Заглиблюються бар'єри в галузі Web2 AI, Web3 AI потребує обережного планування

Нещодавно акції NVIDIA знову досягли рекордного рівня, а прогрес мультимодальних моделей поглибив технологічну перевагу Web2 AI. Від семантичного вирівнювання до візуального розуміння, від високих вимірів вбудовування до об'єднання ознак, складні моделі швидко інтегрують різні модальні вираження, створюючи дедалі закриту AI-територію.

Однак цей бум майже не пов'язаний з галуззю криптовалют. Нещодавні спроби Web3 AI в напрямку Agent мають значне відхилення: намагання зібрати модульну систему в стилі Web2 за допомогою децентралізованої структури насправді є подвійним спотворенням технологій та мислення. У нинішніх умовах, коли зв'язність модулів є надзвичайно сильною, розподіл ознак є високостабільним, а вимоги до обчислювальної потужності все більше зосереджуються, модульна система з багатьма модальностями важко може зайняти позицію в середовищі Web3.

Майбутній розвиток Web3 AI не повинен обмежуватися наслідуванням, а має вимагати стратегічного обхідного підходу. Від семантичного вирівнювання у високорозмірному просторі до інформаційного вузького місця в механізмі уваги, а також до вирівнювання ознак при гетерогенних обчисленнях, Web3 AI потрібно переосмислити свій шлях розвитку.

Наразі Web3 AI стикається з величезними викликами у реалізації високовимірного вбудованого простору. Більшість протоколів Web3 Agent просто упаковують готові API в незалежні модулі, відсутня єдина центральна вбудована простір і міжмодульний механізм уваги. Це призводить до того, що інформація не може взаємодіяти з різних куточків і на різних рівнях між модулями, вона може лише проходити через лінійний конвеєр, що ускладнює формування загальної оптимізації закритого циклу.

У низькорозмірному просторі механізм уваги також не може бути точно спроектованим. Модульна структура Web3 AI ускладнює реалізацію єдиного розподілу уваги, бракує спільного векторного представлення, паралельного вагового та агрегатного потенціалу. Це значно обмежує верхню межу продуктивності системи.

У сфері злиття характеристик Web3 AI наразі перебуває на простій статичній стадії з'єднання. Через відсутність високорозмірного простору та точного механізму уваги в основі Web3 AI важко реалізувати динамічне злиття характеристик, що ускладнює захоплення складних крос-модальних зв'язків.

Хоча бар'єри в AI-індустрії поглиблюються, можливості Web3 AI ще не повністю проявилися. Web3 AI має застосувати тактику "сільська обгортка міста", починаючи з маломасштабних експериментів у прикордонних сценаріях. Відповідні сфери для входу включають крайні обчислення, легкі структури, завдання, що легко паралелізуються та можуть бути стимульовані, такі як доопрацювання LoRA, завдання після навчання з поведінковим вирівнюванням, краудсорсинг даних для навчання та анотації, навчання невеликих базових моделей, а також спільне навчання на крайніх пристроях.

Перед тим, як зникнуть переваги Web2 AI та посиляться залишкові болі, проекти Web3 AI повинні обережно вибирати точку входу. Ідеальний проект повинен мати такі характеристики: здатність входити з краю, закріплюватися у малих сценаріях; можливість постійно оновлювати продукт у певних сценаріях використання; достатня гнучкість для швидкої адаптації до різних сценаріїв. Проекти, які надто залежать від інфраструктури або мають занадто великі мережеві архітектури, можуть зіткнутися з ризиком бути викинутими.