Agente de IA de decodificación: La fuerza inteligente que moldea el nuevo ecosistema económico del futuro

1. Antecedentes generales

1.1 Introducción: el "nuevo compañero" de la era inteligente

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

• En 2017, el surgimiento de los contratos inteligentes dio lugar al florecimiento de las ICO.
• En 2020, las piscinas de liquidez de 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 sectores verticales no se debe únicamente a la innovación tecnológica, sino que es el resultado de la perfecta combinación entre el modelo de financiamiento y el ciclo del mercado alcista. Cuando la oportunidad se encuentra con el momento adecuado, puede dar lugar a enormes transformaciones. Mirando hacia 2025, es evidente que el nuevo campo emergente del ciclo de 2025 será el de los agentes de IA. Esta tendencia alcanzó su punto máximo en octubre del año pasado, cuando el 11 de octubre de 2024 se lanzó un token, que alcanzó un valor de mercado de 150 millones de dólares el 15 de octubre. Justo al día siguiente, el 16 de octubre, un protocolo lanzó Luna, presentándose por primera vez con la imagen de una chica de al lado en una transmisión en vivo, desencadenando una explosión en toda la industria.

Entonces, ¿qué es un Agente de IA?

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

De hecho, los AI Agents tienen muchas similitudes con las funciones centrales de la Reina de Corazones. En la vida real, los AI Agents desempeñan un papel similar hasta cierto punto; son los "guardianes de la sabiduría" en el campo de la tecnología moderna, ayudando a empresas y particulares a enfrentar tareas complejas a través de la percepción, análisis y ejecución autónomos. Desde coches autónomos hasta atención al cliente inteligente, los AI Agents han penetrado en diversas industrias, convirtiéndose en una fuerza clave para mejorar la eficiencia y la innovación. Estos agentes inteligentes autónomos, como miembros de equipo invisibles, poseen una capacidad integral que abarca desde la percepción del entorno hasta la ejecución de decisiones, infiltrándose gradualmente en todos los sectores y promoviendo un aumento dual de eficiencia e innovación.

Por ejemplo, un AGENTE de IA se puede utilizar para el comercio automatizado, gestionando en tiempo real carteras de inversión y ejecutando operaciones, basándose en datos recopilados de alguna plataforma de datos o red social, optimizando constantemente su rendimiento a través de iteraciones. El AGENTE de IA no es una forma única, sino que se divide en diferentes categorías según las necesidades específicas del ecosistema criptográfico:

1. Agente de IA ejecutor: se centra en completar tareas específicas, como negociación, 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: Interactuar con los usuarios como un líder de opinión en las redes sociales, 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, analizando cómo están reconfigurando el panorama de la industria y anticipando las tendencias de desarrollo futuro.

1.1.1 Historia del desarrollo

La evolución del desarrollo de AGENTES de IA muestra la transformación de la IA desde la investigación básica hasta su amplia aplicación. En la conferencia de Dartmouth de 1956, se introdujo por primera vez el término "IA", estableciendo las bases para la IA como un campo independiente. Durante este período, la investigación en IA se centró 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 fase también fue testigo de la primera propuesta de redes neuronales y de la exploración inicial del concepto de aprendizaje automático. Sin embargo, la investigación en IA de esta época se vio seriamente limitada por las restricciones de la capacidad de cálculo de entonces. 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 que se estaba llevando a cabo en el Reino Unido. El informe de Lighthill expresaba en gran medida un pesimismo general sobre la investigación en IA tras el período inicial de entusiasmo, lo que provocó una enorme pérdida de confianza en la IA por parte de las instituciones académicas del Reino Unido (, incluidas las agencias de financiamiento ). Después de 1973, los fondos para la investigación en IA se redujeron 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 de todo el mundo a adoptar tecnologías de inteligencia artificial (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 vivió 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 evento que marcó un hito en la capacidad de la IA para resolver problemas complejos. El resurgimiento 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 diaria.

