Laporan Penelitian Mendalam (Bagian II): Analisis status integrasi, lanskap kompetitif, dan peluang masa depan industri data AI dan Web3

Munculnya GPT telah menarik perhatian dunia pada model bahasa besar, dan semua lapisan masyarakat berusaha menggunakan “teknologi hitam” ini untuk meningkatkan efisiensi kerja dan mempercepat pengembangan industri. Future3 Campus dan Footprint Analytics bersama-sama melakukan studi mendalam tentang kemungkinan tak terbatas dari kombinasi AI dan Web3, dan bersama-sama merilis laporan penelitian berjudul “Analisis Status Integrasi, Lanskap Kompetitif, dan Peluang Masa Depan AI dan Industri Data Web3”. Laporan penelitian dibagi menjadi dua bagian, dan artikel ini adalah bagian kedua, diedit oleh peneliti Future3 Campus Sherry dan Humphrey.

Ringkasan:

• Kombinasi data AI dan Web3 mendorong efisiensi pemrosesan data dan pengalaman pengguna. Saat ini, eksplorasi LLM dalam industri data blockchain terutama berfokus pada peningkatan efisiensi pemrosesan data melalui teknologi AI, membangun agen AI dengan menggunakan keunggulan interaktif LLM, dan menggunakan AI untuk analisis harga dan strategi perdagangan.
• Saat ini, penerapan AI di bidang data Web3 masih menghadapi beberapa tantangan, seperti akurasi, kemampuan menjelaskan, komersialisasi, dll. Masih ada jalan panjang sebelum intervensi manusia benar-benar tergantikan.
• Daya saing inti perusahaan data Web3 tidak hanya terletak pada teknologi AI itu sendiri, tetapi juga pada kemampuan akumulasi data dan analisis mendalam serta kemampuan aplikasi data.
• AI mungkin bukan solusi untuk masalah komersialisasi produk data dalam jangka pendek, dan komersialisasi akan membutuhkan lebih banyak upaya produksi.

Situasi saat ini dan rute pengembangan kombinasi industri data Web3 dan AI

1.1 Bukit pasir

Dune saat ini adalah komunitas analitik data terbuka terkemuka di industri Web3, menyediakan alat blockchain untuk mengkueri, mengekstrak, dan memvisualisasikan data dalam jumlah besar, memungkinkan pengguna dan pakar analitik data untuk meminta data on-chain dari database Dune yang telah diisi sebelumnya menggunakan kueri SQL sederhana dan membentuk bagan dan opini yang sesuai.

Pada Maret 2023, Dune mempresentasikan rencana untuk AI dan masa depan menggabungkan LLM, dan pada bulan Oktober merilis produk Dune AI-nya. Fokus inti dari produk terkait AI Dune adalah untuk menambah Wizard UX dengan kemampuan linguistik dan analitis LLM yang kuat untuk menyediakan kueri data dan penulisan SQL di Dune dengan lebih baik.

(1) Interpretasi kueri: Produk yang dirilis pada bulan Maret memungkinkan pengguna untuk mendapatkan penjelasan bahasa alami dari kueri SQL dengan mengklik tombol, yang dirancang untuk membantu pengguna lebih memahami kueri SQL yang kompleks, sehingga meningkatkan efisiensi dan akurasi analisis data.

(2) Terjemahan kueri: Dune berencana untuk memigrasikan mesin kueri SQL yang berbeda (seperti Postgres dan Spark SQL) di Dune ke DuneSQL, sehingga LLM dapat menyediakan kemampuan terjemahan bahasa kueri otomatis untuk membantu pengguna melakukan transisi yang lebih baik dan memfasilitasi implementasi produk DuneSQL.

(3) Permintaan bahasa alami: Dune AI, yang dirilis pada bulan Oktober. Memungkinkan pengguna untuk mengajukan pertanyaan dan mendapatkan data dalam bahasa Inggris sederhana. Tujuan dari fitur ini adalah untuk memudahkan pengguna yang tidak membutuhkan pengetahuan SQL untuk mengakses dan menganalisis data.

(4) Pengoptimalan pencarian: Dune berencana menggunakan LLM untuk meningkatkan kemampuan pencarian dan membantu pengguna memfilter informasi secara lebih efektif.

(5) Basis pengetahuan wizard: Dune berencana untuk merilis chatbot untuk membantu pengguna dengan cepat menavigasi pengetahuan blockchain dan SQL dalam dokumentasi Spellbook dan Dune.

(6) Menyederhanakan penulisan SQL (Dune Wand) :D une meluncurkan seri alat SQL Wand pada bulan Agustus. Create Wand memungkinkan pengguna untuk menghasilkan kueri lengkap dari permintaan bahasa alami, Edit Wand memungkinkan pengguna untuk membuat modifikasi pada kueri yang ada, dan fitur Debug secara otomatis men-debug kesalahan sintaks dalam kueri. Inti dari alat ini adalah teknologi LLM, yang menyederhanakan proses penulisan kueri dan memungkinkan analis untuk fokus pada logika inti menganalisis data tanpa harus khawatir tentang kode dan sintaks.

