Décodeur AI : La puissance intelligente qui façonne la nouvelle écologie économique du futur

1. Contexte général

1.1 Introduction : le "nouveau partenaire" à l'ère intelligente

Chaque cycle de cryptomonnaie apporte de nouvelles infrastructures qui propulsent le développement de l'ensemble de l'industrie.

• En 2017, l'émergence des contrats intelligents a suscité le développement florissant des ICO.
• En 2020, les pools de liquidités DEX ont déclenché la vague estivale de la DeFi.
• En 2021, l'émergence d'une multitude de séries d'œuvres NFT a marqué l'arrivée de l'ère des objets de collection numériques.
• En 2024, la performance exceptionnelle d'une plateforme de lancement a mené la vague des memecoins et des plateformes de lancement.

Il est important de souligner que ces débuts dans des domaines verticaux ne résultent pas uniquement de l'innovation technologique, mais aussi d'une combinaison parfaite entre les modèles de financement et les cycles de marché haussier. Lorsque l'opportunité rencontre le bon moment, cela peut engendrer de grands changements. En regardant vers 2025, il est clair que le domaine émergent du cycle de 2025 sera celui des agents IA. Cette tendance a atteint son apogée en octobre dernier, avec le lancement d'un certain jeton le 11 octobre 2024, qui a atteint une capitalisation boursière de 150 millions de dollars le 15 octobre. Juste après, le 16 octobre, un certain protocole a lancé Luna, apparaissant pour la première fois sous l'image de diffusion en direct de l'IP d'une fille d'à côté, déclenchant une réaction dans toute l'industrie.

Alors, qu'est-ce qu'un agent IA ?

Tout le monde doit être familier avec le film classique « Resident Evil », dont le système d'IA, la Reine Rouge, est particulièrement mémorable. La Reine Rouge est un puissant système d'IA qui contrôle des installations complexes et des systèmes de sécurité, capable de percevoir l'environnement, d'analyser des données et de réagir rapidement de manière autonome.

En réalité, l'Agent IA et les fonctions clés de la Reine de Coeur présentent de nombreuses similitudes. Dans le monde réel, les Agents IA jouent dans une certaine mesure un rôle similaire, étant les "gardiens de la sagesse" dans le domaine de la technologie moderne, aidant les entreprises et les particuliers à faire face à des tâches complexes grâce à la perception autonome, à l'analyse et à l'exécution. Des voitures autonomes aux services clients intelligents, les Agents IA se sont profondément intégrés dans divers secteurs, devenant une force clé pour améliorer l'efficacité et l'innovation. Ces agents intelligents autonomes, semblables à des membres d'équipe invisibles, possèdent des capacités complètes allant de la perception de l'environnement à l'exécution des décisions, s'infiltrant progressivement dans chaque secteur pour promouvoir à la fois l'efficacité et l'innovation.

Par exemple, un AGENT IA peut être utilisé pour le trading automatisé, gérant en temps réel un portefeuille et exécutant des transactions sur la base des données collectées à partir d'une plateforme de données ou d'une plateforme sociale, tout en optimisant continuellement sa performance au cours des itérations. L'AGENT IA n'est pas une forme unique, mais se divise en différentes catégories en fonction des besoins spécifiques dans l'écosystème cryptographique :

1. Agent IA exécutoire : se concentre sur l'accomplissement de tâches spécifiques, telles que le trading, la gestion de portefeuille ou l'arbitrage, visant à améliorer la précision des opérations et à réduire le temps nécessaire.

2. Agent d'IA créatif : utilisé pour la génération de contenu, y compris des textes, des designs et même des créations musicales.

3. Agent AI social : en tant que leader d'opinion sur les réseaux sociaux, interagir avec les utilisateurs, établir une communauté et participer aux activités de marketing.

4. Agent IA de coordination : Coordonne les interactions complexes entre systèmes ou participants, particulièrement adapté à l'intégration multi-chaînes.

