Relatório de pesquisa aprofundado (Parte II): Análise do status de integração, cenário competitivo e oportunidades futuras da indústria de dados de IA e Web3

O surgimento do GPT atraiu a atenção do mundo para grandes modelos de linguagem, e todas as esferas da vida estão tentando usar essa “tecnologia negra” para melhorar a eficiência do trabalho e acelerar o desenvolvimento da indústria. A Future3 Campus e a Footprint Analytics conduziram conjuntamente um estudo aprofundado sobre as infinitas possibilidades da combinação de IA e Web3, e lançaram conjuntamente um relatório de pesquisa intitulado “Análise do Status de Integração, Cenário Competitivo e Oportunidades Futuras da Indústria de Dados de IA e Web3”. O relatório de pesquisa está dividido em duas partes, e este artigo é a segunda parte, editada pelos pesquisadores do Future3 Campus Sherry e Humphrey.

Sumário:

• A combinação de dados de IA e Web3 está impulsionando a eficiência de processamento de dados e a experiência do usuário. Atualmente, a exploração do LLM na indústria de dados blockchain se concentra principalmente na melhoria da eficiência do processamento de dados por meio da tecnologia de IA, construindo agentes de IA usando as vantagens interativas dos LLMs e usando IA para análise de preços e estratégia de negociação.
• Atualmente, a aplicação da IA no campo dos dados Web3 ainda enfrenta alguns desafios, como precisão, explicabilidade, comercialização, etc. Ainda há um longo caminho a percorrer até que a intervenção humana seja completamente substituída.
• A competitividade central das empresas de dados Web3 reside não só na tecnologia de IA em si, mas também nas capacidades de acumulação de dados e na análise aprofundada e nas capacidades de aplicação dos dados.
• A IA pode não ser a solução para o problema da comercialização de produtos de dados a curto prazo, e a comercialização exigirá mais esforços de produção.

A situação atual e a rota de desenvolvimento da combinação da indústria de dados Web3 e IA

1.1 Duna

Dune é atualmente a comunidade líder de análise de dados abertos na indústria Web3, fornecendo ferramentas de blockchain para consultar, extrair e visualizar grandes quantidades de dados, permitindo que usuários e especialistas em análise de dados consultem dados on-chain do banco de dados pré-preenchido do Dune usando consultas SQL simples e formem gráficos e opiniões correspondentes.

Em março de 2023, Dune apresentou planos para IA e o futuro da incorporação de LLMs, e em outubro lançou seu produto Dune AI. O foco principal dos produtos relacionados à IA do Dune é aumentar o Wizard UX com os poderosos recursos linguísticos e analíticos dos LLMs para melhor fornecer aos usuários consultas de dados e escrita SQL no Dune.

(1) Interpretação de consultas: O produto lançado em março permite que os usuários obtenham explicações em linguagem natural de consultas SQL clicando em um botão, que é projetado para ajudar os usuários a entender melhor consultas SQL complexas, melhorando assim a eficiência e a precisão da análise de dados.

(2) Tradução de consultas: Dune planeja migrar diferentes mecanismos de consulta SQL (como Postgres e Spark SQL) no Dune para DuneSQL, para que os LLMs possam fornecer recursos de tradução automatizada de linguagem de consulta para ajudar os usuários a fazer uma melhor transição e facilitar a implementação de produtos DuneSQL.

(3) Consulta em linguagem natural: Dune AI, que foi lançado em outubro. Permite que os usuários façam perguntas e obtenham dados em inglês simples. O objetivo desse recurso é facilitar o acesso e a análise de dados por usuários que não precisam de conhecimento em SQL.

(4) Otimização de pesquisa: Dune planeja usar LLMs para melhorar os recursos de pesquisa e ajudar os usuários a filtrar informações de forma mais eficaz.

(5) Base de conhecimento do assistente: Dune planeja lançar um chatbot para ajudar os usuários a navegar rapidamente pelo blockchain e conhecimento SQL na documentação do Spellbook e Dune.

(6) Simplificando a escrita SQL (Dune Wand) :D une lançou a série Wand de ferramentas SQL em agosto. Create Wand permite que os usuários gerem consultas completas a partir de prompts de linguagem natural, Edit Wand permite que os usuários façam modificações em consultas existentes e o recurso Debug depura automaticamente erros de sintaxe em consultas. No centro dessas ferramentas está a tecnologia LLM, que simplifica o processo de escrita de consultas e permite que os analistas se concentrem na lógica central de análise de dados sem ter que se preocupar com código e sintaxe.

