AI AGENT: Mitra Baru di Era Cerdas

1. Latar Belakang

1.1 Pendahuluan: "Rekan Baru" di Era Cerdas

Setiap siklus cryptocurrency akan membawa infrastruktur baru yang mendorong perkembangan seluruh industri.

• Pada tahun 2017, munculnya kontrak pintar memicu perkembangan pesat ICO.
• Pada tahun 2020, kolam likuiditas DEX membawa gelombang panas DeFi.
• Tahun 2021, banyak seri karya NFT yang muncul menandakan kedatangan era koleksi digital.
• Pada tahun 2024, kinerja luar biasa pump.fun memimpin tren memecoin dan platform peluncuran.

Perlu ditekankan bahwa awal mula bidang vertikal ini bukan hanya disebabkan oleh inovasi teknologi, tetapi juga merupakan hasil dari perpaduan sempurna antara model pendanaan dan siklus pasar bullish. Ketika kesempatan bertemu dengan waktu yang tepat, itu dapat memicu perubahan besar. Melihat ke tahun 2025, jelas bahwa bidang baru dalam siklus 2025 akan menjadi agen AI. Tren ini mencapai puncaknya pada bulan Oktober tahun lalu, dengan peluncuran token $GOAT pada 11 Oktober 2024, dan mencapai nilai pasar $150 juta pada 15 Oktober. Segera setelahnya, pada 16 Oktober, Virtuals Protocol meluncurkan Luna, yang tampil perdana dengan citra si gadis tetangga dalam siaran langsung, memicu seluruh industri.

Jadi, apa sebenarnya AI Agent?

Semua orang pasti tidak asing dengan film klasik "Resident Evil", di mana sistem AI Ratu Merah sangat mengesankan. Ratu Merah adalah sistem AI yang kuat, mengendalikan fasilitas dan sistem keamanan yang kompleks, mampu secara mandiri merasakan lingkungan, menganalisis data, dan dengan cepat mengambil tindakan.

Sebenarnya, AI Agent memiliki banyak kesamaan dengan fungsi inti Ratu Hati Merah. AI Agent di dunia nyata, sampai batas tertentu, memainkan peran yang serupa, mereka adalah "penjaga kebijaksanaan" di bidang teknologi modern, membantu perusahaan dan individu menghadapi tugas-tugas kompleks melalui persepsi, analisis, dan eksekusi secara mandiri. Dari mobil otonom hingga layanan pelanggan cerdas, AI Agent telah meresap ke dalam berbagai industri, menjadi kekuatan kunci untuk meningkatkan efisiensi dan inovasi. Entitas cerdas otonom ini, seperti anggota tim tak terlihat, memiliki kemampuan yang komprehensif mulai dari persepsi lingkungan hingga eksekusi keputusan, secara bertahap meresap ke dalam berbagai sektor, mendorong peningkatan ganda dalam efisiensi dan inovasi.

Misalnya, AGENT AI dapat digunakan untuk perdagangan otomatis, berdasarkan data yang dikumpulkan dari Dexscreener atau platform sosial X, mengelola portofolio secara real-time dan mengeksekusi perdagangan, terus-menerus mengoptimalkan kinerjanya dalam iterasi. AGENT AI bukanlah satu bentuk tunggal, tetapi dibagi menjadi berbagai kategori sesuai dengan kebutuhan spesifik dalam ekosistem kripto:

1. Agen AI Eksekusi: Fokus pada penyelesaian tugas tertentu, seperti perdagangan, manajemen portofolio, atau arbitrase, bertujuan untuk meningkatkan akurasi operasi dan mengurangi waktu yang diperlukan.

2. Agen AI Kreatif: digunakan untuk menghasilkan konten, termasuk teks, desain, bahkan penciptaan musik.

3.AI Agen Sosial: Sebagai pemimpin opini di media sosial, berinteraksi dengan pengguna, membangun komunitas, dan berpartisipasi dalam kegiatan pemasaran.

4. Agen AI Koordinasi: Mengkoordinasikan interaksi kompleks antara sistem atau peserta, sangat cocok untuk integrasi multi-rantai.

