การเกิดขึ้นของ GPT ดึงดูดความสนใจจากทั่วโลกไปยังโมเดลภาษาขนาดใหญ่ ทุกสาขาอาชีพพยายามใช้ เทคโนโลยีสีดำ นี้เพื่อปรับปรุงประสิทธิภาพการทำงานและเร่งการพัฒนาอุตสาหกรรม Future 3 Campus ร่วมมือกับ Footprint Analytics เพื่อทำการวิจัยเชิงลึกเกี่ยวกับความเป็นไปได้ที่ไม่มีที่สิ้นสุดของการรวมกันของ AI และ Web3 และร่วมกันเผยแพร่รายงานการวิจัยในหัวข้อ การวิเคราะห์สถานการณ์ปัจจุบัน แนวการแข่งขัน และโอกาสในอนาคตของการบูรณาการของ อุตสาหกรรมข้อมูล AI และ Web3 รายงานการวิจัยแบ่งออกเป็น 2 ส่วน บทความนี้เป็นส่วนที่ 2 เรียบเรียงโดยนักวิจัย Future 3 Campus Sherry และ Humphrey

การอ่านที่เกี่ยวข้อง:Footprint Analytics x Future 3 รายงานการวิจัย 10,000 คำ: การวิเคราะห์สถานะปัจจุบัน แนวการแข่งขัน และโอกาสในอนาคตของการบูรณาการอุตสาหกรรมข้อมูล AI และ Web3 (ตอนที่ 1)

สรุป:

• การผสมผสานข้อมูลของ AI และ Web3 กำลังส่งเสริมการปรับปรุงประสิทธิภาพการประมวลผลข้อมูลและประสบการณ์ผู้ใช้ การสำรวจ LLM ในอุตสาหกรรมข้อมูลบล็อกเชนในปัจจุบันมุ่งเน้นไปที่การปรับปรุงประสิทธิภาพการประมวลผลข้อมูลผ่านเทคโนโลยี AI เป็นหลัก โดยใช้ข้อได้เปรียบเชิงโต้ตอบของ LLM เพื่อสร้างตัวแทน AI และการใช้ AI สำหรับการกำหนดราคาและการวิเคราะห์กลยุทธ์การทำธุรกรรม

• ในปัจจุบัน การประยุกต์ใช้ AI ในด้านข้อมูล Web3 ยังคงเผชิญกับความท้าทายบางประการ เช่น ความแม่นยำ การตีความได้ การค้าขาย เป็นต้น ยังมีหนทางอีกยาวไกลในการทดแทนการแทรกแซงของมนุษย์โดยสิ้นเชิง

• ความสามารถในการแข่งขันหลักของ Web3 Data Company ไม่ใช่แค่เทคโนโลยี AI เท่านั้น แต่ยังรวมถึงความสามารถในการสะสมข้อมูลและการวิเคราะห์เชิงลึกและการประยุกต์ใช้ข้อมูลอีกด้วย

• AI อาจไม่ใช่วิธีแก้ปัญหาของการจำหน่ายผลิตภัณฑ์ข้อมูลในเชิงพาณิชย์ในระยะสั้น และการค้าจะต้องอาศัยความพยายามในการผลิตมากขึ้น

1. สถานะปัจจุบันและเส้นทางการพัฒนาของการบูรณาการอุตสาหกรรมข้อมูล Web3 และ AI

1.1 Dune

ปัจจุบัน Dune เป็นชุมชนการวิเคราะห์ข้อมูลแบบเปิดชั้นนำในอุตสาหกรรม Web3 มีเครื่องมือสำหรับการสืบค้น การแยก และการแสดงภาพข้อมูลจำนวนมากบนบล็อกเชน ฐานข้อมูลที่เติมไว้ล่วงหน้า และสร้างแผนภูมิและความคิดเห็นที่เกี่ยวข้อง

ในเดือนมีนาคม พ.ศ. 2566 Dune เสนอแผนสำหรับ AI และการบูรณาการในอนาคตกับ LLM และเปิดตัวผลิตภัณฑ์ Dune AI ในเดือนตุลาคม แกนหลักของผลิตภัณฑ์ที่เกี่ยวข้องกับ Dune AI มุ่งเน้นไปที่การใช้ภาษาอันทรงพลังและความสามารถในการวิเคราะห์ของ LLM เพื่อปรับปรุง Wizard UX และมอบการสืบค้นข้อมูลและการเขียน SQL บน Dune ที่ดียิ่งขึ้นแก่ผู้ใช้

(1) คำอธิบายแบบสอบถาม: ผลิตภัณฑ์ที่เปิดตัวในเดือนมีนาคมช่วยให้ผู้ใช้สามารถรับคำอธิบายภาษาธรรมชาติของการสืบค้น SQL ได้โดยการคลิกปุ่ม ได้รับการออกแบบมาเพื่อช่วยให้ผู้ใช้เข้าใจคำสั่ง SQL ที่ซับซ้อนได้ดีขึ้น จึงช่วยปรับปรุงประสิทธิภาพและความแม่นยำของการวิเคราะห์ข้อมูล

(2) การแปลคำค้นหา: Dune วางแผนที่จะโยกย้ายกลไกการสืบค้น SQL ที่แตกต่างกันบน Dune (เช่น Postgres และ Spark SQL) ไปยัง DuneSQL อย่างสม่ำเสมอ ดังนั้น LLM จึงสามารถมอบความสามารถในการแปลภาษาการสืบค้นอัตโนมัติเพื่อช่วยให้ผู้ใช้ทำการเปลี่ยนแปลงที่ดีขึ้นเพื่อประโยชน์ของ DuneSQL .

(3) ข้อความค้นหาภาษาธรรมชาติ: Dune AI เปิดตัวในเดือนตุลาคม อนุญาตให้ผู้ใช้ถามคำถามและรับข้อมูลเป็นภาษาอังกฤษธรรมดา เป้าหมายของคุณลักษณะนี้คือเพื่อให้ผู้ใช้ที่ไม่มีความรู้ SQL สามารถรับและวิเคราะห์ข้อมูลได้ง่าย

(4) การเพิ่มประสิทธิภาพการค้นหา: Dune วางแผนที่จะใช้ LLM เพื่อปรับปรุงฟังก์ชันการค้นหาเพื่อช่วยให้ผู้ใช้กรองข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น

(5) ฐานความรู้ของ Wizard: Dune วางแผนที่จะเปิดตัว chatbot เพื่อช่วยให้ผู้ใช้เรียกดูความรู้ blockchain และ SQL ในเอกสาร Spellbook และ Dune ได้อย่างรวดเร็ว

(6) ลดความซับซ้อนของงานเขียน SQL (Dune Wand): Dune เปิดตัวชุดเครื่องมือ SQL Wand ในเดือนสิงหาคม Create Wand อนุญาตให้ผู้ใช้สร้างการสืบค้นที่สมบูรณ์จากข้อความแจ้งในภาษาธรรมชาติ Edit Wand อนุญาตให้ผู้ใช้ทำการแก้ไขการสืบค้นที่มีอยู่ และฟังก์ชัน Debug จะแก้ไขข้อผิดพลาดทางไวยากรณ์ในการสืบค้นโดยอัตโนมัติ แกนหลักของเครื่องมือเหล่านี้คือเทคโนโลยี LLM ซึ่งสามารถลดความซับซ้อนของกระบวนการเขียนแบบสอบถาม และช่วยให้นักวิเคราะห์มุ่งเน้นไปที่ตรรกะหลักของการวิเคราะห์ข้อมูลโดยไม่ต้องกังวลเกี่ยวกับปัญหาโค้ดและไวยากรณ์

1.2 Footprint Analytics

Footprint Analytics เป็นผู้ให้บริการโซลูชันข้อมูลบล็อกเชนที่ใช้เทคโนโลยีปัญญาประดิษฐ์เพื่อจัดทำแพลตฟอร์มการวิเคราะห์ข้อมูลแบบไม่ต้องเขียนโค้ด ผลิตภัณฑ์ API ข้อมูลแบบครบวงจร และแพลตฟอร์ม BI ของโครงการ Web3 Footprint Growth Analytics

