Декодирование AI агента: умная сила, формирующая новую экономическую экосистему будущего
1. Обзор фона
1.1 Введение: "Новые партнеры" в умную эпоху
Каждый криптовалютный цикл приносит новое инфраструктурное развитие, способствующее росту всей отрасли.
В 2017 году рост смарт-контрактов вызвал бурное развитие ICO.
В 2020 году ликвидные пулы DEX принесли летний бум DeFi.
В 2021 году появление множества NFT-серийных работ ознаменовало приход эпохи цифровых коллекционных предметов.
В 2024 году возникнет волна мемкоинов и платформ для их запуска.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и циклов бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к огромным изменениям. Заглядывая в 2025 год, становится очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен $GOAT и 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу же 16 октября Virtuals Protocol представил Luna, впервые появившись в образе IP-стриминга соседской девушки, что взорвало всю отрасль.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Королева Червей. Королева Червей – это мощная AI-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 коренных функций Красного Короля много сходств. В реальном мире AI Agent в определенной степени играет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами благодаря автономному восприятию, анализу и выполнению. От самоуправляемых автомобилей до интеллектуальных служб поддержки, AI Agent проникли во все сферы, 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 быть использован для автоматизации торговли, основываясь на данных, собранных с Dexscreener или социальной платформы X, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свою производительность в процессе итерации. 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 требуемого времени.
Креативный ИИ-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает 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-агентов, проанализируем, как они изменяют структуру отрасли, и обсудим тенденции их будущего развития.
1.1.1 История развития
История развития ИИ-агентов демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что положило начало ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к созданию первых ИИ-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования ИИ 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 ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в значительной степени выразил полное пессимистическое отношение к исследованиям ИИ после первоначального восторга, что привело к значительной потере доверия со стороны академических учреждений( в Великобритании, включая организации по финансированию). После 1973 года финансирование исследований ИИ существенно сократилось, и область ИИ пережила первый "зимний период ИИ", что увеличило сомнения в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что компании по всему миру начали использовать 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 ознаменовали расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, эта область пережила вторую «зиму ИИ». Кроме того, вопрос масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается актуальной проблемой. 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 положило начало развитию ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав влиять на повседневную жизнь.
К началу XXI века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты усиленного обучения и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно запуск GPT-4, который рассматривается как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT от OpenAI большие предобученные модели, имеющие десятки миллиардов или даже сотни миллиардов параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам продемонстрировать логически ясные и последовательные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное письмо ).
Способность к обучению больших языковых моделей предоставляет AI-агентам более высокую степень автономности. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на платформах с AI, таких как Digimon Engine, AI-агенты могут корректировать свои стратеги поведения в зависимости от ввода игрока, тем самым обеспечивая динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут еще более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только наделили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем новые проектные платформы будут постоянно появляться, продолжая продвигать технологии AI-агентов к внедрению и развитию, ведя нас в новую эру, управляемую AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться со временем, принимая подробные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.
Суть AI AGENT заключается в его "интеллекте" ------ то есть в том, что с помощью алгоритмов имитируются интеллектуальные действия человека или других живых существ 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. Эта часть функции аналогична человеческим органам чувств и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих 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 ИИ-АГЕНТУ 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. Модули вывода и принятия решений являются "мозгом" всей системы, основанным на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, они понимают задачи, генерируют решения и координируют 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 заданных правил.
Модели машинного обучения: включают деревья решений, нейронные сети и т.д., используются для сложного распознавания образов и прогнозирования.
Укрепленное обучение: позволить AI AGENT постоянно оптимизировать стратегию 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 наилучшего варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "рукой и ногой" AI AGENT, реализующим решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
Система управления роботами: используется для физических операций, таких как движение роботизированной руки.
Вызовы API: взаимодействие с внешними программными системами, такими как запросы к базе данных или доступ к сетевым службам.
Автоматизированное управление процессами: в корпоративной среде с помощью RPA( роботизированной автоматизации процессов) выполняются повторяющиеся задачи.
1.2.4 Учебный модуль
Учебный модуль является核心竞争力 AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через цикл обратной связи или "данные-колеса", возвращая данные, генерируемые во взаимодействии, 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 эффективности операционной деятельности.
Модули обучения обычно улучшаются следующими способами:
Обучение с учителем: использование размеченных данных для обучения модели, чтобы AI AGENT мог более точно выполнять задачи.
Ненадзорное обучение: обнаружение潜在ных паттернов из неразмеченных данных, помогающее агенту адаптироваться к новой среде.
