GPT的出現引起了全球的關注，各行各業都在嘗試利用這個「黑科技」來提高工作效率，加速產業發展。 Future3校園的足跡足跡分析深入研究AI與Web3的無限可能，共同發表了研報《AI與Web3資料產業融合現況、競爭格局與未來探機遇解析》。研發分為上下兩篇，由Future3 Campus研究員Sherry、Humphrey編撰。 AI與Web3的數據結合正在促進數據處理效率的提升和用戶體驗的改善，區塊鏈數據行業對LLM的探索主要中心化在提高數據效率，構建AI Agent以及進行定價和交易策略分析。未來足跡計畫利用LLM模型在AI產品應用和商業模式上實現創新。同時，AI+Web3資料產業在商業化上也面臨一些挑戰，例如AI技術的準確性、可解釋性和商業化問題。沙丘和足跡分析是目前Web3領先業界的開放資料分析社區，在產品方面，沙丘利用LLM的語言能力增強Wizard UX，足跡則提供自然語言互動的資料分析功能。 Footprint產品與AI的結合如下：自LLM模型推出以後，Footprint為用戶提供了提供自然語言互動的數據分析功能，並在其原有無程式碼的基礎上漲級到了高階產品功能。 Footprint也計劃利用LLM技術，提供更深入的數據挖礦和分析功能。 GPT的出現引起了全球的關注，各行各業都在嘗試利用這個「黑科技」來提高工作效率，加速產業發展。大量Web3數據公司的未來發展目標和AI+Web3數據公司的商業化模式需要更多的產品化努力。由於AI技術的結合，目前大多數Web3數據公司相關結合AI的產品並最終成為公司的核心競爭力，更多的是在提供有了更大的體驗，以及效率的提升。未來AI+Web3數據公司的商業化道路需要有足夠強的產品力，讓使用者有更強的付費意願。
GPT的橫空出世將全球的目光吸引至大語言模型，各行各業都在嘗試利用這個「黑科技」來提高工作效率，加速產業發展。 Future3校園的足跡足跡分析共同深入研究AI與Web3的無限可能，共同發布了《AI與Web3資料產業融合現況、競爭格局與未來探探機會解析》研究。研發分為上下兩篇，論文為下一篇，由Future3 Campus研究員Sherry、Humphrey編撰。
摘要：
AI與Web3的數據結合正在促進數據處理效率的提升和用戶體驗的改善。目前區塊鏈資料產業對於LLM的探索主要中心化在透過AI技術來提高資料效率，利用LLM互動處理優勢來建立AI Agent，以及利用AI進行定價和交易策略分析等。
目前AI在Web3資料領域的應用還面臨一些挑戰，如準確性、可解釋性、商業化等。完全取代人工介入還有很長的路要走。
Web3數據公司的核心競爭力不僅在於AI技術本身，還在於數據的增持能力和對數據的深入分析應用能力。
AI可能短期內還無法解決資料產品商業化問題的解決方案，商業化需要更多的產品化努力。
Web3數據產業與AI結合的地理位置以及發展路線
1.1 沙丘
Dune 是當前Web3 行業內部領先的開放數據分析社區，提供了區塊鏈查詢、提取和可視化大量數據的工具，允許用戶和數據分析專家使用簡單的SQL 查詢從Dune 預先填充的數據庫中查詢鏈上數據，並形成對應的K線走勢圖和觀點。
2023年3月，Dune提出了關於AI以及未來結合LLM的計劃，並在10月發布了其Dune AI產品。 Dune AI相關的產品核心著重於利用LLM強大的語言能力和分析能力增強Wizard UX，更好地為使用者提供Dune上的資料查詢和SQL編寫。
（1）查詢解釋：3月發布的產品，使用者可以透過點擊按鈕來取得SQL查詢的自然語言解釋，旨在幫助使用者更能理解複雜的SQL查詢，進而提高資料分析的效率和準確性。
