Углубленный исследовательский отчет (Часть II): Анализ состояния интеграции, конкурентной среды и будущих возможностей индустрии данных AI и Web3

Появление GPT привлекло внимание всего мира к большим языковым моделям, и все слои общества стараются использовать эту «черную технологию» для повышения эффективности работы и ускорения развития отрасли. Future3 Campus и Footprint Analytics совместно провели углубленное исследование безграничных возможностей комбинации ИИ и Web3, а также совместно выпустили исследовательский отчет под названием «Анализ статуса интеграции, конкурентной среды и будущих возможностей ИИ и индустрии данных Web3». Отчет об исследовании разделен на две части, и эта статья является второй частью, отредактированной исследователями Future3 Campus Шерри и Хамфри.

Сводка:

• Сочетание данных искусственного интеллекта и Web3 повышает эффективность обработки данных и пользовательский опыт. В настоящее время изучение LLM в индустрии данных блокчейна в основном сосредоточено на повышении эффективности обработки данных с помощью технологии ИИ, создании агентов ИИ с использованием интерактивных преимуществ LLM, а также использовании ИИ для анализа ценообразования и торговых стратегий.
• В настоящее время применение ИИ в области данных Web3 все еще сталкивается с некоторыми проблемами, такими как точность, объяснимость, коммерциализация и т. д. Предстоит пройти еще долгий путь, прежде чем вмешательство человека будет полностью заменено.
• Основная конкурентоспособность компаний, работающих с данными Web3, заключается не только в самой технологии искусственного интеллекта, но и в возможностях накопления данных, а также в возможностях глубокого анализа и применения данных. • В краткосрочной перспективе ИИ, возможно, не решит проблему коммерциализации информационных продуктов, а коммерциализация потребует больше усилий по их продуктизации.

Текущая ситуация и путь развития комбинации индустрии данных Web3 и искусственного интеллекта

1.1 Дюна

В настоящее время Dune является ведущим сообществом аналитики открытых данных в индустрии Web3, предоставляя инструменты блокчейна для запроса, извлечения и визуализации больших объемов данных, позволяя пользователям и экспертам по анализу данных запрашивать ончейн-данные из предварительно заполненной базы данных Dune с помощью простых SQL-запросов и формировать соответствующие диаграммы и мнения.

В марте 2023 года Dune представила планы по ИИ и будущему внедрения LLM, а в октябре выпустила свой продукт Dune AI. ** Основная цель продуктов Dune, связанных с искусственным интеллектом, заключается в том, чтобы дополнить пользовательский интерфейс мастера мощными лингвистическими и аналитическими возможностями магистров права, чтобы лучше предоставлять пользователям запросы данных и написание SQL на Dune**.

(1) Интерпретация запросов: Продукт, выпущенный в марте, позволяет пользователям получать объяснения SQL-запросов на естественном языке нажатием кнопки, которая предназначена для того, чтобы помочь пользователям лучше понимать сложные SQL-запросы, тем самым повышая эффективность и точность анализа данных.

(2) Перевод запросов: Dune планирует перенести различные движки SQL-запросов (такие как Postgres и Spark SQL) на Dune на DuneSQL, чтобы LLM могли предоставлять возможности автоматического перевода языков запросов, чтобы помочь пользователям лучше перейти и облегчить внедрение продуктов DuneSQL.

(3) Запрос на естественном языке: Dune AI, который был выпущен в октябре. Позволяет пользователям задавать вопросы и получать данные на простом английском языке. Цель этой функции — упростить доступ к данным и их анализ для пользователей, которым не нужны знания SQL.

(4) Поисковая оптимизация: Dune планирует использовать LLM для улучшения возможностей поиска и помощи пользователям в более эффективной фильтрации информации.

(5) База знаний мастера: Dune планирует выпустить чат-бота, который поможет пользователям быстро ориентироваться в знаниях блокчейна и SQL в документации Spellbook и Dune.

(6) Упрощение написания SQL (Dune Wand) :D в августе запустили серию SQL-инструментов Wand. Create Wand позволяет пользователям создавать полные запросы на основе запросов на естественном языке, Edit Wand позволяет пользователям вносить изменения в существующие запросы, а функция Debug автоматически отлаживает синтаксические ошибки в запросах. В основе этих инструментов лежит технология LLM, которая упрощает процесс написания запросов и позволяет аналитикам сосредоточиться на основной логике анализа данных, не беспокоясь о коде и синтаксисе.

