深度研报（下篇）：AI与Web3数据行业融合现状、竞争格局与未来机遇探析

GPT的横空出世将全球的目光吸引至大语言模型，各行各业都尝试着利用这个“黑科技”提高工作效率，加速行业发展。Future3 Campus携手Footprint Analytics共同深入研究AI与Web3结合的无限可能，联合发布了《AI与Web3数据行业融合现状、竞争格局与未来机遇探析》研报。该研报分为上下两篇，本文为下篇，由Future3 Campus研究员Sherry、Humphrey编撰。

摘要：

AI 与 Web3 的数据结合正在促进数据处理效率的提升和用户体验的改善。目前区块链数据行业对于 LLM 的探索主要集中在通过 AI 技术来提高数据处理效率，利用 LLM 交互优势构建 AI Agent，以及利用 AI 进行定价和交易策略分析等。
目前 AI 在 Web3 数据领域的应用还面临一些挑战，如准确性、可解释性、商业化等。完全取代人工介入还有很长的路要走。
Web3 数据公司的核心竞争力不仅仅是 AI 技术本身，还在于数据积累能力和对数据的深入分析应用能力。
AI 可能短期内不是解决数据产品商业化问题的解决方案，商业化需要更多的产品化努力。

Web3 数据行业与 AI 结合的现状以及发展路线

1.1 Dune

Dune 是当前 Web3 行业内领先的开放数据分析社区，提供了区块链查询、提取和可视化大量数据的工具，允许用户和数据分析专家使用简单的 SQL 查询从 Dune 预先填充的数据库中查询链上数据，并形成相应的图表和观点。

2023 年 3 月，Dune 提出关于 AI 以及未来结合 LLM 的计划，并于 10 月发布了其 Dune AI 产品。Dune AI 相关的产品核心关注利用 LLM 强大的语言能力和分析能力增强 Wizard UX ，更好地为用户提供 Dune上的数据查询和 SQL 编写。

（1）查询解释：3 月发布的产品，用户可以通过点击按钮来获取 SQL 查询的自然语言解释，旨在帮助用户更好地理解复杂的 SQL 查询，从而提高数据分析的效率和准确性。

（2）查询翻译：Dune 计划将 Dune 上不同的 SQL 查询引擎（如 Postgres 和 Spark SQL）统一迁移到 DuneSQL，因此 LLM 可以提供自动化的查询语言翻译能力，帮助用户更好地过渡，以有利于 DuneSQL 产品的推行。

（3）自然语言查询：即 10 月发布的 Dune AI。允许用户用普通英语提问并获取数据。这一功能的目标是使得无需 SQL 知识的用户也能轻松获取和分析数据。

（4）搜索优化：Dune 计划利用 LLM 改进搜索功能，帮助用户更有效地筛选信息。

（5）向导知识库：Dune 计划发布一个聊天机器人，帮助用户快速浏览 Spellbook 和 Dune 文档中的区块链和 SQL 知识。

（6）简化 SQL 编写工作（Dune Wand）：Dune 8 月推出 Wand 系列的 SQL 工具。Create Wand 允许用户从自然语言提示中生成完整的查询，Edit Wand 并允许用户对现有查询进行修改，Debug 功能自动调试查询中的语法错误。这些工具的核心都是 LLM 技术，能够简化查询编写过程，使分析师能够专注于分析数据的核心逻辑，无需担心代码和语法问题。

1.2 Footprint Analytics

Footprint Analytics是一家区块链数据解决方案提供商，借助人工智能技术提供无代码数据分析平台、统一的数据 API 产品以及 Web3 项目 BI 平台 Footprint Growth Analytics。

Footprint 的优势在于其链上数据生产线及生态工具的打造，其通过建立统一的数据湖打通链上链下数据和类链上工商登记的元数据库，确保用户在分析以及使用时的数据的可获取性、易用性和质量。Footprint 的长期战略将专注于技术深度和平台建设，以打造能够生产链上数据以及应用的“机器工厂”。

Footprint 产品与 AI 的结合如下：

自 LLM 模型推出以后，Footprint 在第一时间便在探索现有数据产品与 AI 的结合，以提高数据处理和分析的效率，打造对用户更友好的产品。2023 年 5 月份，Footprint 已开始为用户提供自然语言交互的数据分析功能，并在其原有无代码的基础上升级到了高阶产品功能，用户在无需熟悉平台的表格、设计的情况下，即可通过对话快速获取数据以及生成图表。