（2）查詢翻譯：Dune 計畫將Dune 上不同的SQL 查詢引擎（如Postgres 和Spark SQL）統一遷移到DuneSQL，因此LLM 可以提供自動化的查詢語言翻譯能力，幫助使用者更好地過渡，以有利於DuneSQL產品的支撐。
（3）自然語言查詢：即10月發布的Dune AI。允許使用者用普通英語提問並獲取數據。此功能的目標是讓消耗SQL知識的使用者也能夠輕鬆取得和分析資料。
（4）搜尋優化：Dune計畫利用LLM改進的搜尋功能，幫助用戶更有效地篩選資訊。
（5）👍知識庫：Dune 計畫發布一個聊天機器人，幫助用戶快速瀏覽Spellbook 和Dune 文件中的區塊鏈和SQL 知識。
（6）簡化SQL編寫工作（Dune Wand）：Dune 8月推出Wand系列的SQL語言工具。建立Wand允許使用者從自然提示中產生完整的查詢，編輯Wand並允許使用者對現有查詢進行修改，調試功能自動調試查詢中的語法錯誤。這些工具的核心都是LLM技術，能夠簡化查詢編寫過程，使分析師能夠中心化於分析資料的核心邏輯，而無需擔心程式碼和語法問題。
1.2 足跡分析
Footprint Analytics是一家區塊鏈資料解決方案，透過人工智慧技術提供無程式碼資料分析平台、統一的資料API產品以及Web3專案BI平台Footprint Growth Analytics。
足跡的優點在於其鏈上數據生產線及生態工具的打造，其透過建立統一的數據湖打通鏈上鏈下數據和類鏈上工商登記的元數據庫，保證用戶在分析以及使用時的數據的可獲取Footprint的長期策略將專注於技術深度和平台建設，以打造能夠生產鏈上數據以及應用的「機器工廠」。
Footprint產品與AI的結合如下：
自LLM模型推出後，Footprint第一時間便在探索現有數據產品與AI的結合，以提高數據處理與分析的效率，打造對使用者更友善的產品。 2023年5月份，Footprint已開始為用戶提供提供自然語言互動的數據分析功能，並在其原有無代碼的基礎上漲級到了高階產品功能，在用戶熟悉平台的表格、設計的情況下，可以透過對話快速取得數據以及產生K線走勢圖。
另外，目前市場中LLM+Web3的數據產品，主要中心化在解決降低用戶使用人口、互動方式的變更上的問題，而Footprint在產品與AI的開發中重點，不僅僅是幫助用戶解決數據分析使用體驗的問題，其重點在於沉澱加密貨幣領域的垂類資料與業務理解，以及加密貨幣訓練領域語言模型，提升垂直場景應用的效率以及準確度。足跡在這方面的優勢將體現在以下方面：
知識量（知識庫的質與量）。資料增持的效率，來源、資料、類別。特別是Footprint MetaMosaic子產品上，反映關係圖譜，以及特定業務邏輯的靜態資料的增持。
架構知識。足跡已經增持了超過30條公鏈的，依業務版塊抽象的重構資料表。原始資料到重構資料的生產流程知識，可以反過來加強對原始資料的理解，更好的去訓練模型。
資料類型。從鏈上非標準非重構訓練的原始資料開始訓練以及從重構、具有業務意義的資料表以及指標的，從訓練的效率以及機器成本上都有明顯的差距。一個典型的比較需要提供比較多的數據去提供給LLM，這些數據除了需要基於加密貨幣領域的專業數據，還需要更多易讀、格式化的數據，另外更多的用戶量的作為反饋數據。
加密貨幣資金流向資料。足跡把與投資緊密相關的資金流向資料進行了抽象，它包含了每筆交易的時間、主體（含流向）、代幣類型、金額（關聯時點代幣價格）、業務類型，代以及幣、主體的標籤，可作為LLM的知識庫以及資料來源，用於做代幣的主力資金分析、定位籌碼分佈、監測資金流向、識別鏈上異動、追蹤智慧資金等。