1.2 Analisis Jejak

Footprint Analytics adalah penyedia solusi data blockchain yang menyediakan platform analitik data tanpa kode, produk API data terpadu, dan Footprint Growth Analytics, platform BI untuk proyek Web3, dengan bantuan teknologi kecerdasan buatan.

Keuntungan dari Footprint terletak pada penciptaan lini produksi data on-chain dan alat ekologisnya, dan pembentukan danau data terpadu untuk membuka metadatabase data on-chain dan off-chain serta registrasi industri dan komersial on-chain, sehingga dapat memastikan aksesibilitas, kemudahan penggunaan, dan kualitas data saat pengguna menganalisis dan menggunakan. Strategi jangka panjang Footprint akan fokus pada kedalaman teknologi dan pembangunan platform untuk menciptakan “pabrik mesin” yang mampu menghasilkan data dan aplikasi on-chain.

Produk footprint dikombinasikan dengan AI sebagai berikut:

Sejak peluncuran model LLM, Footprint telah mengeksplorasi kombinasi produk data yang ada dan AI untuk meningkatkan efisiensi pemrosesan dan analisis data serta menciptakan produk yang lebih ramah pengguna. Pada Mei 2023, Footprint mulai memberi pengguna kemampuan analisis data untuk interaksi bahasa alami, dan ditingkatkan ke fitur produk kelas atas berdasarkan tanpa kode aslinya, memungkinkan pengguna memperoleh data dengan cepat dan menghasilkan bagan melalui percakapan tanpa terbiasa dengan tabel dan desain platform.

Selain itu, produk data LLM + Web3 saat ini di pasar terutama difokuskan pada pemecahan masalah penurunan ambang batas untuk penggunaan pengguna dan mengubah paradigma interaksi, dan fokus Footprint dalam pengembangan produk dan AI tidak hanya untuk membantu pengguna memecahkan masalah analisis data dan pengalaman pengguna, tetapi juga untuk mengendapkan data vertikal dan pemahaman bisnis di bidang kripto, serta melatih model bahasa di domain kripto untuk meningkatkan efisiensi dan akurasi aplikasi adegan vertikal. Kekuatan Footprint dalam hal ini akan tercermin dalam bidang-bidang berikut:

• Kuantitas pengetahuan data (kualitas dan kuantitas basis pengetahuan). Efisiensi akumulasi data, sumber, kuantitas, dan kategori. Secara khusus, sub-produk Footprint MetaMosaic mewujudkan akumulasi grafik hubungan dan data statis untuk logika bisnis tertentu.
• Pengetahuan arsitektur. Footprint telah mengumpulkan lebih dari 30 rantai publik, tabel data terstruktur yang diabstraksikan berdasarkan bagian bisnis. Pengetahuan tentang proses produksi dari data mentah ke data terstruktur pada gilirannya dapat memperkuat pemahaman data mentah dan model kereta api yang lebih baik.
• Jenis data. Ada kesenjangan yang signifikan dalam efisiensi pelatihan dan biaya mesin dari pelatihan data mentah non-standar dan tidak terstruktur pada rantai, serta dari pelatihan tabel dan metrik data terstruktur dan bermakna bisnis. Contoh tipikal adalah kebutuhan untuk menyediakan lebih banyak data ke LLM, yang membutuhkan lebih banyak data yang dapat dibaca dan terstruktur selain data profesional berdasarkan bidang enkripsi, dan sejumlah besar pengguna sebagai data umpan balik.
• Data aliran uang kripto. Footprint mengabstraksi data aliran modal yang terkait erat dengan investasi, yang mencakup waktu, subjek (termasuk aliran), jenis token, jumlah (harga token pada titik waktu terkait), jenis bisnis, dan tag token dan entitas, yang dapat digunakan sebagai basis pengetahuan dan sumber data untuk LLM untuk menganalisis dana utama token, menemukan distribusi chip, memantau aliran dana, mengidentifikasi perubahan on-chain, melacak dana pintar, dll.
• Injeksi data pribadi. Footprint membagi model menjadi tiga lapisan, satu adalah model dasar dengan pengetahuan Dunia (OpenAI dan model sumber terbuka lainnya), model vertikal domain yang dibagi, dan model pengetahuan ahli yang dipersonalisasi. Ini memungkinkan pengguna untuk menyatukan basis pengetahuan mereka dari berbagai sumber di Footprint untuk manajemen, dan menggunakan data pribadi untuk melatih LLM pribadi, yang cocok untuk skenario aplikasi yang lebih personal.