此外，目前市场中 LLM + Web3的数据产品，主要集中在解决降低用户使用门槛，交互范式的变更上的问题，而Footprint 在产品与 AI 的开发中的重点，不仅是帮助用户解决数据分析使用体验的问题，其重点还在于沉淀 crypto 领域的垂类数据与业务理解，以及训练加密领域语言模型，提升垂直场景应用的效率以及准确度。Footprint 在这方面的优势将体现在以下方面：

数据知识量（知识库的质与量）。数据积累的效率，源、量、类别。特别是 Footprint MetaMosaic 子产品上，体现关系图谱，以及特定业务逻辑的静态数据的积累。
知识架构。Footprint 已经积累了超过 30 条公链的，按业务版块抽象的结构化数据表。原始数据到结构化数据的生产流程知识，可以反过来加强对原始数据的理解，更好去训练模型。
数据类型。从链上非标准非结构化的原始数据开始训练以及从结构化、具有业务意义的数据表以及指标的训练，从训练的效率以及机器成本上都有明显的差距。一个比较典型的是需要提供比较多的数据去提供给 LLM，这些数据除了需要基于加密领域的专业数据，也需要更多易读、结构化的数据，另外更大的用户量的作为反馈数据。
Crypto 资金流向数据。Footprint 把跟投资紧密相关的资金流向数据进行了抽象，它包含了每笔交易的时间、主体（含流向）、代币类型、金额（关联时点代币价格）、业务类型，以及代币、主体的标签，可作为 LLM 的知识库以及数据源，用于做代币的主力资金分析、定位筹码分布、监测资金流向、识别链上异动、追踪聪明资金等。
私有数据的注入。Footprint 把模型分为 3 大层，一个是具备 World knowledge 的底座大模型（OpenAI 以及其他开源模式）、细分领域垂直模型、个性化专家知识模型。让用户能把自己不同源的知识库统一在 Footprint 上去进行管理，并且利用私有数据去训练私有 LLM，适用于更个性化的应用场景。

在 Footprint 结合 LLM 模型探索中，也遇到了一系列的挑战和问题，其中最典型的就是token 不足、耗时的 prompt 提示以及回答不稳定等问题。而 Footprint 所处的链上数据这一垂直领域，面临的更大挑战是链上数据实体类型多、数量庞大，变化快，以何种形式投喂给 LLM，需要整个行业更多研究和探索。目前的工具链也还相对初期，还需要更多的工具去解决一些具体问题。

未来 Footprint 在技术和产品上与 AI 的结合包括以下内容：

（1）技术方面，Footprint 将结合 LLM 模型在三个方面进行探索和优化

支持 LLM 在结构化数据上进行推理，让已沉淀的大量加密领域的结构化数据以及知识，能够被应用在 LLM 的数据消费以及生产上。
帮助用户建立个性化知识库（包括知识、数据以及经验），以及使用私有数据去提升已经优化过的 crypto LLM 的能力，让每个人都能建自己的模型。
让 AI 辅助分析以及内容生产，用户可以通过对话的方式，结合资金流数据以及私有知识库，去创建自己的 GPT，去生产以及分享 crypto 投资内容。

（2）在产品方面，Footprint 将重点探索 AI 产品应用以及商业模式上的创新。根据 Footprint 近期对产品的推广计划，将推出为用户提供 AI crypto 内容生成与分享平台。

此外，对于未来合作伙伴的拓展，Footprint 将在以下两个方面进行探索：

第一，强化与跟 KOL 合作，助力有价值内容的生产以及社区的运营、知识的变现。

第二，拓展更多合作项目方以及数据提供方，打造一个开放、共赢的用户激励和数据合作，建立一个互利共赢的一站式数据服务平台。

1.3 GoPlus SecurityGoplus

GoPlus Security是目前 Web3 行业领先的用户安全基础设施，提供各类面向用户的安全安全服务。目前已经被市面上主流的数字钱包、行情网站、Dex 以及其他各种 Web3 应用所集成。用户可以直接使用资产安全检测、转账授权和防钓鱼等各种安全保护功能。GoPlus所提供的用户安全解决方案可以全方位覆盖整个用户安全的生命周期，以保护用户资产免受各种类型的攻击者的威胁。

