Анализ AI-агента: 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 приход эпохи цифровых коллекционных предметов.
В 2024 году выдающаяся работа одной из платформ для запусков стала ведущей в волне мемкойнов и платформ для запусков.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бумов на рынке. Когда возможность встречается с подходящим моментом, это может вызвать огромные изменения. Смотрим в 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, один протокол запустил Luna, впервые появившись в образе IP стриминга соседской девочки, что вызвало фурор во всей отрасли.
Итак, что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI-агента и основных функций Красной Королевы есть много общего. AI-агенты в реальной жизни в определенной степени выполняют аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автономных автомобилей до интеллектуальных客服, AI-агенты проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам 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, управляя портфелем в реальном времени и выполняя сделки на основе данных, собранных с определенной платформы данных или социальной платформы, постоянно оптимизируя свои показатели 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 AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: взаимодействует с пользователями в качестве лидера мнений в социальных сетях, создает сообщества и участвует в маркетинговых мероприятиях.
Координирующий AI агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и прогнозируем их будущие тенденции развития.
1.1.1 История развития
Этапы развития AI AGENT демонстрируют эволюцию AI от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, заложив основу для AI как независимой области. В этот период исследования в области AI в основном сосредоточивались 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 предложения нейронных сетей и первоначального исследования концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными 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 AI-исследований в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к AI-исследованиям после раннего этапа возбуждения, что вызвало огромную потерю уверенности в AI со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование AI-исследований значительно сократилось, и область AI столкнулась с первым "AI-ледниковым периодом", увеличившим сомнения в потенциале AI.
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 финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, эта область пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается постоянным вызовом. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительной способности способствовал возникновению глубокого обучения, а 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, поднимая 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 рассматривается как поворотный момент в области ИИ-агентов. С тех пор как одна компания выпустила серию GPT, модели с массовым предварительным обучением, обладающие сотнями миллиардов или даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логично структурированную и четкую интерктивную способность через генерацию языка. Это сделало ИИ-агентов применимыми в таких сценариях, как чат-ассистенты, виртуальный клиентский сервис, и постепенно расширяет их возможности на более сложные задачи (такие как бизнес-анализ, креативное написание).
Способность обучения больших языковых моделей обеспечивает AI-агентам большую автономию. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной из платформ, управляемых AI, AI-агент может настраивать свою стратегию поведения в зависимости от ввода игрока, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних правил до крупных языковых моделей, представленных GPT-4, является историей эволюции, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, стало значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "ум" в AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно появляться, продолжая способствовать внедрению и развитию технологий AI-агентов, ведя к новой эпохе, управляемой AI.
Принцип работы 1.2
AIAGENT отличается от традиционных роботов тем, что они способны с течением времени обучаться и адаптироваться, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптографии, способных действовать независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в способности алгоритмов имитировать интеллектуальное поведение человека или других организмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим этапам: 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 функциональности аналогична человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение релевантных 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 сенсоров: интеграция данных от нескольких сенсоров 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 двигателей вывода, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Правила движка: простое принятие решений на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания образов и прогнозирования.
Укрепляющее обучение: позволяет ИИ-АГЕНТУ постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько шагов: сначала оценка окружения, 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, 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 (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение роботизированной руки.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к веб-сервисам.
Автоматизированное управление процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (автоматизация роботизированных процессов).
1.2.4 Учебный модуль
Учебный модуль является основным конкурентным преимуществом AI AGENT, позволяя агентам со временем становиться более умными. Постоянное улучшение через циклы обратной связи или "данные маховика" включает обратную связь с данными, созданными 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.
Безучебное обучение: выявление потенциальных паттернов из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели через данные в реальном времени для поддержания производительности агента в динамической среде.
1.2.5 Реальный обратная связь 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 Состояние рынка
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, который вносит изменения в несколько отраслей. Как и потенциальные возможности L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одной исследовательской компании, 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 степень проникновения AI Agent в различных отраслях и рыночный спрос, обусловленный технологическими инновациями.
Вложения крупных компаний в открытые代理框ейки также значительно увеличились. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рынок за пределами криптоиндустрии.
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» .
12 Лайков
Награда
12
7
Поделиться
комментарий
0/400
fren.eth
· 11ч назад
Ах, снова рисуют пироги...
