Звіт про поглиблене дослідження (частина II): Аналіз стану інтеграції, конкурентного середовища та майбутніх можливостей індустрії даних штучного інтелекту та Web3

Поява GPT привернула увагу світу до великих мовних моделей, і всі верстви суспільства намагаються використовувати цю «чорну технологію» для підвищення ефективності роботи та прискорення розвитку галузі. Future3 Campus та Footprint Analytics спільно провели глибоке дослідження безмежних можливостей поєднання штучного інтелекту та Web3 та спільно випустили дослідницький звіт під назвою «Аналіз статусу інтеграції, конкурентного середовища та майбутніх можливостей індустрії даних AI та Web3». Звіт про дослідження розділений на дві частини, і ця стаття є другою частиною, відредагованою дослідниками Future3 Campus Шеррі та Хамфрі.

Резюме:

• Поєднання даних штучного інтелекту та Web3 сприяє ефективності обробки даних та користувацькому досвіду. В даний час дослідження LLM в індустрії даних блокчейну в основному зосереджено на підвищенні ефективності обробки даних за допомогою технології штучного інтелекту, створенні агентів штучного інтелекту за допомогою використання інтерактивних переваг LLM, а також використанні штучного інтелекту для аналізу цін і торгових стратегій.
• Наразі застосування штучного інтелекту у сфері даних Web3 все ще стикається з деякими проблемами, такими як точність, зрозумілість, комерціалізація тощо. Попереду ще довгий шлях, перш ніж людське втручання буде повністю замінено.
• Основна конкурентоспроможність компаній, що займаються даними Web3, полягає не лише в самій технології штучного інтелекту, але й у можливостях накопичення даних, а також у можливостях глибокого аналізу та застосування даних.
• Штучний інтелект може не стати вирішенням проблеми комерціалізації продуктів даних у короткостроковій перспективі, а комерціалізація вимагатиме більше зусиль із продуктизації.

Поточна ситуація та шлях розвитку поєднання індустрії даних Web3 та штучного інтелекту

1.1 Дюна

Наразі Dune є провідною спільнотою аналітики відкритих даних у галузі Web3, що надає блокчейн-інструменти для запиту, вилучення та візуалізації великих обсягів даних, дозволяючи користувачам та експертам з аналітики даних запитувати ончейн-дані з попередньо заповненої бази даних Dune за допомогою простих SQL-запитів і формувати відповідні діаграми та думки.

У березні 2023 року Dune представила плани щодо штучного інтелекту та майбутнє впровадження LLM, а в жовтні випустила свій продукт Dune AI. Основна увага продуктів Dune, пов’язаних зі штучним інтелектом, полягає в тому, щоб доповнити інтерфейс Wizard потужними лінгвістичними та аналітичними можливостями LLM, щоб краще надавати користувачам запити до даних і написання SQL на Dune.

(1) Інтерпретація запитів: Продукт, випущений у березні, дозволяє користувачам отримувати пояснення запитів SQL природною мовою, натискаючи кнопку, яка розроблена, щоб допомогти користувачам краще зрозуміти складні SQL-запити, тим самим підвищуючи ефективність і точність аналізу даних.

(2) Переклад запитів: Dune планує перенести різні рушії SQL-запитів (наприклад, Postgres і Spark SQL) на Dune на DuneSQL, щоб LLM могли надавати можливості автоматичного перекладу мови запитів, щоб допомогти користувачам здійснити кращий перехід і полегшити реалізацію продуктів DuneSQL.

(3) Запит природною мовою: Dune AI, який був випущений у жовтні. Дозволяє користувачам ставити запитання та отримувати дані простою англійською мовою. Мета цієї функції полягає в тому, щоб полегшити користувачам, яким не потрібні знання SQL, доступ до даних та їх аналіз.

(4) Пошукова оптимізація: Dune планує використовувати LLM, щоб покращити пошукові можливості та допомогти користувачам ефективніше фільтрувати інформацію.

(5) База знань Wizard: Dune планує випустити чат-бота, щоб допомогти користувачам швидко орієнтуватися в блокчейні та знаннях SQL у документації Spellbook та Dune.

(6) Спрощення написання SQL (Dune Wand) :D une запустила серію інструментів SQL Wand у серпні. Create Wand дозволяє користувачам генерувати повні запити на основі підказок природною мовою, Edit Wand дозволяє користувачам вносити зміни до наявних запитів, а функція налагодження автоматично налагоджує синтаксичні помилки в запитах. В основі цих інструментів лежить технологія LLM, яка спрощує процес написання запитів і дозволяє аналітикам зосередитися на основній логіці аналізу даних, не турбуючись про код і синтаксис.