GoPlus 与 AI 的发展与规划如下：

GoPlus 在 AI 技术方面主要探索体现在其 AI 自动化检测和 AI 安全助手两款产品中：

（1）AI 自动化检测

GoPlus 从 2022 年开始自研基于AI技术的自动化检测引擎，来全面提升安全检测的效率以及准确率。GoPlus的安全引擎采用多层次、漏斗式的分析方法，采用了静态代码检测、动态检测以及特征或行为检测等多个环节。这一复合式检测流程使得引擎能够有效地识别并分析潜在风险样本的特征，从而对攻击类型和行为有效建模。这些模型是引擎识别和预防安全威胁的关键，它们帮助引擎判断风险样本是否具有某些特定的攻击特征。此外，GoPlus安全引擎经过长时间的迭代和优化，积累了非常丰厚的安全数据以及经验，其架构能够快速有效应对新出现的安全威胁，确保能够及时发现并阻止各种复杂和新型的攻击，全方位保护用户安全。目前该引擎在风险合约检测、钓鱼网站检测、恶意地址检测以及风险交易检测等多个安全场景均使用了AI相关的算法和技术。采用AI技术能更快速地缩短减小风险敞口，提高检测效率，降低检测成本；另一方面减少了人工参与的复杂性和时间成本，提高对风险样本判断的准确率，尤其是对于那些原本人工难以界定或引擎难以识别的新场景，通过AI可以更好地归集特征并形成更有效的分析方法。

2023 年，随着大模型的发展，GoPlus 迅速适应并采用了 LLM。与传统 AI算法相比，LLM 在数据识别、处理和分析方面的效率和效果有了显著提升。LLM 的出现帮助 GoPlus 加快了在 AI 自动化检测方面的技术探索，在动态模糊测试的方向上，GoPlus采用了LLM技术能够有效的生成交易序列，探索更深的状态来发现合约风险。

（2）AI 安全助手

GoPlus 同时正利用基于 LLM 的自然语言处理能力，开发 AI 安全助手，以提供即时的安全咨询和改善用户体验。AI 助手基于 GPT 大模型，通过前端业务数据的输入，开发了一套自研的用户安全Agent，能够根据问题自动化的去分析、生成解决方案、拆解任务、执行，为用户提供需要的安全服务。AI 助手能简化用户与安全问题之间的交流，降低用户理解的门槛。

在产品功能上，由于 AI 在安全领域的重要性，未来AI 有潜力彻底改变现有的安全引擎或病毒杀毒引擎的结构，出现以 AI 为核心的全新引擎架构。GoPlus 将持续对 AI 模型进行训练和优化，以期将AI从辅助工具转变为其安全检测引擎的核心功能。

在商业模式上，虽然目前 GoPlus 的服务主要面向开发者和项目方，但公司正在探索更多直接面向 C 端用户的产品和服务，以及与AI相关的新收入模式。提供高效、准确、低成本的 C 端服务将是 GoPlus 未来的核心竞争力。这需要公司持续研究，在与用户交互的 AI 大模型上进行更多的训练和输出。同时，GoPlus公司也将与其他团队合作，共享其安全数据，并通过合作推动安全领域内的 AI 应用，为未来可能带来的行业变革做好准备。

1.4 Trusta Labs

Trusta Labs成立于2022年，是一家由人工智能驱动的Web3领域数据创业公司。Trusta Labs专注于利用先进的人工智能技术对区块链数据进行高效处理和精准分析，以构建区块链的链上声誉和安全基础设施。目前，Trusta Labs 的业务主要包括两款产品：TrustScan 和 TrustGo。

（1）TrustScan，TrustScan是一款专为B端客户设计的产品，主要用于帮助Web3项目在用户获取、用户活跃和用户留存方面进行链上用户行为分析和精细化分层，以识别高价值且真实的用户。

（2）TrustGo，一款面向 C 端客户的产品，其提供的 MEDIA 分析工具，可以从五个维度（资金金额、活跃度、多样性、身份权益、忠诚度）对链上地址进行分析和评估，该产品强调对链上数据的深入分析，以提升交易决策的质量和安全性。

Trusta Labs 与 AI 的发展与规划如下：

目前 Trusta Labs 的两款产品均是利用AI模型对链上地址的交互数据进行处理和分析。区块链上地址交互的行为数据，均属于序列数据，这类型的数据非常适合用于 AI 模型的训练。在对链上数据进行清洗、整理和标记的过程中，Trusta Labs 将大量的工作交给 AI 来完成，极大地提高了数据处理的质量和效率，同时也减少了大量的人力成本。Trusta Labs 利用 AI 技术对链上地址交互数据进行深入分析和挖掘，对于 B 端客户而言，可以有效地识别出较大可能性的女巫地址。在已使用 Tursta Labs 产品的多个项目中，Tursta Labs 均较好地防范了潜在女巫攻击的发生；而对于 C 端客户，通过 TrustGo 产品，利用现有的 AI 模型，有效帮助用户深入了解了自己的链上行为数据。

