AI + Web3 听了 50 个项目，只有 2 个方向值得你做
“我们这个项目用 AI 自动优化 LP 流动性——”
Pitch deck 翻到第 5 页，我合上了笔记本。
对面 CEO 愣了一下。我说：“你这个解法不需要区块链。把’基于智能合约’四个字换成 AWS Lambda，一样跑，还便宜 10 倍。”
这是过去一年我反复重复的对话。在交易所做 Web3 后端两年，我的工作有一部分是评估合作项目。名义上是”技术评估”，实际就是审 pitch deck——去年看了 50 多份”AI + Web3”的方案，最后我的判断很简单：90% 是叙事泡沫，2 个方向有真实价值。
不是读了几篇文章的分析，是看了几十份白皮书之后的判断。
大部分项目在”为 AI 找问题”，而不是”为 Web3 找解法”
先说结论：绝大多数 AI + Web3 项目的死因是相同的——它们先拿了一件 AI 工具，再去找一个”能用上区块链”的问题。
我手头有一份典型的 deck，结构大概是这样的：
- 我们发现了 AI 行业的 XX 痛点
- 用区块链 + 智能合约解决这个问题
- 发一个 token（融一笔钱）
- 路线图 — 2 年，布满里程碑
读到第 3 步我就开始皱眉了。
判断一个项目是不是真的需要 Web3，我有一个最简单的框架：把”区块链”和”智能合约”这两个词从系统描述里删掉，看看它还成立不成立。
如果替换成”一台服务器 + PostgreSQL + Redis”，功能一个不少，成本还低一个数量级——那这个系统就不需要区块链。
我见过的伪需求包括但不限于：
- AI 驱动的流动性优化：说白了就是一个算法，运行在中心化服务器上比链上合约更灵活、延迟更低
- AI 驱动的 NFT 定价：图灵完备的数据库查询就可以做，不需要 ERC-721
- AI 驱动的社交评分：这是 Yelp 评分加上一点推荐系统，区块链在这里只是一个更慢的数据库
- AI 治理投票 (AI DAO)：DAO 本身都没解决参与率问题，加 AI 就像在废弃的工厂上装霓虹灯
这些问题有一个共同模式：它们解决的是”可以用 AI 做的事”，而不是”区块链不够好、AI 能补的缺口”。
真正需要区块链的场景，特征是”多方不信任（non-trusting parties）“。用户不信任平台，A 交易所不信任 B 交易所，投资者不信任项目方。只有这种”不信任”到位了，区块链的去中心化记账才有价值。
AI + Web3 的真正交集，应该从区块链的痛点出发，而不是从 AI 的能力出发。
链上数据分析——AI 自动出洞察报告是 Dune / Nansen 的合理下一代
第一个真方向：链上数据分析。
区块链的一个核心特征是所有数据公开可查。这既是它的魅力也是它的负担——每个区块、每笔交易、每个钱包地址的记录都在链上，但普通人根本读不动原始数据。
现有的工具已经做了一层抽象：
- Dune：让分析师写 SQL 查询，出仪表盘——但需要你会写 SQL
- Nansen：提供聚合标签和热点钱包追踪——但仍然需要人去读、去拼图、去判断
- DexScreener / Birdeye：实时价格和交易量——只看买盘卖盘，深层关联分析没有
这些工具的问题是同一个：它们把数据呈现出来，但把”理解”留给了人。 而大多数用户不是分析师，他们想要的是直接的回答。
“过去 7 天这个钱包在不同链上的交互模式是什么？” “这个代币的持仓集中度在上线 72 小时后的变化曲线？” “Pump.fun 代币上线后前 24 小时，持仓前 10 的钱包有几个是项目方的内盘钱包？”
这些问题，Dune 可以回答——但你要写 SQL。Nansen 也可以回答——但你要翻很多页面。AI 能做的事就是把”提出问题”到”获得答案”的距离压缩到一次自然语言输入。
已经有信号了：
- Dune 推出了 DuneAI，用 LLM 做自然语言到 SQL 的转换。效果还不够完美（复杂查询仍然会 SQL 语法错误），但方向是明确的
- Nansen 也在增强 Query 功能，用 AI 辅助分析——虽然目前更多是”加个 AI 聊天功能”的阶段
- theGraph 的 Subgraph Studio 有类似的 AI 辅助查询生成
但我觉得最有潜力的不是”帮写 SQL”这么简单。真正的 killer use case 是 AI 自动产出结构化洞察报告。 就像你有一个每天在读链上数据的分析师，每天早上给你输出一份摘要：“过去 24 小时链上有这些值得关注的事件……”
我用一个具体例子来说明为什么这事儿只有区块链能做。传统金融数据源的调用成本极高——Bloomberg 终端一个席位一年 $20k+，即使这样你拿到的还是”整理的”数据。而链上数据的元数据是免费的、公开的、可验证的。AI 分析的价值不依赖于一个黑箱数据源，任何一个人都可以验证分析结果。这是分析工具的民主化，也是 AI 能力的天然落地场景。
合约审计——AI 能抓住 80% 的常见漏洞，省下 $50k/次的审计费
第二个真方向：智能合约审计。这个方向比链上数据分析更直接——因为它是直接省钱。
现实是残酷的：
- 传统审计周期：2-4 周，排队长
- 传统审计报价：$20k - $100k，小项目付不起，大项目排不上
