Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый цикл криптовалют приносит новую инфраструктуру, способствующую развитию всей отрасли.
В 2017 году восход интеллекта контрактов способствовал бурному развитию ICO.
В 2020 году ликвидные пулы DEX стали причиной летнего бума DeFi.
В 2021 году появление множества NFT-серийных работ ознаменовало наступление эпохи цифровых коллекционных предметов.
В 2024 году выдающаяся работа одной из платформ для запуска возглавила бум memecoin и платформ для запуска.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможности встречаются с подходящим моментом, это может привести к огромным изменениям. Смотрим в 2025 год, очевидно, что новые области цикла 2025 года станут AI-агентами. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг капитализации в 150 миллионов долларов. Вскоре, 16 октября, один протокол представил Luna, впервые появившись в образе IP стрима соседской девушки, что взорвало всю индустрию.
Итак, что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», и впечатляющей является AI-система Красная Королева. Красная Королева — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле у AI Agent и ключевых функций Красного Короля много общего. В реальности AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая компаниям и индивидуумам справляться со сложными задачами через самостоятельное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных客服, AI Agent глубоко внедрены в различные отрасли, становясь ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизированной торговли на основе данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя собственные показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Создающий AI агент: предназначен для генерации контента, включая текст, дизайн и даже создание музыки.
Социальный AI-агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых活动.
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 изменяют структуру отрасли, и рассмотрим тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что положило начало 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 (экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и начального исследования 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 человеческих когнитивных функций. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям AI после раннего периода восторга, что вызвало огромную утрату доверия к AI со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "зимний период AI", когда увеличилось сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали использовать 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 внедрение ИИ в различных областях, таких как финансы и медицина, также стало знаковым событием для расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Более того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM "Deep Blue" одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, а такие виртуальные помощники, как Siri, продемонстрировали практическую полезность ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, поднимая диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который стал поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT одной компанией модели с крупномасштабным предварительным обучением, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически ясные и упорядоченные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как помощники для чатов, виртуальные клиенты, и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей обеспечивают более высокую автономию для AI-агентов. С помощью технологий обучения с подкреплением AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на одной из платформ с AI-управлением AI-агент может настраивать свою стратегию поведения в зависимости от ввода игрока, что действительно позволяет реализовать динамическое взаимодействие.
От ранних систем правил до языковых моделей, представленных GPT-4, история развития AI-агентов является эволюцией, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили в AI-агентов "разум" как душу, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно возникать, продолжая продвигать внедрение и развитие технологий AI-агентов, ведя к новому поколению опытов, управляемых AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут со временем учиться и адаптироваться, принимая детализированные решения для достижения целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, способных независимо действовать в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в способности с помощью алгоритмов моделировать интеллектуальное поведение человека или других существ для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим этапам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Функции этой части аналогичны человеческим чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение относящихся к среде сущностей. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видео данных.
Обработка естественного языка (NLP): помогает ИИ AGENT понимать и генерировать человеческий язык.
Слияние датчиков: интеграция данных от нескольких датчиков в единое представление.
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 основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачу, генерирует решения и координирует специализированные модели для таких конкретных функций, как создание контента, визуальная обработка или рекомендательные системы.
Этот модуль обычно использует следующие технологии:
Правилообразующий механизм: простые решения на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и др., для сложного распознавания паттернов и прогнозирования.
Обучение с подкреплением: позволяет ИИ AGENT постоянно оптимизировать стратегию принятия решений в процессе 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, который реализует решения, принятые в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: предназначена для физических операций, таких как движение роботизированных рук.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым службам.
Автоматизация управления процессами: выполнение повторяющихся задач в корпоративной среде с помощью RPA (роботизированная автоматизация процессов).
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, который позволяет агентам со временем становиться умнее. Постоянное совершенствование через обратную связь или "данные маховика" включает обратную связь данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям 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潜在ных паттернов из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление моделей на основе данных в реальном времени для поддержания производительности агентов в динамичной среде.
1.2.5 Обратная связь в реальном времени и корректировка
AI AGENT постоянно оптимизирует свои характеристики через циклы обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система гарантирует адаптивность и гибкость AI AGENT.
1.3 Текущее состояние рынка
1.3.1 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одного из исследовательских институтов, ожидается, что рынок AI Agent вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, с совокупным годовым темпом роста (CAGR) 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые代理框ки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph в некоторых компаниях, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший потенциал за пределами криптографической области.