Trusta Labs一直在紧密关注LLM模型的技术进展和应用实践。随着模型训练和推理成本不断降低，以及Web3领域大量语料和用户行为数据的积累，Trusta Labs将寻找合适的时机，引入LLM技术，利用 AI 的生产力为产品和用户提供更深入的数据挖掘和分析功能。在目前 Trusta Labs 已经提供丰富的数据的基础上，希望可以利用 AI 的智能分析模型，为数据结果提供更多合理、客观的数据解读功能，如针对 B 端用户提供定性和定量解读已抓取到女巫账户的分析，让用户更理解数据背后的原因分析，同时可以为 B 端用户向其客户投诉解释时提供更翔实的材料佐证。

另一方面，Trusta Labs 也计划利用已开源或者较为成熟的 LLM 模型，并结合以意图为中心的设计理念来构建 AI Agent，从而来帮助用户更快捷、更效率地解决链上交互的问题。就具体应用场景而言，未来通过 Trusta Labs 提供的基于 LLM 训练的 AI Agent 智能助理，用户可以直接通过自然语言与智能助理进行交流，智能助理即可“聪明”地反馈链上数据相关的信息，并针对已提供的信息进行后续操作的建议和规划，真正实现以用户意图为中心的一站式智能操作，极大降低用户使用数据的门槛，简化链上操作的执行。

此外，Trusta 认为，未来随着越来越多基于 AI 的数据产品的出现，每个产品的核心竞争要素可能不在于使用何种 LLM 模型，竞争的关键因素是对已掌握数据更深层次的理解和解读。基于对已掌握数据的解析，再结合 LLM 模型，才能训练出更“聪明”的 AI 模型。

1.5 0xScope

0xScope，成立于 2022 年，是一个以数据为核心的创新平台，其专注于区块链技术和人工智能的结合。0xScope 旨在改变人们处理、使用和看待数据的方式。0xScope 目前针对 B 端和 C 端客户分别推出了：0xScope SaaS products 和 0xScopescan。

（1）0xScope SaaS products，一个面向企业的 SaaS 解决方案，赋能企业客户进行投后管理、做出更好的投资决策、了解用户行为，并密切监控竞争动态。

（2）0xScopescan，一个 B2C 产品，其允许加密货币交易者调查选定区块链的资金流动和活动情况。

0xScope 的业务重点是利用链上数据抽象出通用数据模型，简化链上数据分析工作，将链上数据转化为可被理解的链上操作数据，从而帮助用户对链上数据进行深入分析。利用 0xScope 提供的数据工具平台，不仅可以提升链上数据质量，挖掘数据暗藏的信息，从而揭示更多的信息给用户，该平台也极大降低了数据挖掘的门槛。

0xScope 与 AI 的发展与规划如下：

0xScope 的产品正在结合大模型进行升级，这包含两个方向：第一，通过自然语言交互的模式进一步地降低用户的使用门槛；第二，利用 AI 模型提高在数据清洗、解析、建模和分析等环节的处理效率。同时，0xScope 的产品中即将上线具有 Chat 功能的 AI 互动模块，该功能将极大地降低用户进行数据查询和分析的门槛，仅通过自然语言即可与底层的数据进行交互和查询。

但在训练和使用AI的过程中，0xScope 发现其中仍面临这以下挑战：第一，AI 训练成本和时间成本较高。在提出一个问题后，AI 需要花费较长时间才能进行回复。因此，这个困难会迫使团队需要精简和聚焦业务流程，专注于垂直领域的问答，而不是让其成为一个全方位的超级AI助理。第二，LLM 模型的输出是不可控的。数据类的产品希望给出的结果是精准的，但目前LLM模型给出的结果很可能与实际的情况有一定出入，这对数据类产品的体验是非常致命的。此外，大模型的输出有可能会涉及到用户的隐私数据。因此，在产品中使用 LLM 模式时，团队需要对其有较大程度的限制，以使得 AI 模型输出的结果可控且精准。

