AI在Web3中的应用：数据层挑战与解决方案

Web3生态系统正面临着AI应用的巨大机遇与挑战。本文深入探讨了AI代理在Web3环境中的数据需求、当前面临的困境,以及构建AI就绪数据层的关键要素。

AI代理的数据需求与Web3现状

AI代理的工作流程可概括为:观察、决策、行动、学习。这一循环依赖于新鲜、可靠、无需许可的数据。然而,Web3生态系统的数据分散在多条异构链、节点堆栈、索引器和链下预言机中,各有其独特的延迟、最终性、语义和故障模式。这导致AI代理难以获取所需的高质量数据。

Web3中AI开发者面临的挑战

1. 异构性:每条链都有独特的RPC行为、日志、事件模式等,基本查询都需要定制索引器。

2. 数据新鲜度与成本权衡:低成本数据往往更新缓慢,而高速数据则价格昂贵。

3. 语义解析:将原始日志转化为有意义的实体(如流动性池、头寸、盈亏)需要持续的ETL和重新计算。

4. 负载下的可靠性:网络拥堵和预言机延迟会产生自主代理难以应对的尾部风险。

可操作数据的定义及Web3的短板

可操作数据是指AI代理能在有限的时间预算内做出决策并执行的数据。具体要求包括:

• 跨链标准化语义
• 新鲜度和确定性
• 可验证性
• 数据邻近计算
• 流式处理和时间回溯能力

当前Web3技术栈提供了部分功能(如子图、RPC、分析API),但缺乏一个全面、跨链、低延迟的数据基础设施。

AI就绪数据层的关键特性

1. 多链数据摄取与规范化:统一的规范模式,明确的单位和小数位。

2. 流处理与快照:类Kafka的事件流和OLAP快照,支持时间回溯和数据关联。

3. 可溯源的镜像:确定性的子图镜像,版本化的转换和完整性检查。

4. 流内计算:内置波动率、流动性深度、路由模拟等计算功能。

5. 感知最终性的新鲜度API:每次读取返回新鲜度、确认数和最终性级别。

6. 意图钩子:与意图执行系统的一级绑定,支持模拟和验证。

7. 安全审计:限速、熔断、重放日志和交易后证明。

AI × Web3的未来展望

构建合适的数据层将开启新的可能性:

• 自主做市商定价考虑数据新鲜度和最终性
• 治理协助代理:分析提案、模拟结果并提供加密证明的意见
• 跨链投资组合策略:基于意图执行系统的自动化管理
• 数据市场:具有链上支付和使用证明的数据集和推理服务

结语

对于将AI代理作为下一代用户界面的团队来说,架构选择将决定产品成败。持续修补RPC调用和定时ETL的团队将难以适应多链、实时、对抗性市场的需求。而构建AI就绪数据层 - 标准化、镜像、可计算、感知最终性并连接意图执行系统的团队,将能够部署能够高效观察、决策、行动和学习的生产级代理。

给予AI代理们应得的数据基础设施。市场不会等待,而它们正饥渴难耐。