1.2 Análise da pegada

A Footprint Analytics é um provedor de soluções de dados blockchain que fornece uma plataforma de análise de dados sem código, um produto de API de dados unificado e o Footprint Growth Analytics, uma plataforma de BI para projetos Web3, com a ajuda de tecnologia de inteligência artificial.

A vantagem da Footprint reside na criação da sua linha de produção de dados on-chain e ferramentas ecológicas, e no estabelecimento de um data lake unificado para abrir a metabase de dados on-chain e off-chain e o registo industrial e comercial on-chain, de modo a garantir a acessibilidade, facilidade de utilização e qualidade dos dados quando os utilizadores analisam e utilizam. A estratégia de longo prazo da Footprint se concentrará na profundidade da tecnologia e na construção de plataformas para criar uma “fábrica de máquinas” capaz de produzir dados e aplicativos on-chain.

Os produtos Footprint são combinados com IA da seguinte forma:

Desde o lançamento do modelo LLM, a Footprint tem explorado a combinação de produtos de dados existentes e IA para melhorar a eficiência do processamento e análise de dados e criar um produto mais fácil de usar. Em maio de 2023, a Footprint começou a fornecer aos usuários recursos de análise de dados para interação em linguagem natural e atualizou para recursos de produtos high-end com base em seu no-code original, permitindo que os usuários obtivessem dados rapidamente e gerassem gráficos por meio de conversas sem estarem familiarizados com as tabelas e o design da plataforma.

Além disso, os atuais produtos de dados LLM + Web3 no mercado estão focados principalmente em resolver os problemas de redução do limiar para uso do usuário e mudar o paradigma de interação, e o foco da Footprint no desenvolvimento de produtos e IA não é apenas ajudar os usuários a resolver o problema de análise de dados e experiência do usuário, mas também precipitar dados verticais e compreensão de negócios no campo cripto, bem como treinar modelos de linguagem no domínio cripto para melhorar a eficiência e precisão de aplicações de cena vertical. Os pontos fortes da Footprint a este respeito refletir-se-ão nas seguintes áreas:

• Quantidade de conhecimento de dados (qualidade e quantidade de base de conhecimento). A eficiência da acumulação de dados, fonte, quantidade e categoria. Em particular, o subproduto Footprint MetaMosaic incorpora o acúmulo de gráficos de relacionamento e dados estáticos para lógica de negócios específica.
• Conhecimento de arquitetura. A Footprint acumulou mais de 30 cadeias públicas, abstraiu tabelas de dados estruturados por seção de negócios. O conhecimento do processo de produção, desde dados brutos até dados estruturados, pode, por sua vez, fortalecer a compreensão de dados brutos e treinar melhor os modelos.
• Tipo de dados. Há uma lacuna significativa na eficiência do treinamento e no custo da máquina a partir do treinamento de dados brutos não padronizados e não estruturados na cadeia, bem como do treinamento de tabelas e métricas de dados estruturados e significativos para os negócios. Um exemplo típico é a necessidade de fornecer mais dados para o LLM, o que requer dados mais legíveis e estruturados, além de dados profissionais baseados no campo de criptografia, e um maior número de usuários como dados de feedback.
• Dados de fluxo de dinheiro cripto. O Footprint abstrai os dados de fluxo de capital intimamente relacionados ao investimento, que incluem o tempo, assunto (incluindo fluxo), tipo de token, valor (preço do token no ponto no tempo associado), tipo de negócio e tags de tokens e entidades, que podem ser usados como uma base de conhecimento e fonte de dados para LLM para analisar os principais fundos de tokens, localizar a distribuição de chips, monitorar o fluxo de fundos, identificar mudanças on-chain, rastrear fundos inteligentes, etc.
• Injeção de dados privados. O Footprint divide o modelo em três camadas, uma é o modelo base com conhecimento mundial (OpenAI e outros modelos de código aberto), o modelo vertical de domínios subdivididos e o modelo de conhecimento especializado personalizado. Ele permite que os usuários unifiquem suas bases de conhecimento de diferentes fontes no Footprint para gerenciamento e usem dados privados para treinar LLMs privados, o que é adequado para cenários de aplicativos mais personalizados.

