自2023年初以來，人工智慧領域已成為新的高地，特別是在ChatGPT的推動下，全球AI技術熱潮迅速蔓延。 AI與Web3產業的結合已成為發展方向。 QnA3是一個與AI緊密結合的Web3 DApp，透過AI驅動的知識平台和交易工具，已吸引了200萬以上的用戶。其搜尋增強生成技術（RAG）整合了外部知識和模型先驗知識，優於傳統搜尋引擎和大型語言模型。此外，QnA3在AI+交易和AI+DePIN方面也取得了重要進展。未來，QnA3計畫推出更多創新產品，成為AI為核心的服務矩陣，滿足使用者全生命週期需求。
編輯：BlockBeats
自2023年初以來，人工智慧（AI）已成為科技領域的新高地，尤其是在ChatGPT的推動下，AI技術的熱潮在全球範圍內迅速蔓延。 「AI 軍備競賽」，增加了科技產業的發展統計。對於Web3 產業的從業人員來說，AI 與Web3 的結合不再是遙遠的概念，而是一個明確且可行的發展方向。
在過去的一年中，「Web3+AI」的概念迅速成為行業熱詞。在這個過程中，一個產業共識逐漸形成：「區塊鏈解決生產關係問題，AI解決生產力問題」。這不僅是研磨技術領域融合的精準概述，也將著眼於Web3 與AI 結合將成為未來科技發展的重要趨勢。在幣安Labs 公佈的第六季12 個全球孵化計畫項目中，QnA3 作為一款“AI 驅動的” Web3知識平台和投研交易工具”，是其中著名的與AI緊密結合的Web3 DApp。
BlockBeats 分析了QnA3 的發展情況，將各個階段的技術路徑和理論進行了梳理。
QnA3的發展路徑
QnA3團隊成立於2023年1月，在短短一年內實現了其產品從0到1的巨大轉變：6月，QnA3上線問答功能，用戶量突破1萬；9月，QnA3上線以意圖為中心的Telegram機器人，用戶量突破30萬；12月，QnA3上線資料挖礦功能，QnA3日活躍用戶數霸榜BNB鏈第一超過半個月的時間，用戶量突破200萬。目前，QnA3用戶數已突破200萬人。至900萬。
QnA3的核心定位：Web3世界居民必備的AI代理
根據官方的介紹，QnA3是Web3世界用戶必備的AI代理，幫助用戶進行Web3全生命週期的全場景管理。
1）資訊管理AI+研究=“RAG”
QnA3 是Web3領域中AI+搜尋的領跑者和全能型選手。
基於GPT模型等智慧生成能力及Google、微軟Bing搜尋引擎構建，QnA3對比ChatGPT等生成AI具有專業資料通用和通用式知識的壁壘，資訊時效性強、可追溯信源並有效減少感知。比較Google等傳統搜尋引擎，QnA3答案沒有資訊準確、準確可信，問題可拆解，答案可回饋。
依託於對LLM的理解和Pre Train（預訓練）、Post Train（後），Scaling Up（可擴展性），Inference（推理）的豐富經驗 [1]，QnA3將LLM與有機搜尋結合，優秀的產品力、工程化能力和快速迭代能力使QnA3後發先至，在隊列前行者中突圍並支架領跑者身份。資訊管理功能已經可以滿足概念問題，即時問題，推理問題，市場分析問題和交易問題等不同場景的需求。
實現後發先至的核心技術原理：將RAG（Retrieval Augmented Generation，搜尋增強生成）技術發揮到極致，同時滿足「Web3知識專業性」、「高即時性」和「問答內容強關聯性」。
在計畫成立初期，QnA3分析了以ChatGPT為代表的通用大模型之一，認為LLM主要的問題為內容時效性差（2023年初OpenAI發布的ChatGPT3.5版本，資料範圍只能統計到21年9月） ），同時存在缺乏索引帶來潛在的幻覺風險。
