Rapport de recherche approfondi (Partie II) : Analyse de l’état de l’intégration, du paysage concurrentiel et des opportunités futures de l’industrie de l’IA et des données Web3

L’émergence de GPT a attiré l’attention du monde entier sur les grands modèles de langage, et tous les milieux tentent d’utiliser cette « technologie noire » pour améliorer l’efficacité du travail et accélérer le développement de l’industrie. Future3 Campus et Footprint Analytics ont mené conjointement une étude approfondie sur les possibilités infinies de la combinaison de l’IA et du Web3, et ont publié conjointement un rapport de recherche intitulé « Analyse du statut d’intégration, du paysage concurrentiel et des opportunités futures de l’industrie des données de l’IA et du Web3 ». Le rapport de recherche est divisé en deux parties, et cet article est la deuxième partie, éditée par les chercheurs Sherry et Humphrey de Future3 Campus.

Résumé:

• La combinaison de l’IA et des données Web3 améliore l’efficacité du traitement des données et l’expérience utilisateur. À l’heure actuelle, l’exploration du LLM dans l’industrie des données blockchain se concentre principalement sur l’amélioration de l’efficacité du traitement des données grâce à la technologie de l’IA, la création d’agents d’IA en utilisant les avantages interactifs des LLM et l’utilisation de l’IA pour l’analyse des prix et des stratégies de trading.
• À l’heure actuelle, l’application de l’IA dans le domaine des données Web3 se heurte encore à certains défis, tels que l’exactitude, l’explicabilité, la commercialisation, etc. Il reste encore un long chemin à parcourir avant que l’intervention humaine ne soit complètement remplacée.
• La compétitivité de base des entreprises de données Web3 réside non seulement dans la technologie de l’IA elle-même, mais aussi dans les capacités d’accumulation de données et d’analyse et d’application approfondies des données.
• L’IA n’est peut-être pas la solution au problème de la commercialisation des produits de données à court terme, et la commercialisation nécessitera davantage d’efforts de productisation.

La situation actuelle et la voie de développement de la combinaison de l’industrie des données Web3 et de l’IA

1.1 Dune

Dune est actuellement la principale communauté d’analyse de données ouvertes dans l’industrie du Web3, fournissant des outils blockchain pour interroger, extraire et visualiser de grandes quantités de données, permettant aux utilisateurs et aux experts en analyse de données d’interroger les données on-chain de la base de données pré-remplie de Dune à l’aide de simples requêtes SQL et de former des graphiques et des opinions correspondants.

En mars 2023, Dune a présenté des plans pour l’IA et l’avenir de l’intégration des LLM, et en octobre, il a lancé son produit Dune AI. L’objectif principal des produits liés à l’IA de Dune est d’augmenter l’expérience utilisateur de Wizard avec les puissantes capacités linguistiques et analytiques des LLM afin de mieux fournir aux utilisateurs des requêtes de données et de l’écriture SQL sur Dune.

(1) Interprétation des requêtes : Le produit lancé en mars permet aux utilisateurs d’obtenir des explications en langage naturel des requêtes SQL en cliquant sur un bouton, qui est conçu pour aider les utilisateurs à mieux comprendre les requêtes SQL complexes, améliorant ainsi l’efficacité et la précision de l’analyse des données.

(2) Traduction des requêtes : Dune prévoit de migrer différents moteurs de requête SQL (tels que Postgres et Spark SQL) sur Dune vers DuneSQL, afin que les LLM puissent fournir des capacités de traduction automatisée du langage de requête pour aider les utilisateurs à effectuer une meilleure transition et faciliter la mise en œuvre des produits DuneSQL.

(3) Requête en langage naturel : Dune AI, sortie en octobre. Permet aux utilisateurs de poser des questions et d’obtenir des données en langage clair. L’objectif de cette fonctionnalité est de faciliter l’accès et l’analyse des données pour les utilisateurs qui n’ont pas besoin de connaissances SQL.

(4) Optimisation de la recherche : Dune prévoit d’utiliser les LLM pour améliorer les capacités de recherche et aider les utilisateurs à filtrer les informations plus efficacement.

(5) Base de connaissances de l’assistant : Dune prévoit de publier un chatbot pour aider les utilisateurs à naviguer rapidement dans les connaissances de la blockchain et de SQL dans la documentation Spellbook et Dune.

(6) Simplification de l’écriture SQL (Dune Wand) :D une a lancé la série d’outils SQL Wand en août. Create Wand permet aux utilisateurs de générer des requêtes complètes à partir d’invites en langage naturel, Edit Wand permet aux utilisateurs d’apporter des modifications aux requêtes existantes et la fonctionnalité de débogage débogue automatiquement les erreurs de syntaxe dans les requêtes. Au cœur de ces outils se trouve la technologie LLM, qui simplifie le processus d’écriture des requêtes et permet aux analystes de se concentrer sur la logique de base de l’analyse des données sans avoir à se soucier du code et de la syntaxe.

