سجلت أسهم إنفيديا ارتفاعًا جديدًا، حيث أن تقدم النماذج متعددة الوسائط يعزز من التفوق التكنولوجي لـ Web2 AI. من محاذاة المعاني إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج أساليب التعبير المختلفة بسرعة غير مسبوقة، مما يبني مرتفعًا متزايد الانغلاق في مجال الذكاء الاصطناعي. في الوقت نفسه، شهدت العملات المشفرة والأسهم المرتبطة بالذكاء الاصطناعي موجة صغيرة من الارتفاع.
ومع ذلك، يبدو أن هذه الحمى لا تتعلق بمجال العملات المشفرة. في الآونة الأخيرة، كانت هناك محاولات في اتجاه Agent في Web3 AI، ولكن هناك انحراف في الاتجاه. محاولة تجميع نظام متعدد النماذج بنمط Web2 باستخدام هيكل لامركزي، هي في الواقع عدم تطابق في التكنولوجيا والتفكير. في ظل وجود ترابط قوي بين النماذج، وعدم استقرار توزيع الميزات، وتركز متطلبات القدرة الحسابية، يصعب على النماذج المتعددة في Web3 أن تجد موطئ قدم.
يجب ألا يقتصر مستقبل الذكاء الاصطناعي في Web3 على التقليد، بل يجب أن يتبنى استراتيجيات ملتوية. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناقات المعلومات في آليات الانتباه، وصولاً إلى محاذاة الميزات تحت القدرة الحاسوبية غير المتجانسة، يحتاج الذكاء الاصطناعي في Web3 إلى استخدام "القرى تحيط بالمدن" كبرنامج تكتيكي.
التحديات التي تواجه Web3 AI
صعوبة في توافق المعاني
تستند Web3 AI إلى نموذج متعدد الأنماط مسطح، مما يجعل من الصعب تحقيق مساحة تضمين عالية الأبعاد. وهذا يؤدي إلى عدم توافق المعاني و انخفاض الأداء. تعتبر مساحة التضمين عالية الأبعاد ضرورية لفهم ومقارنة إشارات الأنماط المختلفة، لكن من الصعب على بروتوكول Web3 Agent تحقيق ذلك.
تقوم معظم وكلاء Web3 ببساطة بتغليف واجهات برمجة التطبيقات الجاهزة، مما يفتقر إلى مساحة مركزية موحدة وآلية الانتباه عبر الوحدات. وهذا يؤدي إلى عدم قدرة المعلومات على التفاعل من زوايا متعددة ومستويات متعددة بين الوحدات، مما يقتصر على سير العمل الخطي، مما يظهر وظيفة واحدة فقط، ولا يمكن أن يشكل تحسينًا متكاملًا.
تصميم آلية الانتباه مقيد
تحد المساحة ذات الأبعاد المنخفضة من تصميم آلية الانتباه بدقة. تحتاج النماذج متعددة الوسائط عالية المستوى إلى آلية انتباه دقيقة، وهو ما يتطلب مساحة ذات أبعاد عالية كأساس.
يُعَدُّ تصميم Web3 AI القائم على الوحدات صعبًا لتحقيق جدولة انتباه موحدة. يفتقر إلى تمثيل متجه مشترك، وقدرات الوزن المتوازي والتجميع، مما يمنع بناء قدرة "جدولة انتباه موحدة" مثل Transformer.
دمج الميزات يبقى في الطبقات السطحية
تسبب التجميع المعياري المنفصل في توقف دمج الميزات عند مرحلة التجميع الساكن السطحي. غالبًا ما تعتمد Web3 AI أسلوب التجميع المعياري المنفصل، مما يفتقر إلى هدف تدريبي موحد وتدفق التدرجات عبر الوحدات.
بالمقارنة مع طرق دمج الميزات المعقدة في الذكاء الاصطناعي Web2 ، فإن استراتيجيات الدمج في الذكاء الاصطناعي Web3 بسيطة للغاية ، مما يجعل من الصعب التقاط الروابط المعقدة والعميقة عبر الأنماط.
