AI AGENT：умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" в эпоху интеллекта
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 работ ознаменовало наступление эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся результаты одной из платформ для запуска стали движущей силой популярности мемкойнов и платформ для запуска.
Важно подчеркнуть, что старт этих вертикальных областей вызван не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможности встречаются с подходящим временем, это может вызвать巨大ные изменения. Глядя на 2025 год, очевидно, что новым перспективным направлением в цикле 2025 года станет AI-агент. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Вскоре после этого, 16 октября, один протокол запустил Luna, впервые представив образ «девушки-соседки» в формате прямой трансляции, что взорвало всю отрасль.
Так что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основного функционала Красной Королевы много схожего. В реальности AI Agent в определенной степени выполняет аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального клиентского сервиса, AI Agent глубоко 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 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: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный AI Агент: используется для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: выступая в роли лидера мнений в социальных сетях, взаимодействует с пользователями, строит сообщество и участвует в маркетинговых мероприятиях.
Координационный 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 индустриальную картину, и сделаем прогнозы о тенденциях их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также ознаменовалась первым предложением нейронных сетей и первоначальным исследованием концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил всеобщее пессимистичное мнение о исследованиях AI после первоначального энтузиазма, что привело к огромной утрате уверенности в AI со стороны британских академических институтов (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первую "зиму AI", когда возросли сомнения в потенциале AI.
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, а также 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 аппаратное обеспечение для ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается актуальным вызовом. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные 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 XXI века прогресс в вычислительных возможностях способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкрепляющим обучением 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, а особенно выпуск GPT-4 был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT некоторыми компаниями, крупномасштабные предобученные модели с сотнями миллиардов и даже триллионами параметров продемонстрировали возможности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически четкие и структурированные взаимодействия через генерацию языка. Это позволило ИИ-агентам применять себя в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (например, бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей обеспечивают более высокую степень автономности для AI-агентов. С помощью технологий обучения с подкреплением AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ с AI-управлением AI-агенты могут регулировать свои стратегические действия в зависимости от ввода игрока, что позволяет реализовать динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов – это история постоянного преодоления технологических границ. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценарными и разнообразными. Большие языковые модели не только наделили AI-агентов "интеллектом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, что приведет к новой эре, управляемой опытом AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, способных независимо действовать в цифровой экономике.
Ядро AI AGENT заключается в его "умности" ------ то есть в имитации человеческого или другого биологического интеллектуального поведения с помощью алгоритмов для 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. Функции этой части аналогичны человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая выделение значимых характеристик, распознавание объектов или определение релевантных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видеоданных.
Обработка естественного языка (NLP): помогает 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 основывается на собранной информации для логического вывода и формирования стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачу, генерирует решения и координирует специализированные модели для таких функций, как создание контента, визуальная обработка или рекомендательные системы.
Этот модуль обычно использует следующие технологии:
Правила движка: простые решения на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания шаблонов и прогнозирования.
Укрепляющее обучение: позволяет AI AGENT постоянно оптимизировать стратегии принятия решений в процессе 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 оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "рукой и ногой" AI AGENT, который приводит в действие решения модуля вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, движения робота) или цифровые действия (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение роботизированных рук.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым службам.
Автоматизированное управление процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированная автоматизация процессов).
1.2.4 Модуль обучения
Модуль обучения является основной конкурентоспособностью AI AGENT, позволяя агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "данные-флайв轮" включает в себя возврат данных, сгенерированных в ходе взаимодействия, в систему для повышения эффективности модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для улучшения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующим образом:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Ненадзорное обучение: обнаружение潜在ных паттернов из немаркированных данных, помогающее агентам адаптироваться к новым условиям.
Непрерывное обучение: обновление модели с помощью данных в реальном времени для поддержания производительности агента в динамичной среде.
1.2.5 Реализация обратной связи и корректировки
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 Рыночная ситуация
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, внося изменения в различные отрасли. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также продемонстрировал аналогичные перспективы в этом цикле.
Согласно последнему отчету одного исследовательского института, рынок AI Agent, по прогнозам, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, при среднем темпе роста (CAGR) 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые прокси-фреймворки. Некоторый
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» .
9 Лайков
Награда
9
4
Поделиться
комментарий
0/400
AirdropSkeptic
· 07-30 20:35
Каждый год разыгрывайте людей как лохов одну волну неудачников, да?
Посмотреть ОригиналОтветить0
RektButSmiling
· 07-30 20:34
Эх, снова ловушка — старая вина в новой бутылке!
Посмотреть ОригиналОтветить0
TommyTeacher
· 07-30 20:27
2025 год - это взрыв ботов!
Посмотреть ОригиналОтветить0
BagHolderTillRetire
· 07-30 20:20
Заработать деньги — это важно, сначала нужно разобраться с этим.
AI AGENT：умная новая сила экосистемы Блокчейн 2025 года
AI AGENT：умная сила, формирующая новую экономическую экосистему будущего
1. Фоновая информация
1.1 Введение: "Новые партнеры" в эпоху интеллекта
Каждый криптовалютный цикл приносит новую инфраструктуру, способствующую развитию всей отрасли.