1.2 Analyse de l’empreinte

Footprint Analytics est un fournisseur de solutions de données blockchain qui fournit une plateforme d’analyse de données sans code, un produit d’API de données unifiée et Footprint Growth Analytics, une plateforme de BI pour les projets Web3, à l’aide de la technologie d’intelligence artificielle.

L’avantage de Footprint réside dans la création de sa ligne de production de données on-chain et d’outils écologiques, et dans la mise en place d’un data lake unifié pour ouvrir la métabase de données on-chain et off-chain et l’enregistrement industriel et commercial on-chain, afin d’assurer l’accessibilité, la facilité d’utilisation et la qualité des données lors de l’analyse et de l’utilisation par les utilisateurs. La stratégie à long terme d’Footprint se concentrera sur la profondeur technologique et la construction de plates-formes pour créer une « usine de machines » capable de produire des données et des applications on-chain.

Les produits d’empreinte sont combinés à l’IA comme suit :

Depuis le lancement du modèle LLM, Footprint explore la combinaison des produits de données existants et de l’IA pour améliorer l’efficacité du traitement et de l’analyse des données et créer un produit plus convivial. En mai 2023, Footprint a commencé à fournir aux utilisateurs des capacités d’analyse de données pour l’interaction en langage naturel, et est passé à des fonctionnalités de produit haut de gamme sur la base de son no-code d’origine, permettant aux utilisateurs d’obtenir rapidement des données et de générer des graphiques par le biais de conversations sans être familiers avec les tableaux et la conception de la plateforme.

En outre, les produits de données LLM + Web3 actuels sur le marché sont principalement axés sur la résolution des problèmes d’abaissement du seuil d’utilisation de l’utilisateur et de changement du paradigme d’interaction, et l’objectif de Footprint dans le développement de produits et d’IA n’est pas seulement d’aider les utilisateurs à résoudre le problème de l’analyse des données et de l’expérience utilisateur, mais également de précipiter les données verticales et la compréhension commerciale dans le domaine de la cryptographie, ainsi que de former des modèles de langage dans le domaine de la cryptographie pour améliorer l’efficacité et la précision des applications de scènes verticales. Les points forts d’Footprint à cet égard se refléteront dans les domaines suivants :

• Quantité de connaissances sur les données (qualité et quantité de la base de connaissances). L’efficacité de l’accumulation, de la source, de la quantité et de la catégorie des données. En particulier, le sous-produit Footprint MetaMosaic incarne l’accumulation de graphes relationnels et de données statiques pour une logique métier spécifique.
• Architecture des connaissances. Footprint a accumulé plus de 30 chaînes publiques, abstrait des tableaux de données structurées par section d’activité. La connaissance du processus de production, des données brutes aux données structurées, peut à son tour renforcer la compréhension des données brutes et mieux entraîner les modèles.
• Type de données. Il existe un écart important entre l’efficacité de la formation et le coût des machines par rapport à l’entraînement des données brutes non standard et non structurées sur la chaîne, ainsi qu’à l’entraînement des tableaux de données et des mesures structurés et significatifs pour l’entreprise. Un exemple typique est la nécessité de fournir plus de données au LLM, ce qui nécessite des données plus lisibles et structurées en plus des données professionnelles basées sur le champ de chiffrement, et un plus grand nombre d’utilisateurs comme données de retour.
• Données sur les flux d’argent cryptographiques. L’empreinte fait abstraction des données sur les flux de capitaux étroitement liées à l’investissement, qui comprennent l’heure, le sujet (y compris le flux), le type de jeton, le montant (prix du jeton au moment associé), le type d’entreprise et les étiquettes des jetons et des entités, qui peuvent être utilisées comme base de connaissances et source de données pour le LLM afin d’analyser les principaux fonds de jetons, de localiser la distribution des puces, de surveiller le flux de fonds, d’identifier les changements sur la chaîne, de suivre les fonds intelligents, etc.
• Injection de données privées. Footprint divise le modèle en trois couches, l’une est le modèle de base avec la connaissance du monde (OpenAI et d’autres modèles open source), le modèle vertical des domaines subdivisés et le modèle de connaissances expertes personnalisées. Il permet aux utilisateurs d’unifier leurs bases de connaissances provenant de différentes sources sur Footprint à des fins de gestion, et d’utiliser des données privées pour former des LLM privés, ce qui convient à des scénarios d’application plus personnalisés.

