深度研究報告（第二部分）：AI和Web3數據行業的整合現狀、競爭格局和未來機遇分析

GPT的出現引起了世界對大語言模型的關注，各行各業都在試圖利用這種「黑科技」來提高工作效率，加速行業的發展。 Future3 Campus和Footprint Analytics聯合對AI與Web3結合的無限可能性進行了深入研究，並聯合發佈了題為“AI和Web3數據產業的融合現狀、競爭格局和未來機遇分析”的研究報告。 研究報告分為兩部分，本文為第二部分，由Future3 Campus研究人員Sherry和Humphrey編輯。

總結：

• AI和Web3數據的結合正在推動數據處理效率和用戶體驗。 目前，LLM在區塊鏈數據行業的探索主要集中在通過AI技術提高數據處理效率，利用LLM的交互優勢構建AI代理，利用AI進行定價和交易策略分析。
• 目前，AI在Web3數據領域的應用仍面臨一些挑戰，如準確性、可解釋性、商業化等。 在完全取代人為干預之前，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，還在於數據的積累能力和對數據的深度分析和應用能力。
• 人工智慧短期內可能無法解決數據產品商業化的問題，商業化將需要更多的產品化努力。

Web3數據行業與AI結合的現狀與發展路線

1.1 沙丘

Dune 是目前 Web3 行業領先的開放數據分析社區，提供用於查詢、提取和可視化大量數據的區塊鏈工具，允許使用者和數據分析專家使用簡單的 SQL 查詢從 Dune 預填充的資料庫中查詢鏈上數據，並形成相應的圖表和意見。

2023 年 3 月，Dune 提出了 AI 計劃和整合 LLM 的未來，並於 10 月發佈了其 Dune AI 產品。 Dune人工智慧相關產品的核心重點是通過LLMs強大的語言和分析能力來增強Wizard UX，以更好地為使用者提供沙丘上的數據查詢和SQL編寫。

（1）查詢解讀：3月份發佈的產品允許使用者通過點擊按鈕獲取SQL查詢的自然語言解釋，旨在幫助使用者更好地理解複雜的SQL查詢，從而提高數據分析的效率和準確性。

（2）查詢翻譯：Dune計劃將Dune上不同的SQL查詢引擎（如Postgres和Spark SQL）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，促進DuneSQL產品的實現。

（3）自然語言查詢：沙丘AI，10月發佈。 允許使用者以簡單的英語提出問題並獲取數據。 此功能的目標是使不需要 SQL 知識的使用者能夠輕鬆存取和分析資料。

（4）搜索優化：Dune計劃使用LLMs來提高搜索能力，幫助使用者更有效地過濾資訊。

（5）嚮導知識庫：Dune計劃發佈一個聊天機器人，幫助使用者快速流覽Spellbook和Dune文檔中的區塊鏈和SQL知識。

（6）簡化SQL編寫（沙丘魔杖） :D 8月推出了魔杖系列SQL工具。 創建魔杖允許使用者從自然語言提示生成完整的查詢，編輯魔杖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。 這些工具的核心是LLM技術，它簡化了查詢編寫過程，並允許分析師專注於分析數據的核心邏輯，而不必擔心代碼和語法。

1.2 足跡分析

Footprint分析是一家區塊鏈數據解決方案供應商，在人工智慧技術的説明下，提供無代碼數據分析平臺，統一的數據API產品和Web3專案的BI平臺Footprint增長分析。

Footprint的優勢在於打造其鏈上數據生產線和生態工具，並建立統一的數據湖，打通鏈上鏈下數據和鏈上工商註冊的元資料庫，從而保證使用者分析使用時數據的可訪問性、易用性和品質。 Footprint的長期戰略將專注於技術深度和平台建設，以創建一個能夠產生鏈上數據和應用程式的“機器工廠”。

足跡產品與AI的組合如下：

自LLM模型推出以來，Footprint一直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，並創建更加人性化的產品。 2023 年 5 月，Footprint開始為使用者提供自然語言交互的數據分析能力，並在原有無代碼的基礎上升級到高端產品功能，讓使用者無需熟悉平臺的表格和設計，即可通過對話快速獲取數據並生成圖表。