Dalam laporan ini, kami akan menggali asal-usul, keadaan saat ini, dan prospek aplikasi luas dari AI Agent, menganalisis bagaimana mereka membentuk kembali lanskap industri, dan memperkirakan tren perkembangan di masa depan.

1.1.1 Sejarah Perkembangan

Perkembangan AI AGENT menunjukkan evolusi AI dari penelitian dasar hingga aplikasi yang luas. Pada konferensi Dartmouth tahun 1956, istilah "AI" pertama kali diusulkan, yang meletakkan dasar bagi AI sebagai bidang independen. Pada periode ini, penelitian AI terutama berfokus pada metode simbolik, yang melahirkan program-program AI pertama, seperti ELIZA(, sebuah chatbot), dan Dendral(, sistem pakar di bidang kimia organik). Tahap ini juga menyaksikan pengajuan pertama jaringan saraf dan eksplorasi awal konsep pembelajaran mesin. Namun, penelitian AI pada periode ini sangat dibatasi oleh keterbatasan kemampuan komputasi saat itu. Para peneliti menghadapi kesulitan besar dalam pengembangan algoritma untuk pemrosesan bahasa alami dan meniru fungsi kognitif manusia. Selain itu, pada tahun 1972, matematikawan James Lighthill mengajukan laporan yang diterbitkan pada tahun 1973 tentang kondisi penelitian AI yang sedang berlangsung di Inggris. Laporan Lighthill pada dasarnya menyatakan pesimisme menyeluruh terhadap penelitian AI setelah periode antusiasme awal, yang memicu hilangnya kepercayaan besar dari lembaga akademis( di Inggris, termasuk lembaga pendanaan). Setelah tahun 1973, pendanaan untuk penelitian AI berkurang secara signifikan, dan bidang AI mengalami "musim dingin AI" pertama, dengan meningkatnya keraguan terhadap potensi AI.

Pada tahun 1980-an, perkembangan dan komersialisasi sistem pakar membuat perusahaan-perusahaan di seluruh dunia mulai mengadopsi teknologi AI. Periode ini melihat kemajuan signifikan dalam pembelajaran mesin, jaringan saraf, dan pemrosesan bahasa alami, mendorong munculnya aplikasi AI yang lebih kompleks. Pengenalan kendaraan otonom untuk pertama kalinya dan penerapan AI di berbagai sektor seperti keuangan dan kesehatan juga menandai perluasan teknologi AI. Namun, pada akhir 1980-an hingga awal 1990-an, dengan runtuhnya permintaan pasar untuk perangkat keras AI khusus, bidang AI mengalami "musim dingin AI" kedua. Selain itu, bagaimana memperluas skala sistem AI dan berhasil mengintegrasikannya ke dalam aplikasi praktis tetap menjadi tantangan yang berkelanjutan. Namun, pada saat yang sama, pada tahun 1997, komputer Deep Blue dari IBM mengalahkan juara catur dunia Garry Kasparov, yang merupakan peristiwa penting dalam kemampuan AI untuk memecahkan masalah kompleks. Kebangkitan jaringan saraf dan pembelajaran mendalam meletakkan dasar bagi perkembangan AI pada akhir 1990-an, menjadikan AI bagian yang tak terpisahkan dari lanskap teknologi, dan mulai memengaruhi kehidupan sehari-hari.

Pada awal abad ini, kemajuan dalam kemampuan komputasi mendorong kebangkitan pembelajaran mendalam, dengan asisten virtual seperti Siri yang menunjukkan kegunaan AI dalam aplikasi konsumen. Pada tahun 2010-an, agen pembelajaran penguatan dan model generatif seperti GPT-2 mencapai terobosan lebih lanjut, membawa AI percakapan ke tingkat baru. Dalam proses ini, munculnya model bahasa besar (Large Language Model, LLM) menjadi tonggak penting dalam perkembangan AI, terutama dengan peluncuran GPT-4 yang dianggap sebagai titik balik dalam bidang agen AI. Sejak OpenAI merilis seri GPT, model pra-latihan berskala besar dengan ratusan miliar bahkan ribuan miliar parameter, menunjukkan kemampuan generasi dan pemahaman bahasa yang melampaui model tradisional. Kinerja luar biasa mereka dalam pemrosesan bahasa alami memungkinkan agen AI untuk menunjukkan kemampuan interaksi yang logis dan terstruktur melalui generasi bahasa. Hal ini memungkinkan agen AI untuk diterapkan dalam skenario seperti asisten obrolan, layanan pelanggan virtual, dan secara bertahap memperluas ke tugas yang lebih kompleks ( seperti analisis bisnis, penulisan kreatif ).

