GPT的橫空出世將全球的目光吸引至大語言模型，各行各業都嘗試着利用這個“黑科技”提高工作效率，加速行業發展。Future3 Campus攜手Footprint Analytics共同深入研究AI與Web3結合的無限可能，聯合發布了《AI與Web3數據行業融合現狀、競爭格局與未來機遇探析》研報。該研報分爲上下兩篇，本文爲下篇，由Future3 Campus研究員Sherry、Humphrey編撰。

摘要：

• AI 與 Web3 的數據結合正在促進數據處理效率的提升和用戶體驗的改善。目前區塊鏈數據行業對於 LLM 的探索主要集中在通過 AI 技術來提高數據處理效率，利用 LLM 交互優勢構建 AI Agent，以及利用 AI 進行定價和交易策略分析等。

• 目前 AI 在 Web3 數據領域的應用還面臨一些挑战，如准確性、可解釋性、商業化等。完全取代人工介入還有很長的路要走。

• Web3 數據公司的核心競爭力不僅僅是 AI 技術本身，還在於數據積累能力和對數據的深入分析應用能力。

• AI 可能短期內不是解決數據產品商業化問題的解決方案，商業化需要更多的產品化努力。

Web3 數據行業與 AI 結合的現狀以及發展路线

1.1 Dune

Dune 是當前 Web3 行業內領先的开放數據分析社區，提供了區塊鏈查詢、提取和可視化大量數據的工具，允許用戶和數據分析專家使用簡單的 SQL 查詢從 Dune 預先填充的數據庫中查詢鏈上數據，並形成相應的圖表和觀點。

2023 年 3 月，Dune 提出關於 AI 以及未來結合 LLM 的計劃，並於 10 月發布了其 Dune AI 產品。Dune AI 相關的產品核心關注利用 LLM 強大的語言能力和分析能力增強 Wizard UX ，更好地爲用戶提供 Dune上的數據查詢和 SQL 編寫。

（1）查詢解釋：3 月發布的產品，用戶可以通過點擊按鈕來獲取 SQL 查詢的自然語言解釋，旨在幫助用戶更好地理解復雜的 SQL 查詢，從而提高數據分析的效率和准確性。

（2）查詢翻譯：Dune 計劃將 Dune 上不同的 SQL 查詢引擎（如 Postgres 和 Spark SQL）統一遷移到 DuneSQL，因此 LLM 可以提供自動化的查詢語言翻譯能力，幫助用戶更好地過渡，以有利於 DuneSQL 產品的推行。

（3）自然語言查詢：即 10 月發布的 Dune AI。允許用戶用普通英語提問並獲取數據。這一功能的目標是使得無需 SQL 知識的用戶也能輕松獲取和分析數據。

（4）搜索優化：Dune 計劃利用 LLM 改進搜索功能，幫助用戶更有效地篩選信息。

（5）向導知識庫：Dune 計劃發布一個聊天機器人，幫助用戶快速瀏覽 Spellbook 和 Dune 文檔中的區塊鏈和 SQL 知識。

（6）簡化 SQL 編寫工作（Dune Wand）：Dune 8 月推出 Wand 系列的 SQL 工具。Create Wand 允許用戶從自然語言提示中生成完整的查詢，Edit Wand 並允許用戶對現有查詢進行修改，Debug 功能自動調試查詢中的語法錯誤。這些工具的核心都是 LLM 技術，能夠簡化查詢編寫過程，使分析師能夠專注於分析數據的核心邏輯，無需擔心代碼和語法問題。

1.2 Footprint Analytics

Footprint Analytics，是一家區塊鏈數據解決方案提供商，借助人工智能技術，提供無代碼數據分析平台、統一的數據 API 產品以及 Web3 項目 BI 平台 Footprint Growth Analytics。

Footprint 的優勢在於其鏈上數據生產线及生態工具的打造，其通過建立統一的數據湖打通鏈上鏈下數據和類鏈上工商登記的元數據庫，確保用戶在分析以及使用時的數據的可獲取性、易用性和質量。Footprint 的長期战略將專注於技術深度和平台建設，以打造能夠生產鏈上數據以及應用的“機器工廠”。

