Agente AI Desencriptado: La fuerza inteligente que está moldeando el nuevo ecosistema económico del futuro

1. Resumen del contexto

1.1 Introducción: "nuevos compañeros" de la era inteligente

Cada ciclo de criptomonedas trae una nueva infraestructura que impulsa el desarrollo de toda la industria.

• En 2017, el auge de los contratos inteligentes dio lugar al florecimiento de las ICO.
• En 2020, las piscinas de liquidez DEX trajeron la ola de verano de DeFi.
• En 2021, la aparición de una gran cantidad de series de obras NFT marcó la llegada de la era de los coleccionables digitales.
• En 2024, el excelente rendimiento de una plataforma de lanzamiento lideró la ola de memecoins y plataformas de lanzamiento.

Es importante enfatizar que el inicio de estos campos verticales no se debe únicamente a la innovación tecnológica, sino que es el resultado de una perfecta combinación de modelos de financiamiento y ciclos de mercado alcista. Cuando una oportunidad se encuentra con el momento adecuado, puede dar lugar a enormes transformaciones. Al mirar hacia 2025, es evidente que el nuevo campo emergente del ciclo de 2025 será el agente de IA. Esta tendencia alcanzó su punto máximo en octubre del año pasado, cuando se lanzó un token el 11 de octubre de 2024, alcanzando una capitalización de mercado de 150 millones de dólares el 15 de octubre. Justo al día siguiente, el 16 de octubre, un protocolo lanzó Luna, debutando con la imagen en vivo de la chica de al lado, lo que desató toda la industria.

Entonces, ¿qué es realmente un Agente de IA?

Todos están familiarizados con la clásica película "Resident Evil", en la que el sistema de IA Reina Roja deja una profunda impresión. La Reina Roja es un poderoso sistema de IA que controla instalaciones complejas y sistemas de seguridad, capaz de percibir el entorno de manera autónoma, analizar datos y tomar medidas rápidamente.

En realidad, los Agentes de IA tienen muchas similitudes con las funciones centrales de la Reina de Corazones. En la vida real, los Agentes de IA desempeñan un papel similar en cierta medida; son los "guardianes de la sabiduría" en el campo de la tecnología moderna, ayudando a empresas y personas a enfrentar tareas complejas a través de la percepción autónoma, el análisis y la ejecución. Desde coches autónomos hasta atención al cliente inteligente, los Agentes de IA han penetrado en diversas industrias, convirtiéndose en una fuerza clave para mejorar la eficiencia y la innovación. Estos agentes inteligentes autónomos, como miembros invisibles del equipo, poseen la capacidad integral de percibir el entorno y ejecutar decisiones, infiltrándose gradualmente en todas las industrias y promoviendo una mejora dual en la eficiencia y la innovación.

Por ejemplo, un AGENTE de IA puede ser utilizado para el comercio automatizado, gestionando en tiempo real una cartera de inversiones y ejecutando operaciones basadas en los datos recopilados de una plataforma de datos o de redes sociales, optimizando constantemente su rendimiento en iteraciones. El AGENTE de IA no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema de criptomonedas:

1. Agente de IA ejecutiva: se enfoca en completar tareas específicas, como trading, gestión de carteras o arbitraje, con el objetivo de mejorar la precisión operativa y reducir el tiempo requerido.

2. Agente de IA creativa: utilizado para la generación de contenido, incluyendo texto, diseño e incluso creación musical.

3. Agente de IA social: actúa como líder de opinión en las redes sociales, interactúa con los usuarios, construye comunidades y participa en actividades de marketing.

4. Agente de IA coordinador: coordina interacciones complejas entre sistemas o participantes, especialmente adecuado para la integración de múltiples cadenas.

En este informe, exploraremos en profundidad el origen, el estado actual y las amplias perspectivas de aplicación de los Agentes de IA, analizando cómo están remodelando el panorama de la industria y anticipando sus tendencias de desarrollo futuro.

1.1.1 Historia del desarrollo

La evolución del AGENTE AI muestra la transformación de la IA desde la investigación básica hasta su aplicación generalizada. En la conferencia de Dartmouth de 1956, se introdujo por primera vez el término "IA", estableciendo las bases para que la IA se convirtiera en un campo independiente. Durante este período, la investigación en IA se centró principalmente en métodos simbólicos, lo que dio lugar a los primeros programas de IA, como ELIZA (un chatbot) y Dendral (un sistema experto en el campo de la química orgánica). Esta etapa también fue testigo de la primera propuesta de redes neuronales y la exploración inicial del concepto de aprendizaje automático. Sin embargo, la investigación en IA de este período se vio gravemente limitada por las restricciones de la capacidad computacional de la época. Los investigadores enfrentaron grandes dificultades en el desarrollo de algoritmos para el procesamiento del lenguaje natural y la imitación de funciones cognitivas humanas. Además, en 1972, el matemático James Lighthill presentó un informe sobre el estado de la investigación en IA en el Reino Unido, publicado en 1973. El informe de Lighthill expresaba básicamente un pesimismo general sobre la investigación en IA después del entusiasmo inicial, lo que llevó a la pérdida de confianza por parte de las instituciones académicas del Reino Unido (, incluidos los organismos de financiación ). Después de 1973, la financiación para la investigación en IA se redujo drásticamente, y el campo de la IA experimentó su primer "invierno de IA", aumentando el escepticismo sobre el potencial de la IA.

