تقرير بحثي متعمق (الجزء الثاني): تحليل حالة التكامل والمشهد التنافسي والفرص المستقبلية لصناعة بيانات الذكاء الاصطناعي و Web3

جذب ظهور GPT انتباه العالم إلى نماذج اللغة الكبيرة ، وتحاول جميع مناحي الحياة استخدام هذه “التكنولوجيا السوداء” لتحسين كفاءة العمل وتسريع تطوير الصناعة. أجرت Future3 Campus و Footprint Analytics دراسة متعمقة حول الإمكانيات اللانهائية للجمع بين الذكاء الاصطناعي و Web3 ، وأصدرتا بشكل مشترك تقريرا بحثيا بعنوان “تحليل حالة التكامل والمشهد التنافسي والفرص المستقبلية لصناعة بيانات الذكاء الاصطناعي و Web3”. ينقسم تقرير البحث إلى جزأين ، وهذه المقالة هي الجزء الثاني ، الذي حرره باحثو Future3 Campus شيري وهمفري.

موجز:

• يؤدي الجمع بين بيانات الذكاء الاصطناعي وWeb3 إلى زيادة كفاءة معالجة البيانات وتجربة المستخدم. في الوقت الحاضر ، يركز استكشاف LLM في صناعة بيانات blockchain بشكل أساسي على تحسين كفاءة معالجة البيانات من خلال التكنولوجيا الذكاء الاصطناعي ، وبناء وكلاء الذكاء الاصطناعي باستخدام المزايا التفاعلية ل LLMs ، واستخدام الذكاء الاصطناعي للتسعير وتحليل استراتيجية التداول.
• في الوقت الحاضر ، لا يزال تطبيق الذكاء الاصطناعي في مجال بيانات Web3 يواجه بعض التحديات ، مثل الدقة وقابلية التفسير والتسويق وما إلى ذلك. لا يزال هناك طريق طويل لنقطعه قبل أن يتم استبدال التدخل البشري بالكامل.
• لا تكمن القدرة التنافسية الأساسية لشركات بيانات Web3 في التكنولوجيا الذكاء الاصطناعي نفسها فحسب ، بل تكمن أيضا في قدرات تراكم البيانات والتحليل المتعمق وقدرات تطبيق البيانات.
• قد لا يكون الذكاء الاصطناعي هو الحل لمشكلة تسويق منتجات البيانات على المدى القصير ، وسيتطلب التسويق المزيد من جهود الإنتاج.

** الوضع الحالي ومسار التطوير للجمع بين صناعة بيانات Web3 و الذكاء الاصطناعي **

1.1 الكثبان الرملية

تعد Dune حاليا مجتمع تحليلات البيانات المفتوحة الرائد في صناعة Web3 ، حيث توفر أدوات blockchain للاستعلام عن كميات كبيرة من البيانات واستخراجها وتصورها ، مما يسمح للمستخدمين وخبراء تحليل البيانات بالاستعلام عن البيانات على السلسلة من قاعدة بيانات Dune المملوءة مسبقا باستخدام استعلامات SQL البسيطة وتشكيل المخططات والآراء المقابلة.

في مارس 2023 ، قدمت Dune خططا الذكاء الاصطناعي ومستقبل دمج LLMs ، وفي أكتوبر أصدرت منتج Dune الذكاء الاصطناعي. ** ينصب التركيز الأساسي للمنتجات المتعلقة ب Dune الذكاء الاصطناعي على زيادة Wizard UX بالقدرات اللغوية والتحليلية القوية ل LLMs لتزويد المستخدمين بشكل أفضل باستعلامات البيانات وكتابة SQL على Dune **.

(1) تفسير الاستعلام: يسمح المنتج الذي تم إصداره في مارس للمستخدمين بالحصول على تفسيرات باللغة الطبيعية لاستعلامات SQL بالنقر فوق الزر ، والذي تم تصميمه لمساعدة المستخدمين على فهم استعلامات SQL المعقدة بشكل أفضل ، وبالتالي تحسين كفاءة ودقة تحليل البيانات.

(2) ترجمة الاستعلام: تخطط Dune لترحيل محركات استعلام SQL مختلفة (مثل Postgres و Spark SQL) على Dune إلى DuneSQL ، بحيث يمكن ل LLMs توفير إمكانات ترجمة لغة الاستعلام الآلي لمساعدة المستخدمين على إجراء انتقال أفضل وتسهيل تنفيذ منتجات DuneSQL.

(3) استعلام اللغة الطبيعية: Dune الذكاء الاصطناعي ، الذي تم إصداره في أكتوبر. يسمح للمستخدمين بطرح الأسئلة والحصول على البيانات بلغة إنجليزية بسيطة. الهدف من هذه الميزة هو تسهيل الأمر على المستخدمين الذين لا يحتاجون إلى معرفة SQL للوصول إلى البيانات وتحليلها.

(4) تحسين البحث: تخطط Dune لاستخدام LLMs لتحسين قدرات البحث ومساعدة المستخدمين على تصفية المعلومات بشكل أكثر فعالية.

(5) قاعدة معارف المعالج: تخطط Dune لإصدار روبوت محادثة لمساعدة المستخدمين على التنقل بسرعة في معرفة blockchain و SQL في وثائق Spellbook و Dune.

(6) تبسيط كتابة SQL (Dune Wand) :D أطلقت une سلسلة Wand من أدوات SQL في أغسطس. يتيح Create Wand للمستخدمين إنشاء استعلامات كاملة من مطالبات اللغة الطبيعية ، ويسمح Edit Wand للمستخدمين بإجراء تعديلات على الاستعلامات الموجودة ، وتقوم ميزة Debug تلقائيا بتصحيح أخطاء بناء الجملة في الاستعلامات. في قلب هذه الأدوات توجد تقنية LLM ، التي تبسط عملية كتابة الاستعلام وتسمح للمحللين بالتركيز على المنطق الأساسي لتحليل البيانات دون الحاجة إلى القلق بشأن التعليمات البرمجية وبناء الجملة.