Dalam eksplorasi Footprint yang dikombinasikan dengan model LLM, serangkaian tantangan dan masalah juga telah dihadapi, yang paling khas adalah token yang tidak mencukupi, petunjuk yang memakan waktu, dan jawaban yang tidak stabil. Tantangan yang lebih besar yang dihadapi oleh bidang vertikal data on-chain di mana Footprint berada adalah bahwa ada banyak jenis entitas data on-chain, sejumlah besar dari mereka, dan perubahan yang cepat, dan bentuk untuk memberi mereka makan ke LLM memerlukan lebih banyak penelitian dan eksplorasi oleh seluruh industri. Rantai alat saat ini masih relatif awal, dan lebih banyak alat diperlukan untuk menyelesaikan beberapa masalah tertentu.

Masa depan integrasi Footprint dengan AI dalam teknologi dan produk meliputi:

(1) Dalam hal teknologi, Footprint akan dieksplorasi dan dioptimalkan dalam tiga aspek dalam kombinasi dengan model LLM

• Dukungan LLM untuk inferensi pada data terstruktur, sehingga sejumlah besar data terstruktur dan pengetahuan dalam bidang terenkripsi dapat diterapkan pada konsumsi data dan produksi LLM.
• Bantu pengguna membangun basis pengetahuan yang dipersonalisasi (termasuk pengetahuan, data, dan pengalaman), dan gunakan data pribadi untuk meningkatkan kemampuan LLM kripto yang dioptimalkan, sehingga setiap orang dapat membangun model mereka sendiri.
• Dengan analisis dan produksi konten yang dibantu AI, pengguna dapat membuat GPT mereka sendiri melalui dialog, dikombinasikan dengan data aliran dana dan basis pengetahuan pribadi, untuk memproduksi dan berbagi konten investasi kripto.

(2) Dari sisi produk, Footprint akan fokus mengeksplorasi penerapan produk AI dan inovasi model bisnis. Menurut rencana promosi Footprint baru-baru ini untuk produk tersebut, ia akan meluncurkan pembuatan konten kripto AI dan platform berbagi untuk pengguna.

Selain itu, untuk perluasan mitra masa depan, Footprint akan mengeksplorasi dua aspek berikut:

Pertama, memperkuat kerja sama dengan KOL untuk membantu produksi konten yang berharga, operasi komunitas, dan monetisasi pengetahuan.

Kedua, memperluas lebih banyak pihak proyek dan penyedia data yang kooperatif, menciptakan insentif pengguna dan kerja sama data yang terbuka dan saling menguntungkan, dan membangun platform layanan data satu atap yang saling menguntungkan dan saling menguntungkan.

1.3 Keamanan GoPlusGoplus

GoPlus Security saat ini merupakan infrastruktur keamanan pengguna terkemuka di industri Web3, menyediakan berbagai layanan keamanan yang dihadapi pengguna. Saat ini, telah terintegrasi dengan dompet digital mainstream, situs web pasar, Dex, dan berbagai aplikasi Web3 lainnya di pasar. Pengguna dapat langsung menggunakan berbagai fitur perlindungan keamanan seperti deteksi keamanan aset, otorisasi transfer, dan anti-phishing. GoPlus menyediakan solusi keamanan pengguna yang mencakup seluruh siklus hidup keamanan pengguna untuk melindungi aset pengguna dari berbagai jenis penyerang.

Pengembangan dan perencanaan GoPlus dan AI adalah sebagai berikut:

Eksplorasi utama GoPlus dalam teknologi AI tercermin dalam dua produknya: AI Automated Detection dan AI Security Assistant:

(1) Deteksi otomatis AI

Sejak 2022, GoPlus telah mengembangkan mesin deteksi otomatis berbasis AI sendiri untuk secara komprehensif meningkatkan efisiensi dan akurasi deteksi keamanan. Mesin keamanan GoPlus menggunakan pendekatan corong berlapis-lapis untuk deteksi kode statis, deteksi dinamis, dan deteksi fitur atau perilaku. Proses deteksi komposit ini memungkinkan mesin untuk secara efektif mengidentifikasi dan menganalisis karakteristik sampel yang berpotensi berisiko untuk secara efektif memodelkan jenis dan perilaku serangan. Model-model ini adalah kunci untuk identifikasi mesin dan pencegahan ancaman keamanan, dan mereka membantu mesin menentukan apakah sampel risiko memiliki beberapa tanda serangan tertentu. Selain itu, setelah periode iterasi dan pengoptimalan yang lama, mesin keamanan GoPlus telah mengumpulkan banyak data dan pengalaman keamanan, dan arsitekturnya dapat dengan cepat dan efektif menanggapi ancaman keamanan yang muncul, memastikan bahwa berbagai serangan kompleks dan baru dapat dideteksi dan diblokir secara tepat waktu, dan pengguna dapat dilindungi secara menyeluruh. Saat ini, mesin menggunakan algoritma dan teknologi terkait AI dalam berbagai skenario keamanan seperti deteksi kontrak berisiko, deteksi situs web phishing, deteksi alamat berbahaya, dan deteksi transaksi berisiko. Di sisi lain, ini mengurangi kompleksitas dan biaya waktu partisipasi manual, dan meningkatkan akurasi penilaian sampel risiko, terutama untuk skenario baru yang sulit didefinisikan secara manual atau sulit diidentifikasi oleh mesin, AI dapat menggabungkan fitur dengan lebih baik dan membentuk metode analisis yang lebih efektif **.