Непрерывное обучение: обновление модели с помощью данных в реальном времени, чтобы поддерживать производительность агента в динамичной среде.
1.2.5 Обратная связь в реальном времени и корректировка
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке, обладая огромным потенциалом в качестве потребительского интерфейса и самостоятельного экономического агента, приносящего изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT также 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 в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях и рыночный спрос, обусловленный 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 свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной области, а TAM также расширяется.
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» .
AI Agent: Формирование интеллектуальной силы нового экономики шифрования
Декодирование AI агента: умная сила, формирующая новую экономическую экосистему будущего
1. Обзор фона
1.1 Введение: "Новые партнеры" в умную эпоху
Каждый криптовалютный цикл приносит новое инфраструктурное развитие, способствующее росту всей отрасли.
Важно подчеркнуть, что старт этих вертикальных областей обусловлен не только технологическими инновациями, но и идеальным сочетанием моделей финансирования и циклов бычьего рынка. Когда возможности встречаются с подходящим моментом, это может привести к огромным изменениям. Заглядывая в 2025 год, становится очевидно, что новые области цикла 2025 года будут связаны с AI-агентами. Эта тенденция достигла своего пика в октябре прошлого года, когда 11 октября 2024 года был запущен токен $GOAT и 15 октября его рыночная капитализация достигла 150 миллионов долларов. Сразу же 16 октября Virtuals Protocol представил Luna, впервые появившись в образе IP-стриминга соседской девушки, что взорвало всю отрасль.
Итак, что такое AI Agent?
Все знакомы с классическим фильмом «Обитель зла», в котором впечатляет AI-система Королева Червей. Королева Червей – это мощная AI-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 коренных функций Красного Короля много сходств. В реальном мире AI Agent в определенной степени играет аналогичную роль, они являются "умными хранителями" в области современных технологий, помогая предприятиям и частным лицам справляться со сложными задачами благодаря автономному восприятию, анализу и выполнению. От самоуправляемых автомобилей до интеллектуальных служб поддержки, AI Agent проникли во все сферы, 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 быть использован для автоматизации торговли, основываясь на данных, собранных с Dexscreener или социальной платформы X, для управления портфелем в реальном времени и выполнения сделок, постоянно оптимизируя свою производительность в процессе итерации. 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 требуемого времени.
Креативный ИИ-агент: для генерации контента, включая текст, дизайн и даже музыкальное творчество.
Социальный AI агент: в качестве лидера мнений в социальных сетях взаимодействует с пользователями, создает 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-агентов, проанализируем, как они изменяют структуру отрасли, и обсудим тенденции их будущего развития.
1.1.1 История развития
История развития ИИ-агентов демонстрирует эволюцию ИИ от базовых исследований до широкого применения. На конференции в Дартмуте в 1956 году термин "ИИ" был впервые предложен, что положило начало ИИ как независимой области. В этот период исследования ИИ в основном сосредоточились на символических методах, что привело к созданию первых ИИ-программ, таких как ELIZA(, чат-бот) и Dendral(, экспертная система в области органической химии). Этот этап также стал свидетелем первого появления нейронных сетей и первоначального изучения концепции машинного обучения. Однако исследования ИИ 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 ИИ в Великобритании, который был опубликован в 1973 году. Отчет Лайтхилла в значительной степени выразил полное пессимистическое отношение к исследованиям ИИ после первоначального восторга, что привело к значительной потере доверия со стороны академических учреждений( в Великобритании, включая организации по финансированию). После 1973 года финансирование исследований ИИ существенно сократилось, и область ИИ пережила первый "зимний период ИИ", что увеличило сомнения в потенциале ИИ.
В 1980-х годах развитие и коммерциализация экспертных систем привели к тому, что компании по всему миру начали использовать 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 ознаменовали расширение технологий ИИ. Однако в конце 1980-х и начале 1990-х годов, с крахом спроса на специализированное оборудование для ИИ, эта область пережила вторую «зиму ИИ». Кроме того, вопрос масштабирования ИИ-систем и их успешной интеграции в реальные приложения по-прежнему остается актуальной проблемой. 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 положило начало развитию ИИ в конце 1990-х, сделав его неотъемлемой частью технологического ландшафта и начав влиять на повседневную жизнь.