Dans l’exploration de l’empreinte combinée au modèle LLM, une série de défis et de problèmes ont également été rencontrés, dont les plus typiques sont des jetons insuffisants, des invites chronophages et des réponses instables. Le plus grand défi auquel est confronté le domaine vertical des données on-chain où se trouve Footprint est qu’il existe de nombreux types d’entités de données on-chain, un grand nombre d’entre elles, et des changements rapides, et que la forme sous laquelle les transmettre aux LLM nécessite plus de recherche et d’exploration de la part de l’ensemble de l’industrie. La chaîne d’outils actuelle est encore relativement précoce et d’autres outils sont nécessaires pour résoudre certains problèmes spécifiques.

L’avenir de l’intégration d’Footprint à l’IA dans la technologie et les produits comprend les éléments suivants :

(1) En termes de technologie, l’empreinte sera explorée et optimisée sous trois aspects en combinaison avec le modèle LLM

• Prise en charge du LLM pour l’inférence sur les données structurées, de sorte qu’une grande quantité de données structurées et de connaissances dans le domaine crypté puisse être appliquée à la consommation et à la production de données LLM.
• Aidez les utilisateurs à créer une base de connaissances personnalisée (y compris les connaissances, les données et l’expérience) et à utiliser les données privées pour améliorer la capacité des LLM cryptographiques optimisés, afin que chacun puisse créer ses propres modèles.
• Grâce à l’analyse assistée par l’IA et à la production de contenu, les utilisateurs peuvent créer leur propre GPT par le biais d’un dialogue, combiné à des données sur les flux de fonds et à une base de connaissances privée, pour produire et partager du contenu d’investissement en cryptomonnaies.

(2) En termes de produits, Footprint se concentrera sur l’exploration de l’application des produits d’IA et l’innovation des modèles d’affaires. Selon le récent plan de promotion d’Footprint pour le produit, il lancera une plate-forme de génération et de partage de contenu cryptographique IA pour les utilisateurs.

De plus, pour l’expansion de futurs partenaires, Footprint explorera les deux aspects suivants :

Tout d’abord, renforcer la coopération avec les KOL pour aider à la production de contenu de valeur, au fonctionnement de la communauté et à la monétisation des connaissances.

Deuxièmement, développer davantage de parties de projet coopératives et de fournisseurs de données, créer une incitation ouverte et gagnant-gagnant pour les utilisateurs et une coopération en matière de données, et établir une plate-forme de services de données à guichet unique mutuellement bénéfique et gagnant-gagnant.

1.3 Sécurité GoPlusGoplus

GoPlus Security est actuellement la principale infrastructure de sécurité des utilisateurs dans l’industrie du Web3, fournissant une variété de services de sécurité destinés aux utilisateurs. À l’heure actuelle, il a été intégré aux portefeuilles numériques grand public, aux sites Web du marché, à Dex et à diverses autres applications Web3 sur le marché. Les utilisateurs peuvent utiliser directement diverses fonctionnalités de protection de sécurité telles que la détection de la sécurité des actifs, l’autorisation de transfert et l’anti-hameçonnage. GoPlus fournit des solutions de sécurité des utilisateurs qui couvrent l’ensemble du cycle de vie de la sécurité des utilisateurs afin de protéger les actifs des utilisateurs contre divers types d’attaquants.

Le développement et la planification de GoPlus et de l’IA sont les suivants :

L’exploration principale de GoPlus dans le domaine de la technologie de l’IA se reflète dans ses deux produits : AI Automated Detection et AI Security Assistant :

(1) Détection automatique de l’IA

Depuis 2022, GoPlus a développé son propre moteur de détection automatisé basé sur l’IA pour améliorer de manière globale l’efficacité et la précision de la détection de sécurité. Le moteur de sécurité de GoPlus utilise une approche multicouche en entonnoir pour la détection de code statique, la détection dynamique et la détection de fonctionnalités ou de comportements. Ce processus de détection composite permet au moteur d’identifier et d’analyser efficacement les caractéristiques des échantillons potentiellement risqués afin de modéliser efficacement les types et les comportements d’attaque. Ces modèles sont essentiels à l’identification et à la prévention des menaces de sécurité par le moteur, et ils aident le moteur à déterminer si un échantillon de risque présente une signature d’attaque spécifique. De plus, après une longue période d’itération et d’optimisation, le moteur de sécurité GoPlus a accumulé une multitude de données et d’expériences en matière de sécurité, et son architecture peut répondre rapidement et efficacement aux menaces de sécurité émergentes, garantir que diverses attaques complexes et nouvelles peuvent être détectées et bloquées en temps opportun, et que les utilisateurs peuvent être protégés de manière globale. À l’heure actuelle, le moteur utilise des algorithmes et des technologies liés à l’IA dans de multiples scénarios de sécurité tels que la détection de contrats à risque, la détection de sites Web de phishing, la détection d’adresses malveillantes et la détection de transactions risquées. D’autre part, cela réduit la complexité et le coût en temps de la participation manuelle, et améliore la précision du jugement des échantillons de risque, en particulier pour les nouveaux scénarios difficiles à définir manuellement ou difficiles à identifier par les moteurs, l’IA peut mieux agréger les caractéristiques et former des méthodes d’analyse plus efficaces**.

