Informe de investigación en profundidad (Parte II): Análisis del estado de la integración, el panorama competitivo y las oportunidades futuras de la industria de datos de IA y Web3

La aparición de GPT ha atraído la atención del mundo hacia los grandes modelos de lenguaje, y todos los ámbitos de la vida están tratando de utilizar esta “tecnología negra” para mejorar la eficiencia del trabajo y acelerar el desarrollo de la industria. Future3 Campus y Footprint Analytics realizaron conjuntamente un estudio en profundidad sobre las infinitas posibilidades de la combinación de IA y Web3, y publicaron conjuntamente un informe de investigación titulado “Análisis del estado de integración, el panorama competitivo y las oportunidades futuras de la industria de datos de IA y Web3”. El informe de investigación se divide en dos partes, y este artículo es la segunda parte, editada por los investigadores de Future3 Campus, Sherry y Humphrey.

Resumen:

• La combinación de datos de IA y Web3 está impulsando la eficiencia del procesamiento de datos y la experiencia del usuario. En la actualidad, la exploración de LLM en la industria de datos blockchain se centra principalmente en mejorar la eficiencia del procesamiento de datos a través de la tecnología de IA, la creación de agentes de IA mediante el uso de las ventajas interactivas de los LLM y el uso de la IA para el análisis de estrategias comerciales y de precios.
• En la actualidad, la aplicación de la IA en el ámbito de los datos de la Web3 todavía se enfrenta a algunos retos, como la precisión, la explicabilidad, la comercialización, etc. Todavía queda un largo camino por recorrer antes de que la intervención humana sea completamente reemplazada.
• La competitividad central de las empresas de datos Web3 radica no solo en la tecnología de IA en sí, sino también en las capacidades de acumulación de datos y en las capacidades de análisis y aplicación en profundidad de los datos.
• Es posible que la IA no sea la solución al problema de la comercialización de productos de datos a corto plazo, y la comercialización requerirá más esfuerzos de producción.

La situación actual y la ruta de desarrollo de la combinación de la industria de datos Web3 y la IA

1.1 Duna

Dune es actualmente la comunidad de análisis de datos abiertos líder en la industria Web3, que proporciona herramientas de blockchain para consultar, extraer y visualizar grandes cantidades de datos, lo que permite a los usuarios y expertos en análisis de datos consultar datos en cadena de la base de datos precargada de Dune utilizando consultas SQL simples y formar gráficos y opiniones correspondientes.

En marzo de 2023, Dune presentó planes para la IA y el futuro de la incorporación de LLM, y en octubre lanzó su producto Dune AI. El objetivo principal de los productos relacionados con la IA de Dune es aumentar la experiencia de usuario del asistente con las potentes capacidades lingüísticas y analíticas de los LLM para proporcionar mejor a los usuarios consultas de datos y escritura SQL en Dune.

(1) Interpretación de consultas: El producto lanzado en marzo permite a los usuarios obtener explicaciones en lenguaje natural de las consultas SQL haciendo clic en un botón, que está diseñado para ayudar a los usuarios a comprender mejor las consultas SQL complejas, mejorando así la eficiencia y la precisión del análisis de datos.

(2) Traducción de consultas: Dune planea migrar diferentes motores de consultas SQL (como Postgres y Spark SQL) en Dune a DuneSQL, de modo que los LLM puedan proporcionar capacidades de traducción automatizada del lenguaje de consulta para ayudar a los usuarios a realizar una mejor transición y facilitar la implementación de los productos DuneSQL.

(3) Consulta en lenguaje natural: Dune AI, que se lanzó en octubre. Permite a los usuarios hacer preguntas y obtener datos en un lenguaje sencillo. El objetivo de esta característica es facilitar el acceso a los datos y el análisis de los datos a los usuarios que no necesitan conocimientos de SQL.

(4) Optimización de búsqueda: Dune planea utilizar LLM para mejorar las capacidades de búsqueda y ayudar a los usuarios a filtrar la información de manera más efectiva.

(5) Base de conocimientos de asistentes: Dune planea lanzar un chatbot para ayudar a los usuarios a navegar rápidamente por el conocimiento de blockchain y SQL en la documentación de Spellbook y Dune.

(6) Simplificación de la escritura SQL (Dune Wand) :D lanzado la serie de herramientas SQL Wand en agosto. Crear varita permite a los usuarios generar consultas completas a partir de solicitudes de lenguaje natural, Editar varita permite a los usuarios realizar modificaciones en las consultas existentes y la función Depurar depura automáticamente los errores de sintaxis en las consultas. En el corazón de estas herramientas se encuentra la tecnología LLM, que simplifica el proceso de escritura de consultas y permite a los analistas centrarse en la lógica central del análisis de datos sin tener que preocuparse por el código y la sintaxis.