Na exploração do Footprint combinado com o modelo LLM, uma série de desafios e problemas também foram encontrados, os mais típicos dos quais são tokens insuficientes, prompts demorados e respostas instáveis. O maior desafio enfrentado pelo campo vertical de dados on-chain onde a Footprint está localizada é que existem muitos tipos de entidades de dados on-chain, um grande número delas e mudanças rápidas, e a forma de alimentá-las para LLMs requer mais pesquisa e exploração por toda a indústria. A atual cadeia de ferramentas é ainda relativamente incipiente, sendo necessários mais instrumentos para resolver alguns problemas específicos.

O futuro da integração da Footprint com a IA em tecnologia e produtos inclui o seguinte:

(1) Em termos de tecnologia, a pegada será explorada e otimizada em três aspetos em combinação com o modelo LLM

• Suporte LLM para inferência em dados estruturados, de modo que uma grande quantidade de dados estruturados e conhecimento no campo criptografado pode ser aplicado ao consumo de dados e produção de LLM.
• Ajude os usuários a construir uma base de conhecimento personalizada (incluindo conhecimento, dados e experiência) e use dados privados para melhorar a capacidade de LLMs de criptografia otimizados, para que todos possam construir seus próprios modelos.
• Com análise assistida por IA e produção de conteúdo, os usuários podem criar seu próprio GPT através do diálogo, combinado com dados de fluxo de fundos e base de conhecimento privada, para produzir e compartilhar conteúdo de investimento cripto.

(2) Em termos de produtos, a Footprint centrar-se-á na exploração da aplicação de produtos de IA e na inovação dos modelos empresariais. De acordo com o recente plano de promoção da Footprint para o produto, ela lançará uma plataforma de geração e compartilhamento de conteúdo cripto de IA para os usuários.

Além disso, para a expansão de futuros parceiros, a Footprint explorará os seguintes dois aspetos:

Primeiro, fortalecer a cooperação com KOLs para ajudar na produção de conteúdo valioso, no funcionamento da comunidade e na monetização do conhecimento.

Em segundo lugar, expandir mais partes de projetos cooperativos e fornecedores de dados, criar um incentivo ao utilizador aberto e vantajoso para todos e cooperação em matéria de dados, e estabelecer uma plataforma de serviço de dados única mutuamente benéfica e vantajosa para ambas as partes.

1.3 GoPlus SecurityGoplus

O GoPlus Security é atualmente a principal infraestrutura de segurança do usuário no setor Web3, fornecendo uma variedade de serviços de segurança voltados para o usuário. Atualmente, ele foi integrado com carteiras digitais convencionais, sites de mercado, Dex e vários outros aplicativos Web3 no mercado. Os usuários podem usar diretamente vários recursos de proteção de segurança, como deteção de segurança de ativos, autorização de transferência e antiphishing. A GoPlus fornece soluções de segurança do usuário que cobrem todo o ciclo de vida da segurança do usuário para proteger os ativos do usuário contra vários tipos de invasores.

O desenvolvimento e planejamento do GoPlus e da IA são os seguintes:

A principal exploração da GoPlus na tecnologia de IA se reflete em seus dois produtos: AI Automated Detection e AI Security Assistant:

(1) Deteção automática de IA

Desde 2022, a GoPlus desenvolveu seu próprio mecanismo de deteção automatizado baseado em IA para melhorar de forma abrangente a eficiência e a precisão da deteção de segurança. O mecanismo de segurança da GoPlus usa uma abordagem de funil em várias camadas para deteção de código estático, deteção dinâmica e deteção de recursos ou comportamentos. Esse processo de deteção composto permite que o mecanismo identifique e analise efetivamente as características de amostras potencialmente arriscadas para modelar efetivamente tipos e comportamentos de ataque. Esses modelos são fundamentais para a identificação e prevenção de ameaças à segurança do mecanismo e ajudam o mecanismo a determinar se uma amostra de risco tem alguma assinatura de ataque específica. Além disso, após um longo período de iteração e otimização, o mecanismo de segurança GoPlus acumulou uma riqueza de dados e experiência de segurança, e sua arquitetura pode responder de forma rápida e eficaz a ameaças de segurança emergentes, garantir que vários ataques novos e complexos possam ser detetados e bloqueados em tempo hábil e que os usuários possam ser protegidos de forma abrangente. Atualmente, o mecanismo usa algoritmos e tecnologias relacionados à IA em vários cenários de segurança, como deteção de contratos arriscados, deteção de sites de phishing, deteção de endereços maliciosos e deteção de transações arriscadas. Por outro lado, reduz a complexidade e o custo de tempo da participação manual e melhora a precisão do julgamento da amostra de risco, especialmente para novos cenários que são difíceis de definir manualmente ou difíceis de serem identificados pelos motores, a IA pode agregar melhor recursos e formar métodos de análise mais eficazes**.