Footprint 產品與 AI 的結合如下：

自 LLM 模型推出以後，Footprint 在第一時間便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，打造對用戶更友好的產品。2023 年 5 月份，Footprint 已开始爲用戶提供自然語言交互的數據分析功能，並在其原有無代碼的基礎上升級到了高階產品功能，用戶在無需熟悉平台的表格、設計的情況下，即可通過對話快速獲取數據以及生成圖表。

此外，目前市場中 LLM + Web3 的數據產品，主要集中在解決降低用戶使用門檻，交互範式的變更上的問題，而 Footprint 在產品與 AI 的开發中的重點，不僅是幫助用戶解決數據分析使用體驗的問題，其重點還在於沉澱 crypto 領域的垂類數據與業務理解，以及訓練加密領域語言模型，提升垂直場景應用的效率以及准確度。Footprint 在這方面的優勢將體現在以下方面：

• 數據知識量（知識庫的質與量）。數據積累的效率，源、量、類別。特別是 Footprint MetaMosaic 子產品上，體現關系圖譜，以及特定業務邏輯的靜態數據的積累。

• 知識架構。Footprint 已經積累了超過 30 條公鏈的，按業務版塊抽象的結構化數據表。原始數據到結構化數據的生產流程知識，可以反過來加強對原始數據的理解，更好去訓練模型。

• 數據類型。從鏈上非標准非結構化的原始數據开始訓練以及從結構化、具有業務意義的數據表以及指標的訓練，從訓練的效率以及機器成本上都有明顯的差距。一個比較典型的是需要提供比較多的數據去提供給 LLM，這些數據除了需要基於加密領域的專業數據， 也需要更多易讀、結構化的數據，另外更大的用戶量的作爲反饋數據。

• Crypto 資金流向數據。Footprint 把跟投資緊密相關的資金流向數據進行了抽象，它包含了每筆交易的時間、主體（含流向）、代幣類型、金額（關聯時點代幣價格）、業務類型，以及代幣、主體的標籤，可作爲 LLM 的知識庫以及數據源，用於做代幣的主力資金分析、定位籌碼分布、監測資金流向、識別鏈上異動、追蹤聰明資金等。

• 私有數據的注入。Footprint 把模型分爲 3 大層，一個是具備 World knowledge 的底座大模型（OpenAI 以及其他开源模式）、細分領域垂直模型、個性化專家知識模型。讓用戶能把自己不同源的知識庫統一在 Footprint 上去進行管理，並且利用私有數據去訓練私有 LLM，適用於更個性化的應用場景。

在 Footprint 結合 LLM 模型探索中，也遇到了一系列的挑战和問題，其中最典型的就是token 不足、耗時的 prompt 提示以及回答不穩定等問題。而 Footprint 所處的鏈上數據這一垂直領域，面臨的更大挑战是鏈上數據實體類型多、數量龐大，變化快，以何種形式投喂給 LLM，需要整個行業更多研究和探索。目前的工具鏈也還相對初期，還需要更多的工具去解決一些具體問題。

未來 Footprint 在技術和產品上與 AI 的結合包括以下內容：

（1）技術方面，Footprint 將結合 LLM 模型在三個方面進行探索和優化

• 支持 LLM 在結構化數據上進行推理，讓已沉澱的大量加密領域的結構化數據以及知識，能夠被應用在 LLM 的數據消費以及生產上。

• 幫助用戶建立個性化知識庫（包括知識、數據以及經驗），以及使用私有數據去提升已經優化過的 crypto LLM 的能力，讓每個人都能建自己的模型。

• 讓 AI 輔助分析以及內容生產，用戶可以通過對話的方式，結合資金流數據以及私有知識庫，去創建自己的 GPT，去生產以及分享 crypto 投資內容。

（2）在產品方面，Footprint 將重點探索 AI 產品應用以及商業模式上的創新。根據 Footprint 近期對產品的推廣計劃，將推出爲用戶提供 AI crypto 內容生成與分享平台。

