Status dan Tantangan Pengembangan Web3 AI

Harga saham Nvidia mencapai rekor tertinggi, kemajuan model multimodal semakin memperkuat keunggulan teknologi Web2 AI. Dari penyelarasan semantik hingga pemahaman visual, dari embedding berdimensi tinggi hingga penggabungan fitur, model kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya, membangun sebuah tanah tinggi AI yang semakin tertutup. Sementara itu, cryptocurrency dan saham terkait AI juga mengalami gelombang pasar bull kecil.

Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency. Upaya terbaru Web3 AI dalam arah Agent memiliki deviasi arah. Mencoba merakit sistem modular multimodal dengan struktur terdesentralisasi ala Web2, pada kenyataannya adalah salah posisi teknologi dan pemikiran. Dalam konteks keterkaitan modul yang kuat, distribusi fitur yang tidak stabil, dan kebutuhan daya komputasi yang terpusat, modularitas multimodal sulit untuk berdiri di Web3.

Masa depan Web3 AI tidak boleh terbatas pada peniruan, tetapi harus mengambil pendekatan strategis yang melingkar. Dari penyelarasan semantik dalam ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, sampai penyelarasan fitur di bawah komputasi heterogen, Web3 AI perlu menggunakan "desa mengepung kota" sebagai program taktis.

Tantangan yang Dihadapi Web3 AI

kesulitan penyelarasan semantik

Web3 AI berbasis model multimodal yang terflattkan, sulit untuk mencapai ruang嵌入 tinggi. Ini menyebabkan ketidakselarasan semantik dan kinerja yang rendah. Ruang嵌入 tinggi sangat penting untuk memahami dan membandingkan sinyal multimodal yang berbeda, tetapi protokol Web3 Agent sulit untuk mencapainya.

Kebanyakan Web3 Agent hanya merupakan pembungkus sederhana untuk API yang sudah ada, kekurangan ruang penyisipan pusat yang seragam dan mekanisme perhatian lintas modul. Ini mengakibatkan informasi tidak dapat berinteraksi secara multi-dimensi dan multi-level antar modul, hanya dapat berjalan dalam jalur linier, menunjukkan fungsi tunggal, dan tidak dapat membentuk optimasi siklus keseluruhan.

Desain mekanisme perhatian terbatas

Ruang berdimensi rendah membatasi desain presisi mekanisme perhatian. Model multimodal tingkat tinggi memerlukan mekanisme perhatian yang presisi, dan ini memerlukan ruang berdimensi tinggi sebagai dasar.

Web3 AI yang berbasis desain modular sulit untuk mencapai penjadwalan perhatian yang seragam. Kurangnya representasi vektor yang sama, kemampuan penguatan dan penggabungan paralel, tidak dapat membangun kemampuan "penjadwalan perhatian seragam" seperti Transformer.

Fusi fitur berhenti di lapisan dangkal

Modularitas diskrit menyebabkan penggabungan fitur terjebak pada tahap penyambungan statis yang dangkal. Web3 AI sering menggunakan pendekatan penyambungan modul diskrit, kurang memiliki tujuan pelatihan yang terintegrasi dan aliran gradien lintas modul.

Jika dibandingkan dengan metode fusi fitur AI Web2 yang kompleks, strategi fusi AI Web3 terlalu sederhana, sulit untuk menangkap hubungan lintas-modal yang dalam dan kompleks.

Hambatan dan Arah Pengembangan Industri AI

Hambatan teknis di industri AI semakin mendalam, tetapi titik sakit Web3 AI belum sepenuhnya terlihat. Web2 AI telah berinvestasi besar-besaran dalam pengembangan sistem multimodal, membangun hambatan industri yang kuat.

Perkembangan Web3 AI harus mengikuti taktik "desa mengepung kota". Harus dilakukan percobaan skala kecil di skenario tepi, memastikan fondasi yang kuat sebelum menunggu munculnya skenario inti. Arah yang sesuai termasuk struktur yang ringan, tugas yang mudah diparalelkan dan dapat memotivasi, seperti fine-tuning LoRA, tugas pelatihan pasca-penyesuaian yang sejajar, pelatihan dan pelabelan data crowdsourcing, pelatihan model dasar skala kecil, serta pelatihan kolaboratif perangkat tepi.

Sebelum keuntungan AI Web2 menghilang sepenuhnya, AI Web3 perlu memilih titik masuk dengan hati-hati, fokus pada proyek-proyek yang dapat masuk dari tepi, menggabungkan titik dan area, maju secara melingkar, dan bergerak dengan fleksibel. Hanya dengan cara ini, kita dapat menemukan pijakan di tengah persaingan AI di masa depan.