Декодирование AI AGENT: умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" в эпоху интеллекта
Каждый криптовалютный цикл приносит новую инфраструктуру, способствующую развитию всей отрасли.
В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
В 2020 году ликвидные пулы DEX привели к летнему буму DeFi.
В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся результаты одной из платформ запуска стали основой для роста мемкойнов и платформ запуска.
Следует подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьего рыночного цикла. Когда возможности встречаются с подходящими моментами, это может вызвать огромные изменения. Глядя на 2025 год, очевидно, что новым развивающимся направлением в цикле 2025 года станет AI-агент. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, один протокол представил Luna, впервые появившись в образе IP стрима соседской девочки, что стало настоящим фурором во всей отрасли.
Итак, что такое AI Agent?
Все, вероятно, знакомы с классическим фильмом «Обитель зла», в котором впечатляет искусственный интеллект по имени Красное сердце. Красное сердце — это мощная AI-система, контролирующая сложные сооружения и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций красной королевы есть много сходств. AI Agent в реальной жизни в какой-то степени выполняет аналогичную роль, они являются «умными защитниками» в области современных технологий, помогая компаниям и частным лицам справляться со сложными задачами с помощью автономного восприятия, анализа и выполнения. От беспилотных автомобилей до интеллектуальных客服, AI Agent проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам команды, обладают полным набором возможностей, 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, управляя портфелем и выполняя сделки в реальном времени на основе данных, собранных с платформ данных или социальных платформ, постоянно оптимизируя свои результаты в ходе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный ИИ-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 AI агент: выступая в роли лидера мнений в социальных сетях, взаимодействовать с пользователями, создавать сообщества и участвовать в маркетинговых мероприятиях.
Координирующий AI Агент: координирует сложные взаимодействия 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 ландшафт отрасли, и рассмотрим тенденции их будущего развития.
1.1.1 История развития
Развитие ИИ-АГЕНТА демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что положило начало ИИ как независимой области. В этот период исследования в области ИИ в основном сосредоточивались на символических методах, что дало начало первым ИИ-программам, таким как ELIZA (чате-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и начального исследования концепции машинного обучения. Однако исследования ИИ в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований ИИ в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям ИИ после первоначального периода восторга, что привело к огромной утрате доверия к ИИ со стороны британских академических институтов (, включая финансирующие организации ). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первую "зиму ИИ", увеличившееся недоверие к потенциалу ИИ.
В 1980-е годы развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали применять 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, а также внедрение ИИ в различных отраслях, таких как финансы и медицина, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное ИИ-оборудование, область ИИ пережила второй "зимний период ИИ". Кроме того, вопрос о том, как масштабировать ИИ-системы и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной задачей. В то же время, в 1997 году компьютер IBM "Deep Blue" победил чемпиона мира по шахматам Гарри Каспарова, что стало важным событием в способности ИИ решать сложные задачи. Возрождение 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, а виртуальные помощники, такие 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 новый уровень. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT одной компанией, модели с массовым предварительным обучением, имеющие сотни миллиардов или даже триллионы параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать четкую и логически последовательную интерактивную способность через генерацию языка. Это сделало возможным применение ИИ-агентов в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширение на более сложные задачи (например, бизнес-анализ, креативное письмо).
Способность больших языковых моделей к обучению предоставляет AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной из платформ, управляемых AI, AI-агент может корректировать свою стратегию поведения в зависимости от ввода игрока, что действительно реализует динамическое взаимодействие.
От ранних систем правил до языковых моделей на базе GPT-4 история развития AI-агентов является историей постоянных прорывов технологических границ. Появление GPT-4, безусловно, является значительным поворотным пунктом в этом процессе. С дальнейшим развитием технологий AI-агенты станут еще более умными, контекстуальными и разнообразными. Языковые модели не только внедряют "разум" в AI-агенты, но и предоставляют им возможность междисциплинарного сотрудничества. В будущем будут постоянно появляться инновационные проектные платформы, продолжая продвигать внедрение и развитие технологий AI-агентов, а также возглавляя новую эру, управляемую AI-опытом.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться со временем, принимая продуманные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.
Основой AI AGENT является его "интеллект" ------ то есть использование алгоритмов для имитации интеллектуального поведения человека или других существ с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функционала похожа на человеческие органы чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение релевантных сущностей в окружении. Основная задача модуля восприятия заключается в преобразовании сырьевых данных в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания данных изображений и видео.
Обработка естественного языка (NLP): помогает AI 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 основан на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестратора или движка вывода, понимает задачи, генерирует решения и координирует специализированные модели для таких конкретных 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., используемые для сложного распознавания шаблонов и прогнозирования.
Укрепляющее обучение: позволяет AI AGENT постоянно оптимизировать стратегии принятия решений в ходе проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько этапов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который приводит в действие решения, принятые в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение роботизированных рук.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к веб-сервисам.
Управление автоматизированными процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированная автоматизация процессов).
1.2.4 Учебный модуль
Учебный модуль является核心竞争力 AI AGENT, он позволяет агенту становиться более умным со временем. Постоянное улучшение через цикл обратной связи или "данные колесо" включает в себя возврат данных, генерируемых во время 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 следующим образом:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Обучение без учителя: обнаружение скрытых паттернов в немаркированных данных, что помогает агенту адаптироваться к новой среде.
Постоянное обучение: обновление модели через实时 данные, чтобы поддерживать производительность агента в динамичной среде.
