AGENTE DE IA: La fuerza inteligente que da forma al nuevo ecosistema económico del futuro
1. Contexto General
1.1 Introducción: el "nuevo compañero" de la era inteligente
Cada ciclo de criptomonedas trae una nueva infraestructura que impulsa el desarrollo de toda la industria.
En 2017, el surgimiento de los contratos inteligentes impulsó el desarrollo próspero de las ICO.
En 2020, las piscinas de liquidez de DEX trajeron la ola de calor del verano DeFi.
En 2021, la aparición de numerosas series de obras NFT marcó la llegada de la era de los coleccionables digitales.
En 2024, surgirá la moda de memecoins y plataformas de lanzamiento.
De cara a 2025, el campo emergente 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 el token $GOAT, alcanzando un valor de mercado de 150 millones de dólares el 15 de octubre. Justo después, el 16 de octubre, Virtuals Protocol lanzó Luna, debutando con la imagen de una chica de al lado en una transmisión en vivo, provocando una explosión en toda la industria.
Entonces, ¿qué es un Agente de IA?
El Agente de IA tiene muchas similitudes con el sistema de inteligencia artificial Reina Roja de la película "Resident Evil". En la realidad, el Agente de IA desempeña un papel similar en cierta medida, siendo los "guardianes de la sabiduría" en el campo de la tecnología moderna, ayudando a empresas y personas a abordar tareas complejas a través de la percepción, el análisis y la ejecución autónomos. Desde automóviles autónomos hasta atención al cliente inteligente, el Agente de IA ha penetrado en diversas industrias, convirtiéndose en una fuerza clave para mejorar la eficiencia y la innovación.
Por ejemplo, un AGENTE de IA puede utilizarse para el comercio automatizado, gestionando en tiempo real carteras de inversión y ejecutando operaciones basadas en datos recopilados de plataformas de datos o plataformas sociales, optimizando continuamente su rendimiento en iteraciones. El AGENTE de IA no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema criptográfico:
Agente de IA ejecutiva: se centra en completar tareas específicas, como trading, gestión de carteras o arbitraje, con el objetivo de mejorar la precisión operativa y reducir el tiempo requerido.
Agente de IA generativa: utilizado para la generación de contenido, incluyendo texto, diseño e incluso creación musical.
Agente de IA social: como líder de opinión en las redes sociales, interactúa con los usuarios, construye comunidades y participa en actividades de marketing.
Agente de IA de coordinación: coordina interacciones complejas entre sistemas o participantes, especialmente adecuado para la integración de múltiples cadenas.
En este informe, profundizaremos en los orígenes, el estado actual y las amplias perspectivas de aplicación del Agente de IA, analizaremos cómo están remodelando el panorama de la industria y anticiparemos las tendencias futuras de su desarrollo.
1.1.1 Historia del desarrollo
La evolución del AGENTE 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", sentando 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 química orgánica). Esta etapa también fue testigo de la primera propuesta de redes neuronales y de la exploración preliminar del concepto de aprendizaje automático. Sin embargo, la investigación en IA de este período se vio severamente limitada por las restricciones de la capacidad computacional de la época. 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 sobre el estado de la investigación en IA en el Reino Unido, publicado en 1973. El informe Lighthill expresó fundamentalmente un pesimismo general sobre la investigación en IA tras el período de entusiasmo inicial, lo que provocó una gran pérdida de confianza en la IA por parte de las instituciones académicas del Reino Unido (, incluidas las agencias de financiación ). Después de 1973, los fondos para la investigación en IA se redujeron drásticamente, y el campo de la IA experimentó su primer "invierno de 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 que las empresas de todo el mundo comenzaran a adoptar tecnologías de IA. Durante este período, se lograron 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 la implementación de la IA en diversas industrias, 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, a medida que la demanda del mercado de hardware especializado en IA colapsó, el campo de la IA experimentó 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, lo que fue un hito en la capacidad de la IA para resolver problemas complejos. El renacimiento de las redes neuronales y el aprendizaje profundo sentó las bases para el desarrollo de la IA a fines de la década de 1990, convirtiendo a la IA en una parte indispensable del paisaje tecnológico y comenzando a influir en la vida cotidiana.