ข้อได้เปรียบของ Footprint คือการสร้างสายการผลิตข้อมูล on-chain และเครื่องมือทางนิเวศวิทยา โดยสร้าง Data Lake แบบรวมศูนย์เพื่อเปิดข้อมูลทั้งแบบ on-chain และ off-chain และฐานข้อมูลเมตาดาต้าที่คล้ายกับการจดทะเบียนอุตสาหกรรมและพาณิชยกรรมแบบ on-chain ทำให้มั่นใจได้ว่า ที่ผู้ใช้สามารถรับข้อมูลเมื่อทำการวิเคราะห์และใช้งานฟังก์ชั่นการใช้งานที่ง่ายดายและมีคุณภาพ กลยุทธ์ระยะยาวของ Footprint จะมุ่งเน้นไปที่เชิงลึกด้านเทคนิคและการสร้างแพลตฟอร์มเพื่อสร้าง โรงงานเครื่องจักร ที่สามารถผลิตข้อมูลและแอปพลิเคชันแบบออนไลน์ได้

การผสมผสานระหว่างผลิตภัณฑ์ Footprint และ AI มีดังนี้

นับตั้งแต่เปิดตัวโมเดล LLM ทาง Footprint ได้สำรวจการผสมผสานระหว่างผลิตภัณฑ์ข้อมูลที่มีอยู่และ AI เป็นครั้งแรก เพื่อปรับปรุงประสิทธิภาพของการประมวลผลและการวิเคราะห์ข้อมูล และสร้างผลิตภัณฑ์ที่เป็นมิตรกับผู้ใช้มากขึ้น ในเดือนพฤษภาคม พ.ศ. 2566 Footprint ได้เริ่มให้บริการฟังก์ชันการวิเคราะห์ข้อมูลเชิงโต้ตอบด้วยภาษาธรรมชาติแก่ผู้ใช้ และได้อัปเกรดเป็นฟังก์ชันผลิตภัณฑ์ระดับไฮเอนด์โดยใช้พื้นฐานแบบไม่มีโค้ดดั้งเดิม ผู้ใช้ไม่จำเป็นต้องคุ้นเคยกับตารางและการออกแบบของ แพลตฟอร์ม กล่าวคือ รับข้อมูลอย่างรวดเร็วและสร้างแผนภูมิผ่านการสนทนา

นอกจากนี้ ผลิตภัณฑ์ข้อมูล LLM + Web3 ในปัจจุบันในตลาดมุ่งเน้นไปที่การแก้ปัญหาการลดเกณฑ์ผู้ใช้และการเปลี่ยนกระบวนทัศน์การโต้ตอบเป็นหลัก การมุ่งเน้นของ Footprint ในการพัฒนาผลิตภัณฑ์และ AI ไม่เพียงช่วยให้ผู้ใช้แก้ปัญหาการใช้การวิเคราะห์ข้อมูลเท่านั้น ประสบการณ์ ยังมุ่งเน้นไปที่การสะสมข้อมูลแนวดิ่งและความเข้าใจทางธุรกิจในด้าน crypto เช่นเดียวกับการฝึกอบรมโมเดลภาษาในฟิลด์ crypto เพื่อปรับปรุงประสิทธิภาพและความแม่นยำของแอปพลิเคชันสถานการณ์แนวตั้ง ข้อดีของรอยเท้าในเรื่องนี้จะสะท้อนให้เห็นในด้านต่อไปนี้:

• ปริมาณความรู้ข้อมูล (คุณภาพและปริมาณฐานความรู้) ประสิทธิภาพการสะสมข้อมูล แหล่งที่มา ปริมาณ หมวดหมู่ โดยเฉพาะอย่างยิ่งผลิตภัณฑ์ย่อยของ Footprint MetaMosaic ประกอบด้วยกราฟความสัมพันธ์และการสะสมข้อมูลคงที่ของตรรกะทางธุรกิจเฉพาะ

• สถาปัตยกรรมความรู้ Footprint ได้สะสมตารางข้อมูลเชิงนามธรรมของเครือข่ายสาธารณะมากกว่า 30 ตารางตามส่วนธุรกิจ ความรู้เกี่ยวกับกระบวนการผลิตตั้งแต่ข้อมูลดิบไปจนถึงข้อมูลที่มีโครงสร้างสามารถช่วยเพิ่มความเข้าใจในข้อมูลดิบและฝึกโมเดลให้ดีขึ้นได้

• ประเภทของข้อมูล มีช่องว่างที่ชัดเจนในด้านประสิทธิภาพการฝึกอบรมและต้นทุนเครื่องจักรระหว่างการฝึกอบรมจากข้อมูลดิบที่ไม่ได้มาตรฐานและไม่มีโครงสร้างในห่วงโซ่และการฝึกอบรมจากตารางและตัวบ่งชี้ข้อมูลที่มีโครงสร้างและมีความหมายทางธุรกิจ ตัวอย่างทั่วไปคือจำเป็นต้องจัดเตรียมข้อมูลเพิ่มเติมให้กับ LLM นอกเหนือจากข้อมูลระดับมืออาชีพตามฟิลด์การเข้ารหัสแล้วข้อมูลเหล่านี้ยังต้องการข้อมูลที่มีโครงสร้างและอ่านได้ง่ายยิ่งขึ้นอีกด้วย

• ข้อมูลการไหลของเงิน Crypto Footprint สรุปข้อมูลการไหลของเงินทุนที่เกี่ยวข้องกับการลงทุนอย่างใกล้ชิด ซึ่งรวมถึงเวลา หัวเรื่อง (รวมถึงทิศทางการไหล) ประเภทโทเค็น จำนวน (ราคาโทเค็น ณ จุดเวลาที่เกี่ยวข้อง) ประเภทธุรกิจ และโทเค็น แท็กของหัวเรื่องสามารถใช้เป็น ฐานความรู้และแหล่งข้อมูลของ LLM ซึ่งสามารถใช้เพื่อวิเคราะห์เงินทุนหลักของโทเค็น ค้นหาการกระจายของชิป ติดตามการไหลของเงินทุน ระบุการเปลี่ยนแปลงในห่วงโซ่ ติดตามกองทุนอัจฉริยะ ฯลฯ

• การอัดฉีดข้อมูลส่วนตัว Footprint แบ่งโมเดลออกเป็น 3 ชั้นใหญ่ๆ ชั้นแรกคือโมเดลขนาดใหญ่ฐานที่มีความรู้ระดับโลก (OpenAI และโมเดลโอเพ่นซอร์สอื่นๆ) โมเดลแนวตั้งในสาขาย่อย และโมเดลความรู้ของผู้เชี่ยวชาญเฉพาะบุคคล ช่วยให้ผู้ใช้สามารถรวมและจัดการฐานความรู้ของตนจากแหล่งต่างๆ บน Footprint และใช้ข้อมูลส่วนตัวเพื่อฝึกอบรม LLM ส่วนตัว ซึ่งเหมาะสำหรับสถานการณ์การใช้งานที่เป็นส่วนตัวมากขึ้น

ในระหว่างการสำรวจ Footprint รวมกับโมเดล LLM เรายังพบกับความท้าทายและปัญหาต่างๆ มากมาย ซึ่งโดยทั่วไปส่วนใหญ่เป็นโทเค็นไม่เพียงพอ การแจ้งที่ใช้เวลานาน และคำตอบที่ไม่เสถียร ในด้านแนวตั้งของข้อมูล on-chain ที่ Footprint ตั้งอยู่ ความท้าทายที่ยิ่งใหญ่กว่าคือการมีเอนทิตีข้อมูลบน chain หลายประเภท จำนวนมหาศาล และการเปลี่ยนแปลงอย่างรวดเร็ว ในรูปแบบใด พวกเขาจะถูกป้อนให้กับ LLM ทั้งอุตสาหกรรม ต้องการการวิจัยและการสำรวจเพิ่มเติม ห่วงโซ่เครื่องมือในปัจจุบันยังอยู่ในช่วงเริ่มต้น และจำเป็นต้องมีเครื่องมือเพิ่มเติมเพื่อแก้ไขปัญหาเฉพาะบางอย่าง

ในอนาคต การบูรณาการเทคโนโลยีและผลิตภัณฑ์ของ Footprint เข้ากับ AI จะรวมถึงสิ่งต่อไปนี้:

(1) ในแง่ของเทคโนโลยี Footprint จะใช้โมเดล LLM เพื่อสำรวจและเพิ่มประสิทธิภาพในสามด้าน

