Декодирование AI AGENT: интеллектуальная сила, формирующая новую экономическую экосистему будущего
1. Фоновая 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 пулы ликвидности DEX принесли летнюю волну DeFi.
В 2021 году появление множества NFT-серийных произведений ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году выдающиеся результаты одной из платформ запуска возглавили бум мемкойнов и платформ для запуска.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и бычьих рыночных циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным переменам. Смотрим в 2025 год, становится очевидно, что новой областью цикла 2025 года станет AI-агент. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация составила 150 миллионов долларов. Непосредственно после этого, 16 октября, один протокол запустил Luna, впервые представив образ соседской девушки в формате живой трансляции, что взорвало всю отрасль.
Итак, что такое AI Agent?
Каждый, вероятно, знаком с классическим фильмом «Обитель зла», и впечатляющей является ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы много схожестей. AI Agent в реальной жизни в какой-то степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных客服, AI Agent глубоко внедрены в различные отрасли и стали ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними возможностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматизации 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 ходе итераций. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от специфических потребностей криптоэкосистемы:
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: выступая в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный AI агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многоцепочечной интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют структуру отрасли, и обсудим тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от фундаментальных 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 сосредотачивались 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 стала свидетелем первого появления нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались ограничениями вычислительных мощностей того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов для обработки естественного языка и имитации человеческих когнитивных функций. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям AI после раннего периода восторга, что вызвало огромную утрату уверенности в AI среди британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-ледниковый период", увеличившуюся недоверчивость к потенциалу 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 стали знаковыми моментами расширения технологий ИИ. Однако в конце 1980-х – начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Кроме того, проблема масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается постоянным вызовом. В то же время, 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 этого века прогресс в вычислительной мощности способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты обучения с подкреплением и такие генеративные модели, 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, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT одной компанией крупномасштабные предобученные модели, обладая сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающееся исполнение в обработке естественного языка позволило ИИ-агентам продемонстрировать ясную логику и четкую структуру взаимодействия через генерацию языка. Это позволило ИИ-агентам применять свои возможности в таких сценариях, как чат-ассистенты, виртуальные клиенты и постепенно расширять их возможности на более сложные задачи (например, бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей предоставляют AI-агентам более высокую степень автономии. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной из платформ с AI-управлением AI-агенты могут настраивать свои стратегии поведения в зависимости от ввода игрока, что действительно обеспечивает динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до языковых моделей, представленных GPT-4, является эволюцией, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, стало важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более умными, контекстуальными и разнообразными. Языковые модели не только наполнили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать возникать, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе опыта, управляемого AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут со временем обучаться и адаптироваться, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые способны действовать автономно в цифровой экономике.
В сердце AI AGENT лежит его "ум" ------ то есть, симуляция человеческого или другого биологического интеллекта 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 чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение связанных сущностей в окружающей 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 сенсоров: объединение данных от нескольких сенсоров в единую картину.
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, который выполняет логическое вывод и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или выводных двигателей, он понимает задачи, генерирует решения и координирует специализированные модели для таких функций, как создание контента, визуальная обработка или рекомендательные системы.
Этот модуль обычно использует следующие технологии:
Правила движок: простые решения на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., используемые для сложного распознавания образов и прогнозирования.
Обучение с подкреплением: позволяет AI AGENT постоянно оптимизировать стратегию принятия решений в процессе проб и ошибок, адаптируясь к изменяющейся среде.
Процесс вывода обычно включает несколько шагов: 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 реализует решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) 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 сервисам.
Автоматизированное управление процессами: в корпоративной среде выполнение повторяющихся задач с помощью RPA (роботизированная автоматизация процессов).
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, он позволяет агентам со временем становиться умнее. Постоянное улучшение через цикл обратной связи или "данные флайер" включает данные, генерируемые в ходе взаимодействия, обратно 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 помеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Обучение без учителя: нахождение потенциальных паттернов из немаркированных данных, что помогает агенту адаптироваться к новой среде.
Постоянное обучение: обновление модели на основе данных в реальном времени для поддержания работы агента в динамичной среде.
1.2.5 Реальное время обратной связи и корректировки
AI AGENT оптимизирует свою производительность через непрерывный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве интерфейса для потребителей и самостоятельного экономического агента, что приводит к трансформациям в нескольких отраслях. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, что соответствует среднегодовому темпу роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях и спрос на рынке, обусловленный технологическими инновациями.
Крупные компании также значительно увеличили вложения в открытые прокси-рамки. Разработка таких рамок, как AutoGen, Phidata и LangGraph, определенной компании становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рынок за пределами криптографии.
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» .
16 Лайков
Награда
16
2
Поделиться
комментарий
0/400
ProbablyNothing
· 07-21 02:34
История всегда повторяется. Еще один круг разумного разыгрывания людей как лохов.
Посмотреть ОригиналОтветить0
HodlBeliever
· 07-21 02:07
Данные анализа рыночных циклов показывают лучшее время для инвестиций.
AI AGENT: Умная сила, формирующая новую экономическую экосистему криптоактивов
Декодирование AI AGENT: интеллектуальная сила, формирующая новую экономическую экосистему будущего
1. Фоновая 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 бычьих рыночных циклов. Когда возможности встречаются с подходящим временем, это может привести к огромным переменам. Смотрим в 2025 год, становится очевидно, что новой областью цикла 2025 года станет AI-агент. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен один токен, а 15 октября его рыночная капитализация составила 150 миллионов долларов. Непосредственно после этого, 16 октября, один протокол запустил Luna, впервые представив образ соседской девушки в формате живой трансляции, что взорвало всю отрасль.
