AGENT IA : la puissance intelligente qui façonne le nouvel écosystème 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 stimulent le développement de l'ensemble de l'industrie.
En 2017, l'émergence des contrats intelligents a donné lieu à un essor florissant des ICO.
En 2020, les pools de liquidité des DEX ont déclenché la vague estivale du DeFi.
En 2021, de nombreuses séries d'œuvres NFT ont vu le jour, marquant l'avènement de l'ère des collections numériques.
En 2024, la vague des memecoins et des plateformes de lancement émergera.
En regardant vers 2025, les domaines émergents seront les agents AI. Cette tendance a atteint son apogée en octobre dernier, lors du lancement du token $GOAT le 11 octobre 2024, qui a atteint une capitalisation boursière de 150 millions de dollars le 15 octobre. Juste après, le 16 octobre, le Virtuals Protocol a lancé Luna, qui a fait ses débuts avec l'image de diffusion en direct de la voisine, déclenchant une frénésie dans toute l'industrie.
Alors, qu'est-ce qu'un agent IA ?
L'Agent IA présente de nombreuses similitudes avec le système d'IA Reine Rouge du film "Resident Evil". Dans la réalité, les Agents IA jouent dans une certaine mesure un rôle similaire, agissant comme des "gardiens de la sagesse" dans le domaine de la technologie moderne, en 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 sont profondément intégrés dans divers secteurs, devenant une force clé pour améliorer l'efficacité et l'innovation.
Par exemple, un AGENT IA peut être utilisé pour le trading automatisé, gérant en temps réel des portefeuilles et exécutant des transactions sur la base des données collectées à partir de plateformes de données ou de réseaux sociaux, optimisant continuellement sa performance à travers des itérations. L'AGENT IA n'est pas d'une seule forme, mais se divise en différentes catégories selon les besoins spécifiques de l'écosystème cryptographique :
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 opérationnelle et à réduire le temps requis.
Agent IA créatif : utilisé pour la génération de contenu, y compris du texte, du design et même de la création musicale.
Agent AI social : en tant qu'influenceur sur les réseaux sociaux, interagir avec les utilisateurs, construire une communauté et participer à des activités de marketing.
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 l'origine, l'état actuel et les vastes perspectives d'application des agents IA, analyserons comment ils redéfinissent le paysage industriel et envisagerons les tendances de développement futures.
1.1.1 Histoire du développement
L'évolution du développement de l'AG AI a montré la transition de l'IA de la recherche fondamentale à une application généralisée. En 1956, lors de la conférence de Dartmouth, le terme "IA" a été introduit pour la première fois, posant 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 qu'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 par une exploration préliminaire du concept d'apprentissage automatique. Cependant, la recherche en IA de cette période a été gravement 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 Lighthill exprimait essentiellement un pessimisme général concernant la recherche en IA après la période d'excitation initiale, entraînant une immense perte de confiance de la part des institutions académiques britanniques (, y compris des organismes de financement ). 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 des technologies d'IA. Cette période a connu des avancées majeures dans l'apprentissage automatique, les réseaux de neurones et le traitement du langage naturel, favorisant l'émergence d'applications d'IA plus complexes. L'introduction des véhicules autonomes et le déploiement de l'IA dans des secteurs tels que la finance et la santé ont également marqué l'expansion des technologies d'IA. Cependant, à la fin des années 1980 et au début des années 1990, la chute de la demande du marché pour du matériel d'IA spécifique a entraîné un deuxième "hiver de l'IA". De plus, la manière d'élargir l'échelle des systèmes d'IA 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, ce qui constitue un événement marquant dans la capacité de l'IA à résoudre des problèmes complexes. La renaissance des réseaux de neurones et de l'apprentissage profond a jeté les bases du développement de l'IA à la fin des années 1990, rendant l'IA indispensable dans le paysage technologique et commençant à influencer la vie quotidienne.
