GPT的橫空出世將全球的目光吸引至大語言模型，各行各業都嘗試著利用這個「黑科技」提高工作效率，加速產業發展。 Future3 Campus攜手Footprint Analytics共同深入研究AI與Web3結合的無限可能，共同發布了《AI與Web3數據產業融合現況、競爭格局與未來機會探析》研報。研發分為上下兩篇，本文為下篇，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 的探索主要集中在透過AI 技術來提高資料處理效率，利用LLM 交互優勢來建立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，例如準確性、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是AI 技術本身，還在於數據累積能力和對數據的深入分析應用能力。
-
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。
Web3 資料產業與AI 結合的現況以及發展路線
1.1 Dune
Dune 是當前Web3 行業內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，並形成相應的圖表和觀點。
2023 年3 月，Dune 提出關於AI 以及未來結合LLM 的計劃，並於10 月發布了其Dune AI 產品。 Dune AI 相關的產品核心專注於利用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，用戶可以透過點擊按鈕來獲取SQL 查詢的自然語言解釋，旨在幫助用戶更好地理解複雜的SQL 查詢，從而提高數據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產品的推行。
（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。這項功能的目標是讓無需SQL 知識的使用者也能輕鬆取得和分析資料。
（4）搜尋優化：Dune 計畫利用LLM 改進搜尋功能，幫助使用者更有效地篩選資訊。
（5）嚮導知識庫：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 工具。 Create Wand 允許使用者從自然語言提示中產生完整的查詢，Edit Wand 並允許使用者對現有查詢進行修改，Debug 功能會自動偵錯查詢中的語法錯誤。這些工具的核心都是LLM 技術，能夠簡化查詢編寫過程，使分析師能夠專注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 Footprint Analytics
Footprint Analytics是一家區塊鏈資料解決方案供應商，借助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。
Footprint 的優勢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，確保用戶在分析以及使用時的數據的可獲取性、易用性和品質。 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 在第一時間便在探索現有數據產品與AI 的結合，以提高數據處理和分析的效率，打造對用戶更友善的產品。 2023 年5 月份，Footprint 已開始為用戶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升級到了高階產品功能，用戶在無需熟悉平台的表格、設計的情況下，即可透過對話快速取得數據以及產生圖表。
此外，目前市場中LLM + Web3的數據產品，主要集中在解決降低用戶使用門檻，交互範式的變更上的問題，而Footprint 在產品與AI 的開發中的重點，不僅是幫助用戶解決數據分析使用體驗的問題，其重點還在於沉澱crypto 領域的垂類資料與業務理解，以及訓練加密領域語言模型，提升垂直場景應用的效率以及準確度。 Footprint 在這方面的優勢將體現在以下方面：
-
數據知識量（知識庫的質與量）。資料累積的效率，來源、量、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累積。
-
知識架構。 Footprint 已經累積了超過30 條公鏈的，依業務版塊抽象的結構化資料表。原始資料到結構化資料的生產流程知識，可以反過來加強對原始資料的理解，更好去訓練模型。
-
資料類型。從鏈上非標準非結構化的原始資料開始訓練以及從結構化、具有業務意義的資料表以及指標的訓練，從訓練的效率以及機器成本上都有明顯的差距。一個比較典型的是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領域的專業數據， 也需要更多易讀、結構化的數據，另外更大的用戶量的作為反饋數據。
-
Crypto 資金流向資料。 Footprint 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，以及代幣、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、監控資金流向、識別鏈上異動、追蹤聰明資金等。
-
私有資料的注入。 Footprint 把模型分為3 大層，一個是具備World knowledge 的底座大模型（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。讓使用者能把自己不同來源的知識庫統一在Footprint 上去進行管理，並且利用私有資料去訓練私有LLM，適用於更個人化的應用場景。