從本質上來說，LLM無法產生訓練資料與語料庫以外的內容，也無法為生成內容提供精確的指數和參考參考。 QnA3採取的方式是Meta學習。 2020年，Meta研究人員透過引入RAG把與問題相關的事實上挖礦LLM的加工和學習，不僅結合了生成模型的先驗知識，也汲取了搜尋模型的即時性和內容的豐富性。
搜尋增強生成（RAG）技術原理 [2]
搜尋增強生成技術（RAG）包含搜尋、產生兩個階段。
搜尋系統（Retriever）：搜尋佇列包括需求編碼器（Query Encoder）和文件索引（Document Index）。使用兩個不同的BERT 模型將需求q 與文檔z 分別編碼為q(x) 和d(z)，其次使用最大內積搜尋演算法取得內積最大的文檔，將其與需求共同輸入生成部分。
生成系統（Generator）：此時，生成器根據搜尋器總結輸出最終答案。大模型會根據預測輸入下一個字的出現，並產生機率最大的單字。共有兩種方式計算生成機率：1） RAG-Sequence：使用同一個文檔預測，先確定文檔再計算候選詞機率；2）RAG-Token：使用不同的文檔預測，每個候選詞的機率為所有文檔的條件機率總和。
QnA3以RAG作為AI+Research的核心技術，憑藉團隊超過十年的數據經驗，以數據的理解和應用能力為基礎，在搜索能力、響應速度和數據源質量三項重要指標始終保持領先地位；採用RAG融合外部知識庫與模型先驗知識，外部知識庫豐富且易於更新的資料有效彌補了大模型資料滯後、此時幻覺較差的勢。
2）資產管理AI+交易=「具備Intent-Centric的AI Agent」
交易是所有Web3 世界居民繞不開的階段。 QnA3 基於Paradiam 提出的「以意圖為中心」（intent-centric）的概念，結合使用者與AI 互動的問題，得到了幾個洞見：
1）使用者意圖的建立是逐步的，但最初的意圖是模糊的，甚至是不準確的。
2）意圖的準確與否直接決定了使用者最終的體驗，而這很大程度上是由意圖的識別來決定的。
3）最終使用者配合的實作路徑越簡單快速安全越好。
主流科學界將與人類人工智慧的合作由初級到高級劃分為嵌入、副駕駛和代理清晰模式。在副駕駛模式下，工作由人類主導、部分任務初稿由人工智慧輔助完成，而在代理模式中，人工智慧充分發揮「智慧」，可以表現出更強的任務分割、工具選擇和細節控制能力，人類只需設定目標、提供資源並監督結果，工作的具體展開可由人工智慧代理全權交接，即「以道理為目標」中心」（以意圖為中心）。
「以意圖為中心」（intent-centric）實踐的系統框架，對OpenAI 安全團隊負責人Lilian Weng 曾提出，在基於大模型的自主代理系統中，LLM 作為核心控制器，充當AI Agent 的大腦，配備推理能力，而其他三個關鍵組件規劃、記憶和工具使用將賦予LLM執行更複雜任務的能力 [3]這與QnA3在實現Intent-Centric時設計AI Agent的思路不謀而合 [4]。
在完成資訊的管理工作後，QnA3上線的代幣技術面分析與交易功能，解決了用戶資訊與交易間跨產品，多操作的紛繁之苦。在獲取資訊後即時把握市場機會，並透過演算法選擇手續費最低，滑點最低，路徑最短，交易最安全的方式完成交易。
從近幾個月的使用者體驗與回饋來看，基於「意圖為中心」（intent-centric）而設計的QnA3 AI Agent 已經具備行動能力，能夠幫助使用者完成從資訊管理到資產管理的具體具體任務由此可見，ChatGPT 與QnA3 在文本理解和推理能力上都具有優異的表現，能夠對用戶提出的問題做出詳細解答，但在垂直模擬中QnA3透過RAG而更顯著的優勢，同時，已經具備行為能力的QnA3也能夠取代用戶實現AI+交易的「幫他做」。
3）權利管理AI+DePIN=「去中心化機器學習」
