Descodificar AI AGENT: a força inteligente que molda a nova ecologia da economia do futuro

1. Contexto Geral

1.1 Introdução: o "novo parceiro" da era inteligente

Cada ciclo de criptomoedas traz uma nova infraestrutura que impulsiona o desenvolvimento de toda a indústria.

• Em 2017, o surgimento dos contratos inteligentes levou ao florescimento do ICO.
• Em 2020, as pools de liquidez 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 desempenho excecional de uma plataforma de lançamento liderou a onda de memecoins e plataformas de lançamento.

É importante ressaltar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas é também o resultado da perfeita combinação entre modelos de financiamento e ciclos de mercado em alta. Quando oportunidades encontram o momento certo, podem gerar enormes transformações. Olhando para 2025, é evidente que os novos setores do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu seu pico em outubro do ano passado, quando um determinado token foi lançado em 11 de outubro de 2024 e alcançou um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo depois, em 16 de outubro, um certo protocolo lançou a Luna, apresentando pela primeira vez a imagem de uma garota do próximo bairro em uma transmissão ao vivo, incendiando toda a indústria.

Então, o que é um Agente de IA?

Todos estão familiarizados com o clássico filme "Resident Evil", e o sistema de IA Rainha Vermelha deixa uma impressão duradoura. 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 principais da Rainha de Copas. Na realidade, os AI Agents desempenham um papel semelhante até certo ponto; eles são os "guardians da sabedoria" na área da tecnologia moderna, ajudando empresas e indivíduos a lidar com tarefas complexas através da percepção, análise e execução autônomas. Desde carros autônomos até atendimento ao cliente inteligente, os AI Agents estão profundamente integrados em várias indústrias, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes autônomos, como membros invisíveis da equipe, possuem habilidades abrangentes que vão desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em diversos setores e promovendo um aumento duplo na eficiência e na inovação.

Por exemplo, um AGENTE de IA pode ser usado para negociação automática, gerenciando em tempo real um portfólio e executando transações com base nos dados coletados de plataformas de dados ou sociais, otimizando continuamente seu desempenho em iterações. O AGENTE de IA não é uma forma única, mas é dividido em diferentes categorias de acordo com as necessidades específicas do ecossistema criptográfico:

1. Agente de IA Executiva: Focado em concluir tarefas específicas, como negociação, 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 criação musical.

3. Agente de IA Social: atuar como um líder de opinião nas redes sociais, interagir com os usuários, construir comunidades e participar em campanhas de marketing.

4. Agente de IA Coordenador: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multi-chain.

Neste relatório, vamos explorar em profundidade a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como eles estão a reconfigurar o panorama da indústria e perspetivando as suas tendências de desenvolvimento futuro.

1.1.1 História do Desenvolvimento

A evolução do AGENTE DE IA mostra a transformação 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 a base para a IA como um campo independente. Durante este período, a pesquisa em IA concentrou-se principalmente em métodos simbólicos, gerando os primeiros programas de IA, como ELIZA (um chatbot) e Dendral (um sistema especialista na área de química orgânica). Esta fase também testemunhou a primeira proposta de redes neurais e a exploração inicial do conceito de aprendizado de máquina. No entanto, a pesquisa em IA desse período foi severamente limitada pelas restrições da capacidade computacional da época. Os pesquisadores encontraram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e na simulação 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 em relação à pesquisa em IA após o entusiasmo inicial, levando à perda significativa de confiança em IA por parte de instituições acadêmicas no Reino Unido (, incluindo instituições de financiamento ). Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pelo primeiro "inverno da IA", aumentando o ceticismo sobre o potencial da IA.

Na década de 1980, o desenvolvimento e a comercialização de sistemas especialistas levaram as empresas globais a adotarem tecnologias de IA. Este período viu avanços significativos 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 pela primeira vez e a implementação de IA em setores como finanças e saúde também marcaram a expansão da tecnologia de IA. No entanto, no final da década de 1980 e início da década de 1990, com o colapso da demanda do mercado por hardware de IA especializado, o campo da IA passou pela segunda "inverno da IA". Além disso, como escalar os sistemas de IA e integrá-los com sucesso em aplicações práticas continua a ser um desafio persistente. Mas, ao mesmo tempo, em 1997, o computador Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, um marco na capacidade da IA de resolver problemas complexos. O renascimento das redes neurais e do aprendizado profundo lançou as bases para o desenvolvimento da IA no final da década de 1990, tornando a IA uma parte indispensável da paisagem tecnológica e começando a influenciar a vida cotidiana.

No início deste século, os avanços na capacidade de computação impulsionaram a ascensão 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 geradores como o GPT-2 alcançaram avanços adicionais, levando a IA 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 visto como um ponto de virada no campo dos agentes de IA. Desde que uma empresa lançou a série GPT, modelos de pré-treinamento em larga escala, com dezenas de bilhões 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 permite que os agentes de IA demonstrem uma capacidade de interação lógica e bem estruturada por meio da geração de linguagem. Isso permite que os agentes de IA sejam aplicados em cenários como assistentes de bate-papo e atendimento ao cliente virtual, expandindo gradualmente para tarefas mais complexas, como análise comercial e redação criativa.