En la década de 1980, el desarrollo y la comercialización de sistemas expertos llevaron a las empresas de todo el mundo a adoptar tecnologías de IA. Durante este período, se lograron avances significativos en el aprendizaje automático, las redes neuronales y el procesamiento del lenguaje natural, lo que impulsó la aparición de aplicaciones de IA más complejas. La introducción de vehículos autónomos por primera vez y la implementación de la IA en diversas industrias como la financiera y la médica también marcaron la expansión de la tecnología de IA. Sin embargo, a finales de la década de 1980 y principios de la de 1990, con el colapso de la demanda del mercado de hardware de IA especializado, el campo de la IA experimentó un segundo "invierno de la IA". Además, cómo escalar los sistemas de IA y lograr su integración exitosa en aplicaciones prácticas sigue siendo un desafío continuo. Pero al mismo tiempo, en 1997, la computadora Deep Blue de IBM derrotó al campeón mundial de ajedrez Garry Kasparov, un evento que marcó un hito en la capacidad de la IA para resolver problemas complejos. El renacimiento de las redes neuronales y el aprendizaje profundo sentó las bases para el desarrollo de la IA a finales de la década de 1990, convirtiendo a la IA en una parte indispensable del paisaje tecnológico y comenzando a influir en la vida cotidiana.

A principios de este siglo, los avances en la capacidad de computación impulsaron el auge del aprendizaje profundo, y asistentes virtuales como Siri demostraron la utilidad de la IA en el ámbito de las aplicaciones de consumo. En la década de 2010, los agentes de aprendizaje por refuerzo y modelos generativos como GPT-2 lograron nuevos avances, llevando la IA conversacional a nuevas alturas. En este proceso, la aparición de los modelos de lenguaje grandes (Large Language Model, LLM) se convirtió en un hito importante en el desarrollo de la IA, especialmente con el lanzamiento de GPT-4, que se considera un punto de inflexión en el campo de los agentes de IA. Desde que una empresa lanzó la serie GPT, los modelos de preentrenamiento a gran escala, con decenas de miles de millones e incluso cientos de miles de millones de parámetros, han demostrado capacidades de generación y comprensión del lenguaje que superan a los modelos tradicionales. Su sobresaliente rendimiento en el procesamiento del lenguaje natural ha permitido que los agentes de IA muestren una capacidad de interacción lógica y estructurada a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y atención al cliente virtual, y se expandan gradualmente hacia tareas más complejas, como el análisis comercial y la escritura creativa.

La capacidad de aprendizaje de los modelos de lenguaje grandes proporciona a los agentes de IA una mayor autonomía. A través de la técnica de aprendizaje por refuerzo (Reinforcement Learning), los agentes de IA pueden optimizar continuamente su comportamiento y adaptarse a entornos dinámicos. Por ejemplo, en una plataforma impulsada por IA, los agentes de IA pueden ajustar su estrategia de comportamiento según las entradas de los jugadores, logrando así una interacción dinámica real.

Desde los primeros sistemas de reglas hasta los grandes modelos de lenguaje representados por GPT-4, la historia del desarrollo de los agentes de IA es una evolución que rompe constantemente las fronteras tecnológicas. La aparición de GPT-4 es, sin duda, un punto de inflexión importante en este proceso. Con el desarrollo continuo de la tecnología, los agentes de IA serán más inteligentes, contextualizados y diversificados. Los grandes modelos de lenguaje no solo han inyectado "sabiduría" en el alma de los agentes de IA, sino que también les han proporcionado la capacidad de colaboración interdisciplinaria. En el futuro, surgirán continuamente plataformas de proyectos innovadores que seguirán impulsando la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era impulsada por la experiencia de IA.

Principio de funcionamiento 1.2

La diferencia entre AIAGENT y los robots tradicionales radica en que pueden aprender y adaptarse con el tiempo, tomando decisiones detalladas para alcanzar objetivos. Se les puede considerar participantes técnicamente avanzados y en constante evolución en el campo de las criptomonedas, capaces de actuar de manera independiente en la economía digital.

El núcleo del AGENTE AI radica en su "inteligencia" ------ es decir, simular el comportamiento inteligente de los humanos u otros seres vivos a través de algoritmos para resolver problemas complejos de forma automatizada. El flujo de trabajo del AGENTE AI generalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje, ajuste.