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token 不足、耗時的prompt 提示以及回答不穩定等問題。而Footprint 所處的鏈上資料這一垂直領域，面臨的更大挑戰是鏈上資料實體類型多、數量龐大，變化快，以何種形式投餵給LLM，需要整個產業更多研究和探索。目前的工具鏈也還相對初期，還需要更多的工具去解決一些具體問題。
未來Footprint 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 在結構化資料上進行推理，讓已沉澱的大量加密領域的結構化資料以及知識，能夠被應用在LLM 的資料消費以及生產上。
-
幫助使用者建立個人化知識庫（包括知識、數據以及經驗），以及使用私有資料去提升已經優化過的crypto LLM 的能力，讓每個人都能建立自己的模型。
-
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私有知識庫，去創建自己的GPT，去生產以及分享crypto 投資內容。
（2）在產品方面，Footprint 將重點探討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 crypto 內容生成與分享平台。
此外，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，強化與跟KOL 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，打造一個開放、共贏的使用者激勵和資料合作，建立一個互利共贏的一站式資料服務平台。
1.3 GoPlus SecurityGoplus
GoPlus Security是目前Web3 業界領先的使用者安全基礎設施，提供各類面向使用者的安全安全服務。目前已被市面上主流的數位錢包、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偵測、轉帳授權和防釣魚等各種安全保護功能。 GoPlus所提供的使用者安全解決方案可以全方位覆蓋整個使用者安全的生命週期，以保護使用者資產免受各種類型的攻擊者的威脅。
GoPlus 與AI 的發展與規劃如下：
GoPlus 在AI 技術方面主要探索體現在其AI 自動化檢測和AI 安全助理兩款產品：
（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、動態偵測以及特徵或行為偵測等多個環節。這個複合式偵測流程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，累積了非常豐厚的安全資料以及經驗，其架構能夠快速有效應對新出現的安全威脅，確保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。目前該引擎在風險合約檢測、釣魚網站檢測、惡意地址檢測以及風險交易檢測等多個安全場景均使用了AI相關的演算法和技術。採用AI技術能更快速地縮短減小風險敞口，提高檢測效率，降低檢測成本；另一方面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，尤其是對於那些原本人工難以界定或引擎難以辨識的新場景，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提升。 LLM 的出現幫助GoPlus 加快了在AI 自動化檢測方面的技術探索，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，探索更深的狀態來發現合約風險。
（2）AI 安全助手
GoPlus 同時正利用基於LLM 的自然語言處理能力，開發AI 安全助手，以提供即時的安全諮詢和改善使用者體驗。 AI 助理基於GPT 大模型，透過前端業務資料的輸入，開發了一套自研的使用者安全Agent，能夠根據問題自動化的去分析、產生解決方案、拆解任務、執行，為使用者提供所需的安全服務。 AI 助理能簡化使用者與安全問題之間的交流，降低使用者理解的門檻。
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從輔助工具轉變為其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。提供高效率、準確、低成本的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 Labs
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數據進行高效處理和精準分析，以建立區塊鏈的鏈上聲譽和安全基礎設施。目前，Trusta Labs 的業務主要包括兩款產品：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，以識別高價值且真實的使用者。
（2）TrustGo，一款針對C 端客戶的產品，其提供的MEDIA 分析工具，可從五個維度（資金金額、活躍度、多樣性、身分權益、忠誠度）對鏈上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 的兩款產品都是利用AI模型對鏈上位址的交互資料進行處理與分析。區塊鏈上地址交互的行為數據，均屬於序列數據，這類型的數據非常適合用於AI 模型的訓練。在對鏈上資料進行清洗、整理和標記的過程中，Trusta Labs 將大量的工作交給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。 Trusta Labs 利用AI 技術對鏈上地址互動資料進行深入分析和挖掘，對於B 端客戶而言，可以有效地識別出較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 均較好地防範了潛在女巫攻擊的發生；而對於C 端客戶，透過TrustGo 產品，利用現有的AI 模型，有效幫助用戶深入了解了自己的鏈上行為數據。
