Расшифровка AI Agent: Умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый цикл криптовалюты приносит новую инфраструктуру, способствующую развитию всей отрасли.
В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
В 2020 году пулы ликвидности DEX принесли летнюю волну DeFi.
В 2021 году появление множества NFT-серийных произведений ознаменовало наступление эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся результаты одной из платформ для запуска стали причиной всплеска интереса к мемкойнам и платформам для запуска.
Необходимо подчеркнуть, что старт в этих вертикальных областях был вызван не только технологическими инновациями, но и совершенным сочетанием моделей финансирования и бычьего рынка. Когда возможности встречаются с подходящим временем, это может вызвать огромные изменения. Глядя на 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Следом за этим 16 октября один протокол запустил Luna, впервые появившись с образом IP соседской девушки в прямом эфире, что вызвало взрыв в всей отрасли.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Королева Красной Сердца. Королева Красной Сердца — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent есть много схожих функций с Красной Королевой. AI Agent в реальной жизни в определенной степени выполняет похожую роль, они являются "умными защитниками" в сфере современных технологий, помогая предприятиям и индивидуумам справляться со сложными задачами через самостоятельное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных служб поддержки, AI Agent глубоко внедрился в различные отрасли, став 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, способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматической торговли, управляя инвестиционным портфелем и выполняя сделки в реальном времени на основе данных, собранных с определенной платформы данных или социальной платформы, постоянно оптимизируя свои результаты в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей криптоэкосистемы:
Исполнительный AI-агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный ИИ-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный AI-агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют ландшафт отрасли, и заглянем в их будущие тенденции 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 заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также стала свидетелем первого появления нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистичное отношение к исследованиям AI после первоначального энтузиазма, что привело к огромной утрате доверия к AI со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI резко сократилось, и область AI пережила первый "AI-зимний период", сопровождающийся растущими сомнениями в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что компании по всему миру 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 таких отраслях, как финансы и здравоохранение, также стало знаковым моментом в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, проблема масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается актуальной задачей. 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 положило начало развитию 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 обучением с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был признан поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT от одной компании крупномасштабные предобученные модели, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности в генерации и понимании языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логически четкое и структурированное взаимодействие через генерацию языка. Это позволило ИИ-агентам применяться в таких сферах, как чат-помощники, виртуальные службы поддержки и постепенно расширять свои возможности на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности к обучению крупных языковых моделей обеспечивают AI-агентам более высокую степень автономии. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной платформе с AI-управлением AI-агенты могут корректировать свои стратегии поведения в зависимости от ввода игрока, что действительно позволяет реализовать динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до крупных языковых моделей, таких как GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, стало значительной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только наполнили AI-агентов "умом", но и предоставили им возможности для междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя реализации и развитию технологий AI-агентов, ведя к новой эпохе, управляемой AI.
Принцип работы 1.2
AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться с течением времени, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.
Ядро AI AGENT заключается в его "интеллекте" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других организмов 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. Функции этой части аналогичны человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видео данных.
Обработка естественного языка (NLP): помогает AI AGENT понимать и генерировать человеческий язык.
Слияние датчиков: объединение данных с нескольких датчиков в единый обзор.
1.2.2 Модуль вывода и принятия решений
После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он 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: включают деревья решений, нейронные сети и т.д., используются для сложного распознавания шаблонов и прогнозирования.
Углубленное обучение: позволить AI AGENT постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько этапов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий на основе цели, и, наконец, выбор наилучшего 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 в себя физические операции (такие как действия робота) или цифровые операции (такие как обработка данных). Исполнительный модуль зависит от:
Система управления роботами: для физических операций, таких как движение robotic arm.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к веб-сервисам.
Управление автоматизированными процессами: в корпоративной среде выполнение повторяющихся задач 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 более умными. Постоянное совершенствование через циклы обратной связи или "данные летающее колесо" позволяет возвращать данные, генерируемые в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Обучение без учителя: обнаружение потенциальных паттернов из немаркированных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели на основе данных в реальном времени, чтобы поддерживать производительность агента в динамической среде.
