Báo cáo nghiên cứu chuyên sâu (Phần II): Phân tích tình trạng hội nhập, bối cảnh cạnh tranh và cơ hội tương lai của ngành dữ liệu AI và Web3

Sự xuất hiện của GPT đã thu hút sự chú ý của thế giới đối với các mô hình ngôn ngữ lớn và mọi tầng lớp xã hội đang cố gắng sử dụng “công nghệ đen” này để nâng cao hiệu quả công việc và thúc đẩy sự phát triển của ngành. Future3 Campus và Footprint Analytics đã cùng nhau thực hiện một nghiên cứu chuyên sâu về khả năng vô hạn của sự kết hợp giữa AI và Web3, đồng thời cùng phát hành một báo cáo nghiên cứu mang tên “Phân tích tình trạng tích hợp, bối cảnh cạnh tranh và cơ hội tương lai của ngành dữ liệu AI và Web3”. Báo cáo nghiên cứu được chia thành hai phần, và bài viết này là phần thứ hai, được biên tập bởi các nhà nghiên cứu Sherry và Humphrey của Future3 Campus.

Tóm tắt:

• Sự kết hợp giữa dữ liệu AI và Web3 đang thúc đẩy hiệu quả xử lý dữ liệu và trải nghiệm người dùng. Hiện tại, việc khám phá LLM trong ngành công nghiệp dữ liệu blockchain chủ yếu tập trung vào việc cải thiện hiệu quả xử lý dữ liệu thông qua công nghệ AI, xây dựng các tác nhân AI bằng cách sử dụng các lợi thế tương tác của LLM và sử dụng AI để phân tích chiến lược định giá và giao dịch.
• Hiện nay, việc ứng dụng AI trong lĩnh vực dữ liệu Web3 vẫn gặp một số thách thức, như tính chính xác, khả năng giải thích, thương mại hóa, v.v. Vẫn còn một chặng đường dài trước khi sự can thiệp của con người được thay thế hoàn toàn.
• Khả năng cạnh tranh cốt lõi của các công ty dữ liệu Web3 không chỉ nằm ở bản thân công nghệ AI mà còn ở khả năng tích lũy dữ liệu và khả năng phân tích và ứng dụng chuyên sâu của dữ liệu.
• AI có thể không phải là giải pháp cho vấn đề thương mại hóa các sản phẩm dữ liệu trong ngắn hạn và thương mại hóa sẽ đòi hỏi nhiều nỗ lực sản xuất hơn.

** Thực trạng và lộ trình phát triển của sự kết hợp giữa ngành dữ liệu Web3 và AI**

1.1 Cồn cát

Dune hiện là cộng đồng phân tích dữ liệu mở hàng đầu trong ngành Web3, cung cấp các công cụ blockchain để truy vấn, trích xuất và trực quan hóa lượng lớn dữ liệu, cho phép người dùng và chuyên gia phân tích dữ liệu truy vấn dữ liệu trên chuỗi từ cơ sở dữ liệu được điền sẵn của Dune bằng cách sử dụng các truy vấn SQL đơn giản và hình thành các biểu đồ và ý kiến tương ứng.

Vào tháng 3 năm 2023, Dune đã trình bày kế hoạch cho AI và tương lai của việc kết hợp LLM, và vào tháng 10 đã phát hành sản phẩm Dune AI của mình. **Trọng tâm cốt lõi của các sản phẩm liên quan đến AI của Dune là tăng cường Wizard UX với khả năng phân tích và ngôn ngữ mạnh mẽ của LLM để cung cấp tốt hơn cho người dùng các truy vấn dữ liệu và viết SQL trên Dune **.

(1) Giải thích truy vấn: Sản phẩm được phát hành vào tháng 3 cho phép người dùng có được giải thích ngôn ngữ tự nhiên của các truy vấn SQL bằng cách nhấp vào nút, được thiết kế để giúp người dùng hiểu rõ hơn về các truy vấn SQL phức tạp, từ đó nâng cao hiệu quả và độ chính xác của phân tích dữ liệu.

(2) Dịch truy vấn: Dune có kế hoạch di chuyển các công cụ truy vấn SQL khác nhau (như Postgres và Spark SQL) trên Dune sang DuneSQL, vì vậy LLM có thể cung cấp khả năng dịch ngôn ngữ truy vấn tự động để giúp người dùng chuyển đổi tốt hơn và tạo điều kiện thuận lợi cho việc triển khai các sản phẩm DuneSQL.

(3) Truy vấn ngôn ngữ tự nhiên: Dune AI, được phát hành vào tháng Mười. Cho phép người dùng đặt câu hỏi và nhận dữ liệu bằng tiếng Anh đơn giản. Mục tiêu của tính năng này là giúp người dùng không cần kiến thức SQL dễ dàng truy cập và phân tích dữ liệu.

(4) Tối ưu hóa tìm kiếm: Dune có kế hoạch sử dụng LLM để cải thiện khả năng tìm kiếm và giúp người dùng lọc thông tin hiệu quả hơn.

(5) Cơ sở kiến thức thuật sĩ: Dune có kế hoạch phát hành một chatbot để giúp người dùng nhanh chóng điều hướng kiến thức blockchain và SQL trong tài liệu Spellbook và Dune.

(6) Đơn giản hóa việc viết SQL (Dune Wand) :D une đã ra mắt loạt công cụ SQL Wand vào tháng Tám. Create Wand cho phép người dùng tạo các truy vấn hoàn chỉnh từ lời nhắc ngôn ngữ tự nhiên, Edit Wand cho phép người dùng sửa đổi các truy vấn hiện có và tính năng Debug tự động gỡ lỗi cú pháp trong các truy vấn. Trọng tâm của các công cụ này là công nghệ LLM, giúp đơn giản hóa quá trình viết truy vấn và cho phép các nhà phân tích tập trung vào logic cốt lõi của việc phân tích dữ liệu mà không phải lo lắng về mã và cú pháp.