此外，目前市場上的LLM + Web3數據產品主要集中在解決降低使用者使用門檻和改變交互範式的問題上，而Footprint在產品和AI開發上的重點不僅是説明使用者解決數據分析和用戶體驗的問題，還要在加密領域沉澱垂直數據和業務理解，以及訓練加密領域的語言模型，以提高垂直場景應用的效率和準確性。 足跡在這方面的優勢將體現在以下幾個方面：

• 資料知識的數量（知識庫的質量和數量）。 數據積累的效率、來源、數量和類別。 特別是，Footprint MetaMosaic 子產品體現了特定業務邏輯的關係圖和靜態數據的積累。
• 知識架構。 足跡已經積累了30多條公鏈，按業務板塊抽象結構化數據表。 瞭解從原始數據到結構化數據的生產過程反過來可以加強對原始數據的理解並更好地訓練模型。
• 資料類型。 在訓練鏈上的非標準和非結構化原始數據，以及訓練結構化和具有業務意義的數據表和指標，在訓練效率和機器成本方面存在顯著差距。 一個典型的例子是需要向LLM提供更多的數據，這需要更多可讀性和結構化的數據，除了基於加密領域的專業數據，以及更多的用戶作為反饋數據。 *加密資金流數據。 Footprint抽象出與投資密切相關的資金流數據，包括代幣和實體的時間、主題（包括流量）、代幣類型、金額（相關時間點的代幣價格）、業務類型、標籤等，可作為LLM分析代幣主要資金、定位晶元分佈、監控資金流向、識別鏈上變化、跟蹤智慧資金等的知識庫和數據源。
• 注入私人數據。 足跡將模型分為三層，一層是具有世界知識的基礎模型（OpenAI等開源模型），細分領域的垂直模型，以及個人化的專業知識模型。 它允許使用者將不同來源的知識庫統一到Footprint進行管理，並使用私有數據來訓練私有LLM，適用於更個人化的應用場景。

在Footprint結合LLM模型的探索中，也遇到了一系列挑戰和問題，其中最典型的就是令牌不足、提示耗時、答案不穩定。 Footprint所在的鏈上數據垂直領域面臨的更大挑戰是，鏈上數據實體種類繁多，數量眾多，變化迅速，而將其提供給LLM的形式需要更多的整個行業的研究和探索。 目前的工具鏈還比較早，需要更多的工具來解決一些具體問題。

思跑絲與人工智慧在技術和產品中的整合的未來包括以下內容：

（1）在技術方面，結合LLM模型，從三個方面探索和優化足跡

• 支援LLM對結構化數據進行推理，使加密領域的大量結構化數據和知識可以應用於LLM的數據消費和生產。
• 幫助使用者構建個人化的知識庫（包括知識、數據、經驗），利用私有數據提升優化加密LLM的能力，讓每個人都可以構建自己的模型。
• 通過AI輔助分析和內容製作，用戶可以通過對話創建自己的GPT，結合資金流數據和私人知識庫，製作和分享加密投資內容。

（2）在產品方面，足跡將重點探索AI產品的應用和商業模式的創新。 根據Footprint最近對該產品的推廣計劃，它將為使用者推出一個AI加密內容生成和共享平臺。

此外，對於未來合作夥伴的拓展，足跡將探索以下兩個方面：

首先，加強與KOL的合作，説明有價值的內容製作、社區的運營和知識的變現。

其次，拓展更多合作專案方和數據提供者，打造開放共贏的使用者激勵和數據合作，建立互利共贏的一站式數據服務平臺。

1.3 GoPlus SecurityGoplus

GoPlus Security是目前Web3行業領先的使用者安全基礎設施，提供各種面向使用者的安全服務。 目前，它已與市場上主流的數位錢包、市場網站、Dex 和其他各種 Web3 應用程式集成。 使用者可以直接使用資產安全檢測、轉移授權、防釣魚等各種安全防護功能。 GoPlus提供覆蓋整個使用者安全生命週期的使用者安全解決方案，以保護用戶資產免受各類攻擊者的侵害。