Посмотреть ОригиналОтветить0
SerLiquidated
· 14ч назад
Медвежий рынок被吃干抹净的неудачники
Посмотреть ОригиналОтветить0
DefiEngineerJack
· 07-25 09:14
*вздыхает* еще один предсказуемый циклический паттерн. показать мне формальную верификацию сначала, сер
Восход AI-агентов: формирование нового цикла шифрования с помощью интеллектуальной силы
Анализ AI-агента: 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 старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бумов на рынке. Когда возможность встречается с подходящим моментом, это может вызвать огромные изменения. Смотрим в 2025 год, очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, 11 октября 2024 года был запущен один токен, который 15 октября достиг капитализации в 150 миллионов долларов. Сразу после этого, 16 октября, один протокол запустил Luna, впервые появившись в образе IP стриминга соседской девочки, что вызвало фурор во всей отрасли.
Итак, что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Красная Королева. Красная Королева — это мощная AI-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI-агента и основных функций Красной Королевы есть много общего. AI-агенты в реальной жизни в определенной степени выполняют аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и отдельным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автономных автомобилей до интеллектуальных客服, AI-агенты проникли в различные отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, подобно невидимым членам 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, управляя портфелем в реальном времени и выполняя сделки на основе данных, собранных с определенной платформы данных или социальной платформы, постоянно оптимизируя свои показатели 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 AI-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: взаимодействует с пользователями в качестве лидера мнений в социальных сетях, создает сообщества и участвует в маркетинговых мероприятиях.
Координирующий AI агент: координирует сложные взаимодействия между системами или участниками, особенно подходит для многосетевой интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они меняют ландшафт отрасли, и прогнозируем их будущие тенденции развития.
1.1.1 История развития
Этапы развития AI AGENT демонстрируют эволюцию AI от фундаментальных исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, заложив основу для AI как независимой области. В этот период исследования в области AI в основном сосредоточивались 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 предложения нейронных сетей и первоначального исследования концепции машинного обучения. Однако исследования AI в этот период были серьезно ограничены вычислительными возможностями того времени. Исследователи столкнулись с огромными 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 AI-исследований в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к AI-исследованиям после раннего этапа возбуждения, что вызвало огромную потерю уверенности в AI со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование AI-исследований значительно сократилось, и область AI столкнулась с первым "AI-ледниковым периодом", увеличившим сомнения в потенциале AI.
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 финансы и здравоохранение, также ознаменовало расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, эта область пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается постоянным вызовом. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав оказывать влияние на повседневную жизнь.
К началу XXI века прогресс в вычислительной способности способствовал возникновению глубокого обучения, а 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, поднимая 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 рассматривается как поворотный момент в области ИИ-агентов. С тех пор как одна компания выпустила серию GPT, модели с массовым предварительным обучением, обладающие сотнями миллиардов или даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам демонстрировать логично структурированную и четкую интерктивную способность через генерацию языка. Это сделало ИИ-агентов применимыми в таких сценариях, как чат-ассистенты, виртуальный клиентский сервис, и постепенно расширяет их возможности на более сложные задачи (такие как бизнес-анализ, креативное написание).
Способность обучения больших языковых моделей обеспечивает AI-агентам большую автономию. Благодаря технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной из платформ, управляемых AI, AI-агент может настраивать свою стратегию поведения в зависимости от ввода игрока, что действительно позволяет осуществлять динамическое взаимодействие.
История развития AI-агентов от ранних правил до крупных языковых моделей, представленных GPT-4, является историей эволюции, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, стало значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только внедрили "ум" в AI-агентов, но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут постоянно появляться, продолжая способствовать внедрению и развитию технологий AI-агентов, ведя к новой эпохе, управляемой AI.
Принцип работы 1.2
AIAGENT отличается от традиционных роботов тем, что они способны с течением времени обучаться и адаптироваться, принимая детализированные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптографии, способных действовать независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в способности алгоритмов имитировать интеллектуальное поведение человека или других организмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим этапам: 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 функциональности аналогична человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых характеристик, распознавание объектов или определение релевантных 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 основывается на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или двигателей вывода, он понимает задачи, генерирует решения и координирует специализированные модели, используемые для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Процесс вывода обычно включает несколько шагов: сначала оценка окружения, 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, 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 (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Учебный модуль
Учебный модуль является основным конкурентным преимуществом AI AGENT, позволяя агентам со временем становиться более умными. Постоянное улучшение через циклы обратной связи или "данные маховика" включает обратную связь с данными, созданными 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 Реальный обратная связь 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 Состояние рынка
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу в качестве потребительского интерфейса и автономного экономического агента, который вносит изменения в несколько отраслей. Как и потенциальные возможности L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету одной исследовательской компании, 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 степень проникновения AI Agent в различных отраслях и рыночный спрос, обусловленный технологическими инновациями.
Вложения крупных компаний в открытые代理框ейки также значительно увеличились. Разработка таких фреймворков, как AutoGen, Phidata и LangGraph от одной компании, становится все более активной, что указывает на то, что AI AGENT имеет больший рынок за пределами криптоиндустрии.