Au début de ce siècle, les progrès de la puissance de calcul ont favorisé l'émergence de l'apprentissage profond, avec des assistants virtuels comme Siri démontrant 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 avancées supplémentaires, propulsant l'IA conversationnelle vers de nouveaux sommets. Dans ce processus, l'émergence des grands modèles de langage (Large Language Model, LLM) est devenue un jalon important dans le développement de l'IA, en particulier avec la sortie de GPT-4, qui est considéré comme un tournant dans le domaine des agents d'IA. Depuis la sortie de la série GPT par OpenAI, les modèles pré-entraînés à grande échelle, avec des centaines de milliards voire des milliers de milliards de paramètres, ont montré des capacités de génération et de compréhension du langage surpassant celles des modèles traditionnels. Leur performance exceptionnelle en traitement du langage naturel permet aux agents d'IA de démontrer une capacité d'interaction claire et structurée grâce à la génération de langage. Cela permet aux agents d'IA d'être appliqués dans des scénarios tels que les assistants de chat et le service client virtuel, et de s'étendre progressivement à des tâches plus complexes (comme l'analyse commerciale et l'écriture créative).
La capacité d'apprentissage des grands modèles de langage confère une plus grande autonomie aux agents IA. Grâce à la technique de l'apprentissage par renforcement, les agents IA peuvent constamment optimiser leur comportement et s'adapter à un environnement dynamique. Par exemple, dans certaines plateformes alimentées par l'IA, les agents IA peuvent ajuster leur stratégie comportementale en fonction des entrées des joueurs, réalisant ainsi une interaction dynamique.
De l'ancien système de règles aux grands modèles linguistiques représentés par GPT-4, l'histoire du développement des agents IA est une histoire d'évolution qui franchit sans cesse les frontières technologiques. L'apparition de GPT-4 est sans aucun doute un tournant majeur dans ce parcours. Avec le développement technologique supplémentaire, les agents IA deviendront de plus en plus intelligents, contextualisés et diversifiés. Les grands modèles linguistiques non seulement insufflent "l'intelligence" dans l'âme des agents IA, mais leur offrent également la capacité de collaboration interdisciplinaire. À l'avenir, des plateformes de projets innovants continueront à émerger, poussant le déploiement et le développement de la technologie des agents IA, et conduisant à une nouvelle ère d'expériences alimentées par l'IA.
1.2 Principe de fonctionnement
La différence entre 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 leurs objectifs. On peut les considérer comme des acteurs techniquement sophistiqués et en constante évolution dans le domaine de la cryptographie, capables d'agir de manière autonome dans l'économie numérique.
Le cœur de l'AGENT IA réside dans son "intelligence" — c'est-à-dire la simulation du comportement intelligent des 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 sur l'environnement. 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 : utilisée pour traiter et comprendre les données d'images et de vidéos.
Traitement du langage naturel (NLP) : aide l'AGENT IA 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 en fonction des données. Le module de raisonnement et de décision est le "cerveau" de l'ensemble du système, qui effectue des raisonnements logiques et élabore des stratégies sur la base des informations collectées. En utilisant de grands modèles de langage comme orchestrateurs ou moteurs de raisonnement, il comprend les tâches, génère des solutions et coordonne des modèles spécialisés 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 décisions simples 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 d'inférence comporte généralement plusieurs étapes : d'abord l'évaluation de l'environnement, ensuite le calcul de plusieurs options d'action possibles en fonction de l'objectif, 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 appareils externes pour accomplir des tâches spécifiées. Cela peut impliquer des opérations physiques (comme les actions des robots) ou des opérations numériques (comme le traitement des données). Le module d'exécution dépend de :
Système de contrôle de robot : utilisé pour des opérations physiques, telles que le mouvement d'un bras robotique.
Appel API : interagir avec des systèmes logiciels externes, tels que des requêtes de base de données ou l'accès à des services réseau.
Gestion des processus automatisés : dans un environnement d'entreprise, exécution de tâches répétitives par RPA (automatisation des processus robotiques).
1.2.4 Module d'apprentissage
Le module d'apprentissage est le principal atout de l'AGENT IA, permettant aux agents de devenir plus intelligents au fil du temps. Grâce à un cycle de rétroaction ou "roue de données" qui améliore continuellement, 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 outil puissant 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 plus précisément.
Apprentissage non supervisé : découvrir des modèles potentiels à partir de données non étiquetées, aidant les agents à s'adapter à de nouveaux environnements.
Apprentissage continu : maintenir les performances des agents dans un environnement dynamique en mettant à jour le modèle avec des données en temps réel.