1.2 Аналітика слідів

Footprint Analytics — це постачальник рішень для блокчейн-даних, який надає no-code платформу аналізу даних, уніфікований продукт data API та Footprint Growth Analytics, BI-платформу для проєктів Web3, за допомогою технології штучного інтелекту.

Перевага Footprint полягає у створенні лінії виробництва даних у ланцюжку та екологічних інструментів, а також у створенні єдиного озера даних для відкриття метабази даних у мережі та поза мережею даних, а також промислової та комерційної реєстрації в мережі, щоб забезпечити доступність, простоту використання та якість даних під час аналізу та використання користувачами. Довгострокова стратегія Footprint буде зосереджена на глибині технологій і побудові платформи для створення «машинної фабрики», здатної виробляти ончейн-дані та програми.

Продукти Footprint поєднуються зі штучним інтелектом наступним чином:

З моменту запуску моделі LLM компанія Footprint вивчає поєднання існуючих продуктів даних та штучного інтелекту для підвищення ефективності обробки та аналізу даних та створення більш зручного продукту. У травні 2023 року Footprint почав надавати користувачам можливості аналізу даних для взаємодії з природною мовою та оновився до високоякісних функцій продукту на основі свого оригінального no-code, що дозволяє користувачам швидко отримувати дані та створювати діаграми за допомогою розмов, не знайомлячись із таблицями та дизайном платформи.

Крім того, поточні на ринку продукти даних LLM + Web3 в основному орієнтовані на вирішення проблем зниження порогу використання користувачами та зміни парадигми взаємодії, а фокус Footprint у розробці продуктів та ШІ полягає не лише в тому, щоб допомогти користувачам вирішити проблему аналізу даних та користувацького досвіду, але й у прискоренні вертикальних даних та розуміння бізнесу в криптосфері, а також навчити мовні моделі в криптодомені для підвищення ефективності та точності додатків вертикальної сцени. Сильні сторони Footprint у цьому відношенні будуть відображені в наступних сферах:

• Кількість даних знань (якість і кількість бази знань). Ефективність накопичення даних, джерело, кількість і категорія. Зокрема, підпродукт Footprint MetaMosaic втілює накопичення графіків взаємозв’язків і статичних даних для конкретної бізнес-логіки.
• Архітектура знань. Footprint накопичив понад 30 публічних мереж, абстрагованих структурованих таблиць даних за бізнес-розділами. Знання виробничого процесу від необроблених даних до структурованих даних, у свою чергу, може зміцнити розуміння необроблених даних і покращити навчальні моделі.
• Тип даних. Існує значний розрив в ефективності навчання та вартості машин від навчання нестандартних та неструктурованих необроблених даних у ланцюжку, а також від навчання структурованих та бізнес-значущих таблиць даних та метрик. Типовим прикладом є необхідність надання більшої кількості даних для LLM, що вимагає більш читабельних і структурованих даних на додаток до професійних даних, заснованих на полі шифрування, і більшої кількості користувачів в якості даних зворотного зв’язку.
• Дані про рух криптогрошей. Footprint абстрагує дані про рух капіталу, тісно пов’язані з інвестиціями, які включають час, предмет (включаючи потік), тип токена, суму (ціну токена на відповідний момент часу), тип бізнесу та теги токенів та сутностей, які можна використовувати як базу знань та джерело даних для LLM для аналізу основних фондів токенів, визначення розподілу чіпів, моніторингу потоку коштів, виявлення змін у мережі, відстеження смарт-фондів тощо.
• Ін’єкція приватних даних. Footprint розділяє модель на три шари, один з яких є базовою моделлю зі знаннями про світ (OpenAI та інші моделі з відкритим вихідним кодом), вертикальною моделлю підрозділених доменів та персоналізованою моделлю експертних знань. Це дозволяє користувачам уніфікувати свої бази знань з різних джерел на Footprint для управління та використовувати приватні дані для навчання приватних LLM, що підходить для більш персоналізованих сценаріїв застосування.