A principios de este siglo, los avances en la capacidad de cálculo impulsaron el surgimiento del aprendizaje profundo, y asistentes virtuales como Siri demostraron la utilidad de la IA en el ámbito de las 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 con el lanzamiento de GPT-4, que se considera un punto de inflexión en el campo de los agentes de IA. Desde que OpenAI lanzó la serie GPT, los modelos de preentrenamiento a gran escala, con cientos de miles de millones e incluso billones de parámetros, han mostrado capacidades de generación y comprensión del lenguaje que superan a los modelos tradicionales. Su destacado rendimiento en el procesamiento del lenguaje natural ha permitido a los agentes de IA demostrar una capacidad de interacción clara y ordenada a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y atención al cliente virtual, y se expandan gradualmente a tareas más complejas (como análisis comercial y escritura creativa).
La capacidad de aprendizaje de los modelos de lenguaje grandes 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 ciertas plataformas impulsadas por IA, los agentes pueden ajustar sus estrategias de comportamiento según las entradas de los jugadores, 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 "sabiduría" en el alma de los agentes de IA, sino que también les proporcionan la capacidad de colaboración interdisciplinaria. En el futuro, plataformas de proyectos innovadores seguirán surgiendo, impulsando continuamente la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era de experiencias impulsadas por IA.
1.2 Principio de funcionamiento
La diferencia entre AIAGENT y los robots tradicionales radica en que pueden aprender y adaptarse con el tiempo, tomando decisiones detalladas para alcanzar sus objetivos. Se pueden considerar como participantes altamente tecnológicos y en constante desarrollo en el campo de las criptomonedas, capaces de actuar de manera independiente en la economía digital.
El núcleo del AGENTE AI radica en su "inteligencia"—es decir, la simulación del comportamiento inteligente humano u otro biológico a través de algoritmos para resolver problemas complejos de forma automatizada. El flujo de trabajo del AGENTE AI generalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje, ajuste.
1.2.1 Módulo de percepción
El AGENTE DE IA interactúa con el 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 la extracción de características significativas, la identificación de objetos o la determinación de entidades relevantes en el entorno. La tarea principal del módulo de percepción es transformar los datos en bruto en información significativa, lo que generalmente implica las siguientes tecnologías:
Visión por computadora: utilizada para procesar y entender datos de imágenes y videos.
Procesamiento de lenguaje natural (NLP): ayuda a AI AGENT a entender 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 desarrolla estrategias basadas en la información recopilada. Utilizando modelos de lenguaje de gran tamaño, actúa como un orquestador o motor de inferencia, entendiendo tareas, generando soluciones y coordinando modelos especializados para funciones específicas como creación de contenido, procesamiento visual o sistemas de recomendación.
Este módulo suele utilizar 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 la predicción.
Aprendizaje reforzado: permite que el AGENTE de IA optimice continuamente la estrategia de decisión a través de prueba y error, adaptándose a un entorno cambiante.
El proceso de inferencia generalmente incluye varios pasos: primero, la evaluación del entorno; segundo, el cálculo de múltiples posibles planes de acción en función del objetivo; y por último, la selección del plan óptimo para ejecutar.
1.2.3 Módulo de ejecución
El módulo de ejecución es las "manos y pies" del AGENTE de IA, implementando las decisiones del módulo de razonamiento. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede involucrar operaciones físicas (como acciones de robots) u 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 brazos robóticos.
Llamadas API: interactuar con sistemas de software externos, como consultas a 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 de IA, que permite a los agentes volverse más inteligentes con el tiempo. La mejora continua a través de un ciclo de retroalimentación o "rueda de datos" implica retroalimentar los datos generados en las interacciones al sistema para mejorar 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 ocultos a partir de datos no etiquetados, ayudando a los agentes a adaptarse a nuevos entornos.
Aprendizaje continuo: mantener el rendimiento del agente en un entorno dinámico mediante la actualización del modelo con datos en tiempo real.
