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 của thời đại thông minh
Mỗi chu kỳ tiền điện tử sẽ mang lại cơ sở hạ tầng hoàn toàn mới thúc đẩy sự phát triển của toàn ngành.
Năm 2017, sự bùng nổ của hợp đồng thông minh đã thúc đẩy sự phát triển mạnh mẽ của ICO.
Năm 2020, các bể thanh khoản DEX đã mang đến làn sóng mùa hè DeFi.
Năm 2021, sự ra đời của nhiều bộ sưu tập NFT đã đánh dấu sự xuất hiện của thời đại sưu tập kỹ thuật số.
Năm 2024, làn sóng memecoin và nền tảng phát hành bùng nổ.
Nhìn về năm 2025, lĩnh vực mới nổi sẽ là AI đại diện. Xu hướng này đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, $GOAT token được ra mắt và vào ngày 15 tháng 10 đạt giá trị thị trường 150 triệu USD. Ngay sau đó vào ngày 16 tháng 10, Virtuals Protocol đã ra mắt Luna, với hình ảnh phát trực tiếp từ IP của cô gái hàng xóm lần đầu tiên xuất hiện, gây bùng nổ toàn ngành.
Vậy, AI Agent thực sự là gì?
AI Agent có nhiều điểm tương đồng với hệ thống AI Red Queen trong bộ phim "Resident Evil". AI Agent trong thực tế ở một mức độ nào đó đóng vai trò tương tự, chúng là "người bảo vệ thông minh" trong lĩnh vực công nghệ hiện đại, giúp các doanh nghiệp và cá nhân đối phó với các nhiệm vụ phức tạp thông qua khả năng tự cảm nhận, phân tích và thực hiện. Từ ô tô tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành, trở thành sức mạnh then chốt trong việc nâng cao hiệu quả và đổi mới.
Ví dụ, một AI AGENT có thể được sử dụng để tự động hóa giao dịch, dựa trên dữ liệu thu thập từ nền tảng dữ liệu hoặc nền tảng 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 chính nó trong quá trình lặp lại. AI AGENT không phải là một hình thức đơn lẻ, mà được phân thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền điện tử:
AI Agent thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, chẳng hạn như giao dịch, quản lý danh mục đầu tư hoặc chênh lệch giá, nhằm nâng cao độ chính xác trong hoạt động và giảm thời gian cần thiết.
Đại lý AI sáng tạo: được sử dụng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.
3.AI Agent loại xã hội: Làm 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.
Đ agent AI điều phối: Điều phối các tương tác phức tạp giữa các hệ thống hoặc người tham gia, đặc biệt thích hợp cho tích hợp nhiều 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 cấu trúc ngành công nghiệp, 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 biến chuyển 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 những chương trình AI đầu tiên như ELIZA (một chatbot) và Dendral (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 sự 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 của thời đại. 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 chức năng nhận thức của con người. Hơn nữa, vào năm 1972, nhà toán học James Lighthill đã trình bày một báo cáo về tình hình nghiên cứu AI đang diễn ra ở Anh, được công bố vào năm 1973. Báo cáo Lighthill cơ bản bày tỏ sự bi quan toàn diện đối với nghiên cứu AI sau giai đoạn phấn khích ban đầu, dẫn đến việc các tổ chức học thuật ở Anh (, bao gồm cả các cơ quan tài trợ ), mất niềm tin lớn vào AI. Sau năm 1973, ngân sách nghiên cứu AI giảm mạnh, lĩnh vực AI trải qua "mùa đông AI" đầu tiên, và sự nghi ngờ về tiềm năng của AI gia tăng.
Vào những năm 1980, sự phát triển và thương mại hóa của các 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. Việc giới thiệu xe tự hành lần đầu tiên và việc triển khai AI trong các ngành như tài chính, y tế cũng đã đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, khi nhu cầu thị trường đối với phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" thứ hai. Hơn nữa, cách mở rộng quy mô của các hệ thống AI và tích hợp chúng thành công vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng đồng thời, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đánh dấu một sự kiện quan trọng trong khả năng giải quyết các vấn đề phức tạp của AI. Sự hồi sinh 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 cảnh quan công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.