У дослідженні Footprint у поєднанні з моделлю LLM також було зіткнутися з низкою викликів і проблем, найбільш типовими з яких є недостатня кількість токенів, трудомісткі підказки та нестабільні відповіді. Більша проблема, з якою стикається вертикальне поле ончейн-даних, де розташований Footprint, полягає в тому, що існує багато типів сутностей даних у мережі, їх велика кількість і швидкі зміни, а форма, в якій вони подаються в LLM, вимагає додаткових досліджень і досліджень усією галуззю. Нинішній ланцюжок інструментів все ще відносно ранній, і для вирішення деяких конкретних проблем потрібно більше інструментів.

Майбутнє інтеграції Footprint зі штучним інтелектом у технології та продукти включає наступне:

(1) З точки зору технологій, Footprint буде досліджуватися та оптимізуватися в трьох аспектах у поєднанні з моделлю LLM

• Підтримка LLM для висновків на структурованих даних, щоб велика кількість структурованих даних і знань у зашифрованій галузі могла бути застосована для споживання та виробництва даних LLM.
• Допоможіть користувачам створити персоналізовану базу знань (включаючи знання, дані та досвід), а також використовувати приватні дані для покращення можливостей оптимізованих криптографічних LLM, щоб кожен міг створювати власні моделі.
• За допомогою аналізу та створення контенту за допомогою штучного інтелекту користувачі можуть створювати власний GPT за допомогою діалогу в поєднанні з даними про потоки коштів та приватною базою знань, щоб створювати та ділитися контентом про криптоінвестиції.

(2) Що стосується продуктів, Footprint зосередиться на вивченні застосування продуктів штучного інтелекту та інноваційних бізнес-моделей. Згідно з нещодавнім планом просування продукту Footprint, він запустить платформу для створення та обміну криптоконтентом зі штучним інтелектом для користувачів.

Крім того, для розширення майбутніх партнерів Footprint вивчить наступні два аспекти:

По-перше, зміцнити співпрацю з KOL, щоб допомогти виробництву цінного контенту, роботі спільноти та монетизації знань.

По-друге, розширити більше проєктних партій і постачальників даних, створити відкрите та взаємовигідне заохочення користувачів і співпрацю з даними, а також створити взаємовигідну та взаємовигідну універсальну платформу обслуговування даних.

1.3 Безпека GoPlus

Наразі GoPlus Security є провідною інфраструктурою безпеки користувачів у галузі Web3, що надає різноманітні послуги безпеки, орієнтовані на користувачів. Наразі він інтегрований з основними цифровими гаманцями, ринковими веб-сайтами, Dex та різними іншими програмами Web3 на ринку. Користувачі можуть безпосередньо використовувати різні функції захисту безпеки, такі як виявлення безпеки активів, авторизація передачі та захист від фішингу. GoPlus надає рішення для безпеки користувачів, які охоплюють весь життєвий цикл безпеки користувачів, щоб захистити активи користувачів від різних типів зловмисників.

Розробка та планування GoPlus та AI полягають у наступному:

Основні дослідження GoPlus у технології штучного інтелекту відображені у двох продуктах: AI Automated Detection та AI Security Assistant:

(1) Автоматичне виявлення штучного інтелекту

З 2022 року компанія GoPlus розробила власний автоматизований механізм виявлення на основі штучного інтелекту, щоб комплексно підвищити ефективність і точність виявлення безпеки. Механізм безпеки GoPlus використовує багаторівневий підхід до виявлення статичного коду, динамічного виявлення та виявлення функцій або поведінки. Цей комплексний процес виявлення дозволяє механізму ефективно ідентифікувати та аналізувати характеристики потенційно ризикованих зразків для ефективного моделювання типів атак та поведінки. Ці моделі є ключовими для ідентифікації та запобігання загрозам безпеці, і вони допомагають механізму визначити, чи має зразок ризику якусь конкретну сигнатуру атаки. Крім того, після тривалого періоду ітерацій та оптимізації механізм безпеки GoPlus накопичив багатий обсяг даних безпеки та досвіду, а його архітектура може швидко та ефективно реагувати на нові загрози безпеці, забезпечувати своєчасне виявлення та блокування різних складних та нових атак, а також всебічний захист користувачів. Наразі механізм використовує алгоритми та технології, пов’язані зі штучним інтелектом, у кількох сценаріях безпеки, таких як виявлення ризикованих контрактів, виявлення фішингових веб-сайтів, виявлення шкідливих адрес і виявлення ризикованих транзакцій. З іншого боку, це зменшує складність і часові витрати ручної участі, а також підвищує точність оцінки вибірки ризиків, особливо для нових сценаріїв, які важко визначити вручну або які важко визначити за допомогою механізмів, штучний інтелект може краще агрегувати функції та формувати більш ефективні методи аналізу**.

