AI AGENT: Sức mạnh thông minh định hình hệ sinh thái kinh tế mới trong tương lai

1. Bối cảnh tổng quan

1.1 Giới thiệu: "Người bạn mới" trong kỷ nguyên thông minh

Mỗi chu kỳ tiền điện tử sẽ mang đến cơ sở hạ tầng mới thúc đẩy sự phát triển của toàn ngành.

• Năm 2017, sự nổi lên của hợp đồng thông minh đã thúc đẩy sự phát triển mạnh mẽ của ICO.
• Năm 2020, các bể thanh khoản của DEX đã mang đến cơn sốt mùa hè DeFi.
• Năm 2021, sự ra đời của nhiều bộ sưu tập NFT đánh dấu sự đến của thời đại sưu tập kỹ thuật số.
• Năm 2024, hiệu suất xuất sắc của một nền tảng phóng đã dẫn đầu cơn sốt memecoin và nền tảng phóng.

Cần nhấn mạnh rằng, sự khởi đầu trong những lĩnh vực dọc này không chỉ là kết quả của đổi mới công nghệ, mà còn là sự kết hợp hoàn hảo giữa mô hình tài trợ và chu kỳ thị trường tăng giá. Khi cơ hội gặp đúng thời điểm, nó có thể tạo ra những thay đổi lớn. Nhìn về năm 2025, rõ ràng rằng, lĩnh vực mới nổi trong chu kỳ 2025 sẽ là đại lý AI. Xu hướng này đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, một đồng tiền đã được ra mắt, và vào ngày 15 tháng 10, nó đạt giá trị thị trường 150 triệu USD. Ngay sau đó vào ngày 16 tháng 10, một giao thức đã ra mắt Luna, lần đầu tiên xuất hiện với hình ảnh phát trực tiếp của một cô gái hàng xóm, làm bùng nổ toàn ngành.

Vậy, AI Agent thực sự là gì?

Mọi người chắc chắn không xa lạ gì với bộ phim cổ điển "Resident Evil", trong đó hệ thống AI Nữ Hoàng Đỏ để lại ấn tượng sâu sắc. Nữ Hoàng Đỏ là một hệ thống AI mạnh mẽ, kiểm soát các cơ sở và hệ thống an ninh phức tạp, có khả năng tự cảm nhận môi trường, phân tích dữ liệu và nhanh chóng hành động.

Trên thực tế, AI Agent có nhiều điểm tương đồng với các chức năng cốt lõi của Nữ Hoàng Trái Tim. AI Agent trong thế giới thực đóng vai trò tương tự ở một mức độ nào đó, chúng là "người bảo vệ trí tuệ" trong lĩnh vực công nghệ hiện đại, giúp các doanh nghiệp và cá nhân đối phó với những nhiệm vụ phức tạp thông qua việc tự cảm nhận, phân tích và thực hiện. Từ xe tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào các ngành nghề khác nhau, trở thành lực lượng then chốt trong việc nâng cao hiệu quả và đổi mới. Những thực thể thông minh tự chủ này, giống như những thành viên trong đội ngũ vô hình, có khả năng toàn diện từ nhận thức môi trường đến thực hiện quyết định, dần dần thâm nhập vào từng ngành, thúc đẩy sự nâng cao đôi bên về hiệu quả và đổi mới.

Ví dụ, một AI AGENT có thể được sử dụng để giao dịch tự động, dựa trên dữ liệu thu thập từ một nền tảng hoặc mạng xã hội, quản lý danh mục đầu tư theo thời gian thực và thực hiện giao dịch, liên tục tối ưu hóa hiệu suất của nó trong quá trình lặp lại. AI AGENT không phải là một hình thức duy nhất, mà được phân loại thành các loại khác nhau dựa trên các nhu cầu cụ thể trong hệ sinh thái tiền điện tử:

1. Đại lý AI thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, như giao dịch, quản lý danh mục đầu tư hoặc chênh lệch giá, nhằm cải thiện độ chính xác trong hoạt động và giảm thời gian cần thiết.

2. Đại lý AI sáng tạo: dùng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.

3. AI Agent kiểu xã hội: Là một người có ảnh hưởng trên mạng xã hội, tương tác với người dùng, xây dựng cộng đồng và tham gia vào các hoạt động tiếp thị.

4. Đại lý AI điều phối: Điều phối các tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt phù hợp với tích hợp đa chuỗi.

