Análise do AGENTE AI: A força inteligente que molda a nova ecologia da economia futura

1. Visão geral do contexto

1.1 Introdução: os "novos parceiros" da era inteligente

Cada ciclo de criptomoedas traz consigo uma infraestrutura totalmente nova que impulsiona toda a indústria.

• Em 2017, o surgimento dos contratos inteligentes deu origem ao florescimento do ICO.
• Em 2020, as pools de liquidez da DEX trouxeram a onda do verão DeFi.
• Em 2021, o surgimento de uma grande quantidade de séries de obras NFT marcou a chegada da era dos colecionáveis digitais.
• Em 2024, o excelente desempenho de uma plataforma de lançamento liderou o boom de memecoin e plataformas de lançamento.

É importante enfatizar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas também à combinação perfeita de modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar uma grande transformação. Olhando para 2025, é evidente que os novos setores emergentes do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu seu auge em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024, alcançando um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo após, em 16 de outubro, um determinado protocolo lançou o Luna, apresentando pela primeira vez a imagem de uma garota da vizinhança em uma transmissão ao vivo, incendiando toda a indústria.

Então, o que é exatamente um Agente de IA?

Todos estão familiarizados com o filme clássico "Resident Evil", e 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 de forma autônoma, analisar dados e agir rapidamente.

Na verdade, o AI Agent tem muitas semelhanças com as funções centrais da Rainha de Copas. Os AI Agents no mundo real desempenham um papel semelhante até certo ponto, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autónomos até atendimento ao cliente inteligente, os AI Agents já estão profundamente integrados em vários setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem uma capacidade abrangente que vai desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em diversas indústrias e promovendo um aumento duplo em eficiência e inovação.

POR EXEMPLO, UM AGENTE DE IA PODE SER USADO PARA AUTOMATIZAR A NEGOCIAÇÃO, GERENCIAR CARTEIRAS E EXECUTAR NEGOCIAÇÕES EM TEMPO REAL COM BASE EM DADOS COLETADOS DE PLATAFORMAS DE DADOS OU PLATAFORMAS SOCIAIS, OTIMIZANDO CONTINUAMENTE SEU PRÓPRIO DESEMPENHO EM ITERAÇÕES. OS AGENTES DE IA NÃO SÃO MONOLÍTICOS, MAS SÃO DIVIDIDOS EM DIFERENTES CATEGORIAS COM BASE EM NECESSIDADES ESPECÍFICAS NO ECOSSISTEMA CRIPTO:

1. Agente de IA Executiva: Focado em concluir tarefas específicas, como trading, gestão de portfólio ou arbitragem, com o objetivo de aumentar a precisão operacional e reduzir o tempo necessário.

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

3. Agente de IA Social: atua como um líder de opinião nas redes sociais, interage com os usuários, constrói comunidades e participa de atividades de marketing.

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

Neste relatório, vamos explorar profundamente as origens, 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.

! Decoding AI AGENT: The Intelligent Power to Shape the Future New Economic Ecology

1.1.1 História

O desenvolvimento do AGENTE DE IA mostra a evolução da IA desde a pesquisa básica até a aplicação ampla. Na conferência de Dartmouth em 1956, o termo "IA" foi proposto 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, dando origem aos primeiros programas de IA, como ELIZA (um chatbot) e Dendral (um sistema especialista na área de química orgânica). Esta fase também testemunhou a proposta inicial de redes neurais e a exploração preliminar 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 grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e para a imitação das funções cognitivas humanas. Além disso, em 1972, o matemático James Lighthill apresentou um relatório sobre o estado da pesquisa em IA em andamento no Reino Unido, publicado em 1973. O relatório de Lighthill expressou basicamente um pessimismo abrangente após o período inicial de entusiasmo pela pesquisa em IA, levando à perda de confiança significativa em IA por parte de instituições acadêmicas no Reino Unido, incluindo as agências de financiamento (. Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pelo primeiro "inverno da IA", com um aumento nas dúvidas 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 tecnologias de IA. Este período viu grandes avanços em aprendizado de máquina, redes neurais e processamento de linguagem natural, impulsionando o surgimento de aplicações de IA mais complexas. A introdução de veículos autônomos e a implantação da IA em setores como finanças e saúde também marcaram a expansão da tecnologia de IA. Contudo, no final da década de 1980 até o início da década de 1990, com o colapso da demanda por hardware de IA especializado, o campo da IA passou pela segunda "inverno da IA". Além disso, a ampliação da escala dos sistemas de IA e a sua integração bem-sucedida em aplicações práticas continuam a ser um desafio persistente. Entretanto, em 1997, o computador Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, um marco na capacidade da IA em 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, fazendo com que a IA se tornasse uma parte indispensável da paisagem tecnológica e começasse a influenciar a vida cotidiana.

No início deste século, o avanço da capacidade computacional impulsionou o surgimento do aprendizado profundo, com assistentes virtuais como a Siri demonstrando a utilidade da IA em aplicações de consumo. Na década de 2010, os agentes de aprendizado por reforço e modelos gerativos como o GPT-2 alcançaram novos avanços, elevando a inteligência artificial conversacional a novas alturas. Nesse processo, o surgimento de modelos de linguagem de grande escala (Large Language Model, LLM) tornou-se um marco importante no desenvolvimento da IA, especialmente com o lançamento do GPT-4, que é considerado um ponto de virada no campo dos agentes de IA. Desde o lançamento da série GPT por uma determinada empresa, modelos pré-treinados em larga escala, com dezenas ou até centenas de bilhões de parâmetros, demonstraram capacidades de geração e compreensão de linguagem que superam os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permitiu que os agentes de IA mostrassem habilidades de interação lógicas e bem estruturadas através da geração de linguagem. Isso possibilitou que os agentes de IA fossem aplicados em cenários como assistentes de bate-papo e atendimento virtual, expandindo gradualmente para tarefas mais complexas, como análise de negócios e redação criativa.