未来，0xScope 计划利用 AI 专注于特定的垂直赛道并进行深耕。目前基于已大量积累大量链上数据，0xScope 可以对链上用户的身份进行定义，后续将继续利用 AI 工具抽象链上用户行为，进而打造出一套独特的数据建模的体系，通过这套数据挖掘和分析体系揭示出链上数据暗含的信息。

在合作方面，0xScope 将聚焦在两类群体：第一类，产品可以直接服务的对象，比如开发者、项目方、VC、交易所等，该群体需要目前产品所提供的数据；第二类，对 AI Chat 有需求的合作伙伴，如 Debank、Chainbase 等，他们只需要有相关的知识和数据，便可以直接调用 AI Chat。

VC insight——AI+Web3 数据公司的商业化和未来发展之路

本节内容通过采访了 4 位资深的 VC 投资人，将从投资和市场的视角来看 AI+Web3 数据行业的现状和发展，Web3 数据公司的核心竞争力以及未来的商业化道路。

2.1 AI+Web3 数据行业的现状和发展

目前，AI 与 Web3 数据的结合正处于一个积极探索的阶段，从各个头部 Web3 数据公司的发展方向来看，AI 技术以及 LLM 的结合都是必不可少的趋势。但同时 LLM 有其自身技术局限性，尚不能解决当前数据行业的很多问题。

因此，我们需要认识到并非盲目地与 AI 结合就能够增强项目的优势，或者是使用 AI 概念进行炒作，而是需要探索真正具有实用性和前景的应用领域。从 VC 的视角，目前 AI 与 Web3数据的结合已经有以下方面的探索：

（1）通过 AI 技术来提高Web3 数据产品的能力，包括 AI 技术帮助企业提高内部数据处理分析的效率，以及相应提高对用户的数据产品的自动化分析、检索等能力。例如SevenX Ventures 的Yuxing 提到 Web3 数据使用 AI 技术最主要的帮助是效率方面，比如 Dune 使用 LLM 模型做代码异常检测和将自然语言转化生成 SQL 去信息索引；还有用 AI 做安全预警的项目，AI 算法做异常检测效果比从纯数学统计更好，所以可以更有效地去做安全方面的监测；此外，经纬创投的子熹提到企业可以通过训练 AI 模型进行数据的预标注，能节约很多人力成本。尽管如此，VC 们都认为，在提高 Web3 数据产品的能力和效率方面，AI 起到的是辅助作用，例如数据的预标注，最终可能仍需要人工审核来确保准确性。

（2）利用 LLM 在适应性和交互上的优势，打造 AI Agent/Bot。例如使用大语言模型来检索整个 Web3 的数据，包括链上数据和链下新闻数据，进行信息聚合和舆情分析。Hashkey Capital 的 Harper 认为这类的 AI Agent更加偏向于信息的整合、生成，以及和用户之间的交互，在信息准确性和效率上会相对弱一些。

上述两方面的应用尽管已经有不少案例，但是技术和产品仍然在探索的早期，因此未来也需要不断地进行技术优化和产品改进。

（3）利用 AI 进行定价及交易策略分析：目前市场中有项目利用 AI 技术给 NFT 进行价格估算，如启明创投投资的 NFTGo，以及有些专业交易团队使用 AI 进行数据分析和交易执行。此外 Ocean Protocol 近期也发布了一个价格预测的AI产品。这类的产品似乎很有想象力，但在产品中、用户接受程度方面，尤其是准确性方面仍需要进行验证。

另一方面，有不少 VC，尤其是在 Web2 有投资的 VC会更关注提到 Web3 和区块链技术能够为 AI 技术带来的优势和应用场景。区块链具有公开可验证、去中心化的特点，以及密码学技术提供隐私保护能力，加上 Web3 对生产关系重塑，可能能够给 AI 带来一些新的机会：

（1）AI 数据确权与验证。AI 的出现使数据内容生成变得泛滥和廉价。启明创投的唐弈提到对于数字作品等内容，难以确定其质量和创作者。在这方面，数据内容的确权需要一个全新的体系，区块链可能可以提供帮助。经纬创投的子熹提到有数据交易所将数据放在NFT中进行交易，可以解决数据确权的问题。

另外，SevenX Ventures 的 Yuxing 提到Web3 数据能够改善 AI 造假和黑盒问题，当前 AI 在模型算法本身和数据方面都存在黑盒问题，会导致输出结果的偏差。而Web3的数据具有透明性，数据是公开可验证的，AI模型的训练源和结果都会更加明晰，使得AI更加公正，减少偏见和错误。但当前 Web3 的数据量还不够多，不足以给 AI 本身的训练赋能，因此短期不会实现。但是我们可以利用这一特性，将 Web2 数据上链，来防止 AI 的深度伪造。