A principios de este siglo, los avances en capacidad de cálculo impulsaron el auge del aprendizaje profundo, y asistentes virtuales como Siri demostraron la utilidad de la IA en 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 los modelos de lenguaje grande (Large Language Model, LLM) se convirtió en un hito importante en el desarrollo de la IA, especialmente el lanzamiento de GPT-4, que se considera un punto de inflexión en el campo de los agentes de IA. Desde que una empresa de IA lanzó la serie GPT, los modelos preentrenados 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 desempeño excepcional en el procesamiento del lenguaje natural ha permitido que los agentes de IA muestren una capacidad de interacción lógica y bien 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 servicio al cliente virtual, y se expandan gradualmente a tareas más complejas (como análisis empresarial y redacción creativa).

La capacidad de aprendizaje de los grandes modelos de lenguaje proporciona una mayor autonomía a los agentes de IA. A través de técnicas de aprendizaje por refuerzo, los agentes de IA pueden optimizar continuamente su comportamiento y adaptarse a entornos dinámicos. Por ejemplo, en una plataforma impulsada por IA, el agente de IA puede ajustar su estrategia de comportamiento según la entrada del jugador, logrando así una interacción dinámica.

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 serán cada vez más inteligentes, contextualizados y diversificados. 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 colaborar en múltiples campos. En el futuro, plataformas de proyectos innovadores seguirán surgiendo, impulsando la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era de experiencias impulsadas por IA.

Principio de funcionamiento 1.2

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

El núcleo del AGENTE 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 IA suele seguir los siguientes pasos: percepción, razonamiento, acción, aprendizaje, ajuste.

1.2.1 Módulo de percepción

El AGENTE DE IA interactúa con el mundo exterior a través de un módulo de percepción, recopilando información del entorno. Esta parte de la funcionalidad es similar a los sentidos humanos, utilizando sensores, cámaras, micrófonos y otros dispositivos para capturar 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 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 los 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 formula estrategias basándose en la información recopilada. Utilizando modelos de lenguaje grande y otros como orquestadores o motores de inferencia, comprende 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 predicciones.
• Aprendizaje por refuerzo: permite que el AGENTE de IA optimice continuamente su estrategia de decisión a través del ensayo y error, adaptándose a un entorno cambiante.

El proceso de inferencia generalmente consta de varios pasos: primero, la evaluación del entorno; segundo, el cálculo de múltiples posibles planes de acción según el objetivo; y por último, la selección del plan óptimo para su ejecución.

1.2.3 Módulo de Ejecución

El módulo de ejecución es las "manos y pies" del AGENTE de IA, llevando a cabo las decisiones del módulo de inferencia. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede involucrar 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 un brazo robótico.
• Llamada API: interacción con sistemas de software externos, como consultas de bases de datos o acceso a servicios web.
• Gestión de procesos automatizados: en un entorno empresarial, se ejecutan tareas repetitivas a través de RPA (automatización de procesos robóticos).

1.2.4 Módulo de aprendizaje

El módulo de aprendizaje es la competencia central del AGENTE AI, que permite a los agentes volverse más inteligentes con el tiempo. A través de un ciclo de retroalimentación o "rueda de datos" que mejora continuamente, los datos generados en las interacciones se retroalimentan al sistema para fortalecer 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 tareas con mayor precisión.
• Aprendizaje no supervisado: descubrir patrones potenciales a partir de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
• Aprendizaje continuo: actualizar el modelo con datos en tiempo real para mantener el rendimiento del agente en un entorno dinámico.

1.2.5 Retroalimentación y ajuste en tiempo real

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

1.3 Estado del mercado

1.3.1 Estado de la industria

Los AGENTES de IA están convirtiéndose en el foco del mercado, gracias a su enorme potencial como interfaz para los consumidores y como agentes económicos autónomos, lo que trae transformaciones a múltiples industrias. Al igual que el potencial del espacio de bloques L1 fue difícil de estimar en el ciclo anterior, los AGENTES de IA también han mostrado perspectivas similares en este ciclo.

Según el último informe de una empresa de investigación de mercado, 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 generada por la innovación tecnológica.

Las grandes empresas también han aumentado significativamente su inversión en marcos de proxies de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de un gigante tecnológico están cada vez más activas, lo que indica que AI AGENT tiene presencia más allá del ámbito de las criptomonedas.