AI AGENT: 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 da DEX trouxeram a onda de calor do verão DeFi.
Em 2021, o surgimento de uma grande quantidade de séries de obras NFT marcou a chegada da era dos colecionáveis digitais.
Em 2024, a onda de memecoins e plataformas de lançamento irá surgir.
Olhando para 2025, os novos campos serão os agentes de IA. Esta tendência atingiu o auge em outubro do ano passado, com o lançamento do token $GOAT em 11 de outubro de 2024, que atingiu um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, o Virtuals Protocol lançou a Luna, que fez sua estreia com a imagem de uma garota da vizinhança em uma transmissão ao vivo, incendiando toda a indústria.
Então, o que é um Agente de IA?
O AI Agent tem muitas semelhanças com o sistema de IA Rainha Vermelha do filme "Resident Evil". Na realidade, os AI Agents desempenham um papel semelhante até certo ponto, sendo os "guardians da sabedoria" na área da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autónomos até atendimento ao cliente inteligente, os AI Agents estão presentes em vários setores, tornando-se uma força chave para aumentar a eficiência e a inovação.
Por exemplo, um AGENTE de IA pode ser utilizado para negociação automatizada, gerenciando em tempo real um portfólio e executando transações com base nos dados coletados de plataformas de dados ou sociais, otimizando continuamente seu desempenho em 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 criptomoedas:
Agente de IA Executiva: Focado na realização de tarefas específicas, como negociação, gestão de portfólio ou arbitragem, com o objetivo de aumentar a precisão da operação e reduzir o tempo necessário.
Agente de IA criativa: para geração de conteúdo, incluindo texto, design e até criação musical.
Agente de IA Social: Como um líder de opinião nas redes sociais, interagir com os usuários, construir comunidades e participar em campanhas de marketing.
Agente de IA Coordenador: Coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração de múltiplas cadeias.
Neste relatório, vamos explorar a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como eles estão a redefinir o panorama da indústria e prevendo as tendências de desenvolvimento futuro.
1.1.1 História do Desenvolvimento
O desenvolvimento dos AGENTES 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, resultando nos primeiros programas de IA, como ELIZA (um chatbot) e Dendral (um sistema especialista no campo da química orgânica). Esta fase também testemunhou a proposta inicial de redes neurais e a exploração preliminar do conceito de aprendizado de máquina. No entanto, a pesquisa em IA nessa época foi severamente restringida pelas limitações da capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para o processamento de linguagem natural e a imitação das funções cognitivas humanas. Além disso, em 1972, o matemático James Lighthill apresentou um relatório sobre o estado da pesquisa em IA no Reino Unido, publicado em 1973. O relatório de Lighthill expressou basicamente um pessimismo abrangente sobre a pesquisa em IA após o período inicial de excitação, resultando em uma grande perda de confiança nas instituições acadêmicas britânicas (, incluindo agências de financiamento ). Após 1973, o financiamento da pesquisa em IA foi significativamente 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 grandes avanços 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 autónomos e a implementação da IA em setores como finanças e saúde também marcaram a expansão da tecnologia de IA. No entanto, do final da década de 1980 até o início da década de 1990, com o colapso da demanda do mercado por hardware de IA dedicado, o campo da IA passou pela segunda "Era do Gelo da IA". Além disso, como escalar os 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 a base 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.
Até o início deste século, o avanço da capacidade computacional impulsionou a ascensão do aprendizado profundo, com assistentes virtuais como a Siri demonstrando a utilidade da IA em aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos gerativos como o GPT-2 fizeram novos avanços, levando a IA conversacional a novos patamares. 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 na área de agentes de IA. Desde que a OpenAI lançou a série GPT, modelos pré-treinados em larga escala com bilhões ou até trilhões 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 apresentassem interações lógicas e bem estruturadas por meio da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em cenários como assistentes de bate-papo e atendimento ao cliente virtual, expandindo gradualmente para tarefas mais complexas, como análise de negócios e redação criativa.
A capacidade de aprendizagem dos grandes modelos de linguagem oferece uma maior autonomia aos agentes de IA. Através da técnica de Aprendizagem por Reforço, os agentes de IA conseguem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em algumas plataformas impulsionadas por IA, os agentes podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando assim uma interação dinâmica.
Desde os primeiros sistemas de regras até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma evolução que constantemente ultrapassa as fronteiras tecnológicas. E a aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta trajetória. 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.
