De AI Agent a DeFAI: desvendando os motores da nova ronda de encriptação bull run

1. Contexto Geral

1.1 Introdução: os "novos parceiros" da era inteligente

Cada ciclo de encriptação traz uma nova infraestrutura que impulsiona o desenvolvimento de toda a indústria.

• Em 2017, o surgimento dos contratos inteligentes impulsionou o desenvolvimento próspero das ICOs.
• Em 2020, as pools de liquidez DEX trouxeram a onda de calor do verão DeFi.
• Em 2021, uma grande quantidade de séries de obras NFT lançou-se, marcando a chegada da era dos colecionáveis digitais.
• Em 2024, o desempenho excepcional de uma plataforma liderou a onda de memecoins e plataformas de lançamento.

É importante enfatizar que o início destes setores verticais não é apenas resultado de inovações tecnológicas, mas também do resultado da combinação perfeita entre modelos de financiamento e o ciclo de bull run. 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. Esta tendência atingiu seu auge em outubro do ano passado, com o lançamento de um determinado token em 11 de outubro de 2024, que alcançou uma capitalização 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 vizinha em uma transmissão ao vivo, incendiando toda a indústria.

Então, afinal, o que é um Agente de IA?

Todos estão certamente familiarizados com o clássico filme "Resident Evil", e 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, o AI Agent tem muitas semelhanças com as funções centrais da Rainha de Copas. O AI Agent no mundo real desempenha, de certa forma, um papel semelhante, sendo os "guardians da sabedoria" no campo da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autônomos até atendentes inteligentes, o AI Agent já está profundamente integrado em vários setores, tornando-se uma força chave para aumentar a eficiência e a inovação. Esses agentes inteligentes autônomos, assim como membros invisíveis da equipe, possuem capacidades abrangentes que vão desde a percepção ambiental até a execução de decisões, infiltrando-se gradualmente em diferentes indústrias e promovendo uma melhoria dupla em eficiência e inovação.

Por exemplo, um AGENTE de IA pode ser utilizado para automatizar negociações, com base em dados coletados de uma plataforma de dados ou de uma plataforma social, gerenciando portfólios em tempo real e executando negociações, otimizando continuamente seu desempenho através de iterações. O AGENTE de IA não é uma única forma, mas é dividido em diferentes categorias de acordo com as necessidades específicas do ecossistema de encriptação:

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, interage com os usuários, constrói comunidades e participa em atividades de marketing.

4. Agente de IA Coordenado: coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração multichain.

Neste relatório, iremos explorar profundamente 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 projetando as tendências de desenvolvimento futuro.

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 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, gerando os primeiros programas de IA, como o ELIZA(, um chatbot), e o 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 deste 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 que estava em andamento no Reino Unido, publicado em 1973. O relatório de Lighthill expressou essencialmente um pessimismo geral sobre a pesquisa em IA após o entusiasmo inicial, levando a uma enorme perda de confiança das instituições acadêmicas( no Reino Unido, incluindo agências de financiamento). Após 1973, o financiamento para a pesquisa em IA foi drasticamente reduzido, e a área 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 fizeram com que empresas em todo o mundo começassem a adotar a tecnologia 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 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 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 de computação impulsionou o surgimento do aprendizado profundo, e assistentes virtuais como a Siri mostraram a utilidade 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 avanços adicionais, levando a IA conversacional a novas alturas. Nesse processo, a emergência do modelo de linguagem (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 viragem 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 trilhões de parâmetros, demonstraram uma capacidade de geração e compreensão de linguagem que supera os modelos tradicionais. Seu desempenho excepcional em processamento de linguagem natural permite que os agentes de IA demonstrem uma capacidade de interação lógica e clara por meio da geração de linguagem. Isso possibilita que os agentes de IA sejam aplicados em assistentes de chat, atendimento ao cliente virtual e, gradualmente, se expandam para tarefas mais complexas ( como análise de negócios e escrita criativa ).

A capacidade de aprendizado dos grandes modelos de linguagem proporciona maior autonomia aos agentes de IA. Através da técnica de aprendizagem por reforço (Reinforcement Learning), os agentes de IA conseguem 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 uma interação verdadeiramente dinâmica.