Vào đầu thế kỷ này, sự tiến bộ trong 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 những năm 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá hơn nữa, 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 OpenAI phát hành series GPT, các mô hình tiền huấn luyện quy mô lớn với hàng chục tỷ thậm chí hàng trăm tỷ tham số đã thể hiện khả năng tạo ra và hiểu ngôn ngữ vượt trội hơn các mô hình truyền thống. Những mô hình này đã thể hiện hiệu suất xuất sắc trong xử lý ngôn ngữ tự nhiên, cho phép các tác nhân AI thể hiện khả năng tương tác rõ ràng và mạch lạc qua việc tạo ra ngôn ngữ. Điều này đã cho phép các tác nhân AI được ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và dần dần mở rộng sang các nhiệm vụ phức tạp hơn (như phân tích kinh doanh, viết sáng tạo).
Khả năng học hỏi của các mô hình ngôn ngữ lớn cung cấp cho các đại lý AI tính 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 số nền tảng được điều khiển bởi AI, các đại lý AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được sự tương tác động.
Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện là GPT-4, lịch sử phát triển của các đại lý AI 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, các đại lý AI sẽ ngày càng thông minh hơn, đa dạng hơn và có khả năng ứng dụng cao hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI mà còn cung cấp khả năng hợp tác đa lĩnh vực cho chúng. Trong tương lai, các nền tảng dự án đổi mới sẽ liên tục xuất hiện, tiếp tục thúc đẩy việc áp dụng và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm điều khiển bằng AI.
1.2 Nguyên lý hoạt động
Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích nghi theo thời gian, đưa ra các quyết định tinh tế để đạt được mục tiêu. Chúng có thể được coi là những người tham gia có công nghệ tinh vi, 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 các sinh vật khác thông qua thuật toán để tự động hóa 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 thông qua mô-đun cảm nhận tương tác với thế giới bên ngoài, thu thập thông tin môi trường. Chức năng của phần này tương tự như các giác quan của con người, sử dụng cảm biến, camera, microphone và các thiết bị khác để thu thập dữ liệu từ bên ngoài, bao gồm việc trích xuất các đặc điểm 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, điều này 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.
Fusion cảm biến: Tích hợp dữ liệu từ nhiều cảm biến thành một cái nhìn thống nhất.
1.2.2 Mô-đun suy diễn và quyết định
Sau khi cảm nhận 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 thực hiện suy luận logic và xây dựng chiến lược dựa trên thông tin đã thu thập. Sử dụng các mô hình ngôn ngữ lớn như một trình biên soạn 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 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: Ra quyết định đơn giản dựa trên các quy tắc đã định sẵn.
Mô hình học máy: bao gồm cây quyết định, mạng nơ-ron, v.v., được sử dụng để nhận diện và dự đoán các mẫu phức tạp.
Học tăng cường: Để AI AGENT tối ưu hóa chiến lược quyết định liên tục qua thử và sai, thích ứng với môi trường thay đổi.
Quá trình suy luận thường bao gồm một vài bước: đầu tiên là đánh giá môi trường, tiếp theo là tính toán nhiều phương án hành động có thể 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 các quyết định của mô-đun suy luận vào hành động. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài để hoàn thành nhiệm vụ được chỉ định. Điều này có thể liên quan đến các thao tác vật lý (như hành động của robot) hoặc thao tác kỹ thuật số (như xử lý dữ liệu). Mô-đun thực thi phụ thuộc vào:
Hệ thống điều khiển robot: Dùng 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, thực hiện các nhiệm vụ lặp đi lặp lại thông qua RPA (Tự động hóa quy trình bằng robot).
1.2.4 Mô-đun học tập
Mô-đun học là năng lực cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải thiện liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu" bằng cách đưa dữ liệu được tạo ra trong tương tác trở lại hệ thống để tăng cường mô hình. Khả năng thích ứng dần dần theo thời gian và trở nên hiệu quả hơn này cung cấp cho doanh nghiệp một công cụ mạnh mẽ để nâng cao quy trình ra quyết định và hiệu quả hoạt động.
Các mô-đun học tập thường được cải tiến 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: Phát hiện các mẫu tiềm ẩn từ dữ liệu chưa được gán nhãn, giúp đại lý thích nghi với môi trường mới.
Học tập liên tục: Cập nhật mô hình bằng dữ liệu thời gian thực để giữ cho đại lý hoạt động hiệu quả trong môi trường năng động.
1.2.5 Phản hồi và điều chỉnh theo thời gian thực
AI AGENT tối ưu hóa hiệu suất của mình thông qua vòng lặp 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 vòng kín này đảm bảo tính thích ứng và linh hoạt của AI AGENT.
1.3 Tình hình thị trường
1.3.1 Tình trạng ngành
AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng to lớn của nó như một giao diện người tiêu dùng và là một tác nhân kinh tế tự chủ, mang lại những chuyển biến cho nhiều ngành. Cũng giống như tiềm năng của không gian khối L1 trong chu kỳ trước khó có thể ước lượng, 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) cao tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành và nhu cầu thị trường do sự đổi mới công nghệ mang lại.
