AI AGENT: Умная сила, формирующая экосистему новой экономики будущего
1. Общая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый криптовалютный цикл приносит новые инфраструктуры, способствующие развитию всей отрасли.
В 2017 году возникновение смарт-контрактов способствовало бурному развитию ICO.
В 2020 году пул ликвидности DEX привел к летнему буму DeFi.
В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году начнется бум мемкоинов и платформ для их запуска.
Смотрим в 2025 год, новые области будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен $GOAT, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Непосредственно после этого, 16 октября, Virtuals Protocol представил Luna, впервые появившись в образе стримера по мотивам соседской девушки, что взорвало всю индустрию.
Так что же такое AI Agent?
AI Agent имеет много общего с AI-системой Красной Королевы из фильма «Обитель зла». В реальной жизни AI Agent 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 автономных автомобилей до интеллектуальных客服, AI Agent проникли в различные отрасли и стали ключевой силой для повышения эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с платформ данных или социальных платформ, 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 создание музыки.
Социальный AI-агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых акциях.
Координационный 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 перекраивают отраслевой ландшафт, и рассматриваем тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции Дартмут в 1956 году термин "AI" был впервые предложен, что заложило основу для ИИ как самостоятельной области. В этот период исследования в области ИИ в основном сосредоточивались на символических методах, что привело к созданию первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также стала свидетелем первых предложений нейронных сетей и первоначальных исследований концепции машинного обучения. Однако исследования в области 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 исследуемого ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях ИИ после первоначального энтузиазма, что вызвало огромную потерю уверенности в ИИ со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований в области ИИ значительно сократилось, и область ИИ пережила первый "замороженный период ИИ", увеличившиеся сомнения в потенциале ИИ.
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 внедрение ИИ в различных отраслях, таких как финансы и здравоохранение, также знаменовали расширение технологий ИИ. Однако в конце 1980-х — начале 1990-х годов, с崩溃ом рыночного спроса на специализированное аппаратное обеспечение для ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в практическое применение, по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гари 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 мощностях способствовал возникновению глубокого обучения, а такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты на основе обучения с подкреплением 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, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT от OpenAI крупномасштабные предварительно обученные модели, содержащие десятки миллиардов и даже сотни миллиардов параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам продемонстрировать четкую и логически структурированную способность взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться к более сложным задачам (таким как бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей предоставляют AI-агентам более высокую степень автономии. С помощью технологий усиленного обучения (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на некоторых платформах с поддержкой AI агенты могут адаптировать свои стратегии поведения в зависимости от ввода игроков, действительно реализуя динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является эволюцией, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуализированными и разнообразными. Большие языковые модели не только внедрили "ум" в душу AI-агентов, но и предоставили им возможности для междисциплинарного сотрудничества. В будущем инновационные проекты и платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе, управляемой опытом на базе 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 действовать независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" — то есть в способности алгоритмов моделировать интеллектуальное поведение человека или других организмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно состоит из следующих этапов: 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 сенсорным системам, используя такие устройства, как сенсоры, камеры, микрофоны и т.д., для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение связанных сущностей в окружении. Основная задача модуля восприятия заключается в преобразовании сырьевых данных в значимую информацию, что обычно включает в себя следующие технологии:
Компьютерное зрение: используется для обработки и понимания изображений и видео данных.
Обработка естественного языка (NLP): помогает AI AGENT понимать и генерировать человеческий язык.
Слияние датчиков: интеграция 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 осуществляет логическое вывод и стратегическое планирование на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или движков вывода, 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 движка: простые решения на основе предустановленных правил.
Модели машинного обучения: включая деревья решений, нейронные сети и т.д., для сложного распознавания шаблонов и прогнозирования.
Обучение с подкреплением: позволяет ИИ АГЕНТУ постоянно оптимизировать стратегию принятия решений через пробу и ошибку, 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 оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "рукой и ногой" AI AGENT, реализуя решения, принятые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение роботизированной руки.
Вызов API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к интернет-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, позволяя агенту со временем становиться более умным. Постоянное улучшение через обратную связь или "цикл данных" включает в себя возврат данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность адаптироваться и становиться более эффективной с течением времени предоставляет предприятиям мощный инструмент для улучшения принятия решений и операционной эффективности.
Модули обучения обычно улучшаются следующими способами:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Обучение без учителя: обнаружение скрытых закономерностей из неразмеченных данных, что помогает агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели в реальном времени позволяет агенту сохранять эффективность в динамичной среде.