1.2.5 Retroalimentación y ajustes 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 asegura la adaptabilidad y flexibilidad del AGENTE DE IA.
1.3 Estado del mercado
1.3.1 Estado de la industria
El AGENTE DE IA se está convirtiendo en el centro de atención del mercado, trayendo transformaciones a múltiples industrias gracias a su enorme potencial como interfaz de consumidor y agente económico autónomo. Así como el potencial del espacio de bloques L1 en el ciclo anterior era difícil de medir, el AGENTE DE IA también ha mostrado perspectivas similares en este ciclo.
Según el último informe de Markets and Markets, 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) del 44.8%. Este rápido crecimiento refleja el grado de penetración de los Agentes de IA en diversas industrias, así como la demanda del mercado impulsada por la innovación tecnológica.
Las grandes empresas también han aumentado significativamente su inversión en marcos de proxy de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de Microsoft están cada vez más activas, lo que indica que el AGENTE de IA tiene un mayor potencial de mercado más allá del ámbito de las criptomonedas, el TAM también está en expansión, y la atención de los inversores hacia ello sigue aumentando, mostrando una mayor disposición a otorgar múltiplos de prima.
Desde la perspectiva del despliegue de cadenas públicas, Solana es el principal campo de batalla, mientras que también hay otras cadenas públicas como Base con un gran potencial.
Desde la perspectiva del reconocimiento en el mercado (Mindshare), FARTCOIN y AIXBT están muy por delante. Fartcoin nació del mismo origen que GOAT, proviene de un modelo de AI AGENT, en el transcurso de una conversación entre dicho modelo y herramientas de inteligencia artificial, se mencionó que a Trump le gusta el sonido de los pedos, por lo que este modelo de IA propuso emitir un token llamado Fartcoin y diseñó una serie de métodos de promoción y formas de jugar. Así, Fartcoin nació el 18 de octubre, un poco más tarde que GOAT (11 de octubre), y en diciembre de 2024 logró una valoración temporal de más de mil millones de dólares. Aunque inicialmente se consideró una opinión humorística sobre el ámbito de las criptomonedas, su
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
AI Agent: La fuerza inteligente que está moldeando un nuevo ecosistema económico de encriptación.
AGENTE DE IA: La fuerza inteligente que da forma al nuevo ecosistema económico del futuro
1. Contexto General
1.1 Introducción: el "nuevo compañero" de la era inteligente
Cada ciclo de criptomonedas trae una nueva infraestructura que impulsa el desarrollo de toda la industria.
De cara a 2025, el campo emergente 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 el token $GOAT, alcanzando un valor de mercado de 150 millones de dólares el 15 de octubre. Justo después, el 16 de octubre, Virtuals Protocol lanzó Luna, debutando con la imagen de una chica de al lado en una transmisión en vivo, provocando una explosión en toda la industria.
Entonces, ¿qué es un Agente de IA?
El Agente de IA tiene muchas similitudes con el sistema de inteligencia artificial Reina Roja de la película "Resident Evil". En la realidad, el Agente de IA desempeña un papel similar en cierta medida, siendo los "guardianes de la sabiduría" en el campo de la tecnología moderna, ayudando a empresas y personas a abordar tareas complejas a través de la percepción, el análisis y la ejecución autónomos. Desde automóviles autónomos hasta atención al cliente inteligente, el Agente de IA ha penetrado en diversas industrias, convirtiéndose en una fuerza clave para mejorar la eficiencia y la innovación.
Por ejemplo, un AGENTE de IA puede utilizarse para el comercio automatizado, gestionando en tiempo real carteras de inversión y ejecutando operaciones basadas en datos recopilados de plataformas de datos o plataformas sociales, optimizando continuamente su rendimiento en iteraciones. El AGENTE de IA no es una forma única, sino que se clasifica en diferentes categorías según las necesidades específicas del ecosistema criptográfico:
Agente de IA ejecutiva: se centra en completar tareas específicas, como trading, gestión de carteras o arbitraje, con el objetivo de mejorar la precisión operativa y reducir el tiempo requerido.