Pada tahun 2023, ketika model besar berevolusi, GoPlus dengan cepat beradaptasi dan mengadopsi LLM. Dibandingkan dengan algoritma AI tradisional, LLM secara signifikan lebih efisien dan efektif dalam identifikasi, pemrosesan, dan analisis data. Dalam arah pengujian fuzz dinamis, GoPlus menggunakan teknologi LLM untuk secara efektif menghasilkan urutan transaksi dan mengeksplorasi keadaan yang lebih dalam untuk menemukan risiko kontrak.

(2) Asisten keamanan AI

GoPlus juga mengembangkan asisten keamanan AI yang memanfaatkan kemampuan pemrosesan bahasa alami berbasis LLM untuk memberikan konsultasi keamanan instan dan meningkatkan pengalaman pengguna. Berdasarkan model besar GPT, asisten AI telah mengembangkan seperangkat agen keamanan pengguna yang dikembangkan sendiri melalui input data bisnis front-end, yang dapat secara otomatis menganalisis, menghasilkan solusi, membongkar tugas, dan mengeksekusi sesuai dengan masalah, dan menyediakan pengguna dengan layanan keamanan yang mereka butuhkan. Asisten AI menyederhanakan komunikasi antara pengguna dan masalah keamanan, menurunkan penghalang pemahaman.

Dalam hal fungsi produk, karena pentingnya AI di bidang keamanan, AI memiliki potensi untuk sepenuhnya mengubah struktur mesin keamanan yang ada atau mesin anti-virus virus di masa depan, dan arsitektur mesin baru dengan AI sebagai intinya akan muncul. GoPlus akan terus melatih dan mengoptimalkan model AI-nya untuk mengubah AI dari alat bantu menjadi fungsionalitas inti dari mesin pendeteksi keamanannya.

Dalam hal model bisnis, meskipun layanan GoPlus saat ini terutama untuk pengembang dan pihak proyek, perusahaan sedang mengeksplorasi lebih banyak produk dan layanan langsung untuk pengguna C-end, serta model pendapatan baru yang terkait dengan AI. Menyediakan layanan C-end yang efisien, akurat, dan berbiaya rendah akan menjadi daya saing inti GoPlus di masa depan. Ini akan mengharuskan perusahaan untuk terus meneliti dan melakukan lebih banyak pelatihan dan output pada model AI besar yang berinteraksi dengan pengguna. Pada saat yang sama, GoPlus juga akan berkolaborasi dengan tim lain untuk berbagi data keamanannya dan mendorong aplikasi AI di ruang keamanan melalui kolaborasi untuk mempersiapkan kemungkinan perubahan industri di masa depan.

1.4 Laboratorium Trusta

Didirikan pada tahun 2022, Trusta Labs adalah startup data bertenaga AI di ruang Web3. Trusta Labs berfokus pada pemrosesan yang efisien dan analisis data blockchain yang akurat menggunakan teknologi kecerdasan buatan canggih untuk membangun reputasi on-chain dan infrastruktur keamanan blockchain. Saat ini, bisnis Trusta Labs terdiri dari dua produk utama: TrustScan dan TrustGo.

(1) TrustScan, TrustScan adalah produk yang dirancang untuk pelanggan B-end, terutama digunakan untuk membantu proyek Web3 menganalisis perilaku pengguna on-chain dan menyempurnakan layering dalam hal akuisisi pengguna, aktivitas pengguna, dan retensi pengguna, sehingga dapat mengidentifikasi pengguna bernilai tinggi dan nyata.

(2) TrustGo, produk untuk pelanggan C-end, menyediakan alat analisis MEDIA yang dapat menganalisis dan mengevaluasi alamat on-chain dari lima dimensi (jumlah dana, aktivitas, keragaman, hak identitas, dan loyalitas), dan produk menekankan analisis mendalam data on-chain untuk meningkatkan kualitas dan keamanan keputusan transaksi.

Pengembangan dan perencanaan Trusta Labs dan AI adalah sebagai berikut:

Saat ini, dua produk Trusta Labs menggunakan model AI untuk memproses dan menganalisis data interaksi alamat on-chain. Data perilaku interaksi alamat pada blockchain adalah urutan data, yang sangat cocok untuk pelatihan model AI. Dalam proses pembersihan, pengorganisasian, dan pelabelan data on-chain, Trusta Labs menyerahkan banyak pekerjaan kepada AI, yang sangat meningkatkan kualitas dan efisiensi pemrosesan data, sekaligus mengurangi banyak biaya tenaga kerja. Trusta Labs menggunakan teknologi AI untuk melakukan analisis mendalam dan penambangan data interaksi alamat on-chain, yang secara efektif dapat mengidentifikasi alamat Witch yang lebih mungkin untuk pelanggan B-end. Tursta Labs telah mampu mencegah potensi serangan Sybil di sejumlah proyek yang telah menggunakan produk Tursta Labs, dan untuk pelanggan C-end, TrustGo telah memanfaatkan model AI yang ada untuk membantu pengguna mendapatkan wawasan tentang data perilaku on-chain mereka.

