AI 週期來了，Web3 創業家要不要轉 AI？
撰文：Portal Lab
「你養龍蝦了嗎？」最近 Web3er 打招呼，可能十有八九都是這句話。
2026 開年，自中國春晚機器人炸翻全場後，以 OpenClaw 為代表的新一代 AI Agent 成為科技人口中的新玩具。 有人用 AI 做客服、有人用 AI 寫代碼、有人甚至開始嘗試用 Agent 去模擬一整套“數位員工”，最近在各類互聯網平台屢屢被提及的一個概念 “一人公司”，就是一個人通過一個 AI 工作流，就能跑起過去需要一個小團隊才能完成的工作。
Web3 這邊當然也沒閒著。 最近如果多看行業媒體，會發現不少項目也開始圍繞 AI Agent 做文章。 有的在研究 Agent 怎麼直接調用鏈上資產或合約，有的在做 Agent 的支付、身份或者金融基礎設施，有人在討論“Agent 經濟體系”，讓 AI 可以像用戶一樣參與網絡，甚至有人又開始喊起了“Web4.0”的新口號。
看到這裡，其實會有一種很熟悉的感覺。
都說時尚圈是個循環，哪曾想科技圈（或說加密圈）也是如此。 還記得 2022 年開始的熊市那陣子，ChatGPT 一夜爆火，AI 一下子就成了所有人都在聊的話題。 Web3 圈當然也沒閒著，很快就冒出一堆新概念，什麼 AI Agent、AI 交易員、自動化策略之類的，好像只要和 AI 沾點邊，就能講出新的故事。 但這種熱鬧並沒有持續太久。 等到後面加密市場又重新漲起來，大家的注意力很快就回到了 Crypto 本身。
而這次 2025 年下半年，加密市場又有了熊的趨勢，於是 Web3 開始尋找新概念接盤。
但是，在 Portal Labs 看來，問題也恰恰出在這裡。 當一個敘事開始流行的時候，很多 Web3 創業團隊其實不是在做技術和商業判斷，而是在做敘事判斷：哪個概念火，就做哪一個。 而後便栽了跟頭。
很多團隊在真正推進專案的時候才發現，概念可以很快搭起來，但產品卻很難落地。 用戶在哪裡？ 具體場景是什麼？ 靠什麼持續收費？ 能不能拉到投資？ 這些問題往往到專案做了一段時間後才會逐漸浮現。
等到熱度退去，市場上留下的往往是一地尚未跑通的項目。 有的產品停在 Demo 階段，有的勉強上線卻找不到用戶，有些乾脆隨著敘事一起消失。 短時間內看起來像是新賽道被打開，但過一段時間回頭看，真正留下來的東西其實不多。
也因此，是繼續深耕 Crypto，還是轉 AI，成了難題。 選前者吧，市場又不好，投入不一定有回報；選後者吧，又沒有底。 AI 的技術門檻、人才結構和競爭環境都和 Web3 有所區別。 許多團隊過去幾年累積的技術堆疊、產品經驗、社群資源，其實都建立在 Crypto 體系裡，一旦徹底轉向 AI，等於是重新進入一個完全陌生的賽道。 從模型能力、資料資源到工程團隊，幾乎都需要重新建構。
更現實的一點是，AI 賽道本身已經非常擁擠。 無論是大模型公司、傳統網路企業，或是大量新創團隊，都在這個領域投入了龐大的資源。 對於原本做 Web3 的創業團隊來說，如果只是因為敘事轉向而進入這個市場，很容易發現自己既沒有技術優勢，也沒有產業資源。
其實，對許多 Web3 創業團隊來說，還有一條可以實踐的路徑。 不一定要轉型做 AI，而是繼續走自己的 Web3 路徑，同時去思考 Crypto 能在 AI 體系裡補上什麼能力。
如果仔細看現在這一波 AI 發展，你會發現很多關鍵環節其實還沒完全解決。
最典型的就是資料。 模型越來越強，但訓練資料從哪裡來、資料是否可信合規，尤其是 AI Agent 如何實現 1v1 客製化，這些問題一直沒有一個很好的機制。 對於依賴大規模資料訓練的 AI 來說，這是一個長期存在的基礎問題。