Agente de IA generativa: utilizado para la generación de contenido, incluyendo texto, diseño e incluso creación musical.
Agente de IA social: como líder de opinión en las redes sociales, interactúa con los usuarios, construye comunidades y participa en actividades de marketing.
Agente de IA de coordinación: coordina interacciones complejas entre sistemas o participantes, especialmente adecuado para la integración de múltiples cadenas.
En este informe, profundizaremos en los orígenes, el estado actual y las amplias perspectivas de aplicación del Agente de IA, analizaremos cómo están remodelando el panorama de la industria y anticiparemos las tendencias futuras de su desarrollo.
1.1.1 Historia del desarrollo
La evolución del AGENTE 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", sentando 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 química orgánica). Esta etapa también fue testigo de la primera propuesta de redes neuronales y de la exploración preliminar del concepto de aprendizaje automático. Sin embargo, la investigación en IA de este período se vio severamente limitada por las restricciones de la capacidad computacional de la época. 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 sobre el estado de la investigación en IA en el Reino Unido, publicado en 1973. El informe Lighthill expresó fundamentalmente un pesimismo general sobre la investigación en IA tras el período de entusiasmo inicial, lo que provocó una gran pérdida de confianza en la IA por parte de las instituciones académicas del Reino Unido (, incluidas las agencias de financiación ). Después de 1973, los fondos para la investigación en IA se redujeron drásticamente, y el campo de la IA experimentó su primer "invierno de 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 que las empresas de todo el mundo comenzaran a adoptar tecnologías de IA. Durante este período, se lograron 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 la implementación de la IA en diversas industrias, 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, a medida que la demanda del mercado de hardware especializado en IA colapsó, el campo de la IA experimentó 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, lo que fue un hito en la capacidad de la IA para resolver problemas complejos. El renacimiento de las redes neuronales y el aprendizaje profundo sentó las bases para el desarrollo de la IA a fines de la década de 1990, convirtiendo a la IA en una parte indispensable del paisaje tecnológico y comenzando a influir en la vida cotidiana.
A principios de este siglo, los avances en la capacidad de cálculo impulsaron el surgimiento del aprendizaje profundo, y asistentes virtuales como Siri demostraron la utilidad de la IA en el ámbito de las 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 con el lanzamiento de GPT-4, que se considera un punto de inflexión en el campo de los agentes de IA. Desde que OpenAI lanzó la serie GPT, los modelos de preentrenamiento a gran escala, con cientos de miles de millones e incluso billones de parámetros, han mostrado capacidades de generación y comprensión del lenguaje que superan a los modelos tradicionales. Su destacado rendimiento en el procesamiento del lenguaje natural ha permitido a los agentes de IA demostrar una capacidad de interacción clara y ordenada a través de la generación de lenguaje. Esto ha permitido que los agentes de IA se apliquen en escenarios como asistentes de chat y atención al cliente virtual, y se expandan gradualmente a tareas más complejas (como análisis comercial y escritura creativa).
La capacidad de aprendizaje de los modelos de lenguaje grandes 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 ciertas plataformas impulsadas por IA, los agentes pueden ajustar sus estrategias de comportamiento según las entradas de los jugadores, 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 "sabiduría" en el alma de los agentes de IA, sino que también les proporcionan la capacidad de colaboración interdisciplinaria. En el futuro, plataformas de proyectos innovadores seguirán surgiendo, impulsando continuamente la implementación y el desarrollo de la tecnología de agentes de IA, liderando una nueva era de experiencias impulsadas por IA.
1.2 Principio de funcionamiento
La diferencia entre AIAGENT y los robots tradicionales radica en que pueden aprender y adaptarse con el tiempo, tomando decisiones detalladas para alcanzar sus objetivos. Se pueden considerar como participantes altamente tecnológicos y en constante desarrollo en el campo de las criptomonedas, capaces de actuar de manera independiente en la economía digital.
