不一定非要转型做 AI，而是继续走自己的 Web3 路径，同时去思考 Crypto 能在 AI 体系里补上什么能力。

撰文：Portal Lab

「你养龙虾了吗？」最近 Web3er 打招呼，可能十有八九都是这句。

2026 开年，自中国春晚机器人炸翻全场后，以 OpenClaw 为代表的新一代 AI Agent 成为科技人口中的新玩具。有人用 AI 做客服、有人用 AI 写代码、有人甚至开始尝试用 Agent 去模拟一整套「数字员工」，最近在各类互联网平台屡屡被提及的一个概念 「一人公司」，就是一个人通过一个 AI 工作流，就能跑起过去需要一个小团队才能完成的工作。

Web3 这边当然也没有闲着。最近如果多看看行业媒体，会发现不少项目也开始围绕 AI Agent 做文章。有的在研究 Agent 怎么直接调用链上资产或合约，有的在做 Agent 的支付、身份或者金融基础设施，有人在讨论「Agent 经济体系」，让 AI 可以像用户一样参与网络，甚至有人又开始喊起了「Web4.0」的新口号。

看到这里，其实会有一种很熟悉的感觉。

都说时尚圈是个循环，哪曾想科技圈（或者说加密圈）也是如此。还记得 2022 年开始的熊市那阵子，ChatGPT 一夜爆火，AI 一下子成了所有人都在聊的话题。Web3 圈当然也没闲着，很快就冒出一堆新概念，什么 AI Agent、AI 交易员、自动化策略之类的，好像只要和 AI 沾点边，就能讲出新的故事。但这种热闹并没有持续太久。等到后面加密市场又重新上涨起来，大家的注意力很快就回到了 Crypto 本身。

而这次 2025 年下半年，加密市场又有了熊的趋势，于是 Web3 开始寻找新概念接盘。

但是，在 Portal Labs 看来，问题也恰恰出在这里。当一个叙事开始流行的时候，很多 Web3 创业团队其实并不是在做技术和商业判断，而是在做叙事判断：哪个概念火，就做哪个。而后便栽了跟头。

很多团队在真正推进项目的时候才发现，概念可以很快搭起来，但产品却很难落地。用户在哪里？具体场景是什么？靠什么持续收费？能不能拉到投资？这些问题往往到项目做了一段时间之后才逐渐浮现出来。

等到热度退去，市场上留下的往往是一地尚未跑通的项目。有的产品停在 Demo 阶段，有的勉强上线却找不到用户，还有一些干脆随着叙事一起消失。短时间内看起来像是一个新赛道被打开，但过一段时间回头看，真正留下来的东西其实并不多。

也因此，是继续深耕 Crypto，还是转 AI，成了难题。选前者吧，市场又不好，投入不一定有回报；选后者吧，又没有底。AI 的技术门槛、人才结构和竞争环境都和 Web3 有所区别。很多团队过去几年积累的技术栈、产品经验、社区资源，其实都建立在 Crypto 体系里，一旦彻底转向 AI，等于是重新进入一个完全陌生的赛道。从模型能力、数据资源到工程团队，几乎都需要重新搭建。

更现实的一点是，AI 赛道本身已经非常拥挤。无论是大模型公司、传统互联网企业，还是大量初创团队，都在这个领域里投入了巨大的资源。对于一个原本做 Web3 的创业团队来说，如果只是因为叙事转向而进入这个市场，很容易发现自己既没有技术优势，也没有行业资源。

其实，对很多 Web3 创业团队来说，还有一条可以实践的路径。不一定非要转型做 AI，而是继续走自己的 Web3 路径，同时去思考 Crypto 能在 AI 体系里补上什么能力。

如果仔细看现在这一波 AI 发展，你会发现很多关键环节其实还没有完全解决。

最典型的就是数据。模型越来越强，但训练数据从哪里来、数据是否可信合规，尤其是 AI Agent 如何实现 1v1 定制化，这些问题一直没有一个很好的机制。对于依赖大规模数据训练的 AI 来说，这是一个长期存在的基础问题。