此外，對於未來合作夥伴的拓展，Footprint 將在以下兩個方面進行探索：

第一，強化與跟 KOL 合作，助力有價值內容的生產以及社區的運營、知識的變現。

第二，拓展更多合作項目方以及數據提供方，打造一個开放、共贏的用戶激勵和數據合作，建立一個互利共贏的一站式數據服務平台。

1.3 GoPlus SecurityGoplus

GoPlus Security是目前 Web3 行業領先的用戶安全基礎設施，提供各類面向用戶的安全安全服務。目前已經被市面上主流的數字錢包、行情網站、Dex 以及其他各種 Web3 應用所集成。用戶可以直接使用資產安全檢測、轉账授權和防釣魚等各種安全保護功能。GoPlus所提供的用戶安全解決方案可以全方位覆蓋整個用戶安全的生命周期，以保護用戶資產免受各種類型的攻擊者的威脅。

GoPlus 與 AI 的發展與規劃如下：

GoPlus 在 AI 技術方面主要探索體現在其 AI 自動化檢測和 AI 安全助手兩款產品中：

（1）AI 自動化檢測

GoPlus 從 2022 年开始自研基於AI技術的自動化檢測引擎，來全面提升安全檢測的效率以及准確率。GoPlus的安全引擎採用多層次、漏鬥式的分析方法，採用了靜態代碼檢測、動態檢測以及特徵或行爲檢測等多個環節。這一復合式檢測流程使得引擎能夠有效地識別並分析潛在風險樣本的特徵，從而對攻擊類型和行爲有效建模。這些模型是引擎識別和預防安全威脅的關鍵，它們幫助引擎判斷風險樣本是否具有某些特定的攻擊特徵。此外，GoPlus安全引擎經過長時間的迭代和優化，積累了非常豐厚的安全數據以及經驗，其架構能夠快速有效應對新出現的安全威脅，確保能夠及時發現並阻止各種復雜和新型的攻擊，全方位保護用戶安全。目前該引擎在風險合約檢測、釣魚網站檢測、惡意地址檢測以及風險交易檢測等多個安全場景均使用了AI相關的算法和技術。採用AI技術能更快速地縮短減小風險敞口，提高檢測效率，降低檢測成本；另一方面減少了人工參與的復雜性和時間成本，提高對風險樣本判斷的准確率，尤其是對於那些原本人工難以界定或引擎難以識別的新場景，通過AI可以更好地歸集特徵並形成更有效的分析方法。

2023 年，隨着大模型的發展，GoPlus 迅速適應並採用了 LLM。與傳統 AI算法相比，LLM 在數據識別、處理和分析方面的效率和效果有了顯著提升。LLM 的出現幫助 GoPlus 加快了在 AI 自動化檢測方面的技術探索，在動態模糊測試的方向上，GoPlus採用了LLM技術能夠有效的生成交易序列，探索更深的狀態來發現合約風險。

（2）AI 安全助手

GoPlus 同時正利用基於 LLM 的自然語言處理能力，开發 AI 安全助手，以提供即時的安全咨詢和改善用戶體驗。AI 助手基於 GPT 大模型，通過前端業務數據的輸入，开發了一套自研的用戶安全Agent，能夠根據問題自動化的去分析、生成解決方案、拆解任務、執行，爲用戶提供需要的安全服務。AI 助手能簡化用戶與安全問題之間的交流，降低用戶理解的門檻。

在產品功能上，由於 AI 在安全領域的重要性，未來 AI 有潛力徹底改變現有的安全引擎或病毒殺毒引擎的結構，出現以 AI 爲核心的全新引擎架構。GoPlus 將持續對 AI 模型進行訓練和優化，以期將AI從輔助工具轉變爲其安全檢測引擎的核心功能。

在商業模式上，雖然目前 GoPlus 的服務主要面向开發者和項目方，但公司正在探索更多直接面向 C 端用戶的產品和服務，以及與AI相關的新收入模式。提供高效、准確、低成本的 C 端服務將是 GoPlus 未來的核心競爭力。這需要公司持續研究，在與用戶交互的 AI 大模型上進行更多的訓練和輸出。同時，GoPlus公司也將與其他團隊合作，共享其安全數據，並通過合作推動安全領域內的 AI 應用，爲未來可能帶來的行業變革做好准備。