1.2 Phân tích dấu chân

Footprint Analytics là nhà cung cấp giải pháp dữ liệu blockchain cung cấp nền tảng phân tích dữ liệu không mã, sản phẩm API dữ liệu hợp nhất và Footprint Growth Analytics, nền tảng BI cho các dự án Web3, với sự trợ giúp của công nghệ trí tuệ nhân tạo.

Ưu điểm của Footprint nằm ở việc tạo ra dây chuyền sản xuất dữ liệu trên chuỗi và các công cụ sinh thái, đồng thời thiết lập một hồ dữ liệu thống nhất để mở siêu cơ sở dữ liệu của dữ liệu trên chuỗi và ngoài chuỗi và đăng ký công nghiệp và thương mại trên chuỗi, để đảm bảo khả năng truy cập, dễ sử dụng và chất lượng dữ liệu khi người dùng phân tích và sử dụng. Chiến lược dài hạn của Footprint sẽ tập trung vào chiều sâu công nghệ và xây dựng nền tảng để tạo ra một “nhà máy máy” có khả năng sản xuất dữ liệu và ứng dụng trên chuỗi.

** Sản phẩm dấu chân được kết hợp với AI như sau:**

Kể từ khi ra mắt mô hình LLM, Footprint đã khám phá sự kết hợp giữa các sản phẩm dữ liệu hiện có và AI để nâng cao hiệu quả xử lý và phân tích dữ liệu và tạo ra một sản phẩm thân thiện hơn với người dùng. Vào tháng 5/2023, Footprint bắt đầu cung cấp cho người dùng khả năng phân tích dữ liệu để tương tác ngôn ngữ tự nhiên và nâng cấp lên các tính năng sản phẩm cao cấp trên cơ sở không mã ban đầu, cho phép người dùng nhanh chóng lấy dữ liệu và tạo biểu đồ thông qua các cuộc hội thoại mà không cần làm quen với bảng và thiết kế của nền tảng.

Ngoài ra, các sản phẩm dữ liệu LLM + Web3 hiện tại trên thị trường chủ yếu tập trung vào việc giải quyết các vấn đề hạ thấp ngưỡng sử dụng của người dùng và thay đổi mô hình tương tác, và trọng tâm của Footprint trong việc phát triển sản phẩm và AI không chỉ giúp người dùng giải quyết vấn đề phân tích dữ liệu và trải nghiệm người dùng, mà còn thúc đẩy dữ liệu dọc và hiểu biết kinh doanh trong lĩnh vực tiền điện tử, cũng như đào tạo các mô hình ngôn ngữ trong lĩnh vực tiền điện tử để nâng cao hiệu quả và độ chính xác của các ứng dụng cảnh dọc. Điểm mạnh của dấu chân trong vấn đề này sẽ được phản ánh trong các lĩnh vực sau:

• Số lượng kiến thức dữ liệu (chất lượng và số lượng cơ sở kiến thức). Hiệu quả của việc tích lũy dữ liệu, nguồn, số lượng và danh mục. Đặc biệt, sản phẩm phụ Footprint MetaMosaic thể hiện sự tích lũy của đồ thị mối quan hệ và dữ liệu tĩnh cho logic kinh doanh cụ thể.
• Kiến trúc tri thức. Footprint đã tích lũy được hơn 30 chuỗi công khai, các bảng dữ liệu có cấu trúc trừu tượng theo phần kinh doanh. Kiến thức về quy trình sản xuất từ dữ liệu thô đến dữ liệu có cấu trúc có thể lần lượt củng cố sự hiểu biết về dữ liệu thô và đào tạo các mô hình tốt hơn.
• Loại dữ liệu. Có một khoảng cách đáng kể về hiệu quả đào tạo và chi phí máy móc từ việc đào tạo dữ liệu thô phi tiêu chuẩn và phi cấu trúc trên chuỗi, cũng như từ việc đào tạo các bảng và số liệu dữ liệu có cấu trúc và có ý nghĩa kinh doanh. Một ví dụ điển hình là nhu cầu cung cấp nhiều dữ liệu hơn cho LLM, đòi hỏi dữ liệu có cấu trúc và dễ đọc hơn ngoài dữ liệu chuyên nghiệp dựa trên trường mã hóa và số lượng người dùng lớn hơn dưới dạng dữ liệu phản hồi.
• Dữ liệu dòng tiền điện tử. Dấu chân tóm tắt dữ liệu dòng vốn liên quan chặt chẽ đến đầu tư, bao gồm thời gian, chủ đề (bao gồm cả dòng chảy), loại mã thông báo, số tiền (giá mã thông báo tại thời điểm liên quan), loại hình kinh doanh và thẻ của mã thông báo và thực thể, có thể được sử dụng làm cơ sở tri thức và nguồn dữ liệu cho LLM để phân tích các quỹ chính của mã thông báo, xác định phân phối chip, theo dõi dòng tiền, xác định các thay đổi trên chuỗi, theo dõi các quỹ thông minh, v.v.
• Tiêm dữ liệu cá nhân. Dấu chân chia mô hình thành ba lớp, một là mô hình cơ sở với kiến thức thế giới (OpenAI và các mô hình nguồn mở khác), mô hình dọc của các miền được chia nhỏ và mô hình kiến thức chuyên gia được cá nhân hóa. Nó cho phép người dùng thống nhất cơ sở kiến thức của họ từ các nguồn khác nhau trên Dấu chân để quản lý và sử dụng dữ liệu riêng tư để đào tạo LLM riêng, phù hợp với các tình huống ứng dụng được cá nhân hóa hơn.