Trong báo cáo này, chúng tôi sẽ đi sâu vào nguồn gốc, tình trạng hiện tại và triển vọng ứng dụng rộng lớn của AI Agent, phân tích cách chúng tái định hình bối cảnh ngành và dự đoán xu hướng phát triển trong tương lai.

1.1.1 Lịch sử phát triển

Quá trình phát triển của AI AGENT cho thấy sự tiến hóa của AI từ nghiên cứu cơ bản đến ứng dụng rộng rãi. Vào năm 1956, tại hội nghị Dartmouth, thuật ngữ "AI" lần đầu tiên được đưa ra, đặt nền tảng cho AI như một lĩnh vực độc lập. Trong giai đoạn này, nghiên cứu AI chủ yếu tập trung vào các phương pháp ký hiệu, dẫn đến sự ra đời của các chương trình AI đầu tiên, như ELIZA(, một chatbot) và Dendral(, một hệ thống chuyên gia trong lĩnh vực hóa học hữu cơ). Giai đoạn này cũng chứng kiến sự đề xuất đầu tiên về mạng nơ-ron và khám phá ban đầu về khái niệm học máy. Tuy nhiên, nghiên cứu AI trong giai đoạn này bị hạn chế nghiêm trọng bởi khả năng tính toán lúc bấy giờ. Các nhà nghiên cứu gặp rất nhiều khó khăn trong việc phát triển các thuật toán xử lý ngôn ngữ tự nhiên và mô phỏng các chức năng nhận thức của con người. Thêm vào đó, vào năm 1972, nhà toán học James Lighthill đã nộp một báo cáo, được công bố vào năm 1973, về tình hình nghiên cứu AI đang diễn ra tại Vương quốc Anh. Báo cáo Lighthill cơ bản thể hiện sự bi quan toàn diện về nghiên cứu AI sau giai đoạn phấn khởi ban đầu, dẫn đến sự mất niềm tin lớn vào AI từ các tổ chức học thuật(, bao gồm cả các tổ chức tài trợ). Sau năm 1973, ngân sách nghiên cứu AI giảm mạnh, lĩnh vực AI đã trải qua "mùa đông AI" đầu tiên, cảm giác nghi ngờ về tiềm năng của AI ngày càng gia tăng.

Vào những năm 1980, sự phát triển và thương mại hóa hệ thống chuyên gia đã khiến các doanh nghiệp toàn cầu bắt đầu áp dụng công nghệ AI. Thời kỳ này đã đạt được những tiến bộ lớn trong học máy, mạng nơ-ron và xử lý ngôn ngữ tự nhiên, thúc đẩy sự xuất hiện của các ứng dụng AI phức tạp hơn. Sự ra mắt của các phương tiện tự hành lần đầu tiên và việc triển khai AI trong các ngành như tài chính, y tế cũng đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, với sự sụp đổ của nhu cầu thị trường đối với phần cứng AI chuyên dụng, lĩnh vực AI đã trải qua "mùa đông AI" lần thứ hai. Hơn nữa, cách mở rộng quy mô của các hệ thống AI và tích hợp thành công chúng vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng trong khi đó, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đây là một sự kiện mang tính bước ngoặt về khả năng của AI trong việc giải quyết các vấn đề phức tạp. Sự phục hồi của mạng nơ-ron và học sâu đã đặt nền tảng cho sự phát triển AI vào cuối những năm 1990, khiến AI trở thành một phần không thể thiếu trong bối cảnh công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.

Vào đầu thế kỷ này, sự tiến bộ về khả năng tính toán đã thúc đẩy sự nổi lên của học sâu, các trợ lý ảo như Siri đã chứng minh tính thực tiễn của AI trong lĩnh vực ứng dụng tiêu dùng. Trong thập kỷ 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá tiếp theo, đưa AI đối thoại lên một tầm cao mới. Trong quá trình này, sự xuất hiện của mô hình ngôn ngữ lớn (Large Language Model,LLM) đã trở thành một cột mốc quan trọng trong sự phát triển của AI, đặc biệt là sự ra mắt của GPT-4, được coi là một bước ngoặt trong lĩnh vực tác nhân AI. Kể từ khi một công ty AI phát hành dòng sản phẩm GPT, các mô hình được tiền huấn luyện quy mô lớn với hàng chục tỷ thậm chí hàng trăm tỷ tham số đã thể hiện khả năng tạo và hiểu ngôn ngữ vượt trội so với các mô hình truyền thống. Hiệu suất xuất sắc của chúng trong xử lý ngôn ngữ tự nhiên đã cho phép các tác nhân AI thể hiện khả năng tương tác rõ ràng và logic thông qua việc tạo ra ngôn ngữ. Điều này đã khiến các tác nhân AI có thể được áp dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và từ từ mở rộng sang các nhiệm vụ phức tạp hơn ( như phân tích thương mại, viết sáng tạo ).

