améliorer l'efficacité et l'innovation. Ces agents intelligents autonomes, tels des membres d'équipe invisibles, possèdent des capacités complètes allant de la perception de l'environnement à l'exécution des décisions, s'infiltrant progressivement dans divers secteurs et propulsant une double amélioration de l'efficacité et de l'innovation.

Par exemple, un AGENT IA peut être utilisé pour le trading automatisé, en gérant en temps réel un portefeuille et en exécutant des transactions sur la base des données collectées à partir d'une plateforme ou d'une plateforme sociale, optimisant continuellement ses performances au cours des itérations. L'AGENT IA n'est pas une forme unique, mais se divise en différentes catégories en fonction des besoins spécifiques de l'écosystème crypto:

1. Agent IA Exécutoire : se concentre sur l'exécution de tâches spécifiques, telles que le trading, la gestion de portefeuille ou l'arbitrage, et vise à améliorer la précision opérationnelle tout en réduisant le temps nécessaire.

2. Agent IA créatif : utilisé pour la génération de contenu, y compris des textes, des conceptions et même des créations musicales.

3. Agent IA social : En tant que leader d'opinion sur les réseaux sociaux, interagir avec les utilisateurs, établir une communauté et participer à des activités de marketing.

4. Agent AI de coordination : coordonne les interactions complexes entre les systèmes ou les participants, particulièrement adapté à l'intégration multi-chaînes.

Dans ce rapport, nous explorerons en profondeur l'origine, l'état actuel et les vastes perspectives d'application des agents IA, en analysant comment ils redéfinissent le paysage industriel et en envisageant les tendances de développement futur.

1.1.1 Histoire du développement

L'évolution du développement des AG en IA montre la transformation de l'IA de la recherche fondamentale à l'application généralisée. Le terme "IA" a été proposé pour la première fois lors de la conférence de Dartmouth en 1956, établissant ainsi les bases de l'IA en tant que domaine indépendant. À cette époque, la recherche en IA se concentrait principalement sur les méthodes symboliques, donnant naissance aux premiers programmes d'IA, tels qu'ELIZA(, un chatbot), et Dendral(, un système d'expert dans le domaine de la chimie organique). Cette phase a également été marquée par la première proposition de réseaux de neurones et l'exploration préliminaire du concept d'apprentissage automatique. Cependant, la recherche en IA à cette époque était gravement limitée par les capacités de calcul de l'époque. Les chercheurs ont rencontré d'énormes difficultés dans le développement d'algorithmes pour le traitement du langage naturel et l'imitation des fonctions cognitives humaines. De plus, en 1972, le mathématicien James Lighthill a soumis un rapport publié en 1973 sur l'état de la recherche en IA en cours au Royaume-Uni. Le rapport de Lighthill exprimait essentiellement un pessimisme généralisé envers la recherche en IA après la période initiale d'excitation, entraînant une perte de confiance massive des institutions académiques britanniques(, y compris des organismes de financement), envers l'IA. Après 1973, le financement de la recherche en IA a considérablement diminué, et le domaine de l'IA a connu le premier "hiver de l'IA", avec une augmentation des doutes sur le potentiel de l'IA.

Dans les années 1980, le développement et la commercialisation des systèmes experts ont conduit les entreprises du monde entier à adopter des technologies d'IA. Cette période a connu d'importants progrès en apprentissage automatique, en réseaux de neurones et en traitement du langage naturel, favorisant l'émergence d'applications d'IA plus complexes. L'introduction des véhicules autonomes pour la première fois et le déploiement de l'IA dans divers secteurs tels que la finance et la santé ont également marqué l'expansion de la technologie IA. Cependant, à la fin des années 1980 et au début des années 1990, avec l'effondrement de la demande du marché pour du matériel IA spécialisé, le domaine de l'IA a traversé le deuxième "hiver de l'IA". De plus, comment étendre l'échelle des systèmes d'IA et les intégrer avec succès dans des applications pratiques reste un défi persistant. Mais en attendant, en 1997, l'ordinateur Deep Blue d'IBM a battu le champion du monde d'échecs Garry Kasparov, ce qui constitue un événement marquant dans la capacité de l'IA à résoudre des problèmes complexes. Le renouveau des réseaux de neurones et de l'apprentissage profond a jeté les bases du développement de l'IA à la fin des années 1990, faisant de l'IA une partie intégrante du paysage technologique et commençant à influencer la vie quotidienne.