Trong quá trình khám phá Footprint kết hợp với mô hình LLM, hàng loạt thách thức và vấn đề cũng đã gặp phải, tiêu biểu nhất trong số đó là không đủ token, nhắc nhở tốn thời gian và câu trả lời không ổn định. Thách thức lớn hơn mà lĩnh vực dữ liệu trên chuỗi nơi đặt Dấu chân phải đối mặt là có nhiều loại thực thể dữ liệu trên chuỗi, một số lượng lớn trong số chúng và thay đổi nhanh chóng và hình thức cung cấp chúng cho LLM đòi hỏi toàn bộ ngành công nghiệp phải nghiên cứu và thăm dò nhiều hơn. Chuỗi công cụ hiện tại vẫn còn tương đối sớm và cần nhiều công cụ hơn để giải quyết một số vấn đề cụ thể.

Tương lai của sự tích hợp của Footprint với AI trong công nghệ và sản phẩm bao gồm:

(1) Về mặt công nghệ, Footprint sẽ được khám phá và tối ưu hóa ở ba khía cạnh kết hợp với mô hình LLM

• Hỗ trợ LLM để suy luận về dữ liệu có cấu trúc, để một lượng lớn dữ liệu và kiến thức có cấu trúc trong lĩnh vực được mã hóa có thể được áp dụng cho việc tiêu thụ và sản xuất dữ liệu LLM.
• Giúp người dùng xây dựng cơ sở kiến thức được cá nhân hóa (bao gồm kiến thức, dữ liệu và kinh nghiệm) và sử dụng dữ liệu riêng tư để cải thiện khả năng tối ưu hóa LLM tiền điện tử, để mọi người có thể xây dựng mô hình của riêng mình.
• Với phân tích và sản xuất nội dung được hỗ trợ bởi AI, người dùng có thể tạo GPT của riêng họ thông qua đối thoại, kết hợp với dữ liệu dòng tiền và cơ sở kiến thức riêng tư, để sản xuất và chia sẻ nội dung đầu tư tiền điện tử.

(2) Về sản phẩm, Footprint sẽ tập trung vào việc khám phá ứng dụng các sản phẩm AI và đổi mới mô hình kinh doanh. Theo kế hoạch quảng bá gần đây của Footprint cho sản phẩm, nó sẽ ra mắt nền tảng chia sẻ và tạo nội dung tiền điện tử AI cho người dùng.

Ngoài ra, để mở rộng các đối tác trong tương lai, Footprint sẽ khám phá hai khía cạnh sau:

Đầu tiên, tăng cường hợp tác với các KOL để giúp sản xuất nội dung có giá trị, hoạt động của cộng đồng và kiếm tiền từ tri thức.

Thứ hai, mở rộng thêm các bên dự án hợp tác và nhà cung cấp dữ liệu, tạo ra sự khuyến khích người dùng và hợp tác dữ liệu mở và cùng có lợi, đồng thời thiết lập nền tảng dịch vụ dữ liệu một cửa cùng có lợi và cùng có lợi.

**1.3 Bảo mật GoPlusGoplus **

GoPlus Security hiện là cơ sở hạ tầng bảo mật người dùng hàng đầu trong ngành Web3, cung cấp nhiều dịch vụ bảo mật hướng tới người dùng. Hiện tại, nó đã được tích hợp với ví kỹ thuật số chính thống, trang web thị trường, Dex và nhiều ứng dụng Web3 khác trên thị trường. Người dùng có thể trực tiếp sử dụng các tính năng bảo vệ bảo mật khác nhau như phát hiện bảo mật tài sản, ủy quyền chuyển nhượng và chống lừa đảo. GoPlus cung cấp các giải pháp bảo mật người dùng bao gồm toàn bộ vòng đời bảo mật của người dùng để bảo vệ tài sản người dùng khỏi nhiều loại kẻ tấn công khác nhau.

Sự phát triển và lập kế hoạch của GoPlus và AI như sau:

Khám phá chính của GoPlus trong công nghệ AI được phản ánh trong hai sản phẩm của mình: AI Automated Detection và AI Security Assistant:

(1) Tự động phát hiện AI

Kể từ năm 2022, GoPlus đã phát triển công cụ phát hiện tự động dựa trên AI của riêng mình để cải thiện toàn diện hiệu quả và độ chính xác của việc phát hiện bảo mật. Công cụ bảo mật của GoPlus sử dụng phương pháp tiếp cận kênh nhiều lớp để phát hiện mã tĩnh, phát hiện động và phát hiện tính năng hoặc hành vi. Quá trình phát hiện tổng hợp này cho phép động cơ xác định và phân tích hiệu quả các đặc tính của các mẫu tiềm ẩn rủi ro để mô hình hóa hiệu quả các loại và hành vi tấn công. Những mô hình này là chìa khóa để xác định và ngăn chặn các mối đe dọa an ninh của động cơ, và chúng giúp động cơ xác định xem mẫu rủi ro có dấu hiệu tấn công cụ thể nào đó hay không. Ngoài ra, sau một thời gian dài lặp đi lặp lại và tối ưu hóa, công cụ bảo mật GoPlus đã tích lũy được nhiều dữ liệu và kinh nghiệm bảo mật, đồng thời kiến trúc của nó có thể phản ứng nhanh chóng và hiệu quả với các mối đe dọa bảo mật mới nổi, đảm bảo rằng các cuộc tấn công phức tạp và mới khác nhau có thể được phát hiện và chặn kịp thời và người dùng có thể được bảo vệ một cách toàn diện. Hiện tại, công cụ sử dụng các thuật toán và công nghệ liên quan đến AI trong nhiều tình huống bảo mật như phát hiện hợp đồng rủi ro, phát hiện trang web lừa đảo, phát hiện địa chỉ độc hại và phát hiện giao dịch rủi ro. Mặt khác, nó làm giảm sự phức tạp và chi phí thời gian của việc tham gia thủ công, đồng thời cải thiện độ chính xác của phán đoán mẫu rủi ro, đặc biệt là đối với các kịch bản mới khó xác định thủ công hoặc khó xác định bằng công cụ, AI có thể tổng hợp các tính năng tốt hơn và hình thành các phương pháp phân tích hiệu quả hơn **.

Vào năm 2023, khi các mô hình lớn phát triển, GoPlus đã nhanh chóng thích nghi và áp dụng LLM. So với các thuật toán AI truyền thống, LLM hiệu quả và hiệu quả hơn đáng kể trong việc xác định, xử lý và phân tích dữ liệu. Theo hướng thử nghiệm fuzz động, GoPlus sử dụng công nghệ LLM để tạo chuỗi giao dịch một cách hiệu quả và khám phá các trạng thái sâu hơn để khám phá rủi ro hợp đồng.

(2) Trợ lý bảo mật AI

GoPlus cũng đang phát triển các trợ lý bảo mật AI tận dụng khả năng xử lý ngôn ngữ tự nhiên dựa trên LLM để cung cấp tư vấn bảo mật tức thì và cải thiện trải nghiệm người dùng. Dựa trên mô hình lớn GPT, trợ lý AI đã phát triển một tập hợp các tác nhân bảo mật người dùng tự phát triển thông qua đầu vào dữ liệu kinh doanh front-end, có thể tự động phân tích, tạo giải pháp, tháo rời các tác vụ và thực hiện theo các vấn đề và cung cấp cho người dùng các dịch vụ bảo mật mà họ cần. Trợ lý AI đơn giản hóa giao tiếp giữa người dùng và các vấn đề bảo mật, giảm rào cản hiểu biết.

Về chức năng sản phẩm, do tầm quan trọng của AI trong lĩnh vực bảo mật, AI có tiềm năng thay đổi hoàn toàn cấu trúc của các công cụ bảo mật hiện có hoặc các công cụ chống virus trong tương lai, và một kiến trúc động cơ mới với AI làm cốt lõi sẽ xuất hiện. GoPlus sẽ tiếp tục đào tạo và tối ưu hóa các mô hình AI của mình để chuyển đổi AI từ một công cụ hỗ trợ sang chức năng cốt lõi của công cụ phát hiện bảo mật.

Về mô hình kinh doanh, mặc dù các dịch vụ của GoPlus hiện chủ yếu dành cho các nhà phát triển và các bên dự án, công ty đang khám phá thêm nhiều sản phẩm và dịch vụ trực tiếp cho người dùng C-end, cũng như các mô hình doanh thu mới liên quan đến AI. ** Cung cấp các dịch vụ C-end hiệu quả, chính xác và chi phí thấp sẽ là khả năng cạnh tranh cốt lõi của GoPlus trong tương lai **. Điều này sẽ đòi hỏi các công ty phải tiếp tục nghiên cứu và đào tạo nhiều hơn và đầu ra trên các mô hình AI lớn tương tác với người dùng. Đồng thời, GoPlus cũng sẽ hợp tác với các nhóm khác để chia sẻ dữ liệu bảo mật của mình và thúc đẩy các ứng dụng AI trong không gian bảo mật thông qua hợp tác để chuẩn bị cho những thay đổi ngành có thể xảy ra trong tương lai.

**1.4 Phòng thí nghiệm Trusta **

Được thành lập vào năm 2022, Trusta Labs là một công ty khởi nghiệp dữ liệu được hỗ trợ bởi AI trong không gian Web3. Trusta Labs tập trung vào việc xử lý hiệu quả và phân tích chính xác dữ liệu blockchain bằng cách sử dụng công nghệ trí tuệ nhân tạo tiên tiến để xây dựng danh tiếng trên chuỗi và cơ sở hạ tầng bảo mật của blockchain. Hiện tại, hoạt động kinh doanh của Trusta Labs bao gồm hai sản phẩm chính là TrustScan và TrustGo.

(1) TrustScan, TrustScan là một sản phẩm được thiết kế cho khách hàng B-end, chủ yếu được sử dụng để giúp các dự án Web3 phân tích hành vi người dùng trên chuỗi và tinh chỉnh phân lớp về mặt thu hút người dùng, hoạt động của người dùng và giữ chân người dùng, để xác định người dùng có giá trị cao và người dùng thực.

(2) TrustGo, một sản phẩm dành cho khách hàng C-end, cung cấp công cụ phân tích MEDIA có thể phân tích và đánh giá các địa chỉ trên chuỗi từ năm khía cạnh (số tiền, hoạt động, sự đa dạng, quyền nhận dạng và lòng trung thành) và sản phẩm nhấn mạnh việc phân tích chuyên sâu dữ liệu trên chuỗi để cải thiện chất lượng và bảo mật của các quyết định giao dịch.

Sự phát triển và lập kế hoạch của Trusta Labs và AI như sau:

Hiện tại, hai sản phẩm của Trusta Labs sử dụng mô hình AI để xử lý và phân tích dữ liệu tương tác của các địa chỉ trên chuỗi. Dữ liệu hành vi của các tương tác địa chỉ trên blockchain là một chuỗi dữ liệu, rất phù hợp cho việc đào tạo các mô hình AI. Trong quá trình làm sạch, tổ chức và dán nhãn dữ liệu trên chuỗi, Trusta Labs bàn giao rất nhiều công việc cho AI, giúp cải thiện đáng kể chất lượng và hiệu quả xử lý dữ liệu, đồng thời giảm rất nhiều chi phí lao động. Trusta Labs sử dụng công nghệ AI để tiến hành phân tích chuyên sâu và khai thác dữ liệu tương tác địa chỉ trên chuỗi, có thể xác định hiệu quả địa chỉ Witch có nhiều khả năng hơn cho khách hàng B-end. Tursta Labs đã có thể ngăn chặn các cuộc tấn công Sybil tiềm ẩn trong một số dự án đã sử dụng các sản phẩm của Tursta Labs và đối với khách hàng C-end, TrustGo đã tận dụng các mô hình AI hiện có để giúp người dùng hiểu rõ hơn về dữ liệu hành vi trên chuỗi của họ.