1.4 Trusta Labs

Trusta Labs成立於2022年，是一家由人工智能驅動的Web3領域數據創業公司。Trusta Labs專注於利用先進的人工智能技術對區塊鏈數據進行高效處理和精准分析，以構建區塊鏈的鏈上聲譽和安全基礎設施。目前，Trusta Labs 的業務主要包括兩款產品：TrustScan 和 TrustGo。

（1）TrustScan，TrustScan是一款專爲B端客戶設計的產品，主要用於幫助Web3項目在用戶獲取、用戶活躍和用戶留存方面進行鏈上用戶行爲分析和精細化分層，以識別高價值且真實的用戶。

（2）TrustGo，一款面向 C 端客戶的產品，其提供的 MEDIA 分析工具，可以從五個維度（資金金額、活躍度、多樣性、身份權益、忠誠度）對鏈上地址進行分析和評估，該產品強調對鏈上數據的深入分析，以提升交易決策的質量和安全性。

Trusta Labs 與 AI 的發展與規劃如下：

目前 Trusta Labs 的兩款產品均是利用AI模型對鏈上地址的交互數據進行處理和分析。區塊鏈上地址交互的行爲數據，均屬於序列數據，這類型的數據非常適合用於 AI 模型的訓練。在對鏈上數據進行清洗、整理和標記的過程中，Trusta Labs 將大量的工作交給 AI 來完成，極大地提高了數據處理的質量和效率，同時也減少了大量的人力成本。Trusta Labs 利用 AI 技術對鏈上地址交互數據進行深入分析和挖掘，對於 B 端客戶而言，可以有效地識別出較大可能性的女巫地址。在已使用 Tursta Labs 產品的多個項目中，Tursta Labs 均較好地防範了潛在女巫攻擊的發生；而對於 C 端客戶，通過 TrustGo 產品，利用現有的 AI 模型，有效幫助用戶深入了解了自己的鏈上行爲數據。

Trusta Labs一直在緊密關注LLM模型的技術進展和應用實踐。隨着模型訓練和推理成本不斷降低，以及Web3領域大量語料和用戶行爲數據的積累，Trusta Labs將尋找合適的時機，引入LLM技術，利用 AI 的生產力爲產品和用戶提供更深入的數據挖掘和分析功能。在目前 Trusta Labs 已經提供豐富的數據的基礎上，希望可以利用 AI 的智能分析模型，爲數據結果提供更多合理、客觀的數據解讀功能，如針對 B 端用戶提供定性和定量解讀已抓取到女巫账戶的分析，讓用戶更理解數據背後的原因分析，同時可以爲 B 端用戶向其客戶投訴解釋時提供更翔實的材料佐證。

另一方面，Trusta Labs 也計劃利用已开源或者較爲成熟的 LLM 模型，並結合以意圖爲中心的設計理念來構建 AI Agent，從而來幫助用戶更快捷、更效率地解決鏈上交互的問題。就具體應用場景而言，未來通過 Trusta Labs 提供的基於 LLM 訓練的 AI Agent 智能助理，用戶可以直接通過自然語言與智能助理進行交流，智能助理即可“聰明”地反饋鏈上數據相關的信息，並針對已提供的信息進行後續操作的建議和規劃，真正實現以用戶意圖爲中心的一站式智能操作，極大降低用戶使用數據的門檻，簡化鏈上操作的執行。

此外，Trusta 認爲，未來隨着越來越多基於 AI 的數據產品的出現，每個產品的核心競爭要素可能不在於使用何種 LLM 模型，競爭的關鍵因素是對已掌握數據更深層次的理解和解讀。基於對已掌握數據的解析，再結合 LLM 模型，才能訓練出更“聰明”的 AI 模型。

1.5 0xScope

0xScope，成立於 2022 年，是一個以數據爲核心的創新平台，其專注於區塊鏈技術和人工智能的結合。0xScope 旨在改變人們處理、使用和看待數據的方式。0xScope 目前針對 B 端和 C 端客戶分別推出了：0xScope SaaS products 和 0xScopescan。