• สนับสนุน LLM เพื่อดำเนินการให้เหตุผลกับข้อมูลที่มีโครงสร้าง เพื่อให้สามารถนำไปใช้กับข้อมูลที่มีโครงสร้างจำนวนมากและความรู้ในด้านการเข้ารหัสกับการใช้และการผลิตข้อมูลของ LLM

• ช่วยให้ผู้ใช้สร้างฐานความรู้ส่วนบุคคล (รวมถึงความรู้ ข้อมูล และประสบการณ์) และใช้ข้อมูลส่วนตัวเพื่อปรับปรุงความสามารถของ crypto LLM ที่ปรับให้เหมาะสม ช่วยให้ทุกคนสร้างแบบจำลองของตนเองได้

• ให้ AI ช่วยวิเคราะห์และผลิตเนื้อหา ผู้ใช้สามารถสร้าง GPT ของตนเองผ่านบทสนทนารวมกับข้อมูลเงินทุนไหลและฐานความรู้ส่วนตัวเพื่อสร้างและแบ่งปันเนื้อหาการลงทุน crypto

(2) ในแง่ของผลิตภัณฑ์ Footprint จะมุ่งเน้นไปที่การสำรวจการใช้งานผลิตภัณฑ์ AI และนวัตกรรมในรูปแบบธุรกิจ ตามแผนการโปรโมตผลิตภัณฑ์ล่าสุดของ Footprint จะเปิดตัวแพลตฟอร์มการสร้างเนื้อหา crypto และการแบ่งปัน AI สำหรับผู้ใช้

นอกจากนี้ สำหรับการขยายพันธมิตรในอนาคต Footprint จะสำรวจสองประเด็นต่อไปนี้:

ประการแรก เสริมสร้างความร่วมมือกับ KOL เพื่ออำนวยความสะดวกในการผลิตเนื้อหาที่มีคุณค่า การดำเนินงานของชุมชน และการสร้างรายได้จากความรู้

ประการที่สอง ขยายฝ่ายโครงการที่ให้ความร่วมมือและผู้ให้บริการข้อมูลมากขึ้น สร้างแรงจูงใจผู้ใช้และความร่วมมือด้านข้อมูลที่เปิดกว้างและได้ประโยชน์ทั้งสองฝ่าย และสร้างแพลตฟอร์มบริการข้อมูลแบบครบวงจรที่เป็นประโยชน์ร่วมกันและได้ประโยชน์ทั้งสองฝ่าย

1.3 GoPlus Security

ปัจจุบัน GoPlus Security เป็นโครงสร้างพื้นฐานด้านความปลอดภัยของผู้ใช้ชั้นนำในอุตสาหกรรม Web3 โดยให้บริการรักษาความปลอดภัยที่มุ่งเน้นผู้ใช้ที่หลากหลาย ได้รับการบูรณาการโดยกระเป๋าเงินดิจิทัลกระแสหลัก เว็บไซต์ตลาด Dex และแอปพลิเคชัน Web3 อื่นๆ มากมายในตลาด ผู้ใช้สามารถใช้ฟังก์ชันการป้องกันความปลอดภัยต่างๆ ได้โดยตรง เช่น การตรวจจับความปลอดภัยของสินทรัพย์ การอนุญาตการโอน และการป้องกันฟิชชิ่ง โซลูชันการรักษาความปลอดภัยของผู้ใช้ที่ GoPlus มอบให้สามารถครอบคลุมวงจรชีวิตการรักษาความปลอดภัยของผู้ใช้อย่างครอบคลุม เพื่อปกป้องทรัพย์สินของผู้ใช้จากภัยคุกคามจากผู้โจมตีประเภทต่างๆ

การพัฒนาและการวางแผน GoPlus และ AI มีดังนี้

การสำรวจเทคโนโลยี AI หลักของ GoPlus สะท้อนให้เห็นในผลิตภัณฑ์ทั้งสองของบริษัท: การตรวจจับอัตโนมัติของ AI และผู้ช่วยด้านความปลอดภัยของ AI:

(1) การตรวจจับอัตโนมัติของ AI

GoPlus จะเริ่มพัฒนากลไกการตรวจจับอัตโนมัติของตนเองโดยใช้เทคโนโลยี AI ในปี 2565 เพื่อปรับปรุงประสิทธิภาพและความแม่นยำของการตรวจจับความปลอดภัยอย่างครอบคลุม กลไกการรักษาความปลอดภัยของ GoPlus ใช้วิธีการวิเคราะห์แบบช่องทางหลายชั้น โดยใช้หลายลิงก์ เช่น การตรวจจับโค้ดแบบคงที่ การตรวจจับแบบไดนามิก และการตรวจจับคุณสมบัติหรือพฤติกรรม กระบวนการตรวจจับแบบรวมนี้ช่วยให้กลไกสามารถระบุและวิเคราะห์ลักษณะของตัวอย่างความเสี่ยงที่อาจเกิดขึ้นได้อย่างมีประสิทธิภาพ เพื่อสร้างแบบจำลองประเภทและพฤติกรรมการโจมตีอย่างมีประสิทธิภาพ โมเดลเหล่านี้เป็นกุญแจสำคัญสำหรับกลไกในการระบุและป้องกันภัยคุกคามด้านความปลอดภัยซึ่งช่วยให้กลไกพิจารณาว่าตัวอย่างความเสี่ยงมีลักษณะการโจมตีบางอย่างหรือไม่ นอกจากนี้ เครื่องมือรักษาความปลอดภัย GoPlus ได้สะสมข้อมูลความปลอดภัยและประสบการณ์มากมายหลังจากการทำซ้ำและเพิ่มประสิทธิภาพมาเป็นเวลานาน สถาปัตยกรรมของ GoPlus สามารถตอบสนองต่อภัยคุกคามความปลอดภัยที่เกิดขึ้นได้อย่างรวดเร็วและมีประสิทธิภาพ ทำให้มั่นใจได้ว่าการโจมตีที่ซับซ้อนและใหม่ต่างๆ สามารถค้นพบและบล็อกได้ ทันเวลา เราปกป้องความปลอดภัยของผู้ใช้ ปัจจุบัน กลไกใช้อัลกอริธึมและเทคโนโลยีที่เกี่ยวข้องกับ AI ในสถานการณ์ความปลอดภัยต่างๆ เช่น การตรวจจับสัญญาที่มีความเสี่ยง การตรวจจับเว็บไซต์ฟิชชิ่ง การตรวจจับที่อยู่ที่เป็นอันตราย และการตรวจจับธุรกรรมที่มีความเสี่ยง การใช้เทคโนโลยี AI สามารถลดความเสี่ยงได้รวดเร็วยิ่งขึ้น ปรับปรุงประสิทธิภาพการตรวจจับ และลดต้นทุนการตรวจจับ ในทางกลับกัน จะช่วยลดความซับซ้อนและต้นทุนเวลาในการมีส่วนร่วมด้วยตนเอง และปรับปรุงความแม่นยำของการตัดสินตัวอย่างความเสี่ยง โดยเฉพาะสำหรับผู้ที่ เดิมเป็นแบบแมนนวล สำหรับสถานการณ์ใหม่ที่ยากต่อการกำหนดหรือยากที่เอ็นจิ้นจะระบุได้ AI สามารถรวบรวมคุณสมบัติและสร้างวิธีการวิเคราะห์ที่มีประสิทธิภาพมากขึ้นได้

ในปี 2023 เมื่อมีโมเดลขนาดใหญ่พัฒนาขึ้น GoPlus ก็ปรับตัวและนำ LLM มาใช้อย่างรวดเร็ว เมื่อเปรียบเทียบกับอัลกอริธึม AI แบบดั้งเดิม ประสิทธิภาพและประสิทธิผลของ LLM ในการระบุ การประมวลผล และการวิเคราะห์ข้อมูลได้รับการปรับปรุงอย่างมีนัยสำคัญ การเกิดขึ้นของ LLM ได้ช่วยให้ GoPlus เร่งการสำรวจทางเทคโนโลยีในการตรวจจับอัตโนมัติของ AI GoPlus ได้นำเทคโนโลยี LLM มาใช้เพื่อสร้างลำดับธุรกรรมอย่างมีประสิทธิภาพและสำรวจสถานะที่ลึกลงไปเพื่อค้นหาความเสี่ยงของสัญญาเพื่อทดสอบฟัซแบบไดนามิก