Trusta Labs đã theo sát tiến bộ kỹ thuật và thực tiễn ứng dụng của các mô hình LLM. Khi chi phí đào tạo và suy luận mô hình tiếp tục giảm, cũng như tích lũy một lượng lớn dữ liệu hành vi người dùng và kho dữ liệu trong lĩnh vực Web3, Trusta Labs sẽ tìm kiếm thời điểm thích hợp để giới thiệu công nghệ LLM và sử dụng năng suất của AI để cung cấp khả năng khai thác và phân tích dữ liệu sâu hơn cho sản phẩm và người dùng. Trên cơ sở dữ liệu phong phú đã được cung cấp bởi Trusta Labs, hy vọng rằng mô hình phân tích thông minh của AI có thể được sử dụng để cung cấp các chức năng giải thích dữ liệu hợp lý và khách quan hơn cho kết quả dữ liệu, chẳng hạn như cung cấp giải thích định tính và định lượng về phân tích tài khoản Sybil bị bắt cho người dùng B-end, để người dùng có thể hiểu rõ hơn về phân tích lý do đằng sau dữ liệu, đồng thời, nó có thể cung cấp hỗ trợ vật chất chi tiết hơn cho người dùng B-end khi họ khiếu nại và giải thích cho khách hàng của họ.

Mặt khác, Trusta Labs cũng có kế hoạch sử dụng các mô hình LLM nguồn mở hoặc trưởng thành và kết hợp các khái niệm thiết kế tập trung vào mục đích để xây dựng các tác nhân AI giúp người dùng giải quyết các vấn đề tương tác trên chuỗi nhanh hơn và hiệu quả hơn. Về các kịch bản ứng dụng cụ thể, trong tương lai, thông qua trợ lý thông minh AI Agent dựa trên đào tạo LLM do Trusta Labs cung cấp, người dùng có thể giao tiếp với trợ lý thông minh trực tiếp thông qua ngôn ngữ tự nhiên và trợ lý thông minh có thể “thông minh” phản hồi thông tin liên quan đến dữ liệu trên chuỗi, đồng thời đưa ra các đề xuất và kế hoạch cho các hoạt động tiếp theo dựa trên thông tin được cung cấp, thực sự hiện thực hóa hoạt động thông minh một cửa tập trung vào ý định của người dùng, giảm đáng kể ngưỡng người dùng sử dụng dữ liệu và đơn giản hóa việc thực hiện các hoạt động trên chuỗi.

Ngoài ra, Trusta tin rằng với sự xuất hiện ngày càng nhiều sản phẩm dữ liệu dựa trên AI trong tương lai, yếu tố cạnh tranh cốt lõi của mỗi sản phẩm có thể không phải là mô hình LLM được sử dụng, nhưng yếu tố cạnh tranh chính là sự hiểu biết và giải thích sâu sắc hơn về dữ liệu đã được làm chủ. Dựa trên phân tích dữ liệu được làm chủ, kết hợp với các mô hình LLM, nhiều mô hình AI “thông minh” hơn có thể được đào tạo.

1.5 0xPhạm vi

0xScope, được thành lập vào năm 2022, là một nền tảng đổi mới tập trung vào dữ liệu tập trung vào sự kết hợp giữa công nghệ blockchain và trí tuệ nhân tạo. 0xScope nhằm mục đích thay đổi cách mọi người xử lý, sử dụng và xem dữ liệu. 0xScope hiện có sẵn cho khách hàng B-side và C-side: các sản phẩm SaaS 0xScope và 0xScopescan.

(1) Các sản phẩm SaaS 0xScope, một giải pháp SaaS dành cho doanh nghiệp, trao quyền cho khách hàng doanh nghiệp tiến hành quản lý sau đầu tư, đưa ra quyết định đầu tư tốt hơn, hiểu hành vi của người dùng và giám sát chặt chẽ động lực cạnh tranh.

và (2) 0xScopescan, một sản phẩm B2C cho phép các nhà giao dịch tiền điện tử điều tra dòng chảy và hoạt động của các quỹ trên các blockchain được chọn.

Trọng tâm kinh doanh của 0xScope là sử dụng dữ liệu on-chain để trừu tượng hóa mô hình dữ liệu chung, đơn giản hóa việc phân tích dữ liệu trên chuỗi và chuyển đổi dữ liệu on-chain thành dữ liệu hoạt động on-chain dễ hiểu, để giúp người dùng tiến hành phân tích chuyên sâu về dữ liệu on-chain**. Sử dụng nền tảng công cụ dữ liệu do 0xScope cung cấp, nó không chỉ có thể cải thiện chất lượng dữ liệu trên chuỗi, khai thác thông tin ẩn của dữ liệu, để tiết lộ nhiều thông tin hơn cho người dùng mà còn giảm đáng kể ngưỡng khai thác dữ liệu.

