Desbloquear o Agente de IA: 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 deu origem ao florescimento das ICOs.
• Em 2020, as pools de liquidez do DEX trouxeram a onda de calor do verão DeFi.
• Em 2021, uma grande quantidade de séries de obras NFT surgiu, marcando a chegada da era das coleções 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 se deve apenas à inovação tecnológica, mas também é o resultado da 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 do ciclo de 2025 serão os agentes de IA. Essa tendência atingiu o 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 a Luna, que fez sua estreia com a imagem de uma garota da porta ao lado em uma transmissão ao vivo, incendiando toda a indústria.

Então, afinal, 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 têm muitas semelhanças com as funções principais da Rainha de Copas. Os Agentes de IA no mundo real desempenham, até certo ponto, um papel semelhante, sendo os "guardians 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, os Agentes de IA já se infiltraram em diversos setores, tornando-se uma força-chave para a melhoria da eficiência e inovação. Esses agentes inteligentes autônomos, como membros invisíveis da equipe, possuem habilidades abrangentes que vão desde a percepção ambiental até a execução de decisões, penetrando gradualmente em diversas indústrias e impulsionando a melhoria dupla da eficiência e inovação.

Por exemplo, um AGENTE de IA pode ser usado para negociação automatizada, gerenciando portfólios e executando negociações em tempo real, com base nos 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 forma única, 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 das operações 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 um líder de opinião nas redes sociais, interage com os usuários, constrói comunidades e participa de campanhas de marketing.

4. Agente de IA Coordenador: Coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração de múltiplas cadeias.

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 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 transição 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 as bases 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 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 pela capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para processamento de linguagem natural e na 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 em relação à pesquisa em IA após o entusiasmo inicial, resultando em uma grande perda de confiança nas instituições acadêmicas do Reino Unido (, incluindo agências de fomento ). Após 1973, o financiamento para pesquisa em IA foi drasticamente reduzido, e o campo da IA passou pelo primeiro "inverno da IA", com um aumento no 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 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 e início da década de 1990, com o colapso da demanda por hardware de IA dedicado, o campo da IA enfrentou o 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 lançou as bases para o desenvolvimento da IA no final da década de 1990, tornando-a uma parte indispensável do panorama tecnológico 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 praticidade da IA no campo das aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos geradores como o GPT-2 alcançaram novos avanços, elevando a IA conversacional a novas alturas. Nesse processo, o surgimento de grandes modelos de linguagem (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 certa empresa lançou a série GPT, modelos de pré-treinamento em larga escala, com centenas de bilhões ou até milhares 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 permitiu que os agentes de IA exibissem uma capacidade de interação lógica e clara através da geração de linguagem. Isso possibilitou que os agentes de IA fossem 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 aprendizagem dos grandes modelos de linguagem proporciona uma maior autonomia aos agentes de IA. Através da técnica de Aprendizagem por Reforço, os agentes de IA podem 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 aos grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma história de evolução que supera continuamente os limites técnicos. A chegada do GPT-4 é, sem dúvida, um ponto de viragem significativo nesse processo. 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 "inteligência" na alma dos agentes de IA, mas também lhes proporcionaram a capacidade de colaboração interdisciplinar. 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.

Princípio de funcionamento 1.2

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 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, a simulação do comportamento inteligente humano ou de 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 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, incluindo a extração de características significativas, a identificação de objetos ou a determinação de entidades relevantes no ambiente. A principal tarefa 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 AGENTE de IA a entender e gerar 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, baseado nas informações coletadas para realizar raciocínios lógicos e formular estratégias. Utilizando modelos de linguagem de grande escala 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 aprendizado de máquina: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões complexos e previsão.
• Aprendizagem por reforço: permite que o AGENTE de IA otimize continuamente a estratégia de decisão através da tentativa e erro, adaptando-se a ambientes em mudança.

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

1.2.3 Módulo de Execução

O módulo de execução é as "mãos e pés" do AGENTE AI, colocando em prática as decisões do módulo de raciocínio. Esta parte interage com sistemas ou dispositivos externos para completar tarefas designadas. Isso pode envolver operações físicas (como movimentos 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.
• Chamadas de API: interagir com sistemas de software externos, como consultas de banco 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 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 retroalimentados no sistema para aprimorar o modelo. Essa capacidade de se adaptar e se tornar mais eficaz ao longo do tempo fornece às empresas uma poderosa ferramenta para melhorar a tomada de decisões e a eficiência operacional.

Os módulos de aprendizagem são geralmente melhorados da seguinte forma:

• Aprendizagem supervisionada: utilização de dados rotulados para treinar modelos, permitindo que o AGENTE de IA complete tarefas de forma mais precisa.
• Aprendizagem não supervisionada: descobrir padrões subjacentes a partir de dados não rotulados, ajudando o agente a adaptar-se a novos ambientes.
• Aprendizagem contínua: mantenha os agentes a ter um desempenho em ambientes dinâmicos, atualizando modelos com dados em tempo real.

1.2.5 Feedback e Ajustes em Tempo Real

O AGENTE DE IA otimiza continuamente seu desempenho através de ciclos de feedback. Os resultados de cada ação são registrados e usados para ajustar decisões futuras. Este sistema de ciclo 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 várias indústrias 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 demonstrou perspectivas semelhantes nesta rodada.

De acordo com o último relatório da Markets and Markets, 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%. Esse rápido crescimento reflete a penetração dos Agentes de IA em várias indústrias, bem como a demanda do mercado impulsionada pela inovação tecnológica.

As grandes empresas estão investindo significativamente em estruturas de proxy de código aberto. As atividades de desenvolvimento dos frameworks AutoGen, Phidata e LangGraph de uma determinada empresa estão se tornando cada vez mais ativas, o que indica que o AGENTE DE IA possui um potencial de mercado maior fora do campo da criptografia.