К началу XXI века прогресс в вычислительных мощностях способствовал возникновению глубокого обучения, а виртуальные помощники, такие как Siri, продемонстрировали практическое применение ИИ в потребительских приложениях. В 2010-х годах агенты усиленного обучения и генеративные модели, такие как GPT-2, достигли дальнейших прорывов, подняв диалоговый ИИ на новую высоту. В этом процессе появление больших языковых моделей (Large Language Model, LLM) стало важной вехой в развитии ИИ, особенно запуск GPT-4, который рассматривается как поворотный момент в области ИИ-агентов. С момента выпуска серии GPT от OpenAI большие предобученные модели, имеющие десятки миллиардов или даже сотни миллиардов параметров, продемонстрировали способности генерации и понимания языка, превосходящие традиционные модели. Их выдающиеся результаты в обработке естественного языка позволили ИИ-агентам продемонстрировать логически ясные и последовательные взаимодействия через генерацию языка. Это позволило ИИ-агентам применяться в таких сценариях, как чат-ассистенты, виртуальные службы поддержки и постепенно расширяться на более сложные задачи (, такие как бизнес-анализ, креативное письмо ).
Способность к обучению больших языковых моделей предоставляет AI-агентам более высокую степень автономности. С помощью технологий обучения с подкреплением (Reinforcement Learning) AI-агенты могут постоянно оптимизировать свое поведение и адаптироваться к динамической среде. Например, на платформах с AI, таких как Digimon Engine, AI-агенты могут корректировать свои стратеги поведения в зависимости от ввода игрока, тем самым обеспечивая динамическое взаимодействие.
История развития AI-агентов от ранних систем правил до больших языковых моделей, представленных GPT-4, является историей эволюции, которая постоянно преодолевает технологические границы. Появление GPT-4, безусловно, является важной вехой в этом процессе. С дальнейшим развитием технологий AI-агенты станут еще более интеллектуальными, контекстуальными и разнообразными. Большие языковые модели не только наделили AI-агентов "умом", но и предоставили им возможность междисциплинарного сотрудничества. В будущем новые проектные платформы будут постоянно появляться, продолжая продвигать технологии AI-агентов к внедрению и развитию, ведя нас в новую эру, управляемую AI.
1.2 Принцип работы
AIAGENT отличается от традиционных роботов тем, что они способны учиться и адаптироваться со временем, принимая подробные решения для достижения целей. Их можно рассматривать как высококвалифицированных и постоянно развивающихся участников в области криптовалют, которые могут действовать независимо в цифровой экономике.
Суть AI AGENT заключается в его "интеллекте" ------ то есть в том, что с помощью алгоритмов имитируются интеллектуальные действия человека или других живых существ 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. Эта часть функции аналогична человеческим органам чувств и использует датчики, камеры, микрофоны и другие устройства для захвата внешних данных, включая извлечение значимых признаков, распознавание объектов или определение соответствующих 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. Модули вывода и принятия решений являются "мозгом" всей системы, основанным на собранной информации для логического вывода и разработки стратегий. Используя большие языковые модели в качестве оркестраторов или движков вывода, они понимают задачи, генерируют решения и координируют 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 наилучшего варианта для выполнения.
1.2.3 Исполнительный модуль
Исполнительный модуль является "рукой и ногой" AI AGENT, реализующим решения, принимаемые модулем вывода. Эта часть взаимодействует с внешними системами или устройствами для выполнения заданных задач. Это может включать физические операции (, такие как действия роботов ), или цифровые операции (, такие как обработка данных ). Исполнительный модуль зависит от:
1.2.4 Учебный модуль
Учебный модуль является核心竞争力 AI AGENT, он позволяет агентам со временем становиться более умными. Постоянное улучшение через цикл обратной связи или "данные-колеса", возвращая данные, генерируемые во взаимодействии, 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 эффективности операционной деятельности.
Модули обучения обычно улучшаются следующими способами:
1.2.5 Обратная связь в реальном времени и корректировка
AI AGENT оптимизирует свою производительность через постоянный цикл обратной связи. Результаты каждого действия фиксируются и используются для корректировки будущих решений. Эта замкнутая система обеспечивает адаптивность и гибкость AI AGENT.
1.3 Текущая ситуация на рынке
1.3.1 Текущее состояние отрасли
AI AGENT становится центром внимания на рынке, обладая огромным потенциалом в качестве потребительского интерфейса и самостоятельного экономического агента, приносящего изменения в несколько отраслей. Как и потенциал L1 блок-пространства в предыдущем цикле, AI AGENT также 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 в 2030 году, с годовым темпом роста (CAGR) до 44,8%. Этот быстрый рост отражает степень проникновения AI Agent в различных отраслях и рыночный спрос, обусловленный 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 свидетельствует о том, что AI AGENT имеет больший рыночный потенциал за пределами криптовалютной области, а TAM также расширяется.