Em 2023, à medida que os modelos grandes evoluíam, a GoPlus rapidamente se adaptou e adotou LLMs. Em comparação com os algoritmos tradicionais de IA, os LLMs são significativamente mais eficientes e eficazes na identificação, processamento e análise de dados. Na direção do teste dinâmico de difusão, a GoPlus usa a tecnologia LLM para gerar sequências de transações de forma eficaz e explorar estados mais profundos para descobrir riscos contratuais.

(2) Assistente de segurança de IA

A GoPlus também está desenvolvendo assistentes de segurança de IA que aproveitam os recursos de processamento de linguagem natural baseados em LLM para fornecer consultoria de segurança instantânea e melhorar a experiência do usuário. Com base no modelo GPT grande, o assistente de IA desenvolveu um conjunto de agentes de segurança de usuário auto-desenvolvidos através da entrada de dados de negócios front-end, que podem analisar automaticamente, gerar soluções, desmontar tarefas e executar de acordo com problemas, e fornecer aos usuários os serviços de segurança de que precisam. Os assistentes de IA simplificam a comunicação entre os utilizadores e as questões de segurança, reduzindo a barreira à compreensão.

Em termos de funções do produto, devido à importância da IA no campo da segurança, a IA tem o potencial de mudar completamente a estrutura dos mecanismos de segurança existentes ou mecanismos antivírus de vírus no futuro, e uma nova arquitetura de mecanismo com a IA como o núcleo aparecerá. A GoPlus continuará a treinar e otimizar seus modelos de IA para transformar a IA de uma ferramenta de assistência para a funcionalidade central de seu mecanismo de deteção de segurança.

Em termos de modelo de negócios, embora os serviços da GoPlus sejam atualmente principalmente para desenvolvedores e partes do projeto, a empresa está explorando mais produtos e serviços diretamente para usuários C-end, bem como novos modelos de receita relacionados à IA. Fornecer serviços C-end eficientes, precisos e de baixo custo será a principal competitividade da GoPlus no futuro. Isso exigirá que as empresas continuem a pesquisar e fazer mais treinamento e produção em grandes modelos de IA que interagem com os usuários. Ao mesmo tempo, a GoPlus também colaborará com outras equipes para compartilhar seus dados de segurança e impulsionar aplicativos de IA no espaço de segurança por meio da colaboração para se preparar para possíveis mudanças futuras no setor.

1.4 Laboratórios Trusta

Fundada em 2022, a Trusta Labs é uma startup de dados alimentada por IA no espaço Web3. A Trusta Labs se concentra no processamento eficiente e análise precisa de dados de blockchain usando tecnologia avançada de inteligência artificial para construir a reputação on-chain e a infraestrutura de segurança do blockchain. Atualmente, o negócio da Trusta Labs consiste em dois produtos principais: TrustScan e TrustGo.

(1) TrustScan, TrustScan é um produto projetado para clientes B-end, usado principalmente para ajudar projetos Web3 analisar o comportamento do usuário on-chain e refinar camadas em termos de aquisição de usuários, atividade do usuário e retenção de usuários, de modo a identificar usuários reais e de alto valor.

(2) O TrustGo, um produto para clientes C-end, fornece uma ferramenta de análise MEDIA que pode analisar e avaliar endereços on-chain a partir de cinco dimensões (valor do fundo, atividade, diversidade, direitos de identidade e lealdade), e o produto enfatiza a análise aprofundada de dados on-chain para melhorar a qualidade e a segurança das decisões de transação.