Trusta Labs一直在緊密關注LLM模型的技術進展和應用實踐。隨著模型訓練和推理成本不斷降低，以及Web3領域大量語料和使用者行為資料的積累，Trusta Labs將尋找合適的時機，引入LLM技術，利用AI 的生產力為產品和使用者提供更深入的資料探勘和分析功能。在目前Trusta Labs 已經提供豐富的資料的基礎上，希望可以利用AI 的智慧分析模型，為資料結果提供更多合理、客觀的資料解讀功能，如針對B 端使用者提供定性和定量解讀已抓取到女巫帳戶的分析，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更成熟的LLM 模型，並結合以意圖為中心的設計理念來建立AI Agent，從而來幫助使用者更快捷、更效率地解決鏈上互動的問題。就具體應用場景而言，未來透過Trusta Labs 提供的基於LLM 訓練的AI Agent 智能助理，用戶可以直接透過自然語言與智能助理進行交流，智能助理即可“聰明”地反饋鏈上數據相關的信息，並針對已提供的資訊進行後續操作的建議和規劃，真正實現以用戶意圖為中心的一站式智能操作，極大降低用戶使用數據的門檻，簡化鏈上操作的執行。
此外，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在於使用何種LLM 模型，競爭的關鍵因素是對已掌握資料更深層的理解和解讀。基於已掌握資料的解析，再結合LLM 模型，才能訓練出更「聰明」的AI 模型。
1.5 0xScope
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 旨在改變人們處理、使用和看待資料的方式。 0xScope 目前針對B 端和C 端客戶分別推出了：0xScope SaaS products 和0xScopescan。
（1）0xScope SaaS products，一個面向企業的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、了解用戶行為，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 的業務重點是利用鏈上資料抽像出通用資料模型，簡化鏈上資料分析工作，將鏈上資料轉化為可被理解的鏈上操作數據，從而幫助使用者對鏈上資料進行深入分析。利用0xScope 提供的資料工具平台，不僅可以提升鏈上資料質量，挖掘資料暗藏的信息，從而揭示更多的信息給用戶，該平台也極大降低了資料探勘的門檻。
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門檻；第二，利用AI 模型提高在資料清洗、解析、建模和分析等環節的處理效率。同時，0xScope 的產品中即將上線具有Chat 功能的AI 互動模組，該功能將大大降低用戶進行資料查詢和分析的門檻，僅透過自然語言即可與底層的資料進行互動和查詢。
但在訓練和使用AI的過程中，0xScope 發現其中仍面臨這以下挑戰：第一，AI 訓練成本和時間成本較高。在提出問題後，AI 需要花費較長時間才能回覆。因此，這個困難會迫使團隊需要精簡和聚焦業務流程，專注於垂直領域的問答，而不是讓其成為全方位的超級AI助理。第二，LLM 模型的輸出是不可控的。資料類的產品希望給出的結果是精準的，但目前LLM模型給出的結果很可能與實際的情況有一定出入，這對資料類產品的體驗是非常致命的。此外，大模型的輸出有可能涉及使用者的隱私資料。因此，在產品中使用LLM 模式時，團隊需要對其有較大程度的限制，以使得AI 模型輸出的結果可控且精準。
未來，0xScope 計劃利用AI 專注於特定的垂直賽道並進行深耕。目前基於已大量累積大量鏈上數據，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，進而打造出一套獨特的數據建模的體系，透過這套數據挖掘和分析體系揭示出鏈上資料隱含的資訊。
在合作方面，0xScope 將聚焦在兩類群體：第一類，產品可以直接服務的對象，例如開發者、專案方、VC、交易所等，該群體需要目前產品所提供的資料；第二類，對AI Chat 有需求的合作夥伴，如Debank、Chainbase 等，他們只需要有相關的知識和數據，便可以直接調用AI Chat。
VC insight－AI+Web3 資料公司的商業化與未來發展之路
本節內容透過訪問了4 位資深的VC 投資人，將從投資和市場的視角來看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 數據的結合正處於一個積極探索的階段，從各個頭部Web3 數據公司的發展方向來看，AI 技術以及LLM 的結合都是必不可少的趨勢。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，或者是使用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、檢索等能力。例如SevenX Ventures 的Yuxing 提到Web3 資料使用AI 技術最主要的幫助是效率方面，例如Dune 使用LLM 模型做程式碼異常檢測和將自然語言轉換產生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數學統計更好，所以可以更有效地去做安全方面的監測；此外，經緯創投的子熹提到企業可以透過訓練AI 模型進行資料的預標註，能節約很多人力成本。儘管如此，VC 都認為，在提高Web3 數據產品的能力和效率方面，AI 起到的是輔助作用，例如數據的預標註，最終可能仍需要人工審核來確保準確性。