其中數據的注入。 Footprint把模型分成3大層次，一個是具備世界知識的支撐大模型（OpenAI以及其他開源模式）、細分領域垂直模型、個人化專家知識模型。讓使用者能夠把自己不同的來源的知識庫統一在Footprint上去進行管理，並且利用資產資料去訓練LLM，適用於更個人化的應用程式場景。
在Footprint結合LLM模型探索中，也遇到了一系列的挑戰和問題，其中最典型的就是代幣不足、運行的提示以及回答不穩定等問題。而Footprint的鏈上資料這個垂直領域，面臨的更大挑戰是鏈上資料實體類型多、數量龐大，變化快，以付費形式投餵給LLM，需要整個產業更多的研究和探索。目前的工具鏈還相對較弱，還需要更許多工具用來解決一些具體問題。
未來足跡在科技和產品上與AI的結合包括以下內容：
（1）技術方面，Footprint將結合LLM模型在三個方面進行探索和最佳化
支持LLM在重構數據上進行推理，讓已沉澱的大量加密貨幣領域的重構數據以及知識，能夠被應用在LLM的數據消費以及生產上。
幫助使用者建立個人化知識庫（包括知識、數據以及經驗），以及利用初始資料去提升已經優化過的加密貨幣LLM的能力，讓每個人建立自己的模型。
讓AI輔助分析以及內容生產，使用者可以透過對話的方式，結合資金流資料以及資產知識庫，去創建自己的GPT，去生產以及分享加密貨幣投資內容。
（2）在產品方面，Footprint將聚焦在AI產品應用以及商業模式的創新。根據Footprint近期對產品的推廣計劃，將推出為用戶提供AI加密貨幣內容生成與分享平台。
另外，對於未來合作夥伴的拓展，Footprint將在以下兩個方面進行探索：
第一，加強與跟KOL的合作，協助有價值內容的生產以及社區的運作、知識的變現。
第二，拓展更多合作項目方以及資料提供方，打造開放、共贏的用戶激勵和數據合作，建立互利共贏的一站式數據服務平台。
1.3 GoPlus安全Goplus
GoPlus Security 是目前Web3 業界領先的使用者安全基礎設施，提供廣泛面向使用者的安全安全服務。目前已被佔據主流的數位錢包、行情網站、Dex 以及其他各種Web3 應用程式所整合。使用者可以直接使用資產安全檢測、週轉授權和防盜等各種安全保護功能。 GoPlus所提供的使用者安全解決方案可全方位涵蓋整個使用者安全的生命週期，以保護使用者資產所在各類攻擊者的威脅。
GoPlus與AI的發展與規劃如下：
GoPlus在AI技術方面的主要探索體現在其AI自動化檢測和AI安全輔助產品：
（1）AI自動化檢測
GoPlus從2022年開始自研基於AI技術的自動化檢測引擎，來全面提升安全檢測的效率以及準確率。 GoPlus的安全引擎採用多層次、漏斗式的分析方法，採用了靜態程式碼偵測、動態偵測以及特徵這種Compound式偵測使得引擎能夠有效地識別並分析潛在風險樣本的特徵，從而對攻擊類型和行為進行有效建模。這些模型是引擎辨識和預防安全威脅的關鍵，它們幫助引擎判斷風險樣本是否具有某些特定的攻擊特徵。此外，GoPlus安全引擎經過長時間的迭代和優化，增持了非常全球的安全資料以及經驗，其架構快速有效應對新出現的安全威脅，切實能夠及時發現並阻止各種複雜和新型的攻擊，全方位保護用戶安全。目前該引擎在風險一致性檢測、釣魚網站檢測、惡意地址檢測以及風險交易檢測等多個場景均使用了AI相關安全採用AI技術能夠更快速地降低風險敞口，提高檢測效率，降低檢測成本；另外減少了人工參與的複雜性和時間成本，提高對風險樣本判斷的準確率，尤其對於那些不清楚人工難以識別或引擎難以識別的新場景，透過AI可以更好地歸集特徵並形成更有效的分析方法。