Dans ce rapport, nous explorerons en profondeur les origines, l'état actuel et les vastes perspectives d'application des agents IA, en analysant comment ils redéfinissent le paysage industriel et en envisageant les tendances de développement futures.

1.1.1 Histoire du développement

L'évolution de l'AGENT AI montre l'évolution de l'IA depuis la recherche fondamentale jusqu'à son application généralisée. Lors de la conférence de Dartmouth en 1956, le terme "IA" a été introduit pour la première fois, établissant les bases de l'IA en tant que domaine indépendant. À cette époque, la recherche en IA se concentrait principalement sur les méthodes symboliques, donnant naissance aux premiers programmes d'IA, tels que ELIZA (un chatbot) et Dendral (un système d'expertise dans le domaine de la chimie organique). Cette phase a également été marquée par la première proposition de réseaux de neurones et l'exploration préliminaire des concepts d'apprentissage automatique. Cependant, la recherche en IA de cette époque a été sévèrement limitée par les capacités de calcul de l'époque. Les chercheurs ont rencontré d'énormes difficultés dans le développement d'algorithmes pour le traitement du langage naturel et l'imitation des fonctions cognitives humaines. De plus, en 1972, le mathématicien James Lighthill a soumis un rapport publié en 1973 sur l'état de la recherche en IA en cours au Royaume-Uni. Le rapport de Lighthill exprimait fondamentalement un pessimisme général sur la recherche en IA après l'excitation initiale, entraînant une perte de confiance massive des institutions académiques britanniques (, y compris des agences de financement ), envers l'IA. Après 1973, le financement de la recherche en IA a considérablement diminué, et le domaine de l'IA a connu le premier "hiver de l'IA", avec une augmentation du scepticisme quant au potentiel de l'IA.

Dans les années 1980, le développement et la commercialisation des systèmes experts ont conduit les entreprises du monde entier à adopter la technologie AI. Cette période a connu des avancées significatives dans l'apprentissage automatique, les réseaux neuronaux et le traitement du langage naturel, favorisant l'émergence d'applications AI plus complexes. L'introduction des véhicules autonomes et le déploiement de l'AI dans divers secteurs tels que la finance et la santé ont également marqué l'expansion de la technologie AI. Cependant, à la fin des années 1980 et au début des années 1990, avec l'effondrement de la demande du marché pour le matériel AI spécialisé, le domaine de l'AI a connu un deuxième "hiver de l'AI". De plus, la manière d'échelle des systèmes AI et de les intégrer avec succès dans des applications pratiques demeure un défi constant. Mais en même temps, en 1997, l'ordinateur Deep Blue d'IBM a battu le champion du monde d'échecs Garry Kasparov, un événement marquant dans la capacité de l'AI à résoudre des problèmes complexes. Le renouveau des réseaux neuronaux et de l'apprentissage profond a jeté les bases du développement de l'AI à la fin des années 1990, rendant l'AI partie intégrante du paysage technologique et commençant à influencer la vie quotidienne.

Au début de ce siècle, les avancées en matière de puissance de calcul ont favorisé l'émergence de l'apprentissage profond, des assistants virtuels comme Siri montrant l'utilité de l'IA dans le domaine des applications grand public. Dans les années 2010, les agents d'apprentissage par renforcement et des modèles génératifs tels que GPT-2 ont réalisé des percées supplémentaires, propulsant l'IA conversationnelle vers de nouveaux sommets. Dans ce processus, l'apparition des grands modèles de langage (Large Language Model, LLM) est devenue un jalon important dans le développement de l'IA, notamment avec la publication de GPT-4, qui est considéré comme un tournant dans le domaine des agents IA. Depuis la sortie de la série GPT par une certaine entreprise d'IA, les modèles pré-entraînés à grande échelle, comportant des milliards, voire des milliers de milliards de paramètres, ont montré des capacités de génération et de compréhension linguistique dépassant celles des modèles traditionnels. Leur performance exceptionnelle en traitement du langage naturel a permis aux agents IA de démontrer une capacité d'interaction logique et structurée par le biais de la génération de langage. Cela a permis aux agents IA d'être utilisés dans des scénarios tels que les assistants de chat, le service client virtuel, et de s'étendre progressivement à des tâches plus complexes telles que l'analyse commerciale et l'écriture créative.

