AI Agent: Умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый цикл криптовалюты приносит новые инфраструктуры, которые движут развитие 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 для запуска стали причиной волнения вокруг мемкоинов и платформ для запуска.
Важно подчеркнуть, что запуск этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих рыночных циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным преобразованиям. Смотрим в 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 токен, и 15 октября его рыночная капитализация составила 150 миллионов долларов. Затем, 16 октября, был запущен протокол Luna, который впервые появился с образом IP соседской девушки в прямом эфире, вызвавший бурю в всей отрасли.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом "Обитель зла", впечатляющей является ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и коренных функций Красной Королевы много общего. В реальном мире AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в сфере современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных клиентов, AI Agent глубоко проникли в различные отрасли и стали ключевой силой в повышении эффективности и инноваций. Эти автономные интеллектуальные агенты, как незримые члены команды, обладают всесторонними способностями - от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двукратному повышению эффективности и инновациям.
Например, AI AGENT может быть использован для автоматизированной торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный AI агент: сосредотачивается 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: как влиятельное лицо 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 ИИ-агентов, проанализируем, как они меняют ландшафт отрасли, и предскажем тенденции их будущего развития.
1.1.1 История развития
История развития ИИ-агентов демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции Дартмут в 1956 году термин "ИИ" был впервые предложен, что заложило основу для ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к созданию первых программ ИИ, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). Эта стадия также стала свидетелем первого появления нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования ИИ в этот период серьезно ограничивались 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, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полную пессимистичную позицию по отношению к исследованиям ИИ после первоначального энтузиазма, что привело к огромной утрате доверия к ИИ со стороны британских академических учреждений(, включая учреждения, финансирующие исследования). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "зимний период ИИ", когда возросли сомнения в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали использовать технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Внедрение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым событием для расширения технологий ИИ. Однако в конце 1980-х - начале 1990-х годов, с обрушением спроса на специализированное аппаратное обеспечение 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 задачей. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения положило начало развитию ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс в вычислительной мощности способствовал возникновению глубокого обучения, а такие виртуальные помощники, 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 выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выхода серии GPT от одной компании модели большого масштабного предварительного обучения с сотнями миллиардов и даже триллионами параметров продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающаяся производительность в обработке естественного языка позволила ИИ-агентам демонстрировать логически последовательные и четкие взаимодействия через генерацию языка. Это позволило ИИ-агентам использоваться в таких сценариях, как чат-помощники и виртуальные службы поддержки, и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ, креативное письмо ).
Способности обучения больших языковых моделей предоставляют ИИ-агентам большую автономию. С помощью техники усиленного обучения (Reinforcement Learning) ИИ-агенты могут постоянно оптимизировать свое поведение, адаптироваться к динамической среде. Например, на одной из платформ с ИИ, ИИ-агенты могут корректировать стратегии поведения в зависимости от ввода игроков, что действительно реализует динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей постоянного преодоления технологических границ. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более умными, адаптированными к сценарию и разнообразными. Большие языковые модели не только внедрили "мудрость" в душу AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы продолжат появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эре опыта, управляемого AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что он может 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 независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в автоматизации решения сложных задач с помощью алгоритмов, которые моделируют умственное поведение человека или других существ. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, умозаключение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешней средой через модуль восприятия, собирая информацию об окружающей среде. Эта часть функционала подобна человеческим органам чувств и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружении. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видео данных.
Обработка естественного языка ( NLP ): помогает AI AGENT понимать и генерировать человеческий язык.
Слияние датчиков: объединение данных от 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 основан 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 заранее установленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используются для сложного распознавания шаблонов и прогнозирования.
Обучение с подкреплением: позволяет ИИ-АГЕНТУ постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает в себя несколько шагов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который реализует решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
Система управления роботами: для физических операций, таких как движение роботизированной руки.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым услугам.
Автоматизация управления процессами: в корпоративной среде повторяющиеся задачи выполняются с помощью RPA( роботов автоматизации процессов).
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через циклы обратной связи или "данные маховик" возвращает данные, генерируемые в ходе взаимодействия, 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 AI AGENT мог более точно выполнять задачи.
Ненадзорное обучение: обнаружение潜在ных模式 из немаркированных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели с помощью данных в реальном времени для поддержания производительности 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 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету 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 совокупным годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Вложения 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 указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами крипто-сферы, TAM также увеличивается.
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.
10 Лайков
Награда
10
4
Поделиться
комментарий
0/400
GmGmNoGn
· 5ч назад
AI - это финансовая пирамида.