1.2 تحليلات البصمة

Footprint Analytics هو مزود لحلول بيانات blockchain يوفر نظاما أساسيا لتحليل البيانات بدون تعليمات برمجية ، ومنتج واجهة برمجة تطبيقات بيانات موحد ، و Footprint Growth Analytics ، وهي منصة BI لمشاريع Web3 ، بمساعدة تقنية الذكاء الاصطناعي.

تكمن ميزة Footprint في إنشاء خط إنتاج البيانات على السلسلة والأدوات البيئية ، وإنشائها لبحيرة بيانات موحدة لفتح قاعدة البيانات الوصفية للبيانات على السلسلة وخارجها والتسجيل الصناعي والتجاري على السلسلة ، وذلك لضمان إمكانية الوصول وسهولة الاستخدام وجودة البيانات عند تحليل المستخدمين واستخدامها. ستركز استراتيجية Footprint طويلة الأجل على عمق التكنولوجيا وبناء المنصة لإنشاء “مصنع آلة” قادر على إنتاج البيانات والتطبيقات على السلسلة.

** يتم دمج منتجات البصمة مع الذكاء الاصطناعي على النحو التالي: **

منذ إطلاق نموذج LLM ، تستكشف Footprint مزيجا من منتجات البيانات الحالية الذكاء الاصطناعي لتحسين كفاءة معالجة البيانات وتحليلها وإنشاء منتج أكثر سهولة في الاستخدام. في مايو 2023 ، بدأت Footprint في تزويد المستخدمين بقدرات تحليل البيانات للتفاعل باللغة الطبيعية ، وتمت ترقيتها إلى ميزات المنتج المتطورة على أساس عدم وجود رمز أصلي ، مما يسمح للمستخدمين بالحصول بسرعة على البيانات وإنشاء المخططات من خلال المحادثات دون التعرف على جداول النظام الأساسي وتصميمه.

بالإضافة إلى ذلك ، تركز منتجات بيانات LLM + Web3 الحالية في السوق بشكل أساسي على حل مشاكل خفض عتبة استخدام المستخدم وتغيير نموذج التفاعل ، وتركيز Footprint في تطوير المنتجات الذكاء الاصطناعي ليس فقط لمساعدة المستخدمين على حل مشكلة تحليل البيانات وتجربة المستخدم ، ولكن أيضا لتسريع البيانات الرأسية وفهم الأعمال في مجال التشفير ، وكذلك تدريب نماذج اللغة في مجال التشفير لتحسين كفاءة ودقة تطبيقات المشهد الرأسي. ستنعكس نقاط قوة البصمة في هذا الصدد في المجالات التالية:

• كمية البيانات المعرفية (نوعية وكمية قاعدة المعرفة). كفاءة تراكم البيانات ومصدرها وكميتها وفئتها. على وجه الخصوص ، يجسد المنتج الفرعي Footprint MetaMosaic تراكم الرسوم البيانية للعلاقة والبيانات الثابتة لمنطق أعمال محدد.
• عمارة المعرفة. جمعت Footprint أكثر من 30 سلسلة عامة ، وجداول بيانات منظمة مجردة حسب قسم الأعمال. يمكن أن تؤدي معرفة عملية الإنتاج من البيانات الأولية إلى البيانات المنظمة بدورها إلى تعزيز فهم البيانات الأولية وتدريب النماذج بشكل أفضل.
• نوع البيانات. هناك فجوة كبيرة في كفاءة التدريب وتكلفة الماكينة من تدريب البيانات الخام غير القياسية وغير المهيكلة على السلسلة ، وكذلك من التدريب على جداول ومقاييس البيانات المنظمة وذات المغزى التجاري. مثال نموذجي هو الحاجة إلى توفير المزيد من البيانات إلى LLM ، الأمر الذي يتطلب بيانات أكثر قابلية للقراءة ومنظمة بالإضافة إلى البيانات المهنية القائمة على مجال التشفير ، وعدد أكبر من المستخدمين كبيانات ردود الفعل.
• بيانات تدفق الأموال المشفرة. تستخلص البصمة بيانات تدفق رأس المال المرتبطة ارتباطا وثيقا بالاستثمار ، والتي تتضمن الوقت والموضوع (بما في ذلك التدفق) ونوع الرمز المميز والمبلغ (سعر الرمز المميز في النقطة الزمنية المرتبطة) ونوع العمل وعلامات الرموز والكيانات ، والتي يمكن استخدامها كقاعدة معرفية ومصدر بيانات ل LLM لتحليل الأموال الرئيسية للرموز المميزة ، وتحديد موقع توزيع الرقائق ، ومراقبة تدفق الأموال ، وتحديد التغييرات على السلسلة ، وتتبع الأموال الذكية ، وما إلى ذلك.
• حقن البيانات الخاصة. تقسم البصمة النموذج إلى ثلاث طبقات ، إحداها هي النموذج الأساسي مع المعرفة العالمية (OpenAI والنماذج الأخرى مفتوحة المصدر) ، والنموذج الرأسي للمجالات المقسمة ، ونموذج معرفة الخبراء الشخصي. يسمح للمستخدمين بتوحيد قواعد معارفهم من مصادر مختلفة على Footprint للإدارة ، واستخدام البيانات الخاصة لتدريب LLMs الخاصة ، وهو مناسب لسيناريوهات التطبيقات الأكثر تخصيصا.

في استكشاف البصمة جنبا إلى جنب مع نموذج LLM ، تمت أيضا مواجهة سلسلة من التحديات والمشاكل ، وأكثرها شيوعا هي الرموز غير الكافية ، والمطالبات التي تستغرق وقتا طويلا ، والإجابات غير المستقرة. التحدي الأكبر الذي يواجهه المجال الرأسي للبيانات على السلسلة حيث توجد البصمة هو أن هناك العديد من أنواع كيانات البيانات على السلسلة ، وعدد كبير منها ، والتغيرات السريعة ، والشكل الذي يتم إطعامها إلى LLMs يتطلب المزيد من البحث والاستكشاف من قبل الصناعة بأكملها. لا تزال سلسلة الأدوات الحالية مبكرة نسبيا ، وهناك حاجة إلى المزيد من الأدوات لحل بعض المشكلات المحددة.

