Декодирование AI Agent: умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новые партнёры" в эпоху умных технологий
Каждый криптовалютный цикл приносит новые инфраструктуры, которые способствуют развитию всей отрасли.
В 2017 году рост смарт-контрактов способствовал бурному развитию ICO.
В 2020 году ликвидные пулы DEX принесли летнюю волну DeFi.
В 2021 году появление множества NFT-серийных произведений ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся достижения одной из платформ для запуска стали причиной всплеска интереса к мемной монете и платформам для запуска.
Старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным изменениям. Глядя 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 выпущен определенный токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу же 16 октября определенный протокол выпустил Luna, впервые представив образ соседской девушки в формате живой трансляции, что вызвало бурю в всей отрасли.
Итак, что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляющей является 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 Agent и основных функций Красной Королевы много схожего. AI Agent в реальной жизни в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в сфере современных технологий, помогая предприятиям и отдельным людям справляться со сложными задачами благодаря автономному восприятию, анализу и исполнению. От автомобилей с автопилотом до умных систем обслуживания клиентов, AI Agent проникли во все отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями, начиная от восприятия окружающей среды и заканчивая принятием решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизации торговли, управляя инвестиционным портфелем и выполняя сделки в реальном времени на основе данных, собранных с платформы данных или социальной платформы, постоянно оптимизируя свои результаты в процессе итерации. AI AGENT не является единой формой, а разделяется на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный ИИ-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 как лидер мнений в социальных сетях, создает сообщество и участвует в маркетинговых мероприятиях.
Координирующий 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, анализируем, как они изменяют ландшафт отрасли, и рассматриваем тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, положив начало ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к появлению первых программ ИИ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования ИИ 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 исследований ИИ в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям ИИ после первоначального периода увлечения, что привело к огромной утрате доверия со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "холод" ИИ, с увеличением сомнений в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали применять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым моментом в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом рынка на специализированное оборудование ИИ, эта область пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в практическое применение, по-прежнему остается постоянной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в области способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, что сделало ИИ неотъемлемой частью технологического ландшафта и начало оказывать влияние на повседневную жизнь.
К началу XXI века прогресс вычислительной мощности способствовал возникновению глубокого обучения, и такие виртуальные помощники, как Siri, продемонстрировали практическую полезность ИИ в области потребительских приложений. В 2010-х годах агенты с обучением с подкреплением и генеративные модели, такие как GPT-2, сделали дальнейшие прорывы, выводя диалоговый ИИ на новый уровень. 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 момента выпуска серии GPT компанией, модели с масштабным предварительным обучением, имеющие сотни миллиардов и даже триллионы параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся достижения в области обработки естественного языка позволили ИИ-агентам демонстрировать логически четкое и структурированное взаимодействие через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей предоставляют ИИ-агентам более высокую степень автономности. С помощью технологии обучения с подкреплением (Reinforcement Learning) ИИ-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на некоторых платформах, управляемых ИИ, ИИ-агенты могут изменять стратегию поведения в зависимости от ввода игрока, что действительно реализует динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до крупных языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно раздвигает технологические границы. Появление GPT-4, безусловно, является значительной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценарными и разнообразными. Крупные языковые модели не только придают AI-агентам "ум" как душу, но и обеспечивают их способностью к междисциплинарному сотрудничеству. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать внедрение и развитие технологий AI-агентов и возглавляя новую эпоху, управляемую AI-опытом.
Принцип работы 1.2
Отличие AIAGENT от традиционных роботов заключается в том, что они способны учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как высокотехнологичных и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других организмов с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функций аналогична человеческим чувствам и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в среде. 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 из 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 выполняет логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели, предназначенные для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Правила движка: Принятие простых решений на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и др., используемые для сложного распознавания шаблонов и прогнозирования.
Укрепляющее обучение: позволяет AI AGENT постоянно оптимизировать стратегию принятия решений через проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько этапов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего 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 роботов) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение robotic arm.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базам данных или доступ к сетевым службам.
Автоматизация управления процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированная автоматизация процессов).
