AI-агенты: Умная сила, формирующая новую экономическую экосистему будущего
1. Обзор фона
1.1 Введение: "Новые партнеры" в эпоху интеллекта
Каждый цикл криптовалют приносит новую инфраструктуру, способствующую развитию всей отрасли.
В 2017 году рост умных контрактов стал причиной бурного развития ICO.
В 2020 году ликвидные пулы DEX принесли летний бум DeFi.
В 2021 году появление множества NFT-серийных произведений ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся результаты одной из платформ для запуска привели к буму мемкойнов и платформ для запуска.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и циклов бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к огромным переменам. Глядя на 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен определенный токен, а 15 октября его рыночная капитализация составила 150 миллионов долларов. Вскоре после этого, 16 октября, был представлен определенный протокол Luna, который впервые появился в образе IP-стримера соседской девочки, что вызвало бурю в отрасли.
Итак, что такое AI Agent?
Все знают классический фильм «Обитель зла», в котором впечатляет ИИ-система Красное Сердце. Красное Сердце — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и королевы червей есть много схожих основных функций. AI Agent в реальной жизни отчасти исполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных служб поддержки, AI Agent глубоко проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, имеют всесторонние способности, от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли, способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматизации торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей криптоэкосистемы:
Исполнительный AI агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный ИИ-агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный AI Агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и заглянем в тенденции их будущего развития.
1.1.1 История развития
Развитие AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. В 1956 году на конференции в Дартмуте термин "AI" был впервые предложен, что стало основой для AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых AI-программ, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях AI после раннего периода восторга, что привело к огромной потере доверия к AI со стороны британских академических учреждений(, включая финансовые организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-заморозок", увеличившееся сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, когда спрос на специализированное аппаратное обеспечение для ИИ рухнул, область ИИ пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему представляет собой постоянную проблему. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием для ИИ в его способности решать сложные задачи. Восстановление нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, и такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области агентов ИИ. С момента выпуска серии GPT некоторыми компаниями большие модели с предобучением, содержащие десятки миллиардов, а иногда и сотни миллиардов параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили агентам ИИ демонстрировать логичное и четкое взаимодействие через генерацию языка. Это позволило агентам ИИ применяться в таких сценариях, как чат-ассистенты и виртуальные клиенты, и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ и креативное письмо ).
Способности больших языковых моделей обучения предоставляют AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной платформе с AI-управлением AI-агент может корректировать стратегию поведения в зависимости от ввода игроков, действительно реализуя динамическое взаимодействие.
История развития AI-агентов, начиная с ранних систем правил и заканчивая большими языковыми моделями, представленными GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, ситуационными и разнообразными. Большие языковые модели не только наделяют AI-агентов "умом", но и предоставляют им возможности для междисциплинарного сотрудничества. В будущем инновационные платформы проектов будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов и ведя нас в новую эпоху, управляемую AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что он может учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.
Ключевым моментом AI AGENT является его "интеллект"------то есть моделирование интеллектуального поведения человека или других существ с помощью алгоритмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI АГЕНТ взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функциональности аналогична человеческим сенсорным органам, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в том, чтобы преобразовать сырые данные в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
Обработка естественного языка ( NLP ): помогает ИИ-АГЕНТУ понимать и генерировать человеческий язык.
Слияние датчиков: интеграция данных от нескольких датчиков в единый обзор.
1.2.2 Модуль вывода и принятия решений
После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он проводит логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя крупные языковые модели в качестве оркестратора или движка вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких функций, как создание контента, визуальная обработка или рекомендательные системы.
Этот модуль обычно использует следующие технологии:
Правила движка: простые решения на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания образов и прогнозирования.
Обучение с подкреплением: позволяет ИИ-агенту постоянно оптимизировать стратегии принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, осуществляя действия, основанные на решениях, принятых модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
Система управления роботами: для физических операций, таких как движение robotic arm.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым сервисам.
Автоматизированное управление процессами: в корпоративной среде с помощью RPA( роботов автоматизации процессов) выполняются повторяющиеся задачи.
1.2.4 Учебный модуль
Учебный модуль является核心竞争力 AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "данные маховик" позволяет вводить данные, генерируемые в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для улучшения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Обучение без учителя: обнаружение потенциальных паттернов из необозначенных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели с помощью данных в реальном времени для поддержания производительности агента в динамичной среде.
1.2.5 Реальная обратная связь и корректировка
AI AGENT оптимизирует свою производительность через непрерывный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, который приносит преобразования в несколько отраслей. Как и в предыдущем цикле потенциал L1 блок-пространства было трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одной исследовательской компании, рынок AI-агентов, как ожидается, вырастет с 5,1 миллиарда долларов США в 2024 году до 47,1 миллиарда долларов США в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI-агентов в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Вложения крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами крипто-сферы, TAM
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
8 Лайков
Награда
8
4
Поделиться
комментарий
0/400
PanicSeller69
· 3ч назад
Эх, снова новый прием AI для игры на неудачниках.
