Diskusi Arah dan Strategi Pengembangan Web3 AI

Harga saham Nvidia mencapai rekor baru, kemajuan model multimodal semakin memperdalam batasan teknis Web2 AI. Dari penyelarasan semantik hingga pemahaman visual, dari penyisipan dimensi tinggi hingga penggabungan fitur, model kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya, membangun sebuah puncak AI yang semakin tertutup. Pasar saham AS bereaksi positif, saham kripto dan saham AI sama-sama mengalami tren kenaikan kecil.

Namun, gelombang ini tidak banyak terkait dengan bidang cryptocurrency. Upaya terbaru di arah Web3 AI, terutama di bidang Agent, menunjukkan adanya penyimpangan arah: mencoba merakit sistem modular multimodal ala Web2 dengan struktur terdesentralisasi, yang sebenarnya merupakan kesalahan ganda dalam teknologi dan pemikiran. Dengan adanya kekuatan penggabungan modul yang kuat, distribusi fitur yang tidak stabil, dan kebutuhan komputasi yang terpusat, modular multimodal sulit untuk berdiri di Web3.

Masa depan Web3 AI tidak terletak pada peniruan, melainkan pada pergeseran strategis. Dari penyelarasan semantik di ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu mengambil "desa mengepung kota" sebagai panduan taktis.

Web3 AI didasarkan pada model multimodal datar, kesulitan dalam menyelaraskan makna menyebabkan kinerja yang rendah. Ruang penyisipan berdimensi tinggi adalah prasyarat untuk mencapai pengurangan biaya dan peningkatan efisiensi secara modular, tetapi protokol Web3 Agent sulit untuk mencapai penyisipan berdimensi tinggi, sehingga modularitas menjadi ilusi. Sebagian besar Web3 Agent hanya membungkus API yang sudah ada, kurang memiliki ruang penyisipan pusat yang seragam dan mekanisme perhatian lintas modul, sehingga tidak dapat membentuk optimasi siklus tertutup secara keseluruhan.

Dalam ruang dimensi rendah, mekanisme perhatian sulit dirancang dengan presisi. Web2 AI dalam merancang mekanisme perhatian, diwakili oleh dekoder Transformer, inti dari mekanisme Query-Key-Value. Web3 AI sulit untuk mencapai penjadwalan perhatian yang terintegrasi, karena kurangnya representasi vektor yang sama, kemampuan penimbangan paralel, dan agregasi.

Modularisasi diskrit menyebabkan penggabungan fitur terjebak pada tahap penyambungan statis yang dangkal. AI Web2 cenderung melatih secara end-to-end secara bersamaan, sementara AI Web3 lebih banyak menggunakan penyambungan modul diskrit, kurang memiliki tujuan pelatihan yang terpadu dan aliran gradien antar modul.

Hambatan di industri AI semakin dalam, tetapi titik sakit belum terlihat. Sistem multimodal AI Web2 adalah proyek rekayasa yang sangat besar, memerlukan data dalam jumlah besar, kekuatan komputasi yang banyak, dan pelatihan jangka panjang. Ini membentuk hambatan industri yang kuat, tetapi juga meninggalkan peluang untuk perkembangan AI Web3 di masa depan.

Web3 AI seharusnya berkembang dengan taktik "desa mengepung kota", mencoba skala kecil di skenario tepi, menunggu kesempatan muncul di skenario inti. Keunggulan Web3 AI terletak pada desentralisasi, cocok untuk tugas yang ringan, mudah diparalelkan, dan dapat memberi insentif, seperti penyesuaian LoRA, pelatihan setelah penyelarasan perilaku, pengolahan data crowdsourcing, dll.

Saat ini, penghalang Web2 AI masih dalam tahap awal pembentukan, Web3 AI perlu berhati-hati dalam memilih titik masuk. Harus fokus pada proyek yang dapat terus beriterasi dalam skenario kecil dan memiliki fleksibilitas, untuk menyesuaikan dengan perubahan dinamis dari penghalang dan titik nyeri yang potensial. Terlalu bergantung pada infrastruktur atau protokol dengan arsitektur jaringan yang besar dapat menghadapi risiko penghapusan.