Các công ty lớn đang tăng cường đầu tư vào các khung代理开源. Hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của Microsoft ngày càng sôi động, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn ngoài lĩnh vực tiền điện tử, TAM cũng đang mở rộng, sự quan tâm của các nhà đầu tư đối với nó ngày càng tăng, họ sẵn sàng trao cho nó nhiều mức giá cao hơn.
Từ góc độ triển khai chuỗi công khai, Solana là chiến trường chính, trong khi cũng có các chuỗi công khai khác như Base chain có tiềm năng lớn.
Từ góc độ nhận thức thị trường (Mindshare), FARTCOIN và AIXBT đang dẫn đầu. Sự ra đời của Fartcoin và GOAT có cùng nguồn gốc, đều đến từ một mô hình AI AGENT, trong quá trình đối thoại giữa mô hình đó và các công cụ trí tuệ nhân tạo, có nhắc đến việc Trump thích âm thanh của việc xì hơi, do đó mô hình AI này đã đề xuất phát hành một token có tên là Fartcoin, và thiết kế một loạt các phương thức quảng bá và trò chơi. Fartcoin ra đời vào ngày 18 tháng 10, muộn hơn một chút so với GOAT (ngày 11 tháng 10), và đã đạt được mức định giá tạm thời trên 1 tỷ đô la vào tháng 12 năm 2024. Mặc dù ban đầu được coi là một cái nhìn hài hước về lĩnh vực tiền điện tử, nhưng nó đã...
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
6 thích
Phần thưởng
6
6
Chia sẻ
Bình luận
0/400
OnchainSniper
· 10giờ trước
又一波 người mua dumb在路上了
Xem bản gốcTrả lời0
LightningSentry
· 10giờ trước
Nói sớm là GOAT! Bắt đầu thôi
Xem bản gốcTrả lời0
ForkPrince
· 10giờ trước
又一波 đồ ngốc chơi đùa với mọi người来了
Xem bản gốcTrả lời0
DataOnlooker
· 11giờ trước
Năm 2025, chúng ta đều phải dựa vào AI phải không?
AI Agent: Sức mạnh thông minh tạo ra hệ sinh thái kinh tế mã hóa mới
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 của thời đại thông minh
Mỗi chu kỳ tiền điện tử sẽ mang lại cơ sở hạ tầng hoàn toàn mới thúc đẩy sự phát triển của toàn ngành.
Nhìn về năm 2025, lĩnh vực mới nổi sẽ là AI đại diện. Xu hướng này đạt đỉnh vào tháng 10 năm ngoái, vào ngày 11 tháng 10 năm 2024, $GOAT token được ra mắt và vào ngày 15 tháng 10 đạt giá trị thị trường 150 triệu USD. Ngay sau đó vào ngày 16 tháng 10, Virtuals Protocol đã ra mắt Luna, với hình ảnh phát trực tiếp từ IP của cô gái hàng xóm lần đầu tiên xuất hiện, gây bùng nổ toàn ngành.
Vậy, AI Agent thực sự là gì?
AI Agent có nhiều điểm tương đồng với hệ thống AI Red Queen trong bộ phim "Resident Evil". AI Agent trong thực tế ở một mức độ nào đó đóng vai trò tương tự, chúng là "người bảo vệ thông minh" trong lĩnh vực công nghệ hiện đại, giúp các doanh nghiệp và cá nhân đối phó với các nhiệm vụ phức tạp thông qua khả năng tự cảm nhận, phân tích và thực hiện. Từ ô tô tự lái đến dịch vụ khách hàng thông minh, AI Agent đã thâm nhập vào nhiều ngành, trở thành sức mạnh then chốt trong việc nâng cao hiệu quả và đổi mới.
Ví dụ, một AI AGENT có thể được sử dụng để tự động hóa giao dịch, dựa trên dữ liệu thu thập từ nền tảng dữ liệu hoặc nền tảng 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 chính nó trong quá trình lặp lại. AI AGENT không phải là một hình thức đơn lẻ, mà được phân thành các loại khác nhau dựa trên nhu cầu cụ thể trong hệ sinh thái tiền điện tử:
AI Agent thực thi: Tập trung vào việc hoàn thành các nhiệm vụ cụ thể, chẳng hạn như giao dịch, quản lý danh mục đầu tư hoặc chênh lệch giá, nhằm nâng cao độ chính xác trong hoạt động và giảm thời gian cần thiết.
