AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новые партнеры" в эпоху умных технологий
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 принесли летний бум DeFi.
В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся результаты одной из платформ для запуска стали основой для волны мемкоинов 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 временем, это может привести к огромным изменениям. 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 один токен, и 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу после этого, 16 октября, один протокол представил Luna, впервые появившись в образе IP стриминга соседской девочки, что вызвало бурю в всей отрасли.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы много схожего. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая компаниям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От беспилотных автомобилей до интеллектуальных客服, AI Agent глубоко внедряются 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, основываясь на данных, собранных с определенной платформы или социальных сетей, управляя портфелем в реальном времени и выполняя сделки, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не является единичной формой, 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.
Генеративный AI Агент: используется для создания контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: как лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный 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 меняют ландшафт отрасли, и предвидим их будущие тенденции развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от фундаментальных 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 в области AI в основном сосредотачивались 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 начальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными мощностями того времени. Исследователи столкнулись с большими трудностями при разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. 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 выражал полное пессимистическое отношение к исследованиям AI после раннего периода энтузиазма, что привело к утрате огромной уверенности со стороны британских академических учреждений(, включая финансирующие организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI испытала первый "AI-зимний период", увеличившееся сомнение в потенциале AI.
В 1980-е годы развитие и коммерциализация экспертных систем заставили мировые компании начать 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 таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, эта область пережила вторую "зиму ИИ". Кроме 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 победил чемпиона мира по шахматам Гарри Каспарова, 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 годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительной мощности способствовал росту глубокого обучения, 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 новые высоты. В этом процессе появление больших языковых моделей (Large Language Model,LLM) стало важной вехой в развитии ИИ, особенно выход GPT-4, который считается поворотным моментом в области ИИ-агентов. С тех пор как одна ИИ-компания выпустила серию GPT, масштабные предобученные модели с 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 структурированные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, 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 технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной из платформ с искусственным интеллектом AI-агенты могут корректировать стратегии поведения в зависимости от ввода игроков, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, постоянно преодолевающей технические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценированными и разнообразными. Большие языковые модели не только наделили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем будут продолжать появляться инновационные проектные платформы, которые будут способствовать внедрению и развитию технологий AI-агентов, возглавляя новую эру опыта, управляемого AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.
Ядро AI AGENT заключается в его "интеллекте" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других живых 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 функции аналогична человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение связанных сущностей в среде. 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 данных изображений и видео.
Обработка естественного языка ( NLP ): помогает AI AGENT понять и сгенерировать 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 выполняет логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя большие языковые модели и другие, выступающие в роли 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:
Правилный движок: простые решения на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используемые для сложного распознавания образов и прогнозирования.
Укрепляющее обучение: позволить AI AGENT постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько этапов: сначала проводится оценка окружающей среды, затем на основе цели рассчитываются несколько возможных вариантов действий, и, наконец, выбирается оптимальный вариант для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" ИИ АГЕНТА, который реализует решения модуля вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия робота ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение robotic arm.
API вызов: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым сервисам.
Автоматизированное управление процессами: в корпоративной среде с помощью RPA( роботов автоматизации процессов) выполняются повторяющиеся задачи.
1.2.4 Модуль обучения
Учебный модуль является ключевым конкурентным преимуществом AI AGENT, позволяя агентам с течением времени становиться более умными. Путем постоянного улучшения через цикл обратной связи или "данные маховика", данные, генерируемые в ходе взаимодействия, возвращаются в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для повышения качества принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы ИИ АГЕНТ мог более точно выполнять задачи.
Ненадзорное обучение: обнаружение потенциальных паттернов из неразмеченных данных, что помогает агенту адаптироваться к новой среде.
Постоянное обучение: обновление модели с помощью данных в реальном времени, чтобы поддерживать производительность агента в динамичной среде.
1.2.5 Реальное время обратной связи и корректировка
AI AGENT оптимизирует свою производительность через постоянные циклы обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Состояние рынка
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве интерфейса для потребителей и автономного экономического агента, что приводит к изменениям в нескольких отраслях. Как и в предыдущем цикле, потенциал L1 блок-пространства был трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent ожидает роста с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень внедрения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые фреймворки прокси. Разработки таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становятся все более активными, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, TAM также расширяется.
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» .