1.2.4 Учебный модуль
Модуль обучения является ключевым конкурентным преимуществом ИИ-АГЕНТА, позволяя агенту становиться более умным со временем. Постоянное совершенствование через циклы обратной связи или "данные маховика" позволяет интегрировать данные, генерируемые во время взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной с течением времени предоставляет компаниям мощный инструмент, который может повысить качество принятия решений и операционную эффективность.
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 скрытых закономерностей из неразмеченных данных, что помогает агенту адаптироваться к новой среде.
Постоянное обучение: поддержание производительности агента в динамической среде за счет обновления модели в реальном времени.
1.2.5 Реальная обратная связь и корректировка
AI AGENT оптимизирует свою производительность через постоянный 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 Состояние отрасли
ИИ-АГЕНТ становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, внося изменения в различные отрасли. Так же, как потенциал L1 блок-пространства в предыдущем цикле был трудно оценим, ИИ-АГЕНТ демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, ожидается, что рынок ИИ-агентов вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения ИИ-агентов в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые代理ные фреймворки. Разработка фреймворков, таких 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 криптоиндустрии, TAM также расширяется, а интерес инвесторов к нему продолжает расти, и они более склонны присваивать ему премиальные множители.
С точки зрения развертывания публичной цепочки, определенная публичная цепочка является основным полем битвы, также есть такие, как некоторая
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
3
Репост
Поделиться
комментарий
0/400
DefiSecurityGuard
· 20ч назад
*нервно проверяет код* ммм, еще один цикл, еще одна вектор атаки, ожидающий своего часа... кто-нибудь проверял этих AI-агентов на наличие уязвимостей MEV? если честно, довольно подозрительно
Восход AI-агента: переосмысление новой экономической экосистемы Web3
Декодирование AI Agent: умная сила, формирующая новую экономическую экосистему будущего
1. Общая информация
1.1 Введение: "Новые партнёры" в эпоху умных технологий
Каждый криптовалютный цикл приносит новые инфраструктуры, которые способствуют развитию всей отрасли.
Старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным изменениям. Глядя 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 выпущен определенный токен, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Сразу же 16 октября определенный протокол выпустил Luna, впервые представив образ соседской девушки в формате живой трансляции, что вызвало бурю в всей отрасли.
Итак, что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляющей является 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 Agent и основных функций Красной Королевы много схожего. AI Agent в реальной жизни в определенной степени выполняет аналогичную роль, они являются "умными хранителями" в сфере современных технологий, помогая предприятиям и отдельным людям справляться со сложными задачами благодаря автономному восприятию, анализу и исполнению. От автомобилей с автопилотом до умных систем обслуживания клиентов, AI Agent проникли во все отрасли, став ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними способностями, начиная от восприятия окружающей среды и заканчивая принятием решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизации торговли, управляя инвестиционным портфелем и выполняя сделки в реальном времени на основе данных, собранных с платформы данных или социальной платформы, постоянно оптимизируя свои результаты в процессе итерации. AI AGENT не является единой формой, а разделяется на разные категории в зависимости от конкретных потребностей в криптоэкосистеме:
Исполнительный ИИ-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 как лидер мнений в социальных сетях, создает сообщество и участвует в маркетинговых мероприятиях.
Координирующий 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, анализируем, как они изменяют ландшафт отрасли, и рассматриваем тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, положив начало ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к появлению первых программ ИИ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Этот этап также стал свидетелем первого предложения нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования ИИ 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 исследований ИИ в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям ИИ после первоначального периода увлечения, что привело к огромной утрате доверия со стороны академических учреждений Великобритании (, включая финансирующие организации ). После 1973 года финансирование исследований ИИ значительно сократилось, и область ИИ пережила первый "холод" ИИ, с увеличением сомнений в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что глобальные компании начали применять технологии ИИ. В этот период были достигнуты значительные успехи в области машинного обучения, нейронных сетей и обработки естественного языка, что способствовало появлению более сложных приложений ИИ. Введение первых автономных транспортных средств и внедрение ИИ в таких отраслях, как финансы и здравоохранение, также стало знаковым моментом в расширении технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом рынка на специализированное оборудование ИИ, эта область пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в практическое применение, по-прежнему остается постоянной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что стало знаковым событием в области способности ИИ решать сложные задачи. Возрождение нейронных сетей и глубокого обучения заложило основу для развития ИИ в конце 1990-х годов, что сделало ИИ неотъемлемой частью технологического ландшафта и начало оказывать влияние на повседневную жизнь.