GoPlus和AI的發展和規劃如下：

GoPlus在AI技術方面的主要探索體現在其兩款產品上：AI自動檢測和AI安全助手：

（1） AI自動偵測

自 2022 年以來，GoPlus 自發開發了基於 AI 的自動檢測引擎，全面提升安全檢測的效率和準確性。 GoPlus 的安全引擎使用多層漏鬥方法來檢測靜態代碼、動態檢測以及功能或行為檢測。 這種複合檢測過程使引擎能夠有效地識別和分析潛在風險樣本的特徵，從而有效地對攻擊類型和行為進行建模。 這些模型是引擎識別和預防安全威脅的關鍵，它們可以幫助引擎確定風險樣本是否具有某些特定的攻擊特徵。 此外，經過長時間的反覆運算和優化，GoPlus安全引擎積累了豐富的安全數據和經驗，其架構能夠快速有效地應對新出現的安全威脅，確保及時檢測和阻斷各種複雜和新的攻擊，全面保護使用者。 目前，該引擎在風險合約檢測、釣魚網站檢測、惡意地址檢測、風險交易檢測等多種安全場景中使用AI相關演演演算法和技術。 另一方面，降低了人工參與的複雜性和時間成本，提高了風險樣本判斷的準確性，特別是對於難以人工定義或難以被引擎識別的新場景，AI可以更好地聚合特徵，形成更有效的分析方法**。

2023年，隨著大型車型的發展，GoPlus迅速適應並採用了LLM。 與傳統的AI演演演演算法相比，LLM在數據識別、處理和分析方面明顯更加高效和有效。 在動態模糊測試方向，GoPlus利用LLM技術有效生成交易序列，探索更深層次的狀態，發現合約風險。

（2）人工智慧安全助手

GoPlus還在開發AI安全助手，利用基於LLM的自然語言處理功能提供即時安全諮詢並改善用戶體驗。 基於GPT大模型，AI助手通過前端業務數據的輸入，開發了一套自主研發的使用者安全代理，可以自動分析、生成解決方案、拆解任務、根據問題執行，為使用者提供所需的安全服務。 人工智慧助手簡化了使用者之間的溝通和安全問題，降低了理解的障礙。

在產品功能方面，由於AI在安全領域的重要性，AI未來有可能徹底改變現有安全引擎或病毒殺毒引擎的結構，以AI為核心的新引擎架構將出現。 GoPlus將繼續訓練和優化其AI模型，將AI從輔助工具轉變為其安全檢測引擎的核心功能。

在商業模式方面，雖然GoPlus的服務目前主要面向開發者和專案方，但該公司正在探索更多直接面向C端使用者的產品和服務，以及與AI相關的新收入模式。 提供高效、精準、低成本的C端服務將是GoPlus未來的核心競爭力。 這將要求公司繼續研究和對與使用者交互的大型AI模型進行更多的培訓和輸出。 同時，GoPlus還將與其他團隊合作，共用其安全數據，並通過合作驅動AI在安全領域的應用，為未來可能出現的行業變化做好準備。

1.4 信任實驗室

Trusta Labs 成立於 2022 年，是一家 Web3 領域的人工智慧數據初創公司。 Trusta Labs專注於使用先進的人工智慧技術對區塊鏈數據進行高效處理和準確分析，以建立區塊鏈的鏈上聲譽和安全基礎設施。 目前，Trusta Labs的業務包括兩個主要產品：TrustScan和TrustGo。

（1）TrustScan，TrustScan是一款專為B端客戶設計的產品，主要用於説明Web3專案分析鏈上用戶行為，在用戶獲取、用戶活躍度、使用者留存等方面細化分層，從而識別高價值和真實使用者。

（2）面向C端客戶的TrustGo提供MEDIA分析工具，可以從資金金額、活動度、多樣性、身份權、忠誠度五個維度對鏈上位址進行分析和評估，產品強調對鏈上數據的深度分析，以提高交易決策的品質和安全性。

Trusta Labs和AI的發展和規劃如下：

目前，Trusta Labs的兩款產品使用AI模型對鏈上位址的交互數據進行處理和分析。 區塊鏈上位址交互的行為數據是一系列數據，非常適合AI模型的訓練。 在清理、整理、標註鏈上數據的過程中，Trusta Labs將大量工作交給了AI，大大提高了數據處理的品質和效率，同時也降低了大量的人力成本。 Trusta Labs利用AI技術對鏈上位址交互數據進行深度分析和挖掘，可以有效識別B端客戶更可能的女巫位址。 Tursta Labs已經能夠在許多使用Tursta Labs產品的專案中防止潛在的Sybil攻擊，對於C端客戶，TrustGo利用現有的AI模型來幫助使用者深入瞭解他們的鏈上行為數據。