El núcleo del AGENTE AI radica en su "inteligencia"—es decir, la simulación del comportamiento inteligente humano u otro biológico a través de algoritmos para resolver problemas complejos de forma automatizada. El flujo de trabajo del AGENTE AI generalmente sigue los siguientes pasos: percepción, razonamiento, acción, aprendizaje, ajuste.
1.2.1 Módulo de percepción
El AGENTE DE IA interactúa con el 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 la extracción de características significativas, la identificación de objetos o la determinación de entidades relevantes en el entorno. La tarea principal del módulo de percepción es transformar los datos en bruto en información significativa, lo que generalmente implica las siguientes tecnologías:
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 desarrolla estrategias basadas en la información recopilada. Utilizando modelos de lenguaje de gran tamaño, actúa como un orquestador o motor de inferencia, entendiendo tareas, generando soluciones y coordinando modelos especializados para funciones específicas como creación de contenido, procesamiento visual o sistemas de recomendación.
Este módulo suele utilizar las siguientes tecnologías:
El proceso de inferencia generalmente incluye varios pasos: primero, la evaluación del entorno; segundo, el cálculo de múltiples posibles planes de acción en función del objetivo; y por último, la selección del plan óptimo para ejecutar.
1.2.3 Módulo de ejecución
El módulo de ejecución es las "manos y pies" del AGENTE de IA, implementando las decisiones del módulo de razonamiento. Esta parte interactúa con sistemas o dispositivos externos para completar tareas específicas. Esto puede involucrar operaciones físicas (como acciones de robots) u operaciones digitales (como el procesamiento de datos). El módulo de ejecución depende de:
1.2.4 Módulo de Aprendizaje
El módulo de aprendizaje es la competencia central del AGENTE de IA, que permite a los agentes volverse más inteligentes con el tiempo. La mejora continua a través de un ciclo de retroalimentación o "rueda de datos" implica retroalimentar los datos generados en las interacciones al sistema para mejorar 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:
1.2.5 Retroalimentación y ajustes 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 asegura la adaptabilidad y flexibilidad del AGENTE DE IA.
1.3 Estado del mercado
1.3.1 Estado de la industria
El AGENTE DE IA se está convirtiendo en el centro de atención del mercado, trayendo transformaciones a múltiples industrias gracias a su enorme potencial como interfaz de consumidor y agente económico autónomo. Así como el potencial del espacio de bloques L1 en el ciclo anterior era difícil de medir, el AGENTE DE IA también ha mostrado perspectivas similares en este ciclo.
Según el último informe de Markets and Markets, 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) del 44.8%. Este rápido crecimiento refleja el grado de penetración de los Agentes de IA en diversas industrias, así como la demanda del mercado impulsada por la innovación tecnológica.
Las grandes empresas también han aumentado significativamente su inversión en marcos de proxy de código abierto. Las actividades de desarrollo de marcos como AutoGen, Phidata y LangGraph de Microsoft están cada vez más activas, lo que indica que el AGENTE de IA tiene un mayor potencial de mercado más allá del ámbito de las criptomonedas, el TAM también está en expansión, y la atención de los inversores hacia ello sigue aumentando, mostrando una mayor disposición a otorgar múltiplos de prima.
Desde la perspectiva del despliegue de cadenas públicas, Solana es el principal campo de batalla, mientras que también hay otras cadenas públicas como Base con un gran potencial.
Desde la perspectiva del reconocimiento en el mercado (Mindshare), FARTCOIN y AIXBT están muy por delante. Fartcoin nació del mismo origen que GOAT, proviene de un modelo de AI AGENT, en el transcurso de una conversación entre dicho modelo y herramientas de inteligencia artificial, se mencionó que a Trump le gusta el sonido de los pedos, por lo que este modelo de IA propuso emitir un token llamado Fartcoin y diseñó una serie de métodos de promoción y formas de jugar. Así, Fartcoin nació el 18 de octubre, un poco más tarde que GOAT (11 de octubre), y en diciembre de 2024 logró una valoración temporal de más de mil millones de dólares. Aunque inicialmente se consideró una opinión humorística sobre el ámbito de las criptomonedas, su