Kemampuan belajar model bahasa besar memberikan otonomi yang lebih tinggi bagi agen AI. Melalui teknik Pembelajaran Penguatan (Reinforcement Learning), agen AI dapat terus mengoptimalkan perilakunya, beradaptasi dengan lingkungan yang dinamis. Misalnya, di platform berbasis AI seperti Digimon Engine, agen AI dapat menyesuaikan strategi perilaku berdasarkan input pemain, mewujudkan interaksi yang dinamis.

Dari sistem aturan awal hingga model bahasa besar yang diwakili oleh GPT-4, sejarah perkembangan agen AI adalah sejarah evolusi yang terus menerus melampaui batas teknologi. Munculnya GPT-4, tanpa diragukan lagi, adalah titik balik yang signifikan dalam perjalanan ini. Seiring dengan perkembangan teknologi lebih lanjut, agen AI akan semakin cerdas, terkonfigurasi untuk berbagai skenario, dan beragam. Model bahasa besar tidak hanya memberikan "kecerdasan" sebagai jiwa bagi agen AI, tetapi juga memberikannya kemampuan kolaborasi lintas bidang. Di masa depan, platform proyek inovatif akan terus bermunculan, mendorong penerapan dan pengembangan teknologi agen AI, serta memimpin era baru pengalaman yang didorong oleh AI.

1.2 Prinsip Kerja

Perbedaan antara AIAGENT dan robot tradisional terletak pada kemampuannya untuk belajar dan beradaptasi seiring berjalannya waktu, membuat keputusan yang cermat untuk mencapai tujuan. Mereka dapat dianggap sebagai peserta yang terampil dan terus berkembang di bidang kripto, yang mampu bertindak secara mandiri dalam ekonomi digital.

Inti dari AI AGENT terletak pada "kecerdasan"-nya ------ yaitu mensimulasikan perilaku cerdas manusia atau makhluk hidup lainnya melalui algoritma untuk otomatisasi penyelesaian masalah kompleks. Alur kerja AI AGENT biasanya mengikuti langkah-langkah berikut: persepsi, penalaran, tindakan, pembelajaran, penyesuaian.

1.2.1 Modul Persepsi

AI AGENT berinteraksi dengan dunia luar melalui modul persepsi, mengumpulkan informasi lingkungan. Fungsi bagian ini mirip dengan indra manusia, menggunakan sensor, kamera, mikrofon, dan perangkat lainnya untuk menangkap data eksternal, yang mencakup ekstraksi fitur yang berarti, pengenalan objek, atau penentuan entitas relevan di lingkungan. Tugas inti dari modul persepsi adalah mengubah data mentah menjadi informasi yang berarti, yang biasanya melibatkan teknologi berikut:

• Penglihatan komputer: digunakan untuk memproses dan memahami data gambar dan video.
• Pemrosesan Bahasa Alami ( NLP ): Membantu AGENT AI memahami dan menghasilkan bahasa manusia.
• Penggabungan sensor: Mengintegrasikan data dari beberapa sensor menjadi tampilan yang terpadu.

1.2.2 Modul Inferensi dan Keputusan

Setelah merasakan lingkungan, AI AGENT perlu membuat keputusan berdasarkan data. Modul inferensi dan keputusan adalah "otak" dari seluruh sistem, yang melakukan penalaran logis dan perumusan strategi berdasarkan informasi yang dikumpulkan. Menggunakan model bahasa besar dan lainnya sebagai pengatur atau mesin inferensi, memahami tugas, menghasilkan solusi, dan mengoordinasikan model khusus yang digunakan untuk pembuatan konten, pemrosesan visual, atau sistem rekomendasi.