يشمل مستقبل تكامل Footprint مع الذكاء الاصطناعي في التكنولوجيا والمنتجات ما يلي:

(1) من حيث التكنولوجيا ، سيتم استكشاف البصمة وتحسينها في ثلاثة جوانب بالاشتراك مع نموذج LLM

• دعم LLM للاستدلال على البيانات المنظمة ، بحيث يمكن تطبيق كمية كبيرة من البيانات المنظمة والمعرفة في المجال المشفر على استهلاك البيانات وإنتاج LLM.
• ساعد المستخدمين على بناء قاعدة معرفية مخصصة (بما في ذلك المعرفة والبيانات والخبرة) ، واستخدام البيانات الخاصة لتحسين قدرة LLMs المشفرة المحسنة ، بحيث يمكن للجميع بناء نماذجهم الخاصة.
• من خلال التحليل بمساعدة الذكاء الاصطناعي وإنتاج المحتوى ، يمكن للمستخدمين إنشاء GPT الخاص بهم من خلال الحوار ، جنبا إلى جنب مع بيانات تدفق الأموال وقاعدة المعرفة الخاصة ، لإنتاج ومشاركة محتوى الاستثمار في العملات المشفرة.

(2) فيما يتعلق بالمنتجات ، ستركز Footprint على استكشاف تطبيق منتجات الذكاء الاصطناعي وابتكار نماذج الأعمال. وفقا لخطة الترويج الأخيرة لشركة Footprint للمنتج ، ستطلق منصة الذكاء الاصطناعي لتوليد محتوى التشفير ومشاركته للمستخدمين.

بالإضافة إلى ذلك ، من أجل توسيع الشركاء المستقبليين ، سوف تستكشف Footprint الجانبين التاليين:

أولا ، تعزيز التعاون مع KOLs للمساعدة في إنتاج محتوى قيم ، وتشغيل المجتمع ، وتحقيق الدخل من المعرفة.

ثانيا، توسيع المزيد من أطراف المشاريع التعاونية ومقدمي البيانات، وإنشاء حافز مستخدم مفتوح ومربح للجانبين وتعاون في مجال البيانات، وإنشاء منصة خدمة بيانات شاملة متبادلة المنفعة ومربحة للجانبين.

1.3 جو بلس سيكيوريتيغوبلس

تعد GoPlus Security حاليا البنية التحتية الرائدة لأمن المستخدم في صناعة Web3 ، حيث توفر مجموعة متنوعة من خدمات الأمان التي تواجه المستخدم. في الوقت الحاضر ، تم دمجه مع المحافظ الرقمية السائدة ومواقع السوق و Dex والعديد من تطبيقات Web3 الأخرى في السوق. يمكن للمستخدمين استخدام ميزات الحماية الأمنية المختلفة مباشرة مثل اكتشاف أمان الأصول وتفويض النقل ومكافحة التصيد الاحتيالي. توفر GoPlus حلول أمان المستخدم التي تغطي دورة حياة أمان المستخدم بالكامل لحماية أصول المستخدم من أنواع مختلفة من المهاجمين.

تطوير وتخطيط GoPlus و الذكاء الاصطناعي هي كما يلي:

ينعكس استكشاف GoPlus الرئيسي في تقنية الذكاء الاصطناعي في منتجيها: الكشف الآلي الذكاء الاصطناعي ومساعد أمان الذكاء الاصطناعي:

(1) الكشف التلقائي الذكاء الاصطناعي

منذ عام 2022 ، طورت GoPlus محرك الكشف الآلي الخاص بها القائم على الذكاء الاصطناعي لتحسين كفاءة ودقة الكشف الأمني بشكل شامل. يستخدم محرك أمان GoPlus نهجا متعدد الطبقات وقمعيا لاكتشاف التعليمات البرمجية الثابتة والكشف الديناميكي واكتشاف الميزات أو السلوك. تسمح عملية الكشف المركبة هذه للمحرك بتحديد وتحليل خصائص العينات التي يحتمل أن تكون خطرة بشكل فعال لنمذجة أنواع وسلوكيات الهجوم بشكل فعال. تعد هذه النماذج أساسية لتحديد المحرك للتهديدات الأمنية ومنعها ، وهي تساعد المحرك على تحديد ما إذا كانت عينة المخاطر لها بعض توقيعات الهجوم المحددة. بالإضافة إلى ذلك ، بعد فترة طويلة من التكرار والتحسين ، جمع محرك الأمان GoPlus ثروة من البيانات والخبرات الأمنية ، ويمكن لبنيته الاستجابة بسرعة وفعالية للتهديدات الأمنية الناشئة ، وضمان إمكانية اكتشاف العديد من الهجمات المعقدة والجديدة وحظرها في الوقت المناسب ، ويمكن حماية المستخدمين بطريقة شاملة. في الوقت الحاضر ، يستخدم المحرك خوارزميات وتقنيات متعلقة الذكاء الاصطناعي في سيناريوهات أمان متعددة مثل اكتشاف العقود الخطرة ، واكتشاف موقع التصيد الاحتيالي ، واكتشاف العناوين الضارة ، واكتشاف المعاملات المحفوفة بالمخاطر. من ناحية أخرى ، فإنه يقلل من تعقيد وتكلفة الوقت للمشاركة اليدوية ، ويحسن دقة الحكم على عينة المخاطر ، خاصة بالنسبة للسيناريوهات الجديدة التي يصعب تحديدها يدويا أو يصعب تحديدها بواسطة المحركات ، الذكاء الاصطناعي يمكنها تجميع الميزات بشكل أفضل وتشكيل طرق تحليل أكثر فعالية **.

في عام 2023 ، مع تطور النماذج الكبيرة ، سرعان ما تكيفت GoPlus واعتمدت LLMs. بالمقارنة مع خوارزميات الذكاء الاصطناعي التقليدية ، فإن LLMs أكثر كفاءة وفعالية بشكل ملحوظ في تحديد البيانات ومعالجتها وتحليلها. في اتجاه اختبار الزغب الديناميكي ، تستخدم GoPlus تقنية LLM لإنشاء تسلسل معاملات بشكل فعال واستكشاف حالات أعمق لاكتشاف مخاطر العقد.

(2) مساعد أمن الذكاء الاصطناعي

تعمل GoPlus أيضا على تطوير الذكاء الاصطناعي مساعدي الأمن الذين يستفيدون من قدرات معالجة اللغة الطبيعية القائمة على LLM لتقديم استشارات أمنية فورية وتحسين تجربة المستخدم. استنادا إلى نموذج GPT الكبير ، طور مساعد الذكاء الاصطناعي مجموعة من وكلاء أمان المستخدم المطورين ذاتيا من خلال إدخال بيانات الأعمال الأمامية ، والتي يمكنها تلقائيا تحليل وإنشاء الحلول وتفكيك المهام وتنفيذها وفقا للمشاكل ، وتزويد المستخدمين بخدمات الأمان التي يحتاجون إليها. يعمل مساعدو الذكاء الاصطناعي على تبسيط التواصل بين المستخدمين ومشكلات الأمان ، مما يقلل من حاجز الفهم.

فيما يتعلق بوظائف المنتج ، نظرا لأهمية الذكاء الاصطناعي في مجال الأمن ، فإن الذكاء الاصطناعي لديه القدرة على تغيير هيكل محركات الأمان الحالية أو محركات مكافحة الفيروسات بالكامل في المستقبل ، وستظهر بنية محرك جديدة مع الذكاء الاصطناعي كجوهر. ستواصل GoPlus تدريب وتحسين نماذج الذكاء الاصطناعي الخاصة بها لتحويل الذكاء الاصطناعي من أداة مساعدة إلى الوظائف الأساسية لمحرك الكشف الأمني الخاص بها.

فيما يتعلق بنموذج الأعمال ، على الرغم من أن خدمات GoPlus مخصصة حاليا بشكل أساسي للمطورين وأطراف المشروع ، إلا أن الشركة تستكشف المزيد من المنتجات والخدمات مباشرة لمستخدمي C-end ، بالإضافة إلى نماذج الإيرادات الجديدة المتعلقة ب الذكاء الاصطناعي. ** سيكون توفير خدمات C-end فعالة ودقيقة ومنخفضة التكلفة هو القدرة التنافسية الأساسية ل GoPlus في المستقبل **. سيتطلب ذلك من الشركات مواصلة البحث والقيام بمزيد من التدريب والمخرجات على نماذج الذكاء الاصطناعي الكبيرة التي تتفاعل مع المستخدمين. وفي الوقت نفسه، ستتعاون GoPlus أيضا مع فرق أخرى لمشاركة بياناتها الأمنية ودفع التطبيقات الذكاء الاصطناعي في مجال الأمن من خلال التعاون للتحضير للتغييرات المستقبلية المحتملة في الصناعة.

** 1.4 مختبرات تراستا **

تأسست Trusta Labs في عام 2022 ، وهي شركة ناشئة للبيانات تعمل بنظام الذكاء الاصطناعي في مساحة Web3. تركز Trusta Labs على المعالجة الفعالة والتحليل الدقيق لبيانات blockchain باستخدام تقنية الذكاء الاصطناعي المتقدمة لبناء سمعة على السلسلة والبنية التحتية الأمنية ل blockchain. حاليا ، تتكون أعمال Trusta Labs من منتجين رئيسيين: TrustScan و TrustGo.

(1) TrustScan ، TrustScan هو منتج مصمم لعملاء B-end ، ويستخدم بشكل أساسي لمساعدة مشاريع Web3 على تحليل سلوك المستخدم على السلسلة وتحسين الطبقات من حيث اكتساب المستخدم ونشاط المستخدم والاحتفاظ بالمستخدم ، وذلك لتحديد المستخدمين ذوي القيمة العالية والحقيقيين.

(2) يوفر TrustGo ، وهو منتج لعملاء C-end ، أداة تحليل MEDIA يمكنها تحليل وتقييم العناوين على السلسلة من خمسة أبعاد (مبلغ الصندوق ، والنشاط ، والتنوع ، وحقوق الهوية ، والولاء) ، ويؤكد المنتج على التحليل المتعمق للبيانات على السلسلة لتحسين جودة وأمن قرارات المعاملات.

فيما يلي تطوير وتخطيط مختبرات Trusta Labs و الذكاء الاصطناعي:

في الوقت الحاضر ، يستخدم منتجا Trusta Labs نماذج الذكاء الاصطناعي لمعالجة وتحليل بيانات التفاعل للعناوين على السلسلة. البيانات السلوكية لتفاعلات العنوان على blockchain هي سلسلة من البيانات ، وهي مناسبة جدا لتدريب نماذج الذكاء الاصطناعي. في عملية تنظيف البيانات على السلسلة وتنظيمها ووضع العلامات عليها ، تسلم Trusta Labs الكثير من العمل إلى الذكاء الاصطناعي ، مما يحسن بشكل كبير من جودة وكفاءة معالجة البيانات ، مع تقليل الكثير من تكاليف العمالة أيضا. تستخدم Trusta Labs تقنية الذكاء الاصطناعي لإجراء تحليل متعمق واستخراج بيانات تفاعل العنوان على السلسلة ، والتي يمكن أن تحدد بشكل فعال عنوان Witch الأكثر احتمالا لعملاء B-end. تمكنت Tursta Labs من منع هجمات Sybil المحتملة في عدد من المشاريع التي استخدمت منتجات Tursta Labs ، وبالنسبة لعملاء C-end ، استفادت TrustGo من نماذج الذكاء الاصطناعي الحالية لمساعدة المستخدمين على اكتساب نظرة ثاقبة لبيانات سلوكهم على السلسلة.

