AI AGENT：Розумна сила, що формує нову економічну екосистему майбутнього
1. Загальний огляд фону
1.1 Вступ: "Нові партнери" епохи розумних технологій
Кожен криптовалютний цикл приносить нову інфраструктуру, яка стимулює розвиток цілої галузі.
У 2017 році виникнення смарт-контрактів сприяло бурхливому розвитку ICO.
У 2020 році ліквідні пули DEX принесли літню хвилю DeFi.
У 2021 році велика кількість NFT-серійних творів ознаменувала прихід епохи цифрових колекцій.
У 2024 році видатні результати певної платформи запуску стали лідерами хвилі memecoin та платформ запуску.
Слід підкреслити, що початок цих вертикальних галузей зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів бичачого ринку. Коли можливості зустрічаються з правильним часом, це може призвести до величезних змін. Дивлячись на 2025 рік, очевидно, що новою галуззю циклу 2025 року буде AI-агент. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року був запущений певний токен, який 15 жовтня досягнув ринкової капіталізації в 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол представив Luna, вперше з'явившись у вигляді IP дівчини-сусідки, що викликало сплеск у всій галузі.
Отже, що таке AI Agent?
Усі, напевно, знайомі з класичним фільмом «Обителі зла», в якому вражає система ШІ Червона Королева. Червона Королева — це потужна система ШІ, яка контролює складні споруди та системи безпеки, здатна самостійно відчувати середовище, аналізувати дані та швидко вживати заходів.
Насправді, AI Agent має багато спільного з основними функціями червоного короля. AI Agent у реальному світі в певному сенсі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які через автономне сприйняття, аналіз та виконання допомагають підприємствам і особам справлятися зі складними завданнями. Від автомобілів з автоматичним управлінням до розумних клієнтських сервісів, AI Agent глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, як невидимі члени команди, мають всебічні можливості від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійного підвищення ефективності та інновацій.
Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, на основі даних, зібраних з певної платформи даних або соціальної платформи, для实时管理投资组合并执行交易，不断在迭代中优化自身表现。AI AGENT не є єдиною формою, а розподілений на різні категорії в залежності від специфічних потреб криптоекосистеми:
Виконавчий AI агент: зосереджений на виконанні певних завдань, таких як торгівля, управління портфелем або арбітраж, спрямований на підвищення точності операцій і зменшення необхідного часу.
Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть музичне творіння.
Соціальний AI агент: бути лідером думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноти та брати участь у маркетингових кампаніях.
Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції декількох блокчейнів.
У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони змінюють галузевий ландшафт, та поглянемо на тенденції їхнього майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, заклавши основи для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення перших програм AI, таких як ELIZA (чат-бот) і Dendral (експертна система в галузі органічної хімії). Цей етап також став свідком вперше запропонованих нейронних мереж та попереднього вивчення концепції машинного навчання. Але дослідження AI в цей період серйозно обмежувалися обмеженими обчислювальними можливостями того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав доповідь, опубліковану в 1973 році, про стан досліджень AI в Великобританії. Доповідь Лайтхілла в основному висловлювала всебічний песимізм щодо досліджень AI після раннього періоду захоплення, викликавши величезну втрату довіри до AI з боку британських академічних установ (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI суттєво зменшилося, і галузь AI пережила першу "зиму AI", зростаючи скептицизм щодо потенціалу AI.
У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати технології ШІ. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах та обробці природної мови, що сприяло виникненню більш складних застосувань ШІ. Впровадження автономних транспортних засобів і впровадження ШІ у фінансовому, медичному та інших секторах також стало знаковим моментом розширення технологій ШІ. Але наприкінці 1980-х - на початку 1990-х років, у зв'язку з крахом попиту на спеціалізоване апаратне забезпечення ШІ, галузь ШІ пережила другий "зимовий період ШІ". Крім того, як розширити масштаб систем ШІ та успішно інтегрувати їх у реальні застосування, залишається триваючим викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг світового чемпіона з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання стало основою для розвитку ШІ наприкінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні асистенти, такі як Siri, продемонстрували практичність ШІ у споживчих додатках. У 2010-х роках агенти підкріпленого навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, підвищуючи діалоговий ШІ до нових висот. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, що вважається поворотним моментом у сфері агентів ШІ. Відтоді, як деяка компанія випустила серію GPT, великомасштабні попередньо навчені моделі з сотнями мільярдів навіть тисячами мільярдів параметрів продемонстрували можливості генерування та розуміння мови, що перевищують традиційні моделі. Їхні видатні результати в обробці природної мови дозволили агентам ШІ демонструвати чітку логіку та структуровану здатність до взаємодії через генерування мови. Це дозволило агентам ШІ застосовуватися в сценаріях чат-асистентів, віртуальних клієнтських служб тощо, і поступово розширюватися до більш складних завдань (як-от бізнес-аналіз, креативне написання).