A capacidade de aprendizado dos grandes modelos de linguagem proporciona uma maior autonomia aos agentes de IA. Através da técnica de Aprendizado por Reforço, os agentes de IA conseguem otimizar continuamente seu comportamento, adaptando-se a ambientes dinâmicos. Por exemplo, em uma plataforma impulsionada por IA, os agentes de IA podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando verdadeiramente uma interação dinâmica.

Da evolução dos sistemas de regras iniciais até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que constantemente ultrapassa os limites tecnológicos. A aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta trajetória. Com o desenvolvimento contínuo da tecnologia, os agentes de IA se tornarão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes proporcionaram a capacidade de colaboração intersetorial. No futuro, plataformas de projetos inovadores continuarão a surgir, impulsionando a implementação e o desenvolvimento da tecnologia de agentes de IA, liderando uma nova era de experiências impulsionadas por IA.

1.2 Princípio de Funcionamento

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. Podem ser vistos como participantes altamente técnicos e em constante evolução no campo das criptomoedas, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE DE IA reside na sua "inteligência"------ou seja, simular o comportamento inteligente de seres humanos ou outros organismos através de algoritmos, para resolver automaticamente problemas complexos. O fluxo de trabalho de um AGENTE DE IA normalmente segue os seguintes passos: percepção, raciocínio, ação, aprendizado, ajuste.

1.2.1 Módulo de Percepção

O AGENTE DE IA interage com o mundo exterior através de um módulo de percepção, coletando informações ambientais. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmaras, microfones e outros dispositivos para capturar dados externos, o que inclui a extração de características significativas, identificação de objetos ou determinação de entidades relevantes no ambiente. A tarefa central do módulo de percepção é transformar dados brutos em informações significativas, o que geralmente envolve as seguintes técnicas:

• Visão computacional: usada para processar e entender dados de imagem e vídeo.
• Processamento de Linguagem Natural (NLP): ajuda o AGENT de IA a entender e gerar linguagem humana.
• Fusão de sensores: integrar os dados de múltiplos sensores em uma visão unificada.

1.2.2 Módulo de Inferência e Decisão

Após perceber o ambiente, o AGENTE de IA precisa tomar decisões com base nos dados. O módulo de raciocínio e decisão é o "cérebro" de todo o sistema, que realiza raciocínio lógico e formula estratégias com base nas informações coletadas. Utiliza grandes modelos de linguagem, atuando como orquestrador ou motor de raciocínio, para entender tarefas, gerar soluções e coordenar 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: toma decisões simples com base em regras predefinidas.
• Modelos de aprendizagem de máquina: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsão.
• Aprendizagem reforçada: permite que o AGENTE de IA otimize continuamente a estratégia de decisão através de tentativa e erro, adaptando-se a ambientes em mudança.

O processo de raciocínio geralmente inclui várias etapas: primeiro, a avaliação do ambiente; em seguida, o cálculo de várias opções de ação com base no objetivo; por fim, a seleção e execução da opção mais otimizada.

1.2.3 Módulo de Execução

O módulo de execução é as "mãos e pés" do AGENTE AI, colocando em ação 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 robóticas) ou operações digitais (como processamento de dados). O módulo de execução depende de:

• Sistema de controle de robô: usado para operações físicas, como o movimento de braços robóticos.
• Chamada de API: interagir com sistemas de software externos, como consultas a bancos de dados ou acesso a serviços na web.
• Gestão de processos automatizados: no ambiente empresarial, a execução de tarefas repetitivas é feita 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 realimentados no sistema para aprimorar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo oferece às empresas uma ferramenta poderosa para melhorar a tomada de decisões e a eficiência operacional.

Os módulos de aprendizagem são geralmente melhorados da seguinte forma:

• Aprendizagem supervisionada: utilizar dados rotulados para treinar modelos, permitindo que o AGENTE de IA complete tarefas com maior precisão.
• Aprendizagem não supervisionada: descobrir padrões potenciais a partir de dados não rotulados, ajudando os agentes a adaptar-se a novos ambientes.
• Aprendizagem contínua: manter o desempenho do agente em ambientes dinâmicos, atualizando o modelo com dados em tempo real.

1.2.5 Feedback e Ajustes em Tempo Real

O AGENTE DE IA otimiza seu desempenho através de ciclos de feedback contínuos. Os resultados de cada ação são registrados e usados para ajustar decisões futuras. Este sistema de feedback fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

1.3 Estado atual do mercado

1.3.1 Estado da Indústria

O AGENTE DE IA está se tornando o foco do mercado, trazendo transformação para vários setores com seu enorme potencial como interface do consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos era inestimável, o AGENTE DE IA também demonstrou perspectivas semelhantes nesta rodada.

De acordo com o mais recente relatório da Markets and Markets, o mercado de Agentes de IA deve crescer de 5,1 mil milhões de dólares em 2024 para 47,1 mil milhões de dólares em 2030, com uma taxa de crescimento anual composta (CAGR) de até 44,8%. Este rápido crescimento reflete o nível de penetração dos Agentes de IA em vários setores, bem como a demanda do mercado gerada pela inovação tecnológica.

As contribuições de grandes empresas para frameworks de proxy de código aberto também aumentaram significativamente. As atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph da Microsoft estão se tornando cada vez mais ativas, o que indica que o AI AGENT tem um potencial de mercado maior fora do campo das criptomoedas, TA