Les futures directions de développement de l'IA Web3

Le domaine de l'intelligence artificielle est en train de connaître une transformation profonde. Les géants de l'IA Web2 construisent des modèles de plus en plus complexes et multimodaux, capables de traiter simultanément plusieurs types de données tels que le texte, l'image et l'audio, et d'atteindre un alignement sémantique et une fusion des caractéristiques dans un espace de haute dimension. Cette avancée technologique renforce les barrières à l'entrée dans l'industrie, rendant difficile l'accès pour les petites équipes.

Cependant, la direction de développement de l'IA Web3 ne devrait pas simplement imiter le parcours de Web2. Les systèmes d'IA modulaires actuels dans Web3 présentent de nombreuses limitations:

1. Le manque d'un espace d'intégration de haute dimension unifié rend difficile l'alignement sémantique.
2. Le mécanisme d'attention ne peut pas être conçu avec précision dans un espace de basse dimension.
3. La fusion des caractéristiques reste à un stade de simple assemblage statique.

Ces problèmes proviennent d'une dépendance excessive de Web3 AI aux API indépendantes et à l'assemblage de modules discrets, manquant d'une optimisation conjointe de bout en bout.

Le développement futur de l'IA Web3 devrait adopter une stratégie de "encercler les villes à partir des zones rurales", en entrant par des scénarios périphériques :

1. Structure légère : adaptée aux scénarios de calcul en périphérie et autres environnements à ressources limitées
2. Haute parallélisme : tirer pleinement parti des caractéristiques distribuées du réseau décentralisé.
3. Faible couplage : maintenir l'indépendance entre les modules, facilitant une combinaison flexible.
4. Compatibilité des puissances de calcul hétérogènes : prise en charge de divers dispositifs matériels pour participer.

Les directions d'application spécifiques peuvent inclure :

• Ajustement fin de modèles légers tels que LoRA
• Tâches de post-formation alignées sur le comportement
• Collecte et annotation des données par crowdsourcing
• Entraînement collaboratif de petits modèles de base
• Apprentissage collaboratif pour les dispositifs périphériques

Web3 AI ne doit pas se précipiter pour défier les barrières fondamentales de Web2 AI, mais plutôt accumuler progressivement de l'expérience et des ressources dans des scénarios périphériques, en attendant l'apparition de la bonne occasion. Ce n'est que lorsque les bénéfices de Web2 AI s'estompent, laissant des points de douleur évidents, que Web3 AI pourra trouver un véritable point de rupture.

Avant cela, les projets Web3 AI doivent rester flexibles, capables de s'adapter rapidement aux changements de besoins dans différents scénarios. Une architecture trop massive et rigide pourrait être éliminée dans ce processus d'évolution dynamique. Un protocole Web3 AI réussi doit se déplacer de manière flexible entre les "rural" et progressivement se rapprocher des "urbains", pour finalement réaliser un dépassement par la courbe.