（1）0xScope SaaS products，一個面向企業的 SaaS 解決方案，賦能企業客戶進行投後管理、做出更好的投資決策、了解用戶行爲，並密切監控競爭動態。

（2）0xScopescan，一個 B2C 產品 ，其允許加密貨幣交易者調查選定區塊鏈的資金流動和活動情況。

0xScope 的業務重點是利用鏈上數據抽象出通用數據模型，簡化鏈上數據分析工作，將鏈上數據轉化爲可被理解的鏈上操作數據，從而幫助用戶對鏈上數據進行深入分析。利用 0xScope 提供的數據工具平台，不僅可以提升鏈上數據質量，挖掘數據暗藏的信息，從而揭示更多的信息給用戶，該平台也極大降低了數據挖掘的門檻。

0xScope 與 AI 的發展與規劃如下：

0xScope 的產品正在結合大模型進行升級，這包含兩個方向：第一，通過自然語言交互的模式進一步地降低用戶的使用門檻；第二，利用 AI 模型提高在數據清洗、解析、建模和分析等環節的處理效率。同時，0xScope 的產品中即將上线具有 Chat 功能的 AI 互動模塊，該功能將極大地降低用戶進行數據查詢和分析的門檻，僅通過自然語言即可與底層的數據進行交互和查詢。

但在訓練和使用AI的過程中，0xScope 發現其中仍面臨這以下挑战：第一，AI 訓練成本和時間成本較高。在提出一個問題後，AI 需要花費較長時間才能進行回復。因此，這個困難會迫使團隊需要精簡和聚焦業務流程，專注於垂直領域的問答，而不是讓其成爲一個全方位的超級AI助理。第二，LLM 模型的輸出是不可控的。數據類的產品希望給出的結果是精准的，但目前LLM模型給出的結果很可能與實際的情況有一定出入，這對數據類產品的體驗是非常致命的。此外，大模型的輸出有可能會涉及到用戶的隱私數據。因此，在產品中使用 LLM 模式時，團隊需要對其有較大程度的限制，以使得 AI 模型輸出的結果可控且精准。

未來，0xScope 計劃利用 AI 專注於特定的垂直賽道並進行深耕。目前基於已大量積累大量鏈上數據，0xScope 可以對鏈上用戶的身份進行定義，後續將繼續利用 AI 工具抽象鏈上用戶行爲，進而打造出一套獨特的數據建模的體系，通過這套數據挖掘和分析體系揭示出鏈上數據暗含的信息。

在合作方面，0xScope 將聚焦在兩類群體：第一類，產品可以直接服務的對象，比如开發者、項目方、VC、交易所等，該群體需要目前產品所提供的數據；第二類，對 AI Chat 有需求的合作夥伴，如 Debank、Chainbase 等，他們只需要有相關的知識和數據，便可以直接調用 AI Chat。

VC insight——AI+Web3 數據公司的商業化和未來發展之路

本節內容通過採訪了 4 位資深的 VC 投資人，將從投資和市場的視角來看 AI+Web3 數據行業的現狀和發展，Web3 數據公司的核心競爭力以及未來的商業化道路。

2.1 AI+Web3 數據行業的現狀和發展

目前，AI 與 Web3 數據的結合正處於一個積極探索的階段，從各個頭部 Web3 數據公司的發展方向來看，AI 技術以及 LLM 的結合都是必不可少的趨勢。但同時 LLM 有其自身技術局限性，尚不能解決當前數據行業的很多問題。

因此，我們需要認識到並非盲目地與 AI 結合就能夠增強項目的優勢，或者是使用 AI 概念進行炒作，而是需要探索真正具有實用性和前景的應用領域。從 VC 的視角，目前 AI 與 Web3數據的結合已經有以下方面的探索：