Trusta Labs telah mengikuti dengan cermat kemajuan teknis dan praktik aplikasi model LLM. Karena biaya pelatihan model dan inferensi terus menurun, serta akumulasi sejumlah besar data korpus dan perilaku pengguna di bidang Web3, Trusta Labs akan mencari waktu yang tepat untuk memperkenalkan teknologi LLM dan menggunakan produktivitas AI untuk menyediakan kemampuan penambangan dan analisis data yang lebih dalam untuk produk dan pengguna. Atas dasar banyaknya data yang telah disediakan oleh Trusta Labs, diharapkan model analisis cerdas AI dapat digunakan untuk menyediakan fungsi interpretasi data yang lebih masuk akal dan obyektif untuk hasil data, seperti memberikan interpretasi kualitatif dan kuantitatif dari analisis akun Sybil yang ditangkap untuk pengguna B-end, sehingga pengguna dapat lebih memahami analisis alasan di balik data, dan pada saat yang sama, dapat memberikan dukungan material yang lebih rinci untuk pengguna B-end ketika mereka mengeluh dan menjelaskan kepada pelanggan mereka.

Di sisi lain, Trusta Labs juga berencana untuk menggunakan model LLM open source atau matang dan menggabungkan konsep desain intent-centric untuk membangun agen AI untuk membantu pengguna memecahkan masalah interaksi on-chain dengan lebih cepat dan efisien. Dalam hal skenario aplikasi tertentu, di masa depan, melalui asisten cerdas Agen AI berdasarkan pelatihan LLM yang disediakan oleh Trusta Labs, pengguna dapat berkomunikasi dengan asisten cerdas secara langsung melalui bahasa alami, dan asisten cerdas dapat “cerdas” informasi umpan balik terkait dengan data pada rantai, dan membuat saran dan rencana untuk operasi tindak lanjut berdasarkan informasi yang diberikan, benar-benar mewujudkan operasi cerdas satu atap yang berpusat pada maksud pengguna, sangat mengurangi ambang batas bagi pengguna untuk menggunakan data, dan menyederhanakan pelaksanaan operasi on-chain.

Selain itu, Trusta percaya bahwa dengan munculnya semakin banyak produk data berbasis AI di masa depan, faktor kompetitif inti dari setiap produk mungkin bukan model LLM yang digunakan, tetapi faktor kompetitif utama adalah pemahaman dan interpretasi yang lebih dalam dari data yang sudah dikuasai. Berdasarkan analisis data yang dikuasai, dikombinasikan dengan model LLM, model AI yang lebih “pintar” dapat dilatih.

1.5 0xLingkup

0xScope, didirikan pada tahun 2022, adalah platform inovasi data-sentris yang berfokus pada kombinasi teknologi blockchain dan kecerdasan buatan. 0xScope bertujuan untuk mengubah cara orang memproses, menggunakan, dan melihat data. 0xScope saat ini tersedia untuk pelanggan sisi-B dan sisi-C: produk SaaS 0xScope dan 0xScopescan.

(1) Produk SaaS 0xScope, solusi SaaS untuk perusahaan, memberdayakan pelanggan perusahaan untuk melakukan manajemen pasca investasi, membuat keputusan investasi yang lebih baik, memahami perilaku pengguna, dan memantau dinamika persaingan dengan cermat.

dan (2) 0xScopescan, produk B2C yang memungkinkan pedagang mata uang kripto menyelidiki aliran dan aktivitas dana pada blockchain tertentu.

Fokus bisnis 0xScope adalah menggunakan data on-chain untuk mengabstraksi model data umum, menyederhanakan analisis data on-chain, dan mengubah data on-chain menjadi data operasional on-chain yang dapat dipahami, sehingga dapat membantu pengguna melakukan analisis mendalam terhadap data on-chain**. Menggunakan platform alat data yang disediakan oleh 0xScope, itu tidak hanya dapat meningkatkan kualitas data pada rantai, menambang informasi tersembunyi dari data, sehingga dapat mengungkapkan lebih banyak informasi kepada pengguna, tetapi juga sangat mengurangi ambang batas penambangan data.

Pengembangan dan perencanaan 0xScope dan AI adalah sebagai berikut:

**Produk 0xScope sedang ditingkatkan dalam kombinasi dengan model besar, yang mencakup dua arah: pertama, untuk lebih mengurangi ambang batas bagi pengguna melalui interaksi bahasa alami, dan kedua, untuk menggunakan model AI untuk meningkatkan efisiensi pemrosesan dalam pembersihan data, analisis, pemodelan dan analisis **. Pada saat yang sama, produk 0xScope akan segera meluncurkan modul interaktif AI dengan fungsi Obrolan, yang akan sangat mengurangi ambang batas bagi pengguna untuk menanyakan dan menganalisis data, serta berinteraksi dan membuat kueri dengan data yang mendasarinya hanya melalui bahasa alami.