（2）AI 数据标注众包及 UGC 社区：目前传统 AI 标注面临效率和质量较低的问题，尤其是在涉及到专业知识领域，可能还需要交叉学科知识，传统的通用数据标注公司是不可能覆盖的，往往需要专业团队内部来做。而通过区块链和 Web3 的概念引入数据标注的众包，则能很好地改善这个问题，例如经纬创投投资的Questlab，他们使用区块链技术提供数据标注的众包服务。此外，在一些开源模型社区中，也可以使用区块链概念来解决模型创作者经济的问题。

（3）数据隐私部署：区块链技术结合密码学相关技术可以保证数据的隐私和去中心化。经纬创投的子熹提到他们投资的一个合成数据公司，通过大模型生成合成数据去使用，数据可以主要应用在软件测试、数据分析，以及 AI 大模型训练使用。公司在处理数据的时候涉及到很多隐私部署的问题，使用了 Oasis区块链，可以有效避免了隐私和监管问题。

2.2AI+Web3数据公司如何打造核心竞争力

对于 Web3 技术公司来说，AI 的引入能够一定程度上增加项目的吸引力或关注度，但是目前大部分 Web3 技术公司相关结合 AI 的产品并不足以成为公司的核心竞争力，更多是在提供了更友好的体验，以及效率的提升。譬如 AI Agent 的门槛并不高，先做的公司可能在市场有先发优势，但并不产生壁垒。

而真正在 Web3 数据行业中产生核心竞争力和壁垒的应该是团队的数据能力以及如何应用 AI 技术解决具体分析场景的问题。

首先，团队的数据能力包括了数据源及团队进行数据分析和模型调整的能力，这是进行后续工作的基础。在采访中，SevenX Ventures、经纬创投和 Hashkey Capital 都一致提到了AI+Web3 数据公司的核心竞争力取决于数据源的质量。在这个基础上，还需要工程师能够基于数据源熟练地进行模型微调、数据处理和解析。

另一方面，团队 AI 技术具体结合的场景也非常重要，场景应该是有价值的。Harper 认为，尽管目前 Web3 数据公司与 AI 的结合基本都是从 AI Agent 开始，但他们的定位也不同，例如 Hashkey Capital 投资的 Space and Time，和 chainML 合作推出了创建 AI agent 的基础设施，其中创建的 DeFi agent 被用于 Space and Time。

2.3Web3数据公司未来的商业化道路

另一个对于 Web3 数据公司很重要的话题是商业化。长期以来，数据分析公司的盈利模式都比较单一，大都 ToC 免费，主要 ToB 盈利，这很依赖于 B 端客户的付费意愿。在 Web3 领域，本身企业的付费意愿就不高，加上行业初创公司为主，项目方难以支撑长期的付费。因此目前 Web3 数据公司在商业化的处境上比较艰难。

在这个问题上，VC 们普遍认为当前 AI 技术的结合，仅应用在内部解决生产流程的问题，并没有改变本质上的变现难问题。一些新的产品形式如 AI Bot 等门槛不够高，可能一定程度上在 toC 领域增强用户的付费意愿，但仍然不是很强。AI 可能短期内不是解决数据产品商业化问题的解决方案，商业化需要更多的产品化努力，例如寻找更加合适的场景，和创新的商业模式。

在未来 Web3 与 AI 结合的路径上，利用 Web3 的经济模型结合 AI 数据可能会产生一些新的商业模式，主要在 ToC 领域。经纬创投的子熹提到 AI 产品可以结合一些 token 的玩法，提高整个社群的粘性、日活和情感，这是可行的，也更容易变现。启明创投的唐弈提到，从意识形态的角度，Web3 的价值体系可以结合到AI上的，很适合作为 bot 的账号体系或者说价值转化体系。例如一个机器人拥有自己的账户，可以通过其智能部分赚钱，以及为维护其底层计算能力付费等。但这个概念属于未来的畅想，实际应用可能还有很长的路要走。

而在原来的商业模式，即用户直接付费上，需要有足够强的产品力，让用户有更强的付费意愿。例如更高质量的数据源、数据带来的效益超过支付的成本等，这不仅仅在于 AI 技术的应用，也在数据团队本身的能力之上。