Здатність навчання великих мовних моделей надає AI-агентам вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, керованій AI, AI-агент може налаштовувати стратегію поведінки відповідно до введення гравця, що справді реалізує динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI агентів є історією еволюції, що постійно порушує технологічні межі. Поява GPT-4 безсумнівно є важливою віхою в цьому процесі. З подальшим розвитком технології AI агенти стануть ще більш інтелектуальними, сценічними та різноманітними. Великі мовні моделі не лише наділили AI агентів «інтелектом», а й надали їм можливість для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть постійно з'являтися, продовжуючи просувати технології AI агентів та їх розвиток, ведучи до нової ери досвіду, керованого AI.
1.2 Принцип роботи
AIAGENT від традиційних роботів відрізняється тим, що вони можуть навчатися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технологічно розвиненими, постійно зростаючими учасниками у сфері криптовалюти, які здатні самостійно діяти в цифровій економіці.
Ядро AI AGENT полягає в його "інтелекту" ------ тобто в автоматизації вирішення складних проблем шляхом моделювання інтелектуальних поведінок людини або інших живих істот за допомогою алгоритмів. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.
1.2.1 Модуль сприйняття
AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функціональності подібна до людських органів почуттів, використовуючи сенсори, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, включаючи вилучення значущих ознак, розпізнавання об'єктів або визначення актуальних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає такі технології:
Комп'ютерний зір: використовується для обробки та розуміння зображень і відеоданих.
Обробка природної мови (NLP): допомагає AI AGENT зрозуміти та згенерувати людську мову.
Синергія датчиків: інтеграція даних з кількох датчиків в єдину картину.
1.2.2 Модуль висновків та рішень
Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль висновків та прийняття рішень є "мозком" всієї системи, він здійснює логічні висновки та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, які виступають у ролі оркестратора або двигуна висновків, він розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або рекомендативні системи.
Цей модуль зазвичай використовує такі технології:
Правила двигун: прості рішення на основі заданих правил.
Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів і прогнозування.
Посилене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінного середовища.
Процес інфериції зазвичай включає кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій відповідно до цілі, і нарешті вибір оптимального варіанту для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками і ногами" AI AGENT, який реалізує рішення модульного інтелекту. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (як-от дії роботів) або цифрові операції (як-от обробка даних). Виконавчий модуль залежить від:
Система управління роботами: для фізичних операцій, таких як рухи роботизованої руки.
Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
Автоматизація управління процесами: у корпоративному середовищі виконання повторюваних завдань за допомогою RPA (роботизована автоматизація процесів).
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам з часом ставати більш розумними. Постійне вдосконалення через зворотний зв'язок або "дані фліп" включає дані, що генеруються під час взаємодії, назад у систему для посилення моделі. Ця здатність адаптуватися з часом та ставати більш ефективною надає підприємствам потужний інструмент для підвищення прийняття рішень та ефективності операцій.
Модулі навчання зазвичай вдосконалюються наступними способами:
Моніторингове навчання: використання мічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
Безконтрольне навчання: виявлення潜在них模式 з неназначених даних, що допомагає агентам адаптуватися до нових умов.
Постійне навчання: оновлюйте моделі за допомогою даних у реальному часі, щоб підтримувати ефективність агента в динамічному середовищі.
1.2.5 Реальний зворотній зв'язок та коригування
AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан індустрії
AI AGENT стає фокусом ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, приносить зміни в кілька галузей. Як і потенціал L1 блок-простору в попередньому циклі, так і AI AGENT показує аналогічні перспективи в цьому циклі.
Згідно з останнім звітом певної дослідницької організації, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, а річний складний темп зростання (CAGR) складе до 44,8%. Це швидке зростання відображає проникнення AI Agent у різні галузі, а також попит на ринку, викликаний технологічними інноваціями.