En 2023, au fur et à mesure de l’évolution des grands modèles, GoPlus s’est rapidement adapté et a adopté les LLM. Par rapport aux algorithmes d’IA traditionnels, les LLM sont nettement plus efficaces et efficients dans l’identification, le traitement et l’analyse des données. Dans le sens des tests de fuzz dynamiques, GoPlus utilise la technologie LLM pour générer efficacement des séquences de transactions et explorer des états plus profonds pour découvrir les risques contractuels.

(2) Assistant de sécurité IA

GoPlus développe également des assistants de sécurité basés sur l’IA qui exploitent les capacités de traitement du langage naturel basées sur le LLM pour fournir des conseils de sécurité instantanés et améliorer l’expérience utilisateur. Sur la base du grand modèle GPT, l’assistant d’IA a développé un ensemble d’agents de sécurité utilisateur auto-développés grâce à l’entrée de données commerciales frontales, qui peuvent automatiquement analyser, générer des solutions, désassembler des tâches et les exécuter en fonction des problèmes, et fournir aux utilisateurs les services de sécurité dont ils ont besoin. Les assistants d’IA simplifient la communication entre les utilisateurs et les problèmes de sécurité, réduisant ainsi les obstacles à la compréhension.

En termes de fonctions du produit, en raison de l’importance de l’IA dans le domaine de la sécurité, l’IA a le potentiel de changer complètement la structure des moteurs de sécurité ou des moteurs antivirus antivirus existants à l’avenir, et une nouvelle architecture de moteur avec l’IA comme noyau apparaîtra. GoPlus continuera d’entraîner et d’optimiser ses modèles d’IA pour transformer l’IA d’un outil d’assistance à la fonctionnalité de base de son moteur de détection de sécurité.

En termes de modèle économique, bien que les services de GoPlus soient actuellement principalement destinés aux développeurs et aux parties prenantes du projet, la société explore davantage de produits et de services directement pour les utilisateurs finaux C, ainsi que de nouveaux modèles de revenus liés à l’IA. Fournir des services C-end efficaces, précis et à faible coût sera la principale compétitivité de GoPlus à l’avenir. Cela obligera les entreprises à poursuivre leurs recherches et à faire plus de formation et de production sur les grands modèles d’IA qui interagissent avec les utilisateurs. Dans le même temps, GoPlus collaborera également avec d’autres équipes pour partager ses données de sécurité et piloter des applications d’IA dans le domaine de la sécurité grâce à la collaboration afin de se préparer à d’éventuels changements futurs dans l’industrie.

1.4 Trusta Labs

Fondée en 2022, Trusta Labs est une start-up de données alimentée par l’IA dans l’espace Web3. Trusta Labs se concentre sur le traitement efficace et l’analyse précise des données de la blockchain à l’aide d’une technologie avancée d’intelligence artificielle pour construire la réputation on-chain et l’infrastructure de sécurité de la blockchain. Actuellement, l’activité de Trusta Labs se compose de deux produits principaux : TrustScan et TrustGo.

(1) TrustScan, TrustScan est un produit conçu pour les clients B-end, principalement utilisé pour aider les projets Web3 à analyser le comportement des utilisateurs on-chain et à affiner la superposition en termes d’acquisition d’utilisateurs, d’activité des utilisateurs et de rétention des utilisateurs, afin d’identifier les utilisateurs réels et à forte valeur ajoutée.

(2) TrustGo, un produit destiné aux clients finaux C, fournit un outil d’analyse MEDIA qui permet d’analyser et d’évaluer les adresses on-chain à partir de cinq dimensions (montant du fonds, activité, diversité, droits d’identité et fidélité), et le produit met l’accent sur l’analyse approfondie des données on-chain pour améliorer la qualité et la sécurité des décisions de transaction.

Le développement et la planification de Trusta Labs et de l’IA sont les suivants :

À l’heure actuelle, les deux produits de Trusta Labs utilisent des modèles d’IA pour traiter et analyser les données d’interaction des adresses on-chain. Les données comportementales des interactions d’adresse sur la blockchain sont une séquence de données, ce qui convient très bien à l’entraînement de modèles d’IA. Dans le processus de nettoyage, d’organisation et d’étiquetage des données on-chain, Trusta Labs confie une grande partie du travail à l’IA, ce qui améliore considérablement la qualité et l’efficacité du traitement des données, tout en réduisant considérablement les coûts de main-d’œuvre. Trusta Labs utilise la technologie de l’IA pour effectuer une analyse approfondie et l’exploration des données d’interaction d’adresses on-chain, ce qui permet d’identifier efficacement une adresse Witch plus probable pour les clients B-end. Tursta Labs a été en mesure de prévenir les attaques potentielles de Sybil dans un certain nombre de projets qui ont utilisé les produits Tursta Labs, et pour les clients finaux, TrustGo a tiré parti des modèles d’IA existants pour aider les utilisateurs à mieux comprendre leurs données de comportement on-chain.