（1）通過 AI 技術來提高Web3 數據產品的能力，包括 AI 技術幫助企業提高內部數據處理分析的效率，以及相應提高對用戶的數據產品的自動化分析、檢索等能力。例如 SevenX Ventures 的Yuxing 提到 Web3 數據使用 AI 技術最主要的幫助是效率方面，比如 Dune 使用 LLM 模型做代碼異常檢測和將自然語言轉化生成 SQL 去信息索引；還有用 AI 做安全預警的項目，AI 算法做異常檢測效果比從純數學統計更好，所以可以更有效地去做安全方面的監測；此外，經緯創投的子熹提到企業可以通過訓練 AI 模型進行數據的預標注，能節約很多人力成本。盡管如此，VC 們都認爲，在提高 Web3 數據產品的能力和效率方面，AI 起到的是輔助作用，例如數據的預標注，最終可能仍需要人工審核來確保准確性。

（2）利用 LLM 在適應性和交互上的優勢，打造 AI Agent/Bot。例如使用大語言模型來檢索整個 Web3 的數據，包括鏈上數據和鏈下新聞數據，進行信息聚合和輿情分析。Hashkey Capital 的 Harper 認爲這類的 AI Agent更加偏向於信息的整合、生成，以及和用戶之間的交互，在信息准確性和效率上會相對弱一些。

上述兩方面的應用盡管已經有不少案例，但是技術和產品仍然在探索的早期，因此未來也需要不斷地進行技術優化和產品改進。

（3）利用 AI 進行定價及交易策略分析：目前市場中有項目利用 AI 技術給 NFT 進行價格估算，如啓明創投投資的 NFTGo，以及有些專業交易團隊使用 AI 進行數據分析和交易執行。此外 Ocean Protocol 近期也發布了一個價格預測的AI產品。這類的產品似乎很有想象力，但在產品中、用戶接受程度方面，尤其是准確性方面仍需要進行驗證。

另一方面，有不少 VC，尤其是在 Web2 有投資的 VC會更關注提到 Web3 和區塊鏈技術能夠爲 AI 技術帶來的優勢和應用場景。區塊鏈具有公开可驗證、去中心化的特點，以及密碼學技術提供隱私保護能力，加上 Web3 對生產關系重塑，可能能夠給 AI 帶來一些新的機會：

（1）AI 數據確權與驗證。AI 的出現使數據內容生成變得泛濫和廉價。啓明創投的唐弈提到對於數字作品等內容，難以確定其質量和創作者。在這方面，數據內容的確權需要一個全新的體系，區塊鏈可能可以提供幫助。經緯創投的子熹提到有數據交易所將數據放在NFT中進行交易，可以解決數據確權的問題。

另外，SevenX Ventures 的 Yuxing 提到Web3 數據能夠改善 AI 造假和黑盒問題，當前 AI 在模型算法本身和數據方面都存在黑盒問題，會導致輸出結果的偏差。而Web3的數據具有透明性，數據是公开可驗證的，AI模型的訓練源和結果都會更加明晰，使得AI更加公正，減少偏見和錯誤。但當前 Web3 的數據量還不夠多，不足以給 AI 本身的訓練賦能，因此短期不會實現。但是我們可以利用這一特性，將 Web2 數據上鏈，來防止 AI 的深度僞造。

（2）AI 數據標注衆包及 UGC 社區：目前傳統 AI 標注面臨效率和質量較低的問題，尤其是在涉及到專業知識領域，可能還需要交叉學科知識，傳統的通用數據標注公司是不可能覆蓋的，往往需要專業團隊內部來做。而通過區塊鏈和 Web3 的概念引入數據標注的衆包，則能很好地改善這個問題，例如經緯創投投資的Questlab，他們使用區塊鏈技術提供數據標注的衆包服務。此外，在一些开源模型社區中，也可以使用區塊鏈概念來解決模型創作者經濟的問題。

（3）數據隱私部署：區塊鏈技術結合密碼學相關技術可以保證數據的隱私和去中心化。經緯創投的子熹提到他們投資的一個合成數據公司，通過大模型生成合成數據去使用，數據可以主要應用在軟件測試、數據分析，以及 AI 大模型訓練使用。公司在處理數據的時候涉及到很多隱私部署的問題，使用了 Oasis區塊鏈，可以有效避免了隱私和監管問題。