Вклад великих компаній у відкриті проксі-рамки також значно зріс. Деякі
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
AI AGENT: Розумна нова сила екосистеми Блокчейн 2025
AI AGENT：Розумна сила, що формує нову економічну екосистему майбутнього
1. Загальний огляд фону
1.1 Вступ: "Нові партнери" епохи розумних технологій
Кожен криптовалютний цикл приносить нову інфраструктуру, яка стимулює розвиток цілої галузі.
Слід підкреслити, що початок цих вертикальних галузей зумовлений не лише технологічними інноваціями, але й ідеальним поєднанням моделей фінансування та циклів бичачого ринку. Коли можливості зустрічаються з правильним часом, це може призвести до величезних змін. Дивлячись на 2025 рік, очевидно, що новою галуззю циклу 2025 року буде AI-агент. Ця тенденція досягла піку в жовтні минулого року, 11 жовтня 2024 року був запущений певний токен, який 15 жовтня досягнув ринкової капіталізації в 150 мільйонів доларів. Невдовзі, 16 жовтня, певний протокол представив Luna, вперше з'явившись у вигляді IP дівчини-сусідки, що викликало сплеск у всій галузі.
Отже, що таке AI Agent?
Усі, напевно, знайомі з класичним фільмом «Обителі зла», в якому вражає система ШІ Червона Королева. Червона Королева — це потужна система ШІ, яка контролює складні споруди та системи безпеки, здатна самостійно відчувати середовище, аналізувати дані та швидко вживати заходів.
Насправді, AI Agent має багато спільного з основними функціями червоного короля. AI Agent у реальному світі в певному сенсі виконує подібну роль, вони є "розумними охоронцями" сучасних технологій, які через автономне сприйняття, аналіз та виконання допомагають підприємствам і особам справлятися зі складними завданнями. Від автомобілів з автоматичним управлінням до розумних клієнтських сервісів, AI Agent глибоко проникли в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелекти, як невидимі члени команди, мають всебічні можливості від сприйняття навколишнього середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійного підвищення ефективності та інновацій.
Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, на основі даних, зібраних з певної платформи даних або соціальної платформи, для实时管理投资组合并执行交易，不断在迭代中优化自身表现。AI AGENT не є єдиною формою, а розподілений на різні категорії в залежності від специфічних потреб криптоекосистеми:
Виконавчий AI агент: зосереджений на виконанні певних завдань, таких як торгівля, управління портфелем або арбітраж, спрямований на підвищення точності операцій і зменшення необхідного часу.
Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть музичне творіння.
Соціальний AI агент: бути лідером думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноти та брати участь у маркетингових кампаніях.
Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для інтеграції декількох блокчейнів.
У цьому звіті ми детально розглянемо походження, сучасний стан та широкі можливості застосування AI Agent, проаналізуємо, як вони змінюють галузевий ландшафт, та поглянемо на тенденції їхнього майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції в Дартмуті в 1956 році термін "AI" був вперше запропонований, заклавши основи для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувалися на символічних методах, що призвело до створення перших програм AI, таких як ELIZA (чат-бот) і Dendral (експертна система в галузі органічної хімії). Цей етап також став свідком вперше запропонованих нейронних мереж та попереднього вивчення концепції машинного навчання. Але дослідження AI в цей період серйозно обмежувалися обмеженими обчислювальними можливостями того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав доповідь, опубліковану в 1973 році, про стан досліджень AI в Великобританії. Доповідь Лайтхілла в основному висловлювала всебічний песимізм щодо досліджень AI після раннього періоду захоплення, викликавши величезну втрату довіри до AI з боку британських академічних установ (, включаючи фінансові установи ). Після 1973 року фінансування досліджень AI суттєво зменшилося, і галузь AI пережила першу "зиму AI", зростаючи скептицизм щодо потенціалу AI.
