Обсуждение направлений и стратегий развития Web3 AI

Акции Nvidia достигли нового рекорда, а прогресс многомодальных моделей углубил технологические барьеры Web2 AI. От семантического соответствия до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения с беспрецедентной скоростью, создавая все более закрытую вершину AI. Рынок акций США реагирует позитивно, криптовалютные акции и акции AI демонстрируют небольшой бычий тренд.

Однако этот бум не имеет большого отношения к области криптовалют. Недавние попытки Web3 AI, особенно в направлении Агентов, имеют отклонение в сторону: они пытаются собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры, что на самом деле является двойным несоответствием технологий и мышления. В условиях сильной связи между модулями, нестабильного распределения признаков и централизованного спроса на вычислительные мощности, многомодульность в Web3 трудно удержаться.

Будущее Web3 AI не в подражании, а в стратегическом обходе. От семантического выравнивания в высокоразмерном пространстве до информационных узких мест в механизме внимания, и до выравнивания признаков в условиях гетерогенной вычислительной мощности, Web3 AI должен руководствоваться тактикой "села окружают город".

Web3 AI основан на плоской многомодальной модели, и сложность выравнивания семантики приводит к низкой производительности. Высокоразмерное встраивание пространства является предпосылкой для реализации модульного снижения затрат и повышения эффективности, но протокол Web3 Agent трудно реализовать высокоразмерное встраивание, что делает модульность иллюзией. Большинство Web3 Agent просто оборачивают готовые API, им не хватает единого центрального встраиваемого пространства и межмодульного механизма внимания, что не позволяет создать общий замкнутый круг оптимизации.

В пространстве низкой размерности сложно точно разработать механизм внимания. В Web2 AI при проектировании механизма внимания в качестве примера используется декодер Transformer, основой которого является механизм Query-Key-Value. В Web3 AI трудно реализовать единое расписание внимания из-за отсутствия общего векторного представления, параллельного взвешивания и способности к агрегации.

Дискретная модульная сборка приводит к тому, что слияние признаков остается на поверхностной статической стадии объединения. Искусственный интеллект Web2 склонен к совместному обучению от начала до конца, в то время как искусственный интеллект Web3 чаще использует дискретную модульную сборку, что приводит к отсутствию единой цели обучения и потока градиентов между модулями.

Барьер в AI-отрасли углубляется, но болевые точки еще не проявились. Многомодальная система Web2 AI является крайне масштабным инженерным проектом, требующим огромных объемов данных, значительных вычислительных ресурсов и длительного обучения. Это создает мощный барьер для входа в отрасль, но также оставляет возможности для будущего развития Web3 AI.

Web3 AI должен развиваться по тактике "села окружает город", начиная с маломасштабных испытаний в периферийных сценариях и ожидая появления возможностей в核心сценариях. Преимущества Web3 AI заключаются в децентрализации, что делает его подходящим для легковесных, легко параллелизуемых и мотивируемых задач, таких как LoRA дообучение, обучение после выравнивания поведения, краудсорсинг обработки данных и т.д.

В настоящее время барьеры Web2 AI все еще находятся на начальной стадии формирования, Web3 AI необходимо осторожно выбирать точки входа. Следует обращать внимание на проекты, которые могут постоянно итеративно развиваться в небольших сценах и обладают гибкостью, чтобы адаптироваться к динамически изменяющимся потенциальным барьерам и болевым точкам. Чрезмерная зависимость от инфраструктуры или крупных протоколов сетевой архитектуры может подвергать риску их исключение.