1.2 Аналитика футпринта

Footprint Analytics — поставщик решений для обработки данных на блокчейне, который предоставляет платформу аналитики данных no-code, унифицированный продукт API данных и Footprint Growth Analytics, BI-платформу для проектов Web3, с помощью технологии искусственного интеллекта.

Преимущество Footprint заключается в создании собственной линии по производству данных в сети и экологических инструментов, а также в создании единого озера данных для открытия метабазы данных ончейн и оффчейн, а также промышленной и коммерческой регистрации в сети, чтобы обеспечить доступность, простоту использования и качество данных при анализе и использовании пользователями. Долгосрочная стратегия Footprint будет сосредоточена на технологической глубине и создании платформы для создания «машинной фабрики», способной производить данные и приложения в сети.

Продукты Footprint объединяются с искусственным интеллектом следующим образом:

С момента запуска модели LLM компания Footprint изучает комбинацию существующих продуктов для работы с данными и искусственного интеллекта для повышения эффективности обработки и анализа данных и создания более удобного для пользователя продукта. В мае 2023 года Footprint начала предоставлять пользователям возможности анализа данных для взаимодействия на естественном языке и обновилась до высококлассных функций продукта на основе своего оригинального no-code, позволяя пользователям быстро получать данные и создавать диаграммы в разговорах, не будучи знакомыми с таблицами и дизайном платформы.

Кроме того, текущие продукты данных LLM + Web3 на рынке в основном ориентированы на решение проблем снижения порога использования пользователем и изменения парадигмы взаимодействия, а фокус Footprint в разработке продуктов и искусственного интеллекта заключается не только в том, чтобы помочь пользователям решить проблему анализа данных и пользовательского опыта, но и в том, чтобы осаждать вертикальные данные и понимание бизнеса в криптосфере, а также обучать языковые модели в криптодоменной области для повышения эффективности и точности приложений вертикальных сцен. Сильные стороны Footprint в этом отношении будут отражены в следующих областях:

• Количество данных (качество и количество базы знаний). Эффективность накопления данных, источник, количество и категория. В частности, подпродукт Footprint MetaMosaic воплощает в себе накопление графов отношений и статических данных для конкретной бизнес-логики.
• Архитектура знаний. Футпринт аккумулировал более 30 публичных чейнов, абстрагировал структурированные таблицы данных по бизнес-секциям. Знание производственного процесса от необработанных данных до структурированных данных, в свою очередь, может улучшить понимание необработанных данных и улучшить модели обучения.
• Тип данных. Существует значительный разрыв в эффективности обучения и стоимости оборудования из-за обучения нестандартных и неструктурированных необработанных данных в цепочке, а также из-за обучения структурированных и значимых для бизнеса таблиц данных и метрик. Типичным примером является необходимость предоставления большего количества данных для LLM, что требует более читаемых и структурированных данных в дополнение к профессиональным данным, основанным на поле шифрования, и большему количеству пользователей в качестве данных обратной связи.
• Данные о движении криптовалют. Футпринт абстрагирует данные о движении капитала, тесно связанные с инвестициями, которые включают время, предмет (включая поток), тип токена, сумму (цену токена в соответствующий момент времени), тип бизнеса и теги токенов и организаций, которые можно использовать в качестве базы знаний и источника данных для LLM для анализа основных фондов токенов, определения распределения чипов, мониторинга потока средств, выявления изменений в цепочке, отслеживания смарт-фондов и т. д.
• Внедрение приватных данных. Футпринт делит модель на три уровня, один из которых является базовой моделью со знанием мира (OpenAI и другие модели с открытым исходным кодом), вертикальной моделью разделенных доменов и персонализированной моделью экспертных знаний. Это позволяет пользователям унифицировать свои базы знаний из разных источников в Footprint для управления и использовать конфиденциальные данные для обучения частных LLM, что подходит для более персонализированных сценариев приложений.