O desenvolvimento e planejamento do Trusta Labs e da IA são os seguintes:

Atualmente, os dois produtos da Trusta Labs usam modelos de IA para processar e analisar os dados de interação de endereços on-chain. Os dados comportamentais de interações de endereço no blockchain são uma sequência de dados, que é muito adequada para o treinamento de modelos de IA. No processo de limpeza, organização e rotulagem de dados on-chain, a Trusta Labs entrega grande parte do trabalho à IA, o que melhora muito a qualidade e a eficiência do processamento de dados, ao mesmo tempo em que reduz muitos custos de mão de obra. A Trusta Labs usa tecnologia de IA para conduzir análises aprofundadas e mineração de dados de interação de endereços on-chain, que podem efetivamente identificar um endereço Witch mais provável para clientes B-end. A Tursta Labs foi capaz de prevenir potenciais ataques Sybil em vários projetos que usaram produtos Tursta Labs e, para clientes C-end, a TrustGo aproveitou modelos de IA existentes para ajudar os usuários a obter informações sobre seus dados de comportamento on-chain.

A Trusta Labs tem acompanhado de perto o progresso técnico e as práticas de aplicação dos modelos LLM. À medida que o custo de treinamento e inferência de modelos continua a diminuir, bem como o acúmulo de uma grande quantidade de corpus e dados de comportamento do usuário no campo Web3, a Trusta Labs procurará o momento certo para introduzir a tecnologia LLM e usar a produtividade da IA para fornecer recursos mais profundos de mineração e análise de dados para produtos e usuários. Com base nos abundantes dados já fornecidos pela Trusta Labs, espera-se que o modelo de análise inteligente de IA possa ser usado para fornecer funções de interpretação de dados mais razoáveis e objetivas para os resultados dos dados, como fornecer interpretação qualitativa e quantitativa da análise da conta Sybil capturada para usuários finais B, para que os usuários possam entender melhor a análise das razões por trás dos dados e, ao mesmo tempo, possa fornecer suporte material mais detalhado para os usuários B-end quando eles reclamam e explicam aos seus clientes.

Por outro lado, a Trusta Labs também planeja usar modelos LLM maduros ou de código aberto e combinar conceitos de design centrados na intenção para criar agentes de IA para ajudar os usuários a resolver problemas de interação on-chain de forma mais rápida e eficiente. Em termos de cenários de aplicação específicos, no futuro, através do assistente inteligente AI Agent baseado no treinamento LLM fornecido pela Trusta Labs, os usuários podem se comunicar com o assistente inteligente diretamente por meio de linguagem natural, e o assistente inteligente pode “inteligentemente” feedback informações relacionadas aos dados na cadeia e fazer sugestões e planos para operações de acompanhamento com base nas informações fornecidas, realmente realizando uma operação inteligente centralizada na intenção do usuário, reduzindo consideravelmente o limite para os usuários usarem dados e simplificando a execução de operações on-chain.

Além disso, a Trusta acredita que, com o surgimento de cada vez mais produtos de dados baseados em IA no futuro, o principal fator competitivo de cada produto pode não ser o modelo LLM usado, mas o principal fator competitivo é uma compreensão e interpretação mais profundas dos dados já dominados. Com base na análise dos dados masterizados, combinados com modelos LLM, mais modelos de IA “inteligentes” podem ser treinados.

1.5 0xÂmbito

A 0xScope, fundada em 2022, é uma plataforma de inovação centrada em dados focada na combinação de tecnologia blockchain e inteligência artificial. O 0xScope tem como objetivo mudar a forma como as pessoas processam, usam e olham para os dados. O 0xScope está atualmente disponível para clientes do lado B e do lado C: produtos SaaS 0xScope e 0xScopescan.

(1) Os produtos SaaS 0xScope, uma solução SaaS para empresas, capacitam os clientes corporativos a realizar gerenciamento pós-investimento, tomar melhores decisões de investimento, entender o comportamento do usuário e monitorar de perto a dinâmica competitiva.

e (2) 0xScopescan, um produto B2C que permite que traders de criptomoedas investiguem o fluxo e a atividade de fundos em blockchains selecionados.

O foco de negócios da 0xScope é usar dados on-chain para abstrair um modelo de dados comum, simplificar a análise de dados on-chain e transformar dados on-chain em dados operacionais on-chain compreensíveis, de modo a ajudar os usuários a realizar análises aprofundadas de dados on-chain**. Usando a plataforma de ferramentas de dados fornecida pela 0xScope, ele pode não só melhorar a qualidade dos dados na cadeia, minerar as informações ocultas dos dados, de modo a revelar mais informações aos usuários, mas também reduzir muito o limiar de mineração de dados.