2.2 AI+Web3 數據公司如何打造核心競爭力

對於 Web3 技術公司來說，AI 的引入能夠一定程度上增加項目的吸引力或關注度，但是目前大部分 Web3 技術公司相關結合 AI 的產品並不足以成爲公司的核心競爭力，更多是在提供了更友好的體驗，以及效率的提升。譬如 AI Agent 的門檻並不高，先做的公司可能在市場有先發優勢，但並不產生壁壘。

而真正在 Web3 數據行業中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 技術解決具體分析場景的問題。

首先，團隊的數據能力包括了數據源及團隊進行數據分析和模型調整的能力，這是進行後續工作的基礎。在採訪中，SevenX Ventures、經緯創投和 Hashkey Capital 都一致提到了 AI+Web3 數據公司的核心競爭力取決於數據源的質量。在這個基礎上，還需要工程師能夠基於數據源熟練地進行模型微調、數據處理和解析。

另一方面，團隊 AI 技術具體結合的場景也非常重要，場景應該是有價值的。Harper 認爲，盡管目前 Web3 數據公司與 AI 的結合基本都是從 AI Agent 开始，但他們的定位也不同，例如 Hashkey Capital 投資的 Space and Time，和 chainML 合作推出了創建 AI agent 的基礎設施，其中創建的 DeFi agent 被用於 Space and Time。

2.3 Web3 數據公司未來的商業化道路

另一個對於 Web3 數據公司很重要的話題是商業化。長期以來，數據分析公司的盈利模式都比較單一，大都 ToC 免費，主要 ToB 盈利，這很依賴於 B 端客戶的付費意愿。在 Web3 領域，本身企業的付費意愿就不高，加上行業初創公司爲主，項目方難以支撐長期的付費。因此目前 Web3 數據公司在商業化的處境上比較艱難。

在這個問題上，VC 們普遍認爲當前 AI 技術的結合，僅應用在內部解決生產流程的問題，並沒有改變本質上的變現難問題。一些新的產品形式如 AI Bot 等門檻不夠高，可能一定程度上在 toC 領域增強用戶的付費意愿，但仍然不是很強。AI 可能短期內不是解決數據產品商業化問題的解決方案，商業化需要更多的產品化努力，例如尋找更加合適的場景，和創新的商業模式。

在未來 Web3 與 AI 結合的路徑上，利用 Web3 的經濟模型結合 AI 數據可能會產生一些新的商業模式，主要在 ToC 領域。經緯創投的子熹提到 AI 產品可以結合一些 token 的玩法，提高整個社群的粘性、日活和情感，這是可行的，也更容易變現。啓明創投的唐弈提到，從意識形態的角度，Web3 的價值體系可以結合到AI上的，很適合作爲 bot 的账號體系或者說價值轉化體系。例如一個機器人擁有自己的账戶，可以通過其智能部分賺錢，以及爲維護其底層計算能力付費等。但這個概念屬於未來的暢想，實際應用可能還有很長的路要走。

而在原來的商業模式，即用戶直接付費上，需要有足夠強的產品力，讓用戶有更強的付費意愿。例如更高質量的數據源、數據帶來的效益超過支付的成本等，這不僅僅在於 AI 技術的應用，也在數據團隊本身的能力之上。

關於Footprint Analytics

Footprint Analytics是一家區塊鏈數據解決方案提供商。借助尖端的人工智能技術，我們提供 Crypto 領域首家支持無代碼數據分析平台以及統一的數據 API，讓用戶可以快速檢索超過 30 條公鏈生態的 NFT，GameFi 以及 錢包地址資金流追蹤數據。

關於Future3 Campus

Future3 Campus是由萬向區塊鏈實驗室和HashKey Capital共同發起的Web3.0創新孵化平台，重點聚焦Web3.0 Massive Adoption、DePIN、AI三大賽道，以上海、粵港澳大灣區、新加坡爲主要孵化基地，輻射全球Web3.0生態。同時，Future3 Campus將推出首期5000萬美金的種子基金用於Web3.0項目孵化，真正服務於Web3.0領域的創新創業。