詳解OKX Jumpstart新專案QnA3.AI —— Web3世界居民必備的AI Agent

閱讀本文需 29 分鐘

QnA3.AI（GPT）將於今日20時在OKX平台開放交易。

編輯: BlockBeats

2 月28 日，OKX 新一期Jumpstart 項目QnA3.AI（GPT) 於今日14 時結束挖礦，並將於20 時開啟交易。 QnA3.AI曾在近日宣布獲得 Solana Foundation MCM Grant，將與 Solana 共同建造 AI 和 DePIN 生態。

根據DappRadar 數據顯示，目前QnA3.AI用戶活躍度（UAW）在BNB Dapp 榜單中位列第一，在全鏈Dapp 榜單上暫列第七位。作為 AI+CRYPTO 的問答平台，GPT 填補了 AI 的標的空白，隨著比特幣強勢突破 59,000 美元，市場的熱情或將再度被引爆。在即將上線 OKX 之際，讓我們快速全面的了解一下，什麼是 QnA3.AI（GPT)。

QnA3 的發展路徑

QnA3 團隊成立於2023 年1 月，在短短一年內實現了其產品從0 到1 的巨大蛻變：6 月，QnA3 上線問答功能，用戶量突破1 萬；9 月，QnA3 上線以意圖為中心的Telegram 機器人，用戶量突破30 萬；12 月， QnA3 上線資料挖礦功能，QnA3 日活躍用戶數霸榜BNB Chain No.1 超過半個月時間，用戶量突破200 萬。如今，QnA3 用戶數已飆升超過千萬。

QnA3 的核心定位：Web3 世界居民必備的AI Agent

根據官方的介紹，QnA3 是Web3 世界居民必備的AI Agent，協助使用者進行Web3 化全生命週期的全場景管理。

1）資訊管理AI+Research =「RAG」

QnA3 是Web3 領域中AI+搜尋的領跑者和全能型選手。

基於GPT 微調模型等通用智能生成能力及Google、微軟Bing 等搜尋引擎構建，QnA3 對比ChatGPT 等生成式AI 具有專業數據和專有知識的壁壘，訊息時效性強、可追溯信源並有效減少幻覺。比較Google等傳統搜尋引擎，QnA3 答案沒有資訊冗餘、準確可信，問題可拆解，答案可被回饋。

依託於對LLM 的理解和Pre Train（預訓練）、Post Train（訓練後），Scaling Up（可擴展性），Inference（推理）的豐富經驗[1]，QnA3 將LLM 與搜尋有機結合，優秀的產品力、工程化能力和快速迭代能力使QnA3 後發先至，在眾多前行者中突圍並穩固領跑者身份。資訊管理功能已經可以滿足概念問題，即時問題，推理問題，市場分析問題和交易問題等不同場景的需求。

實現後發先至的核心技術原理：將RAG（Retrieval Augmented Generation，檢索增強生成）技術發揮到極致，同時滿足「Web3 知識專業性」、「高即時性」和「問答內容強關聯性」。

在專案成立早期，QnA3 就分析了以ChatGPT 為代表的通用大模型，認為LLM 主要的問題之一為內容時效性差（2023 年初OpenAI發布的ChatGPT3.5 版本，數據範圍只能統計到21 年9 月），同時存在缺乏索引帶來的潛在幻覺風險。

本質上來說，LLM 無法產生訓練資料與語料庫以外的內容，也無法為產生內容提供精確索引與參考依據。 QnA3 採取的方式是學習 Meta。 2020 年，Meta 研究人員透過引入 RAG 把與問題相關的事實交給 LLM 加工和學習，不僅結合了生成模型的先驗知識，也汲取了檢索模型的即時性和內容的豐富性。

檢索增強生成技術（RAG）包含檢索、產生兩個環節。

檢索系統（Retriever）：檢索環節包含需求編碼器（Query Encoder）和文件索引（Document Index）。使用兩個不同的 BERT 模型將需求 q 與文檔 z 分別編碼為 q(x) 和 d(z)，進而使用最大內積搜尋演算法取得內積最大的文檔，將其與需求共同輸入生成部分。

生成系統（Generator）：在此環節，生成器根據檢索器總結輸出最終答案。大模型會根據輸入預測下一個字的出現機率，並產生機率最大的單字。共有兩種方式計算生成機率：1）RAG-Sequence：使用同一個文檔預測，先確定文檔再計算候選詞機率；2）RAG-Token：使用不同文檔預測，每個候選詞的機率為所有文檔的條件機率之和。