(2) ผู้ช่วยรักษาความปลอดภัย AI

GoPlus ยังใช้ประโยชน์จากความสามารถในการประมวลผลภาษาธรรมชาติที่ใช้ LLM เพื่อพัฒนาผู้ช่วยด้านความปลอดภัยของ AI เพื่อให้คำปรึกษาด้านความปลอดภัยทันทีและปรับปรุงประสบการณ์ผู้ใช้ ตามโมเดลขนาดใหญ่ของ GPT ผู้ช่วย AI ได้พัฒนาชุดเอเจนต์ความปลอดภัยของผู้ใช้ที่พัฒนาตนเอง ผ่านการป้อนข้อมูลธุรกิจส่วนหน้า ซึ่งสามารถวิเคราะห์ สร้างโซลูชัน แยกส่วนงาน และดำเนินการตามปัญหาได้โดยอัตโนมัติ ผู้ใช้บริการรักษาความปลอดภัยที่จำเป็น . ผู้ช่วย AI สามารถทำให้การสื่อสารระหว่างผู้ใช้กับปัญหาด้านความปลอดภัยง่ายขึ้น และลดเกณฑ์ที่ผู้ใช้จะเข้าใจ

ในแง่ของฟังก์ชันผลิตภัณฑ์ เนื่องจาก AI มีความสำคัญในด้านความปลอดภัย AI จึงมีศักยภาพที่จะเปลี่ยนแปลงโครงสร้างของกลไกรักษาความปลอดภัยที่มีอยู่หรือกลไกป้องกันไวรัสที่มีอยู่อย่างสมบูรณ์ในอนาคต และสถาปัตยกรรมกลไกใหม่ที่มี AI เป็นแกนหลัก จะโผล่ออกมา GoPlus จะฝึกอบรมและเพิ่มประสิทธิภาพโมเดล AI ต่อไป เพื่อเปลี่ยน AI จากเครื่องมือเสริมให้เป็นฟังก์ชันหลักของกลไกตรวจจับความปลอดภัย

ในแง่ของรูปแบบธุรกิจ แม้ว่าปัจจุบันบริการของ GoPlus จะเน้นไปที่นักพัฒนาและฝ่ายโครงการเป็นหลัก แต่บริษัทก็กำลังสำรวจผลิตภัณฑ์และบริการเพิ่มเติมโดยตรงสำหรับผู้ใช้ C-end รวมถึงโมเดลรายได้ใหม่ที่เกี่ยวข้องกับ AI การให้บริการฝั่ง C-side ที่มีประสิทธิภาพ แม่นยำ และราคาประหยัดจะเป็นความสามารถในการแข่งขันหลักของ GoPlus ในอนาคต สิ่งนี้ทำให้บริษัทต้องวิจัยต่อไป และดำเนินการฝึกอบรมและส่งออกโมเดล AI ขนาดใหญ่ที่มีการโต้ตอบกับผู้ใช้มากขึ้น ในเวลาเดียวกัน GoPlus จะทำงานร่วมกับทีมอื่น ๆ เพื่อแบ่งปันข้อมูลความปลอดภัยและส่งเสริมแอปพลิเคชัน AI ในด้านการรักษาความปลอดภัยผ่านความร่วมมือเพื่อเตรียมพร้อมสำหรับการเปลี่ยนแปลงของอุตสาหกรรมที่อาจเกิดขึ้นในอนาคต

1.4 Trusta Labs

Trusta Labs ก่อตั้งขึ้นในปี 2022 โดยเป็นบริษัทสตาร์ทอัพข้อมูลในสาขา Web3 ที่ขับเคลื่อนโดยปัญญาประดิษฐ์ Trusta Labs มุ่งเน้นไปที่การใช้เทคโนโลยีปัญญาประดิษฐ์ขั้นสูงเพื่อประมวลผลและวิเคราะห์ข้อมูลบล็อกเชนอย่างแม่นยำ เพื่อสร้างชื่อเสียงบนเชนและโครงสร้างพื้นฐานด้านความปลอดภัยของบล็อกเชน ปัจจุบันธุรกิจของ Trusta Labs ประกอบด้วยผลิตภัณฑ์ 2 รายการหลักๆ ได้แก่ TrustScan และ TrustGo

(1) TrustScan, TrustScan เป็นผลิตภัณฑ์ที่ออกแบบมาเป็นพิเศษสำหรับลูกค้า B-side โดยส่วนใหญ่จะใช้เพื่อช่วยให้โครงการ Web3 ดำเนินการวิเคราะห์พฤติกรรมผู้ใช้แบบออนไลน์และแบ่งชั้นอย่างละเอียดในแง่ของการได้มาซึ่งผู้ใช้ กิจกรรมผู้ใช้ และการรักษาผู้ใช้เพื่อระบุมูลค่าที่สูง และผู้ใช้งานจริง

(2) TrustGo ผลิตภัณฑ์สำหรับลูกค้า C-end นำเสนอเครื่องมือวิเคราะห์ MEDIA ที่สามารถวิเคราะห์และประเมินที่อยู่ออนไลน์จากห้ามิติ (จำนวนเงินทุน กิจกรรม ความหลากหลาย สิทธิ์ในตัวตน และความภักดี) ผลิตภัณฑ์นี้เน้นใน- การวิเคราะห์เชิงลึกของข้อมูลออนไลน์เพื่อปรับปรุงคุณภาพและความปลอดภัยของการตัดสินใจในการทำธุรกรรม

การพัฒนาและการวางแผนของ Trusta Labs และ AI มีดังนี้:

ปัจจุบัน ผลิตภัณฑ์ทั้งสองของ Trusta Labs ใช้แบบจำลอง AI เพื่อประมวลผลและวิเคราะห์ข้อมูลการโต้ตอบของที่อยู่ในห่วงโซ่ ข้อมูลพฤติกรรมของการโต้ตอบที่อยู่ในบล็อกเชนเป็นข้อมูลลำดับทั้งหมด ข้อมูลประเภทนี้เหมาะมากสำหรับการฝึกโมเดล AI ในกระบวนการทำความสะอาด จัดเรียง และติดป้ายกำกับข้อมูลในห่วงโซ่ Trusta Labs มอบงานจำนวนมากให้กับ AI ซึ่งปรับปรุงคุณภาพและประสิทธิภาพของการประมวลผลข้อมูลได้อย่างมาก ขณะเดียวกันก็ช่วยลดต้นทุนค่าแรงได้มาก Trusta Labs ใช้เทคโนโลยี AI เพื่อทำการวิเคราะห์เชิงลึกและการขุดข้อมูลการโต้ตอบที่อยู่บนห่วงโซ่ สำหรับลูกค้า B-side ระบบสามารถระบุที่อยู่แม่มดที่เป็นไปได้มากที่สุดได้อย่างมีประสิทธิภาพ ในหลายโครงการที่ใช้ผลิตภัณฑ์ Tursta Labs Tursta Labs สามารถป้องกันการโจมตี Sybil ที่อาจเกิดขึ้นได้ดีขึ้น สำหรับลูกค้า C-side ผ่านผลิตภัณฑ์ TrustGo โมเดล AI ที่มีอยู่จะถูกนำมาใช้เพื่อช่วยให้ผู้ใช้เข้าใจตนเองอย่างลึกซึ้งยิ่งขึ้น .

Trusta Labs ให้ความสนใจอย่างใกล้ชิดกับความก้าวหน้าทางเทคนิคและแนวปฏิบัติในการใช้งานโมเดล LLM ด้วยการลดต้นทุนการฝึกอบรมโมเดลและการอนุมานอย่างต่อเนื่อง และการสะสมข้อมูลคลังข้อมูลและพฤติกรรมผู้ใช้จำนวนมากในฟิลด์ Web3 Trusta Labs จะหาเวลาที่เหมาะสมในการแนะนำเทคโนโลยี LLM และใช้ประสิทธิภาพของ AI เพื่อให้บริการมากขึ้นใน - การทำเหมืองข้อมูลเชิงลึกและการวิเคราะห์ผลิตภัณฑ์และผู้ใช้ ฟังก์ชั่น บนพื้นฐานของข้อมูลที่หลากหลายที่ Trusta Labs มอบให้ในปัจจุบัน เราหวังว่าจะใช้โมเดลการวิเคราะห์อัจฉริยะของ AI เพื่อมอบฟังก์ชันการตีความข้อมูลที่สมเหตุสมผลและเป็นกลางมากขึ้นสำหรับผลลัพธ์ของข้อมูล เช่น การให้การตีความเชิงคุณภาพและเชิงปริมาณสำหรับผู้ใช้ B-end การวิเคราะห์ของ บัญชี Witch ช่วยให้ผู้ใช้เข้าใจการวิเคราะห์เหตุผลเบื้องหลังข้อมูลได้ดียิ่งขึ้น และยังสามารถให้การสนับสนุนเนื้อหาที่มีรายละเอียดมากขึ้นสำหรับผู้ใช้ B-side เมื่ออธิบายข้อร้องเรียนแก่ลูกค้าของตน