2023年，隨著大模型的發展，GoPlus迅速適應並採用了LLM。與傳統AI演算法相比，LLM在資料辨識、處理和分析方面的效率和效果有了顯著的提升。 LLM的出現幫助GoPlus加快了在AI自動化檢測的技術探索，在動態模糊測試的方向上，GoPlus採用了LLM技術能夠有效的生成交易序列，探索外部的狀態來發現一致性風險。
（2）AI安全助手
GoPlus同時利用基於LLM的自然語言處理能力，開發AI安全助手，提供即時的安全諮詢並改善使用者體驗。基於GPT大模型的AI助手，透過前置業務資料的輸入，開發了一套自研的使用者安全代理，能夠根據問題自動化的去分析、產生解決方案、解拆任務、執行，提供使用者所需的安全服務。 AI助理能夠簡化用戶與問題之間的交易所，降低用戶安全的承受能力。
在產品功能上，由於AI在安全領域的重要性，未來AI有潛力徹底改變現有的安全引擎或病毒防毒引擎的結構，出現以AI為核心的全新引擎架構。 GoPlus將持續對AI模型進行訓練與最佳化，以期將AI從輔助工具轉變為安全偵測引擎的核心功能。
在商業模式上，雖然目前GoPlus 的服務主要針對開發者和專案方，但公司正在探索更多直接面向C 端用戶的產品和服務，以及與AI 相關的新收入模式。的C端服務將是GoPlus未來的核心競爭力。這需要公司持續研究，在與使用者互動的AI大模型上進行更多的訓練和輸出。同時，GoPlus公司也將與其他團隊合作，分享其安全數據，並透過合作推動安全領域內的AI應用，為未來可能帶來的產業變革做好準備。
1.4 Trusta 實驗室
Trusta Labs成立於2022年，是一家由人工智慧驅動的Web3領域資料新創公司。 Trusta Labs專注於利用先進的人工智慧技術對區塊鏈資料進行高效處理和精準分析，以建立區塊鏈的鏈上目前，Trusta Labs 的業務主要包括兩個產品：TrustScan 和TrustGo。
（1）TrustScan，TrustScan是一款專為B端客戶設計的產品，主要用於幫助Web3專案在用戶獲取、用戶活躍和用戶留存方面進行鏈上用戶行為分析和精細化分層，識別高價值且的真實使用者。
（2）TrustGo，一款針對C端客戶的產品，其提供的媒體分析工具，可以從五個維度（資金金額、活躍度、多樣性、權益、忠誠度）對鏈地址進行分析和評估，該產品強調對鏈上資料的深入分析，以提升交易決策的品質和安全性。
Trusta Labs 與AI 的發展與規劃如下：
目前Trusta Labs的這兩款產品都是利用AI模型對鏈上位址的互動資料進行處理與分析。區塊鏈上地址的交互行為數據，均屬於序列數據，這類數據非常適合AI模型的在對鏈上數據進行清洗、整理和標記的過程中，Trusta Labs 將大量的工作挖礦AI 來完成，大大提高了資料處理的品質和效率，同時也減少了大量的人力成本。實驗室利用AI技術對鏈上地址交互數據進行深入分析和挖礦，對於B端客戶而言，可以有效地識別出更大可能性的女巫地址。在已使用Tursta Labs產品的多個項目中，Tursta Labs均較好地預防了潛在女巫攻擊的發生；而對於C端客戶端，透過TrustGo產品，利用現有的AI模型，幫助有效深入了解了自己的鏈上行為數據。
Trusta Labs一直密切關注LLM模型的技術進展和應用實踐。隨著模型和推理成本的不斷降低，以及Web3領域大量語料和用戶行為數據的增持，Trusta Labs將尋找合適的時機，引入LLM技術，利用AI的生產力為產品和用戶提供更深入的數據挖礦和分析功能。目前Trusta Labs已經提供了豐富的數據基礎上，希望利用AI的智慧分析模型，為數據結果提供更可靠、挖礦的數據閱讀功能，如針對B端用戶提供定性和定量解讀已抽像到女巫帳戶的分析，讓用戶更理解數據背後的原因分析，同時可以為B端用戶向其客戶投訴解釋時提供更翔實的材料佐證。