К началу XXI века прогресс вычислительной мощности способствовал возникновению глубокого обучения, и такие виртуальные помощники, как Siri, продемонстрировали практическую полезность ИИ в области потребительских приложений. В 2010-х годах агенты с обучением с подкреплением и генеративные модели, такие как GPT-2, сделали дальнейшие прорывы, выводя диалоговый ИИ на новый уровень. 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 момента выпуска серии GPT компанией, модели с масштабным предварительным обучением, имеющие сотни миллиардов и даже триллионы параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся достижения в области обработки естественного языка позволили ИИ-агентам демонстрировать логически четкое и структурированное взаимодействие через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (такие как бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей предоставляют ИИ-агентам более высокую степень автономности. С помощью технологии обучения с подкреплением (Reinforcement Learning) ИИ-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на некоторых платформах, управляемых ИИ, ИИ-агенты могут изменять стратегию поведения в зависимости от ввода игрока, что действительно реализует динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до крупных языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно раздвигает технологические границы. Появление GPT-4, безусловно, является значительной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценарными и разнообразными. Крупные языковые модели не только придают AI-агентам "ум" как душу, но и обеспечивают их способностью к междисциплинарному сотрудничеству. В будущем инновационные проектные платформы будут постоянно появляться, продолжая продвигать внедрение и развитие технологий AI-агентов и возглавляя новую эпоху, управляемую AI-опытом.
Принцип работы 1.2
Отличие AIAGENT от традиционных роботов заключается в том, что они способны учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как высокотехнологичных и постоянно развивающихся участников в области криптовалют, способных действовать независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" ------ то есть в использовании алгоритмов для моделирования интеллектуального поведения человека или других организмов с целью автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно следует следующим шагам: восприятие, рассуждение, действие, обучение, корректировка.
1.2.1 Модуль восприятия
AI AGENT взаимодействует с внешним миром через модуль восприятия, собирая информацию об окружающей среде. Эта часть функций аналогична человеческим чувствам и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих сущностей в среде. 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 выполняет логическое рассуждение и разрабатывает стратегии на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачи, генерирует решения и координирует специализированные модели, предназначенные для создания контента, визуальной обработки или рекомендательных систем.
Этот модуль обычно использует следующие технологии:
Процесс вывода обычно включает несколько этапов: сначала оценка окружающей среды, затем расчет нескольких возможных вариантов действий в зависимости от цели, и, наконец, выбор наилучшего 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 роботов) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Учебный модуль
Модуль обучения является ключевым конкурентным преимуществом ИИ-АГЕНТА, позволяя агенту становиться более умным со временем. Постоянное совершенствование через циклы обратной связи или "данные маховика" позволяет интегрировать данные, генерируемые во время взаимодействия, в систему для улучшения модели. Эта способность постепенно адаптироваться и становиться более эффективной с течением времени предоставляет компаниям мощный инструмент, который может повысить качество принятия решений и операционную эффективность.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Реальная обратная связь и корректировка
AI AGENT оптимизирует свою производительность через постоянный 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 Состояние отрасли
ИИ-АГЕНТ становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, внося изменения в различные отрасли. Так же, как потенциал L1 блок-пространства в предыдущем цикле был трудно оценим, ИИ-АГЕНТ демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, ожидается, что рынок ИИ-агентов вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения ИИ-агентов в различных отраслях и рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые代理ные фреймворки. Разработка фреймворков, таких 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 криптоиндустрии, TAM также расширяется, а интерес инвесторов к нему продолжает расти, и они более склонны присваивать ему премиальные множители.
С точки зрения развертывания публичной цепочки, определенная публичная цепочка является основным полем битвы, также есть такие, как некоторая