1.2 Análisis de huella

Footprint Analytics es un proveedor de soluciones de datos blockchain que proporciona una plataforma de análisis de datos sin código, un producto API de datos unificado y Footprint Growth Analytics, una plataforma de BI para proyectos Web3, con la ayuda de la tecnología de inteligencia artificial.

La ventaja de Footprint radica en la creación de su línea de producción de datos on-chain y herramientas ecológicas, y su establecimiento de un lago de datos unificado para abrir la metabase de datos de datos on-chain y off-chain y el registro industrial y comercial on-chain, con el fin de garantizar la accesibilidad, la facilidad de uso y la calidad de los datos cuando los usuarios los analizan y utilizan. La estrategia a largo plazo de Footprint se centrará en la profundidad de la tecnología y la construcción de plataformas para crear una “fábrica de máquinas” capaz de producir datos y aplicaciones en cadena.

Los productos Footprint se combinan con la IA de la siguiente manera:

Desde el lanzamiento del modelo LLM, Footprint ha estado explorando la combinación de los productos de datos existentes y la IA para mejorar la eficiencia del procesamiento y análisis de datos y crear un producto más fácil de usar. En mayo de 2023, Footprint comenzó a proporcionar a los usuarios capacidades de análisis de datos para la interacción en lenguaje natural y se actualizó a funciones de productos de alta gama sobre la base de su no-code original, lo que permite a los usuarios obtener datos rápidamente y generar gráficos a través de conversaciones sin estar familiarizados con las tablas y el diseño de la plataforma.

Además, los productos de datos LLM + Web3 actuales en el mercado se centran principalmente en resolver los problemas de reducir el umbral de uso del usuario y cambiar el paradigma de interacción, y el enfoque de Footprint en el desarrollo de productos e IA no es solo ayudar a los usuarios a resolver el problema del análisis de datos y la experiencia del usuario, sino también precipitar los datos verticales y la comprensión comercial en el campo criptográfico, así como entrenar modelos de lenguaje en el dominio criptográfico para mejorar la eficiencia y precisión de las aplicaciones de escena vertical. Las fortalezas de Footprint en este sentido se verán reflejadas en las siguientes áreas:

• Cantidad de conocimiento de datos (calidad y cantidad de base de conocimiento). La eficiencia de la acumulación de datos, la fuente, la cantidad y la categoría. En particular, el subproducto Footprint MetaMosaic incorpora la acumulación de gráficos de relaciones y datos estáticos para una lógica empresarial específica.
• Arquitectura del conocimiento. Footprint ha acumulado más de 30 cadenas públicas, tablas de datos estructurados abstraídos por sección de negocio. El conocimiento del proceso de producción, desde los datos en bruto hasta los datos estructurados, puede, a su vez, reforzar la comprensión de los datos en bruto y entrenar mejor los modelos.
• Tipo de datos. Existe una brecha significativa en la eficiencia de la capacitación y el costo de la máquina a partir del entrenamiento de datos sin procesar no estándar y no estructurados en la cadena, así como del entrenamiento de tablas y métricas de datos estructuradas y significativas para el negocio. Un ejemplo típico es la necesidad de proporcionar más datos a la LLM, lo que requiere datos más legibles y estructurados, además de datos profesionales basados en el campo de cifrado, y un mayor número de usuarios como datos de retroalimentación.
• Datos de flujo de dinero criptográfico. Footprint abstrae los datos de flujo de capital estrechamente relacionados con la inversión, que incluyen el tiempo, el tema (incluido el flujo), el tipo de token, la cantidad (precio del token en el momento asociado), el tipo de negocio y las etiquetas de tokens y entidades, que se pueden utilizar como base de conocimientos y fuente de datos para que LLM analice los principales fondos de tokens, localice la distribución de chips, monitoree el flujo de fondos, identifique cambios en la cadena, rastree fondos inteligentes, etc.
• Inyección de datos privados. Footprint divide el modelo en tres capas, una es el modelo base con conocimiento mundial (OpenAI y otros modelos de código abierto), el modelo vertical de dominios subdivididos y el modelo de conocimiento experto personalizado. Permite a los usuarios unificar sus bases de conocimiento de diferentes fuentes en Footprint para la gestión y utilizar datos privados para entrenar LLM privados, lo que es adecuado para escenarios de aplicación más personalizados.

