AI AGENT: Умная сила, формирующая экосистему новой экономики будущего
1. Общая информация
1.1 Введение: "Новые партнеры" умной эпохи
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 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.
Важно подчеркнуть, что начало этих вертикальных областей обусловлено не только техническими инновациями, но и идеальным сочетанием моделей финансирования и бычьего рынка. Когда возможности встречаются с подходящим временем, это может привести к огромным переменам. Смотрим на 2025 год, очевидно, что новым перспективным направлением в 2025 году станет AI-агент. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, и 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу же 16 октября один из протоколов выпустил Luna, впервые представив ее в образе IP-девушки-соседки, что вызвало фурор в целой отрасли.
Так что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», впечатляющая система ИИ Красная Королева оставляет сильное впечатление. Красная Королева — это мощная система ИИ, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы есть много сходств. AI Agent в реальной жизни в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в сфере современных технологий, помогая бизнесу и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, 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 окружения до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматической торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои результаты в процессе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от специфических потребностей в криптоэкосистеме:
Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление инвестиционным 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 лидер мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координирующий AI агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многоцепочечной интеграции.
В этом отчете мы глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируя, как они меняют ландшафт отрасли, и рассматриваем тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от основного исследования до широкого применения. В 1956 году на конференции в Дартмуте впервые было предложено слово "AI", что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых программ AI, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). На этом этапе также было впервые предложено понятие нейронных сетей и начаты исследования в области машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии AI-исследований в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полную пессимистичную точку зрения на AI после раннего периода энтузиазма, что привело к значительной утрате доверия к AI со стороны академических учреждений(, включая финансовые организации). После 1973 года финансирование AI-исследований значительно сократилось, и область AI пережила первый "AI-зимний период", когда увеличилось сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что мировые компании начали внедрять технологии ИИ. Этот период ознаменовался значительными достижениями в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств, а также развертывание ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым событием для расширения 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, вопрос масштабирования ИИ-систем и их успешной интеграции в реальные приложения остается постоянной проблемой. В то же время в 1997 году компьютер "Дип Блю" компании IBM одержал победу над мировым чемпионом по шахматам Гарри Каспаровым, что стало вехой 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 этого века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, и некоторые виртуальные помощники продемонстрировали практическое применение ИИ в области потребительских приложений. В 2010-х годах агенты с подкрепляющим обучением и некоторые генеративные модели 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 публикация одной модели, которая была воспринята как поворотный пункт в области ИИ-агентов. С момента выпуска серии GPT одной компанией большие предобученные модели, обладающие 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 продемонстрировать логически последовательное и четкое взаимодействие через генерацию языка. Это позволило ИИ-агентам использоваться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ, креативное письмо ).
Способность к обучению больших языковых моделей предоставляет AI-агентам большую автономию. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на некоторых платформах с поддержкой AI агенты могут настраивать стратегии поведения в зависимости от ввода игрока, действительно реализуя динамическое взаимодействие.
История развития AI-агентов — это история непрерывного преодоления технических границ, начиная с ранних систем правил и заканчивая большими языковыми моделями, представленными некоторыми моделями. Появление некоторых моделей, безусловно, стало важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "интеллект" в душу AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, и ведя к новой эпохе, управляемой AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать самостоятельно в цифровой экономике.
核心 AI AGENT заключается в его "умности" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других существ с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, вывод, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функций аналогична человеческим органам чувств, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, 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 видеоданных.
Обработка естественного языка ( NLP ): помогает AI AGENT понимать и генерировать человеческий язык.
Слияние датчиков: интеграция 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.
Эта модуль обычно использует следующие технологии:
Правила двигателя: Простое принятие решений на основе предустановленных правил.
Модели машинного обучения: включают деревья решений, нейронные сети и т.д., используются для сложного распознавания образов и прогнозирования.
Углубленное обучение: позволить AI AGENT оптимизировать стратегии принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление 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, воплощая решения, принятые модулем вывода, в действия. 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: используется для физических операций, таких как движение роботизированных рук.
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( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, позволяя агенту становиться более умным с течением времени. Постоянное совершенствование через обратную связь или "данные флайвера" включает данные, созданные в ходе взаимодействия, обратно в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной с течением времени предоставляет компаниям мощный инструмент для повышения качества принятия решений и эффективности операций.
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 скрытых паттернов из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
Постоянное обучение: поддерживать производительность агента в динамичной среде, обновляя модель с помощью данных в реальном времени.
1.2.5 Реальное время обратной связи и корректировка
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая рыночная ситуация
1.3.1 Текущая ситуация в отрасли
Искусственный интеллект AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, он приносит преобразования в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства было трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одного из исследовательских агентств, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, при этом среднегодовой темп роста (CAGR) составит 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Вложения крупных компаний в открытые фреймворки для агентов значительно возросли. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, а 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» .
8 Лайков
Награда
8
6
Репост
Поделиться
комментарий
0/400
MEVHunterZhang
· 10ч назад
ai понимает что рано или поздно будет санкционировано США
Посмотреть ОригиналОтветить0
ZKProofster
· 10ч назад
технически говоря... просто еще один цикл хайпа
Посмотреть ОригиналОтветить0
WhaleWatcher
· 10ч назад
Снова начинается спектакль по разыгрыванию людей как лохов.
Посмотреть ОригиналОтветить0
DegenWhisperer
· 11ч назад
В конце концов, это всё ещё живой ИИ.