1.2.5 Retour en temps réel et ajustement
L'AGENT IA optimise ses performances grâce à un cycle de rétroaction constant. Le résultat de chaque action est enregistré et utilisé pour ajuster les décisions futures. Ce système en boucle fermée garantit l'adaptabilité et la flexibilité de l'AGENT IA.
1.3 État du marché
1.3.1 État de l'industrie
L'AGENT IA devient le centre d'attention du marché, apportant une transformation à plusieurs secteurs grâce à son énorme 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 les mêmes perspectives dans ce cycle.
Selon le dernier rapport de Markets and Markets, le marché des agents d'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 la pénétration des agents d'IA dans divers secteurs et la demande du marché générée par l'innovation technologique.
Les grandes entreprises investissent également de plus en plus dans les frameworks de proxy open source. Les activités de développement de frameworks tels que AutoGen, Phidata et LangGraph de Microsoft deviennent de plus en plus actives, ce qui indique que l'AI AGENT a un plus grand potentiel de marché en dehors du domaine de la cryptographie, le TAM s'élargit également, et l'importance accordée par les investisseurs à cela continue d'augmenter, étant plus enclins à leur attribuer des multiples de prime.
En ce qui concerne le déploiement de chaînes publiques, Solana est le principal champ de bataille, tout en ayant d'autres chaînes publiques comme Base qui possèdent également un énorme potentiel.
En termes de notoriété sur le marché (Mindshare), FARTCOIN et AIXBT sont de loin en tête. La naissance de Fartcoin et GOAT provient d'un même modèle AI AGENT, lors d'un échange entre ce modèle et des outils d'intelligence artificielle, où il a été mentionné que Trump aime le bruit des flatulences, c'est donc ce modèle AI qui a suggéré de créer un jeton nommé Fartcoin et a conçu une série de méthodes de promotion et de jeux. Fartcoin est ainsi né le 18 octobre, légèrement après GOAT (11 octobre), et a atteint une valorisation temporaire de plus d'un milliard de dollars en décembre 2024. Bien qu'il ait été initialement considéré comme une vision humoristique du domaine des cryptomonnaies, son
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
7 J'aime
Récompense
7
7
Partager
Commentaire
0/400
MEV_Whisperer
· Il y a 1h
Ennuyeux, on fait frémir ce qui est populaire.
Voir l'originalRépondre0
OnchainSniper
· Il y a 14h
Une autre vague d'acheteurs stupides est en route.
Voir l'originalRépondre0
LightningSentry
· Il y a 14h
C'était tôt dit que c'est un GOAT ! Allons-y
Voir l'originalRépondre0
ForkPrince
· Il y a 14h
Une autre vague de prendre les gens pour des idiots est arrivée.
Voir l'originalRépondre0
DataOnlooker
· Il y a 14h
En 2025, nous devrons tous compter sur l'IA, n'est-ce pas ?
AI Agent : La puissance intelligente qui façonne un nouvel écosystème économique de chiffrement.
AGENT IA : la puissance intelligente qui façonne le nouvel écosystème 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 stimulent le développement de l'ensemble de l'industrie.
En regardant vers 2025, les domaines émergents seront les agents AI. Cette tendance a atteint son apogée en octobre dernier, lors du lancement du token $GOAT le 11 octobre 2024, qui a atteint une capitalisation boursière de 150 millions de dollars le 15 octobre. Juste après, le 16 octobre, le Virtuals Protocol a lancé Luna, qui a fait ses débuts avec l'image de diffusion en direct de la voisine, déclenchant une frénésie dans toute l'industrie.
Alors, qu'est-ce qu'un agent IA ?
L'Agent IA présente de nombreuses similitudes avec le système d'IA Reine Rouge du film "Resident Evil". Dans la réalité, les Agents IA jouent dans une certaine mesure un rôle similaire, agissant comme des "gardiens de la sagesse" dans le domaine de la technologie moderne, en 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 sont profondément intégrés dans divers secteurs, devenant une force clé pour améliorer l'efficacité et l'innovation.