La capacité d'apprentissage des grands modèles de langage offre une plus grande autonomie aux agents IA. Grâce à la technique de l'apprentissage par renforcement, les agents IA peuvent continuellement optimiser leur comportement et s'adapter à un environnement dynamique. Par exemple, sur une certaine plateforme alimentée par l'IA, les agents IA peuvent ajuster leur stratégie de comportement en fonction des entrées des joueurs, réalisant ainsi une interaction dynamique.

De la première génération de systèmes de règles aux modèles de langage de grande envergure représentés par GPT-4, l'histoire du développement des agents d'IA est une histoire d'évolution qui ne cesse de repousser les frontières technologiques. L'apparition de GPT-4 est sans aucun doute un tournant majeur dans ce parcours. Avec l'avancement technologique, les agents d'IA deviendront de plus en plus intelligents, contextuels et diversifiés. Les modèles de langage de grande envergure n'ont pas seulement injecté une "intelligence" dans l'âme des agents d'IA, mais leur ont également conféré la capacité de collaboration interdisciplinaire. À l'avenir, des plateformes de projet innovantes continueront d'émerger, poussant davantage la mise en œuvre et le développement de la technologie des agents d'IA, ouvrant la voie à une nouvelle ère d'expériences pilotées par l'IA.

Principe de fonctionnement 1.2

La différence entre les AIAGENT et les robots traditionnels réside dans leur capacité à apprendre et à s'adapter au fil du temps, à prendre des décisions minutieuses pour atteindre des objectifs. On peut les considérer comme des participants techniquement avancés et en constante évolution dans le domaine de la cryptographie, capables d'agir de manière indépendante dans l'économie numérique.

Le cœur de l'AGENT IA réside dans son "intelligence" ------ c'est-à-dire la simulation des comportements intelligents humains ou d'autres êtres vivants par le biais d'algorithmes, afin de résoudre automatiquement des problèmes complexes. Le flux de travail de l'AGENT IA suit généralement les étapes suivantes : perception, raisonnement, action, apprentissage, ajustement.

1.2.1 Module de perception

L'AGENT IA interagit avec le monde extérieur via un module de perception, collectant des informations environnementales. Cette partie des fonctionnalités est similaire aux sens humains, utilisant des capteurs, des caméras, des microphones et d'autres dispositifs pour capturer des données externes, ce qui inclut l'extraction de caractéristiques significatives, la reconnaissance d'objets ou la détermination des entités pertinentes dans l'environnement. La tâche principale du module de perception est de transformer les données brutes en informations significatives, ce qui implique généralement les techniques suivantes :

• Vision par ordinateur : utilisé pour traiter et comprendre des données d'images et de vidéos.
• Traitement du langage naturel (NLP) : aide l'agent AI à comprendre et à générer le langage humain.
• Fusion de capteurs : intégrer les données provenant de plusieurs capteurs en une vue unifiée.

1.2.2 Module d'inférence et de décision

Après avoir perçu l'environnement, l'AGENT IA doit prendre des décisions basées sur les données. Le module de raisonnement et de décision est le "cerveau" de l'ensemble du système, il effectue un raisonnement logique et élabore des stratégies en fonction des informations collectées. En utilisant de grands modèles de langage, agissant comme orchestrateurs ou moteurs de raisonnement, il comprend les tâches, génère des solutions et coordonne des modèles spécialisés utilisés pour des fonctions spécifiques telles que la création de contenu, le traitement visuel ou les systèmes de recommandation.