Посмотреть ОригиналОтветить0
MissingSats
· 11ч назад
Смотри, снова начали говорить об ИИ.
Посмотреть ОригиналОтветить0
LiquidityWitch
· 11ч назад
Следование за трендом — суть каждого цикла. Заработал — и всё.
AI Agent: Умная сила, формирующая новую экономику шифрования
AI AGENT: Умная сила, формирующая экосистему новой экономики будущего
1. Общая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый криптовалютный цикл приносит новую инфраструктуру, способствующую развитию всей отрасли.
Важно подчеркнуть, что начало этих вертикальных областей обусловлено не только техническими инновациями, но и идеальным сочетанием моделей финансирования и бычьего рынка. Когда возможности встречаются с подходящим временем, это может привести к огромным переменам. Смотрим на 2025 год, очевидно, что новым перспективным направлением в 2025 году станет AI-агент. Эта тенденция достигла пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, и 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу же 16 октября один из протоколов выпустил Luna, впервые представив ее в образе IP-девушки-соседки, что вызвало фурор в целой отрасли.
Так что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», впечатляющая система ИИ Красная Королева оставляет сильное впечатление. Красная Королева — это мощная система ИИ, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружение, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы есть много сходств. AI Agent в реальной жизни в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в сфере современных технологий, помогая бизнесу и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального обслуживания клиентов, 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 окружения до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматической торговли, основываясь на данных, собранных с определенной платформы данных или социальной платформы, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свои результаты в процессе итераций. AI AGENT не имеет единой формы, а делится на разные категории в зависимости от специфических потребностей в криптоэкосистеме:
Исполнительный AI Агент: сосредоточен на выполнении конкретных задач, таких как торговля, управление инвестиционным 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 лидер мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координирующий AI агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многоцепочечной интеграции.
В этом отчете мы глубоко исследуем происхождение, текущее состояние и широкие перспективы применения AI Agent, анализируя, как они меняют ландшафт отрасли, и рассматриваем тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от основного исследования до широкого применения. В 1956 году на конференции в Дартмуте впервые было предложено слово "AI", что положило начало AI как независимой области. В этот период исследования AI в основном сосредоточились на символических методах, что привело к созданию первых программ AI, таких как ELIZA(, чат-бот), и Dendral(, экспертной системы в области органической химии). На этом этапе также было впервые предложено понятие нейронных сетей и начаты исследования в области машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии AI-исследований в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полную пессимистичную точку зрения на AI после раннего периода энтузиазма, что привело к значительной утрате доверия к AI со стороны академических учреждений(, включая финансовые организации). После 1973 года финансирование AI-исследований значительно сократилось, и область AI пережила первый "AI-зимний период", когда увеличилось сомнение в потенциале AI.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что мировые компании начали внедрять технологии ИИ. Этот период ознаменовался значительными достижениями в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств, а также развертывание ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым событием для расширения 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, вопрос масштабирования ИИ-систем и их успешной интеграции в реальные приложения остается постоянной проблемой. В то же время в 1997 году компьютер "Дип Блю" компании IBM одержал победу над мировым чемпионом по шахматам Гарри Каспаровым, что стало вехой 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 этого века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, и некоторые виртуальные помощники продемонстрировали практическое применение ИИ в области потребительских приложений. В 2010-х годах агенты с подкрепляющим обучением и некоторые генеративные модели 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 публикация одной модели, которая была воспринята как поворотный пункт в области ИИ-агентов. С момента выпуска серии GPT одной компанией большие предобученные модели, обладающие 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 продемонстрировать логически последовательное и четкое взаимодействие через генерацию языка. Это позволило ИИ-агентам использоваться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться к более сложным задачам (, таким как бизнес-анализ, креативное письмо ).
Способность к обучению больших языковых моделей предоставляет AI-агентам большую автономию. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на некоторых платформах с поддержкой AI агенты могут настраивать стратегии поведения в зависимости от ввода игрока, действительно реализуя динамическое взаимодействие.
История развития AI-агентов — это история непрерывного преодоления технических границ, начиная с ранних систем правил и заканчивая большими языковыми моделями, представленными некоторыми моделями. Появление некоторых моделей, безусловно, стало важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "интеллект" в душу AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, и ведя к новой эпохе, управляемой AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться с течением времени, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать самостоятельно в цифровой экономике.
核心 AI AGENT заключается в его "умности" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других существ с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, вывод, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функций аналогична человеческим органам чувств, использующим датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, 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.
Эта модуль обычно использует следующие технологии:
Процесс вывода обычно включает несколько шагов: сначала оценка окружающей среды, затем вычисление 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, воплощая решения, принятые модулем вывода, в действия. 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, позволяя агенту становиться более умным с течением времени. Постоянное совершенствование через обратную связь или "данные флайвера" включает данные, созданные в ходе взаимодействия, обратно в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной с течением времени предоставляет компаниям мощный инструмент для повышения качества принятия решений и эффективности операций.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Реальное время обратной связи и корректировка
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая рыночная ситуация
1.3.1 Текущая ситуация в отрасли
Искусственный интеллект AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, он приносит преобразования в несколько отраслей. Как и в предыдущем цикле, когда потенциал L1 блок-пространства было трудно оценить, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одного из исследовательских агентств, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, при этом среднегодовой темп роста (CAGR) составит 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Вложения крупных компаний в открытые фреймворки для агентов значительно возросли. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной сферы, а TAM также расширяется.