ในทางกลับกัน Trusta Labs ยังวางแผนที่จะใช้โมเดล LLM แบบโอเพ่นซอร์สหรือที่ค่อนข้างสมบูรณ์ และผสมผสานเข้ากับแนวคิดการออกแบบที่เน้นจุดประสงค์เพื่อสร้าง AI Agent เพื่อช่วยให้ผู้ใช้แก้ไขปัญหาการโต้ตอบออนไลน์ได้รวดเร็วและมีประสิทธิภาพยิ่งขึ้น ในแง่ของสถานการณ์การใช้งานเฉพาะ ในอนาคต ผู้ใช้สามารถสื่อสารกับผู้ช่วยอัจฉริยะได้โดยตรงผ่านภาษาธรรมชาติผ่านการฝึกอบรม LLM ที่ได้รับจาก Trusta Labs ผ่านผู้ช่วยอัจฉริยะ AI Agent ซึ่งอิงตามการฝึกอบรม LLM และผู้ช่วยอัจฉริยะสามารถส่งข้อมูลตอบกลับ อย่างชาญฉลาด ได้ ที่เกี่ยวข้องกับข้อมูลในห่วงโซ่ นอกจากนี้ ยังให้คำแนะนำและแผนสำหรับการดำเนินงานในภายหลังตามข้อมูลที่ให้มา ทำให้การดำเนินงานอัจฉริยะแบบครบวงจรมีศูนย์กลางอยู่ที่ความตั้งใจของผู้ใช้อย่างแท้จริง ช่วยลดเกณฑ์สำหรับผู้ใช้ในการใช้ข้อมูลได้อย่างมาก และทำให้การดำเนินการของ การดำเนินงานออนไลน์

นอกจากนี้ Trusta เชื่อว่าด้วยการเกิดขึ้นของผลิตภัณฑ์ข้อมูลที่ใช้ AI มากขึ้นในอนาคตองค์ประกอบการแข่งขันหลักของแต่ละผลิตภัณฑ์อาจไม่ใช่ว่าจะใช้โมเดล LLM ใด ปัจจัยสำคัญของการแข่งขันคือความเข้าใจที่ลึกซึ้งยิ่งขึ้นของผู้เชี่ยวชาญ ข้อมูลและการตีความ จากการวิเคราะห์ข้อมูลหลักและรวมกับโมเดล LLM ทำให้สามารถฝึกฝนโมเดล AI ที่ ชาญฉลาด ได้มากขึ้น

1.5 0xScope

0xScope ก่อตั้งขึ้นในปี 2565 เป็นแพลตฟอร์มนวัตกรรมที่มีข้อมูลเป็นแกนหลัก โดยมุ่งเน้นไปที่การผสมผสานระหว่างเทคโนโลยีบล็อกเชนและปัญญาประดิษฐ์ 0xScope มีเป้าหมายที่จะเปลี่ยนวิธีที่ผู้คนประมวลผล ใช้ และดูข้อมูล ปัจจุบัน 0xScope เปิดตัว: ผลิตภัณฑ์ 0xScope SaaS และ 0xScopescan สำหรับลูกค้า B-side และ C-side ตามลำดับ

(1) ผลิตภัณฑ์ 0xScope SaaS ซึ่งเป็นโซลูชัน SaaS สำหรับองค์กร ช่วยให้ลูกค้าองค์กรดำเนินการจัดการหลังการลงทุน ตัดสินใจลงทุนได้ดีขึ้น เข้าใจพฤติกรรมของผู้ใช้ และติดตามการเปลี่ยนแปลงของการแข่งขันอย่างใกล้ชิด

(2) 0xScopescan ผลิตภัณฑ์ B2C ที่ช่วยให้ผู้ค้าสกุลเงินดิจิทัลสามารถตรวจสอบกระแสเงินทุนและกิจกรรมบนบล็อกเชนที่เลือกได้

เป้าหมายทางธุรกิจของ 0xScope คือการใช้ข้อมูลออนไลน์เพื่อสรุปโมเดลข้อมูลทั่วไป ลดความซับซ้อนของงานวิเคราะห์ข้อมูลออนไลน์ และแปลงข้อมูลออนไลน์ให้เป็นข้อมูลการดำเนินงานออนไลน์ที่เข้าใจได้ ซึ่งช่วยให้ผู้ใช้ดำเนินการวิเคราะห์เชิงลึกของ ข้อมูลออนไลน์ การใช้แพลตฟอร์มเครื่องมือข้อมูลที่ 0xScope มอบให้ไม่เพียงแต่สามารถปรับปรุงคุณภาพของข้อมูลในห่วงโซ่และขุดข้อมูลที่ซ่อนอยู่ในข้อมูลได้เท่านั้น จึงเปิดเผยข้อมูลแก่ผู้ใช้ได้มากขึ้น แพลตฟอร์มดังกล่าวยังช่วยลดเกณฑ์ในการทำเหมืองข้อมูลลงอย่างมากอีกด้วย

การพัฒนาและการวางแผน 0xScope และ AI มีดังนี้:

ผลิตภัณฑ์ของ 0xScope ได้รับการอัปเกรดร่วมกับโมเดลขนาดใหญ่ ซึ่งมีสองทิศทาง: ประการแรก ลดเกณฑ์ผู้ใช้เพิ่มเติมผ่านโหมดการโต้ตอบภาษาธรรมชาติ ประการที่สอง ใช้แบบจำลอง AI เพื่อปรับปรุงการล้างข้อมูล การแยกวิเคราะห์ การสร้างแบบจำลอง และการวิเคราะห์ ประสิทธิภาพการประมวลผลของลิงก์อื่น ๆ ในเวลาเดียวกัน ผลิตภัณฑ์ของ 0xScope จะเปิดตัวโมดูลโต้ตอบ AI พร้อมฟังก์ชัน Chat เร็วๆ นี้ ฟังก์ชันนี้จะลดเกณฑ์สำหรับผู้ใช้ในการสืบค้นและวิเคราะห์ข้อมูลลงอย่างมาก และผู้ใช้สามารถโต้ตอบและสืบค้นข้อมูลพื้นฐานผ่านภาษาธรรมชาติเท่านั้น

อย่างไรก็ตาม ในกระบวนการฝึกอบรมและการใช้ AI นั้น 0xScope พบว่ายังคงเผชิญกับความท้าทายดังต่อไปนี้ ประการแรก ต้นทุนการฝึกอบรม AI และต้นทุนเวลาสูง หลังจากถามคำถามแล้ว AI ก็ใช้เวลานานในการตอบกลับ ดังนั้นความยากลำบากนี้จะบังคับให้ทีมปรับปรุงและมุ่งเน้นกระบวนการทางธุรกิจ และมุ่งเน้นไปที่การถามตอบในพื้นที่แนวตั้ง แทนที่จะทำให้เป็นผู้ช่วย AI ขั้นสูงรอบด้าน ประการที่สอง เอาต์พุตของโมเดล LLM ไม่สามารถควบคุมได้ ผลิตภัณฑ์ข้อมูลหวังว่าจะให้ผลลัพธ์ที่แม่นยำ แต่ผลลัพธ์ที่ได้รับจากแบบจำลอง LLM ในปัจจุบันมีแนวโน้มที่จะแตกต่างจากสถานการณ์จริงอยู่บ้าง ซึ่งส่งผลร้ายแรงต่อประสบการณ์ของผลิตภัณฑ์ข้อมูล นอกจากนี้ ผลลัพธ์ของโมเดลขนาดใหญ่อาจเกี่ยวข้องกับข้อมูลส่วนตัวของผู้ใช้ ดังนั้นเมื่อใช้โมเดล LLM ในผลิตภัณฑ์ ทีมงานจำเป็นต้องกำหนดข้อจำกัดที่มากขึ้นเพื่อให้ผลลัพธ์ที่ออกมาจากโมเดล AI สามารถควบคุมและแม่นยำได้