如果要進一步提升Web3的發展水平，目前市場存在一些基本意見：
1）必須引進更多的Web2用戶將其轉換；
2）必須與實體經濟建立連結。
2023年DePIN的成長對Web3生態系統產生了相當大的影響。隨著DePIN邊界的拓展，其展現出成為面向消費者的應用層的資質，類似於DeFi、遊戲和社交，具有大規模引入的潛力，可以推動對優質鍊或生態系統的消費者需求。
Pantera Capital 執行合夥人Paul Veradittkit 在其部落格中提到，DePIN 趨勢的成長也對去中心化治理產生了下游影響。目前大多數DAO，如Uniswap、Compound 和MakerDAO，幾乎都與數位或金融化資產有關隨著DePIN專案的成熟並逐步將治理交接給DAO，DAO協調增加購買、使用和維護實體設備（無論是伺服器、感測器還是硬碟）的需求將持續不斷。 DePIN可能成為一個趨勢，將DAO的治理權限從數位資產跨越實體資產，最終可能需要DAO運作並行為創立傳統公司，這可能是引人注目的「Web3」在「現實世界」中被採用的轉折點 [5]。
QnA3產品一發布，就以問答的形式作為連結Web2與Web3兩個世界的橋樑。在引進數十萬Web2用戶的同時，QnA3一直在不斷探索更多將兩個世界連結的方式。
受到DePIN熱潮的啟發，QnA3於近期推出資料挖礦完成功能，將去中心化的實體化設備的閒置算力用在AI模型訓練中，利用Web3世界的激勵機制為用戶提供被動收入，「用戶貢獻算力」 QnA3 一系列的AI+DePIN 方式將去中心化硬體層與社區所有的新數據經濟融合在一起。
Messari 視角下的DePIN 基本上是鏈下資料產生結合鏈上資料確認模組，核心是確權和規模效應，同時DePIN 有幾種模式，如自訂專用硬件，例如Helium；或專用督導層，將常用硬體轉換或加入為Web3 網絡，例如Render Network，將個人閒置GPU 群組網賣給他人 [6]。
AI+DePIN的三個關鍵因素分別是：
1）擴展性能能力：DePIN的硬體規格要求會影響算力提供者的數量和擴展速度；
2）採用便利性：減少難度是吸引更多算力提供者的關鍵；
3）代幣經濟學：為了相關者的利益而設計和調整代幣經濟學。
QnA3透過AI+DePIN的模式，借助使用者的力量來幫助其完成資料摘要與資料清理工作。同時，QnA3認為在硬體物權做權上，數據的價值必須被重視，人作為數據的主體需要新的數位權利，這才是DePIN背後的價值預警，並非脆弱的數據上鍊和代幣激勵。與實際業務結合，QnA3最終提出了去中心化機器學習的方向。 AI專案的發展永遠將面臨計算瓶頸以及缺乏協作的限制。將AI與DePIN結合，QnA3幸運能夠逐步解決這些問題。
現在嘗試QnA3 在去中心化機器學習應用場景下邁出的第一步，未來QnA3 還考慮推出硬體和桌面機器人等更多拳頭產品，從而構建起以AI 為核心，進行頭部研究，與DeFIN 進行交易的服務矩陣，以AI Agent為核心，形成了包含資訊管理、資產管理和權限管理的產品框架，滿足使用者全生命週期的全場景需求。
QnA3三大優勢
研究驅動
QnA3 是加密貨幣計畫裡厚積AI 研究實力的產品，QnA3 與美國史丹佛大學、加州大學柏克萊分校、西北大學等著名科研機構合作，近期將在頂尖期刊聯合發表學術論文。集齊OpenAI、Google DeepMind、 Meta、Apple、Nvidia等全明星陣容的技術顧問委員會。創始團隊主要基地在美國，來自騰訊、百度和國際知名投資銀行，在資料、AI和加密貨幣領域經驗豐富。
使用者導向