У 2023 році, коли розвивалися великі моделі, GoPlus швидко адаптувався та прийняв LLM. У порівнянні з традиційними алгоритмами штучного інтелекту, LLM значно ефективніші та результативніші в ідентифікації, обробці та аналізі даних. У напрямку динамічного нечіткого тестування GoPlus використовує технологію LLM для ефективної генерації послідовностей транзакцій і дослідження більш глибоких станів для виявлення контрактних ризиків.

(2) Асистент з безпеки штучного інтелекту

GoPlus також розробляє помічників безпеки зі штучним інтелектом, які використовують можливості обробки природної мови на основі LLM для надання миттєвих консультацій з безпеки та покращення взаємодії з користувачем. На основі великої моделі GPT асистент штучного інтелекту розробив набір самостійно розроблених агентів безпеки користувачів за допомогою введення зовнішніх бізнес-даних, які можуть автоматично аналізувати, генерувати рішення, розбирати завдання та виконувати відповідно до проблем, а також надавати користувачам необхідні послуги безпеки. Помічники зі штучним інтелектом спрощують комунікацію між користувачами та питання безпеки, знижуючи бар’єр для розуміння.

З точки зору функцій продукту, у зв’язку з важливістю ШІ у сфері безпеки, ШІ має потенціал повністю змінити структуру існуючих механізмів безпеки або антивірусних движків у майбутньому, а також з’явиться нова архітектура движка з ШІ як ядром. GoPlus продовжить навчати та оптимізувати свої моделі штучного інтелекту, щоб перетворити штучний інтелект із допоміжного інструменту на основну функціональність свого механізму виявлення безпеки.

З точки зору бізнес-моделі, хоча послуги GoPlus в даний час в основному призначені для розробників і учасників проектів, компанія вивчає більше продуктів і послуг безпосередньо для C-кінцевих користувачів, а також нові моделі доходу, пов’язані зі штучним інтелектом. Надання ефективних, точних і недорогих послуг C-end стане основною конкурентоспроможністю GoPlus у майбутньому. Це вимагатиме від компаній продовжувати дослідження та проводити більше навчання та результатів на великих моделях штучного інтелекту, які взаємодіють з користувачами. У той же час GoPlus також співпрацюватиме з іншими командами, щоб ділитися своїми даними безпеки та керувати програмами штучного інтелекту в просторі безпеки за допомогою співпраці, щоб підготуватися до можливих майбутніх змін у галузі.

1.4 Лабораторії Trusta

Trusta Labs, заснована у 2022 році, є стартапом даних на основі штучного інтелекту у просторі Web3. Trusta Labs зосереджується на ефективній обробці та точному аналізі даних блокчейну з використанням передової технології штучного інтелекту для створення ончейн репутації та інфраструктури безпеки блокчейну. В даний час бізнес Trusta Labs складається з двох основних продуктів: TrustScan і TrustGo.

(1) TrustScan, TrustScan — це продукт, розроблений для клієнтів B-end, який в основному використовується для допомоги проєктам Web3 аналізувати поведінку користувачів у ланцюжку та вдосконалювати нашарування з точки зору залучення користувачів, активності користувачів та утримання користувачів, щоб ідентифікувати цінних і реальних користувачів.

(2) TrustGo, продукт для клієнтів C-end, надає інструмент аналізу MEDIA, який може аналізувати та оцінювати ончейн-адреси з п’яти вимірів (сума фонду, активність, різноманітність, права особистості та лояльність), і продукт наголошує на глибокому аналізі ончейн-даних для підвищення якості та безпеки рішень щодо транзакцій.

Розробка та планування Trusta Labs та AI полягають у наступному:

Наразі два продукти Trusta Labs використовують моделі штучного інтелекту для обробки та аналізу даних взаємодії ончейн-адрес. Поведінкові дані адресних взаємодій у блокчейні – це послідовність даних, яка дуже підходить для навчання моделей ШІ. У процесі очищення, упорядкування та маркування ончейн-даних Trusta Labs передає значну частину роботи штучному інтелекту, що значно покращує якість та ефективність обробки даних, а також зменшує багато трудовитрат. Trusta Labs використовує технологію штучного інтелекту для проведення глибокого аналізу та аналізу даних про взаємодію з адресами в ланцюжку, що може ефективно визначити більш ймовірну адресу Witch для клієнтів B-end. Tursta Labs змогла запобігти потенційним атакам Sybil у низці проєктів, які використовували продукти Tursta Labs, а для клієнтів C-end TrustGo використовувала існуючі моделі штучного інтелекту, щоб допомогти користувачам отримати уявлення про їхні дані про поведінку в мережі.