另一方面，Trusta Labs也計劃利用已開源或成熟的LLM模型，並結合以意圖為中心的設計理念來建立AI Agent，從而來幫助用戶更快捷、更有效率地解決鏈上交易的問題。具體應用情境而言，未來透過Trusta Labs提供的基於LLM訓練的AI Agent智慧助理，使用者可以直接透過自然語言與智慧助理進行交易所，智慧助理即可「聰明」地回饋鏈上資料相關的訊息，並針對提供的資訊進行真正後續操作的建議與規劃，實現以使用者介面為中心的一站式智慧操作，大幅降低使用者資料的使用率，簡化區塊鏈操作的執行。
另外，Trusta認為，未來隨著越來越多基於AI的資料產品的出現，每個產品的核心競爭要素可能不會取代使用大象LLM模型，競爭的關鍵因素是對已掌握資料交易層次的理解和理解閱讀。基於已掌握資料的解析，再結合LLM模型進行訓練，才能得出更「聰明」的AI模型。
1.5 0x範圍
0xScope，成立於2022年，是一個以數據為核心的創新平台，其專注於區塊鏈技術和人工智慧的結合。 0xScope旨在處理、使用和感知資料的方式。 0xScope目前針對B端和改變C端客戶分別推出了：0xScope SaaS產品和0xScopescan。
（1）0xScope SaaS產品，一個以企業為導向的SaaS解決方案，賦能企業客戶進行投後管理、做出更好的投資決策、了解使用者行為，並密切監控競爭動態。
（2）0xScopescan，一個B2C產品，其允許加密貨幣交易者調查選定區塊鏈的資金流動和活動情況。
0xScope的業務重點是利用上鍊數據抽像出通用數據模型，簡化上鍊數據分析工作，將上鍊數據轉化為可理解的上鍊操作數據，從而幫助用戶對上鏈數據進行深入分析。利用0xScope提供的數據工具平台，不僅可以提升鏈上數據質量，挖礦數據暗藏的信息，從而向用戶揭示更多的信息，該平台還極大地降低了數據挖礦的成本。
0xScope與AI的發展與規劃如下：
0xScope的產品正在結合大模型進行升級，這包含兩個方向：第一，透過自然語言互動的模式進一步降低使用者的使用動力；第二，利用AI模型提高資料清洗、解析、建模和分析方面的能力同時，0xScope的產品中上線具有聊天功能的AI交互模組，該功能將極大降低用戶進行數據查詢和分析的費用，即將通過自然語言即可與底層的數據進行交互和查詢。
但在訓練和使用AI 的過程中，0xScope 發現其中仍面臨以下挑戰：第一，AI 訓練成本和時間成本更高。在提出問題後，AI 需要佔用樹木時間才能回覆。因此，這個很難讓團隊需要數據精簡和聚焦業務流程，專注於垂直領域的問答，而不是讓其成為一個全面的超級人工智慧助理。第二，LLM模型的輸出是不可控的。這類產品希望給出結果是準確的，但目前LLM模型給出的結果很可能與實際的情況有一定的出入，這對於數據類產品的體驗是非常致命的。另外，大模型的輸出有可能會涉及到使用者的隱私因此，在產品中使用LLM模式時，團隊需要對此有更大程度的限制，以使得AI模型輸出的結果可控且精準。
未來，0xScope計劃利用AI專注於特定的垂直維度並進行深耕。目前基於已大量增持的大量鏈上數據，0xScope可以對鏈上用戶的身份進行定義，後續將繼續利用AI工具抽象鏈上用戶行為，第二步構建了一套獨特的數據建模的體系，透過這套資料挖礦和分析體系揭示出鏈上資料隱含的資訊。
在合作方面，0xScope將聚焦於兩類群體：第一類，產品直接可以服務的對象，例如開發者、專案方、VC、交易所等，該群體目前需要產品所提供的資料；第二類，對AI Chat有需求的合作夥伴，如Debank、Chainbase等，他們只需講相關的知識和數據，便可以直接調用AI Chat。
VC洞察－AI+Web3數據公司的商業化與未來發展之路