憑藉對使用者的理解和對市場的敏銳，產品上線半年的時間裡，QnA3已經實現了多個關鍵的版本迭代。特別是在更新間隙的時期，幾乎每週都會推出新的功能，每兩個月都會推出新的功能將會已經推出重要功能。資訊管理功能可以滿足概念問題、即時問題、推理問題、分析問題、交易問題、價格問題等不同場景的需求；資產管理功能識別用戶意圖並幫助用戶完成；權利管理功能即將上線未來逐步實現用戶的物權和人權的數位化管理；實現真正以使用者為中心的產品實踐。
功能創新
產品功能迭代速度快，每週一個小版本。兩個月一個大版本。從時間開發的線路看，從立項到產品上線，不足三個月，然後上線半年時間收穫900w用戶，覆蓋全球166個國家和地區，每日UAW接近200K，已經長居BNB鏈榜首。
QnA3的未來潛力
人機互動新方式
QnA3快速成長的使用者數量驗證了對話式搜尋引擎的剛性需求。在Web3垂直領域產品定位對標Google、ChatGPT等總部資料配備和場景卡位優勢，更容易實現AI Agent的場景閉環。
目前的人機互動方式主要以圖形介面和互動互動為主，但未來QnA3可以成為作業系統層級的入口，實現「對話即介面」的全新人機互動模式，或將帶來全新的軟體服務形式。
生產工具向生產力躍遷帶來商業化的龐大空間
AI既是基礎設施，也是生產力引擎，類似蒸汽機、電力、電腦和網路。在AI賦能下，群體應用軟體將由生產工具向生產力躍遷，涉及生產價值分配。而與QnA3類似的工具軟體將階梯從輔助人類提效的「生產工具」成為獨立的增量「生產率」，從而或能夠直接參與生產價值的分配。在AI應用未來能夠成為部分「生產力」的情況下，未來的模式從提高效率提升「抽成（採取率）」的角度來最小化其潛力所能實現的增量價值上限。
QnA3上線的Telegram機器人可以幫助KOL管理社群並在社群內實現問答、代幣分析和代幣交易，上線伊始便完成商業閉環。此外，QnA3也與媒體、交易所和培訓網站達成合作。 QnA3表示，這種生態樣本和抽成模式不同於交易所和交易機器人抽成的商業模式，他們本意的不是佣金，而是與用戶目標相同，成為利益共同體，從而參與增值收益的分配。
QnA3的兩個合作夥伴：OpenAI & Google
鄰近於OpenAI
QnA3 vs ChatGPT 具備以下核心優勢：
1）基礎數據與基礎知識壁壘
許多高價值、特定領域產業都依賴豐富的資料庫資料集。針對這些細分行業的人工智慧解決方案需要在這些數據上進行訓練。然而，擁有這些資料庫的實體將專注於保護其資料護城河，不太可能允許第三方無限制地存取這些資料庫以進行人工智慧訓練。因此，這些實體將在內部或透過特定的合作夥伴關係建立專門用於這些工作流程的專業人工智慧系統。這些系統將有別於一般的人工智慧模型。
2）資訊時效性強
ChatGPT等大模型只包含訓練時的資料和語料，後續資訊無法及時更新。 QnA3基於基礎傳統搜尋引擎開發而得，具備時效性強的優點。
3）易於溯源
QnA3產生的內容都在下方附有引用鏈接，在保證可靠性的同時基於用戶溯源或深入研究。
4）減弱幻覺
通用大模型的幻覺問題在精細化產業精細化的追求下是不精確的。 QnA3有獨特的資料篩選來源和機制篩選，透過多道流程來規避這個問題。
AI+研究與大模型技術對比
生成式AI語言理解與生成能力突出，但存在幻覺、數據缺乏即時性等劣勢。生成式AI（Generative AI）是一種基於AI技術的機器學習模型，它對海量訓練資料進行學習並根據其特徵生成與原始資料相似的全新內容，生成內容可以為圖像、視訊、音樂、語音和文本等。近年來電腦硬體效能的提升和預訓練技術的發展使生成式AI能力實現躍遷，以ChatGPT為代表的大型語言模型具備語言理解能力強大、多樣化生成能力等優點，被廣泛評價各行各業。但生成式AI無法實現即時更新，且建立在訓練資料上，可能無法覆蓋相對小眾、缺乏通用同時，生成式AI對生成內容的可控性螢光，存在「幻覺」問題，使用者也難以對答案進行直接驗證。
