Декодирование AI Agent: интеллектуальная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "новые партнеры" в умную эпоху
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 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 для запуска стали причиной всплеска интереса к мемкоинам и платформам для запуска.
Важно подчеркнуть, что старт этих вертикальных областей вызван 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. Смотрим 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 запустил Luna, впервые появившись в образе IP стрима соседской девушки, что взорвало всю отрасль.
Итак, что же такое AI Agent?
Все, вероятно, знакомы с классическим фильмом «Resident Evil», в котором впечатляет ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и Королевы Червей много схожих основных функций. В реальной жизни AI Agent в какой-то степени выполняют аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами благодаря автономному восприятию, анализу и выполнению. От автомобилей с автопилотом до умных клиентов, AI Agent проникли 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 и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свое представление в процессе итерации. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от специфических 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: в качестве 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 глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируя, как они изменяют отраслевой ландшафт, и прогнозируем тенденции их будущего развития.
1.1.1 История развития
История развития ИИ-агентов демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что заложило основы ИИ как независимой области. В этот период исследования в области ИИ в основном сосредоточились на символических методах, что привело к созданию первых ИИ-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Эта стадия также стала свидетельством первого упоминания нейронных сетей и первичных исследований концепции машинного обучения. Однако исследования ИИ 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 ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в целом выразил полную пессимистическую оценку исследований ИИ после первоначального периода восторга, что привело к огромной утрате доверия со стороны британских академических учреждений(, включая финансовые организации), к ИИ. После 1973 года финансирование исследований ИИ резко сократилось, и область ИИ пережила первую "зиму ИИ", когда возросли сомнения в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять 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 развертывание ИИ в таких отраслях, как финансовый сектор и здравоохранение, также стали знаковыми моментами расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение для ИИ, эта область пережила вторую "зиму ИИ". Более того, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается постоянным вызовом. 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 проблемы. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс вычислительных возможностей способствовал возникновению глубокого обучения, и 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 новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно релиз GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT от OpenAI крупномасштабные предобученные модели, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволяют ИИ-агентам демонстрировать четкую и логичную интерактивную способность через генерацию языка. Это позволяет ИИ-агентам использоваться в таких сценариях, как чат-помощники, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное написание ).
Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологий усиленного обучения (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамическим условиям. Например, на некоторых платформах с AI-управлением AI-агенты могут корректировать свои стратегические действия в зависимости от вводимых игроком данных, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, таких как GPT-4, является историей непрерывного преодоления технологических границ. Появление GPT-4, безусловно, стало важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только придают AI-агентам "разум" души, но и обеспечивают их способностью к междисциплинарному сотрудничеству. В будущем будут постоянно появляться инновационные проектные платформы, которые продолжат продвигать технологии AI-агентов и развитие, открывая новую эпоху, управляемую AI.
Принцип работы 1.2
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных действовать самостоятельно в цифровой экономике.
核心 AI AGENT состоит в своей "умности" ------ то есть с помощью алгоритмов имитировать умственное поведение человека или других живых существ для автоматического 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 сенсорным системам, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение релевантных 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 видеоданных.
Обработка естественного языка ( NLP ): помогает ИИ АГЕНТУ понимать и генерировать человеческий язык.
Слияние датчиков: интеграция данных от нескольких датчиков в единую картину.
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 осуществляет логическое вывод и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели для конкретных функций, таких 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., используемые для сложного распознавания образов и прогнозирования.
Углубленное обучение: позволить AI AGENT постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.
Процесс рассуждений обычно включает несколько этапов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от целей, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который приводит в действие решения, принятые модулем 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: для физических операций, таких как движение robotic arms.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым службам.
Автоматизированное управление процессами: в корпоративной среде с помощью RPA( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.
1.2.4 Учебный модуль
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, который позволяет агенту со временем становиться умнее. Непрерывное улучшение через обратную связь или "данные маховика" возвращает данные, сгенерированные в ходе взаимодействия, в систему для усиления модели. Эта способность 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 AI AGENT мог более точно выполнять задачи.
Обучение без учителя: обнаружение潜在ных模式 из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели через данные в реальном времени, поддержание производительности агента в динамической среде.
1.2.5 Оперативная обратная связь и корректировка
AI AGENT оптимизирует свои показатели 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 ситуация на рынке
1.3.1 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как потребительского интерфейса и автономного экономического агента, который приносит изменения в различные отрасли. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также 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 проникающую силу AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Инвестиции крупных компаний в открытые прокси-рамки также значительно возросли. Разработка таких рамок, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о большом рыночном потенциале AI AGENT за пределами крипто-сферы, TAM также растет.
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.