Trusta Labs a suivi de près les progrès techniques et les pratiques d’application des modèles LLM. Alors que le coût de l’entraînement et de l’inférence des modèles continue de diminuer, ainsi que l’accumulation d’une grande quantité de données de corpus et de comportement des utilisateurs dans le domaine du Web3, Trusta Labs cherchera le bon moment pour introduire la technologie LLM et utiliser la productivité de l’IA pour fournir des capacités d’exploration et d’analyse de données plus approfondies aux produits et aux utilisateurs. Sur la base des données abondantes déjà fournies par Trusta Labs, on espère que le modèle d’analyse intelligent de l’IA pourra être utilisé pour fournir des fonctions d’interprétation des données plus raisonnables et objectives pour les résultats des données, telles que l’interprétation qualitative et quantitative de l’analyse du compte Sybil capturé pour les utilisateurs finaux B, afin que les utilisateurs puissent mieux comprendre l’analyse des raisons derrière les données, et en même temps, il peut fournir un support matériel plus détaillé aux utilisateurs finaux B lorsqu’ils se plaignent et expliquent à leurs clients.

D’autre part, Trusta Labs prévoit également d’utiliser des modèles LLM open source ou matures et de combiner des concepts de conception centrés sur l’intention pour créer des agents d’IA afin d’aider les utilisateurs à résoudre les problèmes d’interaction on-chain plus rapidement et plus efficacement. En ce qui concerne les scénarios d’application spécifiques, à l’avenir, grâce à l’assistant intelligent AI Agent basé sur la formation LLM dispensée par Trusta Labs, les utilisateurs pourront communiquer avec l’assistant intelligent directement par le biais du langage naturel, et l’assistant intelligent pourra « intelligemment » remonter les informations relatives aux données de la chaîne, et faire des suggestions et des plans pour les opérations de suivi en fonction des informations fournies, réalisant véritablement une opération intelligente à guichet unique centrée sur l’intention de l’utilisateur, réduisant considérablement le seuil d’utilisation des données par les utilisateurs et simplifiant l’exécution des opérations sur la chaîne.

En outre, Trusta estime qu’avec l’émergence de plus en plus de produits de données basés sur l’IA à l’avenir, le facteur concurrentiel de base de chaque produit n’est peut-être pas le modèle LLM utilisé, mais le facteur concurrentiel clé est une compréhension et une interprétation plus approfondies des données déjà maîtrisées. Sur la base de l’analyse des données maîtrisées, combinée à des modèles LLM, des modèles d’IA plus « intelligents » peuvent être entraînés.

1.5 0xScope

0xScope, fondée en 2022, est une plateforme d’innovation centrée sur les données axée sur la combinaison de la technologie blockchain et de l’intelligence artificielle. 0xScope vise à changer la façon dont les gens traitent, utilisent et regardent les données. 0xScope est actuellement disponible pour les clients côté B et côté C : les produits SaaS 0xScope et 0xScopescan.

(1) Les produits SaaS 0xScope, une solution SaaS pour les entreprises, permettent aux entreprises clientes d’effectuer une gestion post-investissement, de prendre de meilleures décisions d’investissement, de comprendre le comportement des utilisateurs et de surveiller de près la dynamique concurrentielle.

et (2) 0xScopescan, un produit B2C qui permet aux traders de crypto-monnaies d’enquêter sur le flux et l’activité des fonds sur des blockchains sélectionnées.

L’objectif commercial de 0xScope est d’utiliser les données on-chain pour abstraire un modèle de données commun, simplifier l’analyse des données on-chain et transformer les données on-chain en données opérationnelles on-chain compréhensibles, afin d’aider les utilisateurs à effectuer une analyse approfondie des données on-chain**. En utilisant la plate-forme d’outils de données fournie par 0xScope, il peut non seulement améliorer la qualité des données sur la chaîne, exploiter les informations cachées des données, afin de révéler plus d’informations aux utilisateurs, mais aussi réduire considérablement le seuil de l’exploration de données.

Le développement et la planification de 0xScope et de l’IA sont les suivants :

Les produits de 0xScope sont mis à niveau en combinaison avec de grands modèles, ce qui comprend deux directions : premièrement, réduire davantage le seuil pour les utilisateurs grâce à l’interaction en langage naturel, et deuxièmement, utiliser des modèles d’IA pour améliorer l’efficacité du traitement dans le nettoyage, l’analyse, la modélisation et l’analyse des données. Dans le même temps, les produits de 0xScope lanceront bientôt un module interactif d’IA avec fonction Chat, qui réduira considérablement le seuil permettant aux utilisateurs d’interroger et d’analyser les données, et d’interagir et d’interroger les données sous-jacentes uniquement par le biais du langage naturel.

