AGEN AI ANALITIK: KEKUATAN CERDAS UNTUK MEMBENTUK EKOLOGI EKONOMI BARU DI MASA DEPAN

1. Latar Belakang

1.1 Pendahuluan: "Mitra Baru" di Era Cerdas

Setiap siklus cryptocurrency membawa serta infrastruktur baru yang menggerakkan seluruh industri.

• Pada tahun 2017, munculnya kontrak pintar memicu perkembangan pesat ICO.
• Pada tahun 2020, kolam likuiditas DEX membawa gelombang panas DeFi.
• Pada tahun 2021, banyak seri karya NFT yang muncul menandai datangnya era koleksi digital.
• Di tahun 2024, kinerja luar biasa dari suatu platform peluncuran memimpin tren memecoin dan platform peluncuran.

Penting untuk ditekankan bahwa awal dari vertikal ini tidak hanya karena inovasi teknologi, tetapi juga hasil dari kombinasi sempurna antara model pembiayaan dan siklus pasar bullish. Ketika peluang datang pada waktu yang tepat, mereka dapat membuat perbedaan besar. Melihat ke depan ke tahun 2025, jelas bahwa area yang muncul dari siklus 2025 adalah agen AI. Tren ini memuncak pada Oktober tahun lalu, dengan token diluncurkan pada 11 Oktober 2024, dan mencapai kapitalisasi pasar $150 juta pada 15 Oktober. Kemudian, pada 16 Oktober, kesepakatan tertentu meluncurkan Luna, yang memulai debutnya sebagai gambar siaran langsung IP dari gadis sebelah, meledakkan seluruh industri.

Jadi, apa sebenarnya AI Agent itu?

Semua orang pasti tidak asing dengan film klasik "Resident Evil", di mana sistem AI Ratu Merah sangat mengesankan. Ratu Merah adalah sistem AI yang kuat, mengendalikan fasilitas dan sistem keamanan yang kompleks, dapat secara mandiri merasakan lingkungan, menganalisis data, dan segera mengambil tindakan.

Sebenarnya, AI Agent memiliki banyak kesamaan dengan fungsi inti dari Ratu Hati. AI Agent di dunia nyata berperan serupa dalam beberapa hal, mereka adalah "penjaga kebijaksanaan" di bidang teknologi modern, membantu perusahaan dan individu dalam menghadapi tugas-tugas kompleks melalui persepsi mandiri, analisis, dan eksekusi. Dari mobil otonom hingga layanan pelanggan cerdas, AI Agent telah menyusup ke berbagai sektor, menjadi kekuatan kunci untuk meningkatkan efisiensi dan inovasi. Entitas cerdas ini, seperti anggota tim yang tidak terlihat, memiliki kemampuan penuh mulai dari persepsi lingkungan hingga eksekusi keputusan, secara bertahap menyusup ke berbagai industri, mendorong peningkatan ganda dalam efisiensi dan inovasi.

MISALNYA, AGEN AI DAPAT DIGUNAKAN UNTUK MENGOTOMATISKAN PERDAGANGAN, MENGELOLA PORTOFOLIO, DAN MENGEKSEKUSI PERDAGANGAN SECARA REAL-TIME BERDASARKAN DATA YANG DIKUMPULKAN DARI PLATFORM DATA ATAU PLATFORM SOSIAL, TERUS MENGOPTIMALKAN KINERJANYA SENDIRI DALAM ITERASI. AGEN AI TIDAK MONOLITIK, TETAPI DIBAGI MENJADI BEBERAPA KATEGORI BERDASARKAN KEBUTUHAN SPESIFIK DALAM EKOSISTEM KRIPTO:

1. Agen AI tipe eksekusi: Berfokus pada penyelesaian tugas-tugas tertentu, seperti perdagangan, manajemen portofolio, atau arbitrase, dengan tujuan meningkatkan akurasi operasional dan mengurangi waktu yang dibutuhkan.

2.Agen AI Kreatif: Digunakan untuk menghasilkan konten, termasuk teks, desain, bahkan penciptaan musik.

3.AI Agen Sosial: Sebagai pemimpin opini di media sosial, berinteraksi dengan pengguna, membangun komunitas, dan terlibat dalam kegiatan pemasaran.

4. Agen AI Koordinasi: Mengkoordinasikan interaksi kompleks antara sistem atau peserta, sangat cocok untuk integrasi multi-rantai.

