Кожен цикл криптовалюти приносить нову інфраструктуру, яка стимулює розвиток усієї галузі.
У 2017 році зростання розумних контрактів сприяло бурхливому розвитку ICO.
У 2020 році ліквідні пули DEX привели до літньої хвилі DeFi.
2021 року велика кількість NFT-серійних робіт стала знаковою для епохи цифрових колекцій.
У 2024 році чудові результати pump.fun стали лідерами хвилі мемкоїнів та платформ для запуску.
Слід підкреслити, що ці вертикальні сфери не почалися лише через технологічні інновації, а є результатом ідеального поєднання моделей фінансування та циклів буму. Коли можливості зустрічаються з відповідним часом, це може спричинити величезні зміни. Виглядаючи в 2025 рік, очевидно, що новою перспективною сферою цього циклу буде AI-агент. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року був запущений токен $GOAT, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Одразу після цього, 16 жовтня, Virtuals Protocol представив Luna, що вперше з'явилася в образі IP живої трансляції сусідської дівчини, викликавши фурор у всій індустрії.
Отже, що таке AI Agent?
Всі, напевно, знайомі з класичним фільмом «Сутінки»; вражаюча AI-система Червоне Серце залишила незабутнє враження. Червоне Серце — це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.
Насправді, AI Agent має багато спільних функцій з Червоною Королевою. У реальному світі AI Agent в певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасної технологічної сфери, допомагаючи підприємствам і особам справлятися зі складними завданнями завдяки автономному сприйняттю, аналізу та виконанню. Від автомобілів з автоматичним керуванням до інтелектуальних служб підтримки, AI Agent глибоко впроваджуються в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як безневидні члени команди, мають всебічні можливості - від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійній підвищенню ефективності та інновацій.
Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, базуючи свої дії на даних, зібраних з Dexscreener або соціальної платформи X, для управління портфелем в реальному часі та виконання торгівлі, постійно оптимізуючи свою продуктивність в процесі ітерацій. AI AGENT не має єдиного формату, а поділяється на різні категорії відповідно до специфічних потреб криптоекосистеми:
Виконавчий AI агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, спрямований на підвищення точності операцій і зменшення необхідного часу.
Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть музику.
Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноту та брати участь у маркетингових кампаніях.
Координаційний AI агент: Координація складних взаємодій між системами або учасниками, особливо підходить для багатоланцюгової інтеграції.
У цьому звіті ми глибше дослідимо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони перетворюють індустрію, та поглянемо на тенденції їхнього майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції у Дартмуті в 1956 році вперше було запропоновано термін "AI", що заклало основи для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувались на символічних методах, що призвело до створення перших AI програм, таких як ELIZA(, чат-бот), та Dendral(, експертної системи у галузі органічної хімії). Цей етап також став свідком перших пропозицій нейронних мереж та початкових розвідок концепції машинного навчання. Але дослідження AI цього періоду були серйозно обмежені технологічними можливостями того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному виражав загальний песимізм щодо досліджень AI після початкового етапу захоплення, що призвело до значної втрати довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI значно зменшилось, і галузь AI пережила першу "зиму AI", а скептицизм щодо потенціалу AI зріс.
У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні підприємства почали впроваджувати технології ШІ. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах і обробці природної мови, що сприяло появі більш складних застосувань ШІ. Введення перших автономних транспортних засобів та впровадження ШІ в фінансовій, медичній та інших галузях також стали знаковими моментами розширення технологій ШІ. Але в кінці 1980-х - на початку 1990-х років, коли попит на спеціалізоване апаратне забезпечення для ШІ впав, галузь ШІ пережила другий "зимовий період ШІ". Крім того, питання розширення масштабів систем ШІ та їх успішної інтеграції в практичні застосування залишалося триваючим викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією для здатності ШІ вирішувати складні завдання. Відродження нейронних мереж і глибокого навчання заклало основи розвитку ШІ наприкінці 1990-х років, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
До початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні помічники, такі як Siri, продемонстрували практичність ШІ в споживчих застосуваннях. У 2010-х роках агенти з підкріпленим навчанням та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши розмовний ШІ на нові висоти. У цьому процесі виникнення великих мовних моделей (Large Language Model, LLM) стало важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається поворотним моментом у сфері агентів ШІ. Відтоді, як OpenAI випустила серію GPT, великомасштабні попередньо навчені моделі продемонстрували можливості генерації та розуміння мови, що перевищують традиційні моделі, з сотнями мільярдів або навіть тисячами мільярдів параметрів. Їхні виняткові досягнення в обробці природної мови дозволили агентам ШІ демонструвати логічно чітку та структуровану здатність до взаємодії через генерацію мови. Це дозволило агентам ШІ застосовуватися в сценах чат-помічників, віртуальних клієнтських службах тощо, і поступово розширюватися до більш складних завдань (, таких як бізнес-аналіз, креативне написання ).