Cependant, dans le processus de formation et d’utilisation de l’IA, 0xScope a constaté qu’elle était toujours confrontée aux défis suivants : Premièrement, le coût et le coût en temps de la formation de l’IA étaient élevés. Après avoir posé une question, il faut beaucoup de temps à l’IA pour répondre**. Par conséquent, cette difficulté oblige les équipes à rationaliser et à se concentrer sur les processus métier et à se concentrer sur les questions-réponses verticales, plutôt que d’en faire un super assistant d’IA polyvalent. Deuxièmement, la sortie du modèle LLM est incontrôlable. **Les produits de données espèrent donner des résultats précis, mais les résultats donnés par le modèle LLM actuel sont susceptibles d’être différents de la situation réelle, ce qui est très fatal à l’expérience des produits de données. De plus, la sortie du grand modèle peut impliquer les données privées de l’utilisateur. Par conséquent, lors de l’utilisation du modèle LLM dans le produit, l’équipe doit le limiter dans une large mesure afin que la sortie du modèle d’IA puisse être contrôlée et précise.

À l’avenir, 0xScope prévoit d’utiliser l’IA pour se concentrer sur des pistes verticales spécifiques et approfondir leur culture. À l’heure actuelle, sur la base de l’accumulation d’une grande quantité de données on-chain, 0xScope peut définir l’identité des utilisateurs on-chain, et continuera à utiliser des outils d’IA pour abstraire le comportement des utilisateurs on-chain, puis créer un système de modélisation de données unique, à travers lequel les informations cachées des données on-chain sont révélées.

En termes de coopération, 0xScope se concentrera sur deux types de groupes : la première catégorie, les objets que le produit peut directement servir, tels que les développeurs, les parties au projet, les VC, les échanges, etc., qui ont besoin des données fournies par le produit actuel, et la deuxième catégorie, les partenaires qui ont besoin d’AI Chat, tels que Debank, Chainbase, etc., n’ont besoin que de connaissances et de données pertinentes pour appeler directement AI Chat.

VC insight - la commercialisation et le développement futur des entreprises de données AI+Web3

À travers des entretiens avec 4 investisseurs VC seniors, cette section examinera la situation actuelle et le développement de l’industrie des données AI+Web3, la compétitivité de base des entreprises de données Web3 et la future voie de commercialisation du point de vue de l’investissement et du marché.

2.1 Situation actuelle et développement de l’industrie des données AI+Web3

À l’heure actuelle, la combinaison de l’IA et des données Web3 est à un stade d’exploration active, et du point de vue de l’orientation du développement de diverses entreprises de données Web3 de premier plan, la combinaison de la technologie de l’IA et du LLM est une tendance indispensable. Mais en même temps, les LLM ont leurs propres limites techniques et ne peuvent pas résoudre de nombreux problèmes de l’industrie actuelle des données.

Par conséquent, nous devons reconnaître qu’il n’est pas nécessaire de combiner aveuglément avec l’IA pour améliorer les avantages d’un projet, ou d’utiliser les concepts d’IA pour faire du battage médiatique, mais d’explorer des domaines d’application qui sont vraiment pratiques et prometteurs. Du point de vue de VC, la combinaison de l’IA et des données Web3 a été explorée sous les aspects suivants :

(1) Améliorer les capacités des produits de données Web3 grâce à la technologie de l’IA, y compris la technologie de l’IA pour aider les entreprises à améliorer l’efficacité du traitement et de l’analyse des données internes, et améliorer en conséquence la capacité d’analyser et de récupérer automatiquement les produits de données des utilisateurs. **Par exemple, Yuxing de SevenX Ventures a mentionné que la principale aide de l’utilisation de la technologie de l’IA pour les données Web3 est l’efficacité, comme l’utilisation par Dune de modèles LLM pour la détection des anomalies de code et la conversion du langage naturel pour générer du SQL pour l’indexation des informations ; Le modèle est pré-étiqueté avec des données, ce qui peut économiser beaucoup de coûts de main-d’œuvre. Néanmoins, VC conviennent que l’IA joue un rôle auxiliaire dans l’amélioration des capacités et de l’efficacité des produits de données Web3, tels que la pré-annotation des données, qui peut finalement nécessiter un examen humain pour garantir l’exactitude. **

(2) Utiliser les avantages du LLM en termes d’adaptabilité et d’interaction pour créer un agent/bot d’IA. **Par exemple, les grands modèles de langage sont utilisés pour récupérer les données de l’ensemble du Web3, y compris les données on-chain et les données d’actualités off-chain, pour l’agrégation d’informations et l’analyse de l’opinion publique. Harper de Hashkey Capital estime que ce type d’agent d’IA est plus enclin à l’intégration, à la génération et à l’interaction avec les utilisateurs, et sera relativement faible en termes de précision et d’efficacité de l’information.