Au début du XXIe siècle, les progrès de la puissance de calcul ont favorisé l'émergence de l'apprentissage profond, et des assistants virtuels comme Siri ont démontré l'utilité de l'IA dans le domaine des applications grand public. Dans les années 2010, les agents d'apprentissage par renforcement et des modèles génératifs tels que GPT-2 ont réalisé des avancées supplémentaires, propulsant l'IA conversationnelle vers de nouveaux sommets. Dans ce processus, l'émergence des modèles de langage à grande échelle (Large Language Model, LLM) est devenue un jalon important dans le développement de l'IA, notamment avec la publication de GPT-4, qui est considérée comme un tournant dans le domaine des agents d'IA. Depuis qu'une certaine entreprise a publié la série GPT, les modèles pré-entraînés à grande échelle, avec des centaines de milliards voire des milliers de milliards de paramètres, ont montré des capacités de génération et de compréhension du langage dépassant celles des modèles traditionnels. Leurs performances exceptionnelles en traitement du langage naturel ont permis aux agents d'IA de démontrer des capacités d'interaction logiques et bien structurées grâce à la génération de langage. Cela a permis aux agents d'IA d'être appliqués dans des scénarios tels que les assistants de chat, le service client virtuel, et de s'étendre progressivement vers des tâches plus complexes ( telles que l'analyse commerciale et l'écriture créative ).

La capacité d'apprentissage des grands modèles de langage offre une plus grande autonomie aux agents IA. Grâce à la technique de (Reinforcement Learning), les agents IA peuvent continuellement optimiser leur comportement et s'adapter à un environnement dynamique. Par exemple, sur une certaine plateforme alimentée par l'IA, les agents IA peuvent ajuster leur stratégie comportementale en fonction des entrées des joueurs, réalisant ainsi une interaction dynamique.

De l'ancien système de règles aux grands modèles de langage représentés par GPT-4, l'histoire du développement des agents IA est une histoire d'évolution qui repousse sans cesse les frontières technologiques. L'apparition de GPT-4 est sans aucun doute un tournant majeur dans ce parcours. Avec le développement technologique continu, les agents IA deviendront plus intelligents, scénarisés et diversifiés. Les grands modèles de langage non seulement insufflent "l'intelligence" dans l'âme des agents IA, mais leur offrent également la capacité de collaboration inter-domaines. À l'avenir, des plateformes de projets innovants continueront d'émerger, poussant le déploiement et le développement de la technologie des agents IA, et ouvrant la voie à une nouvelle ère d'expériences propulsées par l'IA.

1.2 Principe de fonctionnement

La différence entre AIAGENT et les robots traditionnels réside dans leur capacité à apprendre et à s'adapter au fil du temps, prenant des décisions minutieuses pour atteindre des objectifs. On peut les considérer comme des participants hautement qualifiés et en constante évolution dans le domaine de la cryptographie, capables d'agir de manière autonome dans l'économie numérique.

Le cœur de l'AGENT IA réside dans son "intelligence" — c'est-à-dire la simulation des comportements intelligents humains ou d'autres êtres vivants par des algorithmes, afin de résoudre automatiquement des problèmes complexes. Le flux de travail d'un AGENT IA suit généralement les étapes suivantes : perception, raisonnement, action, apprentissage, ajustement.

1.2.1 Module de perception

L'AGENT IA interagit avec le monde extérieur grâce à un module de perception, collectant des informations sur l'environnement. Cette partie de la fonctionnalité est similaire aux sens humains, utilisant des capteurs, des caméras, des microphones et d'autres dispositifs pour capturer des données externes, y compris l'extraction de caractéristiques significatives, la reconnaissance d'objets ou la détermination des entités pertinentes dans l'environnement. La tâche principale du module de perception est de transformer les données brutes en informations significatives, ce qui implique généralement les technologies suivantes :

• Vision par ordinateur : utilisée pour traiter et comprendre les données d'images et de vidéos.
• Traitement du langage naturel ( NLP ) : aider l'AGENT AI à comprendre et à générer le langage humain.
• Fusion de capteurs : intégrer les données provenant de plusieurs capteurs en une vue unifiée.

