Hambatan industri AI Web2 semakin dalam, AI Web3 perlu penataan yang hati-hati

Belakangan ini, harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal memperdalam keunggulan teknologi AI Web2. Dari penyelarasan semantik hingga pemahaman visual, dari embedding berdimensi tinggi hingga penggabungan fitur, model yang kompleks sedang mengintegrasikan berbagai cara ekspresi modal dengan kecepatan yang mengesankan, membangun sebuah puncak AI yang semakin tertutup.

Namun, gelombang ini hampir tidak ada hubungannya dengan bidang cryptocurrency. Upaya terbaru Web3 AI dalam arah Agent memiliki deviasi arah yang cukup besar: mencoba merakit sistem modular multimodal ala Web2 dengan struktur desentralisasi, yang sebenarnya merupakan kesalahan ganda dalam teknologi dan pemikiran. Dalam keadaan di mana keterkaitan modul sangat kuat, distribusi fitur sangat tidak stabil, dan kebutuhan daya komputasi semakin terkonsentrasi, modularitas multimodal sulit untuk berdiri di lingkungan Web3.

Pengembangan masa depan Web3 AI tidak boleh terbatas pada peniruan, tetapi perlu mengambil pendekatan strategis yang berputar. Dari penyelarasan semantik di ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu memikirkan kembali jalur pengembangannya.

Saat ini, Web3 AI menghadapi tantangan besar dalam mewujudkan ruang embedding berdimensi tinggi. Sebagian besar protokol Web3 Agent hanya mengemas API yang ada menjadi modul independen, tanpa adanya ruang embedding pusat yang terpadu dan mekanisme perhatian lintas modul. Ini mengakibatkan informasi tidak dapat berinteraksi dari berbagai sudut dan tingkat antar modul, yang hanya dapat mengikuti alur linier, sulit untuk membentuk optimasi siklus keseluruhan.

Dalam ruang dimensi rendah, mekanisme perhatian juga tidak dapat dirancang dengan presisi. Karakteristik modular AI Web3 membuatnya sulit untuk mencapai penjadwalan perhatian yang terintegrasi, kekurangan representasi vektor yang umum, serta kemampuan penguatan dan penggabungan secara paralel. Ini sangat membatasi batas kinerja sistem.

Dalam hal penggabungan fitur, Web3 AI saat ini berada pada tahap penyambungan statis yang sederhana. Karena kurangnya ruang berdimensi tinggi dan mekanisme perhatian yang cermat sebagai dasar, Web3 AI kesulitan untuk mencapai penggabungan fitur dinamis dan tidak dapat menangkap hubungan lintas moda yang kompleks.

Meskipun hambatan industri AI semakin dalam, titik peluang Web3 AI belum sepenuhnya muncul. Web3 AI seharusnya mengambil taktik "desa mengepung kota", dengan mencoba skala kecil di skenario pinggiran. Bidang yang cocok untuk dimasuki termasuk komputasi tepi, struktur ringan, tugas yang mudah diparalelkan dan dapat diinsentifkan, seperti penyesuaian LoRA, tugas pelatihan pasca pelatihan yang selaras dengan perilaku, pelatihan dan pelabelan data crowdsourcing, pelatihan model dasar kecil, serta pelatihan kolaboratif perangkat tepi.

Sebelum keuntungan dari AI Web2 menghilang sepenuhnya dan masalah yang tersisa menjadi jelas, proyek AI Web3 harus dengan hati-hati memilih titik masuk. Proyek yang ideal harus memiliki karakteristik berikut: dapat masuk dari pinggiran dan berdiri kokoh di skenario kecil; dapat terus mengiterasi dan memperbarui produk dalam skenario aplikasi tertentu; memiliki fleksibilitas yang cukup untuk cepat menyesuaikan diri dengan berbagai skenario. Proyek yang terlalu bergantung pada infrastruktur atau memiliki arsitektur jaringan yang terlalu besar mungkin menghadapi risiko untuk tereliminasi.