QnA3 以RAG 作為AI+Research 的核心技術，憑藉團隊超過十年的資料經驗，以資料的理解和應用能力為基礎，在檢索能力、反應速度與資料來源品質三個重要指標始終保持領先地位；採用RAG 融合外部知識庫與模型先驗知識，外部知識庫豐富且易於更新的資料有效彌補了大模型資料滯後、伴隨幻覺的劣勢。

2）資產管理AI+Trading =「具備Intent-Centric 的AI Agent」

交易是所有Web3 世界居民繞不開的環節。 QnA3 基於Paradiam 提出的「以意圖為中心」（intent-centric）的概念，結合使用者與AI 互動的問題，得到了幾個洞見：

1）使用者意圖的建立是逐步的，但是最初的意圖是模糊的，甚至是不準確的。

2）意圖的準確與否直接決定了使用者最終的體驗，而這很大程度上由意圖識別來決定。

3）最終配合使用者的實作路徑越簡單快速安全越好。

主流科學界將由人類與AI 的初級合作界將高級分為Embedding、Copilot 和Agents 三種模式。在Copilot 模式下，工作由人類主導、部分任務初稿由AI 協助完成，而在Agents 模式中，AI 充分發揮「智能」，可以表現出更強的任務拆分、工具選擇和進度控制能力，人類只需設立目標、提供資源並監督結果，工作的具體展開可全權交由AI 代理，即「以意圖為中心」（intent-centric）。

對「以意圖為中心」（intent-centric）實踐的系統框架，OpenAI 安全團隊負責人Lilian Weng 曾提出，在基於大模型的自主在代理系統中，LLM 作為核心控制器，充當AI Agent 的大腦，具備推理能力，而其他三個關鍵組件Planning、Memory 和Tool Use 將賦予LLM 執行更複雜任務的能力[3]。這與 QnA3 在實作 Intent-Centric 時設計 AI Agent 的想法不謀而合 [4]。

在完成資訊的管理工作後，Qn3 上線的代A3 上線幣技術面分析與交易功能，解決了用戶資訊與交易間跨產品，多操作的紛繁之苦。在獲取資訊後即時把握市場機會，並透過演算法選擇手續費最低，滑點最低，路徑最短，交易最安全的方式完成交易。

從近幾個月的使用者體驗與回饋來看，基於「以意圖為中心」（intent-centric）而設計的QnA3 AI Agent 已經具備行動能力，能夠幫助使用者完成從資訊管理到資產管理的多項特定任務，使用者只需進行目標設定和等到結果即可。由此可見，ChatGPT 與QnA3 在文本理解和推理能力上都具有優異表現，能夠對用戶提出的問題做出詳細解答，但在垂直賽道中QnA3 透過RAG 而更顯優勢，同時，已經具備行為能力的QnA3 也能夠取代使用者實現AI+Trading 的「幫他做」。

3）權利管理AI+DePIN=“Decentralized Machine Learning”

如果要進一步提升Web3 的發展水平，現今市場有兩個基本共識：

1）必須引進更多Web2 使用者將其轉換；

2）必須與實體經濟建立連結。

2023 年 DePIN 的成長對 Web3 生態系統產生了相當大的影響。隨著 DePIN 邊界的擴大，它展示出成為面向消費者的應用層的資質，類似於 DeFi、遊戲和社交，具有大規模採用的潛力，可以推動對底層鍊或生態系統消費者需求。

Pantera Capital 執行合夥人 Paul Veradittkit 在其部落格中提到，DePIN 趨勢的成長也對去中心化治理產生了下游影響。目前大多數 DAO，如 Uniswap、Compound 和 MakerDAO，幾乎都與數位或金融化資產有關。隨著 DePIN 專案的成熟並逐漸將治理交接給 DAO，DAO 協調購買、使用和維護實體設備（無論是伺服器、感測器還是硬碟）的需求將不斷增加。 DePIN 可能成為一個趨勢，將DAO 的治理權限從數位資產擴展到實體資產，最終可能需要DAO 運作和行為更像傳統公司，這可能是標誌著「Web3」在「現實世界」中被採用的轉折點[5]。

QnA3 產品一發布，就以問答的形式作為連結 Web2 與 Web3 兩個世界的橋樑。在引進數十萬 Web2 用戶的同時，QnA3 也不斷探索更多將兩個世界連結的方式。

受到DePIN 熱潮的啟發，QnA3 於近期推出資料挖礦功能，將去中心化的實體設備的閒置算力用在AI 模型訓練中，使用Web3 世界的激勵機制為使用者提供被動收入，完成「使用者貢獻算力」、「算力產出資料訓練模型」、「更好的模型服務使用者」的閉環。 QnA3 選取的 AI+DePIN 方式將去中心化硬體層與社區所有的新資料經濟融合在一起。