1.2.5 Реальная обратная связь и корректировка
AI AGENT постоянно оптимизирует свою производительность через циклы 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 в качестве потребительского интерфейса и автономного экономического агента, внося изменения в несколько отраслей. Как и в предыдущем цикле было трудно оценить потенциал L1 блок-пространства, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, ожидается, что рынок AI Agent вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовыми темпами роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent 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 одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптосферы.
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» .
AI AGENT: Умная сила, формирующая новую экономику шифрования
Декодирование AI AGENT: умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" в эпоху интеллекта
Каждый криптовалютный цикл приносит новую инфраструктуру, способствующую развитию всей отрасли.
Следует подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьего рыночного цикла. Когда возможности встречаются с подходящими моментами, это может вызвать огромные изменения. Глядя на 2025 год, очевидно, что новым развивающимся направлением в цикле 2025 года станет AI-агент. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, один протокол представил Luna, впервые появившись в образе IP стрима соседской девочки, что стало настоящим фурором во всей отрасли.
Итак, что такое AI Agent?
Все, вероятно, знакомы с классическим фильмом «Обитель зла», в котором впечатляет искусственный интеллект по имени Красное сердце. Красное сердце — это мощная AI-система, контролирующая сложные сооружения и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций красной королевы есть много сходств. AI Agent в реальной жизни в какой-то степени выполняет аналогичную роль, они являются «умными защитниками» в области современных технологий, помогая компаниям и частным лицам справляться со сложными задачами с помощью автономного восприятия, анализа и выполнения. От беспилотных автомобилей до интеллектуальных客服, AI Agent проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам команды, обладают полным набором возможностей, 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, управляя портфелем и выполняя сделки в реальном времени на основе данных, собранных с платформ данных или социальных платформ, постоянно оптимизируя свои результаты в ходе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный ИИ-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 AI агент: выступая в роли лидера мнений в социальных сетях, взаимодействовать с пользователями, создавать сообщества и участвовать в маркетинговых мероприятиях.
Координирующий AI Агент: координирует сложные взаимодействия 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 ландшафт отрасли, и рассмотрим тенденции их будущего развития.
1.1.1 История развития
Развитие ИИ-АГЕНТА демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что положило начало ИИ как независимой области. В этот период исследования в области ИИ в основном сосредоточивались на символических методах, что дало начало первым ИИ-программам, таким как ELIZA (чате-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и начального исследования концепции машинного обучения. Однако исследования ИИ в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований ИИ в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям ИИ после первоначального периода восторга, что привело к огромной утрате доверия к ИИ со стороны британских академических институтов (, включая финансирующие организации ). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первую "зиму ИИ", увеличившееся недоверие к потенциалу ИИ.
В 1980-е годы развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали применять 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, а также внедрение ИИ в различных отраслях, таких как финансы и медицина, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное ИИ-оборудование, область ИИ пережила второй "зимний период ИИ". Кроме того, вопрос о том, как масштабировать ИИ-системы и успешно интегрировать их в реальные приложения, по-прежнему остается актуальной задачей. В то же время, в 1997 году компьютер IBM "Deep Blue" победил чемпиона мира по шахматам Гарри Каспарова, что стало важным событием в способности ИИ решать сложные задачи. Возрождение 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, а виртуальные помощники, такие 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 новый уровень. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT одной компанией, модели с массовым предварительным обучением, имеющие сотни миллиардов или даже триллионы параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать четкую и логически последовательную интерактивную способность через генерацию языка. Это сделало возможным применение ИИ-агентов в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширение на более сложные задачи (например, бизнес-анализ, креативное письмо).
Способность больших языковых моделей к обучению предоставляет AI-агентам большую автономию. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной из платформ, управляемых AI, AI-агент может корректировать свою стратегию поведения в зависимости от ввода игрока, что действительно реализует динамическое взаимодействие.
От ранних систем правил до языковых моделей на базе GPT-4 история развития AI-агентов является историей постоянных прорывов технологических границ. Появление GPT-4, безусловно, является значительным поворотным пунктом в этом процессе. С дальнейшим развитием технологий AI-агенты станут еще более умными, контекстуальными и разнообразными. Языковые модели не только внедряют "разум" в AI-агенты, но и предоставляют им возможность междисциплинарного сотрудничества. В будущем будут постоянно появляться инновационные проектные платформы, продолжая продвигать внедрение и развитие технологий AI-агентов, а также возглавляя новую эру, управляемую AI-опытом.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться со временем, принимая продуманные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.
Основой AI AGENT является его "интеллект" ------ то есть использование алгоритмов для имитации интеллектуального поведения человека или других существ с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функционала похожа на человеческие органы чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение релевантных сущностей в окружении. Основная задача модуля восприятия заключается в преобразовании сырьевых 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 основан на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестратора или движка вывода, понимает задачи, 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 этапов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который приводит в действие решения, принятые в модуле вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Учебный модуль
Учебный модуль является核心竞争力 AI AGENT, он позволяет агенту становиться более умным со временем. Постоянное улучшение через цикл обратной связи или "данные колесо" включает в себя возврат данных, генерируемых во время 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 следующим образом:
1.2.5 Реальная обратная связь и корректировка
AI AGENT постоянно оптимизирует свою производительность через циклы 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 в качестве потребительского интерфейса и автономного экономического агента, внося изменения в несколько отраслей. Как и в предыдущем цикле было трудно оценить потенциал L1 блок-пространства, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, ожидается, что рынок AI Agent вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовыми темпами роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent 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 одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптосферы.