AI+Web3或将成为未来行业融合创新的一大突破点。Future3 Campus在与Footprint Analytics携手编撰《AI 与 Web3 数据行业融合的现状、竞争格局与未来机遇探析》研报期间，也对多位知名投资机构代表进行了采访。本文根据访谈内容整理，仅代表受访嘉宾观点，不代表 Footprint 立场。

Hashkey Capital-Harper：我认为AI和web3数据的集合有几点：一是通过LLM模型将语言转化生成SQL，比如Dune，还有些项目专门做search engine的，要强化SQL，才能去正确调取数据库里的数据，还有利用自然语言就能自动生成SQL，让开发者复制后去使用。二是聊天对话方式，基于chatgpt改造的聊天agent，主要针对提供聊天窗口的，不那么强调在SQL和搜索优化上，它更随意点，比如请告诉我哪个KOL喊单了，这个安全事件对token的影响有什么（这个时候可能就是全网搜索出来一个结果，这里就不会强调调取数据库的SQL优化）。三是通过AI创建合适的模型将链下和链上数据进行整理，提取更好的insight。

相比之下，一需要项目方有更强的数据库搭建能力，因为Web3的数据处理起来很麻烦，不过要达到准确性和速度，这个还是很难的；二是个比较简单的结合方式，门槛也不太高。

SevenX Ventures-Yuxing：其实数据是AI的养料。Web3的数据公开且可验证，而AI的问题在于它的黑盒特性，难以验证。这两者结合，可以产生一些有趣的化学反应。目前我更倾向于把AI和Web3的结合分为两类，不是简单的AI加Web3数据，而是考虑AI如何让Web3变得更好，以及Web3如何让AI变得更好。

首先AI对于Web3数据来说，能够有效利用Web3数据公开可验证的特性。任何AI都可以使用Web3数据，提炼并产生价值，无论是投资建议还是预警分析，AI能够帮助Web3数据处理和分析增加效率。另一方面，Web3可以增加AI的可信度，因为Web3本身就是一个新型的信任机制。通过Web3的数据公开可验证的特性，可以提高AI的透明度，甚至在新闻报道或纪实等重要领域，可以用Web3的方式存储关键信息，这就能够去避免AI存在的一些问题。

而这些问题中比较常见的就是AI的造假问题，还有AI黑盒问题。AI的算法有些可能比较容易理解，但是有的算法很难解释，比如像神经网络这样复杂的算法，还有GPT，人们可能会质疑他的答案是如何产生的，它的数据和算法都不够透明，让人感觉像是魔术。例如，之前的人脸识别算法将黑人错误识别成大猩猩，这是因为其数据样本中黑人的图片太少。

如果AI模型使用的数据都是可验证的，我们就可以更容易辨别数据是否有样本偏差。使用Web3的数据，因为其透明性，整个AI模型的训练源和结果都会更加明晰。这样一来，我们就能更公正地看待AI，理解它的决策源，减少偏见和错误。