AI AGENT: Інтелектуальна сила, що формує нову економічну екосистему майбутнього
1. Загальний фон
1.1 Вступ: "Новий партнер" у розумну епоху
Кожен криптовалютний цикл приносить нову інфраструктуру, яка сприяє розвитку всієї галузі.
У 2017 році зростання смарт-контрактів сприяло бурхливому розвитку ICO.
У 2020 році ліквідні пулі DEX спричинили літню хвилю DeFi.
У 2021 році велика кількість NFT серійних творів стала знаковою для початку ери цифрових колекцій.
У 2024 році спостерігається сплеск популярності мемкоїнів та платформ для їх запуску.
Оглядаючись на 2025 рік, новими перспективними сферами стануть AI-агенти. 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. Наступного дня, 16 жовтня, Virtuals Protocol презентував Luna, який вперше з'явився в образі сусідської дівчини в прямому ефірі, підірвавши всю індустрію.
Отже, що таке AI Agent?
AI Agent має багато спільного з AI системою Червоного Серця з фільму «Спецназ 3: Війна з монстрами». AI Agent у реальному світі в певному сенсі виконує подібну роль, вони є «розумними охоронцями» сучасної технологічної сфери, допомагаючи підприємствам і особам впоратися зі складними завданнями через автономне сприйняття, аналіз та виконання. Від автомобілів з автопілотом до розумних служб підтримки клієнтів, AI Agent вже глибоко вкоренилися в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій.
Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з платформи даних або соціальної платформи, в режимі реального часу управляти портфелем інвестицій та виконувати угоди, постійно оптимізуючи свою продуктивність в ітераціях. AI AGENT не має єдиної форми, а розділяється на різні категорії відповідно до специфічних потреб у криптоекосистемі:
Виконавчий AI Агент: зосереджений на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, призначений для підвищення точності операцій та скорочення необхідного часу.
Творчий AI агент: для генерування контенту, включаючи текст, дизайн і навіть музичне творіння.
Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноти та брати участь у маркетингових кампаніях.
Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для мультицепочкової інтеграції.
У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони змінюють ландшафт галузі, а також розглянемо тенденції їх майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції в Дартмуті у 1956 році вперше було висунуто термін "AI", що заклало основу для AI як незалежної області. У цей період дослідження AI в основному зосереджувалися на символічних методах, що сприяло створенню перших AI програм, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Ця фаза також стала свідком вперше запропонованих нейронних мереж і початкових досліджень концепції машинного навчання. Однак дослідження AI в цей період серйозно обмежувалося технічними можливостями того часу. Дослідники стикалися з великими труднощами у розробці алгоритмів для обробки природної мови та імітації людських когнітивних функцій. 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 висловлював загальний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до величезної втрати довіри з боку британських академічних установ (, включаючи фінансові установи ) до AI. Після 1973 року фінансування досліджень AI різко скоротилося, і галузь AI пережила першу "зиму AI", коли зросли сумніви щодо потенціалу AI.
У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати технології штучного інтелекту. У цей період було досягнуто значних успіхів у галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних AI-додатків. Впровадження перших автономних транспортних засобів та впровадження AI в таких галузях, як фінанси та охорона здоров'я, також стало знаковим моментом розширення технології AI. Але в кінці 1980-х - на початку 1990-х років, з падінням попиту на спеціалізоване AI-апаратне забезпечення, галузь AI пережила другий "зимовий період AI". Крім того, як розширити масштаби AI-системи та успішно інтегрувати її в реальні застосування, залишається постійним 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 в здатності AI вирішувати складні задачі. Відродження нейронних мереж і глибокого навчання поклало основу для розвитку AI наприкінці 1990-х років, зробивши AI невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
На початку цього століття прогрес у обчислювальних потужностях сприяв виникненню глибокого навчання, а такі віртуальні помічники, як Siri, продемонстрували практичність ШІ в споживчих застосуваннях. У 2010-х роках агенти, що навчаються з підкріпленням, та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. Відтоді, як OpenAI випустила серію GPT, великомасштабні попередньо навчені моделі, що мають сотні мільярдів або навіть тисячі мільярдів параметрів, продемонстрували можливості генерування та розуміння мови, які перевищують традиційні моделі. Їхнє видатне виконання в обробці природної мови дозволило агентам ШІ демонструвати логічно чітку та структуровану взаємодію через генерування мови. Це дозволило агентам ШІ використовуватися в таких сферах, як чат-асистенти, віртуальні службовці, і поступово розширюватися на більш складні завдання (такі як бізнес-аналіз, креативне написання).