При исследовании футпринта в сочетании с моделью LLM также был обнаружен ряд вызовов и проблем, наиболее типичными из которых являются недостаточное количество токенов, трудоемкие подсказки и нестабильные ответы. Более серьезная проблема, с которой сталкивается вертикальное поле ончейн-данных, где находится Footprint, заключается в том, что существует множество типов сущностей данных в сети, их большое количество и быстрые изменения, и форма, в которой они передаются LLM, требует дополнительных исследований и исследований всей отрасли. Нынешняя цепочка инструментов все еще находится на относительно ранней стадии, и для решения некоторых конкретных проблем необходимо больше инструментов.

Будущее интеграции Footprint с искусственным интеллектом в технологиях и продуктах включает в себя следующее:

(1) С точки зрения технологии, Footprint будет исследован и оптимизирован в трех аспектах в сочетании с моделью LLM

• Поддержка LLM для вывода на основе структурированных данных, так что большой объем структурированных данных и знаний в зашифрованной области может быть применен к потреблению данных и производству LLM.
• Помогите пользователям создать персонализированную базу знаний (включая знания, данные и опыт) и использовать личные данные для улучшения возможностей оптимизированных криптографических LLM, чтобы каждый мог создавать свои собственные модели.
• Благодаря анализу и созданию контента с помощью искусственного интеллекта пользователи могут создавать свои собственные GPT с помощью диалога в сочетании с данными о движении средств и частной базой знаний, чтобы создавать и делиться контентом для криптоинвестиций.

(2) Что касается продуктов, Footprint сосредоточится на изучении применения продуктов искусственного интеллекта и инновациях бизнес-моделей. Согласно недавнему плану продвижения продукта Footprint, он запустит платформу для генерации и обмена криптоконтентом на основе искусственного интеллекта для пользователей.

Кроме того, для расширения будущих партнеров Footprint будет изучать следующие два аспекта:

Во-первых, укреплять сотрудничество с лидерами мнений, чтобы помочь производству ценного контента, работе сообщества и монетизации знаний.

Во-вторых, расширить число участников проекта и поставщиков данных, создать открытую и взаимовыгодную систему поощрения пользователей и сотрудничества в области данных, а также создать взаимовыгодную и беспроигрышную универсальную платформу для обслуживания данных.

1.3 Безопасность GoPlusGoplus

GoPlus Security в настоящее время является ведущей инфраструктурой безопасности пользователей в индустрии Web3, предоставляющей различные услуги безопасности, ориентированные на пользователей. В настоящее время он интегрирован с основными цифровыми кошельками, веб-сайтами рынка, Dex и различными другими приложениями Web3 на рынке. Пользователи могут напрямую использовать различные функции защиты, такие как обнаружение безопасности активов, авторизация перевода и защита от фишинга. GoPlus предоставляет решения для обеспечения безопасности пользователей, которые охватывают весь жизненный цикл безопасности пользователей для защиты пользовательских активов от различных типов злоумышленников.

Разработка и планирование GoPlus и ИИ заключаются в следующем:

Основные исследования GoPlus в области технологий искусственного интеллекта отражены в двух продуктах: AI Automated Detection и AI Security Assistant:

(1) Автоматическое обнаружение ИИ

С 2022 года GoPlus разработала собственный механизм автоматического обнаружения на основе искусственного интеллекта для комплексного повышения эффективности и точности обнаружения безопасности. Механизм безопасности GoPlus использует многоуровневый воронкообразный подход к обнаружению статического кода, динамическому обнаружению и обнаружению функций или поведения. Этот процесс комплексного обнаружения позволяет механизму эффективно выявлять и анализировать характеристики потенциально опасных образцов для эффективного моделирования типов атак и поведения. Эти модели являются ключом к выявлению и предотвращению угроз безопасности, а также помогают модулю определить, имеет ли выборка риска какую-либо конкретную сигнатуру атаки. Кроме того, после длительного периода итераций и оптимизации механизм безопасности GoPlus накопил богатый объем данных и опыта в области безопасности, а его архитектура может быстро и эффективно реагировать на возникающие угрозы безопасности, обеспечивать своевременное обнаружение и блокировку различных сложных и новых атак, а также всестороннюю защиту пользователей. В настоящее время движок использует алгоритмы и технологии, связанные с искусственным интеллектом, в нескольких сценариях безопасности, таких как обнаружение рискованных контрактов, обнаружение фишинговых веб-сайтов, обнаружение вредоносных адресов и обнаружение рискованных транзакций. С другой стороны, это снижает сложность и временные затраты на ручное участие, а также повышает точность оценки выборки рисков, особенно для новых сценариев, которые трудно определить вручную или трудно идентифицировать с помощью механизмов, ИИ может лучше агрегировать признаки и формировать более эффективные методы анализа**.