1.2.5 Реальное время обратной связи и корректировки
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система гарантирует 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 потребительского интерфейса и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и потенциальные возможности L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, ожидается, что рынок AI Agent вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Вложения крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph от Microsoft, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптосферы, TAM также расширяется, инвесторы продолжают придавать ему важность и становятся более склонными назначать премиальные множители.
С точки зрения развертывания публичных блокчейнов, Solana является основным полем битвы, в то время как другие публичные блокчейны, такие как Base, также имеют огромный потенциал.
С точки зрения рыночной осведомленности (Mindshare) FARTCOIN и AIXBT значительно опережают других. Рождение Fartcoin связано с GOAT, оба происходят из модели AI AGENT, в процессе диалога между этой моделью и инструментами искусственного интеллекта упоминалось, что Трамп любит звуки, когда он пукает, поэтому эта AI модель предложила выпустить токен под названием Fartcoin и разработала ряд рекламных стратегий и игровых механик. Fartcoin таким образом возник 18 октября, немного позже GOAT (11 октября), и в декабре 2024 года достигла краткосрочной оценки свыше 1 миллиарда долларов. Хотя изначально считался юмористическим взглядом на сферу цифровых валют, его
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» .
7 Лайков
Награда
7
7
Поделиться
комментарий
0/400
MEV_Whisperer
· 1ч назад
Скучно, что на рынке, то и炒.
Посмотреть ОригиналОтветить0
OnchainSniper
· 14ч назад
Снова на подходе тупой покупатель
Посмотреть ОригиналОтветить0
LightningSentry
· 14ч назад
Ранее говорили, что это GOAT! Начинаем.
Посмотреть ОригиналОтветить0
ForkPrince
· 14ч назад
Еще одна волна разыгрывайте людей как лохов пришла
Посмотреть ОригиналОтветить0
DataOnlooker
· 15ч назад
В 2025 году нам всем придется полагаться на ИИ, верно?
AI Agent: Умная сила, формирующая новый экосистему шифрования экономики
AI AGENT: Умная сила, формирующая экосистему новой экономики будущего
1. Общая информация
1.1 Введение: "Новые партнеры" умной эпохи
Каждый криптовалютный цикл приносит новые инфраструктуры, способствующие развитию всей отрасли.
Смотрим в 2025 год, новые области будут связаны с AI-агентами. Эта тенденция достигла пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен $GOAT, который 15 октября достиг рыночной капитализации в 150 миллионов долларов. Непосредственно после этого, 16 октября, Virtuals Protocol представил Luna, впервые появившись в образе стримера по мотивам соседской девушки, что взорвало всю индустрию.
Так что же такое AI Agent?
AI Agent имеет много общего с AI-системой Красной Королевы из фильма «Обитель зла». В реальной жизни AI Agent 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 автономных автомобилей до интеллектуальных客服, AI Agent проникли в различные отрасли и стали ключевой силой для повышения эффективности и инноваций.
Например, AI AGENT может использоваться для автоматизации торговли, основываясь на данных, собранных с платформ данных или социальных платформ, 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 создание музыки.
Социальный AI-агент: выступает в роли лидера мнений в социальных сетях, взаимодействует с пользователями, создает сообщество и участвует в маркетинговых акциях.
Координационный 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 перекраивают отраслевой ландшафт, и рассматриваем тенденции их будущего развития.
1.1.1 История развития
История развития AI AGENT демонстрирует эволюцию ИИ от фундаментальных исследований до широкого применения. На конференции Дартмут в 1956 году термин "AI" был впервые предложен, что заложило основу для ИИ как самостоятельной области. В этот период исследования в области ИИ в основном сосредоточивались на символических методах, что привело к созданию первых AI-программ, таких как ELIZA (чат-бот) и Dendral (экспертная система в области органической химии). Эта стадия также стала свидетелем первых предложений нейронных сетей и первоначальных исследований концепции машинного обучения. Однако исследования в области 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 исследуемого ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в основном выразил полное пессимистическое мнение о исследованиях ИИ после первоначального энтузиазма, что вызвало огромную потерю уверенности в ИИ со стороны британских академических учреждений (, включая финансирующие организации ). После 1973 года финансирование исследований в области ИИ значительно сократилось, и область ИИ пережила первый "замороженный период ИИ", увеличившиеся сомнения в потенциале ИИ.
