Arah dan Tantangan Pengembangan Web3 AI

Harga saham Nvidia mencetak rekor tertinggi baru, kemajuan model multimodal semakin memperdalam batasan teknologi AI Web2. Dari penyelarasan semantik hingga pemahaman visual, dari嵌入 berdimensi 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 juga menunjukkan optimisme dengan tindakan nyata, baik saham terkait cryptocurrency maupun saham AI, semuanya mengalami tren bullish kecil.

Namun, tren ini tampaknya tidak ada kaitannya dengan bidang cryptocurrency. Upaya terbaru dalam Web3 AI, terutama dalam eksplorasi arah Agen, memiliki penyimpangan arah yang cukup besar. Mencoba merakit sistem modulasi multimodal ala Web2 dengan struktur terdesentralisasi, pada kenyataannya, merupakan kesalahan ganda baik dalam teknologi maupun pemikiran. Dalam kondisi di mana keterkaitan antar modul sangat kuat, distribusi fitur sangat tidak stabil, dan permintaan komputasi semakin terpusat, modulasi multimodal sulit untuk berdiri kokoh di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang berdimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu mengadopsi strategi taktis "desa mengepung kota".

Web3 AI berbasis model multimodal datar, kesulitan penyelarasan semantik menyebabkan kinerja rendah

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" merujuk pada pemetaan informasi dari berbagai modal ke dalam ruang semantik yang sama, sehingga model dapat memahami dan membandingkan makna mendalam di balik sinyal-sinyal yang berbeda bentuk ini. Hanya dengan mewujudkan ruang嵌入 dimensi tinggi, membagi alur kerja menjadi modul yang berbeda akan memiliki arti dalam menurunkan biaya dan meningkatkan efisiensi. Namun, protokol Web3 Agent tidak dapat mencapai嵌入 dimensi tinggi, karena modularitas sebenarnya adalah ilusi dari AI Web3.

Web3 AI mengharuskan realisasi ruang berdimensi tinggi, yang secara tidak langsung berarti bahwa protokol Agent harus mengembangkan semua antarmuka API yang terlibat secara mandiri, yang bertentangan dengan tujuan modularitasnya. Arsitektur berdimensi tinggi mengharuskan pelatihan atau optimasi kolaboratif yang terintegrasi dari ujung ke ujung, sementara pemikiran "modul sebagai plugin" dari Web3 Agent justru memperburuk fragmentasi.

Untuk mewujudkan agen cerdas seluruh rantai dengan penghalang industri, diperlukan pemodelan bersama dari ujung ke ujung, penyisipan terpadu lintas modul, serta rekayasa sistematis dari pelatihan dan penerapan kolaboratif untuk dapat berinovasi. Namun, saat ini tidak ada titik nyeri seperti itu di pasar, sehingga juga tidak ada permintaan pasar yang sesuai.

Dalam ruang berdimensi rendah, mekanisme perhatian sulit dirancang dengan presisi.

Model multimodal tingkat tinggi membutuhkan desain mekanisme perhatian yang cermat. Prasyarat bagi mekanisme perhatian untuk berfungsi adalah multimodal memiliki dimensi tinggi; di ruang dimensi tinggi, mekanisme perhatian yang cermat dapat menemukan bagian paling inti dari ruang dimensi tinggi yang besar dalam waktu terpendek.

Jadwal perhatian yang terintegrasi untuk Web3 AI berbasis modular sulit untuk dicapai. Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang terpadu, sementara API independen masing-masing mengembalikan data dalam format dan distribusi yang berbeda, tanpa lapisan embedding yang terpadu. Kedua, perhatian multi-kepala memungkinkan untuk secara paralel memperhatikan sumber informasi yang berbeda pada lapisan yang sama, sementara API independen sering kali merupakan panggilan linier, kurang memiliki kemampuan paralel dan bobot dinamis multi-jalur. Terakhir, mekanisme perhatian yang sebenarnya akan secara dinamis memberikan bobot untuk setiap elemen berdasarkan konteks keseluruhan, sementara dalam pola API, modul hanya dapat melihat konteks independen saat dipanggil.

Modul modular yang terdistribusi menyebabkan penggabungan fitur tetap pada penyambungan statis yang dangkal

Fusi fitur adalah kombinasi lebih lanjut dari vektor fitur yang diperoleh setelah memproses berbagai modal berdasarkan penyelarasan dan perhatian, untuk digunakan langsung dalam tugas hulu. Web3 AI tentu saja masih berada di tahap penyambungan yang paling sederhana, karena fusi fitur dinamis memerlukan ruang berdimensi tinggi dan mekanisme perhatian yang cermat.

AI Web2 cenderung untuk pelatihan gabungan end-to-end, sementara AI Web3 lebih sering menggunakan pendekatan penyambungan modul diskrit. AI Web2 dapat menghitung skor kepentingan berbagai fitur secara real-time berdasarkan konteks, dan menyesuaikan strategi penggabungan secara dinamis, sedangkan AI Web3 seringkali menetapkan bobot sebelumnya atau menggunakan aturan sederhana untuk menentukan apakah akan digabungkan.

Web2 AI memetakan semua fitur modal ke ruang berdimensi tinggi ribuan, dan proses penggabungan mencakup berbagai operasi interaksi tingkat tinggi. Sebaliknya, output dari masing-masing Agen Web3 AI sering kali hanya berisi beberapa bidang atau indikator kunci, dengan dimensi fitur yang sangat rendah, sehingga sulit untuk mengekspresikan hubungan lintas modal yang kompleks.

Hambatan di industri AI semakin dalam, tetapi titik nyeri belum muncul

Sistem multimodal AI Web2 adalah proyek teknik yang sangat besar, yang membutuhkan data dalam jumlah besar, kekuatan komputasi yang kuat, algoritma canggih, dan talenta yang luar biasa. Pekerjaan sistematis yang menyeluruh dan berbasis tumpukan ini membentuk penghalang industri yang sangat kuat, dan juga menciptakan daya saing inti dari beberapa tim terdepan.

Proyek cryptocurrency yang berfokus pada Web3 AI atau pencocokan pasar produk apapun perlu mengambil taktik "mengelilingi kota dari desa". Harus melakukan uji coba skala kecil di skenario tepi, memastikan fondasi yang kuat sebelum menunggu kemunculan skenario inti. Inti dari Web3 AI adalah desentralisasi, dan jalur evolusinya tercermin dalam kompatibilitas paralel tinggi, keterkaitan rendah, dan kekuatan komputasi heterogen.

Saat ini, batasan Web2 AI baru mulai terbentuk, ini adalah tahap awal persaingan di antara perusahaan-perusahaan besar. Hanya ketika manfaat Web2 AI hampir habis, maka masalah yang ditinggalkannya akan menjadi peluang bagi Web3 AI untuk masuk. Sebelum itu, kita perlu dengan cermat membedakan protokol yang memiliki potensi "desa mengepung kota", memperhatikan apakah mereka dapat terus berinovasi dalam skenario kecil, dan apakah mereka memiliki fleksibilitas untuk beradaptasi dengan berbagai skenario. Jika protokol itu sendiri terlalu bergantung pada infrastruktur, dan arsitektur jaringannya besar, maka kemungkinan besar akan tereliminasi.