AGENTE DE IA: La fuerza inteligente que moldea la nueva ecología económica del futuro

1. Contexto general

1.1 Introducción: el "nuevo compañero" 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 de DEX trajeron la ola de calor del verano DeFi.
• En 2021, la aparición de numerosas series de obras NFT marcó el inicio de la era de los coleccionables digitales.
• En 2024, el destacado rendimiento de una plataforma de lanzamiento lideró la ola de memecoins y plataformas de lanzamiento.

Es necesario enfatizar que el inicio de estos campos verticales no se debe únicamente a la innovación tecnológica, sino que es el resultado de la perfecta combinación de modelos de financiamiento y ciclos de mercado alcista. Cuando la oportunidad se encuentra con el momento adecuado, puede dar lugar a enormes transformaciones. Mirando hacia 2025, está claro 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 el 11 de octubre de 2024 se lanzó un token, alcanzando un valor de mercado de 150 millones de dólares el 15 de octubre. Justo después, el 16 de octubre, un protocolo lanzó Luna, que hizo su debut con la imagen de una chica vecina en un livestream, provocando una explosión en toda la industria.

Entonces, ¿qué es un AI Agent?

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 forma autónoma, analizar datos y tomar decisiones rápidamente.

En realidad, el AI Agent tiene muchas similitudes con las funciones centrales de la Reina de Corazones. En la vida real, los AI Agents desempeñan un papel similar en cierta medida; son los "guardianes de la sabiduría" en el campo de la tecnología moderna, ayudando a empresas y a individuos a enfrentar tareas complejas mediante la percepción autónoma, el análisis y la ejecución. Desde automóviles autónomos hasta atención al cliente inteligente, los AI Agents se han infiltrado 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 capacidades integrales que van desde la percepción del entorno hasta la ejecución de decisiones, infiltrándose gradualmente en diferentes sectores y promoviendo una mejora dual en eficiencia e 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 recogidos de alguna plataforma de datos o de redes sociales, optimizando continuamente su rendimiento en iteraciones. El AGENTE de IA no es una forma única, sino que se divide en diferentes categorías según las necesidades específicas del ecosistema de criptomonedas:

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

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

3. Agente de IA social: Como líder de opinión en las redes sociales, interactuar con los usuarios, construir comunidades y participar 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 los orígenes, el estado actual y las amplias perspectivas de aplicación de los Agentes de IA, analizaremos cómo están remodelando el panorama de la industria y miraremos hacia las tendencias de desarrollo futuro.

1.1.1 Historia del desarrollo

La evolución del AGENTE DE IA 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", sentando las bases para la IA como un campo independiente. Durante este período, la investigación en IA se concentró principalmente en métodos simbólicos, dando 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 vio 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 seriamente limitada por las restricciones de 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 las funciones cognitivas humanas. Además, en 1972, el matemático James Lighthill presentó un informe publicado en 1973 sobre el estado de la investigación en IA en el Reino Unido. El informe de Lighthill expresó esencialmente un pesimismo generalizado sobre la investigación en IA después del entusiasmo inicial, lo que provocó una gran pérdida de confianza en la IA por parte de las instituciones académicas( en el Reino Unido, incluidos los organismos financiadores). Después de 1973, la financiación para la investigación en IA se redujo drásticamente, y el campo de la IA experimentó el primer "invierno de la 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 globales a adoptar tecnologías de IA. Este período vio 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 el despliegue de la IA en sectores como las finanzas y la salud 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 venció al campeón mundial de ajedrez Garry Kasparov, 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 panorama tecnológico y comenzando a influir en la vida cotidiana.

A principios de este siglo, los avances en la capacidad de cálculo 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 avances adicionales, llevando la IA conversacional a nuevas alturas. En este proceso, la aparición de modelos de lenguaje grande (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 ámbito de los agentes de IA. Desde que una cierta empresa lanzó la serie GPT, los modelos de preentrenamiento a gran escala, con cientos de miles de millones e incluso miles de millones de parámetros, han mostrado una capacidad de generación y comprensión del lenguaje que supera a los modelos tradicionales. Su rendimiento excepcional en el procesamiento del lenguaje natural ha permitido que los agentes de IA demuestren una capacidad de interacción lógica y clara a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y servicio al cliente virtual, y se expandan gradualmente hacia tareas más complejas ( como análisis comercial y escritura creativa ).

La capacidad de aprendizaje de los grandes modelos de lenguaje 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 una interacción dinámica real.

Desde los sistemas de reglas tempranas hasta los grandes modelos de lenguaje representados por GPT-4, la historia del desarrollo de los agentes de IA es una historia de 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 adicional de la tecnología, los agentes de IA se volverán más inteligentes, contextualizados y diversos. Los grandes modelos de lenguaje no solo inyectan el "alma" de la "sabiduría" en los agentes de IA, sino que también les proporcionan 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 de experiencias impulsadas por IA.

1.2 Principio de funcionamiento

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 como 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 DE IA 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 de un AGENTE DE IA 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 captar datos externos, lo que incluye extraer características significativas, reconocer objetos o determinar entidades relevantes en el entorno. La tarea principal del módulo de percepción es transformar los datos en bruto en información significativa, lo que a menudo implica las siguientes tecnologías:

• Visión por computadora: utilizado para procesar y entender datos de imágenes y videos.
• Procesamiento de lenguaje natural ( NLP ): ayuda a AGENTE de IA a entender 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 razonamiento y toma de decisiones es el "cerebro" de todo el sistema, que realiza razonamientos lógicos y formula estrategias basadas en la información recopilada. Utilizando modelos de lenguaje grande y otros como orquestadores o motores de razonamiento, comprende las tareas, genera soluciones y coordina modelos especializados utilizados para funciones específicas como creación de contenido, 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 y pronósticos complejos.
• Aprendizaje reforzado: 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; segundo, calcular múltiples posibles planes de acción en función del objetivo; y finalmente, seleccionar el plan óptimo para ejecutar.

1.2.3 Módulo de Ejecución

El módulo de ejecución es las "manos y pies" del AGENTE AI, llevando a cabo las decisiones del módulo de inferencia. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede implicar operaciones físicas ( como el movimiento de robots ) o 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.
• Llamada a la API: interacción con sistemas de software externos, como consultas a bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en el entorno empresarial, a través de RPA(, la automatización de procesos robóticos) ejecuta tareas repetitivas.

1.2.4 Módulo de Aprendizaje

El módulo de aprendizaje es la principal ventaja competitiva del AGENTE de IA, lo que permite que el agente se vuelva más inteligente con el tiempo. A través de ciclos de retroalimentación o "rueda de datos" de mejora continua, se retroalimenta al sistema los datos generados en las interacciones 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 suelen mejorarse de las siguientes maneras:

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

1.2.5 Retroalimentación y ajustes en tiempo real

El AGENTE DE IA optimiza su rendimiento a través de ciclos de retroalimentación constantes. Los resultados de cada acción se registran y se utilizan para ajustar las decisiones futuras. Este sistema de retroalimentación garantiza la adaptabilidad y flexibilidad del AGENTE DE IA.

1.3 Estado actual 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 actor económico autónomo, trayendo transformaciones a múltiples industrias. Así como el potencial del espacio de bloque L1 fue difícil de medir en el último ciclo, 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 de crecimiento anual compuesta (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 han incrementado significativamente su inversión en marcos de proxy de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de una determinada empresa están cada vez más activas, lo que indica que los AGENTES de IA tienen un mayor potencial de mercado más allá del ámbito de las criptomonedas, y el TAM también está en expansión.