Trusta Labs一直密切關注LLM模型的技術進步和應用實踐。 隨著模型訓練和推理成本的不斷降低，以及Web3領域大量語料庫和使用者行為數據的積累，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層次的數據挖掘和分析能力。 在Trusta Labs已經提供的大量數據的基礎上，希望利用AI的智慧分析模型，為數據結果提供更合理客觀的數據解釋功能，比如為B端使用者提供對捕獲的Sybil帳戶分析的定性和定量解讀，讓使用者更好地理解數據背後原因的分析，同時，在B端使用者向客戶投訴和解釋時，可以提供更詳細的物質支援。

另一方面，Trusta Labs還計劃使用開源或成熟的LLM模型，結合以意圖為中心的設計理念，構建AI代理，幫助使用者更快、更高效地解決鏈上交互問題。 在具體應用場景方面，未來通過Trusta Labs提供的基於LLM訓練的AIAgent智慧助手，使用者可以直接通過自然語言與智慧助手進行溝通，智慧助手可以“智慧”反饋鏈上數據相關的資訊，並根據提供的資訊提出後續操作的建議和計劃，真正實現以使用者意圖為中心的一站式智慧操作，大大降低使用者使用數據的門檻，簡化鏈上操作的執行。

此外，Trusta認為，隨著未來越來越多的基於AI的數據產品的出現，每個產品的核心競爭因素可能不是所使用的LLM模型，但關鍵的競爭因素是對已經掌握的數據有更深入的理解和解讀。 基於對掌握數據的分析，結合LLM模型，可以訓練出更多“智慧”的AI模型。

1.5 0x示波器

0xScope成立於2022年，是一個以數據為中心的創新平臺，專注於區塊鏈技術與人工智慧的結合。 0xScope旨在改變人們處理，使用和查看數據的方式。 0xScope目前可用於B端和C端客戶：0xScope SaaS產品和0xScopescan。

（1）0xScope SaaS產品，企業SaaS解決方案，使企業客戶能夠進行投后管理，做出更好的投資決策，瞭解用戶行為，密切監控競爭動態。

（2）0xScopescan，一種B2C產品，允許加密貨幣交易者調查選定區塊鏈上的資金流動和活動。

0xScope的業務重點是利用鏈上數據抽象出通用的數據模型，簡化鏈上數據分析，將鏈上數據轉化為可理解的鏈上操作數據，幫助使用者對鏈上數據進行深入分析**。 使用0xScope提供的數據工具平臺，不僅可以提高鏈上數據的品質，挖掘數據的隱藏資訊，從而向使用者揭示更多資訊，還可以大大降低數據挖掘的門檻。

0xScope和AI的開發和規劃如下：

0xScope的產品正在結合大模型進行升級，包括兩個方向：一是通過自然語言交互進一步降低使用者的門檻，二是利用AI模型提高數據清洗、分析、建模和分析的處理效率。 同時，0xScope的產品即將推出具有Chat功能的AI交互模組，這將大大降低使用者查詢和分析數據的門檻，僅通過自然語言與底層數據進行交互和查詢。

然而，在訓練和使用AI的過程中，0xScope發現它仍然面臨以下挑戰：首先，AI訓練的成本和時間成本很高。 提出問題后，AI 需要很長時間才能做出回應**。 因此，這種困難迫使團隊精簡並專注於業務流程，專注於垂直問答，而不是使其成為全方位的超級AI助手。 其次，LLM模型的輸出是不可控的。 **數據產品希望給出準確的結果，但目前LLM模型給出的結果很可能與實際情況不同，這對數據產品的體驗是非常致命的。 此外，大型模型的輸出可能涉及使用者的私有數據。 因此，在產品中使用LLM模式時，團隊需要在很大程度上對其進行限制，以便AI模型的輸出可以控制和準確。

未來，0xScope計劃利用AI專注於特定的垂直軌道，深化其培育。 目前，基於大量鏈上數據的積累，0xScope可以定義鏈上使用者的身份，並將繼續使用AI工具抽象鏈上用戶行為，然後創建一個獨特的數據建模系統，通過該系統揭示鏈上數據的隱藏資訊。