En la exploración de Footprint combinado con el modelo LLM, también se han encontrado una serie de desafíos y problemas, los más típicos de los cuales son tokens insuficientes, indicaciones que consumen mucho tiempo y respuestas inestables. El mayor reto al que se enfrenta el campo vertical de los datos on-chain donde se encuentra Footprint es que hay muchos tipos de entidades de datos on-chain, un gran número de ellas, y cambios rápidos, y la forma en la que alimentarlos a los LLM requiere más investigación y exploración por parte de toda la industria. La cadena de herramientas actual todavía es relativamente temprana y se necesitan más herramientas para resolver algunos problemas específicos.

El futuro de la integración de Footprint con la IA en la tecnología y los productos incluye lo siguiente:

(1) En términos de tecnología, Footprint se explorará y optimizará en tres aspectos en combinación con el modelo LLM

• Soporte LLM para inferencia sobre datos estructurados, de modo que una gran cantidad de datos estructurados y conocimiento en el campo encriptado se pueda aplicar al consumo y producción de datos de LLM.
• Ayudar a los usuarios a crear una base de conocimientos personalizada (que incluya conocimientos, datos y experiencia) y a utilizar datos privados para mejorar la capacidad de los LLM criptográficos optimizados, de modo que todo el mundo pueda crear sus propios modelos.
• Con el análisis y la producción de contenidos asistidos por IA, los usuarios pueden crear su propio GPT a través del diálogo, combinado con datos de flujo de fondos y una base de conocimientos privada, para producir y compartir contenidos de inversión en criptomonedas.

(2) En términos de productos, Footprint se centrará en explorar la aplicación de productos de IA y la innovación de modelos de negocio. De acuerdo con el reciente plan de promoción de Footprint para el producto, lanzará una plataforma de generación e intercambio de contenido criptográfico de IA para los usuarios.

Además, para la expansión de futuros socios, Footprint explorará los siguientes dos aspectos:

En primer lugar, fortalecer la cooperación con los KOL para ayudar a la producción de contenido valioso, el funcionamiento de la comunidad y la monetización del conocimiento.

En segundo lugar, ampliar más partes del proyecto y proveedores de datos cooperativos, crear un incentivo de usuario y una cooperación de datos abiertos y beneficiosos para todos, y establecer una plataforma de servicios de datos integral mutuamente beneficiosa y beneficiosa para todos.

1.3 GoPlus SecurityGoplus

GoPlus Security es actualmente la infraestructura de seguridad de usuario líder en la industria Web3, que proporciona una variedad de servicios de seguridad orientados al usuario. En la actualidad, se ha integrado con billeteras digitales convencionales, sitios web de mercado, Dex y varias otras aplicaciones Web3 en el mercado. Los usuarios pueden utilizar directamente varias funciones de protección de seguridad, como la detección de seguridad de activos, la autorización de transferencia y la lucha contra la suplantación de identidad (phishing). GoPlus proporciona soluciones de seguridad para el usuario que cubren todo el ciclo de vida de la seguridad del usuario para proteger los activos del usuario de varios tipos de atacantes.

El desarrollo y la planificación de GoPlus y la IA son los siguientes:

La principal exploración de GoPlus en tecnología de IA se refleja en sus dos productos: AI Automated Detection y AI Security Assistant:

(1) Detección automática de IA

Desde 2022, GoPlus ha desarrollado su propio motor de detección automatizado basado en IA para mejorar de forma integral la eficiencia y la precisión de la detección de seguridad. El motor de seguridad de GoPlus utiliza un enfoque de embudo de varias capas para la detección de código estático, la detección dinámica y la detección de funciones o comportamientos. Este proceso de detección compuesto permite que el motor identifique y analice de manera efectiva las características de las muestras potencialmente riesgosas para modelar de manera efectiva los tipos y comportamientos de ataque. Estos modelos son clave para la identificación y prevención de amenazas de seguridad por parte del motor, y ayudan al motor a determinar si una muestra de riesgo tiene alguna firma de ataque específica. Además, después de un largo período de iteración y optimización, el motor de seguridad GoPlus ha acumulado una gran cantidad de datos y experiencia de seguridad, y su arquitectura puede responder de manera rápida y efectiva a las amenazas de seguridad emergentes, garantizar que varios ataques complejos y nuevos se puedan detectar y bloquear de manera oportuna, y que los usuarios puedan protegerse de manera integral. En la actualidad, el motor utiliza algoritmos y tecnologías relacionados con la IA en múltiples escenarios de seguridad, como la detección de contratos de riesgo, la detección de sitios web de phishing, la detección de direcciones maliciosas y la detección de transacciones de riesgo. Por otro lado, reduce la complejidad y el costo de tiempo de la participación manual, y mejora la precisión del juicio de la muestra de riesgo, especialmente para nuevos escenarios que son difíciles de definir manualmente o difíciles de identificar por los motores, la IA puede agregar mejor características y formar métodos de análisis más efectivos**.