В 2023 году, по мере развития больших моделей, GoPlus быстро адаптировала и внедрила LLM. По сравнению с традиционными алгоритмами ИИ, LLM значительно эффективнее и эффективнее в идентификации, обработке и анализе данных. В направлении динамического фаззингового тестирования GoPlus использует технологию LLM для эффективного создания последовательностей транзакций и исследования более глубоких состояний для выявления контрактных рисков.

(2) Помощник по безопасности с искусственным интеллектом

GoPlus также разрабатывает помощников по безопасности на основе искусственного интеллекта, которые используют возможности обработки естественного языка на основе LLM для предоставления мгновенных консультаций по безопасности и улучшения пользовательского опыта. На основе большой модели GPT ИИ-помощник разработал набор самостоятельно разработанных агентов безопасности пользователей через ввод фронтенд-бизнес-данных, которые могут автоматически анализировать, генерировать решения, разбирать задачи и выполнять их в соответствии с проблемами, а также предоставлять пользователям необходимые им службы безопасности. Помощники с искусственным интеллектом упрощают коммуникацию между пользователями и вопросы безопасности, снижая барьер для понимания.

С точки зрения функций продукта, в связи с важностью ИИ в области безопасности, ИИ имеет потенциал полностью изменить структуру существующих защитных движков или антивирусных ядер в будущем, и появится новая архитектура движка с ИИ в качестве ядра. GoPlus продолжит обучать и оптимизировать свои модели ИИ, чтобы превратить ИИ из вспомогательного инструмента в основную функциональность своего механизма обнаружения безопасности.

С точки зрения бизнес-модели, несмотря на то, что услуги GoPlus в настоящее время в основном предназначены для разработчиков и участников проектов, компания изучает больше продуктов и услуг непосредственно для конечных пользователей, а также новые модели получения дохода, связанные с искусственным интеллектом. Предоставление эффективных, точных и недорогих услуг C-end станет основной конкурентоспособностью GoPlus в будущем. Это потребует от компаний продолжать исследования и проводить больше обучения и вывода данных на больших моделях ИИ, которые взаимодействуют с пользователями. В то же время GoPlus также будет сотрудничать с другими командами, чтобы делиться своими данными о безопасности и продвигать приложения ИИ в сфере безопасности посредством сотрудничества, чтобы подготовиться к возможным будущим изменениям в отрасли.

1.4 Trusta Labs

Trusta Labs, основанная в 2022 году, — это стартап на основе данных на основе искусственного интеллекта в пространстве Web3. Trusta Labs фокусируется на эффективной обработке и точном анализе данных блокчейна с использованием передовых технологий искусственного интеллекта для создания ончейн-инфраструктуры репутации и безопасности блокчейна. В настоящее время бизнес Trusta Labs состоит из двух основных продуктов: TrustScan и TrustGo.

(1) TrustScan, TrustScan — это продукт, предназначенный для клиентов B-end, в основном используемый для помощи проектам Web3 в анализе поведения пользователей в сети и уточнении уровней с точки зрения привлечения пользователей, активности пользователей и удержания пользователей, чтобы идентифицировать ценных и реальных пользователей.

(2) TrustGo, продукт для конечных клиентов, предоставляет инструмент анализа MEDIA, который может анализировать и оценивать ончейн-адреса по пяти измерениям (сумма фонда, активность, разнообразие, права личности и лояльность), и продукт делает акцент на углубленном анализе ончейн-данных для повышения качества и безопасности решений о транзакциях.

Разработка и планирование Trusta Labs и AI заключаются в следующем:

В настоящее время два продукта Trusta Labs используют модели искусственного интеллекта для обработки и анализа данных о взаимодействии ончейн-адресов. Поведенческие данные адресных взаимодействий в блокчейне представляют собой последовательность данных, которая очень подходит для обучения моделей ИИ. В процессе очистки, систематизации и маркировки ончейн-данных Trusta Labs передает большую часть работы ИИ, что значительно повышает качество и эффективность обработки данных, а также значительно снижает трудозатраты. Trusta Labs использует технологию искусственного интеллекта для проведения углубленного анализа и интеллектуального анализа данных о взаимодействии с адресами в сети, что позволяет эффективно идентифицировать более вероятный адрес Witch для клиентов B-end. Tursta Labs удалось предотвратить потенциальные атаки Sybil в ряде проектов, в которых использовались продукты Tursta Labs, а для конечных клиентов TrustGo использовала существующие модели искусственного интеллекта, чтобы помочь пользователям получить представление о своих данных о поведении в сети.