Посмотреть ОригиналОтветить0
TommyTeacher
· 08-01 06:45
ai ведет в рейтинге
Посмотреть ОригиналОтветить0
AllTalkLongTrader
· 08-01 06:28
Снова разыгрывают людей как лохов с концепцией ai
Посмотреть ОригиналОтветить0
BoredWatcher
· 08-01 06:24
Посидим 25 лет, сначала хорошенько выкопаем скамеечку~
AI-агент: умная сила, формирующая новый цикл Криптоактивов
AI-агенты: Умная сила, формирующая новую экономическую экосистему будущего
1. Обзор фона
1.1 Введение: "Новые партнеры" в эпоху интеллекта
Каждый цикл криптовалют приносит новую инфраструктуру, способствующую развитию всей отрасли.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и циклов бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к огромным переменам. Глядя на 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен определенный токен, а 15 октября его рыночная капитализация составила 150 миллионов долларов. Вскоре после этого, 16 октября, был представлен определенный протокол Luna, который впервые появился в образе IP-стримера соседской девочки, что вызвало бурю в отрасли.
Итак, что такое AI Agent?
Все знают классический фильм «Обитель зла», в котором впечатляет ИИ-система Красное Сердце. Красное Сердце — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и королевы червей есть много схожих основных функций. AI Agent в реальной жизни отчасти исполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных служб поддержки, AI Agent глубоко проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, имеют всесторонние способности, от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли, способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматизации торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей криптоэкосистемы:
Исполнительный AI агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный ИИ-агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный AI Агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и заглянем в тенденции их будущего развития.
1.1.1 История развития
Развитие AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. В 1956 году на конференции в Дартмуте термин "AI" был впервые предложен, что стало основой для AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых AI-программ, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях AI после раннего периода восторга, что привело к огромной потере доверия к AI со стороны британских академических учреждений(, включая финансовые организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-заморозок", увеличившееся сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, когда спрос на специализированное аппаратное обеспечение для ИИ рухнул, область ИИ пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему представляет собой постоянную проблему. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием для ИИ в его способности решать сложные задачи. Восстановление нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, и такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который считается поворотным моментом в области агентов ИИ. С момента выпуска серии GPT некоторыми компаниями большие модели с предобучением, содержащие десятки миллиардов, а иногда и сотни миллиардов параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили агентам ИИ демонстрировать логичное и четкое взаимодействие через генерацию языка. Это позволило агентам ИИ применяться в таких сценариях, как чат-ассистенты и виртуальные клиенты, и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ и креативное письмо ).
Способности больших языковых моделей обучения предоставляют AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной платформе с AI-управлением AI-агент может корректировать стратегию поведения в зависимости от ввода игроков, действительно реализуя динамическое взаимодействие.
История развития AI-агентов, начиная с ранних систем правил и заканчивая большими языковыми моделями, представленными GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, ситуационными и разнообразными. Большие языковые модели не только наделяют AI-агентов "умом", но и предоставляют им возможности для междисциплинарного сотрудничества. В будущем инновационные платформы проектов будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов и ведя нас в новую эпоху, управляемую AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что он может учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.
Ключевым моментом AI AGENT является его "интеллект"------то есть моделирование интеллектуального поведения человека или других существ с помощью алгоритмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI АГЕНТ взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функциональности аналогична человеческим сенсорным органам, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в том, чтобы преобразовать сырые данные в значимую информацию, что обычно включает в себя следующие технологии:
1.2.2 Модуль вывода и принятия решений
После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он проводит логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя крупные языковые модели в качестве оркестратора или движка вывода, он понимает задачи, генерирует решения и координирует специализированные модели для таких функций, как создание контента, визуальная обработка или рекомендательные системы.
Этот модуль обычно использует следующие технологии:
Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, осуществляя действия, основанные на решениях, принятых модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
1.2.4 Учебный модуль
Учебный модуль является核心竞争力 AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "данные маховик" позволяет вводить данные, генерируемые в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для улучшения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Реальная обратная связь и корректировка
AI AGENT оптимизирует свою производительность через непрерывный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, который приносит преобразования в несколько отраслей. Как и в предыдущем цикле потенциал L1 блок-пространства было трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одной исследовательской компании, рынок AI-агентов, как ожидается, вырастет с 5,1 миллиарда долларов США в 2024 году до 47,1 миллиарда долларов США в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI-агентов в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Вложения крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами крипто-сферы, TAM