Par exemple, un AGENT IA peut être utilisé pour le trading automatisé, gérant en temps réel des portefeuilles et exécutant des transactions sur la base des données collectées à partir de plateformes de données ou de réseaux sociaux, optimisant continuellement sa performance à travers des itérations. L'AGENT IA n'est pas d'une seule forme, mais se divise en différentes catégories selon les besoins spécifiques de l'écosystème cryptographique :
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 opérationnelle et à réduire le temps requis.
Agent IA créatif : utilisé pour la génération de contenu, y compris du texte, du design et même de la création musicale.
Agent AI social : en tant qu'influenceur sur les réseaux sociaux, interagir avec les utilisateurs, construire une communauté et participer à des activités de marketing.
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 l'origine, l'état actuel et les vastes perspectives d'application des agents IA, analyserons comment ils redéfinissent le paysage industriel et envisagerons les tendances de développement futures.
1.1.1 Histoire du développement
L'évolution du développement de l'AG AI a montré la transition de l'IA de la recherche fondamentale à une application généralisée. En 1956, lors de la conférence de Dartmouth, le terme "IA" a été introduit pour la première fois, posant 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 qu'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 par une exploration préliminaire du concept d'apprentissage automatique. Cependant, la recherche en IA de cette période a été gravement 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 Lighthill exprimait essentiellement un pessimisme général concernant la recherche en IA après la période d'excitation initiale, entraînant une immense perte de confiance de la part des institutions académiques britanniques (, y compris des organismes de financement ). 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 des technologies d'IA. Cette période a connu des avancées majeures dans l'apprentissage automatique, les réseaux de neurones et le traitement du langage naturel, favorisant l'émergence d'applications d'IA plus complexes. L'introduction des véhicules autonomes et le déploiement de l'IA dans des secteurs tels que la finance et la santé ont également marqué l'expansion des technologies d'IA. Cependant, à la fin des années 1980 et au début des années 1990, la chute de la demande du marché pour du matériel d'IA spécifique a entraîné un deuxième "hiver de l'IA". De plus, la manière d'élargir l'échelle des systèmes d'IA 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, ce qui constitue un événement marquant dans la capacité de l'IA à résoudre des problèmes complexes. La renaissance des réseaux de neurones et de l'apprentissage profond a jeté les bases du développement de l'IA à la fin des années 1990, rendant l'IA indispensable dans le paysage technologique et commençant à influencer la vie quotidienne.
Au début de ce siècle, les progrès de la puissance de calcul ont favorisé l'émergence de l'apprentissage profond, avec des assistants virtuels comme Siri démontrant 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 avancées supplémentaires, propulsant l'IA conversationnelle vers de nouveaux sommets. Dans ce processus, l'émergence des grands modèles de langage (Large Language Model, LLM) est devenue un jalon important dans le développement de l'IA, en particulier avec la sortie de GPT-4, qui est considéré comme un tournant dans le domaine des agents d'IA. Depuis la sortie de la série GPT par OpenAI, les modèles pré-entraînés à grande échelle, avec des centaines de milliards voire des milliers de milliards de paramètres, ont montré des capacités de génération et de compréhension du langage surpassant celles des modèles traditionnels. Leur performance exceptionnelle en traitement du langage naturel permet aux agents d'IA de démontrer une capacité d'interaction claire et structurée grâce à la génération de langage. Cela permet aux agents d'IA d'être appliqués dans des scénarios tels que les assistants de chat et le service client virtuel, et de s'étendre progressivement à des tâches plus complexes (comme l'analyse commerciale et l'écriture créative).
La capacité d'apprentissage des grands modèles de langage confère une plus grande autonomie aux agents IA. Grâce à la technique de l'apprentissage par renforcement, les agents IA peuvent constamment optimiser leur comportement et s'adapter à un environnement dynamique. Par exemple, dans certaines plateformes alimentées par l'IA, les agents IA peuvent ajuster leur stratégie comportementale en fonction des entrées des joueurs, réalisant ainsi une interaction dynamique.