1.2.5 Оперативная обратная связь и корректировка
AI AGENT оптимизирует свою производительность через непрерывный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая рыночная ситуация
1.3.1 Состояние отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как интерфейса для потребителей и самостоятельного экономического агента, вносящего изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent, как ожидается, вырастет 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 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, компанией, показывает, что AI AGENT имеет больший рыночный потенциал за пределами крипто-области.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
9 Лайков
Награда
9
5
Поделиться
комментарий
0/400
FlashLoanPrince
· 07-01 08:38
Сравнивая с ICO и NFT, сможет ли Agent действительно взлететь?
Посмотреть ОригиналОтветить0
TokenVelocityTrauma
· 07-01 08:38
Снова пришла новая концепция, чтобы будут играть для лохов. Тс-тс.
Посмотреть ОригиналОтветить0
LidoStakeAddict
· 07-01 08:34
Эм-хм, AI - это следующая возможность для Кошелька добавить ноль.
ИИ-агент: умный движущий фактор следующего поколения шифрования экосистемы
Расшифровка AI Agent: Умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый цикл криптовалюты приносит новую инфраструктуру, способствующую развитию всей отрасли.
Необходимо подчеркнуть, что старт в этих вертикальных областях был вызван не только технологическими инновациями, но и совершенным сочетанием моделей финансирования и бычьего рынка. Когда возможности встречаются с подходящим временем, это может вызвать огромные изменения. Глядя на 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Следом за этим 16 октября один протокол запустил Luna, впервые появившись с образом IP соседской девушки в прямом эфире, что вызвало взрыв в всей отрасли.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Королева Красной Сердца. Королева Красной Сердца — это мощная AI-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent есть много схожих функций с Красной Королевой. AI Agent в реальной жизни в определенной степени выполняет похожую роль, они являются "умными защитниками" в сфере современных технологий, помогая предприятиям и индивидуумам справляться со сложными задачами через самостоятельное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных служб поддержки, AI Agent глубоко внедрился в различные отрасли, став 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, способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматической торговли, управляя инвестиционным портфелем и выполняя сделки в реальном времени на основе данных, собранных с определенной платформы данных или социальной платформы, постоянно оптимизируя свои результаты в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей криптоэкосистемы:
Исполнительный AI-агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный ИИ-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный AI-агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют ландшафт отрасли, и заглянем в их будущие тенденции 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 заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также стала свидетелем первого появления нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистичное отношение к исследованиям AI после первоначального энтузиазма, что привело к огромной утрате доверия к AI со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI резко сократилось, и область AI пережила первый "AI-зимний период", сопровождающийся растущими сомнениями в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что компании по всему миру 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 таких отраслях, как финансы и здравоохранение, также стало знаковым моментом в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, проблема масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается актуальной задачей. 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 положило начало развитию 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 обучением с подкреплением и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новые высоты. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно выпуск GPT-4, который был признан поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT от одной компании крупномасштабные предобученные модели, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности в генерации и понимании языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логически четкое и структурированное взаимодействие через генерацию языка. Это позволило ИИ-агентам применяться в таких сферах, как чат-помощники, виртуальные службы поддержки и постепенно расширять свои возможности на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности к обучению крупных языковых моделей обеспечивают AI-агентам более высокую степень автономии. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной платформе с AI-управлением AI-агенты могут корректировать свои стратегии поведения в зависимости от ввода игрока, что действительно позволяет реализовать динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до крупных языковых моделей, таких как GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, стало значительной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только наполнили AI-агентов "умом", но и предоставили им возможности для междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя реализации и развитию технологий AI-агентов, ведя к новой эпохе, управляемой AI.
Принцип работы 1.2
AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться с течением времени, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.
Ядро AI AGENT заключается в его "интеллекте" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других организмов 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. Функции этой части аналогичны человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает 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 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 расчет нескольких возможных вариантов действий на основе цели, и, наконец, выбор наилучшего 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 в себя физические операции (такие как действия робота) или цифровые операции (такие как 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 более умными. Постоянное совершенствование через циклы обратной связи или "данные летающее колесо" позволяет возвращать данные, генерируемые в ходе взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет предприятиям мощный инструмент для повышения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Оперативная обратная связь и корректировка
AI AGENT оптимизирует свою производительность через непрерывный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая рыночная ситуация
1.3.1 Состояние отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как интерфейса для потребителей и самостоятельного экономического агента, вносящего изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent, как ожидается, вырастет 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 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, компанией, показывает, что AI AGENT имеет больший рыночный потенциал за пределами крипто-области.