ในอนาคต 0xScope วางแผนที่จะใช้ AI เพื่อมุ่งเน้นไปที่เส้นทางแนวตั้งที่เฉพาะเจาะจงและดำเนินการฝึกฝนเชิงลึก จากข้อมูลออนไลน์ที่สะสมไว้จำนวนมาก 0xScope สามารถกำหนดข้อมูลประจำตัวของผู้ใช้บนเครือข่ายได้ ในอนาคต 0xScope จะยังคงใช้เครื่องมือ AI เพื่อสรุปพฤติกรรมผู้ใช้บนเครือข่าย จากนั้นจึงสร้างระบบการสร้างแบบจำลองข้อมูลที่เป็นเอกลักษณ์ ผ่านชุดข้อมูลนี้ระบบการขุดและการวิเคราะห์จะเปิดเผยข้อมูลที่ซ่อนอยู่ในข้อมูลในห่วงโซ่

ในแง่ของความร่วมมือ 0xScope จะมุ่งเน้นไปที่กลุ่มสองประเภท: ประเภทแรก ออบเจ็กต์ที่ผลิตภัณฑ์สามารถให้บริการโดยตรง เช่น นักพัฒนา ฝ่ายโครงการ VCs การแลกเปลี่ยน ฯลฯ กลุ่มนี้ต้องการข้อมูลที่จัดทำโดยปัจจุบัน ผลิตภัณฑ์ประเภทที่ 2 Partners ที่ต้องการ AI Chat เช่น Debank, Chainbase เป็นต้น สามารถเรียก AI Chat ได้โดยตรงตราบใดที่มีความรู้และข้อมูลที่เกี่ยวข้อง

2. ข้อมูลเชิงลึกของ VC——เส้นทางการค้าของบริษัทข้อมูล AI+Web3 และเส้นทางการพัฒนาในอนาคต

จากการสัมภาษณ์นักลงทุน VC อาวุโสสี่คน ส่วนนี้จะกล่าวถึงสถานะปัจจุบันและการพัฒนาของอุตสาหกรรมข้อมูล AI+Web3 ความสามารถในการแข่งขันหลักของบริษัทข้อมูล Web3 และเส้นทางการค้าในอนาคตจากมุมมองของการลงทุนและตลาด

2.1 สถานะปัจจุบันและการพัฒนาของอุตสาหกรรมข้อมูล AI+Web3

ปัจจุบัน การผสมผสานระหว่างข้อมูล AI และ Web3 อยู่ในขั้นตอนของการสำรวจเชิงรุก เมื่อพิจารณาจากทิศทางการพัฒนาของบริษัทข้อมูล Web3 ชั้นนำต่างๆ การผสมผสานระหว่างเทคโนโลยี AI และ LLM ถือเป็นเทรนด์สำคัญ แต่ในขณะเดียวกัน LLM ก็มีข้อจำกัดทางเทคนิคของตัวเองและยังไม่สามารถแก้ไขปัญหามากมายในอุตสาหกรรมข้อมูลในปัจจุบันได้

ดังนั้นเราจึงต้องตระหนักว่าไม่ใช่การรวมกลุ่มกับ AI อย่างสุ่มสี่สุ่มห้าเพื่อเพิ่มข้อได้เปรียบของโครงการ หรือใช้แนวคิด AI เพื่อการโฆษณาเกินจริง แต่เป็นการสำรวจพื้นที่การใช้งานที่ใช้งานได้จริงและมีแนวโน้มอย่างแท้จริง จากมุมมองของ VC การผสมผสานปัจจุบันของข้อมูล AI และ Web3 ได้รับการสำรวจในด้านต่อไปนี้:

1) ปรับปรุงความสามารถของผลิตภัณฑ์ข้อมูล Web3 ผ่านเทคโนโลยี AI รวมถึงเทคโนโลยี AI ที่ช่วยให้องค์กรต่างๆ ปรับปรุงประสิทธิภาพของการประมวลผลและการวิเคราะห์ข้อมูลภายใน และปรับปรุงความสามารถในการวิเคราะห์อัตโนมัติและการดึงข้อมูลผลิตภัณฑ์ข้อมูลผู้ใช้ตามลำดับ ตัวอย่างเช่น Yuxing จาก SevenX Ventures กล่าวว่าความช่วยเหลือหลักในการใช้เทคโนโลยี AI สำหรับข้อมูล Web3 คือประสิทธิภาพ ตัวอย่างเช่น Dune ใช้โมเดล LLM สำหรับการตรวจจับความผิดปกติของโค้ดและแปลงภาษาธรรมชาติเป็น SQL ให้เป็นข้อมูล de-index และยังมีโปรเจ็กต์อีกมากมาย การใช้ AI เพื่อเตือนความปลอดภัย AI เอฟเฟกต์การตรวจจับความผิดปกติของอัลกอริธึมนั้นดีกว่าสถิติทางคณิตศาสตร์ล้วน ๆ ดังนั้นจึงสามารถตรวจสอบความปลอดภัยได้อย่างมีประสิทธิภาพมากขึ้น นอกจากนี้ Zi Xi จาก Matrix Partners ยังกล่าวว่าบริษัทต่าง ๆ สามารถติดป้ายกำกับข้อมูลล่วงหน้าด้วยการฝึกอบรม แบบจำลอง AI ซึ่งสามารถประหยัดค่าแรงได้มาก อย่างไรก็ตาม VC ทุกคนเชื่อว่า AI มีบทบาทเสริมในการปรับปรุงความสามารถและประสิทธิภาพของผลิตภัณฑ์ข้อมูล Web3 เช่น การใส่คำอธิบายประกอบข้อมูลล่วงหน้า และในท้ายที่สุดอาจยังต้องมีการตรวจสอบโดยเจ้าหน้าที่เพื่อให้มั่นใจถึงความถูกต้องแม่นยำ

2) ใช้ข้อดีของ LLM ในการปรับตัวและการโต้ตอบเพื่อสร้าง AI Agent/Bot ตัวอย่างเช่น มีการใช้แบบจำลองภาษาขนาดใหญ่เพื่อดึงข้อมูล Web3 ทั้งหมด รวมถึงข้อมูลออนไลน์และข้อมูลข่าวนอกเครือข่าย สำหรับการรวบรวมข้อมูลและการวิเคราะห์ความคิดเห็นของประชาชน Harper จาก Hashkey Capital เชื่อว่า AI Agent ประเภทนี้มุ่งเน้นไปที่การรวมข้อมูล การสร้าง และการโต้ตอบกับผู้ใช้มากกว่า และจะค่อนข้างอ่อนแอในด้านความแม่นยำและประสิทธิภาพของข้อมูล

แม้ว่าจะมีการใช้งานหลายกรณีในสองด้านข้างต้น แต่เทคโนโลยีและผลิตภัณฑ์ยังอยู่ในช่วงเริ่มต้นของการสำรวจ ดังนั้นการเพิ่มประสิทธิภาพทางเทคนิคและการปรับปรุงผลิตภัณฑ์อย่างต่อเนื่องจึงเป็นสิ่งจำเป็นในอนาคต

3) ใช้ AI เพื่อวิเคราะห์กลยุทธ์การกำหนดราคาและการซื้อขาย: ขณะนี้มีโครงการในตลาดที่ใช้เทคโนโลยี AI เพื่อประมาณราคาสำหรับ NFT เช่น NFTGo ที่ลงทุนโดย Qiming Venture Partners และทีมการค้ามืออาชีพบางทีมใช้ AI เพื่อวิเคราะห์ข้อมูลและดำเนินธุรกรรม . นอกจากนี้ Ocean Protocol ยังได้เปิดตัวผลิตภัณฑ์ AI ทำนายราคาอีกด้วย ผลิตภัณฑ์ประเภทนี้ดูมีจินตนาการมาก แต่ยังต้องได้รับการตรวจสอบในแง่ของผลิตภัณฑ์ การยอมรับของผู้ใช้ และโดยเฉพาะอย่างยิ่งความถูกต้อง

ในทางกลับกัน VC จำนวนมาก โดยเฉพาะผู้ที่ลงทุนใน Web2 จะให้ความสำคัญกับข้อดีและสถานการณ์การใช้งานที่ Web3 และเทคโนโลยีบล็อกเชนสามารถนำไปใช้กับเทคโนโลยี AI ได้มากขึ้น Blockchain มีคุณลักษณะของการตรวจสอบและกระจายอำนาจต่อสาธารณะตลอดจนความสามารถในการปกป้องความเป็นส่วนตัวที่ได้รับจากเทคโนโลยีการเข้ารหัส เมื่อรวมกับการปรับรูปแบบความสัมพันธ์ในการผลิตของ Web3 ก็อาจนำโอกาสใหม่ ๆ มาสู่ AI:

1) การยืนยันและตรวจสอบข้อมูล AI การเกิดขึ้นของ AI ทำให้การสร้างเนื้อหาข้อมูลแพร่หลายและราคาถูก Tang Yi จาก Qiming Venture Partners กล่าวว่าเป็นการยากที่จะกำหนดคุณภาพและผู้สร้างผลงานดิจิทัลและเนื้อหาอื่นๆ ในเรื่องนี้ การตรวจสอบเนื้อหาข้อมูลจำเป็นต้องมีระบบใหม่ทั้งหมด และบล็อคเชนอาจช่วยได้ Zi Xi จาก Jingwei Venture Capital กล่าวว่ามีการแลกเปลี่ยนข้อมูลที่ใส่ข้อมูลใน NFT เพื่อการซื้อขาย ซึ่งสามารถแก้ปัญหาการยืนยันข้อมูลได้

นอกจากนี้ Yuxing จาก SevenX Ventures ยังกล่าวอีกว่าข้อมูล Web3 สามารถปรับปรุงการฉ้อโกง AI และปัญหากล่องดำได้ ปัจจุบัน AI มีปัญหากล่องดำทั้งในอัลกอริทึมของโมเดลและข้อมูลซึ่งจะนำไปสู่การเบี่ยงเบนในผลลัพธ์ผลลัพธ์ ข้อมูลของ Web3 มีความโปร่งใส ข้อมูลสามารถตรวจสอบได้แบบสาธารณะ และแหล่งที่มาการฝึกอบรมและผลลัพธ์ของโมเดล AI จะมีความชัดเจนมากขึ้น ทำให้ AI ยุติธรรมมากขึ้น และลดอคติและข้อผิดพลาด อย่างไรก็ตาม ปริมาณข้อมูลปัจจุบันใน Web3 ยังไม่มากพอที่จะเสริมศักยภาพให้กับการฝึกอบรม AI ดังนั้นจึงจะไม่เกิดขึ้นจริงในระยะสั้น แต่เราสามารถใช้คุณสมบัตินี้เพื่ออัปโหลดข้อมูล Web2 ไปยังห่วงโซ่เพื่อป้องกันการปลอมแปลงเชิงลึกของ AI

2) การจัดหาคำอธิบายประกอบข้อมูล AI และชุมชน UGC: ปัจจุบันคำอธิบายประกอบ AI แบบดั้งเดิมประสบปัญหาด้านประสิทธิภาพและคุณภาพต่ำโดยเฉพาะในด้านความรู้ทางวิชาชีพซึ่งอาจต้องใช้ความรู้แบบข้ามสาขาวิชา เป็นไปไม่ได้สำหรับ บริษัท คำอธิบายประกอบข้อมูลทั่วไปแบบดั้งเดิมแบบดั้งเดิม เพื่อครอบคลุม มักจะต้องทำภายในโดยทีมงานมืออาชีพ การแนะนำการรวบรวมคำอธิบายประกอบข้อมูลผ่านแนวคิดของบล็อกเชนและ Web3 สามารถปรับปรุงปัญหานี้ได้อย่างมาก ตัวอย่างเช่น Questlab ที่ลงทุนโดย Matrix Partners ใช้เทคโนโลยีบล็อกเชนเพื่อให้บริการการระดมทุนจากมวลชนสำหรับคำอธิบายประกอบข้อมูล นอกจากนี้ ในชุมชนโมเดลโอเพ่นซอร์สบางแห่ง แนวคิดของบล็อกเชนยังสามารถใช้เพื่อแก้ปัญหาทางเศรษฐกิจของผู้สร้างโมเดลได้อีกด้วย

3) การปรับใช้ความเป็นส่วนตัวของข้อมูล: เทคโนโลยีบล็อคเชนรวมกับเทคโนโลยีที่เกี่ยวข้องกับการเข้ารหัสสามารถรับประกันความเป็นส่วนตัวของข้อมูลและการกระจายอำนาจ Zi Xi จาก Matrix Partners กล่าวว่าบริษัทข้อมูลสังเคราะห์ที่พวกเขาลงทุนสร้างข้อมูลสังเคราะห์เพื่อใช้ผ่านโมเดลขนาดใหญ่ ข้อมูลนี้สามารถนำมาใช้ในการทดสอบซอฟต์แวร์ การวิเคราะห์ข้อมูล และการฝึกโมเดลขนาดใหญ่ของ AI เป็นหลัก บริษัทเกี่ยวข้องกับปัญหาการปรับใช้ความเป็นส่วนตัวมากมายเมื่อประมวลผลข้อมูล การใช้ Oasis blockchain สามารถหลีกเลี่ยงปัญหาความเป็นส่วนตัวและกฎระเบียบได้อย่างมีประสิทธิภาพ

2.2 วิธีที่บริษัทข้อมูล AI+Web3 สร้างความสามารถในการแข่งขันหลัก

สำหรับบริษัทเทคโนโลยี Web3 การแนะนำ AI สามารถเพิ่มความน่าดึงดูดหรือความสนใจของโครงการได้ในระดับหนึ่ง อย่างไรก็ตาม ผลิตภัณฑ์ปัจจุบันของบริษัทเทคโนโลยี Web3 ส่วนใหญ่ที่รวม AI นั้นยังไม่เพียงพอที่จะกลายเป็นความสามารถในการแข่งขันหลักของบริษัท พวกเขาเพิ่มเติมเกี่ยวกับ มอบประสบการณ์ที่เป็นมิตรและประสิทธิภาพที่ดีขึ้น ตัวอย่างเช่น เกณฑ์สำหรับ AI Agent นั้นไม่สูงนัก บริษัทที่ทำก่อนอาจมีข้อได้เปรียบในตลาดก่อนแต่ไม่ได้สร้างอุปสรรค

สิ่งที่สร้างความสามารถในการแข่งขันและอุปสรรคหลักในอุตสาหกรรมข้อมูล Web3 คือความสามารถด้านข้อมูลของทีมและวิธีการใช้เทคโนโลยี AI เพื่อแก้ไขปัญหาในสถานการณ์การวิเคราะห์เฉพาะ

ประการแรก ความสามารถด้านข้อมูลของทีมรวมถึงแหล่งข้อมูล และความสามารถของทีมในการวิเคราะห์ข้อมูลและการปรับเปลี่ยนแบบจำลอง ซึ่งเป็นพื้นฐานสำหรับงานต่อไป ในการสัมภาษณ์ SevenX Ventures, Matrix Partners และ Hashkey Capital ต่างก็มีมติเป็นเอกฉันท์ว่าความสามารถในการแข่งขันหลักของบริษัทข้อมูล AI+Web3 ขึ้นอยู่กับคุณภาพของแหล่งข้อมูล บนพื้นฐานนี้ วิศวกรยังจำเป็นต้องสามารถปรับแต่งโมเดลอย่างละเอียด การประมวลผลข้อมูล และการวิเคราะห์ตามแหล่งข้อมูลได้อย่างเชี่ยวชาญ

ในทางกลับกัน สถานการณ์เฉพาะที่รวมเทคโนโลยี AI ของทีมก็มีความสำคัญเช่นกัน และสถานการณ์ดังกล่าวควรมีคุณค่า Harper เชื่อว่าแม้ว่าการรวมบริษัทข้อมูล Web3 และ AI ในปัจจุบันโดยพื้นฐานแล้วจะเริ่มต้นด้วย AI Agent แต่จุดยืนของพวกเขาก็แตกต่างกันเช่นกัน ตัวอย่างเช่น Space and Time ซึ่งลงทุนโดย Hashkey Capital ได้ร่วมมือกับ chainML เพื่อเปิดตัวโครงสร้างพื้นฐานสำหรับการสร้างตัวแทน AI เอเจนต์ DeFi ถูกใช้ในอวกาศและเวลา