搜尋增強生成（RAG）融合外部知識與模型先驗知識，有效補充生成式AI缺陷。搜尋增強生成（Retrieval Augmentation Generation）由搜尋和產生兩個部分組成，首先在知識庫中根據需求召回最匹配的文檔內容，再作為提示詞輸入模型生成答案。
5）專業作為品質的核心
精細化行業的工作流程要求高品質，獎勵任何品質改進動作。任何精細化行業的人工智慧解決方案都需要不斷調整以提高品質。反應速度和反饋效率對於品質至關重要。通用模型本身的高相容性會導致品質的差距，可以想像如果火箭的人工智慧模型被GPT-4在這裡的通用模型代替，結果將是毀滅級的。這種品質差距必然導向專業化調整。
鄰近於Google
QnA3 vs Google 等傳統搜尋引擎具備以下核心優勢：
1）頁面大概，答案直接
輸入一個問題時，傳統搜尋引擎呈現多個並列鏈接，其中穿插大量廣告，而QnA3會結合最相關的鏈接直接生成精煉答案。提高資訊取得效率，減少關鍵字查詢、篩選、連結點擊和瀏覽頁面；讓Web3使用者在複雜的市場環境和大量資訊中直接了解事情的真相，並透過簡潔明了的個人化答案做出決定。
2）細分領域精細搜索
QnA3作為Web3知識庫和AI+研究工具，使用者在Web3垂類領域精確搜索，結果已足夠。
3）問題拆解與追問能力
基於大模型的理解能力，QnA3 可以對使用者提出逐步拆解並追問清楚，準確把控用戶需求。在Google中搜尋類型、原因的問題，谷歌都能應付自如。但涉及更複雜的問題，如「某代幣現發展階段值不值得購買」、「請針對XX代幣進行技術面分析」、「比較BTC與ETH的優劣」，QnA3顯然比Google會回答得更好，QnA3的引擎擁有更強大的理解問題、總結問題、拓展問題的能力，無疑會產生更強的競爭力。
4）回饋功能
QnA3生成回答後，使用者可以其準確性進行回饋，以強化學習的回饋機制幫助其進一步提升模型準確性。 QnA3以積分的方式與使用者進行鏈上互動。
在Web3領域，能做、和做得好，有很大的差異。 Google在其第一款搜尋產品之後，幾十年間的發展打造了主題Android、Gmail和Map的大型產品矩陣。 OpenAI在去年的開發者大會上也宣布推出GPT Sotre。現在Google市值1.7 兆美元，OpenAI 估值接近千億似乎。目前，QnA3 透過其核心產品在廣大Web3 用戶中證明了自己，從漫長發展上來看，QnA3 未來一定一定會在Cyrpto+AI這個領域添加上更加濃墨重彩的記號。
[1]《火炬，接口，橋樑與未來》https://reurl.cc/eL3Kvm
[2] Lewis, Patrick, et al. “知識密集型NLP 任務的檢索增強生成。”ArXiv abs/2005.11401 (2020): n. 頁。
[3]《LLM Powered Autonomous Agents》https://lilianweng.github.io/posts/2023-06-23-agent/ + 中金公司研究部
[4]《意圖之上，行為下方》https://reurl.cc/dL23dk
[5]《DePIN：去中心化硬體遇見新資料經濟》https://www.veradiverdict.com/p/depin?utm_source=profile&utm_medium=reader2
[6] 梅薩裡，《crypto-theses-for-2024》https://resources.messari.io/pdf/crypto-theses-for-2024.pdf
資訊來源：0x資訊編譯自網際網路。版權歸作者區塊律動BlockBeats所有，未經許可，不得轉載