Namun, dalam proses pelatihan dan penggunaan AI, 0xScope menemukan bahwa ia masih menghadapi tantangan berikut: Pertama, biaya dan biaya waktu pelatihan AI tinggi. Setelah mengajukan pertanyaan, butuh waktu lama bagi AI untuk merespons**. Akibatnya, kesulitan ini memaksa tim untuk merampingkan dan fokus pada proses bisnis dan fokus pada Tanya Jawab vertikal, daripada menjadikannya asisten AI super yang serba bisa. Kedua, output dari model LLM tidak dapat dikendalikan. ** Produk data berharap dapat memberikan hasil yang akurat, tetapi hasil yang diberikan oleh model LLM saat ini cenderung berbeda dari situasi aktual, yang sangat fatal bagi pengalaman produk data. Selain itu, output dari model besar mungkin melibatkan data pribadi pengguna. Oleh karena itu, ketika menggunakan pola LLM dalam produk, tim perlu membatasinya sebagian besar sehingga output dari model AI dapat dikontrol dan akurat.

Di masa depan, 0xScope berencana untuk menggunakan AI untuk fokus pada jalur vertikal tertentu dan memperdalam budidaya mereka. Saat ini, berdasarkan akumulasi sejumlah besar data on-chain, 0xScope dapat menentukan identitas pengguna on-chain, dan akan terus menggunakan alat AI untuk mengabstraksi perilaku pengguna on-chain, dan kemudian membuat sistem pemodelan data unik, di mana informasi tersembunyi dari data on-chain terungkap.

Dalam hal kerja sama, 0xScope akan fokus pada dua jenis grup: kategori pertama, objek yang dapat dilayani langsung oleh produk, seperti pengembang, pihak proyek, VC, pertukaran, dll., Yang membutuhkan data yang disediakan oleh produk saat ini, dan kategori kedua, mitra yang membutuhkan AI Chat, seperti Debank, Chainbase, dll., Hanya membutuhkan pengetahuan dan data yang relevan untuk langsung memanggil AI Chat.

Wawasan ### VC - komersialisasi dan pengembangan masa depan perusahaan data AI+Web3

Melalui wawancara dengan 4 investor VC senior, bagian ini akan melihat situasi saat ini dan perkembangan industri data AI+Web3, daya saing inti perusahaan data Web3, dan jalur komersialisasi masa depan dari perspektif investasi dan pasar.

2.1 Situasi saat ini dan perkembangan industri data AI+Web3

Saat ini, kombinasi data AI dan Web3 sedang dalam tahap eksplorasi aktif, dan dari perspektif arah pengembangan berbagai perusahaan data Web3 terkemuka, kombinasi teknologi AI dan LLM adalah tren yang sangat diperlukan. Tetapi pada saat yang sama, LLM memiliki keterbatasan teknis mereka sendiri dan tidak dapat menyelesaikan banyak masalah industri data saat ini.

Oleh karena itu, kita perlu menyadari bahwa tidak perlu menggabungkan secara membabi buta dengan AI untuk meningkatkan manfaat proyek, atau menggunakan konsep AI untuk hype, tetapi untuk menjelajahi area aplikasi yang benar-benar praktis dan menjanjikan. Dari perspektif VC, kombinasi data AI dan Web3 telah dieksplorasi dalam aspek-aspek berikut:

(1) Meningkatkan kemampuan produk data Web3 melalui teknologi AI, termasuk teknologi AI untuk membantu perusahaan meningkatkan efisiensi pemrosesan dan analisis data internal, dan dengan demikian meningkatkan kemampuan untuk secara otomatis menganalisis dan mengambil produk data pengguna. **Misalnya, Yuxing dari SevenX Ventures menyebutkan bahwa bantuan utama menggunakan teknologi AI untuk data Web3 adalah efisiensi, seperti penggunaan model LLM Dune untuk deteksi anomali kode dan konversi bahasa alami untuk menghasilkan SQL untuk pengindeksan informasi; Model ini sudah diberi label sebelumnya dengan data, yang dapat menghemat banyak biaya tenaga kerja. Meskipun demikian, VC setuju bahwa AI memainkan peran tambahan dalam meningkatkan kemampuan dan efisiensi produk data Web3, seperti pra-anotasi data, yang pada akhirnya mungkin memerlukan tinjauan manusia untuk memastikan akurasi. **

(2) Gunakan keunggulan LLM dalam kemampuan beradaptasi dan interaksi untuk membangun Agen / Bot AI. Misalnya, model bahasa besar digunakan untuk mengambil data dari seluruh Web3, termasuk data on-chain dan data berita off-chain, untuk agregasi informasi dan analisis opini publik. Harper dari Hashkey Capital percaya bahwa jenis agen AI ini lebih condong ke integrasi, generasi, dan interaksi dengan pengguna, dan akan relatif lemah dalam hal akurasi dan efisiensi informasi.