2.3 เส้นทางการค้าในอนาคตของบริษัทข้อมูล Web3

อีกหัวข้อที่สำคัญสำหรับบริษัทข้อมูล Web3 คือการสร้างรายได้ เป็นเวลานานมาแล้วที่รูปแบบกำไรของบริษัทวิเคราะห์ข้อมูลนั้นค่อนข้างเรียบง่าย ToC ส่วนใหญ่นั้นฟรี และ ToB ส่วนใหญ่จะทำกำไรได้ ขึ้นอยู่กับความเต็มใจของลูกค้า B-side ที่จะจ่ายเงินเป็นอย่างมาก ในด้าน Web3 ความเต็มใจขององค์กรที่จะจ่ายเงินนั้นไม่สูงมากนัก และอุตสาหกรรมนี้ถูกครอบงำโดยบริษัทที่เริ่มต้นใหม่ ทำให้เป็นเรื่องยากสำหรับฝ่ายโครงการที่จะสนับสนุนการชำระเงินระยะยาว ดังนั้น ปัจจุบันบริษัทข้อมูล Web3 จึงตกอยู่ในสถานการณ์ทางการค้าที่ยากลำบาก

ในประเด็นนี้ โดยทั่วไป VC เชื่อว่าการผสมผสานเทคโนโลยี AI ในปัจจุบันจะใช้ภายในเพื่อแก้ไขปัญหากระบวนการผลิตเท่านั้น และไม่ได้เปลี่ยนปัญหาสำคัญของความยากลำบากในการสร้างรายได้ เกณฑ์สำหรับรูปแบบผลิตภัณฑ์ใหม่บางรูปแบบ เช่น AI Bot ยังไม่สูงพอ ซึ่งอาจเพิ่มความเต็มใจของผู้ใช้ในการชำระเงินในช่อง toC ได้ในระดับหนึ่ง แต่ก็ยังไม่แข็งแกร่งมากนัก AI อาจไม่ใช่วิธีแก้ปัญหาการค้าผลิตภัณฑ์ข้อมูลในระยะสั้น การค้าขายต้องใช้ความพยายามในการผลิตมากขึ้น เช่น การค้นหาสถานการณ์ที่เหมาะสมยิ่งขึ้นและโมเดลธุรกิจที่เป็นนวัตกรรม

ในเส้นทางอนาคตของการรวม Web3 กับ AI การใช้โมเดลทางเศรษฐกิจของ Web3 รวมกับข้อมูล AI อาจสร้างโมเดลธุรกิจใหม่บางโมเดล โดยส่วนใหญ่อยู่ในฟิลด์ ToC Zi Xi จาก Jingwei Venture Capital กล่าวว่าผลิตภัณฑ์ AI สามารถใช้ร่วมกับการเล่นเกมโทเค็นเพื่อเพิ่มความเหนียวแน่น กิจกรรมประจำวัน และอารมณ์ของชุมชนทั้งหมด ซึ่งเป็นไปได้และสร้างรายได้ง่ายกว่า Tang Yi จาก Qiming Venture Partners กล่าวว่าจากมุมมองทางอุดมการณ์ ระบบมูลค่าของ Web3 สามารถรวมกับ AI ได้ และเหมาะมากสำหรับใช้เป็นระบบบัญชีหรือระบบแปลงมูลค่าสำหรับบอท ตัวอย่างเช่น หุ่นยนต์มีบัญชีของตัวเอง สามารถสร้างรายได้ผ่านส่วนที่ชาญฉลาดของมัน และจ่ายเงินเพื่อรักษาพลังการประมวลผลที่ซ่อนอยู่ เป็นต้น แต่แนวคิดนี้เป็นของจินตนาการแห่งอนาคต และการนำไปปฏิบัติจริงอาจยังอีกยาวไกล

ในรูปแบบธุรกิจดั้งเดิม นั่นคือ ผู้ใช้ชำระเงินโดยตรง จำเป็นต้องมีความแข็งแกร่งของผลิตภัณฑ์ที่แข็งแกร่งพอที่จะทำให้ผู้ใช้มีความเต็มใจที่จะจ่ายมากขึ้น ตัวอย่างเช่น แหล่งข้อมูลคุณภาพสูงกว่า ประโยชน์ที่ได้รับจากข้อมูลมีมากกว่าต้นทุนที่จ่ายไป เป็นต้น ซึ่งไม่ได้ขึ้นอยู่กับการประยุกต์ใช้เทคโนโลยี AI เท่านั้น แต่ยังขึ้นอยู่กับความสามารถของทีมข้อมูลด้วย

บทความนี้เผยแพร่ร่วมกันโดย Footprint Analytics, Future 3 Campus และ HashKey Capital

Footprint Analytics เป็นผู้ให้บริการโซลูชั่นข้อมูลบล็อกเชน ด้วยความช่วยเหลือของเทคโนโลยีปัญญาประดิษฐ์ที่ล้ำสมัย เรามอบแพลตฟอร์มการวิเคราะห์ข้อมูลแบบไร้โค้ดแห่งแรกและ API ข้อมูลแบบรวมในฟิลด์ Crypto ช่วยให้ผู้ใช้สามารถดึงข้อมูล NFT, GameFi และการติดตามการไหลของกองทุนที่อยู่กระเป๋าสตางค์ของสาธารณะมากกว่า 30 แห่งได้อย่างรวดเร็ว ระบบนิเวศน์แบบลูกโซ่

เว็บไซต์อย่างเป็นทางการของรอยพระพุทธบาท:https://www.footprint.network

Twitter：https://twitter.com/Footprint_Data

บัญชีสาธารณะ WeChat: การวิเคราะห์รอยเท้าบล็อคเชน

เข้าร่วมชุมชน: เพิ่มผู้ช่วยกลุ่ม WeChatfootprint_analytics

Future 3 Campus เป็นแพลตฟอร์มบ่มเพาะนวัตกรรม Web3.0 ที่ Wanxiang Blockchain Labs และ HashKey Capital เปิดตัวร่วมกัน โดยมุ่งเน้นไปที่ 3 เส้นทางหลัก ได้แก่ Web3.0 Massive Adoption, DePIN และ AI โดยมีเซี่ยงไฮ้ กวางตุ้ง-ฮ่องกง-มาเก๊า Greater Bay พื้นที่และสิงคโปร์เป็นฐานบ่มเพาะหลัก โดยแผ่กระจายระบบนิเวศ Web3.0 ทั่วโลก ในเวลาเดียวกัน Future 3 Campus จะเปิดตัวกองทุนเริ่มต้นมูลค่า 50 ล้านดอลลาร์สหรัฐสำหรับการบ่มเพาะโครงการ Web3.0 ซึ่งให้บริการนวัตกรรมและการเป็นผู้ประกอบการในสาขา Web3.0 อย่างแท้จริง

HashKey Capital เป็นสถาบันการจัดการสินทรัพย์ที่มุ่งเน้นการลงทุนในเทคโนโลยีบล็อกเชนและสินทรัพย์ดิจิทัล โดยมีขนาดการจัดการสินทรัพย์ในปัจจุบันเกินกว่า 1 พันล้านดอลลาร์สหรัฐ ในฐานะหนึ่งในสถาบันการลงทุนบล็อกเชนที่ใหญ่ที่สุดและมีอิทธิพลมากที่สุดในเอเชียและยังเป็นนักลงทุนสถาบันรายแรกสุดใน Ethereum HashKey Capital นำเสนอเอฟเฟกต์ชั้นนำโดยเชื่อมโยง Web2 และ Web3 และเชื่อมต่อกับผู้ประกอบการ นักลงทุน ชุมชน และหน่วยงานกำกับดูแล ร่วมมือกัน เพื่อสร้างระบบนิเวศบล็อกเชนที่ยั่งยืน บริษัทตั้งอยู่ในฮ่องกง สิงคโปร์ ญี่ปุ่น สหรัฐอเมริกา และที่อื่นๆ บริษัทเป็นผู้นำในการปรับใช้บริษัทที่ลงทุนทั่วโลกมากกว่า 500 แห่งทั่วทั้งเลเยอร์ 1, โปรโตคอล, Crypto Finance, โครงสร้างพื้นฐาน Web3, แอปพลิเคชัน, NFT, Metaverse และ เพลงอื่นๆ และเป็นตัวแทน โครงการที่ลงทุน ได้แก่ Cosmos, Coinlist, Aztec, Blockdaemon, dYdX, imToken, Animoca Brands, Falcon X, Space and time, Mask Network, Polkadot, Moonbeam และ Galxe (เดิมชื่อ Project Galaxy) เป็นต้น