En 2023, a medida que evolucionaban los modelos grandes, GoPlus se adaptó y adoptó rápidamente los LLM. En comparación con los algoritmos de IA tradicionales, los LLM son significativamente más eficientes y efectivos en la identificación, el procesamiento y el análisis de datos. En la dirección de las pruebas dinámicas de fuzz, GoPlus utiliza la tecnología LLM para generar secuencias de transacciones de manera efectiva y explorar estados más profundos para descubrir los riesgos de los contratos.

(2) Asistente de seguridad de IA

GoPlus también está desarrollando asistentes de seguridad de IA que aprovechan las capacidades de procesamiento de lenguaje natural basadas en LLM para proporcionar consultoría de seguridad instantánea y mejorar la experiencia del usuario. Basado en el modelo grande de GPT, el asistente de IA ha desarrollado un conjunto de agentes de seguridad de usuario de desarrollo propio a través de la entrada de datos comerciales de front-end, que pueden analizar automáticamente, generar soluciones, desensamblar tareas y ejecutar de acuerdo con los problemas, y proporcionar a los usuarios los servicios de seguridad que necesitan. Los asistentes de IA simplifican la comunicación entre los usuarios y los problemas de seguridad, lo que reduce la barrera de la comprensión.

En cuanto a las funciones del producto, debido a la importancia de la IA en el campo de la seguridad, la IA tiene el potencial de cambiar por completo la estructura de los motores de seguridad existentes o los motores antivirus en el futuro, y aparecerá una nueva arquitectura de motor con IA como núcleo. GoPlus continuará entrenando y optimizando sus modelos de IA para transformar la IA de una herramienta de asistencia a la funcionalidad principal de su motor de detección de seguridad.

En términos de modelo de negocio, aunque los servicios de GoPlus son actualmente principalmente para desarrolladores y partes del proyecto, la compañía está explorando más productos y servicios directamente para los usuarios finales C, así como nuevos modelos de ingresos relacionados con la IA. Proporcionar servicios C-end eficientes, precisos y de bajo coste será la principal competitividad de GoPlus en el futuro. Esto requerirá que las empresas continúen investigando y haciendo más entrenamiento y producción en grandes modelos de IA que interactúan con los usuarios. Al mismo tiempo, GoPlus también colaborará con otros equipos para compartir sus datos de seguridad e impulsar las aplicaciones de IA en el espacio de la seguridad a través de la colaboración para prepararse para posibles cambios futuros en la industria.

1.4 Laboratorios Trusta

Fundada en 2022, Trusta Labs es una startup de datos impulsada por IA en el espacio Web3. Trusta Labs se centra en el procesamiento eficiente y el análisis preciso de los datos de la cadena de bloques utilizando tecnología avanzada de inteligencia artificial para construir la reputación en la cadena y la infraestructura de seguridad de la cadena de bloques. Actualmente, el negocio de Trusta Labs consiste en dos productos principales: TrustScan y TrustGo.

(1) TrustScan, TrustScan es un producto diseñado para clientes B-end, que se utiliza principalmente para ayudar a los proyectos Web3 a analizar el comportamiento de los usuarios en cadena y refinar las capas en términos de adquisición de usuarios, actividad de usuarios y retención de usuarios, con el fin de identificar usuarios reales y de alto valor.

(2) TrustGo, un producto para clientes C-end, proporciona una herramienta de análisis MEDIA que puede analizar y evaluar las direcciones on-chain desde cinco dimensiones (importe del fondo, actividad, diversidad, derechos de identidad y fidelización), y el producto hace hincapié en el análisis en profundidad de los datos on-chain para mejorar la calidad y la seguridad de las decisiones de transacción.