Bien qu’il y ait eu de nombreux cas d’application des deux aspects ci-dessus, la technologie et les produits en sont encore aux premiers stades de l’exploration, il est donc nécessaire d’optimiser continuellement la technologie et d’améliorer les produits à l’avenir.

(3) Utilisation de l’IA pour l’analyse des prix et de la stratégie de trading : À l’heure actuelle, il existe des projets sur le marché qui utilisent la technologie de l’IA pour estimer le prix des NFT, tels que les NFTGo investis par Qiming Venture Partners, et certaines équipes de trading professionnelles utilisent l’IA pour l’analyse des données et l’exécution des transactions. De plus, Ocean Protocol a récemment publié un produit d’IA de prédiction de prix. Ce type de produit peut sembler imaginatif, mais encore faut-il le vérifier en termes d’acceptation du produit, d’acceptation par les utilisateurs, et surtout de précision.

D’autre part, de nombreux VC, en particulier ceux qui ont investi dans le Web2 VC accorderont plus d’attention aux avantages et aux scénarios d’application que le Web3 et la technologie blockchain peuvent apporter à la technologie de l’IA. L’ouverture, la vérifiabilité et la décentralisation de la blockchain, ainsi que la capacité de la cryptographie à assurer la protection de la vie privée, associées à la refonte des relations de production par le Web3, pourraient apporter de nouvelles opportunités à l’IA :

(1) Confirmation et vérification de la propriété des données de l’IA. L’avènement de l’IA a rendu la génération de contenu de données proliférante et bon marché. **Tang Yi de Qiming Venture Partners a mentionné qu’il est difficile de déterminer la qualité et le créateur de contenu tel que les œuvres numériques. À cet égard, la confirmation du contenu des données nécessite un système complètement nouveau, et la blockchain peut être en mesure d’aider. Zixi de Matrix Partners a mentionné qu’il existe des échanges de données qui mettent des données dans NFT pour les échanger, ce qui peut résoudre le problème de la confirmation des droits sur les données.

En outre, Yuxing de SevenX Ventures a mentionné que les données Web3 peuvent améliorer le problème de la fraude à l’IA et de la boîte noire, qui présente actuellement des problèmes de boîte noire à la fois dans l’algorithme du modèle lui-même et dans les données, ce qui peut entraîner des résultats biaisés. Cependant, les données Web3 sont transparentes, les données sont ouvertes et vérifiables, et les sources d’entraînement et les résultats des modèles d’IA seront plus clairs, ce qui rendra l’IA plus équitable et réduira les biais et les erreurs. Cependant, la quantité actuelle de données dans le Web3 n’est pas suffisante pour renforcer la formation de l’IA elle-même, elle ne sera donc pas réalisée à court terme. Mais nous pouvons tirer parti de cette fonctionnalité pour mettre les données Web2 sur la chaîne afin d’éviter les deepfakes d’IA. **

(2) L’annotation de données d’IA en crowdsourcing et la communauté UGC : À l’heure actuelle, l’annotation traditionnelle de l’IA est confrontée au problème de la faible efficacité et de la qualité, en particulier dans le domaine des connaissances professionnelles, qui peuvent également nécessiter des connaissances interdisciplinaires, impossibles à couvrir par les sociétés d’annotation de données générales traditionnelles, et doivent souvent être effectuées en interne par des équipes professionnelles. L’introduction du crowdsourcing pour l’annotation des données à travers les concepts de blockchain et de Web3 peut être un bon moyen d’améliorer ce problème, comme Questlab investi par Matrix Partners, qui utilise la technologie blockchain pour fournir des services de crowdsourcing pour l’annotation des données. De plus, dans certaines communautés de modèles open-source, le concept de blockchain peut également être utilisé pour résoudre le problème de l’économie des créateurs de modèles.

(3) Déploiement de la confidentialité des données : la technologie blockchain combinée aux technologies liées à la cryptographie peut garantir la confidentialité et la décentralisation des données. Zixi de Matrix Partners a mentionné qu’ils ont investi dans une société de données synthétiques qui génère des données synthétiques par le biais de grands modèles, qui peuvent être principalement utilisés dans les tests de logiciels, l’analyse de données et l’entraînement de grands modèles d’IA. Les entreprises sont impliquées dans de nombreux problèmes de déploiement de la confidentialité lors du traitement des données, et l’utilisation de la blockchain Oasis peut efficacement éviter les problèmes de confidentialité et de réglementation.