Trusta Labs уважно стежить за технічним прогресом і практикою застосування моделей LLM. Оскільки вартість навчання моделей та висновків продовжує знижуватися, а також накопичення великої кількості корпусних даних та даних про поведінку користувачів у сфері Web3, Trusta Labs шукатиме слушний час для впровадження технології LLM та використання продуктивності штучного інтелекту для забезпечення глибших можливостей інтелектуального аналізу та аналізу даних для продуктів та користувачів. На основі великої кількості даних, вже наданих Trusta Labs, є надія, що модель інтелектуального аналізу штучного інтелекту може бути використана для забезпечення більш обґрунтованих та об’єктивних функцій інтерпретації даних для результатів даних, таких як забезпечення якісної та кількісної інтерпретації аналізу захопленого облікового запису Sybil для користувачів B-end, щоб користувачі могли краще зрозуміти аналіз причин, що стоять за даними, і в той же час вона могла надати більш детальну матеріальну підтримку користувачам B-end, коли вони скаржаться та пояснюють своїм клієнтам.

З іншого боку, Trusta Labs також планує використовувати моделі LLM з відкритим вихідним кодом або зрілі моделі LLM і поєднувати концепції дизайну, орієнтовані на наміри, для створення агентів штучного інтелекту, щоб допомогти користувачам швидше та ефективніше вирішувати проблеми взаємодії в ланцюжку. З точки зору конкретних сценаріїв застосування, у майбутньому за допомогою інтелектуального помічника AI Agent на основі навчання LLM, наданого Trusta Labs, користувачі зможуть спілкуватися з інтелектуальним помічником безпосередньо за допомогою природної мови, а інтелектуальний помічник може «інтелектуально» надавати зворотний зв’язок з інформацією, пов’язаною з даними в ланцюжку, і вносити пропозиції та плани подальших операцій на основі наданої інформації, справді реалізуючи єдину інтелектуальну операцію, зосереджену на намірах користувача, значно знижуючи поріг для користувачів використання даних і спрощуючи виконання операцій у ланцюжку.

Крім того, Trusta вважає, що з появою в майбутньому все більшої кількості продуктів даних на основі штучного інтелекту основним конкурентним фактором кожного продукту може бути не використовувана модель LLM, а ключовий фактор конкуренції – більш глибоке розуміння та інтерпретація вже освоєних даних. На основі аналізу освоєних даних у поєднанні з LLM-моделями можна навчати більш «розумні» моделі штучного інтелекту.

1.5 0xScope

0xScope, заснована у 2022 році, є інноваційною платформою, орієнтованою на дані, орієнтованою на поєднання технології блокчейн та штучного інтелекту. 0xScope має на меті змінити те, як люди обробляють, використовують та дивляться на дані. Наразі 0xScope доступний для клієнтів на стороні B та C: продукти 0xScope SaaS та 0xScopescan.

(1) SaaS-продукти 0xScope, SaaS-рішення для підприємств, дає змогу корпоративним клієнтам здійснювати післяінвестиційне управління, приймати кращі інвестиційні рішення, розуміти поведінку користувачів і уважно стежити за динамікою конкуренції.

та (2) 0xScopescan, продукт B2C, який дозволяє криптовалютним трейдерам досліджувати потік та активність коштів у вибраних блокчейнах.

Бізнес-фокус 0xScope полягає у використанні ончейн-даних для абстрагування загальної моделі даних, спрощення аналізу даних у ланцюжку та перетворення ончейн-даних на зрозумілі оперативні дані в ланцюжку, щоб допомогти користувачам проводити глибокий аналіз ончейн-даних**. Використовуючи платформу інструментів даних, надану 0xScope, вона може не тільки покращити якість даних у ланцюжку, видобути приховану інформацію даних, щоб розкрити більше інформації користувачам, але й значно знизити поріг інтелектуального аналізу даних.

Розробка та планування 0xScope та AI полягають у наступному:

Продукти 0xScope модернізуються в поєднанні з великими моделями, що включає в себе два напрямки: по-перше, для подальшого зниження порогу для користувачів за допомогою взаємодії з природною мовою, а по-друге, для використання моделей штучного інтелекту для підвищення ефективності обробки даних, очищення, аналізу, моделювання та аналізу. У той же час продукти 0xScope незабаром запустять інтерактивний модуль штучного інтелекту з функцією Chat, який значно знизить поріг для користувачів для запиту та аналізу даних, а також взаємодіяти та запитувати з базовими даними лише через природну мову.