تتابع Trusta Labs عن كثب التقدم التقني وممارسات التطبيق لنماذج LLM. مع استمرار انخفاض تكلفة التدريب على النموذج والاستدلال ، بالإضافة إلى تراكم كمية كبيرة من بيانات سلوك المستخدم في مجال Web3 ، ستبحث Trusta Labs عن الوقت المناسب لتقديم تقنية LLM واستخدام إنتاجية الذكاء الاصطناعي لتوفير قدرات أعمق لاستخراج البيانات وتحليلها للمنتجات والمستخدمين. على أساس البيانات الوفيرة التي قدمتها بالفعل Trusta Labs ، من المأمول أن يتم استخدام نموذج التحليل الذكي الذكاء الاصطناعي لتوفير وظائف تفسير بيانات أكثر منطقية وموضوعية لنتائج البيانات ، مثل توفير تفسير نوعي وكمي لتحليل حساب Sybil الذي تم التقاطه لمستخدمي B-end ، بحيث يمكن للمستخدمين فهم تحليل الأسباب الكامنة وراء البيانات بشكل أفضل ، وفي الوقت نفسه ، يمكن أن يوفر دعما ماديا أكثر تفصيلا لمستخدمي B-end عندما يشتكون ويشرحون لعملائهم.

من ناحية أخرى ، تخطط Trusta Labs أيضا لاستخدام نماذج LLM مفتوحة المصدر أو ناضجة والجمع بين مفاهيم التصميم التي تركز على المقاصد لبناء وكلاء الذكاء الاصطناعي لمساعدة المستخدمين على حل مشاكل التفاعل على السلسلة بسرعة وكفاءة أكبر. فيما يتعلق بسيناريوهات التطبيق المحددة ، في المستقبل ، من خلال المساعد الذكي الذكاء الاصطناعي Agent استنادا إلى تدريب LLM المقدم من Trusta Labs ، يمكن للمستخدمين التواصل مع المساعد الذكي مباشرة من خلال اللغة الطبيعية ، ويمكن للمساعد الذكي “بذكاء” معلومات التغذية الراجعة المتعلقة بالبيانات الموجودة على السلسلة ، وتقديم اقتراحات وخطط لعمليات المتابعة بناء على المعلومات المقدمة ، وتحقيق عملية ذكية وقفة واحدة تتمحور حول نية المستخدم ، مما يقلل بشكل كبير من عتبة المستخدمين لاستخدام البيانات ، ويبسط تنفيذ العمليات على السلسلة.

بالإضافة إلى ذلك ، تعتقد Trusta أنه مع ظهور المزيد والمزيد من منتجات البيانات القائمة على الذكاء الاصطناعي في المستقبل ، قد لا يكون العامل التنافسي الأساسي لكل منتج هو نموذج LLM المستخدم ، ولكن العامل التنافسي الرئيسي هو فهم وتفسير أعمق للبيانات التي تم إتقانها بالفعل. استنادا إلى تحليل البيانات المتقنة ، جنبا إلى جنب مع نماذج LLM ، يمكن تدريب المزيد من نماذج الذكاء الاصطناعي “الذكية”.

1.5 0xScope

0xScope ، التي تأسست في عام 2022 ، هي عبارة عن منصة ابتكار تتمحور حول البيانات وتركز على الجمع بين تقنية blockchain والذكاء الاصطناعي. يهدف 0xScope إلى تغيير الطريقة التي يعالج بها الأشخاص البيانات ويستخدمونها وينظرون إليها. 0xScope متاح حاليا لعملاء الجانب B و C: منتجات 0xScope SaaS و 0xScopescan.

(1) منتجات 0xScope SaaS ، وهي حل SaaS للمؤسسات ، تمكن عملاء المؤسسات من إجراء إدارة ما بعد الاستثمار ، واتخاذ قرارات استثمارية أفضل ، وفهم سلوك المستخدم ، ومراقبة الديناميات التنافسية عن كثب.

و (2) 0xScopescan ، منتج B2C يسمح لمتداولي العملات المشفرة بالتحقيق في تدفق ونشاط الأموال على سلاسل الكتل المحددة.

ينصب تركيز أعمال 0xScope على استخدام البيانات على السلسلة لتجريد نموذج بيانات مشترك ، وتبسيط تحليل البيانات على السلسلة ، وتحويل البيانات على السلسلة إلى بيانات تشغيلية مفهومة على السلسلة ، وذلك لمساعدة المستخدمين على إجراء تحليل متعمق للبيانات على السلسلة **. باستخدام منصة أداة البيانات التي توفرها 0xScope ، لا يمكنها فقط تحسين جودة البيانات على السلسلة ، واستخراج المعلومات المخفية للبيانات ، وذلك للكشف عن المزيد من المعلومات للمستخدمين ، ولكن أيضا تقليل عتبة استخراج البيانات بشكل كبير.

تطوير وتخطيط 0xScope و الذكاء الاصطناعي هي كما يلي:

تتم ترقية منتجات 0xScope بالاقتران مع الطرز الكبيرة، والتي تتضمن اتجاهين: أولا، زيادة تقليل عتبة المستخدمين من خلال تفاعل اللغة الطبيعية، وثانيا، استخدام نماذج الذكاء الاصطناعي لتحسين كفاءة المعالجة في تنظيف البيانات وتحليلها ونمذجتها وتحليلها. في الوقت نفسه ، ستطلق منتجات 0xScope قريبا وحدة تفاعلية الذكاء الاصطناعي مع وظيفة الدردشة ، مما سيقلل بشكل كبير من عتبة المستخدمين للاستعلام عن البيانات وتحليلها ، والتفاعل والاستعلام مع البيانات الأساسية فقط من خلال اللغة الطبيعية.

ومع ذلك ، في عملية التدريب واستخدام الذكاء الاصطناعي ، وجدت 0xScope أنها لا تزال تواجه التحديات التالية: أولا ، كانت تكلفة وتكلفة الوقت للتدريب الذكاء الاصطناعي مرتفعة. بعد طرح سؤال ، يستغرق الذكاء الاصطناعي وقتا طويلا للرد **. نتيجة لذلك ، تجبر هذه الصعوبة الفرق على تبسيط العمليات التجارية والتركيز عليها والتركيز على الأسئلة والأجوبة الرأسية ، بدلا من جعلها مساعدة فائقة الذكاء الاصطناعي شاملة. ثانيا ، إخراج نموذج LLM لا يمكن السيطرة عليه. ** تأمل منتجات البيانات في إعطاء نتائج دقيقة ، ولكن من المرجح أن تكون النتائج التي يقدمها نموذج LLM الحالي مختلفة عن الوضع الفعلي ، وهو أمر قاتل للغاية لتجربة منتجات البيانات. بالإضافة إلى ذلك ، قد يتضمن ناتج النموذج الكبير البيانات الخاصة للمستخدم. لذلك ، عند استخدام نمط LLM في المنتج ، يحتاج الفريق إلى تقييده إلى حد كبير بحيث يمكن التحكم في إخراج نموذج الذكاء الاصطناعي ودقته.

في المستقبل ، تخطط 0xScope لاستخدام الذكاء الاصطناعي للتركيز على مسارات رأسية محددة وتعميق زراعتها. في الوقت الحالي ، استنادا إلى تراكم كمية كبيرة من البيانات على السلسلة ، يمكن ل ** 0xScope تحديد هوية المستخدمين على السلسلة ، وسيستمر في استخدام أدوات الذكاء الاصطناعي لتجريد سلوك المستخدم على السلسلة ، ثم إنشاء نظام نمذجة بيانات فريد ، يتم من خلاله الكشف عن المعلومات المخفية للبيانات على السلسلة **.

فيما يتعلق بالتعاون ، سيركز 0xScope على نوعين من المجموعات: الفئة الأولى ، والكائنات التي يمكن للمنتج أن يخدمها مباشرة ، مثل المطورين ، وأطراف المشروع ، VC ، والتبادلات ، وما إلى ذلك ، والتي تحتاج إلى البيانات التي يوفرها المنتج الحالي ، والفئة الثانية ، الشركاء الذين يحتاجون إلى الذكاء الاصطناعي Chat ، مثل Debank و Chainbase وما إلى ذلك ، يحتاجون فقط إلى المعرفة والبيانات ذات الصلة للاتصال مباشرة ب الذكاء الاصطناعي Chat.

**VC البصيرة - التسويق والتطوير المستقبلي لشركات بيانات الذكاء الاصطناعي + Web3 **

من خلال مقابلات مع 4 من كبار المستثمرين VC ، سينظر هذا القسم في الوضع الحالي وتطور صناعة بيانات الذكاء الاصطناعي + Web3 ، والقدرة التنافسية الأساسية لشركات بيانات Web3 ، ومسار التسويق المستقبلي من منظور الاستثمار والسوق.

** 2.1 الوضع الحالي وتطور صناعة بيانات الذكاء الاصطناعي + Web3 **

في الوقت الحاضر ، فإن الجمع بين بيانات الذكاء الاصطناعي و Web3 في مرحلة الاستكشاف النشط ، ومن منظور اتجاه التطوير للعديد من شركات بيانات Web3 الرائدة ، فإن الجمع بين التكنولوجيا الذكاء الاصطناعي و LLM هو اتجاه لا غنى عنه. ولكن في الوقت نفسه ، فإن LLMs لها قيودها التقنية الخاصة ولا يمكنها حل العديد من مشاكل صناعة البيانات الحالية.

لذلك ، نحتاج إلى إدراك أنه ليس من الضروري الجمع بشكل أعمى مع الذكاء الاصطناعي لتعزيز فوائد المشروع ، أو استخدام مفاهيم الذكاء الاصطناعي للضجيج ، ولكن لاستكشاف مجالات التطبيق العملية والواعدة حقا. من منظور VC ، تم استكشاف الجمع بين بيانات الذكاء الاصطناعي و Web3 في الجوانب التالية:

(1) تحسين قدرات منتجات بيانات Web3 من خلال التكنولوجيا الذكاء الاصطناعي ، بما في ذلك التكنولوجيا الذكاء الاصطناعي لمساعدة المؤسسات على تحسين كفاءة معالجة البيانات الداخلية وتحليلها ، وبالتالي تحسين القدرة على تحليل واسترجاع منتجات بيانات المستخدمين تلقائيا. ** على سبيل المثال ، ذكر Yuxing من SevenX Ventures أن المساعدة الرئيسية لاستخدام تقنية الذكاء الاصطناعي لبيانات Web3 هي الكفاءة ، مثل استخدام Dune لنماذج LLM للكشف عن شذوذ الكود وتحويل اللغة الطبيعية لإنشاء SQL لفهرسة المعلومات ؛ تم تصنيف النموذج مسبقا بالبيانات ، والتي يمكن أن توفر الكثير من تكاليف العمالة. ومع ذلك ، يتفق VC على أن الذكاء الاصطناعي يلعب دورا مساعدا في تحسين قدرات وكفاءة منتجات بيانات Web3 ، مثل التعليق التوضيحي المسبق للبيانات ، والذي قد يتطلب في النهاية مراجعة بشرية لضمان الدقة. **

(2) استخدم مزايا LLM في القدرة على التكيف والتفاعل لبناء وكيل / روبوت الذكاء الاصطناعي. ** على سبيل المثال ، يتم استخدام نماذج اللغة الكبيرة لاسترداد البيانات من Web3 بالكامل ، بما في ذلك البيانات على السلسلة وبيانات الأخبار خارج السلسلة ، لتجميع المعلومات وتحليل الرأي العام. يعتقد هاربر من Hashkey Capital أن هذا النوع من وكلاء الذكاء الاصطناعي أكثر ميلا إلى التكامل والتوليد والتفاعل مع المستخدمين ، وسيكون ضعيفا نسبيا من حيث دقة المعلومات وكفاءتها.

على الرغم من وجود العديد من حالات تطبيق الجانبين المذكورين أعلاه ، إلا أن التكنولوجيا والمنتجات لا تزال في المرحلة المبكرة من الاستكشاف ، لذلك من الضروري تحسين التكنولوجيا باستمرار وتحسين المنتجات في المستقبل.

(3) استخدام الذكاء الاصطناعي للتسعير وتحليل استراتيجية التداول: في الوقت الحاضر ، هناك مشاريع في السوق تستخدم تقنية الذكاء الاصطناعي لتقدير سعر NFTs ، مثل NFTGo المستثمرة من قبل Qiming Venture Partners ، وتستخدم بعض فرق التداول المحترفة الذكاء الاصطناعي لتحليل البيانات وتنفيذ المعاملات. بالإضافة إلى ذلك ، أصدر Ocean Protocol مؤخرا تنبؤا بالسعر الذكاء الاصطناعي المنتج. قد يبدو هذا النوع من المنتجات خياليا ، لكنه لا يزال بحاجة إلى التحقق من حيث قبول المنتج وقبول المستخدم وخاصة الدقة.

من ناحية أخرى ، سيولي العديد من VC ، وخاصة أولئك الذين استثمروا في Web2 VC مزيدا من الاهتمام للمزايا وسيناريوهات التطبيق التي يمكن أن تجلبها تقنية Web3 و blockchain إلى التكنولوجيا الذكاء الاصطناعي. قد يكون الانفتاح وإمكانية التحقق واللامركزية في blockchain ، بالإضافة إلى قدرة التشفير على توفير حماية الخصوصية ، إلى جانب إعادة تشكيل Web3 لعلاقات الإنتاج ، قادرا على جلب بعض الفرص الجديدة إلى الذكاء الاصطناعي:

(1) الذكاء الاصطناعي تأكيد ملكية البيانات والتحقق منها. أدى ظهور الذكاء الاصطناعي إلى انتشار توليد محتوى البيانات ورخيصا. ** ذكر تانغ يي من Qiming Venture Partners أنه من الصعب تحديد جودة ومنشئ المحتوى مثل الأعمال الرقمية. في هذا الصدد ، يتطلب تأكيد محتوى البيانات نظاما جديدا تماما ، وقد تكون blockchain قادرة على المساعدة. ذكر Zixi of Matrix Partners أن هناك تبادلات بيانات تضع البيانات في NFT للتداول ، والتي يمكن أن تحل مشكلة تأكيد حقوق البيانات.

بالإضافة إلى ذلك ، ذكر Yuxing من SevenX Ventures أن بيانات Web3 يمكن أن تحسن مشكلة الاحتيال الذكاء الاصطناعي والصندوق الأسود ، والتي تعاني حاليا من مشاكل الصندوق الأسود في كل من خوارزمية النموذج نفسها والبيانات ، مما قد يؤدي إلى مخرجات منحرفة. ومع ذلك ، فإن بيانات Web3 شفافة ، والبيانات مفتوحة ويمكن التحقق منها ، وستكون مصادر التدريب ونتائج نماذج الذكاء الاصطناعي أكثر وضوحا ، مما يجعل الذكاء الاصطناعي أكثر عدلا ويقلل من التحيز والأخطاء. ومع ذلك ، فإن الكمية الحالية من البيانات في Web3 ليست كافية لتمكين تدريب الذكاء الاصطناعي نفسها ، لذلك لن تتحقق على المدى القصير. ولكن يمكننا الاستفادة من هذه الميزة لوضع بيانات Web2 على السلسلة لمنع الذكاء الاصطناعي التزييف العميق. **

(2) التعهيد الجماعي للتعليقات التوضيحية للبيانات الذكاء الاصطناعي ومجتمع UGC: في الوقت الحاضر ، تواجه التعليقات التوضيحية التقليدية الذكاء الاصطناعي مشكلة انخفاض الكفاءة والجودة ، خاصة في مجال المعرفة المهنية ، والتي قد تتطلب أيضا معرفة متعددة التخصصات ، وهو أمر يستحيل تغطيته من قبل شركات التعليقات التوضيحية للبيانات العامة التقليدية ، وغالبا ما يحتاج إلى القيام به داخليا من قبل فرق محترفة. يمكن أن يكون إدخال التعهيد الجماعي للتعليقات التوضيحية للبيانات من خلال مفاهيم blockchain و Web3 طريقة جيدة لتحسين هذه المشكلة ، مثل Questlab المستثمرة من قبل Matrix Partners ، والتي تستخدم تقنية blockchain لتوفير خدمات التعهيد الجماعي للتعليقات التوضيحية للبيانات. بالإضافة إلى ذلك ، في بعض مجتمعات النماذج مفتوحة المصدر ، يمكن أيضا استخدام مفهوم blockchain لحل مشكلة اقتصاد منشئ النموذج.

(3) نشر خصوصية البيانات: يمكن أن تضمن تقنية Blockchain جنبا إلى جنب مع التقنيات المتعلقة بالتشفير خصوصية البيانات واللامركزية. ذكر Zixi of Matrix Partners أنهم استثمروا في شركة بيانات اصطناعية تولد بيانات تركيبية من خلال نماذج كبيرة ، والتي يمكن استخدامها بشكل أساسي في اختبار البرامج وتحليل البيانات والتدريب الذكاء الاصطناعي النماذج الكبيرة. تشارك الشركات في الكثير من مشكلات نشر الخصوصية عند معالجة البيانات ، ويمكن أن يؤدي استخدام Oasis blockchain إلى تجنب مشكلات الخصوصية والتنظيمية بشكل فعال.