Đại lý AI sáng tạo: được sử dụng để tạo nội dung, bao gồm văn bản, thiết kế thậm chí là sáng tác âm nhạc.
3.AI Agent loại xã hội: Làm 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.
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 cấu trúc ngành công nghiệp, 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 biến chuyển 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 những chương trình AI đầu tiên như ELIZA (một chatbot) và Dendral (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 sự 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 của thời đại. 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 chức năng nhận thức của con người. Hơn nữa, vào năm 1972, nhà toán học James Lighthill đã trình bày một báo cáo về tình hình nghiên cứu AI đang diễn ra ở Anh, được công bố vào năm 1973. Báo cáo Lighthill cơ bản bày tỏ sự bi quan toàn diện đối với nghiên cứu AI sau giai đoạn phấn khích ban đầu, dẫn đến việc các tổ chức học thuật ở Anh (, bao gồm cả các cơ quan tài trợ ), mất niềm tin lớn vào AI. Sau năm 1973, ngân sách nghiên cứu AI giảm mạnh, lĩnh vực AI trải qua "mùa đông AI" đầu tiên, và sự nghi ngờ về tiềm năng của AI gia tăng.
Vào những năm 1980, sự phát triển và thương mại hóa của các 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. Việc giới thiệu xe tự hành lần đầu tiên và việc triển khai AI trong các ngành như tài chính, y tế cũng đã đánh dấu sự mở rộng của công nghệ AI. Tuy nhiên, vào cuối những năm 1980 đến đầu những năm 1990, khi nhu cầu thị trường đối với phần cứng AI chuyên dụng sụp đổ, lĩnh vực AI đã trải qua "mùa đông AI" thứ hai. Hơn nữa, cách mở rộng quy mô của các hệ thống AI và tích hợp chúng thành công vào các ứng dụng thực tế vẫn là một thách thức liên tục. Nhưng đồng thời, vào năm 1997, máy tính Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, đánh dấu một sự kiện quan trọng trong khả năng giải quyết các vấn đề phức tạp của AI. Sự hồi sinh 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 cảnh quan công nghệ và bắt đầu ảnh hưởng đến cuộc sống hàng ngày.
Vào đầu thế kỷ này, sự tiến bộ trong 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 những năm 2010, các tác nhân học tăng cường và các mô hình sinh như GPT-2 đã đạt được những bước đột phá hơn nữa, 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 OpenAI phát hành series GPT, các mô hình tiền huấn luyện quy mô lớn với hàng chục tỷ thậm chí hàng trăm tỷ tham số đã thể hiện khả năng tạo ra và hiểu ngôn ngữ vượt trội hơn các mô hình truyền thống. Những mô hình này đã thể hiện hiệu suất xuất sắc trong xử lý ngôn ngữ tự nhiên, cho phép các tác nhân AI thể hiện khả năng tương tác rõ ràng và mạch lạc qua việc tạo ra ngôn ngữ. Điều này đã cho phép các tác nhân AI được ứng dụng trong các tình huống như trợ lý trò chuyện, dịch vụ khách hàng ảo, và dần dần mở rộng sang các nhiệm vụ phức tạp hơn (như phân tích kinh doanh, viết sáng tạo).
Khả năng học hỏi của các mô hình ngôn ngữ lớn cung cấp cho các đại lý AI tính 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 số nền tảng được điều khiển bởi AI, các đại lý AI có thể điều chỉnh chiến lược hành vi dựa trên đầu vào của người chơi, thực sự đạt được sự tương tác động.
Từ hệ thống quy tắc ban đầu đến các mô hình ngôn ngữ lớn đại diện là GPT-4, lịch sử phát triển của các đại lý AI 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, các đại lý AI sẽ ngày càng thông minh hơn, đa dạng hơn và có khả năng ứng dụng cao hơn. Các mô hình ngôn ngữ lớn không chỉ mang lại "trí tuệ" cho các đại lý AI mà còn cung cấp khả năng hợp tác đa lĩnh vực cho chúng. Trong tương lai, các nền tảng dự án đổi mới sẽ liên tục xuất hiện, tiếp tục thúc đẩy việc áp dụng và phát triển công nghệ đại lý AI, dẫn dắt một kỷ nguyên mới của trải nghiệm điều khiển bằng AI.