El desarrollo y la planificación de Trusta Labs e IA son los siguientes:

En la actualidad, los dos productos de Trusta Labs utilizan modelos de IA para procesar y analizar los datos de interacción de las direcciones on-chain. Los datos de comportamiento de las interacciones de direcciones en la cadena de bloques son una secuencia de datos, que es muy adecuada para el entrenamiento de modelos de IA. En el proceso de limpieza, organización y etiquetado de datos en cadena, Trusta Labs entrega gran parte del trabajo a la IA, lo que mejora en gran medida la calidad y la eficiencia del procesamiento de datos, al tiempo que reduce muchos costos de mano de obra. Trusta Labs utiliza tecnología de IA para llevar a cabo un análisis en profundidad y la extracción de datos de interacción de direcciones en cadena, lo que puede identificar de manera efectiva una dirección Witch más probable para los clientes B-end. Tursta Labs ha sido capaz de prevenir posibles ataques Sybil en una serie de proyectos que han utilizado productos de Tursta Labs, y para los clientes C-end, TrustGo ha aprovechado los modelos de IA existentes para ayudar a los usuarios a obtener información sobre sus datos de comportamiento en la cadena.

Trusta Labs ha seguido de cerca el progreso técnico y las prácticas de aplicación de los modelos LLM. A medida que el coste del entrenamiento y la inferencia de modelos sigue disminuyendo, así como la acumulación de una gran cantidad de datos de corpus y comportamiento de los usuarios en el campo de la Web3, Trusta Labs buscará el momento adecuado para introducir la tecnología LLM y utilizar la productividad de la IA para proporcionar capacidades más profundas de minería y análisis de datos para productos y usuarios. Sobre la base de los abundantes datos ya proporcionados por Trusta Labs, se espera que el modelo de análisis inteligente de IA se pueda utilizar para proporcionar funciones de interpretación de datos más razonables y objetivas para los resultados de los datos, como proporcionar una interpretación cualitativa y cuantitativa del análisis de la cuenta Sybil capturada para los usuarios finales B, de modo que los usuarios puedan comprender mejor el análisis de las razones detrás de los datos y, al mismo tiempo, pueda proporcionar un soporte material más detallado para los usuarios finales B cuando se quejan y explican a sus clientes.

Por otro lado, Trusta Labs también planea utilizar modelos LLM maduros o de código abierto y combinar conceptos de diseño centrados en la intención para crear agentes de IA que ayuden a los usuarios a resolver problemas de interacción en cadena de manera más rápida y eficiente. En términos de escenarios de aplicación específicos, en el futuro, a través del asistente inteligente AI Agent basado en la capacitación LLM proporcionada por Trusta Labs, los usuarios pueden comunicarse con el asistente inteligente directamente a través del lenguaje natural, y el asistente inteligente puede retroalimentar “inteligentemente” la información relacionada con los datos en la cadena y hacer sugerencias y planes para operaciones de seguimiento basadas en la información proporcionada, realizando realmente una operación inteligente integral centrada en la intención del usuario, reduciendo en gran medida el umbral para que los usuarios usen datos y simplificando la ejecución de operaciones en cadena.

Además, Trusta cree que con la aparición de más y más productos de datos basados en IA en el futuro, el factor competitivo central de cada producto puede no ser el modelo LLM utilizado, sino que el factor competitivo clave es una comprensión e interpretación más profundas de los datos ya dominados. A partir del análisis de los datos dominados, combinados con modelos LLM, se pueden entrenar modelos de IA más “inteligentes”.

1.5 0xScope

0xScope, fundada en 2022, es una plataforma de innovación centrada en datos centrada en la combinación de la tecnología blockchain y la inteligencia artificial. 0xScope tiene como objetivo cambiar la forma en que las personas procesan, usan y miran los datos. 0xScope está disponible actualmente para los clientes del lado B y del lado C: productos SaaS 0xScope y 0xScopescan.

(1) Los productos SaaS de 0xScope, una solución SaaS para empresas, permiten a los clientes empresariales llevar a cabo la gestión posterior a la inversión, tomar mejores decisiones de inversión, comprender el comportamiento de los usuarios y supervisar de cerca la dinámica competitiva.

y (2) 0xScopescan, un producto B2C que permite a los comerciantes de criptomonedas investigar el flujo y la actividad de los fondos en cadenas de bloques seleccionadas.

El enfoque comercial de 0xScope es utilizar datos on-chain para abstraer un modelo de datos común, simplificar el análisis de datos on-chain y transformar los datos on-chain en datos operativos on-chain comprensibles, a fin de ayudar a los usuarios a realizar un análisis en profundidad de los datos on-chain**. Usando la plataforma de herramientas de datos proporcionada por 0xScope, no solo puede mejorar la calidad de los datos en la cadena, extraer la información oculta de los datos, para revelar más información a los usuarios, sino también reducir en gran medida el umbral de la minería de datos.

