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 曾於近日宣布獲得 Solana Foundation MCM Grant，將與 Solana 共同建設 AI 和 DePIN 生態。

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。值此即將上線 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 上線數據挖礦功能，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，協助用戶進行 Web3 化全生命周期的全場景管理。

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，資訊時效性強、可追溯消息並有效減少幻覺。對比谷歌等傳統搜尋引擎，QnA3 答案沒有資訊冗餘、準確可信，問題可被拆解，答案可被反饋。

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，實時問題，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」、「高實時性」和「問答內容強關聯性」。

在項目成立早期，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 無法生成訓練數據與語料庫之外的內容，也無法為生成內容提供精確索引和參考依據。QnA3 採取的方式是學習 Meta。2020 年，Meta 研究人員通過引入 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實時性和內容的豐富性。

QnA3 以 RAG 作為 AI+Research 的核心技術，憑藉團隊超過十年的數據經驗，以數據的理解和應用能力為基礎，在檢索能力、響應速度和數據源質量三項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數據有效彌補了大模型數據滯後、伴有幻覺的劣勢。

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，結合用戶與 AI 交互的問題，得到了幾個洞察：

1）用戶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用戶最終的體驗，而這很大程度由意圖識別來決定。

3）最終配合用戶的實現路徑越簡單快捷安全越好。

主流科學界將人類與 AI 的合作由初級到高級分為 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 在實現 Intent-Centric 時設計 AI Agent 的思路不謀而合 [4]。

在完成資訊的管理工作後，QnA3 上線的代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，並通過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。

從近幾個月的用戶體驗與反饋看，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，能夠幫助用戶完成從資訊管理到資產管理的多項具體任務，用戶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 通過 RAG 而更顯優勢，同時，已經具備行為能力的 QnA3 還能夠代替用戶實現 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，當今市場存在兩個基本共識：

1）必須引入更多 Web2 用戶將其轉化；

2）必須與實體經濟建立聯繫。

2023 年 DePIN 的增長對 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，可以推動對底層鏈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 趨勢的增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，幾乎都與數字或金融化資產有關。隨著 DePIN 項目的成熟並逐漸將治理交接給 DAO，DAO 協調購買、使用和維護物理設備（無論是服務器、傳感器還是硬盤）的需求將不斷增加。DePIN 可能成為一個趨勢，將 DAO 的治理權限從數字資產擴展到物理資產，最終可能需要 DAO 運作和行為更像傳統公司，這可能是標誌着「Web3」在「現實世界」中被採用的一個轉折點 [5]。

QnA3 產品一發布，就以問答的形式作為鏈接 Web2 與 Web3 兩個世界的橋樑。在引入幾十萬 Web2 用戶的同時，QnA3 也在不斷探索更多將兩個世界聯通的方式。

受到 DePIN 熱潮的啟發，QnA3 於近期推出數據挖礦功能，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 世界的激勵機制為用戶提供被動收入，完成「用戶貢獻算力」、「算力產出數據訓練模型」、「更好的模型服務用戶」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數據經濟融合在一起。

Messari 視角下的 DePIN 基本上是鏈下數據生成結合鏈上數據確認兩大模塊，核心是確權和規模效應，同時 DePIN 有幾種模式，如定製專用硬體，比如 Helium ；或者專用激勵層，將常用硬體轉化或加入為 Web3 網路，比如 Render Network，將個人閒置 GPU 組網出售給他人 [6]。

AI+DePIN 三個關鍵因素分別是：

1）擴展性能能力：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 通過 AI+DePIN 的模式，藉助用戶的算力來幫助其完成數據抓取與數據清洗工作。與此同時，QnA3 認為在硬體物權的確權上，數據的價值必須被重視，人作為數據的主體需要新的數字權利，這才是 DePIN 背後的價值取向，而非單純的數據上鏈和代幣激勵。與實際業務相結合，QnA3 最終選取了 Decentralized Machine Learning 的方向。AI 項目的發展永遠都將面臨着計算瓶頸以及缺乏協作的限制。將 AI 與 DePIN 相結合，QnA3 有望能夠逐步地解決這些問題。

現在的嘗試僅僅是 QnA3 在 Decentralized Machine Learning 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，涵蓋資訊管理，資產管理和權利管理的的產品框架，滿足用戶全生命周期的全場景需求。

QnA3 三大優勢

研究驅動

QnA3 是 Crypto 項目里厚積 AI 研究實力的產品，QnA3 與美國斯坦福大學、加州大學伯克利分校、西北大學等知名科研機構合作，近期將會在頂級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。