حواجز صناعة الذكاء الاصطناعي واتجاهات التنمية
تتعمق حواجز التكنولوجيا في صناعة الذكاء الاصطناعي، لكن نقاط الألم في الذكاء الاصطناعي Web3 لم تظهر بالكامل بعد. استثمرت Web2 AI بشكل كبير في تطوير الأنظمة متعددة الوسائط، مما أسس حواجز قوية في الصناعة.
يجب أن يتبع تطوير Web3 AI تكتيك "احاطة الريف بالمدينة". يجب أن يتم اختبار المشهد الحدودي على نطاق صغير لضمان الأساس المتين، ثم الانتظار لظهور المشهد الأساسي. تشمل الاتجاهات المناسبة الهياكل الخفيفة، والمهام القابلة للتوازي والمحفزة، مثل ضبط LoRA، ومهام التدريب المتأخرة المتوافقة مع السلوك، وتدريب ووسم البيانات من خلال الحشد، وتدريب نماذج أساسية صغيرة، والتدريب التعاوني على الأجهزة الطرفية.
قبل أن تختفي مكافآت Web2 AI تمامًا، يحتاج Web3 AI إلى اختيار نقاط الدخول بحذر، والتركيز على المشاريع التي يمكن أن تدخل من الهامش، وتجمع بين النقاط والمساحات، وتدفع بشكل دائري، وتكون مرنة وقابلة للحركة. فقط بهذه الطريقة يمكن العثور على موطئ قدم في المنافسة المستقبلية للذكاء الاصطناعي.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 6
أعجبني
6
5
مشاركة
تعليق
0/400
StealthDeployer
· منذ 20 س
من الطبيعي أن تتعرض web3 للضرب من قبل nvidia
شاهد النسخة الأصليةرد0
ConsensusDissenter
· منذ 20 س
هل يمكنك إيقاف تشغيل هذه المجموعة تم إرسال web3 بالفعل
شاهد النسخة الأصليةرد0
pvt_key_collector
· منذ 20 س
هذه القمة الجديدة هي في جوهرها سحق لـWeb2
شاهد النسخة الأصليةرد0
CoconutWaterBoy
· منذ 20 س
كل ذي عقل يعرف أن بطاقة N هي التي تحدد الأمور.
شاهد النسخة الأصليةرد0
CoffeeOnChain
· منذ 20 س
Irons ، Nvidia ، هذه الموجة من الإقلاع لا يمكن أن تجلب web3 ، ولا يوجد أحد
تحديات تطور الذكاء الاصطناعي في Web3: توافق المعاني ودمج الميزات
حالة وتحديات تطوير Web3 AI
سجلت أسهم إنفيديا ارتفاعًا جديدًا، حيث أن تقدم النماذج متعددة الوسائط يعزز من التفوق التكنولوجي لـ Web2 AI. من محاذاة المعاني إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج أساليب التعبير المختلفة بسرعة غير مسبوقة، مما يبني مرتفعًا متزايد الانغلاق في مجال الذكاء الاصطناعي. في الوقت نفسه، شهدت العملات المشفرة والأسهم المرتبطة بالذكاء الاصطناعي موجة صغيرة من الارتفاع.
ومع ذلك، يبدو أن هذه الحمى لا تتعلق بمجال العملات المشفرة. في الآونة الأخيرة، كانت هناك محاولات في اتجاه Agent في Web3 AI، ولكن هناك انحراف في الاتجاه. محاولة تجميع نظام متعدد النماذج بنمط Web2 باستخدام هيكل لامركزي، هي في الواقع عدم تطابق في التكنولوجيا والتفكير. في ظل وجود ترابط قوي بين النماذج، وعدم استقرار توزيع الميزات، وتركز متطلبات القدرة الحسابية، يصعب على النماذج المتعددة في Web3 أن تجد موطئ قدم.
يجب ألا يقتصر مستقبل الذكاء الاصطناعي في Web3 على التقليد، بل يجب أن يتبنى استراتيجيات ملتوية. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناقات المعلومات في آليات الانتباه، وصولاً إلى محاذاة الميزات تحت القدرة الحاسوبية غير المتجانسة، يحتاج الذكاء الاصطناعي في Web3 إلى استخدام "القرى تحيط بالمدن" كبرنامج تكتيكي.