2.2AI+Web3Comment renforcer la compétitivité des entreprises de données

Pour les entreprises technologiques Web3, l’introduction de l’IA peut augmenter l’attractivité ou l’attention du projet dans une certaine mesure, mais à l’heure actuelle, la plupart des produits liés aux entreprises technologiques Web3 combinés à l’IA ne suffisent pas à devenir le cœur de la compétitivité de l’entreprise, mais plutôt à fournir une expérience plus conviviale et à améliorer l’efficacité. Par exemple, le seuil pour les agents d’IA n’est pas élevé, et l’entreprise qui le fait en premier peut avoir un avantage de premier arrivé sur le marché, mais cela ne crée pas de barrières. **

Ce qui génère vraiment une compétitivité et des obstacles de base dans l’industrie des données Web3 devrait être les capacités de données de l’équipe et la façon d’appliquer la technologie de l’IA pour résoudre des problèmes dans des scénarios d’analyse spécifiques. **

Tout d’abord, les capacités de données de l’équipe comprennent la source de données et la capacité de l’équipe à analyser les données et à ajuster le modèle, ce qui constitue la base des travaux ultérieurs. Dans l’interview, SevenX Ventures, Matrix Partners et Hashkey Capital ont tous unanimement mentionné que la compétitivité de base des entreprises de données IA+Web3 dépend de la qualité des sources de données. En plus de cela, les ingénieurs doivent également être capables d’affiner habilement les modèles, de traiter les données et de les analyser en fonction des sources de données.

D’autre part, la combinaison spécifique de la technologie d’IA de l’équipe est également très importante, et le scénario devrait être précieux. ** Harper estime que bien que la combinaison actuelle des sociétés de données Web3 et de l’IA commence essentiellement par des agents d’IA, leur positionnement est également différent, comme Space and Time, dans lequel Hashkey Capital a investi, et chainML a coopéré pour lancer l’infrastructure de création d’agents d’IA, dans laquelle les agents DeFi créés sont utilisés pour Space and Time.

2.3** Web3 **** Route de commercialisation future de l’entreprise de données**

Un autre sujet important pour les entreprises de données Web3 est la commercialisation. Pendant longtemps, le modèle de profit des sociétés d’analyse de données a été relativement simple, la plupart d’entre elles sont sans ToC, et la ToB principale est rentable, ce qui dépend de la volonté des clients B-end de payer. Dans le domaine du Web3, la volonté des entreprises de payer n’est pas élevée, et les startups de l’industrie sont le pilier, il est donc difficile pour les parties prenantes du projet de soutenir le paiement à long terme. Par conséquent, les entreprises de données Web3 sont actuellement dans une position difficile à commercialiser.

Sur cette question, VC pensons généralement que la combinaison de la technologie actuelle de l’IA n’est utilisée que pour résoudre le problème du processus de production en interne, et ne change pas le problème inhérent à la difficulté de monétisation. Certaines nouvelles formes de produits, telles que les bots d’IA, n’ont pas de seuil suffisamment élevé, ce qui peut améliorer dans une certaine mesure la volonté des utilisateurs de payer dans le domaine de la table des matières, mais elles ne sont toujours pas très fortes. L’IA n’est peut-être pas la solution au problème de la commercialisation des produits de données à court terme, et la commercialisation nécessite davantage d’efforts de productisation**, comme la recherche de scénarios plus appropriés et de modèles d’affaires innovants.

Sur la voie de la combinaison du Web3 et de l’IA à l’avenir, l’utilisation du modèle économique du Web3 combiné aux données de l’IA pourrait conduire à de nouveaux modèles économiques, principalement dans le domaine de la ToC. Zixi de Matrix Partners a mentionné que les produits d’IA peuvent être combinés avec un gameplay symbolique pour améliorer l’adhérence, l’activité quotidienne et l’émotion de l’ensemble de la communauté, ce qui est faisable et plus facile à monétiser. Tang Yi de Qiming Venture Capital a mentionné que d’un point de vue idéologique, le système de valeurs du Web3 peut être combiné avec l’IA, ce qui est très approprié comme système de compte ou système de transformation de valeur pour les bots. Par exemple, un bot a son propre compte et peut gagner de l’argent grâce à sa partie intelligente, ainsi que payer pour maintenir sa puissance de calcul sous-jacente, etc. Mais ce concept appartient à l’imaginaire de l’avenir, et l’application pratique a peut-être encore un long chemin à parcourir.

Dans le modèle d’affaires original, c’est-à-dire le paiement direct des utilisateurs, il est nécessaire d’avoir une puissance de produit suffisamment forte pour permettre aux utilisateurs d’avoir une plus grande volonté de payer. Par exemple, des sources de données de meilleure qualité, les avantages des données l’emportent sur les coûts payés, etc., non seulement dans l’application de la technologie de l’IA, mais aussi dans les capacités de l’équipe de données elle-même.