O desenvolvimento e planejamento de 0xScope e IA são os seguintes:

Os produtos da 0xScope estão sendo atualizados em combinação com modelos grandes, o que inclui duas direções: primeiro, para reduzir ainda mais o limite para os usuários através da interação em linguagem natural e, segundo, para usar modelos de IA para melhorar a eficiência de processamento na limpeza, análise, modelagem e análise de dados. Ao mesmo tempo, os produtos da 0xScope lançarão em breve um módulo interativo de IA com função de bate-papo, o que reduzirá muito o limite para os usuários consultarem e analisarem dados, e interagirem e consultarem com os dados subjacentes apenas por meio de linguagem natural.

No entanto, no processo de treinamento e uso de IA, a 0xScope descobriu que ainda enfrentava os seguintes desafios: Primeiro, o custo e o custo de tempo do treinamento de IA eram altos. Depois de fazer uma pergunta, leva muito tempo para a IA responder**. Como resultado, essa dificuldade força as equipes a simplificar e se concentrar nos processos de negócios e se concentrar em perguntas e respostas verticais, em vez de torná-lo um super assistente de IA completo. Em segundo lugar, a saída do modelo LLM é incontrolável. **Os produtos de dados esperam dar resultados precisos, mas os resultados dados pelo modelo LLM atual provavelmente serão diferentes da situação real, o que é muito fatal para a experiência dos produtos de dados. Além disso, a saída do modelo grande pode envolver os dados privados do usuário. Portanto, ao usar o padrão LLM no produto, a equipe precisa limitá-lo em grande medida para que a saída do modelo de IA possa ser controlada e precisa.

No futuro, a 0xScope planeja usar IA para se concentrar em trilhas verticais específicas e aprofundar seu cultivo. Atualmente, com base no acúmulo de uma grande quantidade de dados on-chain, 0xScope pode definir a identidade de usuários on-chain, e continuará a usar ferramentas de IA para abstrair o comportamento do usuário on-chain e, em seguida, criar um sistema de modelagem de dados exclusivo, através do qual as informações ocultas de dados on-chain são reveladas.

Em termos de cooperação, o 0xScope se concentrará em dois tipos de grupos: a primeira categoria, os objetos que o produto pode servir diretamente, como desenvolvedores, partes do projeto, VC, exchanges, etc., que precisam dos dados fornecidos pelo produto atual, e a segunda categoria, parceiros que precisam de AI Chat, como Debank, Chainbase, etc., só precisam de conhecimento e dados relevantes para chamar diretamente o AI Chat.

VC insight - a comercialização e desenvolvimento futuro de empresas de dados AI+Web3

Através de entrevistas com 4 investidores seniores de capital de risco, esta seção analisará a situação atual e o desenvolvimento da indústria de dados AI+Web3, a competitividade central das empresas de dados Web3 e o caminho de comercialização futuro da perspetiva de investimento e mercado.

2.1 Situação atual e desenvolvimento da indústria de dados AI+Web3

Atualmente, a combinação de dados de IA e Web3 está em um estágio de exploração ativa e, da perspetiva da direção de desenvolvimento de várias empresas líderes de dados Web3, a combinação de tecnologia de IA e LLM é uma tendência indispensável. Mas, ao mesmo tempo, os LLMs têm suas próprias limitações técnicas e não podem resolver muitos dos problemas da indústria de dados atual.

Portanto, precisamos reconhecer que não é necessário combinar cegamente com a IA para melhorar os benefícios de um projeto, ou usar conceitos de IA para hype, mas explorar áreas de aplicação que sejam verdadeiramente práticas e promissoras. Do ponto de vista do VC, a combinação de dados de IA e Web3 tem sido explorada nos seguintes aspetos:

(1) Melhorar as capacidades dos produtos de dados Web3 através da tecnologia de IA, incluindo a tecnologia de IA para ajudar as empresas a melhorar a eficiência do processamento e análise de dados internos e, consequentemente, melhorar a capacidade de analisar e recuperar automaticamente os produtos de dados dos utilizadores. **Por exemplo, Yuxing da SevenX Ventures mencionou que a principal ajuda do uso da tecnologia de IA para dados Web3 é a eficiência, como o uso de modelos LLM por Dune para deteção de anomalias de código e conversão de linguagem natural para gerar SQL para indexação de informações; O modelo é pré-rotulado com dados, o que pode economizar muitos custos de mão de obra. No entanto, VC concorda que a IA desempenha um papel auxiliar na melhoria das capacidades e eficiência dos produtos de dados Web3, como a pré-anotação de dados, que pode, em última análise, exigir revisão humana para garantir a precisão. **

(2) Use as vantagens do LLM em adaptabilidade e interação para construir AI Agent/Bot. **Por exemplo, grandes modelos de linguagem são usados para recuperar dados de toda a Web3, incluindo dados on-chain e dados de notícias off-chain, para agregação de informações e análise da opinião pública. Harper, da Hashkey Capital, acredita que esse tipo de agente de IA está mais inclinado à integração, geração e interação com os usuários, e será relativamente fraco em termos de precisão e eficiência da informação.

