Decodificando o AGENTE AI: a força inteligente que molda o novo ecossistema econômico 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 deu origem ao desenvolvimento próspero das ICOs.
• Em 2020, as pools de liquidez da DEX trouxeram a onda de calor do Verão DeFi.
• Em 2021, 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 enfatizar que o início desses setores verticais não é apenas resultado de inovações tecnológicas, mas também da combinação perfeita entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar enormes transformações. Olhando para 2025, é evidente que os novos setores do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu o 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. Em seguida, em 16 de outubro, um determinado protocolo lançou a Luna, aparecendo pela primeira vez com a imagem da menina da porta ao lado 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", onde o sistema de IA Rainha Vermelha é impressionante. 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 e as funcionalidades principais da Rainha de Copas têm muitas semelhanças. O AI Agent no mundo real, de certa forma, desempenha um papel semelhante, sendo os "guardas da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a lidar com tarefas complexas através da percepção, análise e execução autônomas. Desde carros autónomos até atendimento ao cliente inteligente, o AI Agent tem penetrado em diversos setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem habilidades abrangentes que vão desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em várias indústrias e promovendo um aumento duplo na eficiência e na inovação.

Por exemplo, um AGENTE de IA pode ser utilizado para a negociação automatizada, gerindo em tempo real um portfólio e executando transações com base nos dados coletados de uma plataforma de dados ou plataforma social, otimizando continuamente o seu desempenho em iterações. O AGENTE de IA não é uma única forma, mas é dividido em diferentes categorias com base nas necessidades específicas do ecossistema de criptomoedas:

1. Agente de IA Executiva: Focado em completar 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: como líder de opinião nas redes sociais, interagir com os usuários, construir comunidade e participar em atividades de marketing.

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

Neste relatório, iremos explorar em profundidade a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como eles estão a remodelar o panorama da indústria e prevendo as tendências futuras de desenvolvimento.

1.1.1 História do Desenvolvimento

O desenvolvimento do AGENTE DE IA mostra a evolução da IA desde a pesquisa básica até a aplicação ampla. Na Conferência de Dartmouth de 1956, o termo "IA" foi introduzido pela primeira vez, estabelecendo as bases para a IA como um campo independente. Durante esse período, a pesquisa em IA concentrou-se principalmente em métodos simbólicos, resultando nos primeiros programas de IA, como ELIZA (um chatbot) e Dendral (um sistema especialista na área de química orgânica). Essa fase também testemunhou a introdução inicial das redes neurais e a exploração preliminar do conceito de aprendizado de máquina. No entanto, a pesquisa em IA durante esse período foi severamente limitada pela capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e 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 essencialmente um pessimismo abrangente em relação à pesquisa em IA após o entusiasmo inicial, levando à perda de confiança massiva em IA por parte de instituições acadêmicas no Reino Unido (, incluindo órgãos 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 a dúvida 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 avanços significativos em aprendizagem 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 até o início da década de 1990, com a queda da demanda por hardware de IA especializado, o campo da IA passou por um segundo "inverno da IA". Além disso, como escalar 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 estabeleceu 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, 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 geradores como o GPT-2 alcançaram novos avanços, levando a IA conversacional a um novo patamar. Nesse processo, a emergência dos 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 que uma empresa lançou a série GPT, modelos de pré-treinamento em larga escala, com centenas de bilhões ou até milhares de bilhões de parâmetros, demonstraram habilidades 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 exibissem capacidades de interação lógicas e bem estruturadas através da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em cenários como assistentes de chat e atendimento ao cliente virtual, expandindo gradualmente para tarefas mais complexas, como análise de negócios e redação criativa.

A capacidade de aprendizado dos grandes modelos de linguagem oferece uma maior autonomia para os agentes de IA. Através da técnica de aprendizado por reforço (Reinforcement Learning), os agentes de IA podem continuamente otimizar seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em uma determinada 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.

Desde os primeiros sistemas de regras até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que quebra constantemente as fronteiras tecnológicas. A aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta trajetória. Com o avanço contínuo da tecnologia, os agentes de IA tornar-se-ão cada vez mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetaram a "sabedoria" na alma dos agentes de IA, mas também lhes forneceram a capacidade de colaboração interdisciplinar. No futuro, plataformas de projetos inovadores continuarão a surgir, promovendo 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 principal 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 qualificados 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 humanos ou outros seres vivos através de algoritmos para resolver problemas complexos de forma automatizada. O fluxo de trabalho do AGENTE DE IA geralmente 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 do 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 extrair características significativas, reconhecer objetos ou determinar entidades relevantes no ambiente. A tarefa central 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 (NLP): ajuda o AGENT de IA a compreender e gerar a linguagem humana.
• Fusão de sensores: integrar 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, fundamentando-se nas informações recolhidas para realizar raciocínios lógicos e formular estratégias. Utilizando grandes modelos de linguagem, entre outros, como orquestradores ou motores de raciocínio, compreende 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: 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 e previsões complexas.
• Aprendizagem reforçada: permitir 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 envolve várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, o cálculo de várias opções de ação com base nos objetivos; por fim, a seleção da melhor opção para execução.

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 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.
• Chamada de API: interagir com sistemas de software externos, como consultas a bases de dados ou acesso a serviços de rede.
• 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" que melhora continuamente, os dados gerados nas interações são devolvidos ao sistema para reforçar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo fornece 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 o modelo, permitindo que o AGENTE de IA complete as tarefas de forma mais precisa.
• Aprendizagem não supervisionada: descobrir padrões ocultos a partir de dados não rotulados, ajudando o agente a se adaptar a novos ambientes.
• Aprendizado contínuo: atualizar o modelo com dados em tempo real para manter o desempenho do agente em um ambiente dinâmico.

1.2.5 Feedback e Ajustes em Tempo Real

O AGENTE DE IA otimiza o seu desempenho através de ciclos de feedback contínuos. Os resultados de cada ação são registados e utilizados para ajustar decisões futuras. Este sistema de circuito fechado assegura a adaptabilidade e flexibilidade do AGENTE DE IA.

1.3 Estado do mercado

1.3.1 Estado da Indústria

O AGENTE DE IA está a tornar-se o foco do mercado, trazendo transformação a vários setores com o seu enorme potencial como interface de consumidor e agente económico autónomo. Assim como o potencial do espaço de bloco L1 na última ronda de ciclos era difícil de medir, o AGENTE DE IA também demonstra perspectivas semelhantes nesta ronda.

De acordo com o mais recente relatório da Markets and Markets, o mercado de Agentes de IA deverá 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 a penetração dos Agentes de IA em várias indústrias, bem como a demanda do mercado gerada pela inovação tecnológica.

As grandes empresas estão investindo significativamente 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 fora do campo das criptomoedas.