Análise do Agente de IA: A Força Inteligente que Molda a Nova Ecologia da Economia Futura

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 florescimento das ICOs.
• Em 2020, as pools de liquidez DEX trouxeram a onda de verão do DeFi.
• Em 2021, uma grande quantidade de séries de obras NFT marcou a chegada da era dos colecionáveis digitais.
• Em 2024, o desempenho excepcional de uma plataforma de lançamento liderou a onda de memecoins e plataformas de lançamento.

É importante enfatizar que o início desses setores verticais não se deve apenas à inovação tecnológica, mas também é o resultado de uma combinação perfeita entre modelos de financiamento e ciclos de mercado em alta. Quando a oportunidade encontra o momento certo, pode gerar grandes transformações. Olhando para 2025, é evidente que os novos setores emergentes do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu o seu auge 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 em seguida, em 16 de outubro, um determinado protocolo lançou o Luna, apresentando pela primeira vez a imagem de uma garota da vizinhança em um livestream, incendiando toda a indústria.

Então, o que é um Agente de IA?

Todos devem estar 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, analisar dados e agir rapidamente de forma autônoma.

Na verdade, os Agentes de IA e a Rainha de Copas têm muitas semelhanças em suas funções principais. Os Agentes de IA 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 por meio da percepção, análise e execução autônomas. Desde carros autônomos até atendimento ao cliente inteligente, os Agentes de IA estão profundamente integrados em diversas indústrias, tornando-se uma força chave para a melhoria da eficiência e inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem capacidades abrangentes que vão desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em vários setores e promovendo um duplo aumento de eficiência e inovação.

Por exemplo, um AGENTE de IA pode ser utilizado para negociação automatizada, gerenciando portfólios e executando transações em tempo real com base em dados coletados de uma plataforma de dados ou de uma plataforma social, otimizando continuamente 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: 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 comunidades e participar em campanhas 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 estão a remodelar 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 transição 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 a base para a IA como um campo independente. Durante este 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 especializado na área da 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 de capacidade de computação 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 publicado em 1973 sobre o estado da pesquisa em IA em andamento no Reino Unido. O relatório de Lighthill expressou basicamente um pessimismo abrangente sobre a pesquisa em IA após o entusiasmo inicial, resultando em uma enorme perda de confiança por parte de instituições acadêmicas britânicas (, incluindo agências de financiamento ). Após 1973, o financiamento para pesquisa em IA foi significativamente reduzido, e o campo de 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 começarem a adotar tecnologias de IA. Esse 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 dos primeiros veículos autônomos e a implementação da 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 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 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 no potencial da IA para 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 do panorama tecnológico e começando a influenciar a vida cotidiana.

No início deste século, os avanços na capacidade de computação impulsionaram o surgimento do aprendizado profundo, com assistentes virtuais como Siri demonstrando a praticidade da IA na área de aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos geradores como o GPT-2 alcançaram novos avanços, 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 inflexão no campo dos agentes de IA. Desde que uma certa empresa lançou a série GPT, modelos pré-treinados em grande 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 permite que os agentes de IA demonstrem habilidades de interação com lógica clara e estrutura organizada por meio da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em cenários como assistentes de bate-papo e atendimento virtual, expandindo gradualmente para tarefas mais complexas, como análise comercial 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 conseguem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em uma certa plataforma impulsionada por IA, o agente de IA pode ajustar a estratégia de comportamento com base nas entradas dos jogadores, realmente alcançando uma interação dinâmica.

Da antiga sistema de regras aos grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma evolução que constantemente ultrapassa as fronteiras da tecnologia. A chegada do GPT-4 é, sem dúvida, um ponto de viragem significativo nesse percurso. Com o avanço adicional da tecnologia, os agentes de IA tornar-se-ão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetam a "sabedoria" na alma dos agentes de IA, mas também lhes conferem a capacidade de colaboração interdisciplinar. No futuro, plataformas de projetos inovadores continuarão a surgir, promovendo a implementação e o desenvolvimento da tecnologia dos 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 da criptomoeda, capazes de atuar de forma independente na economia digital.

O núcleo do AGENTE DE IA reside em sua "inteligência" ------ ou seja, simular o comportamento inteligente de humanos ou outros seres vivos por meio de algoritmos, a fim de resolver problemas complexos de forma automatizada. O fluxo de trabalho do AGENTE DE IA geralmente segue os seguintes passos: percepção, raciocínio, ação, aprendizado, ajuste.

1.2.1 Módulo de Percepção

O AGENTE DE IA interage com o exterior através de um módulo de percepção, coletando informações do ambiente. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmeras, microfones e outros dispositivos para capturar dados externos, o que inclui a extração de características significativas, reconhecimento de objetos ou determinação de 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 imagens e vídeos.
• Processamento de Linguagem Natural (NLP): ajuda o AGENTE 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, realizando raciocínio lógico e formulando estratégias com base nas informações coletadas. Utilizando grandes modelos de linguagem 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 normalmente utiliza as seguintes tecnologias:

• Motor de regras: decisões simples baseadas em regras predefinidas.
• Modelos de aprendizagem automática: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsões.
• Aprendizado por reforço: 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 envolve várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, o cálculo de várias possíveis opções de ação com base nos objetivos; e, finalmente, a seleção da melhor opção para execução.

1.2.3 Módulo de Execução

O módulo de execução é as "mãos e pés" do AGENTE de IA, 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 controlo de robôs: utilizado para operações físicas, como o movimento de braços robóticos.
• Chamadas de API: interagir com sistemas de software externos, como consultas a bancos de dados ou acesso a serviços de rede.
• Gestão de processos automatizados: No ambiente empresarial, executar tarefas repetitivas através de RPA (Automatização de Processos Robóticos).

1.2.4 Módulo de Aprendizagem

O módulo de aprendizado é a principal vantagem competitiva do AGENTE AI, 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 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 normalmente melhorados da seguinte forma:

• Aprendizado supervisionado: utilizar dados rotulados para treinar o modelo, permitindo que o AGENTE de IA complete as tarefas com mais precisão.
• Aprendizagem não supervisionada: descobrir padrões potenciais a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizado contínuo: atualizando o modelo com dados em tempo real, mantendo o desempenho do agente em ambientes dinâmicos.

1.2.5 Feedback e Ajustes em Tempo Real

O AGENTE DE IA otimiza seu desempenho através de um ciclo de feedback contínuo. Os resultados de cada ação são registrados e utilizados 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 transformações 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 incalculável, o AGENTE DE IA também demonstra perspectivas semelhantes nesta rodada.

De acordo com o último relatório de uma empresa de pesquisa, o mercado de Agentes de IA deve 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 de mercado gerada pela inovação tecnológica.

As empresas grandes 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 os AGENTES de IA têm um mercado maior fora do campo das criptomoedas.