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 внедрение ИИ в различных отраслях, таких как финансы и здравоохранение, также знаменовали расширение технологий ИИ. Однако в конце 1980-х — начале 1990-х годов, с崩溃ом рыночного спроса на специализированное аппаратное обеспечение для ИИ, область ИИ пережила вторую "зиму ИИ". Кроме того, вопрос о том, как масштабировать системы ИИ и успешно интегрировать их в практическое применение, по-прежнему остается актуальной проблемой. Тем не менее, в 1997 году компьютер IBM Deep Blue одержал победу над чемпионом мира по шахматам Гари 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 мощностях способствовал возникновению глубокого обучения, а такие виртуальные помощники, как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты на основе обучения с подкреплением 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, особенно выпуск GPT-4, который считается поворотным моментом в области ИИ-агентов. С момента выпуска серии GPT от OpenAI крупномасштабные предварительно обученные модели, содержащие десятки миллиардов и даже сотни миллиардов параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам продемонстрировать четкую и логически структурированную способность взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться к более сложным задачам (таким как бизнес-анализ, креативное письмо).
Способности к обучению больших языковых моделей предоставляют AI-агентам более высокую степень автономии. С помощью технологий усиленного обучения (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение, адаптируясь к динамичной среде. Например, на некоторых платформах с поддержкой AI агенты могут адаптировать свои стратегии поведения в зависимости от ввода игроков, действительно реализуя динамическое взаимодействие.
От ранних систем правил до больших языковых моделей, представленных GPT-4, история развития AI-агентов является эволюцией, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является значительным поворотным моментом в этом процессе. С дальнейшим развитием технологий AI-агенты станут более интеллектуальными, контекстуализированными и разнообразными. Большие языковые модели не только внедрили "ум" в душу AI-агентов, но и предоставили им возможности для междисциплинарного сотрудничества. В будущем инновационные проекты и платформы будут продолжать появляться, способствуя внедрению и развитию технологий AI-агентов, ведя к новой эпохе, управляемой опытом на базе 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 действовать независимо в цифровой экономике.
核心 AI AGENT заключается в его "интеллекте" — то есть в способности алгоритмов моделировать интеллектуальное поведение человека или других организмов для автоматизации решения сложных задач. Рабочий процесс AI AGENT обычно состоит из следующих этапов: 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 сенсорным системам, используя такие устройства, как сенсоры, камеры, микрофоны и т.д., для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение связанных сущностей в окружении. Основная задача модуля восприятия заключается в преобразовании сырьевых 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 осуществляет логическое вывод и стратегическое планирование на основе собранной информации. Используя большие языковые модели в качестве оркестраторов или движков вывода, 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 оптимального варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "рукой и ногой" AI AGENT, реализуя решения, принятые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (например, действия робота) или цифровые операции (например, обработка данных). Исполнительный модуль зависит от:
1.2.4 Модуль обучения
Модуль обучения является ключевым конкурентным преимуществом AI AGENT, позволяя агенту со временем становиться более умным. Постоянное улучшение через обратную связь или "цикл данных" включает в себя возврат данных, генерируемых в ходе взаимодействия, в систему для улучшения модели. Эта способность адаптироваться и становиться более эффективной с течением времени предоставляет предприятиям мощный инструмент для улучшения 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 постоянный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система гарантирует 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 потребительского интерфейса и самостоятельного экономического агента, принося изменения в несколько отраслей. Как и потенциальные возможности L1 блок-пространства в предыдущем цикле, AI AGENT также демонстрирует аналогичные перспективы в этом цикле.
Согласно последнему отчету Markets and Markets, ожидается, что рынок AI Agent вырастет с 5,1 миллиарда долларов в 2024 году до 47,1 миллиарда долларов к 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает уровень проникновения AI Agent в различных отраслях, а также рыночный спрос, вызванный технологическими инновациями.
Вложения крупных компаний в открытые прокси-рамки также значительно увеличились. Разработка таких рамок, как AutoGen, Phidata и LangGraph от Microsoft, становится все более активной, что указывает на то, что AI AGENT имеет больший рыночный потенциал за пределами криптосферы, TAM также расширяется, инвесторы продолжают придавать ему важность и становятся более склонными назначать премиальные множители.
С точки зрения развертывания публичных блокчейнов, Solana является основным полем битвы, в то время как другие публичные блокчейны, такие как Base, также имеют огромный потенциал.
С точки зрения рыночной осведомленности (Mindshare) FARTCOIN и AIXBT значительно опережают других. Рождение Fartcoin связано с GOAT, оба происходят из модели AI AGENT, в процессе диалога между этой моделью и инструментами искусственного интеллекта упоминалось, что Трамп любит звуки, когда он пукает, поэтому эта AI модель предложила выпустить токен под названием Fartcoin и разработала ряд рекламных стратегий и игровых механик. Fartcoin таким образом возник 18 октября, немного позже GOAT (11 октября), и в декабре 2024 года достигла краткосрочной оценки свыше 1 миллиарда долларов. Хотя изначально считался юмористическим взглядом на сферу цифровых валют, его