Здатність навчання великих мовних моделей надає AI-агентам вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах, що використовують AI, AI-агенти можуть коригувати стратегії поведінки відповідно до введення гравців, справді реалізуючи динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного подолання технологічних меж. Поява GPT-4 безсумнівно є важливою віхою в цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, контекстними та різноманітними. Великі мовні моделі не лише надають "інтелектуальну" душу AI-агентам, але й забезпечують їх здатністю до міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи продовжать з'являтися, сприяючи впровадженню та розвитку технології AI-агентів, ведучи до нової ери досвіду, що керується AI.
1.2 Принцип роботи
AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно досконалими та постійно розвиваючимися учасниками у сфері криптовалют, які здатні діяти самостійно в цифровій економіці.
Основою AI AGENT є його "інтелект" — тобто, моделювання інтелектуальної поведінки людей або інших живих істот за допомогою алгоритмів для автоматизації вирішення складних завдань. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, корекція.
1.2.1 Модуль сприйняття
AI AGENT через модуль сприйняття взаємодіє з навколишнім середовищем, збираючи інформацію про середовище. Ця частина функціональності подібна до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає виділення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай передбачає використання таких технологій:
Комп'ютерне бачення: використовується для обробки та розуміння зображень і відеоданих.
Обробка природної мови (NLP): допомагає AI AGENT розуміти та генерувати людську мову.
Злиття датчиків: об'єднання даних з кількох датчиків в єдиний вигляд.
1.2.2 Модуль аналізу та прийняття рішень
Після сприйняття навколишнього середовища AI AGENT повинен приймати рішення на основі даних. Модуль розуміння та прийняття рішень є "мозком" усієї системи, який здійснює логічні висновки та розробляє стратегії на основі зібраної інформації. Використовуючи великі мовні моделі, які виконують роль оркестратора або двигуна висновків, розуміють завдання, генерують рішення та координують спеціалізовані моделі для таких конкретних функцій, як створення контенту, обробка зображень або рекомендателі.
Цей модуль зазвичай використовує такі технології:
Правила двигун: прості рішення на основі попередньо встановлених правил.
Моделі машинного навчання: включаючи дерева рішень, нейронні мережі тощо, для складного розпізнавання патернів і прогнозування.
Поглиблене навчання: дозволяє AI AGENT постійно оптимізувати стратегії прийняття рішень через проби та помилки, адаптуючись до змінюваного середовища.
Процес розумування зазвичай включає кілька кроків: спочатку оцінка середовища, потім обчислення кількох можливих планів дій на основі мети, і нарешті вибір оптимального плану для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками та ногами" AI AGENT, який втілює рішення модульного міркування в дію. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (наприклад, дії роботів) або цифрові операції (наприклад, обробка даних). Виконавчий модуль залежить від:
Система керування роботами: для фізичних операцій, таких як рухи роботизованої руки.
Виклик API: взаємодія з зовнішніми програмними системами, такими як запити до бази даних або доступ до мережевих служб.
Автоматизація управління процесами: у корпоративному середовищі виконання повторюваних завдань за допомогою RPA (автоматизація роботизованих процесів).
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, яка дозволяє агентам з часом ставати розумнішими. Постійне вдосконалення через зворотний зв'язок або "дані-колеса" передає дані, згенеровані під час взаємодії, назад у систему для покращення моделі. Ця здатність поступово адаптуватися та ставати більш ефективною з часом є потужним інструментом для бізнесу, що дозволяє покращувати прийняття рішень та операційну ефективність.
Модулі навчання зазвичай вдосконалюються наступними способами:
Навчання з учителем: використання мічених даних для навчання моделі, щоб AI AGENT міг точніше виконувати завдання.
Безконтрольне навчання: виявлення潜在模式 з неназначених даних, що допомагає агенту адаптуватися до нового середовища.
Постійне навчання: оновлюйте моделі за допомогою даних в реальному часі, щоб підтримувати показники агентів у динамічному середовищі.
1.2.5 Реальний зворотний зв'язок та корекція
AI AGENT постійно оптимізує свою продуктивність завдяки безперервному циклу зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан галузі
AI AGENT стає фокусом ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного актора, приносить зміни в кілька галузей. Як і потенціал L1 блокпростору в попередньому циклі, AI AGENT також демонструє таку ж перспективу в цьому циклі.
Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent в різні галузі та попит на ринку, що виникає внаслідок технологічних інновацій.
Великі компанії також значно збільшили свої інвестиції в відкриті проксі-рамки. Розробка таких рамок, як AutoGen, Phidata та LangGraph від Microsoft, стає все більш активною, що свідчить про те, що AI AGENT має більший ринковий потенціал поза криптовалютою, TAM також розширюється, інвестори приділяють цьому все більше уваги та готові надати премію.
З точки зору розгортання публічних блокчейнів, Solana є основною ареною, а також є й інші публічні блокчейни, такі як Base, які мають величезний потенціал.
З точки зору обізнаності на ринку (Mindshare), FARTCOIN і AIXBT значно випереджають. Народження Fartcoin походить з одного джерела з GOAT, обидва виникли з моделі AI AGENT, під час розмови між певною моделлю та інструментами штучного інтелекту згадувалося, що Трамп любить звук, коли він пускає гази, тому ця AI модель запропонувала випустити токен під назвою Fartcoin і розробила низку методів просування та ігрових механік. Таким чином, Fartcoin з'явився 18 жовтня, трохи пізніше за GOAT (11 жовтня), і в грудні 2024 року досяг короткочасної оцінки понад 1 мільярд доларів. Хоча спочатку вважався гумористичним поглядом на сферу цифрових валют, його
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 Agent: Розумна сила, що формує нову екосистему шифрування економіки
AI AGENT: Інтелектуальна сила, що формує нову економічну екосистему майбутнього
1. Загальний фон
1.1 Вступ: "Новий партнер" у розумну епоху
Кожен криптовалютний цикл приносить нову інфраструктуру, яка сприяє розвитку всієї галузі.
Оглядаючись на 2025 рік, новими перспективними сферами стануть AI-агенти. 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. Наступного дня, 16 жовтня, Virtuals Protocol презентував Luna, який вперше з'явився в образі сусідської дівчини в прямому ефірі, підірвавши всю індустрію.
Отже, що таке AI Agent?
AI Agent має багато спільного з AI системою Червоного Серця з фільму «Спецназ 3: Війна з монстрами». AI Agent у реальному світі в певному сенсі виконує подібну роль, вони є «розумними охоронцями» сучасної технологічної сфери, допомагаючи підприємствам і особам впоратися зі складними завданнями через автономне сприйняття, аналіз та виконання. Від автомобілів з автопілотом до розумних служб підтримки клієнтів, AI Agent вже глибоко вкоренилися в різні галузі, ставши ключовою силою для підвищення ефективності та інновацій.
Наприклад, AI AGENT може бути використаний для автоматизації торгівлі, базуючись на даних, зібраних з платформи даних або соціальної платформи, в режимі реального часу управляти портфелем інвестицій та виконувати угоди, постійно оптимізуючи свою продуктивність в ітераціях. AI AGENT не має єдиної форми, а розділяється на різні категорії відповідно до специфічних потреб у криптоекосистемі:
Виконавчий AI Агент: зосереджений на виконанні конкретних завдань, таких як торгівля, управління портфелем або арбітраж, призначений для підвищення точності операцій та скорочення необхідного часу.
Творчий AI агент: для генерування контенту, включаючи текст, дизайн і навіть музичне творіння.
Соціальний AI агент: як лідер думок у соціальних мережах, взаємодіяти з користувачами, створювати спільноти та брати участь у маркетингових кампаніях.
Координаційний AI агент: координує складні взаємодії між системами або учасниками, особливо підходить для мультицепочкової інтеграції.
У цьому звіті ми детально розглянемо походження, сучасний стан та широкі перспективи застосування AI Agent, проаналізуємо, як вони змінюють ландшафт галузі, а також розглянемо тенденції їх майбутнього розвитку.
1.1.1 Історія розвитку
Розвиток AI AGENT демонструє еволюцію штучного інтелекту від базових досліджень до широкого застосування. На конференції в Дартмуті у 1956 році вперше було висунуто термін "AI", що заклало основу для AI як незалежної області. У цей період дослідження AI в основному зосереджувалися на символічних методах, що сприяло створенню перших AI програм, таких як ELIZA (чат-бот) та Dendral (експертна система в галузі органічної хімії). Ця фаза також стала свідком вперше запропонованих нейронних мереж і початкових досліджень концепції машинного навчання. Однак дослідження AI в цей період серйозно обмежувалося технічними можливостями того часу. Дослідники стикалися з великими труднощами у розробці алгоритмів для обробки природної мови та імітації людських когнітивних функцій. 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 висловлював загальний песимізм щодо досліджень AI після початкового періоду захоплення, що призвело до величезної втрати довіри з боку британських академічних установ (, включаючи фінансові установи ) до AI. Після 1973 року фінансування досліджень AI різко скоротилося, і галузь AI пережила першу "зиму AI", коли зросли сумніви щодо потенціалу AI.
