Обговорення напрямків і стратегій розвитку Web3 AI

Ціна акцій NVIDIA досягла рекорду, прогрес багатомодальних моделей поглибив технологічний бар'єр Web2 AI. Від семантичного вирівнювання до візуального розуміння, від високорозмірних вбудовувань до злиття ознак, складні моделі інтегрують різні модальності висловлювань з небаченою раніше швидкістю, створюючи дедалі більш закриту AI-територію. Ринок США позитивно реагує, акції криптовалют і AI демонструють невелику бичачу тенденцію.

Однак, ця хвиля не має великого зв'язку з галуззю криптовалют. Нещодавні спроби в напрямку Web3 AI, особливо в напрямку агентів, мають відхилення: намагаються зібрати модульну систему з багатьма модальностями в стилі Web2 з децентралізованою структурою, насправді це є подвійне невідповідність технологій і мислення. У теперішніх умовах сильної зв'язності модулів, нестабільного розподілу ознак та концентрації вимог до обчислювальної потужності, модульна система з багатьма модальностями важко знайти своє місце в Web3.

Майбутнє Web3 AI не в імітації, а в стратегічному обході. Від семантичного вирівнювання у високих вимірах, до інформаційних вузьких місць у механізмі уваги, і до вирівнювання ознак в умовах гетерогенної обчислювальної потужності, Web3 AI має використовувати тактичне керівництво "села, що оточує місто".

Web3 AI базується на спрощеній багатомодальній моделі, що ускладнює семантичну узгодженість, що призводить до низької продуктивності. Високорівневий вбудований простір є передумовою для реалізації модульного зниження витрат і підвищення ефективності, але протокол Web3 Agent важко реалізувати в високорівневому вбудованому просторі, модульність стає ілюзією. Більшість Web3 Agent лише упаковують готові API, відсутність єдиного центрального вбудованого простору та міжмодульного механізму уваги не дозволяє сформувати загальне замкнуте коло оптимізації.

У низько-вимірному просторі механізм уваги важко точно спроектувати. Web2 AI при проектуванні механізму уваги, зокрема, використовує декодер Transformer, основою якого є механізм Query-Key-Value. Web3 AI важко реалізувати єдине планування уваги через відсутність спільного векторного представлення, паралельного зважування та агрегуючих можливостей.

Дискретна модульна збірка призводить до того, що злиття ознак залишається на поверхневій стадії статичного з'єднання. Web2 AI має тенденцію до спільного навчання з кінця в кінець, тоді як Web3 AI частіше використовує дискретне модульне з'єднання, що призводить до нестачі єдиної цілі навчання та перетоку градієнтів між модулями.

Бар'єри в галузі штучного інтелекту поглиблюються, але болючі точки ще не проявилися. Багатомодальні системи Web2 AI є надзвичайно великими інженерними проектами, які потребують величезних обсягів даних, значних обчислювальних потужностей і тривалого навчання. Це створює потужні бар'єри в галузі, але також залишає можливості для розвитку Web3 AI у майбутньому.

Web3 AI має розвиватися за тактикою "села оточує місто", проводячи невеликі експерименти на периферійних сценах, чекаючи появи можливостей у ключових сценах. Перевага Web3 AI полягає в децентралізації, що підходить для легковагових, простих для паралельного виконання і стимулюючих завдань, таких як мікронастройка LoRA, навчання після вирівнювання поведінки, обробка краудсорсингових даних тощо.

Наразі бар'єри Web2 AI все ще формуються на початковому етапі, Web3 AI потрібно обережно обирати точки входу. Слід зосередитися на проектах, які можуть постійно ітеруватися в малих сценаріях і мають гнучкість, щоб адаптуватися до динамічно змінюваних потенційних бар'єрів і болючих точок. Надмірна залежність від інфраструктури або величезних протоколів мережевої архітектури може призвести до ризику їхньої ліквідації.