Web3 AI開発の現状と課題

エヌビディアの株価が新たな高値を記録し、マルチモーダルモデルの進歩がWeb2 AIの技術的優位性をさらに強化しました。意味的整合から視覚理解、高次元埋め込みから特徴融合まで、複雑なモデルはこれまでにない速さでさまざまなモダリティの表現方法を統合し、ますます閉鎖的なAIの高地を構築しています。一方で、暗号通貨やAI関連株にも小さなブル相場が現れました。

しかし、この熱潮は暗号通貨の分野とは無関係のようです。最近のWeb3 AIのエージェント方向の試みは、方向性に偏りがあります。非中央集権的な構造を使ってWeb2スタイルのマルチモーダルモジュールシステムを組み立てようとすることは、実際には技術と考え方のズレを示しています。モジュールの結合性が強く、特徴の分布が不安定で、計算能力の需要が集中している今日、Web3でのマルチモーダルモジュール化は立ち行きません。

Web3 AIの未来は模倣にとどまらず、戦略的な迂回を採用すべきです。高次元空間の意味的整合から、注意機構の情報ボトルネック、さらには異種計算能力下での特徴整合に至るまで、Web3 AIは「農村が都市を包囲する」という戦術的な概要を必要とします。

Web3 AIの課題

セマンティクスの整合性が難しい

Web3 AIはフラットなマルチモーダルモデルに基づいており、高次元埋め込み空間の実現が難しいです。これにより、意味が整合せず、パフォーマンスが低下します。高次元埋め込み空間は、異なるモーダル信号を理解し比較するために重要ですが、Web3 Agentプロトコルはこれを実現するのが難しいです。

多くのWeb3エージェントは、既存のAPIを単純にラッピングしたものであり、統一された中央埋め込み空間やクロスモジュールの注意機構が不足しています。これにより、情報はモジュール間で多角的かつ多層的に相互作用することができず、線形のパイプラインを通るしかなく、単一の機能を示し、全体的なクローズドループ最適化を形成することができません。

注意力メカニズムの設計は制限されています

低次元空間は注意機構の精密な設計を制限しています。高度なマルチモーダルモデルは精密な注意機構を必要とし、これは高次元空間を基盤として必要とします。

Web3 AIはモジュール化設計に基づいているため、統一された注意スケジューリングを実現することが困難です。共通のベクトル表現、並列加重および集約能力が不足しているため、Transformerのような「統一注意スケジューリング」能力を構築することができません。

特徴融合は浅層に留まる

離散型のモジュール化による組み合わせは、特徴融合が浅い静的な接続段階に留まる原因となっています。Web3 AIは、しばしば離散モジュールの接続手法を採用しており、統一されたトレーニング目標とモジュール間の勾配の流れが欠けています。

Web2 AIの複雑な特徴融合方法に比べて、Web3 AIの融合戦略はあまりにも単純で、深層かつ複雑なクロスモーダル関連を捉えるのが難しい。

AI業界の障壁と開発の方向性

AI業界の技術的障壁は深まっていますが、Web3 AIの切り口となる痛点はまだ完全には顕在化していません。Web2 AIはマルチモーダルシステムの開発に多大な投資を行い、強力な業界の障壁を構築しました。

Web3 AIの発展は「農村が都市を包囲する」という戦術に従うべきです。エッジシーンで小規模に試行し、基盤が堅固であることを確認してから、コアシーンの出現を待つべきです。適切な方向には、軽量構造、容易に並行でき、インセンティブが得られるタスクが含まれます。例えば、LoRA微調整、行動整合の後トレーニングタスク、クラウドソーシングによるデータトレーニングとアノテーション、小型基盤モデルのトレーニング、およびエッジデバイスの協調トレーニングなどです。

Web2のAIの恩恵が消え去る前に、Web3のAIは慎重に切入点を選び、周辺から切り込むことができ、点と面を結びつけ、環状に進め、柔軟に機動できるプロジェクトに注目する必要があります。そうすることで、将来のAI競争で立足の場を見つけることができるのです。