Trusta Labs внимательно следит за техническим прогрессом и практикой применения моделей LLM. По мере того, как стоимость обучения моделей и логического вывода продолжает снижаться, а также накапливается большое количество корпусных данных и данных о поведении пользователей в области Web3, Trusta Labs будет искать подходящее время для внедрения технологии LLM и использования производительности искусственного интеллекта для обеспечения более глубоких возможностей интеллектуального анализа данных для продуктов и пользователей. Основываясь на обилии данных, уже предоставленных Trusta Labs, можно надеяться, что интеллектуальная аналитическая модель ИИ может быть использована для обеспечения более разумных и объективных функций интерпретации данных для результатов данных, таких как обеспечение качественной и количественной интерпретации анализа захваченной учетной записи Sybil для пользователей B-end, чтобы пользователи могли лучше понять анализ причин, лежащих в основе данных, и в то же время она может обеспечить более подробную материальную поддержку для B-конечных пользователей, когда они жалуются и объясняют своим клиентам.

С другой стороны, Trusta Labs также планирует использовать модели LLM с открытым исходным кодом или зрелые модели LLM и объединять концепции проектирования, ориентированные на намерения, для создания агентов искусственного интеллекта, которые помогут пользователям быстрее и эффективнее решать проблемы взаимодействия в сети. Что касается конкретных сценариев применения, то в будущем с помощью интеллектуального помощника AI Agent, основанного на обучении LLM, предоставленном Trusta Labs, пользователи смогут общаться с интеллектуальным помощником напрямую на естественном языке, а интеллектуальный помощник может «интеллектуально» передавать информацию, связанную с данными в цепочке, и делать предложения и планы для последующих операций на основе предоставленной информации, действительно реализуя универсальную интеллектуальную операцию, основанную на намерениях пользователя, значительно снижая порог использования данных пользователями и упрощая выполнение операций в сети.

Кроме того, в Trusta считают, что с появлением в будущем все большего количества продуктов данных на основе искусственного интеллекта основным конкурентным фактором каждого продукта может быть не используемая модель LLM, а ключевой конкурентный фактор — более глубокое понимание и интерпретация уже освоенных данных. На основе анализа освоенных данных в сочетании с моделями LLM можно обучать более «умные» модели ИИ.

1.5 0xScope

0xScope, основанная в 2022 году, представляет собой инновационную платформу, ориентированную на данные, ориентированную на сочетание технологии блокчейн и искусственного интеллекта. 0xScope призван изменить то, как люди обрабатывают, используют и смотрят на данные. В настоящее время 0xScope доступен для клиентов на стороне B и C: продукты 0xScope SaaS и 0xScopescan.

(1) Продукты 0xScope SaaS, SaaS-решение для предприятий, позволяют корпоративным клиентам осуществлять постинвестиционное управление, принимать более эффективные инвестиционные решения, понимать поведение пользователей и внимательно следить за динамикой конкуренции.

и (2) 0xScopescan, продукт B2C, который позволяет криптовалютным трейдерам исследовать движение и активность средств в выбранных блокчейнах.

Бизнес-фокус 0xScope заключается в использовании ончейн-данных для абстрагирования общей модели данных, упрощения анализа ончейн-данных и преобразования ончейн-данных в понятные ончейн-операционные данные, чтобы помочь пользователям проводить углубленный анализ ончейн-данных**. Используя платформу инструментов для работы с данными, предоставляемую 0xScope, он может не только улучшить качество данных в цепочке, извлечь скрытую информацию из данных, чтобы раскрыть больше информации пользователям, но и значительно снизить порог интеллектуального анализа данных.

Разработка и планирование 0xScope и AI заключаются в следующем:

Продукты 0xScope модернизируются в сочетании с большими моделями, что включает в себя два направления: во-первых, для дальнейшего снижения порога для пользователей за счет взаимодействия на естественном языке, а во-вторых, для использования моделей искусственного интеллекта для повышения эффективности обработки данных при очистке, анализе, моделировании и анализе. В то же время в продуктах 0xScope в скором времени будет запущен интерактивный модуль искусственного интеллекта с функцией чата, который значительно снизит порог для пользователей для запроса и анализа данных, а также взаимодействия и запроса с базовыми данными только на естественном языке.