Dalam laporan ini, kami akan menggali asal-usul, keadaan saat ini, dan prospek aplikasi yang luas dari AI Agent, menganalisis bagaimana mereka membentuk kembali lanskap industri, dan memproyeksikan tren perkembangan masa depan mereka.

1.1.1 Sejarah

EVOLUSI AGEN AI MENUNJUKKAN EVOLUSI AI DARI PENELITIAN DASAR KE APLIKASI YANG MELUAS. Pada Konferensi Dartmouth pada tahun 1956, istilah "AI" pertama kali diciptakan, meletakkan dasar bagi AI sebagai bidang terpisah. Selama periode ini, penelitian AI berfokus terutama pada metode simbolis, sehingga memunculkan program AI pertama seperti ELIZA (chatbot) dan Dendral (sistem ahli di bidang kimia organik). Fase ini juga melihat proposal pertama jaringan saraf dan eksplorasi awal konsep pembelajaran mesin. Namun, penelitian AI selama periode ini sangat dibatasi oleh keterbatasan daya komputasi pada saat itu. Para peneliti telah mengalami kesulitan besar dalam pemrosesan bahasa alami dan pengembangan algoritma yang meniru fungsi kognitif manusia. Selain itu, pada tahun 1972, matematikawan James Lighthill mempresentasikan laporan yang diterbitkan pada tahun 1973 tentang status penelitian AI yang sedang berlangsung di Inggris. Laporan Lighthill pada dasarnya mengungkapkan pesimisme umum tentang penelitian AI setelah euforia awal, memicu hilangnya kepercayaan besar pada AI ( ) lembaga akademik Inggris, termasuk lembaga pendanaan. Setelah tahun 1973, pendanaan untuk penelitian AI berkurang secara drastis, dan bidang AI mengalami "musim dingin AI" pertamanya, dan skeptisisme tentang potensi AI meningkat.

Pada tahun 1980-an, perkembangan dan komersialisasi sistem pakar membuat perusahaan-perusahaan di seluruh dunia mulai mengadopsi teknologi AI. Periode ini melihat kemajuan signifikan dalam pembelajaran mesin, jaringan syaraf, dan pemrosesan bahasa alami, mendorong kemunculan aplikasi AI yang lebih kompleks. Pengenalan kendaraan otonom untuk pertama kalinya dan penerapan AI di berbagai industri seperti keuangan dan kesehatan juga menandai perluasan teknologi AI. Namun, pada akhir 1980-an hingga awal 1990-an, dengan runtuhnya permintaan pasar untuk perangkat keras AI khusus, bidang AI mengalami "musim dingin AI" yang kedua. Selain itu, bagaimana memperbesar skala sistem AI dan berhasil mengintegrasikannya ke dalam aplikasi praktis tetap menjadi tantangan yang berkelanjutan. Namun, pada tahun 1997, komputer Deep Blue milik IBM mengalahkan juara catur dunia Garry Kasparov, yang menjadi peristiwa tonggak dalam kemampuan AI untuk menyelesaikan masalah kompleks. Kebangkitan jaringan syaraf dan pembelajaran mendalam meletakkan dasar bagi perkembangan AI pada akhir 1990-an, menjadikan AI sebagai bagian yang tak terpisahkan dari lanskap teknologi, dan mulai mempengaruhi kehidupan sehari-hari.

Pada awal abad ini, kemajuan dalam kemampuan komputasi mendorong munculnya pembelajaran mendalam, dengan asisten virtual seperti Siri yang menunjukkan kegunaan AI dalam aplikasi konsumen. Pada dekade 2010-an, agen pembelajaran penguatan dan model generatif seperti GPT-2 mencapai terobosan lebih lanjut, mengangkat AI percakapan ke tingkat baru. Dalam proses ini, kemunculan model bahasa besar (Large Language Model, LLM) menjadi tonggak penting dalam perkembangan AI, terutama dengan peluncuran GPT-4 yang dianggap sebagai titik balik di bidang agen AI. Sejak suatu perusahaan merilis seri GPT, model pralatih besar dengan ratusan miliar bahkan ribuan miliar parameter telah menunjukkan kemampuan generasi dan pemahaman bahasa yang melampaui model tradisional. Kinerja luar biasa mereka dalam pemrosesan bahasa alami memungkinkan agen AI menunjukkan kemampuan interaksi yang logis dan terstruktur melalui generasi bahasa. Ini memungkinkan agen AI diaplikasikan dalam skenario seperti asisten obrolan, layanan pelanggan virtual, dan secara bertahap memperluas ke tugas yang lebih kompleks (seperti analisis bisnis, penulisan kreatif).