У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати технології ШІ. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах та обробці природної мови, що сприяло виникненню більш складних застосувань ШІ. Впровадження автономних транспортних засобів і впровадження ШІ у фінансовому, медичному та інших секторах також стало знаковим моментом розширення технологій ШІ. Але наприкінці 1980-х - на початку 1990-х років, у зв'язку з крахом попиту на спеціалізоване апаратне забезпечення ШІ, галузь ШІ пережила другий "зимовий період ШІ". Крім того, як розширити масштаб систем ШІ та успішно інтегрувати їх у реальні застосування, залишається триваючим викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг світового чемпіона з шахів Гарі Каспарова, що стало знаковою подією в здатності ШІ вирішувати складні проблеми. Відродження нейронних мереж і глибокого навчання стало основою для розвитку ШІ наприкінці 1990-х років, зробивши ШІ невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
На початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні асистенти, такі як Siri, продемонстрували практичність ШІ у споживчих додатках. У 2010-х роках агенти підкріпленого навчання та генеративні моделі, такі як GPT-2, досягли подальших проривів, підвищуючи діалоговий ШІ до нових висот. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, що вважається поворотним моментом у сфері агентів ШІ. Відтоді, як деяка компанія випустила серію GPT, великомасштабні попередньо навчені моделі з сотнями мільярдів навіть тисячами мільярдів параметрів продемонстрували можливості генерування та розуміння мови, що перевищують традиційні моделі. Їхні видатні результати в обробці природної мови дозволили агентам ШІ демонструвати чітку логіку та структуровану здатність до взаємодії через генерування мови. Це дозволило агентам ШІ застосовуватися в сценаріях чат-асистентів, віртуальних клієнтських служб тощо, і поступово розширюватися до більш складних завдань (як-от бізнес-аналіз, креативне написання).
Здатність навчання великих мовних моделей надає AI-агентам вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на певній платформі, керованій AI, AI-агент може налаштовувати стратегію поведінки відповідно до введення гравця, що справді реалізує динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI агентів є історією еволюції, що постійно порушує технологічні межі. Поява GPT-4 безсумнівно є важливою віхою в цьому процесі. З подальшим розвитком технології AI агенти стануть ще більш інтелектуальними, сценічними та різноманітними. Великі мовні моделі не лише наділили AI агентів «інтелектом», а й надали їм можливість для міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть постійно з'являтися, продовжуючи просувати технології AI агентів та їх розвиток, ведучи до нової ери досвіду, керованого AI.
1.2 Принцип роботи
AIAGENT від традиційних роботів відрізняється тим, що вони можуть навчатися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технологічно розвиненими, постійно зростаючими учасниками у сфері криптовалюти, які здатні самостійно діяти в цифровій економіці.
Ядро AI AGENT полягає в його "інтелекту" ------ тобто в автоматизації вирішення складних проблем шляхом моделювання інтелектуальних поведінок людини або інших живих істот за допомогою алгоритмів. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.
1.2.1 Модуль сприйняття
AI AGENT взаємодіє з зовнішнім світом через модуль сприйняття, збираючи інформацію про навколишнє середовище. Ця частина функціональності подібна до людських органів почуттів, використовуючи сенсори, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, включаючи вилучення значущих ознак, розпізнавання об'єктів або визначення актуальних сутностей у середовищі. Основне завдання модуля сприйняття полягає в перетворенні сирих даних на значущу інформацію, що зазвичай включає такі технології:
1.2.2 Модуль висновків та рішень
Після сприйняття навколишнього середовища, AI AGENT повинен приймати рішення на основі даних. Модуль висновків та прийняття рішень є "мозком" всієї системи, він здійснює логічні висновки та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі, які виступають у ролі оркестратора або двигуна висновків, він розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка зображень або рекомендативні системи.
Цей модуль зазвичай використовує такі технології:
Процес інфериції зазвичай включає кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій відповідно до цілі, і нарешті вибір оптимального варіанту для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками і ногами" AI AGENT, який реалізує рішення модульного інтелекту. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (як-от дії роботів) або цифрові операції (як-от обробка даних). Виконавчий модуль залежить від:
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам з часом ставати більш розумними. Постійне вдосконалення через зворотний зв'язок або "дані фліп" включає дані, що генеруються під час взаємодії, назад у систему для посилення моделі. Ця здатність адаптуватися з часом та ставати більш ефективною надає підприємствам потужний інструмент для підвищення прийняття рішень та ефективності операцій.
Модулі навчання зазвичай вдосконалюються наступними способами:
1.2.5 Реальний зворотній зв'язок та коригування
AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан індустрії
AI AGENT стає фокусом ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, приносить зміни в кілька галузей. Як і потенціал L1 блок-простору в попередньому циклі, так і AI AGENT показує аналогічні перспективи в цьому циклі.
Згідно з останнім звітом певної дослідницької організації, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, а річний складний темп зростання (CAGR) складе до 44,8%. Це швидке зростання відображає проникнення AI Agent у різні галузі, а також попит на ринку, викликаний технологічними інноваціями.
Вклад великих компаній у відкриті проксі-рамки також значно зріс. Деякі