Однако в процессе обучения и использования ИИ компания 0xScope обнаружила, что по-прежнему сталкивается со следующими проблемами: Во-первых, стоимость и временные затраты на обучение ИИ были высокими. После того, как ИИ задал вопрос, ему требуется много времени, чтобы ответить**. В результате эта сложность вынуждает команды оптимизировать и сосредоточиться на бизнес-процессах и сосредоточиться на вертикальных вопросах и ответах, а не превращать его в универсального супер-помощника с искусственным интеллектом. Во-вторых, выходные данные модели LLM не поддаются контролю. ** Продукты данных надеются дать точные результаты, но результаты, выдаваемые текущей моделью LLM, скорее всего, будут отличаться от фактической ситуации, что очень фатально сказывается на опыте работы с продуктами данных. Кроме того, выходные данные большой модели могут включать в себя личные данные пользователя. Поэтому при использовании паттерна LLM в продукте команде необходимо в значительной степени ограничить его, чтобы выходные данные модели ИИ можно было контролировать и точны.

В будущем 0xScope планирует использовать ИИ, чтобы сосредоточиться на конкретных вертикальных треках и углубить их развитие. В настоящее время, основываясь на накоплении большого количества ончейн-данных, 0xScope может определять личность ончейн-пользователей, и будет продолжать использовать инструменты искусственного интеллекта для абстрагирования поведения ончейн-пользователей, а затем создаст уникальную систему моделирования данных, с помощью которой будет выявлена скрытая информация ончейн-данных.

С точки зрения сотрудничества, 0xScope сосредоточится на двух типах групп: первая категория, объекты, которые продукт может непосредственно обслуживать, такие как разработчики, участники проекта, VC, биржи и т. д., которым нужны данные, предоставляемые текущим продуктом, и вторая категория, партнеры, которым нужен AI Chat, такие как Debank, Chainbase и т. д., нуждаются только в соответствующих знаниях и данных для прямого вызова AI Chat.

VC инсайт - коммерциализация и будущее развитие AI+Web3 компаний, работающих с данными

На основе интервью с 4 старшими VC инвесторами в этом разделе будет рассмотрена текущая ситуация и развитие индустрии данных AI+Web3, основная конкурентоспособность компаний, работающих с данными Web3, и будущий путь коммерциализации с точки зрения инвестиций и рынка.

2.1 Текущая ситуация и развитие индустрии данных AI+Web3

В настоящее время комбинация данных ИИ и Web3 находится в стадии активного изучения, и с точки зрения направления развития различных ведущих компаний по обработке данных Web3, сочетание технологии ИИ и LLM является незаменимым трендом. Но в то же время LLM имеют свои технические ограничения и не могут решить многие проблемы современной индустрии данных.

Таким образом, мы должны признать, что не обязательно слепо объединяться с ИИ для усиления преимуществ проекта или использовать концепции ИИ для хайпа, а исследовать области применения, которые действительно практичны и перспективны. С точки зрения VC, комбинация данных ИИ и Web3 была изучена в следующих аспектах:

(1) Улучшить возможности продуктов данных Web3 с помощью технологии ИИ, включая технологию ИИ, чтобы помочь предприятиям повысить эффективность внутренней обработки и анализа данных и, соответственно, улучшить способность автоматически анализировать и извлекать продукты данных пользователей. ** Например, Юсин из SevenX Ventures упомянул, что основной помощью использования технологии искусственного интеллекта для данных Web3 является эффективность, например, использование Dune моделей LLM для обнаружения аномалий в коде и преобразования естественного языка для генерации SQL для индексации информации; Модель предварительно маркируется данными, что может сэкономить много трудозатрат. Тем не менее, VC согласны с тем, что ИИ играет вспомогательную роль в улучшении возможностей и эффективности продуктов данных Web3, таких как предварительное аннотирование данных, что в конечном итоге может потребовать проверки человеком для обеспечения точности. **

(2) Используйте преимущества LLM в адаптивности и взаимодействии для создания ИИ-агента/бота. ** Например, большие языковые модели используются для получения данных из всего Web3, включая ончейн-данные и оффчейн-новостные данные, для агрегации информации и анализа общественного мнения. Харпер из Hashkey Capital считает, что этот тип ИИ-агентов более склонен к интеграции, генерации и взаимодействию с пользователями, и будет относительно слабым с точки зрения точности информации и эффективности.