Kemampuan belajar model bahasa besar memberi agen AI otonomi yang lebih besar. Melalui teknologi reinforcement learning, agen AI dapat terus mengoptimalkan perilaku mereka dan beradaptasi dengan lingkungan yang dinamis. Misalnya, di beberapa platform berbasis AI, agen AI dapat menyesuaikan strategi perilaku berdasarkan masukan pemain untuk benar-benar mencapai interaksi dinamis.

Dari sistem aturan awal hingga model bahasa besar yang diwakili oleh GPT-4, sejarah pengembangan agen AI adalah kisah evolusi yang terus menerus melampaui batasan teknologi. Kemunculan GPT-4 jelas merupakan titik balik yang signifikan dalam perjalanan ini. Seiring dengan perkembangan teknologi lebih lanjut, agen AI akan menjadi lebih cerdas, kontekstual, dan beragam. Model bahasa besar tidak hanya memberikan "kecerdasan" sebagai jiwa bagi agen AI, tetapi juga memberikannya kemampuan kolaborasi lintas bidang. Di masa depan, platform proyek inovatif akan terus bermunculan, terus mendorong penerapan dan pengembangan teknologi agen AI, memimpin era baru pengalaman yang didorong oleh AI.

Prinsip kerja 1.2

Perbedaan antara AIAGENT dan robot tradisional adalah bahwa mereka dapat belajar dan beradaptasi seiring berjalannya waktu, membuat keputusan yang mendetail untuk mencapai tujuan. Mereka dapat dianggap sebagai peserta yang terampil dan terus berkembang di bidang kripto, mampu bertindak secara mandiri dalam ekonomi digital.

PADA INTINYA, AGEN AI BERSIFAT "CERDAS" ------ YAITU, MEREKA MENGGUNAKAN ALGORITME UNTUK MENSIMULASIKAN PERILAKU CERDAS MANUSIA ATAU MAKHLUK LAIN UNTUK MEMECAHKAN MASALAH KOMPLEKS SECARA OTOMATIS. ALUR KERJA AGEN AI BIASANYA MENGIKUTI LANGKAH-LANGKAH BERIKUT: PERSEPSI, INFERENSI, TINDAKAN, PEMBELAJARAN, DAN PENYESUAIAN.

1.2.1 Modul Persepsi

AGEN AI BERINTERAKSI DENGAN DUNIA LUAR MELALUI MODUL PERSEPSI DAN MENGUMPULKAN INFORMASI LINGKUNGAN. Bagian ini berfungsi mirip dengan indera manusia, memanfaatkan perangkat seperti sensor, kamera, mikrofon, dll., untuk menangkap data eksternal, yang meliputi mengekstraksi fitur yang bermakna, mengidentifikasi objek, atau mengidentifikasi entitas yang relevan di lingkungan. Tugas inti dari modul persepsi adalah mengubah data mentah menjadi informasi yang bermakna, yang biasanya melibatkan teknologi berikut:

• Penglihatan komputer: digunakan untuk memproses dan memahami data gambar dan video.
• Pemrosesan bahasa alami (NLP): membantu AI AGENT memahami dan menghasilkan bahasa manusia.
• Penggabungan sensor: Mengintegrasikan data dari beberapa sensor menjadi satu pandangan yang seragam.

1.2.2 Modul Inferensi dan Pengambilan Keputusan

Setelah merasakan lingkungan, AI AGENT perlu membuat keputusan berdasarkan data. Modul penalaran dan pengambilan keputusan adalah "otak" dari seluruh sistem, yang melakukan penalaran logis dan merumuskan strategi berdasarkan informasi yang dikumpulkan. Menggunakan model bahasa besar sebagai pengatur atau mesin penalaran untuk memahami tugas, menghasilkan solusi, dan mengoordinasikan model khusus untuk fungsi tertentu seperti pembuatan konten, pemrosesan visual, atau sistem rekomendasi.