Messari 視角下的DePIN 基本上是鏈下資料產生結合鏈上資料確認兩大模組，核心是確權和規模效應，同時DePIN 有幾種模式，如客製化專用硬件，如Helium ；或專用激勵層，將常用硬體轉換或加入為Web3 網絡，如Render Network，將個人閒置GPU 群組網出售給他人[6]。

AI+DePIN 關鍵因子分別為：三個關鍵因子p>

1）擴展效能能力：DePIN 的硬體規格要求會影響算力提供者的數量和擴展速度；

2）採用便利性：減少摩擦是吸引更多算力提供者的關鍵；

3）代幣經濟學：為利益相關者設計和調整代幣經濟學。

QnA3 透過 AI+DePIN 的模式，借助使用者的算力來幫助其完成資料抓取與資料清洗工作。同時，QnA3 認為在硬體物權的確權上，資料的價值必須被重視，人作為資料的主體需要新的數位權利，這才是DePIN 背後的價值取向，而非單純的資料上鍊和代幣激勵。與實際業務結合，QnA3 最終選取了 Decentralized Machine Learning 的方向。 AI 專案的發展永遠將面臨計算瓶頸以及缺乏協作的限制。將 AI 與 DePIN 結合，QnA3 有望能夠逐步解決這些問題。

現在的嘗試應用場景只是 MachinenA3 在應用場景下邁出的第一步，未來QnA3 還考慮推出硬體錢包和桌面機器人等更多拳頭產品，從而構建起以AI 為核心，涵蓋research，trading 與DeFIN 的服務矩陣，形成AI Agent 為核心，涵蓋信息管理，資產管理和權利管理的的產品框架，滿足使用者全生命週期的全場景需求。

QnA3 三大優勢

研究驅動

QnA3 是Crypto 計畫裡厚積AI 研究實力的產品，QnA3 與美國史丹佛大學、加州大學柏克萊分校、西北大學等知名科研機構合作，近期將會在頂尖期刊聯合發表學術論文。集齊 OpenAI、Google DeepMind、Meta、Apple、Nvidia 等全明星陣容的技術顧問委員會。創始團隊主要 base 在美國，來自騰訊、百度和國際知名投資銀行，在數據、AI 和 crypto 領域經驗豐富。

使用者導向

憑藉對使用者的理解和對市場的敏銳，產品上線半年在的時間裡，QnA3 已經實現了多次關鍵的版本迭代。特別是在更新頻繁的時期，幾乎每週都會推出新的功能，每兩個月就會推出重要功能。資訊管理功能已經可以滿足概念問題，即時問題，推理問題，分析問題，交易問題，價格問題等不同場景的需求；資產管理功能識別用戶意圖並幫助用戶完成；權利管理功能將在未來逐步實現用戶的物權和人權的數位化管理；真正實現以使用者為中心的產品實踐。

功能創新

產品功能迭代速度快，每週一個小版本。兩個月一個大版本。從時間發展的線路看，從立項到產品上線，不足三個月，然後上線半年時間收穫 900w 用戶，覆蓋全球 166 個國家和地區，每日 UAW 接近 200K，已經長居 BNB 鏈榜首。

QnA3 的未來潛力

人機互動新方式

QnA3 快速成長的使用者數量驗證了對話式搜尋引擎的剛性需求。在 Web3 垂直領域產品定位對標Google、ChatGPT 等巨頭具備資料和場景卡位優勢，更易於實現 AI Agent 的場景閉環。

目前的人機觸方式主要以圖形介面和互動式介面控交互為主，但未來QnA3 可以成為作業系統層級的入口，實現「對話即介面」的全新人機互動範式，或將帶來全新的軟體服務形態。

生產工具向生產力躍遷帶來商業化的巨大空間

AI 既是基礎設施，又是生產力引擎，如同蒸汽機，電力，電腦和互聯網。在 AI 賦能下，眾多應用軟體將由生產工具向生產力躍遷，參與生產價值分配。而與 QnA3 類似的工具軟體將逐步從輔助人類提效的「生產工具」成為獨立的增量「生產力」，從而或能夠直接參與生產價值的分配。在 AI 應用未來能夠成為一部分「生產力」的情況下，未來的模式從收取效率提升「抽成（Take rate）」的角度來衡量其潛在能夠實現的增量價值上限。

QnA3 上線的機器人社群管理並協助在社群內實現問答、代幣分析和代幣交易，上線伊始便完成商業閉環。此外，QnA3 也與媒體、交易所和培訓網站達成合作。 QnA3 表示，這種生態樣本和抽成模式不同於交易所和交易機器人抽成的商業模式，他們在意的不是佣金，而是與用戶目標相同，成為利益共同體，從而參與增值收益的分配。