Web3与AI的交汇：哪些应用助力盈利，哪些在重新定义游戏规则？

正文：

原创 | Odaily 星球日报（@OdailyChina）

作者 | Asher（@Asher_ 0210）

近期，关于 AI 与加密货币结合的讨论再度引发关注。

从纽约举行的 AI x Blockchain 会议到刚刚结束的香港 Web3 大会，几乎所有重要参与者都在重新审视一个核心问题：AI 将如何影响加密行业的未来发展。

与之前的讨论多围绕叙事展开不同，此次的焦点转向了一个更加具体的议题：AI 实际上解决了什么问题。

在以“重塑便捷：Web3、AI 与智能经济的下一个十年”为主题的对话中，币安的联合首席执行官何一指出，随着行业的成熟，加密市场的早期红利正在逐渐消失。未来的关键不再是技术本身，而是产品是否具备真正的价值，是否能够吸引用户付费。

这表明，AI 已经不仅仅是一个增长叙事，而是被重新放回了具体的语境中。人们开始直接探讨其在实际应用中的效果。

尤其在用户应用层面，这种转变已显而易见。在 Web3 领域，围绕 AI 开发的一系列应用正在逐步涌现。有些应用正在改进信息获取的方式，有些在重新界定数据与记忆的归属，还有一些则将链上研究、交易和经济模型与 AI 技术结合起来。

这些项目虽然尚未完全成熟，但它们共同指向了一个更加现实的方向。随着早期红利的消退，AI 与加密的融合正逐渐回归至产品本身的价值。

在本文中，我们将探讨几个具有代表性的 Web3 AI 项目，从信息、记忆、操作到 Agent 经济与分发等多个层面，审视这一轮应用层的实际进展。

Surf 是这一轮 AI 应用中较为典型的信息层产品。它并不试图重构交易流程，也没有将重点放在创造新的经济体系上，而是回归到一个更基础但长期被忽视的问题——在加密市场中，获取信息的成本依然很高。

链上数据、行情波动、社交情绪以及项目资料常常分散在不同的平台上。用户需要在多个页面之间来回切换，以拼凑出相对完整的市场判断。特别是在行情剧烈波动的情况下，这种割裂感会更加显著，问题不在于信息缺失，而在于信息的分散和延迟。Surf 的理念是将这些信息源整合到一个统一的 AI 入口，使用户通过简单描述即可获得结构化的结论，从而将“寻找数据”的过程尽量缩短，快速进入“做判断”的阶段。

在实际应用中，Surf 更像是一个全天候在线的研究助手。用户可以利用它追踪某个代币的资金流动和情绪变化，分析 DeFi 协议的总锁仓量与收益结构，监控巨鲸地址的动态，或在短时间内生成一份可供交易决策或沟通的项目尽调报告。相比传统工具需要用户自己筛选和整合信息，Surf 更直接地输出整理后的结果，从而缩短了“获取信息—形成判断”的时间。

在此基础上，Surf 已经开始从“信息工具”向“工作流平台”转型。最新推出的 Surf 2.0 和 Surf Studio，允许用户通过自然语言直接构建分析工具甚至简单的 Web 应用，并即时部署，无需依赖传统的开发流程。同时，Surf 集成了 OpenAI、Anthropic、Google 等多个模型能力，并打通了数十个数据源和链上接口，使得生成的分析结果不仅仅是文本，而是可用于持续监控和决策的工具。

从更深层次来看，它正在逐步建立一套面向 Agent 的能力体系。用户可以通过 API 和 Agent Stack 将特定任务（例如监控鲸鱼地址、资金流追踪或策略信号提示）交由 AI 持续执行，而不需要每次手动查询。这意味着，Surf 不再只是一个被动查询的入口，而是向一个可以长期运行的研究系统转变。

但它的能力边界也较为清晰。Surf 的核心仍然专注于信息整合与分析层，并未真正进入交易执行环节，例如自动下单或策略执行仍需用户自行完成。这也决定了它更适合用作决策辅助工具，而非一个能够独立完成交易闭环的系统。

从行业角度来看，这类产品代表了 AI 应用早期落地的一种形态。相比直接挑战交易执行这一复杂环节，先将“理解市场”这一任务做得更高效、便捷，通常更容易被用户接受。在交易尚未完全自动化之前，信息处理效率的提升仍然是用户最直接、最易感知的价值。

过去两年，AI 几乎成为全球科技界的共同关键词。从硅谷的模型竞赛到纽约、香港对 AI 应用和资本叙事的追逐，行业讨论的重心在快速变化。以前，这场竞争主要围绕模型能力展开，推理、多模态、Agent 执行能力，几乎每一轮产品更新都在回答同一个问题：谁的模型更聪明、更准确，能否完成复杂任务。

但随着模型能力的持续提升，单纯比较模型本身已越来越难以形成长期差异。进入新阶段后，AI 如何长期记住用户，并在写作、研究、决策和日常沟通中延续这些记忆，开始成为新的讨论重点。这意味着，AI 的护城河正在从模型能力扩展到记忆能力。模型决定 AI 能回答什么，而记忆则决定 AI 是否能真正理解长期用户。

然而，现今的 AI 记忆并不真正归用户所有。在当前主流 AI 产品中，对话、偏好和使用习惯会被持续记录，逐渐形成对用户日益了解的体验。但这些记忆通常被封闭在各自的平台内，由平台掌握，既无法自由迁移，也难以被用户真正控制。

这意味着，AI 正在积累用户的数字人格，但数据的所有权和控制权往往仍属于平台。使用时间越长，记忆沉淀越多，用户更换模型的成本也越高。真正锁住用户的，未必是模型本身，而是那些长期积累却无法带走的记忆。

Anuma 正是切入了这一层面。作为 ZetaChain 进军 AI 领域的旗舰产品，Anuma 不仅仅是一个应用入口。更准确地说，ZetaChain 旨在构建一套由用户掌握的 AI 记忆体系，而 Anuma 则是这一体系面向用户的 AI 交互入口。

换句话说，ZetaChain 负责建立底层记忆能力，Anuma 的任务是将这些能力带入日常 AI 使用场景。Anuma 的目标是将记忆从模型中提取出来，让用户首次能够在实际使用中调用、管理并延续自己的长期记忆。

具体而言，用户可以将自己在 ChatGPT、Claude 或 Grok 中的完整对话历史导入 Anuma，经过本地加密后，存入一个由用户控制的 Memory Vault。更重要的是，这一过程将隐私保护前置到数据进入系统之前，用户在平台掌握数据之前就保留了控制权。

这些记忆不再依附于某个特定平台，而是可以被携带、复用，并在不同模型之间延续。它是本地加密的、可迁移的、不绑定于单一模型的，且能够随着用户长期使用而不断积累。

从实际体验来看，Anuma 首先是一个集成多个前沿模型的统一入口。用户只需一个订阅，即可访问 GPT、Claude、Grok 等最新模型，而无需在不同平台间反复切换。

更关键的是，当用户在不同模型间切换时，已经形成的记忆不会被重置。在 Anuma 中，GPT、Claude 等模型更接近能力层，而用户的记忆始终保持一致。无论使用哪个模型，过往的交流记录、表达方式和偏好都能够被延续，而不会被清空。

Anuma 还提供了多模型议会模式