Здатність навчання великих мовних моделей надає агентам ШІ вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning), агенти ШІ можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на таких платформах, як Digimon Engine, агенти ШІ можуть коригувати стратегії поведінки відповідно до введення гравця, справді реалізуючи динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного прориву технологічних меж. Поява GPT-4 безсумнівно є значним поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуативними та різноманітними. Великі мовні моделі не тільки наділяють AI-агентів "розумом", але й забезпечують їх можливостями міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть продовжувати з'являтися, сприяючи реалізації та розвитку технології AI-агентів, ведучи в нову еру AI-досвіду.
1.2 Принцип роботи
AIAGENT відрізняється від традиційних роботів тим, що вони можуть з часом навчатися і адаптуватися, приймати детальні рішення для досягнення цілей. Їх можна вважати технічно досвідченими та постійно розвиваються учасниками в крипто-сфері, які здатні самостійно діяти в цифровій економіці.
Ядро AI AGENT полягає в його "інтелекту" ------ тобто в тому, щоб за допомогою алгоритмів моделювати інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.
1.2.1 Модуль сприймання
AI AGENT взаємодіє з навколишнім світом через модуль сприйняття, збираючи інформацію про середовище. Ця частина функцій схожа на людські органи чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягнення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей в середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай включає такі технології:
Комп'ютерний зір: використовується для обробки та розуміння зображень і відеоданих.
Природна мова ( NLP ): допомагає AI AGENT розуміти та генерувати людську мову.
Об'єднання датчиків: об'єднання даних з кількох датчиків в єдиний вигляд.
1.2.2 Модуль розуміння та прийняття рішень
Після сприйняття оточення, AI AGENT повинен приймати рішення на основі даних. Модуль висновків і прийняття рішень є "мозком" всієї системи, він здійснює логічні висновки та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі тощо, як оркестратори або двигуни висновків, розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка візуальної інформації або системи рекомендацій.
Цей модуль зазвичай використовує такі технології:
Правила двигун: прості рішення на основі встановлених правил.
Моделі машинного навчання: включають дерева рішень, нейронні мережі тощо, використовуються для складного розпізнавання шаблонів та прогнозування.
Поглиблене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби і помилки, адаптуючись до змінного середовища.
Процес інференції зазвичай містить кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій на основі цілі, і нарешті вибір оптимального варіанту для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками і ногами" AI AGENT, який втілює рішення, прийняті розумовим модулем, в дію. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання конкретних завдань. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:
Система керування роботами: використовується для фізичних операцій, таких як рухи роботизованої руки.
API виклик: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
Автоматизація управління процесами: у корпоративному середовищі, через RPA( роботизовану автоматизацію процесів) виконуються повторювані завдання.
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам ставати розумнішими з часом. Постійне вдосконалення через зворотний зв'язок або "дані-вісь" дозволяє інтегрувати дані, що генеруються під час взаємодії, назад у систему для покращення моделі. Ця здатність адаптуватися та ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення прийняття рішень та операційної ефективності.
Модулі навчання зазвичай покращуються наступними способами:
Підготовка з наглядом: використання позначених даних для тренування моделі, щоб AI AGENT міг точніше виконувати завдання.
Безконтрольне навчання: виявлення潜在模式 з ненадрукованих даних, що допомагає агенту адаптуватися до нового середовища.
Постійне навчання: оновлюйте модель за рахунок даних в реальному часі, щоб підтримувати продуктивність агента в динамічному середовищі.
1.2.5 Реальний зворотний зв'язок та коригування
AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність і гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан галузі
AI AGENT стає центром уваги на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, приносячи зміни в кількох галузях. Як і потенціал L1 блок-простору в попередньому циклі, AI AGENT також продемонстрував подібні перспективи в цьому циклі.
Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів у 2024 році до 47,1 мільярда доларів у 2030 році, з річним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях та попит на ринку, що виникає внаслідок технологічних інновацій.
Великі компанії також значно збільшили свої інвестиції в відкриті проксі-фреймворки. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph від Microsoft, стає все більш активною, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери, TAM також
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
AI代理：перетворення шифрування ринку новими силами та перспективами розвитку
AI AGENT: Новий партнер епохи штучного інтелекту
1. Фоновий огляд
1.1 Вступ: "Новий партнер" епохи інтелекту
Кожен цикл криптовалюти приносить нову інфраструктуру, яка стимулює розвиток усієї галузі.