Việc phát triển và lập kế hoạch của 0xScope và AI như sau:

Các sản phẩm của 0xScope đang được nâng cấp kết hợp với các mô hình lớn, bao gồm hai hướng: thứ nhất, để giảm hơn nữa ngưỡng cho người dùng thông qua tương tác ngôn ngữ tự nhiên và thứ hai, sử dụng các mô hình AI để nâng cao hiệu quả xử lý trong việc làm sạch, phân tích, mô hình hóa và phân tích dữ liệu. Đồng thời, các sản phẩm của 0xScope sẽ sớm ra mắt mô-đun tương tác AI với chức năng Trò chuyện, điều này sẽ làm giảm đáng kể ngưỡng người dùng truy vấn và phân tích dữ liệu, đồng thời tương tác và truy vấn với dữ liệu cơ bản chỉ thông qua ngôn ngữ tự nhiên.

Tuy nhiên, trong quá trình đào tạo và sử dụng AI, 0xScope nhận thấy vẫn phải đối mặt với những thách thức sau: Thứ nhất, chi phí và thời gian đào tạo AI cao. Sau khi đặt câu hỏi, phải mất một thời gian dài để AI trả lời **. Do đó, khó khăn này buộc các nhóm phải hợp lý hóa và tập trung vào các quy trình kinh doanh và tập trung vào Hỏi & Đáp theo chiều dọc, thay vì biến nó thành một siêu trợ lý AI toàn diện. Thứ hai, đầu ra của mô hình LLM là không thể kiểm soát được. ** Các sản phẩm dữ liệu hy vọng sẽ cho kết quả chính xác, nhưng kết quả được đưa ra bởi mô hình LLM hiện tại có thể khác với tình hình thực tế, điều này rất nguy hiểm đến trải nghiệm của các sản phẩm dữ liệu. Ngoài ra, đầu ra của mô hình lớn có thể liên quan đến dữ liệu riêng tư của người dùng. Do đó, khi sử dụng mẫu LLM trong sản phẩm, nhóm cần hạn chế nó ở mức độ lớn để đầu ra của mô hình AI có thể được kiểm soát và chính xác.

Trong tương lai, 0xScope có kế hoạch sử dụng AI để tập trung vào các đường ray dọc cụ thể và đào sâu tu luyện của họ. Hiện tại, dựa trên việc tích lũy một lượng lớn dữ liệu trên chuỗi, **0xScope có thể xác định danh tính của người dùng trên chuỗi và sẽ tiếp tục sử dụng các công cụ AI để trừu tượng hóa hành vi của người dùng trên chuỗi, sau đó tạo ra một hệ thống mô hình hóa dữ liệu duy nhất, qua đó thông tin ẩn của dữ liệu trên chuỗi được tiết lộ **.

Về mặt hợp tác, 0xScope sẽ tập trung vào hai loại nhóm: loại thứ nhất, đối tượng mà sản phẩm có thể phục vụ trực tiếp, chẳng hạn như nhà phát triển, bên dự án, VC, sàn giao dịch, v.v., cần dữ liệu do sản phẩm hiện tại cung cấp và loại thứ hai, đối tác có nhu cầu về AI Chat, chẳng hạn như Debank, Chainbase, v.v., chỉ cần kiến thức và dữ liệu liên quan để gọi trực tiếp AI Chat.

**VC cái nhìn sâu sắc - thương mại hóa và phát triển trong tương lai của các công ty dữ liệu AI + Web3 **

Thông qua các cuộc phỏng vấn với 4 nhà đầu tư VC cấp cao, phần này sẽ xem xét tình hình hiện tại và sự phát triển của ngành dữ liệu AI + Web3, khả năng cạnh tranh cốt lõi của các công ty dữ liệu Web3 và con đường thương mại hóa trong tương lai từ góc độ đầu tư và thị trường.

**2.1 Tình hình hiện tại và sự phát triển của ngành dữ liệu AI + Web3 **

Hiện nay, sự kết hợp giữa dữ liệu AI và Web3 đang trong giai đoạn thăm dò tích cực, và từ góc độ hướng phát triển của nhiều công ty dữ liệu Web3 hàng đầu, sự kết hợp giữa công nghệ AI và LLM là xu hướng tất yếu. Nhưng đồng thời, LLM có những hạn chế kỹ thuật riêng và không thể giải quyết nhiều vấn đề của ngành dữ liệu hiện tại.

Do đó, chúng ta cần nhận ra rằng không cần thiết phải kết hợp một cách mù quáng với AI để nâng cao lợi ích của một dự án, hoặc sử dụng các khái niệm AI để quảng cáo, mà là khám phá các lĩnh vực ứng dụng thực sự thiết thực và đầy hứa hẹn. Từ góc nhìn của VC, sự kết hợp giữa dữ liệu AI và Web3 đã được khám phá ở các khía cạnh sau:

(1) Nâng cao năng lực của sản phẩm dữ liệu Web3 thông qua công nghệ AI, trong đó có công nghệ AI giúp doanh nghiệp nâng cao hiệu quả xử lý và phân tích dữ liệu nội bộ, tương ứng nâng cao khả năng tự động phân tích, truy xuất sản phẩm dữ liệu của người dùng. **Ví dụ, Yuxing của SevenX Ventures đã đề cập rằng sự trợ giúp chính của việc sử dụng công nghệ AI cho dữ liệu Web3 là hiệu quả, chẳng hạn như Dune sử dụng các mô hình LLM để phát hiện bất thường mã và chuyển đổi ngôn ngữ tự nhiên để tạo SQL để lập chỉ mục thông tin; Mô hình được dán nhãn sẵn với dữ liệu, có thể tiết kiệm rất nhiều chi phí lao động. Tuy nhiên, VC đồng ý rằng AI đóng vai trò phụ trợ trong việc cải thiện khả năng và hiệu quả của các sản phẩm dữ liệu Web3, chẳng hạn như chú thích trước dữ liệu, cuối cùng có thể yêu cầu con người xem xét để đảm bảo tính chính xác. **

(2) Sử dụng những lợi thế của LLM trong khả năng thích ứng và tương tác để xây dựng AI Agent / Bot. **Ví dụ: các mô hình ngôn ngữ lớn được sử dụng để truy xuất dữ liệu từ toàn bộ Web3, bao gồm dữ liệu trên chuỗi và dữ liệu tin tức ngoài chuỗi, để tổng hợp thông tin và phân tích dư luận. Harper của Hashkey Capital tin rằng loại tác nhân AI này nghiêng về việc tích hợp, tạo và tương tác với người dùng và sẽ tương đối yếu về độ chính xác và hiệu quả thông tin.