El desarrollo y la planificación de 0xScope y AI son los siguientes:

Los productos de 0xScope se están actualizando en combinación con modelos grandes, lo que incluye dos direcciones: en primer lugar, para reducir aún más el umbral para los usuarios a través de la interacción en lenguaje natural, y en segundo lugar, para utilizar modelos de IA para mejorar la eficiencia del procesamiento en la limpieza, el análisis, el modelado y el análisis de datos. Al mismo tiempo, los productos de 0xScope pronto lanzarán un módulo interactivo de IA con función de chat, que reducirá en gran medida el umbral para que los usuarios consulten y analicen datos, e interactúen y consulten con los datos subyacentes solo a través del lenguaje natural.

Sin embargo, en el proceso de entrenamiento y uso de IA, 0xScope descubrió que todavía enfrentaba los siguientes desafíos: En primer lugar, el costo y el costo de tiempo del entrenamiento de IA eran altos. Después de hacer una pregunta, la IA tarda mucho tiempo en responder**. Como resultado, esta dificultad obliga a los equipos a racionalizar y centrarse en los procesos empresariales y centrarse en las preguntas y respuestas verticales, en lugar de convertirlo en un súper asistente de IA completo. En segundo lugar, el resultado del modelo LLM es incontrolable. ** Los productos de datos esperan dar resultados precisos, pero es probable que los resultados dados por el modelo LLM actual sean diferentes de la situación real, lo que es muy fatal para la experiencia de los productos de datos. Además, el resultado del modelo grande puede implicar los datos privados del usuario. Por lo tanto, cuando se utiliza el patrón LLM en el producto, el equipo debe limitarlo en gran medida para que la salida del modelo de IA pueda controlarse y ser precisa.

En el futuro, 0xScope planea utilizar la IA para centrarse en pistas verticales específicas y profundizar en su cultivo. En la actualidad, basándose en la acumulación de una gran cantidad de datos on-chain, 0xScope puede definir la identidad de los usuarios on-chain, y seguirá utilizando herramientas de IA para abstraer el comportamiento de los usuarios on-chain, y luego crear un sistema de modelado de datos único, a través del cual se revela la información oculta de los datos on-chain.

En términos de cooperación, 0xScope se centrará en dos tipos de grupos: la primera categoría, los objetos a los que el producto puede servir directamente, como desarrolladores, partes del proyecto, VC, intercambios, etc., que necesitan los datos proporcionados por el producto actual, y la segunda categoría, los socios que necesitan AI Chat, como Debank, Chainbase, etc., solo necesitan conocimientos y datos relevantes para llamar directamente a AI Chat.

VC información: la comercialización y el desarrollo futuro de las empresas de datos de IA+Web3

A través de entrevistas con 4 inversores VC senior, esta sección analizará la situación actual y el desarrollo de la industria de datos AI+Web3, la competitividad central de las empresas de datos Web3 y el futuro camino de comercialización desde la perspectiva de la inversión y el mercado.

2.1 Situación actual y desarrollo de la industria de datos AI+Web3

En la actualidad, la combinación de datos de IA y Web3 se encuentra en una etapa de exploración activa y, desde la perspectiva de la dirección de desarrollo de varias empresas líderes de datos Web3, la combinación de tecnología de IA y LLM es una tendencia indispensable. Pero al mismo tiempo, los LLM tienen sus propias limitaciones técnicas y no pueden resolver muchos de los problemas de la industria de datos actual.

Por lo tanto, debemos reconocer que no es necesario combinar ciegamente con la IA para mejorar los beneficios de un proyecto, o utilizar los conceptos de IA para la publicidad, sino explorar áreas de aplicación que sean realmente prácticas y prometedoras. Desde la perspectiva de VC, se ha explorado la combinación de datos de IA y Web3 en los siguientes aspectos:

(1) Mejorar las capacidades de los productos de datos Web3 a través de la tecnología de IA, incluida la tecnología de IA para ayudar a las empresas a mejorar la eficiencia del procesamiento y análisis de datos internos y, en consecuencia, mejorar la capacidad de analizar y recuperar automáticamente los productos de datos de los usuarios. **Por ejemplo, Yuxing de SevenX Ventures mencionó que la principal ayuda del uso de la tecnología de IA para los datos de Web3 es la eficiencia, como el uso de modelos LLM por parte de Dune para la detección de anomalías de código y la conversión de lenguaje natural para generar SQL para la indexación de información; El modelo está preetiquetado con datos, lo que puede ahorrar muchos costos de mano de obra. No obstante, VC de acuerdo en que la IA desempeña un papel auxiliar en la mejora de las capacidades y la eficiencia de los productos de datos Web3, como la anotación previa de los datos, que en última instancia puede requerir una revisión humana para garantizar la precisión. **

(2) Utilice las ventajas de LLM en adaptabilidad e interacción para crear un agente/bot de IA. **Por ejemplo, se utilizan grandes modelos lingüísticos para recuperar datos de toda la Web3, incluidos los datos on-chain y los datos de noticias off-chain, para la agregación de información y el análisis de la opinión pública. Harper, de Hashkey Capital, cree que este tipo de agente de IA está más inclinado a la integración, generación e interacción con los usuarios, y será relativamente débil en términos de precisión y eficiencia de la información.