Embora tenha havido muitos casos de aplicação dos dois aspetos acima, a tecnologia e os produtos ainda estão na fase inicial de exploração, por isso é necessário otimizar continuamente a tecnologia e melhorar os produtos no futuro.

(3) Usando IA para análise de preços e estratégia de negociação: Atualmente, existem projetos no mercado que usam tecnologia de IA para estimar o preço de NFTs, como NFTGo investido pela Qiming Venture Partners, e algumas equipes de negociação profissionais usam IA para análise de dados e execução de transações. Além disso, a Ocean Protocol lançou recentemente um produto de IA de previsão de preços. Este tipo de produto pode parecer imaginativo, mas ainda precisa ser verificado em termos de aceitação do produto, aceitação do usuário e, especialmente, precisão.

Por outro lado, muitos VC, especialmente aqueles que investiram em Web2 VC prestarão mais atenção às vantagens e cenários de aplicação que a Web3 e a tecnologia blockchain podem trazer para a tecnologia de IA. A abertura, verificabilidade e descentralização do blockchain, bem como a capacidade da criptografia de fornecer proteção de privacidade, juntamente com a reformulação das relações de produção da Web3, podem ser capazes de trazer algumas novas oportunidades para a IA:

(1) Confirmação e verificação da propriedade dos dados de IA. O advento da IA tornou a geração de conteúdo de dados proliferada e barata. **Tang Yi da Qiming Venture Partners mencionou que é difícil determinar a qualidade e o criador de conteúdo, como obras digitais. A este respeito, a confirmação do conteúdo dos dados requer um sistema completamente novo, e o blockchain pode ser capaz de ajudar. Zixi, da Matrix Partners, mencionou que existem trocas de dados que colocam dados em NFT para negociação, o que pode resolver o problema da confirmação de direitos de dados.

Além disso, Yuxing da SevenX Ventures mencionou que os dados Web3 podem melhorar o problema da fraude de IA e da caixa preta, que atualmente tem problemas de caixa preta tanto no algoritmo do modelo em si quanto nos dados, o que pode levar a saídas distorcidas. No entanto, os dados Web3 são transparentes, os dados são abertos e verificáveis, e as fontes de treinamento e os resultados dos modelos de IA serão mais claros, tornando a IA mais justa e reduzindo preconceitos e erros. No entanto, a quantidade atual de dados na Web3 não é suficiente para capacitar o treinamento da IA em si, por isso não será realizada a curto prazo. Mas podemos aproveitar esse recurso para colocar dados Web2 on-chain para evitar deepfakes de IA. **

(2) Crowdsourcing de anotação de dados de IA e comunidade UGC: Atualmente, a anotação de IA tradicional enfrenta o problema da baixa eficiência e qualidade, especialmente no campo do conhecimento profissional, que também pode exigir conhecimento interdisciplinar, que é impossível de cobrir por empresas tradicionais de anotação de dados gerais, e muitas vezes precisa ser feito internamente por equipes profissionais. A introdução do crowdsourcing para anotação de dados através dos conceitos de blockchain e Web3 pode ser uma boa maneira de melhorar esse problema, como o Questlab investido pela Matrix Partners, que usa a tecnologia blockchain para fornecer serviços de crowdsourcing para anotação de dados. Além disso, em algumas comunidades de modelos de código aberto, o conceito de blockchain também pode ser usado para resolver o problema da economia criadora de modelos.

(3) Implantação da privacidade de dados: a tecnologia Blockchain combinada com tecnologias relacionadas à criptografia pode garantir a privacidade e a descentralização dos dados. Zixi, da Matrix Partners, mencionou que investiu em uma empresa de dados sintéticos que gera dados sintéticos por meio de grandes modelos, que podem ser usados principalmente em testes de software, análise de dados e treinamento de modelos grandes de IA. As empresas estão envolvidas em muitos problemas de implantação de privacidade ao processar dados, e usar o blockchain Oasis pode efetivamente evitar questões regulatórias e de privacidade.