1.2.1 Módulo de percepción

El AGENTE DE IA interactúa con el exterior a través de un módulo de percepción, recopilando información del entorno. Esta parte de la función es similar a los sentidos humanos, utilizando sensores, cámaras, micrófonos y otros dispositivos para capturar datos externos, que incluyen la extracción de características significativas, el reconocimiento de objetos o la determinación de entidades relevantes en el entorno. La tarea principal del módulo de percepción es transformar datos en bruto en información significativa, lo que generalmente implica las siguientes técnicas:

• Visión por computadora: utilizada para procesar y entender datos de imágenes y videos.
• Procesamiento de lenguaje natural (NLP): ayuda al AGENTE de IA a comprender y generar el lenguaje humano.
• Fusión de sensores: integrar datos de múltiples sensores en una vista unificada.

1.2.2 Módulo de Inferencia y Decisión

Después de percibir el entorno, el AGENTE de IA necesita tomar decisiones basadas en los datos. El módulo de inferencia y toma de decisiones es el "cerebro" de todo el sistema, que realiza inferencias lógicas y elabora estrategias basadas en la información recopilada. Utilizando modelos de lenguaje extensos que actúan como orquestadores o motores de inferencia, entiende las tareas, genera soluciones y coordina modelos especializados para funciones específicas como la creación de contenido, el procesamiento visual o sistemas de recomendación.

Este módulo generalmente utiliza las siguientes tecnologías:

• Motor de reglas: toma decisiones simples basadas en reglas predefinidas.
• Modelos de aprendizaje automático: incluyen árboles de decisión, redes neuronales, etc., utilizados para el reconocimiento de patrones complejos y la predicción.
• Aprendizaje por refuerzo: permite que el AGENTE de IA optimice continuamente su estrategia de decisión a través de prueba y error, adaptándose a un entorno cambiante.

El proceso de inferencia generalmente incluye varios pasos: primero, la evaluación del entorno; en segundo lugar, calcular múltiples posibles planes de acción según el objetivo; y finalmente, elegir el plan óptimo para ejecutar.

1.2.3 Módulo de Ejecución

El módulo de ejecución es la "mano y pie" del AGENTE de IA, llevando a cabo las decisiones del módulo de razonamiento. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede implicar operaciones físicas (como el movimiento de robots) u operaciones digitales (como el procesamiento de datos). El módulo de ejecución depende de:

• Sistema de control de robots: utilizado para operaciones físicas, como el movimiento de brazos robóticos.
• Llamadas a la API: Interactuar con sistemas de software externos, como consultas a bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en un entorno empresarial, ejecutar tareas repetitivas a través de RPA (automatización de procesos robóticos).

1.2.4 Módulo de Aprendizaje

El módulo de aprendizaje es la competencia central de AI AGENT, que permite a los agentes volverse más inteligentes con el tiempo. La mejora continua a través de un ciclo de retroalimentación o "rueda de datos" retroalimenta los datos generados en las interacciones al sistema para mejorar el modelo. Esta capacidad de adaptarse gradualmente y volverse más eficaz con el tiempo proporciona a las empresas una herramienta poderosa para mejorar la toma de decisiones y la eficiencia operativa.

Los módulos de aprendizaje generalmente se mejoran de las siguientes maneras:

• Aprendizaje supervisado: utilizar datos etiquetados para entrenar modelos, de modo que el AGENTE de IA pueda completar las tareas con mayor precisión.
• Aprendizaje no supervisado: descubrir patrones subyacentes a partir de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
• Aprendizaje continuo: mantener el rendimiento del agente en un entorno dinámico actualizando el modelo con datos en tiempo real.

1.2.5 Retroalimentación y ajustes en tiempo real

El AGENTE DE IA optimiza su rendimiento a través de un ciclo de retroalimentación continuo. Los resultados de cada acción se registran y se utilizan para ajustar las decisiones futuras. Este sistema de bucle cerrado asegura la adaptabilidad y flexibilidad del AGENTE DE IA.

1.3 Estado del mercado

1.3.1 Estado de la industria

El AGENTE DE IA se está convirtiendo en el centro de atención del mercado, gracias a su enorme potencial como interfaz de consumidor y agente económico autónomo, que está transformando múltiples industrias. Así como el potencial del espacio de bloque L1 en el último ciclo era difícil de medir, el AGENTE DE IA también ha mostrado perspectivas similares en este ciclo.

Según el último informe de Markets and Markets, se espera que el mercado de Agentes de IA crezca de 5.1 mil millones de dólares en 2024 a 47.1 mil millones de dólares en 2030, con una tasa compuesta de crecimiento anual (CAGR) de hasta 44.8%. Este rápido crecimiento refleja la penetración de los Agentes de IA en diversas industrias, así como la demanda del mercado impulsada por la innovación tecnológica.

Las grandes empresas también están aumentando significativamente su inversión en marcos de proxy de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de una cierta empresa están cada vez más activas, lo que indica que los AGENTES de IA tienen un mayor potencial de mercado fuera del ámbito de las criptomonedas.