1.2.2 Module de raisonnement et de décision

Après avoir perçu l'environnement, l'AGENT AI doit prendre des décisions en fonction des données. Le module de raisonnement et de prise de décision est le "cerveau" de l'ensemble du système, il effectue un raisonnement logique et élabore des stratégies sur la base des informations collectées. En utilisant des modèles de langage de grande taille pour agir en tant qu'orchestrateur ou moteur de raisonnement, il comprend les tâches, génère des solutions et coordonne des modèles spécialisés pour des fonctions spécifiques telles que la création de contenu, le traitement visuel ou les systèmes de recommandation.

Ce module utilise généralement les technologies suivantes :

• Moteur de règles : prise de décisions simples basée sur des règles préétablies.
• Modèles d'apprentissage automatique : incluant les arbres de décision, les réseaux de neurones, etc., utilisés pour la reconnaissance de motifs complexes et la prévision.
• Apprentissage par renforcement : permettre à l'AGENT IA d'optimiser en continu ses stratégies de décision par essais et erreurs, en s'adaptant à un environnement changeant.

Le processus de raisonnement comprend généralement plusieurs étapes : tout d'abord, l'évaluation de l'environnement, ensuite, le calcul de plusieurs options d'action possibles en fonction des objectifs, et enfin, le choix de la meilleure option à exécuter.

1.2.3 Module d'exécution

Le module d'exécution est les "mains et pieds" de l'AGENT IA, mettant en œuvre les décisions du module de raisonnement. Cette partie interagit avec des systèmes ou dispositifs externes pour accomplir des tâches spécifiques. Cela peut impliquer des opérations physiques ( comme des actions de robot ) ou des opérations numériques ( comme le traitement de données ). Le module d'exécution dépend de :

• Système de contrôle robotique : utilisé pour des opérations physiques, telles que le mouvement des bras robotiques.
• Appel API : interagir avec des systèmes logiciels externes, tels que les requêtes de base de données ou l'accès aux services web.
• Gestion des processus automatisés : dans un environnement d'entreprise, l'automatisation des processus par robot (RPA() exécute des tâches répétitives.

)# 1.2.4 Module d'apprentissage

Le module d'apprentissage est la compétence clé de l'AGENT IA, il permet à l'agent de devenir plus intelligent avec le temps. Grâce à un cycle de rétroaction ou "roue de données" pour une amélioration continue, les données générées lors des interactions sont renvoyées dans le système pour améliorer le modèle. Cette capacité à s'adapter progressivement et à devenir plus efficace au fil du temps offre aux entreprises un outil puissant pour améliorer la prise de décision et l'efficacité opérationnelle.

Les modules d'apprentissage sont généralement améliorés de la manière suivante :

• Apprentissage supervisé : Utiliser des données étiquetées pour former le modèle, permettant à l'AGENT IA d'accomplir les tâches de manière plus précise.
• Apprentissage non supervisé : découvrir des motifs sous-jacents à partir de données non étiquetées, aidant les agents à s'adapter à de nouveaux environnements.
• Apprentissage continu : Mettre à jour le modèle avec des données en temps réel pour maintenir les performances de l'agent dans un environnement dynamique.

1.2.5 Retour d'information en temps réel et ajustement

L'AGENT IA optimise ses performances grâce à un cycle de rétroaction continu. Les résultats de chaque action sont enregistrés et utilisés pour ajuster les décisions futures. Ce système en boucle fermée garantit l'adaptabilité et la flexibilité de l'AGENT IA.

1.3 État du marché

1.3.1 État de l'industrie

L'AGENT IA devient le point focal du marché, grâce à son immense potentiel en tant qu'interface consommateur et acteur économique autonome, apportant des transformations à plusieurs secteurs. Tout comme le potentiel de l'espace de bloc L1 était difficile à évaluer lors du dernier cycle, l'AGENT IA montre également des perspectives similaires dans ce cycle.

Selon le dernier rapport de Markets and Markets, le marché des agents IA devrait passer de 5,1 milliards de dollars en 2024 à 47,1 milliards de dollars en 2030, avec un taux de croissance annuel composé ###CAGR( atteignant 44,8 %. Cette croissance rapide reflète la pénétration des agents IA dans divers secteurs et la demande du marché générée par l'innovation technologique.

Les grandes entreprises investissent également de plus en plus dans les frameworks de proxy open source. Les activités de développement de frameworks tels qu'AutoGen, Phidata et LangGraph de certaines entreprises deviennent de plus en plus dynamiques, ce qui indique que l'AGENT AI a un plus grand potentiel de marché en dehors du domaine de la cryptographie, et le TAM aussi.