Khả năng học tập của mô hình ngôn ngữ lớn cung cấp cho các đại lý AI sự tự chủ cao hơn. Thông qua công nghệ học tăng cường (Reinforcement Learning), các đại lý AI có thể liên tục tối ưu hóa hành vi của mình, thích ứng với môi trường động. Ví dụ, trong một nền tảng AI điều khiển nào đó, các đại lý AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được tương tác động.

Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện cho GPT-4, lịch sử phát triển của AI đại lý là một câu chuyện tiến hóa không ngừng vượt qua ranh giới công nghệ. Sự xuất hiện của GPT-4 chắc chắn là một bước ngoặt quan trọng trong quá trình này. Với sự phát triển công nghệ tiếp theo, AI đại lý sẽ trở nên thông minh hơn, tình huống hóa hơn và đa dạng hơn. Mô hình ngôn ngữ lớn không chỉ thổi vào AI đại lý "linh hồn" của sự "thông thái", mà còn cung cấp cho nó khả năng hợp tác liên lĩnh vực. Trong tương lai, các nền tảng dự án đổi mới sẽ không ngừng xuất hiện, tiếp tục thúc đẩy việc ứng dụng và phát triển công nghệ AI đại lý, dẫn dắt một kỷ nguyên mới của trải nghiệm do AI điều khiển.

Nguyên lý làm việc 1.2

AIAGENT khác với robot truyền thống ở chỗ chúng có khả năng học hỏi và thích ứng theo thời gian, đưa ra những quyết định tinh vi để đạt được mục tiêu. Có thể xem chúng như những người tham gia có kỹ thuật cao và đang phát triển không ngừng trong lĩnh vực tiền điện tử, có khả năng hoạt động độc lập trong nền kinh tế số.

Cốt lõi của AI AGENT nằm ở "trí tuệ" của nó ------ tức là mô phỏng hành vi trí tuệ của con người hoặc sinh vật khác thông qua các thuật toán, nhằm tự động hóa việc giải quyết các vấn đề phức tạp. Quy trình làm việc của AI AGENT thường tuân theo các bước sau: cảm nhận, suy luận, hành động, học hỏi, điều chỉnh.

1.2.1 Mô-đun cảm nhận

AI AGENT tương tác với thế giới bên ngoài thông qua mô-đun cảm nhận, thu thập thông tin môi trường. Chức năng của phần này tương tự như các giác quan của con người, sử dụng các thiết bị như cảm biến, camera, microphone để thu thập dữ liệu bên ngoài, bao gồm việc trích xuất các đặc trưng có ý nghĩa, nhận diện đối tượng hoặc xác định các thực thể liên quan trong môi trường. Nhiệm vụ cốt lõi của mô-đun cảm nhận là chuyển đổi dữ liệu thô thành thông tin có ý nghĩa, thường liên quan đến các công nghệ sau:

• Thị giác máy tính: được sử dụng để xử lý và hiểu dữ liệu hình ảnh và video.
• Xử lý ngôn ngữ tự nhiên ( NLP ): Giúp AI AGENT hiểu và sinh ra ngôn ngữ của con người.
• Kết hợp cảm biến: kết hợp dữ liệu từ nhiều cảm biến thành một cái nhìn thống nhất.

1.2.2 Mô-đun suy luận và ra quyết định

Sau khi nhận thức được môi trường, AI AGENT cần đưa ra quyết định dựa trên dữ liệu. Mô-đun suy luận và quyết định là "bộ não" của toàn bộ hệ thống, nó dựa trên thông tin thu thập được để thực hiện suy luận logic và xây dựng chiến lược. Sử dụng các mô hình ngôn ngữ lớn làm bộ điều phối hoặc động cơ suy luận, hiểu nhiệm vụ, tạo ra giải pháp và phối hợp với các mô hình chuyên dụng cho các chức năng cụ thể như tạo nội dung, xử lý hình ảnh hoặc hệ thống gợi ý.