Modul ini biasanya menggunakan teknologi berikut:

• Mesin aturan: Mengambil keputusan sederhana berdasarkan aturan yang telah ditetapkan.
• Model pembelajaran mesin: termasuk pohon keputusan, jaringan syaraf, dll., digunakan untuk pengenalan pola dan prediksi yang kompleks.
• Pembelajaran penguatan: Membuat AGENT AI terus-menerus mengoptimalkan strategi keputusan melalui trial and error, beradaptasi dengan lingkungan yang berubah.

Proses penalaran biasanya terdiri dari beberapa langkah: pertama, penilaian lingkungan, kedua, perhitungan beberapa kemungkinan tindakan berdasarkan tujuan, dan terakhir pemilihan solusi optimal untuk eksekusi.

1.2.3 Modul Eksekusi

Modul eksekusi adalah "tangan dan kaki" dari AI AGENT, yang mengimplementasikan keputusan dari modul penalaran. Bagian ini berinteraksi dengan sistem atau perangkat eksternal untuk menyelesaikan tugas yang ditentukan. Ini mungkin melibatkan operasi fisik (seperti tindakan robot) atau operasi digital (seperti pemrosesan data). Modul eksekusi bergantung pada:

• Sistem kontrol robot: digunakan untuk operasi fisik, seperti gerakan lengan robot.
• Panggilan API: Berinteraksi dengan sistem perangkat lunak eksternal, seperti kueri database atau akses layanan web.
• Manajemen Proses Otomatis: Di lingkungan perusahaan, melakukan tugas berulang melalui RPA (Otomatisasi Proses Robotik).

1.2.4 Modul Pembelajaran

Modul pembelajaran adalah kekuatan inti dari AI AGENT, yang memungkinkan agen menjadi semakin cerdas seiring berjalannya waktu. Melalui siklus umpan balik atau "roda data" yang terus menerus meningkatkan, data yang dihasilkan dalam interaksi dikembalikan ke dalam sistem untuk memperkuat model. Kemampuan ini, yang beradaptasi secara bertahap seiring waktu dan menjadi lebih efektif, memberikan alat yang kuat bagi bisnis untuk meningkatkan pengambilan keputusan dan efisiensi operasional.

Modul pembelajaran biasanya ditingkatkan melalui cara berikut:

• PEMBELAJARAN YANG DIAWASI: GUNAKAN DATA BERLABEL UNTUK PELATIHAN MODEL, SEHINGGA AGEN AI DAPAT MENYELESAIKAN TUGAS DENGAN LEBIH AKURAT.
• Pembelajaran tanpa pengawasan: Temukan pola potensial dalam data yang tidak berlabel untuk membantu agen beradaptasi dengan lingkungan baru.
• Pembelajaran berkelanjutan: Memperbarui model dengan data real-time untuk menjaga kinerja agen dalam lingkungan yang dinamis.

1.2.5 Umpan Balik dan Penyesuaian Waktu Nyata

AI AGENT mengoptimalkan kinerjanya melalui umpan balik yang terus-menerus. Hasil dari setiap tindakan dicatat dan digunakan untuk menyesuaikan keputusan di masa depan. Sistem umpan balik tertutup ini memastikan adaptabilitas dan fleksibilitas AI AGENT.

1.3 Situasi Pasar

1.3.1 Status Industri

AI AGENT sedang menjadi fokus pasar, dengan potensi besar sebagai antarmuka konsumen dan pelaku ekonomi mandiri, membawa perubahan bagi berbagai industri. Sama seperti potensi ruang blok L1 yang sulit diukur pada siklus sebelumnya, AI AGENT juga menunjukkan prospek yang sama dalam siklus ini.

Menurut laporan terbaru dari Markets and Markets, pasar AI Agent diperkirakan akan tumbuh dari 5,1 miliar dolar AS pada tahun 2024 menjadi 47,1 miliar dolar AS pada tahun 2030, dengan tingkat pertumbuhan tahunan gabungan (CAGR) mencapai 44,8%. Pertumbuhan yang cepat ini mencerminkan penetrasi AI Agent di berbagai industri dan permintaan pasar yang dihasilkan oleh inovasi teknologi.

Perusahaan besar juga semakin meningkatkan investasi mereka dalam kerangka kerja proxy sumber terbuka. Aktivitas pengembangan kerangka kerja seperti AutoGen, Phidata, dan LangGraph dari suatu perusahaan semakin aktif, yang menunjukkan bahwa AI AGENT memiliki potensi pasar yang lebih besar di luar bidang kripto.