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» .
18 Лайков
Награда
18
5
Поделиться
комментарий
0/400
SnapshotStriker
· 21ч назад
Где еще команда проекта не подключилась к агенту? Боюсь, что меня задавит новая волна, да?
Посмотреть ОригиналОтветить0
AirdropHunterXM
· 22ч назад
Снова AI, просто разыгрывайте людей как лохов.
Посмотреть ОригиналОтветить0
PriceOracleFairy
· 22ч назад
честно говоря, AI-агенты могут быть просто еще одним циклом хайпа... видел этот фильм раньше
Посмотреть ОригиналОтветить0
LiquidatedTwice
· 22ч назад
падение清算 рост清算 Я все еще здесь
Посмотреть ОригиналОтветить0
DeFiAlchemist
· 22ч назад
*настраивает метрики протокола* удивительно, как каждый цикл трансмутирует в более высокие формы финансового сознания... AI-агенты могут стать нашим следующим философским камнем, если честно
AI AGENT ведет новый цикл: формирование экосистемы умной экономики будущего
Декодирование AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" умной эпохи
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 бычьих циклов. Когда возможности встречаются с подходящим моментом, это может привести к огромным изменениям. Смотрим в 2025 год, очевидно, что новые области цикла 2025 года станут AI-агентами. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг капитализации в 150 миллионов долларов. Вскоре, 16 октября, один протокол представил Luna, впервые появившись в образе IP стрима соседской девушки, что взорвало всю индустрию.
Итак, что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», и впечатляющей является AI-система Красная Королева. Красная Королева — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле у AI Agent и ключевых функций Красного Короля много общего. В реальности AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая компаниям и индивидуумам справляться со сложными задачами через самостоятельное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных客服, AI Agent глубоко внедрены в различные отрасли, становясь ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизированной торговли на основе данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя собственные показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Создающий AI агент: предназначен для генерации контента, включая текст, дизайн и даже создание музыки.
Социальный AI-агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых活动.
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 изменяют структуру отрасли, и рассмотрим тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что положило начало 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 (экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и начального исследования 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 человеческих когнитивных функций. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям AI после раннего периода восторга, что вызвало огромную утрату доверия к AI со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "зимний период AI", когда увеличилось сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали использовать 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 внедрение ИИ в различных областях, таких как финансы и медицина, также стало знаковым событием для расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Более того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM "Deep Blue" одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, а такие виртуальные помощники, как Siri, продемонстрировали практическую полезность ИИ в потребительских приложениях. В 2010-х годах агенты с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, поднимая диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который стал поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT одной компанией модели с крупномасштабным предварительным обучением, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически ясные и упорядоченные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как помощники для чатов, виртуальные клиенты, и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей обеспечивают более высокую автономию для AI-агентов. С помощью технологий обучения с подкреплением AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на одной из платформ с AI-управлением AI-агент может настраивать свою стратегию поведения в зависимости от ввода игрока, что действительно позволяет реализовать динамическое взаимодействие.
От ранних систем правил до языковых моделей, представленных GPT-4, история развития AI-агентов является эволюцией, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили в AI-агентов "разум" как душу, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно возникать, продолжая продвигать внедрение и развитие технологий AI-агентов, ведя к новому поколению опытов, управляемых AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут со временем учиться и адаптироваться, принимая детализированные решения для достижения целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, способных независимо действовать в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в способности с помощью алгоритмов моделировать интеллектуальное поведение человека или других существ для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим этапам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Функции этой части аналогичны человеческим чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение относящихся к среде сущностей. Основная задача модуля восприятия заключается в преобразовании сырых данных 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 основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачу, генерирует решения и координирует специализированные модели для таких конкретных 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, который реализует решения, принятые в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, который позволяет агентам со временем становиться умнее. Постоянное совершенствование через обратную связь или "данные маховика" включает обратную связь данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для улучшения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Обратная связь в реальном времени и корректировка
AI AGENT постоянно оптимизирует свои характеристики через циклы обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система гарантирует адаптивность и гибкость AI AGENT.
1.3 Текущее состояние рынка
1.3.1 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одного из исследовательских институтов, ожидается, что рынок AI Agent вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, с совокупным годовым темпом роста (CAGR) 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые代理框ки. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph в некоторых компаниях, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший потенциал за пределами криптографической области.