Уровень данных Web3: Проблемы и возможности для децентрализованных систем

Искусственные агенты революционизируют Web3, но сталкиваются с критическим узким местом: фрагментированными и ненадежными данными. Эта статья исследует проблемы создания слоя данных, готового к ИИ, для децентрализованных систем, и описывает потенциальные решения.

Дилемма данных в Web3

AI-агенты следуют простой петле: наблюдать, принимать решение, действовать, учиться. В Web3 этот процесс затруднен из-за разбросанных данных по гетерогенным цепочкам, узловым стекам, индексаторам и оракулам. Каждый источник данных имеет уникальную задержку, окончательность и режимы отказа, создавая хаотичную среду для AI-систем.

Ключевые проблемы включают:

• Гетерогенность: Разнообразные поведения RPC, схемы событий и предположения о финальности между цепями.
• Старение данных против стоимости: Компромиссы между дешевыми, но медленными данными и быстрыми, но дорогими пользовательскими индексаторами.
• Сложная семантика: Преобразование сырых данных блокчейна в значимые сущности требует постоянных процессов ETL.
• Проблемы с надежностью: Конгестия сети и задержка оракула создают хвостовые риски, которые трудно преодолеть ИИ.

Создание данных, готовых для ИИ

Чтобы раскрыть потенциал ИИ в Web3, требуется новая инфраструктура данных. Ключевые компоненты готового к ИИ уровня данных включают:

• Нормализованные схемы: Последовательные представления токенов, пулов, позиций между цепями.
• Гарантии свежести: Определенные SLO по задержке и доставка данных с учетом окончательности.
• Проверяемые данные: Криптографическое происхождение или воспроизводимые пути деривации.
• Compute-near-data: Совместные возможности оценки и моделирования.
• Запросы на путешествия во времени: Только добавляемые потоковые события плюс индексированные снимки.

Уроки из реальных неудач

Несколько AI-Web3 проектов столкнулись с проблемами или прекратили свою деятельность из-за проблем с уровнем данных:

• Платформа "WWA" Planet Mojo: Закрыта вместе со своей флагманской игрой, ссылаясь на рыночные реалии.
• Брайан (AI конструктор транзакций): Прекратил операции после потери преимущества первопроходца.
• TradeAI / Stakx: Заморозили вывод средств и столкнулись с юридическими проблемами по поводу требований о незарегистрированных ценных бумагах.

Распространенные схемы сбоев включают:

• Проблемы с задержкой и фрагментацией данных в производственных средах
• Пробелы между хайпом и реализованной ценностью
• Регуляторный контроль за заявлениями о торговле с использованием ИИ

Новые решения и лучшие практики

1. Системы, основанные на намерениях: Переход от сырых вызовов к ориентированным на результат структурам.
2. Доставка данных с учетом окончательности: Предоставьте уровни уверенности для адаптивных политик агентов.
3. Граничные вычисления: Переместите критические операции ближе к источникам данных.
4. Избыточность и резервные копии: Используйте несколько источников данных и объяснимые производные.
5. Человеческий контроль: Внедрить процессы одобрения для действий с высоким воздействием.

Будущее ИИ и Web3

С надежным уровнем данных открываются новые горизонты:

• Маркет-мейкинг на основе ИИ: Автономные системы, учитывающие свежесть и окончательность данных.
• Управление портфелем через разные блокчейны: Маршрутизация на основе намерений с гарантией ограниченной задержки.
• Рынки данных для ИИ моделей: Ончейн-платежи за наборы данных, учитывающие происхождение, и услуги вывода.

Заключение

Поскольку ИИ становится следующим пользовательским интерфейсом для Web3, базовая архитектура данных определит успех. Команды, которые создадут нормализованные, зеркальные и осознанные намерения уровни данных, позволят агентам наблюдать, принимать решения, действовать и учиться с необходимой скоростью, требуемой децентрализованными рынками.