Aunque ha habido muchos casos de aplicación de los dos aspectos anteriores, la tecnología y los productos aún se encuentran en la etapa inicial de exploración, por lo que es necesario optimizar continuamente la tecnología y mejorar los productos en el futuro.

(3) Uso de la IA para el análisis de precios y estrategias comerciales: En la actualidad, hay proyectos en el mercado que utilizan la tecnología de IA para estimar el precio de los NFT, como NFTGo invertido por Qiming Venture Partners, y algunos equipos comerciales profesionales utilizan la IA para el análisis de datos y la ejecución de transacciones. Además, Ocean Protocol lanzó recientemente un producto de IA de predicción de precios. Este tipo de producto puede parecer imaginativo, pero aún debe verificarse en términos de aceptación del producto, aceptación del usuario y, especialmente, precisión.

Por otro lado, muchos VC, especialmente aquellos que han invertido en Web2 VC prestarán más atención a las ventajas y escenarios de aplicación que la tecnología Web3 y blockchain pueden aportar a la tecnología de IA. La apertura, la verificabilidad y la descentralización de la cadena de bloques, así como la capacidad de la criptografía para proteger la privacidad, junto con la remodelación de las relaciones de producción de la Web3, pueden aportar nuevas oportunidades a la IA:

(1) Confirmación y verificación de la propiedad de los datos de IA. La llegada de la IA ha hecho que la generación de contenido de datos prolifere y sea barata. **Tang Yi, de Qiming Venture Partners, mencionó que es difícil determinar la calidad y el creador de contenidos como las obras digitales. En este sentido, la confirmación del contenido de los datos requiere un sistema completamente nuevo, y blockchain puede ayudar. Zixi, de Matrix Partners, mencionó que hay intercambios de datos que colocan datos en NFT para el comercio, lo que puede resolver el problema de la confirmación de los derechos de datos.

Además, Yuxing, de SevenX Ventures, mencionó que los datos de Web3 pueden mejorar el problema del fraude de la IA y la caja negra, que actualmente tiene problemas de caja negra tanto en el propio algoritmo del modelo como en los datos, lo que puede dar lugar a resultados sesgados. Sin embargo, los datos de la Web3 son transparentes, los datos son abiertos y verificables, y las fuentes de entrenamiento y los resultados de los modelos de IA serán más claros, lo que hará que la IA sea más justa y reducirá los sesgos y los errores. Sin embargo, la cantidad actual de datos en Web3 no es suficiente para potenciar el entrenamiento de la IA en sí, por lo que no se realizará a corto plazo. Pero podemos aprovechar esta función para poner los datos de Web2 en la cadena para evitar los deepfakes de IA. **

(2) Crowdsourcing de anotación de datos de IA y comunidad UGC: En la actualidad, la anotación tradicional de IA se enfrenta al problema de la baja eficiencia y calidad, especialmente en el campo del conocimiento profesional, que también puede requerir conocimientos interdisciplinarios, que son imposibles de cubrir por las empresas tradicionales de anotación de datos generales, y a menudo deben ser realizados internamente por equipos profesionales. La introducción del crowdsourcing para la anotación de datos a través de los conceptos de blockchain y Web3 puede ser una buena forma de mejorar este problema, como Questlab invertido por Matrix Partners, que utiliza la tecnología blockchain para proporcionar servicios de crowdsourcing para la anotación de datos. Además, en algunas comunidades de modelos de código abierto, el concepto de cadena de bloques también se puede utilizar para resolver el problema de la economía de los creadores de modelos.

(3) Despliegue de la privacidad de los datos: La tecnología blockchain combinada con las tecnologías relacionadas con la criptografía puede garantizar la privacidad y la descentralización de los datos. Zixi, de Matrix Partners, mencionó que han invertido en una empresa de datos sintéticos que genera datos sintéticos a través de grandes modelos, que pueden utilizarse principalmente en pruebas de software, análisis de datos y entrenamiento de grandes modelos de IA. Las empresas están involucradas en muchos problemas de implementación de privacidad al procesar datos, y el uso de la cadena de bloques Oasis puede evitar de manera efectiva los problemas regulatorios y de privacidad.