Mặc dù đã có nhiều trường hợp áp dụng hai khía cạnh trên, nhưng công nghệ và sản phẩm vẫn đang trong giai đoạn đầu thăm dò, do đó cần liên tục tối ưu hóa công nghệ và cải tiến sản phẩm trong tương lai.

(3) Sử dụng AI để định giá và phân tích chiến lược giao dịch: Hiện tại, có những dự án trên thị trường sử dụng công nghệ AI để ước tính giá NFT, chẳng hạn như NFTGo do Qiming Venture Partners đầu tư và một số nhóm giao dịch chuyên nghiệp sử dụng AI để phân tích dữ liệu và thực hiện giao dịch. Ngoài ra, Ocean Protocol gần đây đã phát hành một sản phẩm AI dự đoán giá. Loại sản phẩm này có vẻ giàu trí tưởng tượng, nhưng nó vẫn cần được xác minh về độ chấp nhận sản phẩm, sự chấp nhận của người dùng và đặc biệt là độ chính xác.

Mặt khác, nhiều VC, đặc biệt là những người đã đầu tư vào Web2 VC sẽ chú ý nhiều hơn đến những ưu điểm và kịch bản ứng dụng mà Web3 và công nghệ blockchain có thể mang lại cho công nghệ AI. Tính mở, khả năng xác minh và phân cấp của blockchain, cũng như khả năng của mật mã để cung cấp bảo vệ quyền riêng tư, cùng với việc định hình lại quan hệ sản xuất của Web3, có thể mang lại một số cơ hội mới cho AI:

(1) Xác nhận và xác minh quyền sở hữu dữ liệu AI. Sự ra đời của AI đã khiến việc tạo nội dung dữ liệu trở nên sinh sôi nảy nở và rẻ tiền. ** Tang Yi của Qiming Venture Partners đã đề cập rằng rất khó để xác định chất lượng và người tạo ra nội dung như các tác phẩm kỹ thuật số. Về vấn đề này, việc xác nhận nội dung dữ liệu đòi hỏi một hệ thống hoàn toàn mới và blockchain có thể giúp ích. Zixi của Matrix Partners đã đề cập rằng có những sàn giao dịch dữ liệu đưa dữ liệu vào NFT để giao dịch, có thể giải quyết vấn đề xác nhận quyền dữ liệu.

Ngoài ra, Yuxing của SevenX Ventures đã đề cập rằng dữ liệu Web3 có thể cải thiện vấn đề gian lận AI và hộp đen, hiện đang có vấn đề về hộp đen trong cả thuật toán mô hình và dữ liệu, có thể dẫn đến đầu ra bị lệch. Tuy nhiên, dữ liệu Web3 minh bạch, dữ liệu mở và có thể kiểm chứng được, đồng thời các nguồn đào tạo và kết quả của các mô hình AI sẽ rõ ràng hơn, giúp AI công bằng hơn và giảm sai lệch và sai sót. Tuy nhiên, lượng dữ liệu hiện tại trong Web3 không đủ để trao quyền cho việc đào tạo AI, vì vậy nó sẽ không được thực hiện trong ngắn hạn. Nhưng chúng ta có thể tận dụng tính năng này để đưa dữ liệu Web2 lên chuỗi nhằm ngăn chặn deepfake AI. **

(2) Chú thích dữ liệu AI và cộng đồng UGC: Hiện nay, chú thích AI truyền thống phải đối mặt với vấn đề hiệu quả và chất lượng thấp, đặc biệt là trong lĩnh vực kiến thức chuyên môn, cũng có thể đòi hỏi kiến thức liên ngành, điều mà các công ty chú thích dữ liệu chung truyền thống không thể bao quát được, và thường cần được thực hiện nội bộ bởi các nhóm chuyên nghiệp. Sự ra đời của crowdsourcing cho chú thích dữ liệu thông qua các khái niệm về blockchain và Web3 có thể là một cách tốt để cải thiện vấn đề này, chẳng hạn như Questlab được đầu tư bởi Matrix Partners, sử dụng công nghệ blockchain để cung cấp dịch vụ crowdsourcing cho chú thích dữ liệu. Ngoài ra, trong một số cộng đồng mô hình nguồn mở, khái niệm blockchain cũng có thể được sử dụng để giải quyết vấn đề của nền kinh tế người tạo mô hình.

(3) Triển khai quyền riêng tư dữ liệu: Công nghệ Blockchain kết hợp với các công nghệ liên quan đến mật mã có thể đảm bảo quyền riêng tư và phân cấp dữ liệu. Zixi của Matrix Partners đã đề cập rằng họ đã đầu tư vào một công ty dữ liệu tổng hợp tạo ra dữ liệu tổng hợp thông qua các mô hình lớn, có thể được sử dụng chủ yếu trong kiểm thử phần mềm, phân tích dữ liệu và đào tạo mô hình lớn AI. Các công ty tham gia vào rất nhiều vấn đề triển khai quyền riêng tư khi xử lý dữ liệu và sử dụng blockchain Oasis có thể tránh được các vấn đề về quyền riêng tư và quy định một cách hiệu quả.