在合作方面，0xScope將重點關注兩類群體：第一類是產品可以直接服務的物件，如開發者、專案方、VC、交易所等，需要當前產品提供的數據，第二類是需要AI Chat的合作夥伴，如Debank、Chainbase等，只需要相關知識和數據即可直接調用AI Chat。

VC洞察 - AI+Web3數據公司的商業化和未來發展

通過對4位資深VC投資者的訪談，本節將從投資和市場的角度，展望AI+Web3數據產業的現狀和發展、Web3數據企業的核心競爭力、未來的商業化路徑。

2.1 AI+Web3數據產業的現狀與發展

目前，AI與Web3數據的結合正處於積極探索的階段，從各龍頭Web3數據公司的發展方向來看，AI技術與LLM的結合是不可或缺的趨勢。 但同時，LLM也有其自身的技術局限性，無法解決當前數據行業的許多問題。

因此，我們需要認識到，沒有必要盲目地與AI結合來增強專案的效益，或者用AI概念進行炒作，而是要探索真正實用和有前途的應用領域。 從VC的角度來看，AI與Web3數據的結合從以下幾個方面進行了探索：

（1）通過AI技術提升Web3數據產品的能力，包括幫助企業提高內部數據處理和分析效率的AI技術，相應提高用戶數據產品的自動分析和檢索能力。 **例如，SevenX Ventures 的 Yuxing 提到，將 AI 技術用於 Web3 數據的主要説明是效率，例如 Dune 使用 LLM 模型進行代碼異常檢測和自然語言轉換來生成用於資訊索引的 SQL; 模型預先標註了數據，可以節省大量的人工成本。 儘管如此，VC一致認為，人工智慧在提高 Web3 數據產品的能力和效率方面發揮著輔助作用，例如數據的預註釋，這最終可能需要人工審查以確保準確性。 **

（2）利用LLM在適應性和交互性方面的優勢，構建AI代理/機器人。 **例如，使用大型語言模型從整個 Web3 中檢索數據，包括鏈上數據和鏈下新聞數據，用於資訊聚合和輿情分析。 Hashkey Capital的Harper認為，這種類型的AI代理更傾向於與使用者的集成、生成和交互，在資訊準確性和效率方面會相對較弱。

雖然以上兩個方面的應用案例很多，但技術和產品還處於探索的早期階段，所以未來需要不斷優化技術，完善產品。

（3）利用AI進行定價和交易策略分析：目前市場上有利用AI技術估算NFT價格的專案，如啟明創投投資的NFTGo，一些專業交易團隊使用AI進行數據分析和交易執行。 此外，海洋協定最近發佈了價格預測AI產品。 這種類型的產品可能看起來很有想像力，但它仍然需要在產品接受度、使用者接受度，尤其是準確性方面進行驗證。

另一方面，許多VC，尤其是那些投資了 Web2 VC 的人，會更加關注 Web3 和區塊鏈技術可以為 AI 技術帶來的優勢和應用場景。 區塊鏈的開放性、可驗證性和去中心化，以及密碼學提供隱私保護的能力，再加上 Web3 對生產關係的重塑，或許能夠為 AI 帶來一些新的機會：

（1）AI數據權屬確認與驗證。 人工智慧的出現使數據內容生成變得激增和廉價。 **啟明創投的唐毅提到，數位作品等內容的品質和創作者很難確定。 在這方面，數據內容的確認需要一個全新的系統，區塊鏈或許可以提供説明。 經緯諮詢的子曦提到，有數據交易所將數據放入NFT進行交易，可以解決數據權利確認的問題。

此外，SevenX Ventures的Yuxing提到，Web3數據可以改善AI欺詐和黑匣子的問題，目前在模型演演演算法本身和數據上都存在黑匣子問題，這可能導致輸出偏斜。 但是，Web3數據是透明的，數據是開放和可驗證的，AI模型的訓練來源和結果將更加清晰，使AI更加公平，減少偏見和錯誤。 然而，目前 Web3 中的數據量不足以賦能 AI 本身的訓練，因此短期內無法實現。 但是我們可以利用此功能將 Web2 數據放在鏈上，以防止 AI 深度偽造。 **