Итак, что такое AI Agent?
Каждый, вероятно, знаком с классическим фильмом «Обитель зла», и впечатляющей является ИИ-система Красная Королева. Красная Королева — это мощная ИИ-система, управляющая сложными объектами и системами безопасности, способная самостоятельно воспринимать окружающую среду, анализировать данные и быстро принимать меры.
На самом деле, у AI Agent и основных функций Красной Королевы много схожестей. AI Agent в реальной жизни в какой-то степени выполняет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами через автономное восприятие, анализ и выполнение. От автомобилей с автопилотом до интеллектуальных客服, AI Agent глубоко внедрены в различные отрасли и стали ключевой силой для повышения эффективности и инноваций. Эти автономные интеллектуальные агенты, как невидимые члены команды, обладают всесторонними возможностями от восприятия окружающей среды до выполнения решений, постепенно проникая в различные отрасли и способствуя двойному повышению эффективности и инноваций.
Например, AI AGENT может быть использован для автоматизации 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 ходе итераций. AI AGENT не имеет единой формы, а делится на различные категории в зависимости от специфических потребностей криптоэкосистемы:
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: выступая в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых мероприятиях.
Координационный AI агент: координация сложных взаимодействий между системами или участниками, особенно подходит для многоцепочечной интеграции.
В этом отчете мы подробно рассмотрим происхождение, текущее состояние и широкие перспективы применения AI Agent, проанализируем, как они изменяют структуру отрасли, и обсудим тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию AI от фундаментальных 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 сосредотачивались 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 стала свидетелем первого появления нейронных сетей и начальных исследований концепции машинного обучения. Однако исследования AI в этот период серьезно ограничивались ограничениями вычислительных мощностей того времени. Исследователи столкнулись с огромными трудностями в разработке алгоритмов для обработки естественного языка и имитации человеческих когнитивных функций. Кроме того, в 1972 году математик Джеймс Лайтхилл представил отчет о состоянии исследований AI в Великобритании, опубликованный в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое отношение к исследованиям AI после раннего периода восторга, что вызвало огромную утрату уверенности в AI среди британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований AI значительно сократилось, и область AI пережила первый "AI-ледниковый период", увеличившуюся недоверчивость к потенциалу 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 стали знаковыми моментами расширения технологий ИИ. Однако в конце 1980-х – начале 1990-х годов, с крахом спроса на специализированное аппаратное обеспечение ИИ, эта область пережила вторую "зиму ИИ". Кроме того, проблема масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается постоянным вызовом. В то же время, 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 этого века прогресс в вычислительной мощности способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты обучения с подкреплением и такие генеративные модели, 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, особенно выпуск GPT-4, который был воспринят как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT одной компанией крупномасштабные предобученные модели, обладая сотнями миллиардов и даже триллионами параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающееся исполнение в обработке естественного языка позволило ИИ-агентам продемонстрировать ясную логику и четкую структуру взаимодействия через генерацию языка. Это позволило ИИ-агентам применять свои возможности в таких сценариях, как чат-ассистенты, виртуальные клиенты и постепенно расширять их возможности на более сложные задачи (например, бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей предоставляют AI-агентам более высокую степень автономии. С помощью технологии обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамической среде. Например, на одной из платформ с AI-управлением AI-агенты могут настраивать свои стратегии поведения в зависимости от ввода игрока, что действительно обеспечивает динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до языковых моделей, представленных GPT-4, является эволюцией, постоянно преодолевающей технологические границы. Появление GPT-4, безусловно, стало важным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более умными, контекстуальными и разнообразными. Языковые модели не только наполнили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем инновационные проектные платформы будут продолжать возникать, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе опыта, управляемого AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они могут со временем обучаться и адаптироваться, принимая тонкие решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые способны действовать автономно в цифровой экономике.
В сердце AI AGENT лежит его "ум" ------ то есть, симуляция человеческого или другого биологического интеллекта 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 чувствам, используя датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение связанных сущностей в окружающей 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, который выполняет логическое вывод и разработку стратегий на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или выводных двигателей, он понимает задачи, 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 шагов: 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 реализует решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические действия (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, он позволяет агентам со временем становиться умнее. Постоянное улучшение через цикл обратной связи или "данные флайер" включает данные, генерируемые в ходе взаимодействия, обратно 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 Реальное время обратной связи и корректировки
AI AGENT оптимизирует свою производительность через непрерывный цикл обратной связи. Результаты каждого действия записываются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Текущая ситуация в отрасли
AI AGENT становится центром внимания на рынке благодаря своему огромному потенциалу в качестве интерфейса для потребителей и самостоятельного экономического агента, что приводит к трансформациям в нескольких отраслях. Как и в предыдущем цикле, когда потенциал L1 блок-пространства был трудно оценить, так и AI AGENT демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, рынок AI Agent, как ожидается, вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, что соответствует среднегодовому темпу роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях и спрос на рынке, обусловленный технологическими инновациями.
Крупные компании также значительно увеличили вложения в открытые прокси-рамки. Разработка таких рамок, как AutoGen, Phidata и LangGraph, определенной компании становится все более активной, что свидетельствует о том, что AI AGENT имеет больший рынок за пределами криптографии.