Однак у процесі навчання та використання ШІ 0xScope виявив, що все ще стикається з такими проблемами: По-перше, вартість і часові витрати на навчання ШІ були високими. Після запитання ШІ потрібно багато часу, щоб відповісти**. Як наслідок, ця складність змушує команди оптимізувати та зосередитися на бізнес-процесах і зосередитися на вертикальних питаннях і відповідях, а не перетворювати його на універсального помічника суперштучного інтелекту. По-друге, вихід моделі LLM є неконтрольованим. ** Продукти даних сподіваються дати точні результати, але результати, отримані поточною моделлю LLM, швидше за все, відрізнятимуться від реальної ситуації, що є дуже фатальним для досвіду продуктів даних. Крім того, на виході великої моделі можуть бути задіяні приватні дані користувача. Тому, використовуючи патерн LLM у продукті, команді необхідно значною мірою обмежити його, щоб вихід моделі ШІ можна було контролювати та точним.

У майбутньому 0xScope планує використовувати штучний інтелект, щоб зосередитися на конкретних вертикальних треках і поглибити їх культивування. Наразі, на основі накопичення великої кількості ончейн-даних, 0xScope може визначити особу ончейн-користувачів і продовжить використовувати інструменти штучного інтелекту для абстрагування поведінки користувачів у мережі, а потім створить унікальну систему моделювання даних, за допомогою якої розкривається прихована інформація ончейн-даних.

З точки зору співпраці, 0xScope зосередиться на двох типах груп: перша категорія, об’єкти, які продукт може безпосередньо обслуговувати, такі як розробники, сторони проекту, VC, біржі тощо, яким потрібні дані, надані поточним продуктом, і друга категорія, партнери, які мають потребу в AI Chat, такі як Debank, Chainbase тощо, потребують лише відповідних знань та даних для безпосереднього виклику AI Chat.

VC інсайт - комерціалізація та майбутній розвиток компаній, що працюють з даними AI+Web3

Через інтерв’ю з 4 старшими VC інвесторами в цьому розділі буде розглянуто поточну ситуацію та розвиток індустрії даних AI+Web3, основну конкурентоспроможність компаній, що працюють з даними Web3, а також майбутній шлях комерціалізації з точки зору інвестицій та ринку.

2.1 Поточна ситуація та розвиток індустрії даних AI+Web3

Наразі поєднання даних штучного інтелекту та Web3 перебуває на стадії активного дослідження, і з точки зору напрямку розвитку різних провідних компаній з обробки даних Web3, поєднання технології штучного інтелекту та LLM є незамінним трендом. Але в той же час LLM мають свої технічні обмеження і не можуть вирішити багато проблем сучасної індустрії даних.

Тому ми повинні визнати, що не обов’язково сліпо поєднуватися зі штучним інтелектом, щоб посилити переваги проєкту, або використовувати концепції штучного інтелекту для хайпу, а досліджувати сфери застосування, які є справді практичними та перспективними. З точки зору VC, поєднання даних штучного інтелекту та Web3 було досліджено в таких аспектах:

(1) Покращити можливості продуктів даних Web3 за допомогою технології штучного інтелекту, включаючи технологію штучного інтелекту, щоб допомогти підприємствам підвищити ефективність внутрішньої обробки та аналізу даних і, відповідно, покращити здатність автоматично аналізувати та отримувати продукти даних користувачів. **Наприклад, Юсін із SevenX Ventures зазначив, що основною допомогою використання технології штучного інтелекту для даних Web3 є ефективність, наприклад, використання Dune моделей LLM для виявлення аномалій коду та перетворення природної мови для генерації SQL для індексування інформації; Модель попередньо маркується даними, що дозволяє заощадити багато трудовитрат. Тим не менш, VC згодні з тим, що штучний інтелект відіграє допоміжну роль у покращенні можливостей та ефективності продуктів даних Web3, таких як попереднє анотування даних, що в кінцевому підсумку може вимагати перевірки людиною для забезпечення точності. **

(2) Використовуйте переваги LLM в адаптивності та взаємодії для створення AI Agent/Bot. **Наприклад, великі мовні моделі використовуються для отримання даних з усього Web3, включаючи ончейн-дані та офчейн-дані новин, для агрегації інформації та аналізу громадської думки. Харпер з Hashkey Capital вважає, що цей тип ШІ-агентів більш схильний до інтеграції, генерації та взаємодії з користувачами, і буде відносно слабким з точки зору точності та ефективності інформації.