再比如身份和协作。当 AI Agent 开始参与任务执行、自动交易甚至运营决策时，它们本身也需要身份、权限以及协作规则。谁可以调用某个 Agent？Agent 之间如何分工？执行任务之后如何结算？这些问题，本质上都涉及到开放网络中的身份和价值分配。

还有支付问题。AI Agent 一旦开始在网络中自主调用服务、获取数据或者执行任务，就意味着它们需要一种可以自动结算的小额支付系统。而在传统互联网体系里，这样的支付结构其实很难实现。

这些看起来都是 AI 的问题，但很多解决方案反而已经存在于 Crypto 的技术体系中。无论是数据激励网络、链上身份体系，还是开放支付网络，本来就是 Web3 在过去几年一直在探索的方向。

如果 Web3 创业团队真的打算往这些方向去尝试，有几件事情是必须先想清楚的。

首先要看的是团队本身的技术能力。不同的 Web3 项目，其技术积累差异很大。有的团队擅长做链上协议，有的长期在做数据网络，也有的更偏应用层产品。如果团队过去几年一直在做数据相关的基础设施，比如数据采集、数据萃取或者数据市场，那么围绕 AI 的数据层去延伸会相对自然，例如数据贡献网络、可验证数据源，或者为模型提供可激励的数据市场。如果团队原本更偏链上协议或基础设施，那么可以考虑围绕 AI Agent 的运行环境去做事情，例如 Agent 的链上身份、权限管理、任务执行协议，或者为 Agent 提供自动结算和支付能力。而对于那些本身就在做应用层产品的团队，比如交易工具、内容平台、社区产品或者消费应用，AI 更适合作为能力层嵌入原有产品体系。例如用 AI 提升数据分析能力、自动化运营流程，或者通过 Agent 去完成原本需要人工处理的部分功能。

其次要看的是是否存在真实业务场景。很多 AI 项目之所以很快消失，并不是技术不行，而是从一开始就没有明确的使用场景。概念可以讲得很热，但真正需要这个产品的人在哪里、他们为什么要用、又为什么愿意为它付费，这些问题往往没有被认真回答。有些概念在行业里讨论得很多，比如「AI+Web3」「Agent 经济体系」「AI 交易员」，听起来都很宏大，但如果往下追问一层，真正稳定存在的用户群体其实并不多。相反，一些看起来不那么「性感」的需求，比如数据处理、自动化运营、信息筛选或者任务执行，反而在现实业务里长期存在。也正因为如此，判断是否进入某个 AI 方向时，与其先看概念是否热门，不如先去看场景本身：这个场景是不是长期存在的业务问题，是否已经有人在为此付费，以及 AI 是否真的能在这个环节里提升效率。如果这些条件成立，那么这个方向才更有可能从叙事变成产品。

再往下还需要看，Web3 创业团队手里有没有能够真正进入这些环节的资源。

前面提到的数据、身份、支付这些方向，本质上都不是单纯的技术问题，而是网络资源的问题。

比如数据网络，如果团队手里没有稳定的数据来源，也没有能够持续贡献数据的用户群体，那么即使技术做出来了，也很难形成真正的网络效应。同样，如果想做 AI Agent 的身份体系或者协作网络，也需要有真实的开发者、应用或者 Agent 参与进来，否则协议本身很难形成生态。支付和结算体系也是类似的逻辑。AI Agent 一旦开始在网络中调用服务、获取数据或者执行任务，小额支付就会变得非常频繁。但这种支付网络只有在大量 Agent 和服务同时存在的情况下才会有意义，否则它仍然只是一个技术模块。

所以对很多 Web3 团队来说，真正需要评估的并不是「这个方向有没有技术空间」，而是自己能不能成为这个网络的一部分。团队是否已经有数据来源、开发者生态或者应用场景，这些往往决定了一个项目能不能真正进入 AI 的基础设施层，而不是停留在概念层。