Посмотреть ОригиналОтветить0
FloorSweeper
· 23ч назад
Ну и дела, Боты по搬砖 тоже вышли на борьбу?
Посмотреть ОригиналОтветить0
GhostAddressHunter
· 23ч назад
又一波разыгрывайте людей как лохов收割机来了
Посмотреть ОригиналОтветить0
TokenomicsTrapper
· 23ч назад
видел этот цикл раньше... просто еще одна игра на выход ликвидности для венчурного капитала, честно говоря
Восход AI-агента: умная сила, формирующая новую экономику шифрования
AI Agent: Умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый цикл криптовалюты приносит новые инфраструктуры, которые движут развитие всей отрасли.
Важно подчеркнуть, что запуск этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих рыночных циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным преобразованиям. Смотрим в 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 токен, и 15 октября его рыночная капитализация составила 150 миллионов долларов. Затем, 16 октября, был запущен протокол Luna, который впервые появился с образом IP соседской девушки в прямом эфире, вызвавший бурю в всей отрасли.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом "Обитель зла", впечатляющей является ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и коренных функций Красной Королевы много общего. В реальном мире AI Agent в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в сфере современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных клиентов, AI Agent глубоко проникли в различные отрасли и стали ключевой силой в повышении эффективности и инноваций. Эти автономные интеллектуальные агенты, как незримые члены команды, обладают всесторонними способностями - от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двукратному повышению эффективности и инновациям.
Например, AI AGENT может быть использован для автоматизированной торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои показатели в процессе итерации. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный AI агент: сосредотачивается 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: как влиятельное лицо 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 ИИ-агентов, проанализируем, как они меняют ландшафт отрасли, и предскажем тенденции их будущего развития.
1.1.1 История развития
История развития ИИ-агентов демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции Дартмут в 1956 году термин "ИИ" был впервые предложен, что заложило основу для ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к созданию первых программ ИИ, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). Эта стадия также стала свидетелем первого появления нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования ИИ в этот период серьезно ограничивались 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, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полную пессимистичную позицию по отношению к исследованиям ИИ после первоначального энтузиазма, что привело к огромной утрате доверия к ИИ со стороны британских академических учреждений(, включая учреждения, финансирующие исследования). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "зимний период ИИ", когда возросли сомнения в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали использовать технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Внедрение первых автономных транспортных средств и развертывание ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым событием для расширения технологий ИИ. Однако в конце 1980-х - начале 1990-х годов, с обрушением спроса на специализированное аппаратное обеспечение 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 задачей. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения положило начало развитию ИИ в конце 1990-х годов, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу этого века прогресс в вычислительной мощности способствовал возникновению глубокого обучения, а такие виртуальные помощники, 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 выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выхода серии GPT от одной компании модели большого масштабного предварительного обучения с сотнями миллиардов и даже триллионами параметров продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающаяся производительность в обработке естественного языка позволила ИИ-агентам демонстрировать логически последовательные и четкие взаимодействия через генерацию языка. Это позволило ИИ-агентам использоваться в таких сценариях, как чат-помощники и виртуальные службы поддержки, и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ, креативное письмо ).
Способности обучения больших языковых моделей предоставляют ИИ-агентам большую автономию. С помощью техники усиленного обучения (Reinforcement Learning) ИИ-агенты могут постоянно оптимизировать свое поведение, адаптироваться к динамической среде. Например, на одной из платформ с ИИ, ИИ-агенты могут корректировать стратегии поведения в зависимости от ввода игроков, что действительно реализует динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является историей постоянного преодоления технологических границ. Появление GPT-4, безусловно, является важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более умными, адаптированными к сценарию и разнообразными. Большие языковые модели не только внедрили "мудрость" в душу AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы продолжат появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эре опыта, управляемого AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что он может 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 независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в автоматизации решения сложных задач с помощью алгоритмов, которые моделируют умственное поведение человека или других существ. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, умозаключение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешней средой через модуль восприятия, собирая информацию об окружающей среде. Эта часть функционала подобна человеческим органам чувств и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в окружении. 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 основан 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 в себя несколько шагов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "руками и ногами" AI AGENT, который реализует решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через циклы обратной связи или "данные маховик" возвращает данные, генерируемые в ходе взаимодействия, 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 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 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу как потребительского интерфейса и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету 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 совокупным годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Вложения 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 указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами крипто-сферы, TAM также увеличивается.