Meskipun sudah banyak kasus penerapan kedua aspek di atas, teknologi dan produk masih dalam tahap awal eksplorasi, sehingga perlu untuk terus mengoptimalkan teknologi dan meningkatkan produk di masa depan.

(3) Menggunakan AI untuk analisis harga dan strategi perdagangan: Saat ini, ada proyek di pasar yang menggunakan teknologi AI untuk memperkirakan harga NFT, seperti NFTGo yang diinvestasikan oleh Qiming Venture Partners, dan beberapa tim perdagangan profesional menggunakan AI untuk analisis data dan eksekusi transaksi. Selain itu, Ocean Protocol baru-baru ini merilis produk AI prediksi harga. Jenis produk ini mungkin tampak imajinatif, tetapi masih perlu diverifikasi dalam hal penerimaan produk, penerimaan pengguna, dan terutama akurasi.

Di sisi lain, banyak VC, terutama mereka yang telah berinvestasi di Web2 VC akan lebih memperhatikan keunggulan dan skenario aplikasi yang dapat dibawa oleh teknologi Web3 dan blockchain ke teknologi AI. Keterbukaan, verifikasi, dan desentralisasi blockchain, serta kemampuan kriptografi untuk memberikan perlindungan privasi, ditambah dengan pembentukan kembali hubungan produksi Web3, mungkin dapat membawa beberapa peluang baru ke AI:

(1) Konfirmasi dan verifikasi kepemilikan data AI. Munculnya AI telah membuat proliferasi pembuatan konten data dan murah. **Tang Yi dari Qiming Venture Partners menyebutkan bahwa sulit untuk menentukan kualitas dan pembuat konten seperti karya digital. Dalam hal ini, konfirmasi konten data memerlukan sistem yang sama sekali baru, dan blockchain mungkin dapat membantu. Zixi dari Matrix Partners menyebutkan bahwa ada pertukaran data yang memasukkan data ke dalam NFT untuk diperdagangkan, yang dapat menyelesaikan masalah konfirmasi hak data.

Selain itu, Yuxing dari SevenX Ventures menyebutkan bahwa data Web3 dapat memperbaiki masalah penipuan AI dan kotak hitam, yang saat ini memiliki masalah kotak hitam baik dalam algoritma model itu sendiri maupun data, yang dapat menyebabkan output miring. Namun, data Web3 transparan, data terbuka dan dapat diverifikasi, dan sumber pelatihan serta hasil model AI akan lebih jelas, membuat AI lebih adil dan mengurangi bias dan kesalahan. Namun, jumlah data di Web3 saat ini tidak cukup untuk memberdayakan pelatihan AI itu sendiri, sehingga tidak akan terwujud dalam jangka pendek. Tetapi kita dapat memanfaatkan fitur ini untuk menempatkan data Web2 secara on-chain untuk mencegah deepfake AI. **

(2) Anotasi data AI crowdsourcing dan komunitas UGC: Saat ini, anotasi AI tradisional menghadapi masalah efisiensi dan kualitas rendah, terutama di bidang pengetahuan profesional, yang mungkin juga memerlukan pengetahuan interdisipliner, yang tidak mungkin ditutupi oleh perusahaan anotasi data umum tradisional, dan seringkali perlu dilakukan secara internal oleh tim profesional. Pengenalan crowdsourcing untuk anotasi data melalui konsep blockchain dan Web3 dapat menjadi cara yang baik untuk memperbaiki masalah ini, seperti Questlab yang diinvestasikan oleh Matrix Partners, yang menggunakan teknologi blockchain untuk menyediakan layanan crowdsourcing untuk anotasi data. Selain itu, di beberapa komunitas model open-source, konsep blockchain juga dapat digunakan untuk memecahkan masalah ekonomi pembuat model.

(3) Penyebaran privasi data: Teknologi Blockchain yang dikombinasikan dengan teknologi terkait kriptografi dapat memastikan privasi data dan desentralisasi. Zixi dari Matrix Partners menyebutkan bahwa mereka telah berinvestasi di perusahaan data sintetis yang menghasilkan data sintetis melalui model besar, yang terutama dapat digunakan dalam pengujian perangkat lunak, analisis data, dan pelatihan model besar AI. Perusahaan terlibat dalam banyak masalah penyebaran privasi saat memproses data, dan menggunakan blockchain Oasis dapat secara efektif menghindari masalah privasi dan peraturan.