Modul ini biasanya menggunakan teknologi berikut:

• Mesin aturan: mengambil keputusan sederhana berdasarkan aturan yang telah ditentukan.
• Model pembelajaran mesin: termasuk pohon keputusan, jaringan saraf, dll, digunakan untuk pengenalan pola dan prediksi yang kompleks.
• Pembelajaran penguatan: memungkinkan AI AGENT untuk terus mengoptimalkan strategi keputusan melalui trial and error, menyesuaikan dengan lingkungan yang berubah.

Proses penalaran biasanya terdiri dari beberapa langkah: pertama adalah evaluasi lingkungan, kedua adalah menghitung beberapa rencana tindakan yang mungkin berdasarkan tujuan, dan terakhir adalah memilih rencana optimal untuk dieksekusi.

1.2.3 Modul Eksekusi

Modul eksekusi adalah "tangan dan kaki" dari AI AGENT, yang menerapkan keputusan dari modul inferensi. Bagian ini berinteraksi dengan sistem atau perangkat eksternal untuk menyelesaikan tugas yang ditentukan. Ini dapat melibatkan operasi fisik ( seperti tindakan robot ) atau operasi digital ( seperti pemrosesan data ). Modul eksekusi bergantung pada:

• Sistem kontrol robot: digunakan untuk operasi fisik, seperti gerakan lengan robot.
• Panggilan API: berinteraksi dengan sistem perangkat lunak eksternal, seperti kueri basis data atau akses layanan jaringan.
• Manajemen proses otomatisasi: Dalam lingkungan perusahaan, melalui RPA( otomatisasi proses robot) untuk menjalankan tugas yang berulang.

1.2.4 Modul Pembelajaran

Modul pembelajaran adalah kekuatan inti dari AI AGENT, yang memungkinkan agen menjadi lebih cerdas seiring berjalannya waktu. Dengan perbaikan berkelanjutan melalui umpan balik atau "roda data", data yang dihasilkan selama interaksi dikembalikan ke sistem untuk meningkatkan model. Kemampuan ini, yang secara bertahap beradaptasi dan menjadi lebih efektif seiring waktu, memberikan alat yang kuat bagi perusahaan untuk meningkatkan pengambilan keputusan dan efisiensi operasional.

Modul pembelajaran biasanya ditingkatkan melalui cara-cara berikut:

• Pembelajaran terawasi: menggunakan data berlabel untuk melatih model, agar AI AGENT dapat menyelesaikan tugas dengan lebih akurat.
• Pembelajaran tanpa pengawasan: menemukan pola yang mendasari dari data yang tidak diberi label, membantu agen beradaptasi dengan lingkungan baru.
• Pembelajaran Berkelanjutan: Memperbarui model dengan data waktu nyata, menjaga kinerja agen dalam lingkungan yang dinamis.

1.2.5 Umpan Balik dan Penyesuaian Secara Real-Time

AGENT AI mengoptimalkan kinerjanya melalui siklus umpan balik yang terus menerus. Hasil dari setiap tindakan akan dicatat dan digunakan untuk menyesuaikan keputusan di masa depan. Sistem umpan balik tertutup ini memastikan adaptabilitas dan fleksibilitas AGENT AI.

1.3 Status Pasar

1.3.1 Situasi Industri

AI AGENT sedang menjadi fokus pasar, dengan potensi besarnya sebagai antarmuka konsumen dan pelaku ekonomi mandiri, membawa transformasi bagi berbagai industri. Sama seperti potensi ruang blok L1 yang sulit diukur pada siklus sebelumnya, AI AGENT juga menunjukkan prospek yang sama pada siklus ini.

Menurut laporan terbaru dari Markets and Markets, pasar AI Agent diperkirakan akan tumbuh dari 5,1 miliar dolar AS pada tahun 2024 menjadi 47,1 miliar dolar AS pada tahun 2030, dengan tingkat pertumbuhan tahunan gabungan (CAGR) mencapai 44,8%. Pertumbuhan cepat ini mencerminkan penetrasi AI Agent di berbagai industri serta permintaan pasar yang dihasilkan oleh inovasi teknologi.

Perusahaan besar juga meningkatkan investasi mereka dalam kerangka proxy sumber terbuka. Kegiatan pengembangan kerangka seperti AutoGen, Phidata, dan LangGraph dari Microsoft semakin aktif, yang menunjukkan bahwa AI AGENT memiliki potensi pasar yang lebih besar di luar bidang kripto, TAM juga