用戶導向

憑藉對用戶的理解和對市場的敏銳，產品上線半年的時間裡，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，幾乎每周都會推出新的功能，每兩個月會推出重要功能。資訊管理功能已經可以滿足概念問題，實時問題，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字化管理；真正實現以用戶為中心的產品實踐。

功能創新

產品功能迭代速度快，每周一個小版本。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

人機交互新方式

QnA3 快速增長的用戶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谷歌、ChatGPT 等巨頭具備數據和場景卡位優勢，更易於實現 AI Agent 的場景閉環。

目前的人機交互方式主要以圖形界面和觸控交互為主，但未來 QnA3 可以成為操作系統級別的入口，實現「對話即接口」的全新人機交互範式，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，計算機和網路。在 AI 賦能下，眾多應用軟體都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 Telegram 機器人可以幫助 KOL 管理社群並在社群內實現問答、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，他們在意的不是傭金，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。

QnA3 的兩個夥伴：OpenAI & Google

相較於 OpenAI

QnA3 vs ChatGPT 具備以下核心優勢：

1）專有數據和專有知識壁壘

許多高價值、特定領域行業依賴於豐富的專有數據集。針對這些細分行業的人工智慧解決方案需要在這些數據上進行訓練。然而，擁有這些數據庫的實體將專注於保護其數據護城河，不太可能允許第三方無限制地訪問這些數據庫以進行人工智慧訓練。因此，這些實體將在內部或通過特定的合作夥伴關係建立專門用於這些工作流程的專業人工智慧系統。這些系統將有別於一般的人工智慧模型。

2）資訊時效性強

ChatGPT 等大模型只包含訓練時的數據和語料，後續資訊無法及時更新。QnA3 基於底層傳統搜尋引擎開發而得，具備時效性強的優點。

3）易於溯源

QnA3 生成的內容都在下方附有引用鏈接，在保證可靠性的同時便於用戶溯源或深入研究。

4）減輕幻覺

通用大模型的幻覺問題在細分行業高質量的追求下是不可接受的。QnA3 有專屬的數據篩來源和篩選機制，通過多道流程規避這個問題。

5）專業作為質量的核心

細分行業的工作流程要求高質量，獎勵任何質量改進動作。任何應用於細分行業的人工智慧解決方案都需要不斷調整以提高質量。反應速度和反饋效率對於質量至關重要。通用模型本身的高兼容性在這裡會導致質量的差距，可以想象如果火箭的人工智慧模型被 GPT-4 這類的通用模型代替，結果將是毀滅級的。這種質量差距必然導向專業化調整。

相較於 Google

QnA3 vs Google 等傳統搜尋引擎具備以下核心優勢：

1）頁面清爽，答案直接

輸入一個問題時，傳統搜尋引擎呈現多個並列鏈接，其中穿插大量廣告，而 QnA3 會結合最相關的鏈接直接生成精鍊答案。提高資訊獲取效率，減少關鍵字查詢、篩選、鏈接點擊和頁面瀏覽；讓 Web3 用戶在嘈雜的市場環境和海量資訊中直接了解事情的真相，並通過簡潔明了的個性化答案做出決定。

2）細分領域精細搜尋

QnA3 作為 Web3 知識庫和 AI+Research 工具，用戶在 Web3 垂類領域精確搜尋，結果更具針對性。

3）問題拆解和追問能力

基於大模型的理解能力，QnA3 可以對用戶提問逐步拆解並追問澄清，精確把控用戶需求。在谷歌中搜尋是什麼、為什麼類型的問題，谷歌能都應對自如。但是涉及更複雜的問題，如「某個代幣現發展階段值不值得購買」、「請對於 XX 代幣進行技術面分析」，「比較 BTC 與 ETH 的優劣」，QnA3 顯然比谷歌會回答得更好，QnA3 的引擎有著更加強大的理解問題、總結問題、拓展問題的能力，無疑讓它有了更強的競爭力。

4）反饋功能

QnA3 生成回答後，用戶可以對其準確性進行反饋，以強化學習的反饋機制幫助其進一步提升模型準確性。QnA3 以積分的方式和用戶進行鏈上交互。

在 Web3 領域，能做，和做得好，有很大的差別。Google 在其第一款搜尋產品後，幾十年間發展出了涵蓋 Android，Gmail 和 Map 的超大產品矩陣。OpenAI 在去年的開發者大會上也宣布推出 GPT Sotre。現在谷歌市值 1.7 兆美元，OpenAI 估值接近千億美金。目前，QnA3 通過其核心產品在廣大 Web3 用戶中證明了自己，從長遠發展上來看，QnA3 未來一定會在 Cyrpto+AI 這一領域添上更加濃墨重彩的一筆。

原文連結