2.2الذكاء الاصطناعي+Web3كيفية بناء القدرة التنافسية الأساسية لشركات البيانات

بالنسبة لشركات تكنولوجيا Web3 ، يمكن أن يؤدي إدخال الذكاء الاصطناعي إلى زيادة جاذبية أو اهتمام المشروع إلى حد ما ، ولكن في الوقت الحالي ، فإن معظم المنتجات المتعلقة بشركات تكنولوجيا Web3 جنبا إلى جنب مع الذكاء الاصطناعي ليست كافية لتصبح القدرة التنافسية الأساسية للشركة ، ولكن أكثر لتوفير تجربة أكثر سهولة في الاستخدام وتحسين الكفاءة. على سبيل المثال ، عتبة وكلاء الذكاء الاصطناعي ليست عالية ، وقد تتمتع الشركة التي تقوم بذلك أولا بميزة المحرك الأول في السوق ، لكنها لا تخلق حواجز. **

ما يولد حقا القدرة التنافسية الأساسية والحواجز في صناعة بيانات Web3 يجب أن يكون قدرات بيانات الفريق وكيفية تطبيق التكنولوجيا الذكاء الاصطناعي لحل المشكلات في سيناريوهات تحليل محددة. **

بادئ ذي بدء ، تشمل قدرات بيانات الفريق مصدر البيانات وقدرة الفريق على تحليل البيانات وتعديل النموذج ، وهو أساس العمل اللاحق. في المقابلة ، ذكرت كل من SevenX Ventures و Matrix Partners و Hashkey Capital بالإجماع أن القدرة التنافسية الأساسية لشركات بيانات الذكاء الاصطناعي + Web3 تعتمد على جودة مصادر البيانات. علاوة على ذلك ، يطلب من المهندسين أيضا أن يكونوا قادرين على ضبط النماذج ومعالجة البيانات وتحليلها بمهارة بناء على مصادر البيانات.

من ناحية أخرى ، فإن الجمع المحدد بين تقنية الذكاء الاصطناعي للفريق مهم جدا أيضا ، ويجب أن يكون السيناريو ذا قيمة. ** يعتقد هاربر أنه على الرغم من أن المزيج الحالي من شركات بيانات Web3 و الذكاء الاصطناعي يبدأ بشكل أساسي بوكلاء الذكاء الاصطناعي ، إلا أن وضعهم مختلف أيضا ، مثل Space and Time ، الذي استثمرته Hashkey Capital ، وتعاونت chainML لإطلاق البنية التحتية لإنشاء وكلاء الذكاء الاصطناعي ، حيث يتم استخدام وكلاء DeFi الذين تم إنشاؤهم للمكان والزمان.

2.3** Web3 **** شركة البيانات طريق التسويق المستقبلي **

موضوع آخر مهم لشركات بيانات Web3 هو التسويق. لفترة طويلة ، كان نموذج الربح لشركات تحليل البيانات بسيطا نسبيا ، ومعظمها خالية من ToC ، و ToB الرئيسي مربح ، والذي يعتمد على استعداد عملاء B-end للدفع. في مجال Web3 ، فإن استعداد الشركات للدفع ليس مرتفعا ، والشركات الناشئة في الصناعة هي الدعامة الأساسية ، لذلك يصعب على أطراف المشروع دعم الدفع طويل الأجل. نتيجة لذلك ، تواجه شركات بيانات Web3 حاليا صعوبة في التسويق.

في هذه المسألة ، يعتقد VC عموما أن الجمع بين التكنولوجيا الذكاء الاصطناعي الحالية يستخدم فقط لحل مشكلة عملية الإنتاج داخليا ، ولا يغير المشكلة المتأصلة المتمثلة في صعوبة تحقيق الدخل. لا تحتوي بعض أشكال المنتجات الجديدة ، مثل روبوتات الذكاء الاصطناعي ، على عتبة عالية بما يكفي ، مما قد يعزز رغبة المستخدمين في الدفع في مجال toC إلى حد ما ، لكنها لا تزال غير قوية جدا. قد لا يكون الذكاء الاصطناعي هو الحل لمشكلة تسويق منتجات البيانات على المدى القصير ، ويتطلب التسويق المزيد من جهود الإنتاج ** ، مثل إيجاد سيناريوهات أكثر ملاءمة ونماذج أعمال مبتكرة.

على طريق الجمع بين Web3 و الذكاء الاصطناعي في المستقبل ، قد يؤدي استخدام النموذج الاقتصادي ل Web3 جنبا إلى جنب مع بيانات الذكاء الاصطناعي إلى بعض نماذج الأعمال الجديدة ، خاصة في مجال ToC. ذكر Zixi of Matrix Partners أنه يمكن دمج منتجات الذكاء الاصطناعي مع بعض طرق اللعب الرمزية لتحسين الالتصاق والنشاط اليومي والعاطفة للمجتمع بأكمله ، وهو أمر ممكن وأسهل في تحقيق الدخل. ذكر تانغ يي من Qiming Venture Capital أنه من وجهة نظر أيديولوجية ، يمكن دمج نظام القيمة في Web3 مع الذكاء الاصطناعي ، وهو مناسب جدا كنظام حساب أو نظام تحويل قيمة للروبوتات. على سبيل المثال ، يمتلك الروبوت حسابه الخاص ويمكنه كسب المال من خلال الجزء الذكي الخاص به ، بالإضافة إلى الدفع مقابل الحفاظ على قوة الحوسبة الأساسية ، وما إلى ذلك. لكن هذا المفهوم ينتمي إلى خيال المستقبل ، وقد لا يزال أمام التطبيق العملي طريق طويل لنقطعه.

في نموذج العمل الأصلي ، أي الدفع المباشر للمستخدمين ، من الضروري أن يكون لديك قوة منتج قوية بما يكفي للسماح للمستخدمين بالحصول على استعداد أقوى للدفع. على سبيل المثال ، مصادر البيانات عالية الجودة ، وفوائد البيانات تفوق التكاليف المدفوعة ، وما إلى ذلك ، ليس فقط في تطبيق التكنولوجيا الذكاء الاصطناعي ، ولكن أيضا في قدرات فريق البيانات نفسه.