Слід підкреслити, що ці вертикальні сфери не почалися лише через технологічні інновації, а є результатом ідеального поєднання моделей фінансування та циклів буму. Коли можливості зустрічаються з відповідним часом, це може спричинити величезні зміни. Виглядаючи в 2025 рік, очевидно, що новою перспективною сферою цього циклу буде AI-агент. Ця тенденція досягла піку в жовтні минулого року, коли 11 жовтня 2024 року був запущений токен $GOAT, а 15 жовтня його ринкова капіталізація досягла 150 мільйонів доларів. Одразу після цього, 16 жовтня, Virtuals Protocol представив Luna, що вперше з'явилася в образі IP живої трансляції сусідської дівчини, викликавши фурор у всій індустрії.
Отже, що таке AI Agent?
Всі, напевно, знайомі з класичним фільмом «Сутінки»; вражаюча AI-система Червоне Серце залишила незабутнє враження. Червоне Серце — це потужна AI-система, яка контролює складні об'єкти та системи безпеки, здатна самостійно сприймати навколишнє середовище, аналізувати дані та швидко вживати заходів.
Насправді, AI Agent має багато спільних функцій з Червоною Королевою. У реальному світі AI Agent в певній мірі виконує подібну роль, вони є "розумними охоронцями" сучасної технологічної сфери, допомагаючи підприємствам і особам справлятися зі складними завданнями завдяки автономному сприйняттю, аналізу та виконанню. Від автомобілів з автоматичним керуванням до інтелектуальних служб підтримки, AI Agent глибоко впроваджуються в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій. Ці автономні інтелектуальні агенти, як безневидні члени команди, мають всебічні можливості - від сприйняття середовища до виконання рішень, поступово проникаючи в різні галузі, сприяючи подвійній підвищенню ефективності та інновацій.
Наприклад, AI AGENT може використовуватися для автоматизації торгівлі, базуючи свої дії на даних, зібраних з Dexscreener або соціальної платформи X, для управління портфелем в реальному часі та виконання торгівлі, постійно оптимізуючи свою продуктивність в процесі ітерацій. AI AGENT не має єдиного формату, а поділяється на різні категорії відповідно до специфічних потреб криптоекосистеми:
Виконавчий AI агент: зосереджується на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, спрямований на підвищення точності операцій і зменшення необхідного часу.
Творчий AI агент: для генерації контенту, включаючи текст, дизайн і навіть музику.
Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноту та брати участь у маркетингових кампаніях.
Координаційний AI агент: Координація складних взаємодій між системами або учасниками, особливо підходить для багатоланцюгової інтеграції.
У цьому звіті ми глибше дослідимо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони перетворюють індустрію, та поглянемо на тенденції їхнього майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції у Дартмуті в 1956 році вперше було запропоновано термін "AI", що заклало основи для AI як незалежної галузі. У цей період дослідження AI в основному зосереджувались на символічних методах, що призвело до створення перших AI програм, таких як ELIZA(, чат-бот), та Dendral(, експертної системи у галузі органічної хімії). Цей етап також став свідком перших пропозицій нейронних мереж та початкових розвідок концепції машинного навчання. Але дослідження AI цього періоду були серйозно обмежені технологічними можливостями того часу. Дослідники стикалися з великими труднощами в розробці алгоритмів для обробки природної мови та імітації когнітивних функцій людини. Крім того, у 1972 році математик Джеймс Лайтхілл подав звіт про стан досліджень AI у Великобританії, який був опублікований у 1973 році. Звіт Лайтхілла в основному виражав загальний песимізм щодо досліджень AI після початкового етапу захоплення, що призвело до значної втрати довіри до AI з боку британських академічних установ(, включаючи фінансові установи). Після 1973 року фінансування досліджень AI значно зменшилось, і галузь AI пережила першу "зиму AI", а скептицизм щодо потенціалу AI зріс.
У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні підприємства почали впроваджувати технології ШІ. У цей період було досягнуто значних успіхів у машинному навчанні, нейронних мережах і обробці природної мови, що сприяло появі більш складних застосувань ШІ. Введення перших автономних транспортних засобів та впровадження ШІ в фінансовій, медичній та інших галузях також стали знаковими моментами розширення технологій ШІ. Але в кінці 1980-х - на початку 1990-х років, коли попит на спеціалізоване апаратне забезпечення для ШІ впав, галузь ШІ пережила другий "зимовий період ШІ". Крім того, питання розширення масштабів систем ШІ та їх успішної інтеграції в практичні застосування залишалося триваючим викликом. Але в той же час, у 1997 році комп'ютер IBM Deep Blue переміг чемпіона світу з шахів Гарі Каспарова, що стало знаковою подією для здатності ШІ вирішувати складні завдання. Відродження нейронних мереж і глибокого навчання заклало основи розвитку ШІ наприкінці 1990-х років, зробивши його невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
До початку цього століття прогрес у обчислювальних можливостях сприяв виникненню глибокого навчання, віртуальні помічники, такі як Siri, продемонстрували практичність ШІ в споживчих застосуваннях. У 2010-х роках агенти з підкріпленим навчанням та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши розмовний ШІ на нові висоти. У цьому процесі виникнення великих мовних моделей (Large Language Model, LLM) стало важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається поворотним моментом у сфері агентів ШІ. Відтоді, як OpenAI випустила серію GPT, великомасштабні попередньо навчені моделі продемонстрували можливості генерації та розуміння мови, що перевищують традиційні моделі, з сотнями мільярдів або навіть тисячами мільярдів параметрів. Їхні виняткові досягнення в обробці природної мови дозволили агентам ШІ демонструвати логічно чітку та структуровану здатність до взаємодії через генерацію мови. Це дозволило агентам ШІ застосовуватися в сценах чат-помічників, віртуальних клієнтських службах тощо, і поступово розширюватися до більш складних завдань (, таких як бізнес-аналіз, креативне написання ).