A capacidade de aprendizado dos grandes modelos de linguagem oferece maior autonomia aos agentes de IA. Através da tecnologia de Aprendizado por Reforço, os agentes de IA podem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em certas plataformas impulsionadas por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando assim uma interação dinâmica.

Do sistema de regras inicial ao modelo de linguagem grande representado pelo GPT-4, a história de desenvolvimento dos agentes de IA é uma história evolutiva que constantemente ultrapassa os limites da tecnologia. O surgimento do GPT-4 é, sem dúvida, um grande ponto de viragem nesta jornada. Com o desenvolvimento da tecnologia, os agentes de IA se tornarão mais inteligentes, baseados em cenários e diversificados. Grandes modelos de linguagem não apenas injetam a alma da "inteligência" nos agentes de IA, mas também lhes fornecem a capacidade de colaborar entre domínios. No futuro, plataformas de projetos inovadoras continuarão a surgir para continuar a promover a implementação e o desenvolvimento da tecnologia de agências de IA e liderar uma nova era de experiência orientada por IA.

![Decodificar AI AGENT: A força inteligente moldando o novo ecossistema econômico do futuro])https://img-cdn.gateio.im/webp-social/moments-b2211eca49347f5293d6624a040c20cd.webp(

) 1.2 Como funciona

A diferença entre AIAGENT e robôs tradicionais é que eles podem aprender e se adaptar ao longo do tempo, tomando decisões detalhadas para alcançar objetivos. Eles podem ser vistos como participantes tecnicamente sofisticados e em constante evolução no campo das criptomoedas, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE AI reside na sua "inteligência" ------ ou seja, simular o comportamento inteligente de humanos ou outros seres vivos através de algoritmos, a fim de automatizar a resolução de problemas complexos. O fluxo de trabalho do AGENTE AI normalmente 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 de módulos de percepção, coletando informações do ambiente. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmaras, microfones e outros dispositivos para capturar dados externos, o que inclui extrair características significativas, reconhecer objetos ou determinar entidades relevantes no ambiente. A tarefa principal do módulo de percepção é transformar dados brutos em informações significativas, o que geralmente envolve as seguintes tecnologias:

• Visão computacional: utilizada para processar e entender dados de imagem e vídeo.
• PROCESSAMENTO DE LINGUAGEM NATURAL (PNL): AJUDA OS AGENTES DE IA A ENTENDER E GERAR LINGUAGEM HUMANA.
• Fusão de sensores: integrar dados de múltiplos sensores em uma visão unificada.

1.2.2 Módulo de Raciocínio e Decisão

Após perceber o ambiente, o AGENTE AI precisa tomar decisões com base nos dados. O módulo de raciocínio e decisão é o "cérebro" de todo o sistema, realizando raciocínio lógico e elaboração de estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem, entre outros, como orquestradores ou motores de raciocínio, compreende as 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: decisões simples baseadas em regras predefinidas.
• Modelos de aprendizagem de máquina: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsão.
• APRENDIZAGEM POR REFORÇO: PERMITA QUE OS AGENTES DE IA OTIMIZEM CONTINUAMENTE AS ESTRATÉGIAS DE TOMADA DE DECISÃO ATRAVÉS DE TENTATIVA E ERRO PARA SE ADAPTAREM A AMBIENTES EM MUDANÇA.

O processo de raciocínio geralmente envolve várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, calcular várias opções de ação com base nos objetivos; por fim, 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 prática as decisões do módulo de raciocínio. Esta parte interage com sistemas ou dispositivos externos para completar tarefas designadas. 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: Interaja com sistemas de software externos, como consultas de banco de dados ou acesso a serviços da Web.
• Gestão de processos automatizados: no ambiente empresarial, executar tarefas repetitivas através de RPA (automação de processos robóticos).

1.2.4 Módulo de Aprendizagem

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 um ciclo de feedback ou "flywheel de dados", os dados gerados nas interações são retornados ao sistema para melhorar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo oferece às empresas uma ferramenta poderosa para aprimorar 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 modelos, permitindo que o AGENTE de IA complete tarefas com mais precisão.
• Aprendizagem não supervisionada: Descubra padrões potenciais em dados não rotulados para ajudar os agentes a se adaptarem a novos ambientes.
• Aprendizado contínuo: atualizar o modelo com dados em tempo real para manter o desempenho do agente em ambientes dinâmicos.

1.2.5 Feedback e ajustes em tempo real

O AGENTE DE IA OTIMIZA SEU DESEMPENHO POR MEIO DE UM CICLO DE FEEDBACK CONSTANTE. Os resultados de cada ação são registados e utilizados para ajustar decisões futuras. ESTE SISTEMA DE CIRCUITO FECHADO GARANTE A ADAPTABILIDADE E FLEXIBILIDADE DO AGENTE DE IA.

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

) 1.3 Situação do mercado

1.3.1 Estado da Indústria

O AGENTE DE IA está a tornar-se o centro das atenções no mercado, trazendo uma transformação para vários setores com o seu enorme potencial como interface do consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 foi difícil de avaliar na última ronda do ciclo, o AGENTE DE IA também demonstrou uma perspetiva semelhante nesta ronda.

De acordo com o último relatório da Markets and Markets, o mercado de Agentes de IA deverá 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 do mercado gerada pela inovação tecnológica.

As grandes empresas também estão aumentando 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 o AGENTE de IA tem um potencial de mercado maior além do campo das criptomoedas.