11 Лайков
Награда
11
3
Поделиться
комментарий
0/400
MemeCurator
· 07-05 01:53
2025 год - очередь AI. Следующий AIT
Посмотреть ОригиналОтветить0
DeFiGrayling
· 07-05 01:45
Это снова статья о предсказании будущего, которая мне надоела.
AI Agent: Умная сила, формирующая новую экосистему шифрования экономики
Декодирование AI Agent: интеллектуальная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "новые партнеры" в умную эпоху
Каждый цикл криптовалюты приносит новую инфраструктуру, способствующую развитию всей отрасли.
Важно подчеркнуть, что старт этих вертикальных областей вызван 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. Смотрим 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 запустил Luna, впервые появившись в образе IP стрима соседской девушки, что взорвало всю отрасль.
Итак, что же такое AI Agent?
Все, вероятно, знакомы с классическим фильмом «Resident Evil», в котором впечатляет ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и Королевы Червей много схожих основных функций. В реальной жизни AI Agent в какой-то степени выполняют аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами благодаря автономному восприятию, анализу и выполнению. От автомобилей с автопилотом до умных клиентов, AI Agent проникли 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 и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свое представление в процессе итерации. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от специфических 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: в качестве 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 глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируя, как они изменяют отраслевой ландшафт, и прогнозируем тенденции их будущего развития.
1.1.1 История развития
История развития ИИ-агентов демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что заложило основы ИИ как независимой области. В этот период исследования в области ИИ в основном сосредоточились на символических методах, что привело к созданию первых ИИ-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Эта стадия также стала свидетельством первого упоминания нейронных сетей и первичных исследований концепции машинного обучения. Однако исследования ИИ 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 ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в целом выразил полную пессимистическую оценку исследований ИИ после первоначального периода восторга, что привело к огромной утрате доверия со стороны британских академических учреждений(, включая финансовые организации), к ИИ. После 1973 года финансирование исследований ИИ резко сократилось, и область ИИ пережила первую "зиму ИИ", когда возросли сомнения в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали внедрять 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 развертывание ИИ в таких отраслях, как финансовый сектор и здравоохранение, также стали знаковыми моментами расширения технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение для ИИ, эта область пережила вторую "зиму ИИ". Более того, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается постоянным вызовом. 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 проблемы. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс вычислительных возможностей способствовал возникновению глубокого обучения, и 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 новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно релиз GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT от OpenAI крупномасштабные предобученные модели, обладающие сотнями миллиардов и даже триллионами параметров, продемонстрировали способности к генерации и пониманию языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволяют ИИ-агентам демонстрировать четкую и логичную интерактивную способность через генерацию языка. Это позволяет ИИ-агентам использоваться в таких сценариях, как чат-помощники, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное написание ).
Способности к обучению больших языковых моделей предоставляют AI-агентам большую автономию. С помощью технологий усиленного обучения (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамическим условиям. Например, на некоторых платформах с AI-управлением AI-агенты могут корректировать свои стратегические действия в зависимости от вводимых игроком данных, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, таких как GPT-4, является историей непрерывного преодоления технологических границ. Появление GPT-4, безусловно, стало важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только придают AI-агентам "разум" души, но и обеспечивают их способностью к междисциплинарному сотрудничеству. В будущем будут постоянно появляться инновационные проектные платформы, которые продолжат продвигать технологии AI-агентов и развитие, открывая новую эпоху, управляемую AI.
Принцип работы 1.2
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, способных действовать самостоятельно в цифровой экономике.
核心 AI AGENT состоит в своей "умности" ------ то есть с помощью алгоритмов имитировать умственное поведение человека или других живых существ для автоматического 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 сенсорным системам, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение релевантных 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 осуществляет логическое вывод и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели для конкретных функций, таких как создание контента, визуальная обработка или рекомендательные системы.
Этот модуль обычно использует следующие технологии:
Процесс рассуждений обычно включает несколько этапов: сначала оценка окружающей среды, затем вычисление нескольких возможных вариантов действий в зависимости от целей, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который приводит в действие решения, принятые модулем 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 Учебный модуль
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, который позволяет агенту со временем становиться умнее. Непрерывное улучшение через обратную связь или "данные маховика" возвращает данные, сгенерированные в ходе взаимодействия, в систему для усиления модели. Эта способность 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 Оперативная обратная связь и корректировка
AI AGENT оптимизирует свои показатели 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 ситуация на рынке
1.3.1 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как потребительского интерфейса и автономного экономического агента, который приносит изменения в различные отрасли. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также 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 проникающую силу AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Инвестиции крупных компаний в открытые прокси-рамки также значительно возросли. Разработка таких рамок, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о большом рыночном потенциале AI AGENT за пределами крипто-сферы, TAM также растет.