Mô-đun này thường sử dụng các công nghệ sau:

• Công cụ quy tắc: Quyết định đơn giản dựa trên các quy tắc đã được thiết lập.
• Mô hình học máy: bao gồm cây quyết định, mạng nơ-ron, v.v., được sử dụng cho nhận dạng và dự đoán mẫu phức tạp.
• Học tăng cường: cho phép AI AGENT tối ưu hóa chiến lược quyết định trong thử nghiệm và sai sót, thích ứng với môi trường thay đổi.

Quá trình suy luận thường bao gồm vài bước: đầu tiên là đánh giá môi trường, sau đó là tính toán nhiều phương án hành động khả thi dựa trên mục tiêu, cuối cùng là chọn phương án tối ưu để thực hiện.

1.2.3 Thực thi mô-đun

Mô-đun thực thi là "tay và chân" của AI AGENT, đưa ra quyết định của mô-đun suy luận vào hành động. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài, hoàn thành các nhiệm vụ được chỉ định. Điều này có thể liên quan đến các thao tác vật lý ( như hành động của robot ) hoặc các thao tác số ( như xử lý dữ liệu ). Mô-đun thực thi phụ thuộc vào:

• Hệ thống điều khiển robot: được sử dụng cho các hoạt động vật lý, chẳng hạn như chuyển động của cánh tay robot.
• Gọi API: tương tác với hệ thống phần mềm bên ngoài, chẳng hạn như truy vấn cơ sở dữ liệu hoặc truy cập dịch vụ mạng.
• Quản lý quy trình tự động: Trong môi trường doanh nghiệp, thông qua RPA( tự động hóa quy trình robot) thực hiện các nhiệm vụ lặp đi lặp lại.

1.2.4 Mô-đun học tập

Mô-đun học là năng lực cạnh tranh cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải tiến liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu", phản hồi dữ liệu được tạo ra trong các tương tác vào hệ thống để tăng cường mô hình. Khả năng này, dần dần thích ứng và trở nên hiệu quả hơn theo thời gian, cung cấp cho doanh nghiệp một công cụ mạnh mẽ để nâng cao quy trình ra quyết định và hiệu quả hoạt động.

Mô-đun học thường được cải thiện theo các cách sau:

• Học có giám sát: Sử dụng dữ liệu được gán nhãn để đào tạo mô hình, giúp AI AGENT hoàn thành nhiệm vụ một cách chính xác hơn.
• Học không giám sát: Tìm ra các mẫu tiềm năng từ dữ liệu chưa được gán nhãn, giúp đại lý thích nghi với môi trường mới.
• Học tập liên tục: Cập nhật mô hình thông qua dữ liệu thời gian thực, giữ cho đại lý hoạt động trong môi trường năng động.

1.2.5 Phản hồi và điều chỉnh thời gian thực

AI AGENT tối ưu hóa hiệu suất của mình thông qua vòng phản hồi liên tục. Kết quả của mỗi hành động sẽ được ghi lại và sử dụng để điều chỉnh các quyết định trong tương lai. Hệ thống khép kín này đảm bảo tính thích ứng và linh hoạt của AI AGENT.

1.3 Tình trạng thị trường

1.3.1 Tình trạng ngành

AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng to lớn như một giao diện người tiêu dùng và một hành vi kinh tế tự chủ, mang lại sự biến đổi cho nhiều ngành. Giống như tiềm năng của không gian khối L1 trong chu kỳ trước là khó có thể đánh giá, AI AGENT cũng thể hiện triển vọng tương tự trong chu kỳ này.

Theo báo cáo mới nhất của Markets and Markets, thị trường AI Agent dự kiến sẽ tăng từ 5,1 tỷ USD vào năm 2024 lên 47,1 tỷ USD vào năm 2030, với tỷ lệ tăng trưởng hàng năm (CAGR) lên tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh sức mạnh thâm nhập của AI Agent trong các ngành công nghiệp khác nhau, cũng như nhu cầu thị trường do đổi mới công nghệ mang lại.

Các công ty lớn cũng đã tăng cường đầu tư vào các khung代理开源. Các hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của một công ty nào đó đang ngày càng sôi nổi, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn ngoài lĩnh vực tiền mã hóa, TAM cũng đang mở rộng.