2.2AI+Web3Cách xây dựng năng lực cạnh tranh cốt lõi của các công ty dữ liệu

Đối với các công ty công nghệ Web3, sự ra đời của AI có thể làm tăng sức hấp dẫn hoặc sự chú ý của dự án ở một mức độ nhất định, nhưng hiện tại, hầu hết các sản phẩm liên quan đến các công ty công nghệ Web3 kết hợp với AI đều chưa đủ để trở thành năng lực cạnh tranh cốt lõi của công ty, mà nhiều hơn để mang đến trải nghiệm thân thiện hơn với người dùng và nâng cao hiệu quả. Ví dụ, ngưỡng cho các tác nhân AI không cao và công ty thực hiện nó trước có thể có lợi thế đầu tiên trên thị trường, nhưng nó không tạo ra rào cản. **

Điều thực sự tạo ra khả năng cạnh tranh và rào cản cốt lõi trong ngành dữ liệu Web3 nên là khả năng dữ liệu của nhóm và cách áp dụng công nghệ AI để giải quyết vấn đề trong các kịch bản phân tích cụ thể. **

Trước hết, khả năng dữ liệu của nhóm bao gồm nguồn dữ liệu và khả năng phân tích dữ liệu và điều chỉnh mô hình của nhóm, là cơ sở cho công việc tiếp theo. Trong cuộc phỏng vấn, SevenX Ventures, Matrix Partners và Hashkey Capital đều nhất trí đề cập rằng khả năng cạnh tranh cốt lõi của các công ty dữ liệu AI + Web3 phụ thuộc vào chất lượng của các nguồn dữ liệu. Trên hết, các kỹ sư cũng được yêu cầu có khả năng tinh chỉnh khéo léo các mô hình, xử lý dữ liệu và phân tích cú pháp dựa trên các nguồn dữ liệu.

Mặt khác, sự kết hợp cụ thể của công nghệ AI của nhóm cũng rất quan trọng và kịch bản phải có giá trị. **Harper tin rằng mặc dù sự kết hợp hiện tại giữa các công ty dữ liệu Web3 và AI về cơ bản bắt đầu với các tác nhân AI, nhưng vị trí của chúng cũng khác nhau, chẳng hạn như Không gian và Thời gian, mà Hashkey Capital đã đầu tư và chainML hợp tác để khởi chạy cơ sở hạ tầng để tạo ra các tác nhân AI, trong đó các tác nhân DeFi được tạo ra được sử dụng cho Không gian và Thời gian.

**2.3 **** Web3 **** Công ty dữ liệu Con đường thương mại hóa trong tương lai **

Một chủ đề khác quan trọng đối với các công ty dữ liệu Web3 là thương mại hóa. Trong một thời gian dài, mô hình lợi nhuận của các công ty phân tích dữ liệu tương đối đơn giản, hầu hết trong số họ là ToC miễn phí và ToB chính có lãi, điều này phụ thuộc vào sự sẵn sàng trả tiền của khách hàng B-end. Trong lĩnh vực Web3, mức độ sẵn sàng chi trả của doanh nghiệp chưa cao, startup trong ngành là trụ cột nên các bên dự án khó hỗ trợ thanh toán lâu dài. Do đó, các công ty dữ liệu Web3 hiện đang ở vị trí khó thương mại hóa.

Về vấn đề này, VC thường tin rằng sự kết hợp của công nghệ AI hiện tại chỉ được sử dụng để giải quyết vấn đề quy trình sản xuất trong nội bộ, và không thay đổi vấn đề khó khăn vốn có trong việc kiếm tiền. Một số dạng sản phẩm mới, chẳng hạn như bot AI, không có ngưỡng đủ cao, điều này có thể nâng cao mức độ sẵn sàng trả tiền của người dùng trong lĩnh vực toC ở một mức độ nhất định, nhưng chúng vẫn không mạnh lắm. AI có thể không phải là giải pháp cho vấn đề thương mại hóa sản phẩm dữ liệu trong ngắn hạn và thương mại hóa đòi hỏi nhiều nỗ lực sản xuất hơn **, chẳng hạn như tìm ra các kịch bản phù hợp hơn và mô hình kinh doanh sáng tạo.

Trên con đường kết hợp Web3 và AI trong tương lai, việc sử dụng mô hình kinh tế của Web3 kết hợp với dữ liệu AI có thể kéo theo một số mô hình kinh doanh mới, chủ yếu trong lĩnh vực ToC. Zixi của Matrix Partners đã đề cập rằng các sản phẩm AI có thể được kết hợp với một số lối chơi mã thông báo để cải thiện sự gắn bó, hoạt động hàng ngày và cảm xúc của toàn bộ cộng đồng, điều này khả thi và dễ kiếm tiền hơn. Tang Yi của Qiming Venture Capital đã đề cập rằng từ quan điểm tư tưởng, hệ thống giá trị của Web3 có thể được kết hợp với AI, rất phù hợp như một hệ thống tài khoản hoặc hệ thống chuyển đổi giá trị cho bot. Ví dụ: bot có tài khoản riêng và có thể kiếm tiền thông qua phần thông minh của nó, cũng như trả tiền để duy trì sức mạnh tính toán cơ bản của nó, v.v. Nhưng khái niệm này thuộc về trí tưởng tượng của tương lai, và ứng dụng thực tế có thể vẫn còn một chặng đường dài để đi.

Trong mô hình kinh doanh ban đầu, tức là thanh toán trực tiếp cho người dùng, cần phải có sức mạnh sản phẩm đủ mạnh để cho phép người dùng có sự sẵn sàng chi trả mạnh mẽ hơn. Ví dụ, các nguồn dữ liệu chất lượng cao hơn, lợi ích của dữ liệu lớn hơn chi phí phải trả, v.v., không chỉ trong việc áp dụng công nghệ AI mà còn trong khả năng của chính nhóm dữ liệu.