再例如身分和協作。 當 AI Agent 開始參與任務執行、自動交易甚至營運決策時，它們本身也需要身分、權限以及協作規則。 誰可以調用某個 Agent？ Agent 之間如何分工？ 執行任務後如何結算？ 這些問題，本質上都涉及開放網路中的身分和價值分配。
還有付款問題。 AI Agent 一旦開始在網路中自主呼叫服務、取得資料或執行任務，就表示它們需要一個可以自動結算的小額支付系統。 而在傳統網路體系裡，這樣的支付結構其實很難實現。
這些看起來都是 AI 的問題，但許多解決方案反而已經存在於 Crypto 的技術體系中。 無論是資料激勵網絡、鏈上身分體系，或是開放支付網絡，本來就是 Web3 在過去幾年一直在探索的方向。
如果 Web3 創業團隊真的打算往這些方向去嘗試，有幾件事情是必須先想清楚的。
首先要看的是團隊本身的技術能力。 不同的 Web3 項目，其技術累積差異很大。 有的團隊擅長做鏈上協議，有的長期在做數據網絡，也有的更偏應用層產品。 如果團隊過去幾年一直在做與資料相關的基礎設施，例如資料收集、資料萃取或資料市場，那麼圍繞 AI 的資料層去延伸會相對自然，例如資料貢獻網路、可驗證資料來源，或為模型提供可激勵的資料市場。 如果團隊原本更偏鏈上協定或基礎設施，那麼可以考慮圍繞 AI Agent 的運作環境去做事情，例如 Agent 的鏈上身分、權限管理、任務執行協議，或為 Agent 提供自動結算和支付能力。 而對於那些本身就在做應用層產品的團隊，例如交易工具、內容平台、社群產品或消費應用，AI 更適合作為能力層嵌入原有產品體系。 例如用 AI 提升資料分析能力、自動化營運流程，或透過 Agent 去完成原本需要手動處理的部分功能。
其次要看的是是否有真實業務場景。 很多 AI 專案之所以很快消失，並不是技術不行，而是從一開始就沒有明確的使用情境。 概念可以講得很熱，但真正需要這個產品的人在哪裡、為什麼要用、為什麼願意為它付費，這些問題往往沒有被認真回答。 有些概念在業界討論得很多，例如「AI+Web3」「Agent 經濟體系」「AI 交易員」，聽起來都很宏大，但如果往下追問一層，真正穩定存在的用戶群體其實並不多。 相反，一些看起來不那麼「性感」的需求，例如資料處理、自動化營運、資訊篩選或任務執行，反而在現實業務裡長期存在。 也因為如此，當判斷是否進入某個 AI 方向時，與其先看概念是否熱門，不如先去看場景本身：這個場景是不是長期存在的業務問題，是否已經有人在為此付費，以及 AI 是否真的能在這個環節裡提升效率。 如果這些條件成立，那麼這個方向就更有可能從敘事變成產品。
再往下還需要看，Web3 創業團隊手上有沒有能夠真正進入這些環節的資源。
前面提到的資料、身分、支付這些方向，本質上都不是單純的技術問題，而是網路資源的問題。
例如資料網絡，如果團隊手上沒有穩定的資料來源，也沒有能夠持續貢獻資料的使用者群體，那麼即使技術做出來了，也很難形成真正的網路效應。 同樣，如果想做 AI Agent 的身份體係或協作網絡，也需要有真實的開發者、應用或 Agent 參與進來，否則協議本身很難形成生態。 支付和結算體係也是類似的邏輯。 AI Agent 一旦開始在網路中呼叫服務、取得資料或執行任務，小額支付就會變得非常頻繁。 但這種支付網路只有在大量 Agent 和服務同時存在的情況下才會有意義，否則它仍然只是一個技術模組。
所以對很多 Web3 團隊來說，真正需要評估的並不是「這個方向有沒有技術空間」，而是自己能不能成為這個網路的一部分。 團隊是否已經有資料來源、開發者生態或應用場景，這些往往決定了一個專案能不能真正進入 AI 的基礎設施層，而不是停留在概念層。