Несмотря на то, что было много случаев применения двух вышеуказанных аспектов, технология и продукция все еще находятся на ранней стадии изучения, поэтому необходимо постоянно оптимизировать технологию и совершенствовать продукцию в будущем.

(3) Использование ИИ для анализа ценообразования и торговых стратегий: В настоящее время на рынке есть проекты, использующие технологию искусственного интеллекта для оценки цены NFT, такие как NFTGo, инвестированные Qiming Venture Partners, а некоторые профессиональные торговые команды используют ИИ для анализа данных и выполнения транзакций. Кроме того, Ocean Protocol недавно выпустила продукт искусственного интеллекта для прогнозирования цен. Этот тип продукта может показаться фантастическим, но он все равно нуждается в проверке с точки зрения приемки продукта, принятия пользователем и особенно точности.

С другой стороны, многие VC, особенно те, кто инвестировал в VC Web2, будут уделять больше внимания преимуществам и сценариям применения, которые Web3 и технология блокчейн могут привнести в технологию ИИ. Открытость, проверяемость и децентрализация блокчейна, а также способность криптографии обеспечивать защиту конфиденциальности в сочетании с изменением производственных отношений Web3 могут принести ИИ новые возможности:

(1) Подтверждение и проверка прав собственности на данные ИИ. Появление искусственного интеллекта сделало генерацию контента данных более распространенной и дешевой. ** Тан И из Qiming Venture Partners отметил, что трудно определить качество и создателя контента, такого как цифровые работы. В связи с этим подтверждение содержания данных требует совершенно новой системы, и блокчейн может в этом помочь. Цзыси из Matrix Partners упомянула, что существуют биржи данных, которые помещают данные в NFT для торговли, что может решить проблему подтверждения прав на данные.

Кроме того, Юйсин из SevenX Ventures упомянул, что данные Web3 могут решить проблему мошенничества с ИИ и черного ящика, который в настоящее время имеет проблемы черного ящика как в самом алгоритме модели, так и в данных, что может привести к искажению выходных данных. Тем не менее, данные Web3 прозрачны, данные открыты и проверяемы, а источники обучения и результаты моделей ИИ будут более понятными, что сделает ИИ более справедливым и уменьшит предвзятость и ошибки. Однако текущего объема данных в Web3 недостаточно для расширения возможностей обучения самого ИИ, поэтому в ближайшей перспективе он не будет реализован. Но мы можем воспользоваться этой функцией, чтобы поместить данные Web2 в блокчейн, чтобы предотвратить дипфейки ИИ. **

(2) Краудсорсинг аннотирования данных ИИ и сообщество UGC: В настоящее время традиционное аннотирование ИИ сталкивается с проблемой низкой эффективности и качества, особенно в области профессиональных знаний, что также может потребовать междисциплинарных знаний, которые невозможно охватить традиционные компании, занимающиеся аннотированием общих данных, и часто должны выполняться внутри профессиональных команд. Внедрение краудсорсинга для аннотирования данных через концепции блокчейна и Web3 может стать хорошим способом решить эту проблему, например, Questlab, инвестируемая Matrix Partners, которая использует технологию блокчейн для предоставления краудсорсинговых услуг для аннотирования данных. Кроме того, в некоторых сообществах моделей с открытым исходным кодом концепция блокчейна также может быть использована для решения проблемы экономики создателей моделей.

(3) Развертывание конфиденциальности данных: технология блокчейн в сочетании с технологиями, связанными с криптографией, может обеспечить конфиденциальность данных и децентрализацию. Цзыси из Matrix Partners упомянул, что они инвестировали в компанию по производству синтетических данных, которая генерирует синтетические данные с помощью больших моделей, которые могут в основном использоваться для тестирования программного обеспечения, анализа данных и обучения больших моделей ИИ. Компании сталкиваются с множеством проблем с конфиденциальностью при обработке данных, и использование блокчейна Oasis может эффективно избежать проблем с конфиденциальностью и регулированием.