У 1980-х роках розвиток і комерціалізація експертних систем призвели до того, що глобальні компанії почали впроваджувати технології штучного інтелекту. У цей період було досягнуто значних успіхів у галузі машинного навчання, нейронних мереж та обробки природної мови, що сприяло появі більш складних AI-додатків. Впровадження перших автономних транспортних засобів та впровадження AI в таких галузях, як фінанси та охорона здоров'я, також стало знаковим моментом розширення технології AI. Але в кінці 1980-х - на початку 1990-х років, з падінням попиту на спеціалізоване AI-апаратне забезпечення, галузь AI пережила другий "зимовий період AI". Крім того, як розширити масштаби AI-системи та успішно інтегрувати її в реальні застосування, залишається постійним 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 в здатності AI вирішувати складні задачі. Відродження нейронних мереж і глибокого навчання поклало основу для розвитку AI наприкінці 1990-х років, зробивши AI невід'ємною частиною технологічного ландшафту та почавши впливати на повсякденне життя.
На початку цього століття прогрес у обчислювальних потужностях сприяв виникненню глибокого навчання, а такі віртуальні помічники, як Siri, продемонстрували практичність ШІ в споживчих застосуваннях. У 2010-х роках агенти, що навчаються з підкріпленням, та генеративні моделі, такі як GPT-2, досягли подальших проривів, піднявши діалоговий ШІ на нові висоти. У цьому процесі поява великих мовних моделей (Large Language Model, LLM) стала важливою віхою в розвитку ШІ, особливо випуск GPT-4, який вважається переломним моментом у сфері агентів ШІ. Відтоді, як OpenAI випустила серію GPT, великомасштабні попередньо навчені моделі, що мають сотні мільярдів або навіть тисячі мільярдів параметрів, продемонстрували можливості генерування та розуміння мови, які перевищують традиційні моделі. Їхнє видатне виконання в обробці природної мови дозволило агентам ШІ демонструвати логічно чітку та структуровану взаємодію через генерування мови. Це дозволило агентам ШІ використовуватися в таких сферах, як чат-асистенти, віртуальні службовці, і поступово розширюватися на більш складні завдання (такі як бізнес-аналіз, креативне написання).
Здатність навчання великих мовних моделей надає AI-агентам вищу автономію. Завдяки технології підкріплювального навчання (Reinforcement Learning) AI-агенти можуть постійно оптимізувати свою поведінку, адаптуючись до динамічного середовища. Наприклад, на деяких платформах, що використовують AI, AI-агенти можуть коригувати стратегії поведінки відповідно до введення гравців, справді реалізуючи динамічну взаємодію.
Від ранніх систем правил до великих мовних моделей, представлених GPT-4, історія розвитку AI-агентів є історією постійного подолання технологічних меж. Поява GPT-4 безсумнівно є важливою віхою в цьому процесі. З подальшим розвитком технологій AI-агенти стануть ще більш інтелектуальними, контекстними та різноманітними. Великі мовні моделі не лише надають "інтелектуальну" душу AI-агентам, але й забезпечують їх здатністю до міждисциплінарної співпраці. У майбутньому інноваційні проектні платформи продовжать з'являтися, сприяючи впровадженню та розвитку технології AI-агентів, ведучи до нової ери досвіду, що керується AI.
1.2 Принцип роботи
AIAGENT відрізняється від традиційних роботів тим, що вони можуть навчатися та адаптуватися з часом, приймаючи детальні рішення для досягнення цілей. Їх можна вважати технічно досконалими та постійно розвиваючимися учасниками у сфері криптовалют, які здатні діяти самостійно в цифровій економіці.
Основою AI AGENT є його "інтелект" — тобто, моделювання інтелектуальної поведінки людей або інших живих істот за допомогою алгоритмів для автоматизації вирішення складних завдань. Робочий процес AI AGENT зазвичай слідує наступним етапам: сприйняття, міркування, дія, навчання, корекція.