2.2AI+Web3Como construir a competitividade central das empresas de dados

Para as empresas de tecnologia Web3, a introdução da IA pode aumentar a atratividade ou a atenção do projeto até certo ponto, mas atualmente, a maioria dos produtos relacionados às empresas de tecnologia Web3 combinados com IA não são suficientes para se tornar a competitividade central da empresa, mas mais para fornecer uma experiência mais amigável e melhorar a eficiência. Por exemplo, o limite para agentes de IA não é alto, e a empresa que faz isso primeiro pode ter uma vantagem de pioneiro no mercado, mas não cria barreiras. **

O que realmente gera competitividade central e barreiras na indústria de dados Web3 deve ser as capacidades de dados da equipe e como aplicar a tecnologia de IA para resolver problemas em cenários de análise específicos. **

Em primeiro lugar, os recursos de dados da equipe incluem a fonte de dados e a capacidade da equipe de analisar dados e ajustar o modelo, que é a base para o trabalho subsequente. Na entrevista, SevenX Ventures, Matrix Partners e Hashkey Capital mencionaram unanimemente que a competitividade central das empresas de dados AI+Web3 depende da qualidade das fontes de dados. Além disso, os engenheiros também são obrigados a ser capazes de ajustar habilmente modelos, processar dados e analisar com base em fontes de dados.

Por outro lado, a combinação específica da tecnologia de IA da equipe também é muito importante, e o cenário deve ser valioso. **Harper acredita que, embora a combinação atual de empresas de dados Web3 e IA comece basicamente com agentes de IA, seu posicionamento também é diferente, como Espaço e Tempo, que a Hashkey Capital investiu, e a chainML cooperou para lançar a infraestrutura para a criação de agentes de IA, na qual os agentes DeFi criados são usados para o Espaço e o Tempo.

2.3** Web3 **** Data Company Futura Estrada de Comercialização**

Outro tópico importante para as empresas de dados Web3 é a comercialização. Por muito tempo, o modelo de lucro das empresas de análise de dados tem sido relativamente simples, a maioria delas é livre de ToC, e o principal ToB é lucrativo, o que depende da disposição dos clientes B-end para pagar. No campo da Web3, a disposição das empresas para pagar não é alta, e as startups do setor são o esteio, por isso é difícil para as partes do projeto apoiar o pagamento a longo prazo. Como resultado, as empresas de dados Web3 estão atualmente em uma posição difícil de comercializar.

Sobre esta questão, VC geralmente acreditam que a combinação da tecnologia de IA atual é usada apenas para resolver o problema do processo de produção internamente, e não muda o problema inerente de dificuldade na monetização. Algumas novas formas de produtos, como os bots de IA, não têm um limite suficientemente alto, o que pode aumentar a disposição dos usuários para pagar no campo toC até certo ponto, mas ainda não são muito fortes. A IA pode não ser a solução para o problema da comercialização de produtos de dados no curto prazo, e a comercialização requer mais esforços de produtização**, como encontrar cenários mais adequados e modelos de negócios inovadores.

No caminho da combinação de Web3 e IA no futuro, o uso do modelo econômico da Web3 combinado com dados de IA pode levar a alguns novos modelos de negócios, principalmente no campo do ToC. Zixi, da Matrix Partners, mencionou que os produtos de IA podem ser combinados com alguma jogabilidade de token para melhorar a aderência, a atividade diária e a emoção de toda a comunidade, o que é viável e mais fácil de monetizar. Tang Yi da Qiming Venture Capital mencionou que, de um ponto de vista ideológico, o sistema de valores da Web3 pode ser combinado com IA, que é muito adequada como um sistema de conta ou sistema de transformação de valor para bots. Por exemplo, um bot tem sua própria conta e pode ganhar dinheiro através de sua parte inteligente, bem como pagar para manter seu poder de computação subjacente, etc. Mas este conceito pertence à imaginação do futuro, e a aplicação prática pode ainda ter um longo caminho a percorrer.

No modelo de negócio original, ou seja, o pagamento direto dos utilizadores, é necessário ter um poder de produto suficientemente forte para permitir que os utilizadores tenham uma maior vontade de pagar. Por exemplo, fontes de dados de maior qualidade, os benefícios dos dados superam os custos pagos, etc., não só na aplicação da tecnologia de IA, mas também nas capacidades da própria equipa de dados.