- 一个重入漏洞就能导致几百万美元损失（据 Immunefi 的 2023 年度报告，仅重入攻击就造成 $1.1B 损失）
而智能合约漏洞有很强的模式化特征——你打开任何一份审计报告，最常见的漏洞类型基本上就那么几类：
- 重入攻击（Reentrancy）
- 整数溢出（Integer Overflow/Underflow）
- 权限缺陷（Access Control）
- 未检查的外部调用（Unchecked External Call）
- 前端执行/抢跑（Frontrunning）
这些漏洞的共同点：有固定模式，可以被模式匹配和形式化验证工具发现。
AI 在这个场景里的价值非常清晰：
- 形式化验证：用符号执行和约束求解自动扫描所有执行路径——这是传统静态分析工具的延续，但 LLM 让覆盖率和误报率都有提升
- 模式匹配：针对已知漏洞模式的自动识别——本质上是一个超级版的正则匹配，但比正则灵活得多
- 上下文推理：LLM 可以理解”一个函数在什么条件下可以被谁调用”这种逻辑关系
行业已经有一些实际案例：
- Certora 的形式化验证工具背后有 AI 辅助层，据其 2024 年发布的 benchmark，检出率在常见漏洞类型上达到 80%+
- MythX（由 Consensys 开发）用机器学习做合约扫描
- Code4rena 和 Hats Finance 已经在用 AI 做漏洞 pre-screening
- Trail of Bits 在内部用 LLM 辅助审计
但是——AI 不能替代人类审计。 剩下那个 20% 是什么？
是业务逻辑漏洞和组合性攻击。一个闪电贷组合 3 个协议的漏洞，需要理解借贷池的清算逻辑 + AMM 的价格曲线 + 预言机的更新机制。这超出了单次模式匹配的能力。这 20% 需要人类审计师用经验和创造力去发现。
话说回来，一个项目把 AI 审计做 pre-screening，花 $2k 先扫一遍，再用人类审计师做终审覆盖那 20%，总成本从 $50k 降到 $20k——这就是量级上的突破。对于早期项目，付不起 $50k 的审计费但付得起 $5k，AI 审计让”被审计”这件事的门槛降低了 10 倍。
为什么其他热门方向不行
有人会问：那 AI Agent（自动交易/搬砖）呢？DePIN + AI 呢？AI 生成 NFT 呢？
简单说我的判断——逐个拆：
AI Agent（自动交易）
已经卷到 PMF 成谜了。做自动交易的 Agent，本质上是在跟高频做市商竞争。做信息聚合的 Agent，本质上是在跟 Telegram 群和 Twitter bot 竞争。做 DeFi 策略的 Agent，本质上是在跟 Yearn/Curve 的 vault 竞争。这些方向不是”不对”，是”别人的竞品已经很大还不要钱”。
等头部的 Agent 平台跑出 PMF，还有机会去抄作业。现在做产品是浪费子弹。
DePIN + AI（推理网络 / 算力市场）
这个问题我写过。算力节点利用率惨淡——大多数用户跑一把推理就撤了，没有持续需求。Bittensor 的 subnet 间竞争激烈，io.net 的节点有空转问题。推理网络的供应端和需求端的匹配问题还没找到 PMF。
AI 生成 NFT / 内容
先有内容、再去找买家的模式，历史已经证明走不通。生成式 AI 把内容的边际成本降到零，买家不会再为一个”AI 生成的 JPEG”付钱。除非是头部 IP 和社区认同感驱动，否则这个方向没有经济模型。
AI DAO / Governance
DAO 本身的参与率平均在 5-10% 的水平，治理提案投票都凑不齐人。在这个基础上谈”AI 辅助治理”，就像在废弃的工厂上装太阳能板。优先解决 DAO 活过来的问题。
所有这些方向的共性问题是：它们用最贵的方案（区块链）和最贵的模型（AI），去解决一个两者都不需要的问题。 既抬高了成本，又没带来差异化价值。
为什么”交易所后端”这个视角值钱
最后想讲一个不那么技术、但对你有用的事。
你会发现，上面这些判断和大部分”AI + Web3 分析”不一样。市面上大多数分析来自投资人和研究员——他们在找”好的投资标的”，看的是叙事潜力、市场大小、团队背景。
交易所后端每天看到的是另一面：这个项目到底有多少真实交易、多少是刷量、链上活跃钱包的留存率多少、协议层的 TVL 是不是靠激励刷出来的。
一个项目在投资人 deck 里和在实际流量里的差距，有时比你想象的大得多。
我见过 deck 吹 100 万 DAU 的项目，链上活跃钱包不到 1 万。也见过融资困难的协议，实际链上 TVL 增长稳健（只是没找到会用叙事的团队）。
叙事和数据之间的差距，就是交易所这个”落地 side”看到的独特信息差。做选择的时候，信数据，不信故事。
Takeaway
AI + Web3 里 90% 是叙事泡沫。剩下的 10% 里，链上数据分析和合约审计是唯一值得下注的方向——因为它们解决的问题是区块链独有的：公开可验证的数据源，和必须模式化的代码安全。
如果你在做 AI + Web3，先问自己一个问题：我的系统去掉区块链还能不能跑？
如果能，那你或许应该把”智能合约”换成一台服务器。如果不能——那你正在做的那件事，可能就在这 10% 里面。