2.2AI+Web3Bagaimana membangun daya saing inti perusahaan data

Untuk perusahaan teknologi Web3, pengenalan AI dapat meningkatkan daya tarik atau perhatian proyek sampai batas tertentu, tetapi saat ini, sebagian besar produk yang terkait dengan perusahaan teknologi Web3 yang dikombinasikan dengan AI tidak cukup untuk menjadi daya saing inti perusahaan, tetapi lebih untuk memberikan pengalaman yang lebih ramah pengguna dan meningkatkan efisiensi. Misalnya, ambang batas untuk agen AI tidak tinggi, dan perusahaan yang melakukannya terlebih dahulu mungkin memiliki keuntungan penggerak pertama di pasar, tetapi tidak menciptakan hambatan. **

Apa yang benar-benar menghasilkan daya saing dan hambatan inti dalam industri data Web3 adalah kemampuan data tim dan bagaimana menerapkan teknologi AI untuk memecahkan masalah dalam skenario analisis tertentu. **

Pertama-tama, kemampuan data tim mencakup sumber data dan kemampuan tim untuk menganalisis data dan menyesuaikan model, yang merupakan dasar untuk pekerjaan selanjutnya. Dalam wawancara tersebut, SevenX Ventures, Matrix Partners, dan Hashkey Capital semuanya dengan suara bulat menyebutkan bahwa daya saing inti perusahaan data AI+Web3 bergantung pada kualitas sumber data. Selain itu, insinyur juga dituntut untuk dapat dengan terampil menyempurnakan model, memproses data, dan mengurai berdasarkan sumber data.

Di sisi lain, kombinasi spesifik dari teknologi AI tim juga sangat penting, dan skenarionya harus berharga. **Harper percaya bahwa meskipun kombinasi perusahaan data Web3 dan AI saat ini pada dasarnya dimulai dengan agen AI, posisi mereka juga berbeda, seperti Ruang dan Waktu, yang diinvestasikan Hashkey Capital, dan chainML bekerja sama untuk meluncurkan infrastruktur untuk membuat agen AI, di mana agen DeFi yang dibuat digunakan untuk Ruang dan Waktu.

2.3** Web3 **** Jalan Komersialisasi Masa Depan Perusahaan Data**

Topik lain yang penting bagi perusahaan data Web3 adalah komersialisasi. Untuk waktu yang lama, model keuntungan perusahaan analisis data relatif sederhana, kebanyakan dari mereka bebas ToC, dan ToB utama menguntungkan, yang tergantung pada kesediaan pelanggan B-end untuk membayar. Di bidang Web3, kemauan perusahaan untuk membayar tidak tinggi, dan startup industri adalah andalan, sehingga sulit bagi pihak proyek untuk mendukung pembayaran jangka panjang. Akibatnya, perusahaan data Web3 saat ini berada dalam posisi yang sulit untuk dikomersialkan.

Pada masalah ini, VC umumnya percaya bahwa kombinasi teknologi AI saat ini hanya digunakan untuk menyelesaikan masalah proses produksi secara internal, dan tidak mengubah masalah yang melekat pada kesulitan dalam monetisasi. Beberapa bentuk produk baru, seperti bot AI, tidak memiliki ambang batas yang cukup tinggi, yang dapat meningkatkan kesediaan pengguna untuk membayar di bidang toC sampai batas tertentu, tetapi mereka masih belum terlalu kuat. AI mungkin bukan solusi untuk masalah komersialisasi produk data dalam jangka pendek, dan komersialisasi membutuhkan lebih banyak upaya produksi**, seperti menemukan skenario yang lebih sesuai dan model bisnis yang inovatif.

Di jalur menggabungkan Web3 dan AI di masa depan, penggunaan model ekonomi Web3 yang dikombinasikan dengan data AI dapat mengarah pada beberapa model bisnis baru, terutama di bidang ToC. Zixi dari Matrix Partners menyebutkan bahwa produk AI dapat dikombinasikan dengan beberapa gameplay token untuk meningkatkan kelengketan, aktivitas sehari-hari, dan emosi seluruh komunitas, yang layak dan lebih mudah untuk dimonetisasi. Tang Yi dari Qiming Venture Capital menyebutkan bahwa dari sudut pandang ideologis, sistem nilai Web3 dapat dikombinasikan dengan AI, yang sangat cocok sebagai sistem akun atau sistem transformasi nilai untuk bot. Misalnya, bot memiliki akunnya sendiri dan dapat menghasilkan uang melalui bagian pintarnya, serta membayar untuk mempertahankan daya komputasi yang mendasarinya, dll. Tetapi konsep ini milik imajinasi masa depan, dan aplikasi praktis mungkin masih memiliki jalan panjang.

Dalam model bisnis asli, yaitu pembayaran langsung pengguna, perlu memiliki kekuatan produk yang cukup kuat untuk memungkinkan pengguna memiliki kemauan yang lebih kuat untuk membayar. Misalnya, sumber data berkualitas lebih tinggi, manfaat data lebih besar daripada biaya yang dibayarkan, dll., Tidak hanya dalam penerapan teknologi AI, tetapi juga dalam kemampuan tim data itu sendiri.