13 Лайков
Награда
13
6
Поделиться
комментарий
0/400
TestnetScholar
· 18ч назад
ai довольно глубоко, понимают те, кто понимает
Посмотреть ОригиналОтветить0
alpha_leaker
· 07-20 00:05
Инфраструктура очень важна, она изначально предназначена для разоблачений.
Посмотреть ОригиналОтветить0
0xSherlock
· 07-20 00:03
2025 сможет зажечь, надеюсь на AI Agent
Посмотреть ОригиналОтветить0
SquidTeacher
· 07-20 00:03
Снова придумали новый термин – Будут играть для лохов.
Посмотреть ОригиналОтветить0
SilentAlpha
· 07-19 23:53
Исходя из последних тенденций, достаточно просто сосредоточиться на ИИ.
Посмотреть ОригиналОтветить0
NFTArchaeologis
· 07-19 23:37
Вспоминая эту эволюцию в блокчейне, я вспоминаю цифровые артефакты тех первопроходцев... каждый этап записан в истории.
AI AGENT: Интеллектуальное ядро новой экономики будущего
AI AGENT: Умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новые партнеры" в эпоху умных технологий
Каждый криптовалютный цикл 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 временем, это может привести к огромным изменениям. 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 один токен, и 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу после этого, 16 октября, один протокол представил Luna, впервые появившись в образе IP стриминга соседской девочки, что вызвало бурю в всей отрасли.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы много схожего. В реальной жизни AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая компаниям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От беспилотных автомобилей до интеллектуальных客服, AI Agent глубоко внедряются 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, основываясь на данных, собранных с определенной платформы или социальных сетей, управляя портфелем в реальном времени и выполняя сделки, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не является единичной формой, 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.
Генеративный AI Агент: используется для создания контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: как лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный 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 меняют ландшафт отрасли, и предвидим их будущие тенденции развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от фундаментальных 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 в области AI в основном сосредотачивались 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 начальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными мощностями того времени. Исследователи столкнулись с большими трудностями при разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. 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 выражал полное пессимистическое отношение к исследованиям AI после раннего периода энтузиазма, что привело к утрате огромной уверенности со стороны британских академических учреждений(, включая финансирующие организации). После 1973 года финансирование исследований AI значительно сократилось, и область AI испытала первый "AI-зимний период", увеличившееся сомнение в потенциале AI.
В 1980-е годы развитие и коммерциализация экспертных систем заставили мировые компании начать 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 таких отраслях, как финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, эта область пережила вторую "зиму ИИ". Кроме 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 победил чемпиона мира по шахматам Гарри Каспарова, 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 годов, сделав ИИ неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительной мощности способствовал росту глубокого обучения, 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 новые высоты. В этом процессе появление больших языковых моделей (Large Language Model,LLM) стало важной вехой в развитии ИИ, особенно выход GPT-4, который считается поворотным моментом в области ИИ-агентов. С тех пор как одна ИИ-компания выпустила серию GPT, масштабные предобученные модели с 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 структурированные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, 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 технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамичной среде. Например, на одной из платформ с искусственным интеллектом AI-агенты могут корректировать стратегии поведения в зависимости от ввода игроков, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, постоянно преодолевающей технические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценированными и разнообразными. Большие языковые модели не только наделили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем будут продолжать появляться инновационные проектные платформы, которые будут способствовать внедрению и развитию технологий AI-агентов, возглавляя новую эру опыта, управляемого AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.
Ядро AI AGENT заключается в его "интеллекте" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других живых 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 функции аналогична человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение связанных сущностей в среде. 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 выполняет логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя большие языковые модели и другие, выступающие в роли 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 этапов: сначала проводится оценка окружающей среды, затем на основе цели рассчитываются несколько возможных вариантов действий, и, наконец, выбирается оптимальный вариант для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" ИИ АГЕНТА, который реализует решения модуля вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия робота ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Учебный модуль является ключевым конкурентным преимуществом AI AGENT, позволяя агентам с течением времени становиться более умными. Путем постоянного улучшения через цикл обратной связи или "данные маховика", данные, генерируемые в ходе взаимодействия, возвращаются в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для повышения качества принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Реальное время обратной связи и корректировка
AI AGENT оптимизирует свою производительность через постоянные циклы обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Состояние рынка
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве интерфейса для потребителей и автономного экономического агента, что приводит к изменениям в нескольких отраслях. Как и в предыдущем цикле, потенциал L1 блок-пространства был трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent ожидает роста с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень внедрения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые фреймворки прокси. Разработки таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становятся все более активными, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, TAM также расширяется.