Ce module utilise généralement les technologies suivantes :

• Moteur de règles : prise de décision simple basée sur des règles prédéfinies.
• Modèles d'apprentissage automatique : y compris les arbres de décision, les réseaux de neurones, etc., utilisés pour la reconnaissance de motifs complexes et la prédiction.
• Apprentissage par renforcement : permettre à l'AGENT IA d'optimiser continuellement sa stratégie de décision par essais et erreurs, en s'adaptant à un environnement changeant.

Le processus de raisonnement comprend généralement plusieurs étapes : d'abord l'évaluation de l'environnement, ensuite le calcul de plusieurs plans d'action possibles en fonction des objectifs, et enfin le choix de la meilleure option à exécuter.

1.2.3 Module d'exécution

Le module d'exécution est les "mains et pieds" de l'AGENT AI, mettant en œuvre les décisions du module de raisonnement. Cette partie interagit avec des systèmes ou dispositifs externes pour accomplir des tâches spécifiques. Cela peut impliquer des opérations physiques (comme les mouvements de robots) ou des opérations numériques (comme le traitement de données). Le module d'exécution dépend de :

• Système de contrôle robotique : utilisé pour des opérations physiques, telles que le mouvement d'un bras robotique.
• Appel API : interagir avec des systèmes logiciels externes, comme des requêtes de base de données ou l'accès à des services web.
• Gestion des processus automatisés : dans un environnement d'entreprise, exécution de tâches répétitives grâce à la RPA (automatisation des processus robotisés).

1.2.4 Module d'apprentissage

Le module d'apprentissage est la principale compétence concurrentielle de l'AGENT IA, permettant à l'agent de devenir plus intelligent avec le temps. Grâce à un cycle de rétroaction ou un "roue de données" d'amélioration continue, les données générées lors des interactions sont renvoyées dans le système pour renforcer le modèle. Cette capacité à s'adapter progressivement et à devenir plus efficace au fil du temps offre aux entreprises un puissant outil pour améliorer la prise de décision et l'efficacité opérationnelle.

Les modules d'apprentissage sont généralement améliorés de la manière suivante :

• Apprentissage supervisé : Utiliser des données étiquetées pour entraîner le modèle, afin que l'AGENT IA puisse accomplir les tâches avec plus de précision.
• Apprentissage non supervisé : découvrir des modèles potentiels à partir de données non étiquetées, aidant l'agent à s'adapter à un nouvel environnement.
• Apprentissage continu : Mettre à jour le modèle avec des données en temps réel pour maintenir la performance de l'agent dans un environnement dynamique.

1.2.5 Retours en temps réel et ajustements

L'AGENT IA optimise ses performances grâce à un cycle de rétroaction continu. Les résultats de chaque action sont enregistrés et utilisés pour ajuster les décisions futures. Ce système en boucle fermée garantit l'adaptabilité et la flexibilité de l'AGENT IA.

État actuel du marché 1.3

1.3.1 État de l'industrie

L'AGENT IA devient le point focal du marché, apportant des transformations à plusieurs secteurs grâce à son immense potentiel en tant qu'interface consommateur et acteur économique autonome. Tout comme le potentiel de l'espace de bloc L1 était difficile à évaluer lors du dernier cycle, l'AGENT IA montre également des perspectives similaires lors de ce cycle.

Selon le dernier rapport d'une société de recherche de marché, le marché des agents IA devrait passer de 5,1 milliards de dollars en 2024 à 47,1 milliards de dollars en 2030, avec un taux de croissance annuel composé (CAGR) atteignant 44,8 %. Cette croissance rapide reflète l'infiltration des agents IA dans divers secteurs ainsi que la demande du marché générée par l'innovation technologique.

Les grandes entreprises investissent également de manière significative dans les cadres de proxy open source. Les activités de développement des cadres tels qu'AutoGen, Phidata et LangGraph d'un certain géant technologique deviennent de plus en plus actives, ce qui indique que l'AGENT IA possède