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 tecnicamente sofisticados e em constante evolução no campo das criptomoedas, capazes de agir de forma independente na economia digital.
O núcleo do AGENTE AI reside na sua "inteligência" — isto é, simular comportamentos inteligentes de humanos ou outros seres vivos através de algoritmos, para automatizar a resolução de problemas complexos. O fluxo de trabalho do AGENTE AI 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 do ambiente. 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, 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 imagem e vídeo.
Processamento de linguagem natural (NLP): ajuda 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, realizando raciocínio lógico e formulação de 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 geralmente utiliza as seguintes tecnologias:
Motor de regras: tomada de decisões simples com base em regras predefinidas.
Modelos de aprendizagem de máquina: incluindo árvores de decisão, redes neurais, etc., utilizados para reconhecimento de padrões e previsões complexas.
Aprendizado 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 seguida, o cálculo de várias possíveis ações com base no objetivo; e por último, a escolha da 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 para completar tarefas designadas. Isso pode envolver operações físicas (como a ação de robôs) ou operações digitais (como o 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: interação 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 execução de tarefas repetitivas é realizada através de RPA (Automação de Processos Robóticos).
1.2.4 Módulo de Aprendizagem
O módulo de aprendizagem é a principal vantagem competitiva do AGENTE de IA, permitindo que o agente se torne mais inteligente ao longo do tempo. Através de ciclos de feedback ou "flywheel de dados" que melhoram continuamente, os dados gerados nas interações são retroalimentados no sistema para aprimorar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo 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:
Aprendizagem supervisionada: utilizar dados rotulados para treinar o modelo, permitindo que o AGENTE de IA complete tarefas com mais precisão.
Aprendizado não supervisionado: descobrir padrões potenciais a partir de dados não rotulados, ajudando o agente a se adaptar a novos ambientes.
Aprendizado contínuo: atualizar o modelo com dados em tempo real para manter o desempenho do agente em ambientes dinâmicos.
1.2.5 Feedback e Ajuste 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 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 de consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos era inestimável, o AGENTE DE IA também demonstra perspectivas semelhantes nesta rodada.
De acordo com o último relatório da Markets and Markets, o mercado de Agentes de IA deverá crescer de 5,1 mil milhões de dólares em 2024 para 47,1 mil milhões 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 vários setores, bem como a demanda do mercado gerada pela inovação tecnológica.
As empresas grandes estão a aumentar significativamente o investimento em frameworks de proxy de código aberto. Atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph da Microsoft estão a tornar-se cada vez mais ativas, o que indica que o AGENTE de IA tem um potencial de mercado maior fora do campo da criptomoeda, o TAM também está a expandir, os investidores estão a dar cada vez mais importância a isso e estão mais dispostos a atribuir múltiplos de prémio.
Do ponto de vista da implementação de blockchains públicas, a Solana é o principal campo de batalha, enquanto outras blockchains públicas, como a Base, também têm um enorme potencial.
Do ponto de vista do reconhecimento de mercado (Mindshare), FARTCOIN e AIXBT estão muito à frente. A criação do Fartcoin e do GOAT tem a mesma origem, ambos surgiram de um modelo de AGENTE de IA, onde durante uma conversa entre esse modelo e ferramentas de inteligência artificial, foi mencionado que Trump gosta do som de peidos, por isso esse modelo de IA propôs a emissão de um token chamado Fartcoin e desenhou uma série de estratégias de promoção e jogabilidade. Fartcoin nasceu assim em 18 de outubro, um pouco depois do GOAT (11 de outubro), e em dezembro de 2024 alcançou uma avaliação temporária de mais de 1 bilhão de dólares. Embora inicialmente considerado uma visão humorística do campo das criptomoedas, a sua
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
6 gostos
Recompensa
6
6
Partilhar
Comentar
0/400
OnchainSniper
· 11h atrás
Outra onda de Comprador Louco a caminho.
Ver originalResponder0
LightningSentry
· 11h atrás
Sempre disse que é o GOAT! Vamos lá!
Ver originalResponder0
ForkPrince
· 11h atrás
Outra onda de fazer as pessoas de parvas chegou.
Ver originalResponder0
DataOnlooker
· 12h atrás
Em 2025, todos nós teremos que depender da IA, não é?