（2）利用LLM 在適應性和互動上的優勢，打造AI Agent/Bot。例如使用大語言模型來檢索整個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 認為這類的AI Agent更偏向資訊的整合、生成，以及與使用者之間的交互，在資訊準確性和效率上會相對弱一些。
上述兩方面的應用儘管已經有不少案例，但是技術和產品仍然在探索的早期，因此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：目前市場中有項目利用AI 技術給NFT 進行價格估算，如啟明創投投資的NFTGo，以及有些專業交易團隊使用AI 進行數據分析和交易執行。此外Ocean Protocol 最近也發布了一個價格預測的AI產品。這類的產品似乎很有想像力，但在產品中、使用者接受程度方面，尤其是準確性方面仍需要進行驗證。
另一方面，有不少VC，尤其是在Web2 有投資的VC會更關注提到Web3 和區塊鏈技術能為AI 技術帶來的優勢和應用場景。區塊鏈具有公開可驗證、去中心化的特點，以及密碼學技術提供隱私保護能力，加上Web3 對生產關係重塑，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廉價。啟明創投的唐弈提到對於數位作品等內容，難以確定其品質和創作者。在這方面，數據內容的確權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，可以解決資料確權的問題。
另外，SevenX Ventures 的Yuxing 提到Web3 資料能夠改善AI 造假和黑盒子問題，目前AI 在模型演算法本身和資料方面都存在黑盒子問題，會導致輸出結果的偏差。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都會更加明晰，使得AI更加公正，減少偏見和錯誤。但目前Web3 的資料量還不夠多，不足以為AI 本身的訓練賦能，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 的深度偽造。
（2）AI 資料標註眾包及UGC 社群：目前傳統AI 標註面臨效率和品質較低的問題，尤其是在涉及專業知識領域，可能還需要交叉學科知識，傳統的通用資料標註公司是不可能涵蓋的，往往需要專業團隊內部來做。而透過區塊鏈和Web3 的概念引入資料標註的眾包，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註的眾包服務。此外，在一些開源模型社群中，也可以使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保證資料的隱私和去中心化。經緯創投的子熹提到他們投資的一個合成資料公司，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 科技公司來說，AI 的引進能夠在某種程度上增加專案的吸引力或關注度，但是目前大部分Web3 科技公司相關結合AI 的產品並不足以成為公司的核心競爭力，更多是在提供了更友善的體驗，以及效率的提升。譬如AI Agent 的門檻並不高，先做的公司可能在市場有先發優勢，但不會產生障礙。
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了資料來源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 資料公司的核心競爭力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熟練地進行模型微調、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，儘管目前Web3 數據公司與AI 的結合基本上都是從AI Agent 開始，但他們的定位也不同，例如Hashkey Capital 投資的Space and Time，和chainML 合作推出了創建AI agent 的基礎設施，其中創建的DeFi agent 被用於Space and Time。
2.3Web3數據公司未來的商業化道路
另一個對於Web3 數據公司很重要的主題是商業化。長期以來，數據分析公司的獲利模式都比較單一，大都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就不高，加上產業新創公司為主，專案方難以支撐長期的付費。因此目前Web3 數據公司在商業化的處境上比較艱難。
在這個問題上，VC 普遍認為當前AI 技術的結合，僅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。一些新的產品形式如AI Bot 等門檻不夠高，可能一定程度上在toC 領域增強用戶的付費意願，但仍不太強。 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，和創新的商業模式。
在未來Web3 與AI 結合的路徑上，利用Web3 的經濟模型結合AI 資料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AI 產品可以結合一些token 的玩法，提高整個社群的黏性、日活和情感，這是可行的，也更容易變現。啟明創投的唐弈提到，從意識形態的角度，Web3 的價值體係可以結合到AI上的，很適合作為bot 的帳號體係或說價值轉換體系。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，以及為維護其底層運算能力付費等。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、資料帶來的效益超過支付的成本等，這不僅在於AI 技術的應用，也在資料團隊本身的能力之上。