A história do desenvolvimento de agentes de IA, desde os sistemas de regras iniciais até os grandes modelos de linguagem representados pelo GPT-4, é uma evolução que rompe continuamente as fronteiras tecnológicas. A aparição do GPT-4 é, sem dúvida, um ponto de viragem importante nesta jornada. Com o desenvolvimento contínuo da tecnologia, os agentes de IA se tornarão mais inteligentes, contextualizados e diversificados. Os grandes modelos de linguagem não apenas injetam a "sabedoria" na alma dos agentes de IA, mas também lhes oferecem a capacidade de colaboração intersetorial. 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.

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 encriptação, capazes de agir de forma independente na economia digital.

O núcleo do AGENTE DE IA está em 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, aprendizado, ajuste.

1.2.1 módulo de percepção

O AGENTE DE IA interage com o mundo exterior através de um módulo de percepção, coletando informações sobre o ambiente. Esta parte da funcionalidade é semelhante aos sentidos humanos, utilizando sensores, câmaras, microfones e outros dispositivos para capturar dados externos, o que inclui a extração de características significativas, reconhecimento de objetos ou identificação 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 ): ajudar o AGENTE de IA a entender 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, que realiza raciocínios lógicos e formula estratégias com base nas informações coletadas. Utilizando modelos de linguagem de grande escala como orquestradores ou mecanismos de raciocínio, compreende as 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: tomada de 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 previsões.
• Aprendizagem reforçada: permitir que o AGENTE de IA otimize continuamente a estratégia de decisão através de tentativas e erros, adaptando-se a ambientes em mudança.

O processo de raciocínio geralmente envolve várias etapas: primeiro, a avaliação do ambiente; em segundo lugar, calcular várias opções de ação com base no objetivo; por fim, escolher a melhor opção para executar.

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, realizando 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: usado 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 automatização de processos robóticos RPA( executa tarefas repetitivas.

)# 1.2.4 Módulo de Aprendizagem

O módulo de aprendizado é a principal vantagem competitiva do AGENTE AI, pois permite que o agente se torne mais inteligente ao longo do tempo. Através de um ciclo de feedback ou "flywheel de dados" de melhoria contínua, os dados gerados nas interações são retroalimentados no sistema para aprimorar o modelo. Essa capacidade de se adaptar gradualmente ao longo do tempo e se tornar mais eficaz fornece às empresas uma ferramenta poderosa para melhorar a tomada de decisões e a eficiência operacional.

Os módulos de aprendizagem são geralmente aprimorados da seguinte forma:

• Aprendizado supervisionado: utilizar dados rotulados para treinar modelos, permitindo que o AGENTE de IA complete 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: Atualizar o modelo com dados em tempo real, mantendo o desempenho do agente em um ambiente dinâmico.

1.2.5 Feedback em tempo real e ajustes

O AGENTE DE IA otimiza seu desempenho através de um ciclo de feedback contínuo. O resultado de cada ação é registrado e utilizado para ajustar as decisões futuras. Este sistema de ciclo fechado garante a adaptabilidade e flexibilidade do AGENTE DE IA.

![Decodificar AI AGENT: A força inteligente que molda a nova ecologia econômica do futuro]###https://img-cdn.gateio.im/webp-social/moments-79bc2d17f907c612bc1ccb105be9186b.webp(

) 1.3 Estado atual do mercado

1.3.1 Estado da indústria

O AGENTE DE IA está a tornar-se o centro das atenções no mercado, trazendo transformação a múltiplas indústrias 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 avaliar, o AGENTE DE IA também demonstra perspectivas semelhantes nesta ronda.

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

As empresas grandes têm investido significativamente em estruturas de proxy de código aberto. As atividades de desenvolvimento de estruturas como AutoGen, Phidata e LangGraph de uma determinada empresa estão se tornando cada vez mais ativas, o que indica que o AI AGENT possui um maior potencial de mercado fora do domínio da encriptação, e o TAM também