Важно подчеркнуть, что старт этих вертикальных областей вызван не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих циклов. Когда возможности встречаются с подходящим временем, это может вызвать巨大ные изменения. Глядя на 2025 год, очевидно, что новым перспективным направлением в цикле 2025 года станет AI-агент. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация достигла 150 миллионов долларов. Вскоре после этого, 16 октября, один протокол запустил Luna, впервые представив образ «девушки-соседки» в формате прямой трансляции, что взорвало всю отрасль.
Так что же такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, контролирующая сложные объекты и системы безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основного функционала Красной Королевы много схожего. В реальности AI Agent в определенной степени выполняет аналогичную роль, они являются "умными защитниками" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуального клиентского сервиса, AI Agent глубоко 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 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: сосредоточен на выполнении конкретных задач, таких как торговля, управление портфелем или арбитраж, с целью повышения точности операций и сокращения необходимого времени.
Креативный AI Агент: используется для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI-агент: выступая в роли лидера мнений в социальных сетях, взаимодействует с пользователями, строит сообщество и участвует в маркетинговых мероприятиях.
Координационный 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 индустриальную картину, и сделаем прогнозы о тенденциях их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "AI" был впервые предложен, что заложило основу для AI как независимой области. В этот период исследования AI в основном сосредоточивались на символических методах, что привело к появлению первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также ознаменовалась первым предложением нейронных сетей и первоначальным исследованием концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались вычислительными возможностями того времени. Исследователи столкнулись с большими трудностями в разработке алгоритмов для обработки естественного языка и имитации когнитивных функций человека. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил всеобщее пессимистичное мнение о исследованиях AI после первоначального энтузиазма, что привело к огромной утрате уверенности в AI со стороны британских академических институтов (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первую "зиму AI", когда возросли сомнения в потенциале AI.
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, а также 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 аппаратное обеспечение для ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, как масштабировать системы ИИ и успешно интегрировать их в реальные приложения, по-прежнему остается актуальным вызовом. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гарри Каспаровым, что стало знаковым событием в способности ИИ решать сложные 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 XXI века прогресс в вычислительных возможностях способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты с подкрепляющим обучением 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, а особенно выпуск GPT-4 был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT некоторыми компаниями, крупномасштабные предобученные модели с сотнями миллиардов и даже триллионами параметров продемонстрировали возможности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в области обработки естественного языка позволили ИИ-агентам демонстрировать логически четкие и структурированные взаимодействия через генерацию языка. Это позволило ИИ-агентам применять себя в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (например, бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей обеспечивают более высокую степень автономности для AI-агентов. С помощью технологий обучения с подкреплением AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на одной из платформ с AI-управлением AI-агенты могут регулировать свои стратегические действия в зависимости от ввода игрока, что позволяет реализовать динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов – это история постоянного преодоления технологических границ. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, сценарными и разнообразными. Большие языковые модели не только наделили AI-агентов "интеллектом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, что приведет к новой эре, управляемой опытом AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут учиться и адаптироваться со временем, принимая детализированные решения для достижения целей. Их можно рассматривать как технически продвинутых и постоянно развивающихся участников в области криптовалют, способных независимо действовать в цифровой экономике.
Ядро AI AGENT заключается в его "умности" ------ то есть в имитации человеческого или другого биологического интеллектуального поведения с помощью алгоритмов для 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. Функции этой части аналогичны человеческим органам чувств, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая выделение значимых характеристик, распознавание объектов или определение релевантных сущностей в окружающей среде. Основная задача модуля восприятия заключается в преобразовании сырых данных в значимую информацию, что обычно включает следующие технологии:
1.2.2 Модуль вывода и принятия решений
После восприятия окружающей среды AI AGENT должен принимать решения на основе данных. Модуль вывода и принятия решений является "мозгом" всей системы, он основывается на собранной информации для логического вывода и формирования стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, он понимает задачу, генерирует решения и координирует специализированные модели для таких функций, как создание контента, визуальная обработка или рекомендательные системы.
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 оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "рукой и ногой" AI AGENT, который приводит в действие решения модуля вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, движения робота) или цифровые действия (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Модуль обучения является основной конкурентоспособностью AI AGENT, позволяя агентам со временем становиться более умными. Постоянное улучшение через обратную связь или "данные-флайв轮" включает в себя возврат данных, сгенерированных в ходе взаимодействия, в систему для повышения эффективности модели. Эта способность постепенно адаптироваться и становиться более эффективной со временем предоставляет компаниям мощный инструмент для улучшения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующим образом:
1.2.5 Реализация обратной связи и корректировки
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 Рыночная ситуация
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке, благодаря своему огромному потенциалу как интерфейса для потребителей и автономного экономического агента, внося изменения в различные отрасли. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, AI AGENT также продемонстрировал аналогичные перспективы в этом цикле.
Согласно последнему отчету одного исследовательского института, рынок AI Agent, по прогнозам, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов в 2030 году, при среднем темпе роста (CAGR) 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Крупные компании также значительно увеличили свои инвестиции в открытые прокси-фреймворки. Некоторый