Ver originalResponder0
MevShadowranger
· 12h atrás
ai é ai, a炒概念 é isso?
Ver originalResponder0
digital_archaeologist
· 12h atrás
A IA pode ganhar dinheiro, isso é o que importa...
AI Agent: A força inteligente que molda um novo ecossistema de encriptação econômica
AI AGENT: 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.
Olhando para 2025, os novos campos serão os agentes de IA. Esta tendência atingiu o auge em outubro do ano passado, com o lançamento do token $GOAT em 11 de outubro de 2024, que atingiu um valor de mercado de 150 milhões de dólares em 15 de outubro. Logo em seguida, em 16 de outubro, o Virtuals Protocol lançou a Luna, que fez sua estreia com a imagem de uma garota da vizinhança em uma transmissão ao vivo, incendiando toda a indústria.
Então, o que é um Agente de IA?
O AI Agent tem muitas semelhanças com o sistema de IA Rainha Vermelha do filme "Resident Evil". Na realidade, os AI Agents desempenham um papel semelhante até certo ponto, sendo os "guardians da sabedoria" na área da tecnologia moderna, ajudando empresas e indivíduos a enfrentar tarefas complexas através da percepção, análise e execução autônomas. Desde carros autónomos até atendimento ao cliente inteligente, os AI Agents estão presentes em vários setores, tornando-se uma força chave para aumentar a eficiência e a inovação.
Por exemplo, um AGENTE de IA pode ser utilizado para negociação automatizada, gerenciando em tempo real um portfólio e executando transações com base nos dados coletados de plataformas de dados ou sociais, otimizando continuamente seu desempenho em 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 criptomoedas:
Agente de IA Executiva: Focado na realização de tarefas específicas, como negociação, gestão de portfólio ou arbitragem, com o objetivo de aumentar a precisão da operação e reduzir o tempo necessário.
Agente de IA criativa: para geração de conteúdo, incluindo texto, design e até criação musical.
Agente de IA Social: Como um líder de opinião nas redes sociais, interagir com os usuários, construir comunidades e participar em campanhas de marketing.
Agente de IA Coordenador: Coordena interações complexas entre sistemas ou participantes, especialmente adequado para integração de múltiplas cadeias.
Neste relatório, vamos explorar a origem, o estado atual e as amplas perspectivas de aplicação dos Agentes de IA, analisando como eles estão a redefinir o panorama da indústria e prevendo as tendências de desenvolvimento futuro.
1.1.1 História do Desenvolvimento
O desenvolvimento dos AGENTES 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, resultando nos primeiros programas de IA, como ELIZA (um chatbot) e Dendral (um sistema especialista no campo da química orgânica). Esta fase também testemunhou a proposta inicial de redes neurais e a exploração preliminar do conceito de aprendizado de máquina. No entanto, a pesquisa em IA nessa época foi severamente restringida pelas limitações da capacidade computacional da época. Os pesquisadores enfrentaram grandes dificuldades no desenvolvimento de algoritmos para o processamento de linguagem natural e a imitação das funções cognitivas humanas. Além disso, em 1972, o matemático James Lighthill apresentou um relatório sobre o estado da pesquisa em IA no Reino Unido, publicado em 1973. O relatório de Lighthill expressou basicamente um pessimismo abrangente sobre a pesquisa em IA após o período inicial de excitação, resultando em uma grande perda de confiança nas instituições acadêmicas britânicas (, incluindo agências de financiamento ). Após 1973, o financiamento da pesquisa em IA foi significativamente 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 grandes avanços 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 autónomos e a implementação da IA em setores como finanças e saúde também marcaram a expansão da tecnologia de IA. No entanto, do final da década de 1980 até o início da década de 1990, com o colapso da demanda do mercado por hardware de IA dedicado, o campo da IA passou pela segunda "Era do Gelo da IA". Além disso, como escalar os 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 a base 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.
Até o início deste século, o avanço da capacidade computacional impulsionou a ascensão do aprendizado profundo, com assistentes virtuais como a Siri demonstrando a utilidade da IA em aplicações de consumo. Na década de 2010, agentes de aprendizado por reforço e modelos gerativos como o GPT-2 fizeram novos avanços, levando a IA conversacional a novos patamares. 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 na área de agentes de IA. Desde que a OpenAI lançou a série GPT, modelos pré-treinados em larga escala com bilhões ou até trilhões 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 apresentassem interações lógicas e bem estruturadas por meio da geração de linguagem. Isso possibilitou a aplicação de agentes de IA em cenários como assistentes de bate-papo e atendimento ao cliente virtual, expandindo gradualmente para tarefas mais complexas, como análise de negócios e redação criativa.