2.2AI+Web3Как повысить конкурентоспособность дата-компаний

Для технологических компаний Web3 внедрение ИИ может в определенной степени повысить привлекательность или внимание проекта, но в настоящее время большинство продуктов, связанных с технологическими компаниями Web3, в сочетании с ИИ недостаточно для того, чтобы стать основной конкурентоспособностью компании, а скорее для обеспечения более удобного пользовательского опыта и повышения эффективности. Например, порог для ИИ-агентов невысок, и компания, которая делает это первой, может иметь преимущество первопроходца на рынке, но это не создает барьеров. **

То, что действительно создает основную конкурентоспособность и барьеры в индустрии данных Web3, должно быть возможностями команды в области данных и тем, как применять технологию искусственного интеллекта для решения проблем в конкретных сценариях анализа. **

Прежде всего, к возможностям команды по работе с данными относятся источник данных и способность команды анализировать данные и корректировать модель, которая является основой для последующей работы. В интервью SevenX Ventures, Matrix Partners и Hashkey Capital единогласно отметили, что основная конкурентоспособность компаний, работающих с данными AI+Web3, зависит от качества источников данных. Кроме того, инженеры также должны уметь умело настраивать модели, обрабатывать данные и анализировать их на основе источников данных.

С другой стороны, конкретная комбинация технологий искусственного интеллекта команды также очень важна, и сценарий должен быть ценным. ** Харпер считает, что, хотя нынешняя комбинация дата-компаний Web3 и ИИ в основном начинается с ИИ-агентов, их позиционирование также отличается, например, Space and Time, в который инвестировал Hashkey Capital, и chainML сотрудничали для запуска инфраструктуры для создания ИИ-агентов, в которой созданные DeFi-агенты используются для Пространства и Времени.

2.3** Web3 **** Будущая коммерциализация Data Company**

Еще одна тема, которая важна для дата-компаний Web3, — коммерциализация. Долгое время модель прибыли компаний, занимающихся анализом данных, была относительно простой, большинство из них не имеют ToC, а основной ToB является прибыльным, что зависит от готовности B-end клиентов платить. В сфере Web3 готовность предприятий платить невысока, а отраслевые стартапы являются опорой, поэтому сторонам проекта сложно поддерживать долгосрочную оплату. В результате компании, занимающиеся обработкой данных Web3, в настоящее время находятся в сложном положении для коммерциализации.

В этом вопросе VC в целом считаем, что комбинация современных технологий искусственного интеллекта используется только для решения проблемы производственного процесса внутри компании и не меняет присущей ей проблемы сложности монетизации. Некоторые новые формы продуктов, такие как боты с искусственным интеллектом, не имеют достаточно высокого порога, что может в определенной степени повысить готовность пользователей платить в поле toC, но они все еще не очень сильны. В краткосрочной перспективе ИИ не может стать решением проблемы коммерциализации продуктов данных, а коммерциализация требует дополнительных усилий по продуктизации**, таких как поиск более подходящих сценариев и инновационных бизнес-моделей.

На пути объединения Web3 и ИИ в будущем использование экономической модели Web3 в сочетании с данными ИИ может привести к появлению некоторых новых бизнес-моделей, в основном в области оглавления. Цзыси из Matrix Partners упомянул, что продукты искусственного интеллекта можно комбинировать с игровым процессом с некоторыми токенами, чтобы улучшить липкость, повседневную активность и эмоции всего сообщества, что осуществимо и легче монетизировать. Тан И из Qiming Venture Capital упомянул, что с идеологической точки зрения система ценностей Web3 может быть объединена с искусственным интеллектом, который очень подходит в качестве системы учетных записей или системы трансформации ценностей для ботов. Например, бот имеет собственный аккаунт и может зарабатывать деньги с помощью своей смарт-части, а также оплачивать поддержание своих базовых вычислительных мощностей и т.д. Но эта концепция относится к воображению будущего, и практическому применению, возможно, еще предстоит пройти долгий путь.

В первоначальной бизнес-модели, то есть при прямой оплате пользователями, необходимо иметь достаточно сильную мощность продукта, чтобы пользователи имели более сильную готовность платить. Например, более качественные источники данных, выгоды от данных перевешивают уплаченные затраты и т. д. не только в применении технологии ИИ, но и в возможностях самой команды по работе с данными.