Незважаючи на те, що було багато випадків застосування двох вищезазначених аспектів, технологія та продукти все ще перебувають на ранній стадії розвідки, тому необхідно постійно оптимізувати технологію та вдосконалювати продукти в майбутньому.

(3) Використання штучного інтелекту для аналізу ціноутворення та торгової стратегії: Наразі на ринку є проєкти, які використовують технологію штучного інтелекту для оцінки ціни NFT, наприклад NFTGo, інвестовані Qiming Venture Partners, а деякі професійні торгові команди використовують штучний інтелект для аналізу даних та виконання транзакцій. Крім того, нещодавно Ocean Protocol випустив AI-продукт для прогнозування цін. Цей тип продукту може здатися творчим, але його все одно потрібно перевірити з точки зору прийняття продукту, прийняття користувачами та особливо точності.

З іншого боку, багато VC, особливо ті, хто інвестував у Web2 VC, приділятимуть більше уваги перевагам та сценаріям застосування, які технологія Web3 та блокчейн можуть привнести в технологію штучного інтелекту. Відкритість, перевірюваність і децентралізація блокчейну, а також здатність криптографії забезпечувати захист конфіденційності в поєднанні з переформатуванням виробничих відносин Web3 можуть принести деякі нові можливості для ШІ:

(1) Підтвердження та перевірка права власності на дані штучного інтелекту. Поява штучного інтелекту зробила генерацію контенту для даних поширеною та дешевою. ** Тан І з Qiming Venture Partners зазначив, що важко визначити якість і творця такого контенту, як цифрові роботи. У зв’язку з цим для підтвердження вмісту даних потрібна абсолютно нова система, і блокчейн може допомогти. Зіксі з Matrix Partners зазначив, що існують біржі даних, які розміщують дані в NFT для торгівлі, що може вирішити проблему підтвердження прав на дані.

Крім того, Юсін із SevenX Ventures зазначив, що дані Web3 можуть покращити проблему шахрайства зі штучним інтелектом та чорної скриньки, яка наразі має проблеми з чорною скринькою як у самому алгоритмі моделі, так і в даних, що може призвести до спотворення результатів. Однак дані Web3 прозорі, дані відкриті та перевірені, а навчальні джерела та результати моделей ШІ будуть зрозумілішими, що зробить ШІ більш справедливим і зменшить упередженість і помилки. Однак поточного обсягу даних у Web3 недостатньо для розширення можливостей навчання самого ШІ, тому він не буде реалізований у короткостроковій перспективі. Але ми можемо скористатися цією функцією, щоб помістити дані Web2 у ланцюжок, щоб запобігти діпфейкам штучного інтелекту. **

(2) Краудсорсинг анотацій даних штучного інтелекту та спільнота користувацького контенту: В даний час традиційна анотація ШІ стикається з проблемою низької ефективності та якості, особливо в галузі професійних знань, які також можуть вимагати міждисциплінарних знань, які неможливо охопити традиційними компаніями, що займаються анотаціями загальних даних, і часто повинні виконуватися всередині професійних команд. Впровадження краудсорсингу для анотації даних через концепції блокчейну та Web3 може бути хорошим способом вирішити цю проблему, наприклад, Questlab, інвестований Matrix Partners, який використовує технологію блокчейн для надання послуг краудсорсингу для анотації даних. Крім того, в деяких модельних спільнотах з відкритим вихідним кодом концепція блокчейну також може бути використана для вирішення проблеми економіки творців моделей.

(3) Розгортання конфіденційності даних: технологія блокчейн у поєднанні з технологіями, пов’язаними з криптографією, може забезпечити конфіденційність даних і децентралізацію. Зіксі з Matrix Partners зазначив, що вони інвестували в компанію з виробництва синтетичних даних, яка генерує синтетичні дані за допомогою великих моделей, які в основному можуть бути використані в тестуванні програмного забезпечення, аналізі даних і навчанні великих моделей штучного інтелекту. Компанії стикаються з безліччю проблем з розгортанням конфіденційності під час обробки даних, і використання блокчейну Oasis може ефективно уникнути проблем з конфіденційністю та регулюванням.