Здатність навчання великих мовних моделей надає агентам ШІ вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning), агенти ШІ можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на таких платформах, як Digimon Engine, агенти ШІ можуть коригувати стратегії поведінки відповідно до введення гравця, справді реалізуючи динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного прориву технологічних меж. Поява GPT-4 безсумнівно є значним поворотним моментом у цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, ситуативними та різноманітними. Великі мовні моделі не тільки наділяють AI-агентів "розумом", але й забезпечують їх можливостями міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи будуть продовжувати з'являтися, сприяючи реалізації та розвитку технології AI-агентів, ведучи в нову еру AI-досвіду.
1.2 Принцип роботи
AIAGENT відрізняється від традиційних роботів тим, що вони можуть з часом навчатися і адаптуватися, приймати детальні рішення для досягнення цілей. Їх можна вважати технічно досвідченими та постійно розвиваються учасниками в крипто-сфері, які здатні самостійно діяти в цифровій економіці.
Ядро AI AGENT полягає в його "інтелекту" ------ тобто в тому, щоб за допомогою алгоритмів моделювати інтелектуальну поведінку людини або інших живих істот для автоматизації вирішення складних проблем. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, коригування.
1.2.1 Модуль сприймання
AI AGENT взаємодіє з навколишнім світом через модуль сприйняття, збираючи інформацію про середовище. Ця частина функцій схожа на людські органи чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає витягнення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей в середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай включає такі технології:
1.2.2 Модуль розуміння та прийняття рішень
Після сприйняття оточення, AI AGENT повинен приймати рішення на основі даних. Модуль висновків і прийняття рішень є "мозком" всієї системи, він здійснює логічні висновки та розробку стратегій на основі зібраної інформації. Використовуючи великі мовні моделі тощо, як оркестратори або двигуни висновків, розуміє завдання, генерує рішення та координує спеціалізовані моделі для таких функцій, як створення контенту, обробка візуальної інформації або системи рекомендацій.
Цей модуль зазвичай використовує такі технології:
Процес інференції зазвичай містить кілька етапів: спочатку оцінка середовища, потім обчислення кількох можливих варіантів дій на основі цілі, і нарешті вибір оптимального варіанту для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками і ногами" AI AGENT, який втілює рішення, прийняті розумовим модулем, в дію. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання конкретних завдань. Це може включати фізичні операції (, такі як дії роботів ), або цифрові операції (, такі як обробка даних ). Виконавчий модуль залежить від:
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, він дозволяє агентам ставати розумнішими з часом. Постійне вдосконалення через зворотний зв'язок або "дані-вісь" дозволяє інтегрувати дані, що генеруються під час взаємодії, назад у систему для покращення моделі. Ця здатність адаптуватися та ставати більш ефективною з часом надає підприємствам потужний інструмент для покращення прийняття рішень та операційної ефективності.
Модулі навчання зазвичай покращуються наступними способами:
1.2.5 Реальний зворотний зв'язок та коригування
AI AGENT постійно оптимізує свою продуктивність через безперервний цикл зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність і гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан галузі
AI AGENT стає центром уваги на ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного агента, приносячи зміни в кількох галузях. Як і потенціал L1 блок-простору в попередньому циклі, AI AGENT також продемонстрував подібні перспективи в цьому циклі.
Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів у 2024 році до 47,1 мільярда доларів у 2030 році, з річним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent у різних галузях та попит на ринку, що виникає внаслідок технологічних інновацій.
Великі компанії також значно збільшили свої інвестиції в відкриті проксі-фреймворки. Розробка таких фреймворків, як AutoGen, Phidata та LangGraph від Microsoft, стає все більш активною, що свідчить про те, що AI AGENT має більший ринковий потенціал за межами криптосфери, TAM також