التحديات التي تواجه Web3 AI
صعوبة في توافق المعاني
تستند Web3 AI إلى نموذج متعدد الأنماط مسطح، مما يجعل من الصعب تحقيق مساحة تضمين عالية الأبعاد. وهذا يؤدي إلى عدم توافق المعاني و انخفاض الأداء. تعتبر مساحة التضمين عالية الأبعاد ضرورية لفهم ومقارنة إشارات الأنماط المختلفة، لكن من الصعب على بروتوكول Web3 Agent تحقيق ذلك.
تقوم معظم وكلاء Web3 ببساطة بتغليف واجهات برمجة التطبيقات الجاهزة، مما يفتقر إلى مساحة مركزية موحدة وآلية الانتباه عبر الوحدات. وهذا يؤدي إلى عدم قدرة المعلومات على التفاعل من زوايا متعددة ومستويات متعددة بين الوحدات، مما يقتصر على سير العمل الخطي، مما يظهر وظيفة واحدة فقط، ولا يمكن أن يشكل تحسينًا متكاملًا.
تصميم آلية الانتباه مقيد
تحد المساحة ذات الأبعاد المنخفضة من تصميم آلية الانتباه بدقة. تحتاج النماذج متعددة الوسائط عالية المستوى إلى آلية انتباه دقيقة، وهو ما يتطلب مساحة ذات أبعاد عالية كأساس.
يُعَدُّ تصميم Web3 AI القائم على الوحدات صعبًا لتحقيق جدولة انتباه موحدة. يفتقر إلى تمثيل متجه مشترك، وقدرات الوزن المتوازي والتجميع، مما يمنع بناء قدرة "جدولة انتباه موحدة" مثل Transformer.
دمج الميزات يبقى في الطبقات السطحية
تسبب التجميع المعياري المنفصل في توقف دمج الميزات عند مرحلة التجميع الساكن السطحي. غالبًا ما تعتمد Web3 AI أسلوب التجميع المعياري المنفصل، مما يفتقر إلى هدف تدريبي موحد وتدفق التدرجات عبر الوحدات.
بالمقارنة مع طرق دمج الميزات المعقدة في الذكاء الاصطناعي Web2 ، فإن استراتيجيات الدمج في الذكاء الاصطناعي Web3 بسيطة للغاية ، مما يجعل من الصعب التقاط الروابط المعقدة والعميقة عبر الأنماط.
حواجز صناعة الذكاء الاصطناعي واتجاهات التنمية
تتعمق حواجز التكنولوجيا في صناعة الذكاء الاصطناعي، لكن نقاط الألم في الذكاء الاصطناعي Web3 لم تظهر بالكامل بعد. استثمرت Web2 AI بشكل كبير في تطوير الأنظمة متعددة الوسائط، مما أسس حواجز قوية في الصناعة.
يجب أن يتبع تطوير Web3 AI تكتيك "احاطة الريف بالمدينة". يجب أن يتم اختبار المشهد الحدودي على نطاق صغير لضمان الأساس المتين، ثم الانتظار لظهور المشهد الأساسي. تشمل الاتجاهات المناسبة الهياكل الخفيفة، والمهام القابلة للتوازي والمحفزة، مثل ضبط LoRA، ومهام التدريب المتأخرة المتوافقة مع السلوك، وتدريب ووسم البيانات من خلال الحشد، وتدريب نماذج أساسية صغيرة، والتدريب التعاوني على الأجهزة الطرفية.
قبل أن تختفي مكافآت Web2 AI تمامًا، يحتاج Web3 AI إلى اختيار نقاط الدخول بحذر، والتركيز على المشاريع التي يمكن أن تدخل من الهامش، وتجمع بين النقاط والمساحات، وتدفع بشكل دائري، وتكون مرنة وقابلة للحركة. فقط بهذه الطريقة يمكن العثور على موطئ قدم في المنافسة المستقبلية للذكاء الاصطناعي.