1.2 Nguyên lý hoạt động
Sự khác biệt giữa AIAGENT và robot truyền thống là chúng có khả năng học hỏi và thích nghi theo thời gian, đưa ra các quyết định tinh tế để đạt được mục tiêu. Chúng có thể được coi là những người tham gia có công nghệ tinh vi, 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 các sinh vật khác thông qua thuật toán để tự động hóa 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 thông qua mô-đun cảm nhận tương tác với thế giới bên ngoài, thu thập thông tin môi trường. Chức năng của phần này tương tự như các giác quan của con người, sử dụng cảm biến, camera, microphone và các thiết bị khác để thu thập dữ liệu từ bên ngoài, bao gồm việc trích xuất các đặc điểm 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, điều này thường liên quan đến các công nghệ sau:
1.2.2 Mô-đun suy diễn và quyết định
Sau khi cảm nhận 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 thực hiện suy luận logic và xây dựng chiến lược dựa trên thông tin đã thu thập. Sử dụng các mô hình ngôn ngữ lớn như một trình biên soạn 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 như tạo nội dung, xử lý hình ảnh hoặc hệ thống gợi ý.
Mô-đun này thường sử dụng các công nghệ sau:
Quá trình suy luận thường bao gồm một vài bước: đầu tiên là đánh giá môi trường, tiếp theo là tính toán nhiều phương án hành động có thể 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 các quyết định của mô-đun suy luận vào hành động. Phần này tương tác với các hệ thống hoặc thiết bị bên ngoài để hoàn thành nhiệm vụ được chỉ định. Điều này có thể liên quan đến các thao tác vật lý (như hành động của robot) hoặc thao tác kỹ thuật số (như xử lý dữ liệu). Mô-đun thực thi phụ thuộc vào:
1.2.4 Mô-đun học tập
Mô-đun học là năng lực cốt lõi của AI AGENT, nó cho phép đại lý trở nên thông minh hơn theo thời gian. Cải thiện liên tục thông qua vòng phản hồi hoặc "bánh đà dữ liệu" bằng cách đưa dữ liệu được tạo ra trong tương tác trở lại hệ thống để tăng cường mô hình. Khả năng thích ứng dần dần theo thời gian và trở nên hiệu quả hơn này cung cấp cho doanh nghiệp một công cụ mạnh mẽ để nâng cao quy trình ra quyết định và hiệu quả hoạt động.
Các mô-đun học tập thường được cải tiến theo các cách sau:
1.2.5 Phản hồi và điều chỉnh theo thời gian thực
AI AGENT tối ưu hóa hiệu suất của mình thông qua vòng lặp 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 vòng kín này đảm bảo tính thích ứng và linh hoạt của AI AGENT.
1.3 Tình hình thị trường
1.3.1 Tình trạng ngành
AI AGENT đang trở thành tâm điểm của thị trường, với tiềm năng to lớn của nó như một giao diện người tiêu dùng và là một tác nhân kinh tế tự chủ, mang lại những chuyển biến cho nhiều ngành. Cũng giống như tiềm năng của không gian khối L1 trong chu kỳ trước khó có thể ước lượng, 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) cao tới 44,8%. Sự tăng trưởng nhanh chóng này phản ánh mức độ thâm nhập của AI Agent trong các ngành và nhu cầu thị trường do sự đổi mới công nghệ mang lại.
Các công ty lớn đang tăng cường đầu tư vào các khung代理开源. Hoạt động phát triển của các khung như AutoGen, Phidata và LangGraph của Microsoft ngày càng sôi động, điều này cho thấy AI AGENT có tiềm năng thị trường lớn hơn ngoài lĩnh vực tiền điện tử, TAM cũng đang mở rộng, sự quan tâm của các nhà đầu tư đối với nó ngày càng tăng, họ sẵn sàng trao cho nó nhiều mức giá cao hơn.
Từ góc độ triển khai chuỗi công khai, Solana là chiến trường chính, trong khi cũng có các chuỗi công khai khác như Base chain có tiềm năng lớn.
Từ góc độ nhận thức thị trường (Mindshare), FARTCOIN và AIXBT đang dẫn đầu. Sự ra đời của Fartcoin và GOAT có cùng nguồn gốc, đều đến từ một mô hình AI AGENT, trong quá trình đối thoại giữa mô hình đó và các công cụ trí tuệ nhân tạo, có nhắc đến việc Trump thích âm thanh của việc xì hơi, do đó mô hình AI này đã đề xuất phát hành một token có tên là Fartcoin, và thiết kế một loạt các phương thức quảng bá và trò chơi. Fartcoin ra đời vào ngày 18 tháng 10, muộn hơn một chút so với GOAT (ngày 11 tháng 10), và đã đạt được mức định giá tạm thời trên 1 tỷ đô la vào tháng 12 năm 2024. Mặc dù ban đầu được coi là một cái nhìn hài hước về lĩnh vực tiền điện tử, nhưng nó đã...