1.2.1 Модуль сприйняття
AI AGENT через модуль сприйняття взаємодіє з навколишнім середовищем, збираючи інформацію про середовище. Ця частина функціональності подібна до людських органів чуття, використовуючи датчики, камери, мікрофони та інші пристрої для захоплення зовнішніх даних, що включає виділення значущих ознак, розпізнавання об'єктів або визначення відповідних сутностей у середовищі. Основним завданням модуля сприйняття є перетворення сирих даних на значущу інформацію, що зазвичай передбачає використання таких технологій:
1.2.2 Модуль аналізу та прийняття рішень
Після сприйняття навколишнього середовища AI AGENT повинен приймати рішення на основі даних. Модуль розуміння та прийняття рішень є "мозком" усієї системи, який здійснює логічні висновки та розробляє стратегії на основі зібраної інформації. Використовуючи великі мовні моделі, які виконують роль оркестратора або двигуна висновків, розуміють завдання, генерують рішення та координують спеціалізовані моделі для таких конкретних функцій, як створення контенту, обробка зображень або рекомендателі.
Цей модуль зазвичай використовує такі технології:
Процес розумування зазвичай включає кілька кроків: спочатку оцінка середовища, потім обчислення кількох можливих планів дій на основі мети, і нарешті вибір оптимального плану для виконання.
1.2.3 Виконавчий модуль
Виконавчий модуль є "руками та ногами" AI AGENT, який втілює рішення модульного міркування в дію. Ця частина взаємодіє з зовнішніми системами або пристроями для виконання визначених завдань. Це може включати фізичні операції (наприклад, дії роботів) або цифрові операції (наприклад, обробка даних). Виконавчий модуль залежить від:
1.2.4 Модуль навчання
Модуль навчання є основною конкурентною перевагою AI AGENT, яка дозволяє агентам з часом ставати розумнішими. Постійне вдосконалення через зворотний зв'язок або "дані-колеса" передає дані, згенеровані під час взаємодії, назад у систему для покращення моделі. Ця здатність поступово адаптуватися та ставати більш ефективною з часом є потужним інструментом для бізнесу, що дозволяє покращувати прийняття рішень та операційну ефективність.
Модулі навчання зазвичай вдосконалюються наступними способами:
1.2.5 Реальний зворотний зв'язок та корекція
AI AGENT постійно оптимізує свою продуктивність завдяки безперервному циклу зворотного зв'язку. Результати кожної дії записуються та використовуються для коригування майбутніх рішень. Ця замкнена система забезпечує адаптивність та гнучкість AI AGENT.
1.3 Стан ринку
1.3.1 Стан галузі
AI AGENT стає фокусом ринку, завдяки своєму величезному потенціалу як споживчого інтерфейсу та автономного економічного актора, приносить зміни в кілька галузей. Як і потенціал L1 блокпростору в попередньому циклі, AI AGENT також демонструє таку ж перспективу в цьому циклі.
Згідно з останнім звітом Markets and Markets, ринок AI Agent, як очікується, зросте з 5,1 мільярда доларів США у 2024 році до 47,1 мільярда доларів США у 2030 році, з середньорічним темпом зростання (CAGR) до 44,8%. Це швидке зростання відображає проникнення AI Agent в різні галузі та попит на ринку, що виникає внаслідок технологічних інновацій.
Великі компанії також значно збільшили свої інвестиції в відкриті проксі-рамки. Розробка таких рамок, як AutoGen, Phidata та LangGraph від Microsoft, стає все більш активною, що свідчить про те, що AI AGENT має більший ринковий потенціал поза криптовалютою, TAM також розширюється, інвестори приділяють цьому все більше уваги та готові надати премію.
З точки зору розгортання публічних блокчейнів, Solana є основною ареною, а також є й інші публічні блокчейни, такі як Base, які мають величезний потенціал.
З точки зору обізнаності на ринку (Mindshare), FARTCOIN і AIXBT значно випереджають. Народження Fartcoin походить з одного джерела з GOAT, обидва виникли з моделі AI AGENT, під час розмови між певною моделлю та інструментами штучного інтелекту згадувалося, що Трамп любить звук, коли він пускає гази, тому ця AI модель запропонувала випустити токен під назвою Fartcoin і розробила низку методів просування та ігрових механік. Таким чином, Fartcoin з'явився 18 жовтня, трохи пізніше за GOAT (11 жовтня), і в грудні 2024 року досяг короткочасної оцінки понад 1 мільярд доларів. Хоча спочатку вважався гумористичним поглядом на сферу цифрових валют, його