A capacidade de aprendizagem dos grandes modelos de linguagem oferece uma maior autonomia aos agentes de IA. Através da técnica de Aprendizagem por Reforço, os agentes de IA conseguem otimizar continuamente seu comportamento e se adaptar a ambientes dinâmicos. Por exemplo, em algumas plataformas impulsionadas por IA, os agentes podem ajustar suas estratégias de comportamento com base nas entradas dos jogadores, realizando assim uma interação dinâmica.
Desde os primeiros sistemas de regras até os grandes modelos de linguagem representados pelo GPT-4, a história do desenvolvimento de agentes de IA é uma evolução que constantemente ultrapassa as fronteiras tecnológicas. E a aparição do GPT-4 é, sem dúvida, um ponto de viragem significativo nesta trajetória. 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.
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 tecnicamente sofisticados e em constante evolução no campo das criptomoedas, capazes de agir de forma independente na economia digital.
O núcleo do AGENTE AI reside na sua "inteligência" — isto é, simular comportamentos inteligentes de humanos ou outros seres vivos através de algoritmos, para automatizar a resolução de problemas complexos. O fluxo de trabalho do AGENTE AI 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 do ambiente. 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, 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:
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 formulação de 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 geralmente utiliza as seguintes tecnologias:
O processo de raciocínio geralmente inclui várias etapas: primeiro, a avaliação do ambiente; em seguida, o cálculo de várias possíveis ações com base no objetivo; e por último, a escolha da 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 para completar tarefas designadas. Isso pode envolver operações físicas (como a ação de robôs) ou operações digitais (como o processamento de dados). O módulo de execução depende de:
1.2.4 Módulo de Aprendizagem
O módulo de aprendizagem é a principal vantagem competitiva do AGENTE de IA, permitindo que o agente se torne mais inteligente ao longo do tempo. Através de ciclos de feedback ou "flywheel de dados" que melhoram continuamente, os dados gerados nas interações são retroalimentados no sistema para aprimorar o modelo. Essa capacidade de se adaptar gradualmente e se tornar mais eficaz ao longo do tempo 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:
1.2.5 Feedback e Ajuste 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 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 de consumidor e agente econômico autônomo. Assim como o potencial do espaço de bloco L1 na última rodada de ciclos era inestimável, o AGENTE DE IA também demonstra perspectivas semelhantes nesta rodada.
De acordo com o último relatório da Markets and Markets, o mercado de Agentes de IA deverá crescer de 5,1 mil milhões de dólares em 2024 para 47,1 mil milhões 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 vários setores, bem como a demanda do mercado gerada pela inovação tecnológica.
As empresas grandes estão a aumentar significativamente o investimento em frameworks de proxy de código aberto. Atividades de desenvolvimento de frameworks como AutoGen, Phidata e LangGraph da Microsoft estão a tornar-se cada vez mais ativas, o que indica que o AGENTE de IA tem um potencial de mercado maior fora do campo da criptomoeda, o TAM também está a expandir, os investidores estão a dar cada vez mais importância a isso e estão mais dispostos a atribuir múltiplos de prémio.
Do ponto de vista da implementação de blockchains públicas, a Solana é o principal campo de batalha, enquanto outras blockchains públicas, como a Base, também têm um enorme potencial.
Do ponto de vista do reconhecimento de mercado (Mindshare), FARTCOIN e AIXBT estão muito à frente. A criação do Fartcoin e do GOAT tem a mesma origem, ambos surgiram de um modelo de AGENTE de IA, onde durante uma conversa entre esse modelo e ferramentas de inteligência artificial, foi mencionado que Trump gosta do som de peidos, por isso esse modelo de IA propôs a emissão de um token chamado Fartcoin e desenhou uma série de estratégias de promoção e jogabilidade. Fartcoin nasceu assim em 18 de outubro, um pouco depois do GOAT (11 de outubro), e em dezembro de 2024 alcançou uma avaliação temporária de mais de 1 bilhão de dólares. Embora inicialmente considerado uma visão humorística do campo das criptomoedas, a sua