2.2IA+Web3Cómo construir la competitividad central de las empresas de datos

Para las empresas de tecnología Web3, la introducción de la IA puede aumentar el atractivo o la atención del proyecto hasta cierto punto, pero en la actualidad, la mayoría de los productos relacionados con las empresas de tecnología Web3 combinados con la IA no son suficientes para convertirse en la competitividad central de la empresa, sino más bien para proporcionar una experiencia más fácil de usar y mejorar la eficiencia. Por ejemplo, el umbral para los agentes de IA no es alto, y la empresa que lo hace primero puede tener la ventaja de ser el primero en moverse en el mercado, pero no crea barreras. **

Lo que realmente genera competitividad y barreras fundamentales en la industria de datos Web3 deberían ser las capacidades de datos del equipo y cómo aplicar la tecnología de IA para resolver problemas en escenarios de análisis específicos. **

En primer lugar, las capacidades de datos del equipo incluyen la fuente de datos y la capacidad del equipo para analizar datos y ajustar el modelo, que es la base para el trabajo posterior. En la entrevista, SevenX Ventures, Matrix Partners y Hashkey Capital mencionaron unánimemente que la competitividad central de las empresas de datos de IA+Web3 depende de la calidad de las fuentes de datos. Además de esto, también se requiere que los ingenieros puedan ajustar hábilmente los modelos, procesar datos y analizar en función de las fuentes de datos.

Por otro lado, la combinación específica de la tecnología de IA del equipo también es muy importante, y el escenario debe ser valioso. **Harper cree que, aunque la combinación actual de empresas de datos Web3 e IA comienza básicamente con agentes de IA, su posicionamiento también es diferente, como Space and Time, en el que invirtió Hashkey Capital, y chainML cooperó para lanzar la infraestructura para crear agentes de IA, en la que los agentes DeFi creados se utilizan para Space and Time.

2.3** Web3 **** Ruta de comercialización futura de la empresa de datos**

Otro tema importante para las empresas de datos Web3 es la comercialización. Durante mucho tiempo, el modelo de ganancias de las empresas de análisis de datos ha sido relativamente simple, la mayoría de ellas están libres de TdC y la TdB principal es rentable, lo que depende de la voluntad de pago de los clientes B-end. En el campo de la Web3, la disposición de las empresas a pagar no es alta, y las nuevas empresas del sector son el pilar, por lo que es difícil para las partes del proyecto apoyar el pago a largo plazo. Como resultado, las empresas de datos Web3 se encuentran actualmente en una posición difícil de comercializar.

Sobre este tema, VC generalmente creen que la combinación de la tecnología actual de IA solo se usa para resolver el problema del proceso de producción internamente y no cambia el problema inherente de la dificultad en la monetización. Algunas nuevas formas de productos, como los bots de IA, no tienen un umbral lo suficientemente alto, lo que puede mejorar la disposición de los usuarios a pagar en el campo de las TdC hasta cierto punto, pero aún no son muy fuertes. Es posible que la IA no sea la solución al problema de la comercialización de productos de datos a corto plazo, y la comercialización requiere más esfuerzos de productización**, como encontrar escenarios más adecuados y modelos de negocio innovadores.

En el camino de combinar Web3 e IA en el futuro, el uso del modelo económico de Web3 combinado con datos de IA puede dar lugar a nuevos modelos de negocio, principalmente en el ámbito de la TdC. Zixi de Matrix Partners mencionó que los productos de IA se pueden combinar con algunos juegos de tokens para mejorar la adherencia, la actividad diaria y la emoción de toda la comunidad, lo cual es factible y más fácil de monetizar. Tang Yi, de Qiming Venture Capital, mencionó que, desde un punto de vista ideológico, el sistema de valores de Web3 puede combinarse con la IA, que es muy adecuada como sistema de cuentas o sistema de transformación de valores para bots. Por ejemplo, un bot tiene su propia cuenta y puede ganar dinero a través de su parte inteligente, así como pagar por mantener su potencia de cálculo subyacente, etc. Pero este concepto pertenece a la imaginación del futuro, y la aplicación práctica aún puede tener un largo camino por recorrer.

En el modelo de negocio original, es decir, el pago directo a los usuarios, es necesario tener un poder de producto lo suficientemente fuerte como para permitir que los usuarios tengan una mayor disposición a pagar. Por ejemplo, fuentes de datos de mayor calidad, los beneficios de los datos superan los costes pagados, etc., no solo en la aplicación de la tecnología de IA, sino también en las capacidades del propio equipo de datos.