本內容節透過訪問了4位資深的VC投資人，去中心化投資和市場的視角審視AI+Web3數據行業的現狀和發展，Web3數據公司的核心競爭力以及未來的商業化道路。
2.1 AI+Web3數據產業的現況與發展
目前，AI與Web3資料的結合正處於一個積極探索的階段，從各個頭部Web3資料公司的發展方向來看，AI技術以及LLM的結合都是必要的趨勢。但同時LLM有其自身技術局限性，尚無法解決目前數據產業的許多問題。
因此，我們需要認識到並非盲目地與AI結合就能夠增強專案的優勢，或是利用AI概念進行炒作，而是需要探索真正具有實用性和前景的應用領域。從VC的視角，目前AI與Web3資料的結合已經有以下的探索：
（1）透過AI技術來提升Web3資料產品的能力，包括AI技術幫助企業提高內部資料處理分析的效率，以及相應提高對使用者的資料產品的自動化分析、搜尋等。例如SevenX Ventures的宇星能力提到Web3使用資料AI技術節省的幫助是效率方面，例如Dune使用LLM模型做程式碼異常檢測並將自然語言轉化生成SQL去資訊索引；還有用AI做安全預警的項目， AI演算法做異常檢測效果比從純統計數學更好，這樣可以更有效地進行安全方面的監測；此外，經緯創投的子熹提到的企業可以透過AI模型訓練進行資料的預監，可以節省很多人力成本。大家都認為，在提升Web3數據產品的能力和效率方面，AI起到了輔助作用，例如數據的預標註作用，最終可能還是需要人工審核來確保準確性。
（2）利用LLM在搜尋和交易上的優勢，打造AI Agent/Bot。例如使用大語言模型來搜尋整個Web3的數據，包括鏈上數據和鏈下新聞數據，進行資訊聚合和輿情分析。 Hashkey Capital的Harper認為這類AI Agent更偏向資訊的整合、生成，以及一些和使用者之間的交互，在資訊準確性和效率上會相對較弱。
以上兩方面的應用雖然已經有了明顯的案例，但技術和產品仍處於探索的早期，未來也需要不斷地進行技術優化和產品改進。
（3）利用AI進行定價及交易策略分析：目前市場有項目利用AI技術給NFT進行價格提示，如啟明創投投資的NFTGo，以及一些專業交易團隊利用AI進行數據分析和交易執行。另外Ocean Protocol近期也發表了價格預測的AI產品。這類產品看起來很有想像力，但在產品中、使用者接受程度方面，尤其是準確性方面尚需進行驗證。
另一方面，有明顯的VC，尤其是在Web2有投資的VC會更關注Web3和區塊鏈技術能為AI技術帶來的優勢和應用場景。具有公開可驗證、去中心化的區塊鏈化的特點，以及密碼學技術提供隱私保護，加上Web3對生產關係的增持，可能能夠為AI帶來一些新的機會：
（1）AI資料確權與驗證。 AI的出現使資料內容產生變得氾濫和氾濫。對於數位作品等內容所提到的啟明創投的唐象，難以確定其品質和創作者。在這方面，數據內容確實需要一個全新的體系，區塊鏈可能可以提供幫助。經緯創投的子熹提到有資料交易所將資料放在NFT中進行交易，可以解決資料正確權的問題。
另外，SevenX Ventures的宇星提到的Web3數據能夠改善AI造假和黑盒問題，目前AI在模型演算法本身和數據方面都存在黑盒子問題，會導致結果的偏差。而Web3的資料具有透明性，資料是公開可驗證的，AI模型的訓練來源和結果將會更加清晰，使得AI更加公正，減少偏差和錯誤。但目前Web3的資料量還不夠多，捐贈給AI本身的賦能，因此短期不會實現。但我們可以利用這個特性，將Web2資料上鍊，來防止AI的深度複製。