2.2AI+Web3***Як підвищити конкурентоспроможність компаній, що займаються обробкою даних**

Для компаній, що займаються технологіями Web3, впровадження штучного інтелекту може певною мірою підвищити привабливість або увагу проєкту, але наразі більшості продуктів, пов’язаних із технологічними компаніями Web3, у поєднанні зі штучним інтелектом недостатньо, щоб стати основною конкурентоспроможністю компанії, а більше для забезпечення більш зручного досвіду та підвищення ефективності. Наприклад, поріг для агентів штучного інтелекту невисокий, і компанія, яка робить це першою, може мати перевагу першопрохідця на ринку, але це не створює бар’єрів. **

Те, що дійсно породжує основну конкурентоспроможність і бар’єри в індустрії даних Web3, має бути можливостями команди щодо даних і тим, як застосовувати технологію штучного інтелекту для вирішення проблем у конкретних сценаріях аналізу. **

Перш за все, до можливостей даних команди можна віднести джерело даних і здатність команди аналізувати дані і коригувати модель, що є основою для подальшої роботи. В інтерв’ю SevenX Ventures, Matrix Partners і Hashkey Capital одностайно зазначили, що основна конкурентоспроможність компаній, що працюють з даними AI+Web3, залежить від якості джерел даних. Крім того, від інженерів також вимагається вміння вміло налаштовувати моделі, обробляти дані та аналізувати на основі джерел даних.

З іншого боку, конкретна комбінація технології штучного інтелекту команди також дуже важлива, і сценарій має бути цінним. **Харпер вважає, що хоча поточна комбінація компаній, що займаються даними Web3, і штучного інтелекту в основному починається з агентів штучного інтелекту, їх позиціонування також відрізняється, наприклад, Space and Time, в які інвестував Hashkey Capital, і chainML співпрацювали, щоб запустити інфраструктуру для створення агентів штучного інтелекту, в якій створені агенти DeFi використовуються для простору і часу.

2.3** Web3 **** Дорога майбутньої комерціалізації Data Company**

Ще одна тема, яка важлива для компаній, що працюють з даними Web3, — це комерціалізація. Довгий час модель прибутку компаній, що займаються аналізом даних, була відносно простою, більшість з них не містять змісту, а основний ToB є прибутковим, що залежить від готовності B-end клієнтів платити. У сфері Web3 готовність підприємств платити невисока, а галузеві стартапи є опорою, тому сторонам проєкту складно підтримувати довгострокову оплату. Як наслідок, компанії, що займаються даними Web3, наразі перебувають у складному становищі для комерціалізації.

У цьому питанні VC загалом вважаємо, що комбінація нинішніх технологій штучного інтелекту використовується лише для вирішення проблеми виробничого процесу всередині компанії, і не змінює притаманної їй проблеми складності монетизації. Деякі нові форми продуктів, такі як боти зі штучним інтелектом, не мають достатньо високого порогу, що може певною мірою підвищити готовність користувачів платити у сфері змісту, але вони все ще не дуже сильні. Штучний інтелект не може бути вирішенням проблеми комерціалізації даних продуктів у короткостроковій перспективі, а комерціалізація вимагає більше зусиль із продуктізації**, таких як пошук більш відповідних сценаріїв та інноваційних бізнес-моделей.

На шляху об’єднання Web3 та ШІ в майбутньому використання економічної моделі Web3 у поєднанні з даними ШІ може призвести до появи нових бізнес-моделей, головним чином у сфері змісту. Зіксі з Matrix Partners зазначив, що продукти штучного інтелекту можна поєднувати з деяким геймплеєм токенів, щоб покращити липкість, повсякденну активність та емоції всієї спільноти, що можливо та легше монетизувати. Тан І з Qiming Venture Capital зазначив, що з ідеологічної точки зору систему цінностей Web3 можна поєднувати зі штучним інтелектом, який дуже підходить як система облікових записів або система трансформації цінності для ботів. Наприклад, бот має власний обліковий запис і може заробляти гроші за допомогою своєї смарт-частини, а також платити за підтримку базової обчислювальної потужності тощо. Але ця концепція належить уяві майбутнього, і практичне застосування може пройти ще довгий шлях.

У початковій бізнес-моделі, тобто прямій оплаті користувачам, необхідно мати достатньо сильну потужність продукту, щоб дозволити користувачам мати більшу готовність платити. Наприклад, більш якісні джерела даних, вигоди від даних переважують сплачені витрати і т.д. не тільки в застосуванні технології штучного інтелекту, але і в можливостях самої команди даних.