（2）AI數據標註眾包與UGC社區：目前傳統AI標註面臨效率和品質低下的問題，特別是在專業知識領域，可能還需要跨學科知識，這是傳統通用數據標註公司無法覆蓋的，往往需要由專業團隊在內部完成。 通過區塊鏈和 Web3 的概念引入眾包進行數據標註可能是改善這個問題的好方法，比如 Matrix Partners 投資的 Questlab，它使用區塊鏈技術為數據標註提供眾包服務。 此外，在一些開源模型社區中，區塊鏈概念也可以用於解決模型創建者經濟的問題。

（3）數據隱私部署：區塊鏈技術與密碼相關技術相結合，可以保證數據隱私和去中心化。 Matrix Partners的Zixi提到，他們投資了一家合成數據公司，通過大型模型生成合成數據，主要應用於軟體測試、數據分析和AI大模型訓練。 公司在處理數據時涉及很多隱私部署問題，使用Oasis區塊鏈可以有效避免隱私和監管問題。

2.2AI+Web3如何打造數據企業核心競爭力

對於Web3科技公司來說，AI的引入可以在一定程度上增加專案的吸引力或關注度，但目前，大多數與Web3科技公司結合AI相關的產品都不足以成為公司的核心競爭力，而更多的是提供更加人性化的體驗和提高效率。 比如AI代理的門檻不高，先做的公司可能在市場上有先發優勢，但不會製造壁壘。 **

Web3數據行業真正產生核心競爭力和壁壘的，應該是團隊的數據能力，以及如何應用AI技術在具體分析場景中解決問題。 **

首先，團隊的數據能力包括數據源和團隊分析數據和調整模型的能力，這是後續工作的基礎。 在採訪中，SevenX Ventures、Matrix Partners和Hashkey Capital都一致提到，AI+Web3數據公司的核心競爭力取決於數據源的品質。 除此之外，工程師還需要能夠熟練地微調模型、處理數據並根據數據源進行解析。

另一方面，團隊AI技術的具體組合也非常重要，場景應該是有價值的。 **Harper認為，雖然目前Web3數據公司和AI的組合基本都是從AI代理開始的，但它們的定位也不同，比如Hashkey Capital投資的時空，chainML合作推出了創建AI代理的基礎設施，其中創建的DeFi代理用於時空。

2.3** Web3 **** 數據公司未來商業化之路**

對於 Web3 數據公司來說，另一個重要的話題是商業化。 長期以來，數據分析公司的盈利模式一直比較簡單，大部分都是無ToC的，主ToB是盈利的，這取決於B端客戶的支付意願。 在Web3領域，企業支付意願不高，行業創業公司是中流砥柱，因此專案方很難支持長期支付。 因此，Web3 數據公司目前處於難以商業化的境地。

在這個問題上，VC普遍認為，目前AI技術的結合只是用於解決內部的生產過程問題，並不能改變變現難的固有問題。 一些新的產品形態，比如AI機器人，沒有足夠高的門檻，可能會在一定程度上提升使用者在toC領域的支付意願，但仍然不是很強。 人工智慧短期內可能無法解決數據產品商業化的問題，商業化需要更多的產品化努力**，比如尋找更合適的場景和創新的商業模式。

在未來Web3與AI結合的道路上，使用Web3的經濟模型與AI數據相結合可能會帶來一些新的商業模式，主要是在ToC領域。 Matrix Partners的Zixi提到，AI產品可以結合一些代幣玩法，提高整個社區的粘性、日常活動和情感，這是可行的，也更容易變現。 啟明創投的唐毅提到，從意識形態的角度來看，Web3的價值體系可以與AI結合，非常適合作為機器人的賬號體系或者價值轉化體系。 例如，機器人有自己的帳戶，可以通過其智慧部分賺錢，以及支付維護其底層計算能力的費用等。 但這個概念屬於未來的想像，實際應用可能還有很長的路要走。

在原有的商業模式中，即使用者的直接支付，需要有足夠強大的產品力，讓使用者有更強的支付意願。 例如，更高品質的數據源，數據的好處大於所付出的成本等，不僅在AI技術的應用上，而且在數據團隊本身的能力上。