Экосистема Web3 сталкивается с огромными возможностями и вызовами в применении искусственного интеллекта. В этой статье подробно рассматриваются потребности AI-агентов в данных в среде Web3, текущие трудности и ключевые элементы построения готового к AI уровня данных.
Потребности AI-агентов в данных и текущая ситуация в Web3
Рабочий цикл AI-агента можно обобщить как: наблюдение, принятие решений, действия, обучение. Этот цикл зависит от свежих, надежных и без разрешения данных. Однако данные в экосистеме Web3 разбросаны по множеству гетерогичных цепочек, узловых стэков, индексаторов и вне цепных Машин Oracle, каждая со своими задержками, конечностью, семантикой и режимами отказа. Это затрудняет получение AI-агентами необходимых высококачественных данных.
Трудности, с которыми сталкиваются разработчики AI в Web3
Гетерогенность: Каждая цепочка имеет уникальное поведение RPC, логи, шаблоны событий и т. д., и большинство запросов требуют индивидуальной настройки индексаторов.
Свежесть данных и компромисс с затратами: Дешевые данные часто обновляются медленно, а быстрые — дорогие.
Семантический разбор: Преобразование исходных логов в значимые сущности, такие как ( ликвидностные пулы, позиции, Прибыль/убыток) требует постоянных ETL-процессов и повторных вычислений.
Надежность при высокой нагрузке: Перегрузки сети и задержки Машин Oracle создают хвостовые риски, с которыми автономные партнеры сталкиваются трудно.
Определение управляемых данных и слабые стороны Web3
Управляемые данные — это такие, на основе которых AI-партнер может принимать решения и выполнять действия в ограниченное время. Конкретные требования включают:
Стандартизация семантики кросс-чейн
Свежесть и определенность
Проверяемость
Вычисления рядом с данными
Потоковая обработка и возможность возврата во времени
Современный стек технологий Web3 обеспечивает некоторые функции, такие как ( субграфы, RPC, аналитические API), но отсутствует полноценная, кросс-чейн, с низкой задержкой инфраструктура данных.
Ключевые характеристики уровня данных, готового к AI
Интеграция и стандартизация данных из нескольких цепочек: единые стандарты, четкие единицы измерения и десятичные знаки.
Потоковая обработка и снимки: события, подобные Kafka, и OLAP-снимки, поддерживающие возврат во времени и связывание данных.
Происхождение и проверяемость образов: детерминированные субграфы-образы, версионирование преобразований и проверка целостности.
Встроенные вычисления в потоках: встроенные функции для оценки волатильности, глубины ликвидности, моделирования маршрутов и т. д.
API для свежести данных с учетом конечности: каждый вызов возвращает информацию о свежести, подтверждениях и уровне конечности.
Триггеры намерений: первичная привязка к системам исполнения намерений, поддержка моделирования и проверки.
Безопасный аудит: ограничение скорости, защита от перегрузки, повторное воспроизведение логов и доказательства после транзакций.
Будущее AI × Web3
Создание подходящего уровня данных откроет новые возможности:
Самостоятельное ценообразование маркет-мейкеров с учетом свежести данных и конечности
Помощь в управлении: анализ предложений, моделирование результатов и предоставление криптографических доказательств
Кросс-чейн инвестиционные стратегии: автоматизация на базе систем исполнения намерений
Торговые площадки: наборы данных и сервисы вывода, с оплатой в цепочке и доказательствами использования
Заключение
Для команд, которые рассматривают AI-партнера как интерфейс следующего поколения, выбор архитектуры определит успех продукта. Постоянное исправление RPC-вызовов и ETL-процессов затруднит адаптацию к многократным цепочкам, реальному времени и конкурентным рынкам. А команды, создающие AI-готовый уровень данных — стандартизованный, зеркальный, вычисляемый, чувствительный к конечности и связанный с системами исполнения намерений — смогут развернуть производственных партнеров, способных эффективно наблюдать, принимать решения, действовать и учиться.
Обеспечьте AI-партнеров необходимой инфраструктурой данных. Рынок не будет ждать, а они уже испытывают жажду.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Применение ИИ в Web3: вызовы и решения на уровне данных
Экосистема Web3 сталкивается с огромными возможностями и вызовами в применении искусственного интеллекта. В этой статье подробно рассматриваются потребности AI-агентов в данных в среде Web3, текущие трудности и ключевые элементы построения готового к AI уровня данных.
Потребности AI-агентов в данных и текущая ситуация в Web3
Рабочий цикл AI-агента можно обобщить как: наблюдение, принятие решений, действия, обучение. Этот цикл зависит от свежих, надежных и без разрешения данных. Однако данные в экосистеме Web3 разбросаны по множеству гетерогичных цепочек, узловых стэков, индексаторов и вне цепных Машин Oracle, каждая со своими задержками, конечностью, семантикой и режимами отказа. Это затрудняет получение AI-агентами необходимых высококачественных данных.
Трудности, с которыми сталкиваются разработчики AI в Web3
Гетерогенность: Каждая цепочка имеет уникальное поведение RPC, логи, шаблоны событий и т. д., и большинство запросов требуют индивидуальной настройки индексаторов.
Свежесть данных и компромисс с затратами: Дешевые данные часто обновляются медленно, а быстрые — дорогие.
Семантический разбор: Преобразование исходных логов в значимые сущности, такие как ( ликвидностные пулы, позиции, Прибыль/убыток) требует постоянных ETL-процессов и повторных вычислений.
Надежность при высокой нагрузке: Перегрузки сети и задержки Машин Oracle создают хвостовые риски, с которыми автономные партнеры сталкиваются трудно.
Определение управляемых данных и слабые стороны Web3
Управляемые данные — это такие, на основе которых AI-партнер может принимать решения и выполнять действия в ограниченное время. Конкретные требования включают:
Современный стек технологий Web3 обеспечивает некоторые функции, такие как ( субграфы, RPC, аналитические API), но отсутствует полноценная, кросс-чейн, с низкой задержкой инфраструктура данных.
Ключевые характеристики уровня данных, готового к AI
Интеграция и стандартизация данных из нескольких цепочек: единые стандарты, четкие единицы измерения и десятичные знаки.
Потоковая обработка и снимки: события, подобные Kafka, и OLAP-снимки, поддерживающие возврат во времени и связывание данных.
Происхождение и проверяемость образов: детерминированные субграфы-образы, версионирование преобразований и проверка целостности.
Встроенные вычисления в потоках: встроенные функции для оценки волатильности, глубины ликвидности, моделирования маршрутов и т. д.
API для свежести данных с учетом конечности: каждый вызов возвращает информацию о свежести, подтверждениях и уровне конечности.
Триггеры намерений: первичная привязка к системам исполнения намерений, поддержка моделирования и проверки.
Безопасный аудит: ограничение скорости, защита от перегрузки, повторное воспроизведение логов и доказательства после транзакций.
Будущее AI × Web3
Создание подходящего уровня данных откроет новые возможности:
Заключение
Для команд, которые рассматривают AI-партнера как интерфейс следующего поколения, выбор архитектуры определит успех продукта. Постоянное исправление RPC-вызовов и ETL-процессов затруднит адаптацию к многократным цепочкам, реальному времени и конкурентным рынкам. А команды, создающие AI-готовый уровень данных — стандартизованный, зеркальный, вычисляемый, чувствительный к конечности и связанный с системами исполнения намерений — смогут развернуть производственных партнеров, способных эффективно наблюдать, принимать решения, действовать и учиться.
Обеспечьте AI-партнеров необходимой инфраструктурой данных. Рынок не будет ждать, а они уже испытывают жажду.