De l'ancien système de règles aux grands modèles linguistiques représentés par GPT-4, l'histoire du développement des agents IA est une histoire d'évolution qui franchit sans cesse les frontières technologiques. L'apparition de GPT-4 est sans aucun doute un tournant majeur dans ce parcours. Avec le développement technologique supplémentaire, les agents IA deviendront de plus en plus intelligents, contextualisés et diversifiés. Les grands modèles linguistiques non seulement insufflent "l'intelligence" dans l'âme des agents IA, mais leur offrent également la capacité de collaboration interdisciplinaire. À l'avenir, des plateformes de projets innovants continueront à émerger, poussant le déploiement et le développement de la technologie des agents IA, et conduisant à une nouvelle ère d'expériences alimentées par l'IA.
1.2 Principe de fonctionnement
La différence entre 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 leurs objectifs. On peut les considérer comme des acteurs techniquement sophistiqués et en constante évolution dans le domaine de la cryptographie, capables d'agir de manière autonome dans l'économie numérique.
Le cœur de l'AGENT IA réside dans son "intelligence" — c'est-à-dire la simulation du comportement intelligent des 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 sur l'environnement. 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 :
1.2.2 Module d'inférence et de décision
Après avoir perçu l'environnement, l'AGENT IA doit prendre des décisions en fonction des données. Le module de raisonnement et de décision est le "cerveau" de l'ensemble du système, qui effectue des raisonnements logiques et élabore des stratégies sur la base des informations collectées. En utilisant de grands modèles de langage comme orchestrateurs ou moteurs de raisonnement, il comprend les tâches, génère des solutions et coordonne des modèles spécialisés 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 :
Le processus d'inférence comporte généralement plusieurs étapes : d'abord l'évaluation de l'environnement, ensuite le calcul de plusieurs options d'action possibles en fonction de l'objectif, 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 appareils externes pour accomplir des tâches spécifiées. Cela peut impliquer des opérations physiques (comme les actions des robots) ou des opérations numériques (comme le traitement des données). Le module d'exécution dépend de :
1.2.4 Module d'apprentissage
Le module d'apprentissage est le principal atout de l'AGENT IA, permettant aux agents de devenir plus intelligents au fil du temps. Grâce à un cycle de rétroaction ou "roue de données" qui améliore continuellement, 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 outil puissant pour améliorer la prise de décision et l'efficacité opérationnelle.
Les modules d'apprentissage sont généralement améliorés de la manière suivante :
1.2.5 Retour en temps réel et ajustement
L'AGENT IA optimise ses performances grâce à un cycle de rétroaction constant. Le résultat de chaque action est enregistré et utilisé pour ajuster les décisions futures. Ce système en boucle fermée garantit l'adaptabilité et la flexibilité de l'AGENT IA.
1.3 État du marché
1.3.1 État de l'industrie
L'AGENT IA devient le centre d'attention du marché, apportant une transformation à plusieurs secteurs grâce à son énorme 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 les mêmes perspectives dans ce cycle.
Selon le dernier rapport de Markets and Markets, le marché des agents d'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 la pénétration des agents d'IA dans divers secteurs et la demande du marché générée par l'innovation technologique.
Les grandes entreprises investissent également de plus en plus dans les frameworks de proxy open source. Les activités de développement de frameworks tels que AutoGen, Phidata et LangGraph de Microsoft deviennent de plus en plus actives, ce qui indique que l'AI AGENT a un plus grand potentiel de marché en dehors du domaine de la cryptographie, le TAM s'élargit également, et l'importance accordée par les investisseurs à cela continue d'augmenter, étant plus enclins à leur attribuer des multiples de prime.
En ce qui concerne le déploiement de chaînes publiques, Solana est le principal champ de bataille, tout en ayant d'autres chaînes publiques comme Base qui possèdent également un énorme potentiel.
En termes de notoriété sur le marché (Mindshare), FARTCOIN et AIXBT sont de loin en tête. La naissance de Fartcoin et GOAT provient d'un même modèle AI AGENT, lors d'un échange entre ce modèle et des outils d'intelligence artificielle, où il a été mentionné que Trump aime le bruit des flatulences, c'est donc ce modèle AI qui a suggéré de créer un jeton nommé Fartcoin et a conçu une série de méthodes de promotion et de jeux. Fartcoin est ainsi né le 18 octobre, légèrement après GOAT (11 octobre), et a atteint une valorisation temporaire de plus d'un milliard de dollars en décembre 2024. Bien qu'il ait été initialement considéré comme une vision humoristique du domaine des cryptomonnaies, son