（2）AI資料標籤眾包及UGC社群：目前傳統AI標籤面臨效率和品質較低的問題，尤其是在涉及專業知識領域，可能還需要跨領域知識，傳統的通用資料標籤公司是不可能的覆蓋的，往往需要專業團隊內部人員。而透過區塊鏈和Web3的概念引入資料核心的眾包，則能很好地改善這個問題，例如經緯創投投資的Questlab，他們使用區塊鏈技術提供資料標記的眾包服務。另外，在開源一些模型社群中，也可以利用區塊鏈概念來解決模型創作者經濟的問題。
（3）資料隱私部署：區塊鏈技術結合密碼學相關技術可以確保資料的隱私性和去中心化。經緯創投的子熹提到他們投資了一家合成資料公司，透過大模型產生合成資料去使用，資料可以主要應用在軟體測試、資料分析，以及AI大模型訓練使用。公司在處理資料的時候牽涉到許多隱私部署的問題，使用了Oasis區塊鏈，可以有效地避免了隱私和監管問題。
2.2AI+Web3數據公司如何打造核心競爭力
對於Web3 技術公司來說，AI 的引入能夠在一定程度上增加專案的吸引力或關注度，但目前大多數Web3 技術公司相關結合AI 的產品並最終成為公司的核心競爭力，更多的是在提供有了更大的體驗，以及效率的提升。比喻像AI代理的管道不高，先做的公司可能在市場上有發展優勢，但不會產生先壁壘。
而真正在Web3數據產業中產生核心競爭力和障礙的應該是團隊的數據能力以及如何應用AI技術來解決具體分析場景的問題。
首先，團隊的資料能力包括資料來源以及團隊進行資料分析和模型調整的能力，這是進行後續工作的基礎。在訪談中，SevenX Ventures、經緯創投和Hashkey Capital都一致提到了AI+Web3資料公司的核心依賴取決於資料來源的品質。在這個基礎上，還需要工程師能夠基於資料來源操控地進行模型負載、資料處理和解析。
另一方面，團隊AI技術具體結合的場景也非常重要，場景應該是有價值的。 Harper認為，雖然目前Web3數據公司與AI的結合的基本都是從AI Agent開始，但他們的定位也不同，例如Hashkey Capital 投資了時空，和chainML 合作推出了創建AI 代理的基礎設施，其中創建的DeFi 代理程式被用於時空。
2.3Web3數據公司未來的商業化道路
對Web3數據公司來說另一個很重要的議題是商業化。長期以來，數據分析公司的獲利模式都比較單一，大部分ToC免費，主要ToB獲利，這很依賴B端客戶的付費意願。在Web3領域，本身企業的付費意願不會很高，加上產業中大部分的公司主導，專案方難以支撐因此長期的付費。目前Web3數據公司在商業化的訂單上比較困難。
在這個問題上，VC們普遍認為目前AI技術的結合，只是應用在內部解決生產流程的問題，並沒有改變本質上的變現難問題。一些新的產品形態如AI Bot等技術不夠高，可能一定佈局在toC領域增強了用戶的付費意願，但仍不是重點。 AI可能短期內不是解決資料產品商業化問題的解決方案，商業化需要更多的產品化努力，例如尋找更合適的場景，以及創新的商業模式。
在未來Web3與AI結合的路徑上，利用Web3的經濟模型結合AI數據可能會產生一些新的商業模式，主要在ToC領域。經緯創投的子熹提到的AI產品結合一些代幣的玩法，可以提高整個社群的黏性、日常活動和情感，這是可行的，也更容易變現。啟明創投的唐代所提到的，從以前的角度來看，Web3的價值體係可以結合到AI上，很適合作為機器人的帳號體係或說價值轉化體系。例如一個機器人擁有自己的帳戶，可以透過其智慧部分賺錢，以及為其維護基礎運算能力付費等。但這個概念屬於未來的暢想，實際應用可能還有很長的路要走。
而在原先的商業模式，也就是用戶直接付費上，需要有足夠強的產品力，讓用戶有更強的付費意願。例如更高品質的資料來源、資料帶來的效能超過支付的成本等，這附加是AI技術的應用，也是資料團隊本身的能力之上。
資訊來源：0x資訊編譯自網際網路。版權歸作者Future3 Campus所有，未經許可，不得轉載