Акции Nvidia достигли нового рекорда, а прогресс многомодальных моделей еще больше укрепил технологическое преимущество Web2 AI. От семантической настройки до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения с беспрецедентной скоростью, создавая все более закрытую AI-экосистему. В то же время, криптовалюты и акции, связанные с AI, также переживают небольшой бычий рынок.
Однако этот бум, похоже, не имеет отношения к области криптовалют. Недавние попытки Web3 AI в направлении Агентов имеют отклонение в направлении. Попытка собрать многомодульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является несоответствием технологий и мышления. В условиях сильной связанности модулей, нестабильного распределения признаков и сосредоточенных потребностей в вычислительной мощности, многомодульная модульная система в Web3 трудно сможет занять свое место.
Будущее Web3 AI не должно ограничиваться подражанием, а должно принимать стратегические обходные пути. От семантической согласованности в высокоразмерном пространстве до информационных узких мест в механизме внимания, и до согласования признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо следовать тактической программе "деревня окружает город".
Проблемы, с которыми сталкивается Web3 AI
Трудности семантической согласованности
Web3 AI основан на плоской многомодальной модели, что затрудняет достижение высокоразмерного встраиваемого пространства. Это приводит к несоответствию семантики и низкой производительности. Высокое встраиваемое пространство имеет решающее значение для понимания и сравнения различных модальных сигналов, но протокол Web3 Agent затрудняет это.
Большинство Web3 Agent просто простая обертка готовых API, им не хватает единого центрального встроенного пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, она может проходить только по линейному конвейеру, демонстрируя единственную функцию и не позволяя формировать общую оптимизацию замкнутого цикла.
Дизайн механизма внимания ограничен
Низкоразмерное пространство ограничивает точный дизайн механизмов внимания. Модели с высоким уровнем многомодальности требуют точных механизмов внимания, а это требует высокоразмерного пространства в качестве основы.
Web3 AI, основанный на модульном дизайне, испытывает трудности с реализацией единого управления вниманием. Отсутствие общего векторного представления, параллельного взвешивания и агрегирования не позволяет создать способность, подобную "единому управлению вниманием" в Transformer.
Слияние признаков остается на поверхностном уровне
Дискретная модульная компоновка приводит к тому, что слияние признаков остается на поверхностной статической стадии соединения. Web3 AI часто использует подход дискретной модульной компоновки, испытывая недостаток в единой цели обучения и потоке градиентов между модулями.
По сравнению со сложными методами融合特征 в Web2 AI, стратегии融合 в Web3 AI слишком просты и трудно улавливают глубокие и сложные跨模态关联.
Барьеры в отрасли ИИ и направления развития
Технические барьеры в области ИИ углубляются, но болевые точки Web3 AI еще не полностью проявились. Web2 AI вложил огромные средства в разработку многомодальных систем, создав мощные барьеры для входа в отрасль.
Развитие Web3 AI должно следовать тактике "окружения города деревней". Необходимо сначала провести небольшие эксперименты в периферийных сценариях, чтобы убедиться в прочности основ, а затем ожидать появления ключевых сценариев. Подходящие направления включают легкие структуры, легко параллелизуемые и стимулирующие задачи, такие как дообучение LoRA, задачи постобучения с выравниванием поведения, краудсорсинговое обучение и аннотирование данных, обучение небольших базовых моделей, а также совместное обучение на периферийных устройствах.
Прежде чем выгода от ИИ в Web2 исчезнет, Web3 ИИ необходимо осторожно выбирать точки входа, сосредоточившись на проектах, которые могут войти с краев, сочетать точки и площади, продвигаться кольцевым образом и быть гибкими. Только так можно будет найти свое место в будущем соревновании по ИИ.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
7 Лайков
Награда
7
5
Поделиться
комментарий
0/400
StealthDeployer
· 07-22 13:56
web3 и так попал под удар от nvidia
Посмотреть ОригиналОтветить0
ConsensusDissenter
· 07-22 13:55
能不能别玩 эту ловушку уже web3 давно отправил
Посмотреть ОригиналОтветить0
pvt_key_collector
· 07-22 13:53
Этот новый рекорд по сути является давлением Web2.
Посмотреть ОригиналОтветить0
CoconutWaterBoy
· 07-22 13:51
Все с умом понимают, что решает N-карта.
Посмотреть ОригиналОтветить0
CoffeeOnChain
· 07-22 13:48
Утюги, Nvidia, эту волну взлета не могут принести web3, да и нет никого
Развитие Web3 AI: проблемы семантической согласованности и слияния признаков
Текущая ситуация и вызовы развития Web3 AI
Акции Nvidia достигли нового рекорда, а прогресс многомодальных моделей еще больше укрепил технологическое преимущество Web2 AI. От семантической настройки до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения с беспрецедентной скоростью, создавая все более закрытую AI-экосистему. В то же время, криптовалюты и акции, связанные с AI, также переживают небольшой бычий рынок.
Однако этот бум, похоже, не имеет отношения к области криптовалют. Недавние попытки Web3 AI в направлении Агентов имеют отклонение в направлении. Попытка собрать многомодульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является несоответствием технологий и мышления. В условиях сильной связанности модулей, нестабильного распределения признаков и сосредоточенных потребностей в вычислительной мощности, многомодульная модульная система в Web3 трудно сможет занять свое место.
Будущее Web3 AI не должно ограничиваться подражанием, а должно принимать стратегические обходные пути. От семантической согласованности в высокоразмерном пространстве до информационных узких мест в механизме внимания, и до согласования признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо следовать тактической программе "деревня окружает город".
Проблемы, с которыми сталкивается Web3 AI
Трудности семантической согласованности
Web3 AI основан на плоской многомодальной модели, что затрудняет достижение высокоразмерного встраиваемого пространства. Это приводит к несоответствию семантики и низкой производительности. Высокое встраиваемое пространство имеет решающее значение для понимания и сравнения различных модальных сигналов, но протокол Web3 Agent затрудняет это.
Большинство Web3 Agent просто простая обертка готовых API, им не хватает единого центрального встроенного пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, она может проходить только по линейному конвейеру, демонстрируя единственную функцию и не позволяя формировать общую оптимизацию замкнутого цикла.
Дизайн механизма внимания ограничен
Низкоразмерное пространство ограничивает точный дизайн механизмов внимания. Модели с высоким уровнем многомодальности требуют точных механизмов внимания, а это требует высокоразмерного пространства в качестве основы.
Web3 AI, основанный на модульном дизайне, испытывает трудности с реализацией единого управления вниманием. Отсутствие общего векторного представления, параллельного взвешивания и агрегирования не позволяет создать способность, подобную "единому управлению вниманием" в Transformer.
Слияние признаков остается на поверхностном уровне
Дискретная модульная компоновка приводит к тому, что слияние признаков остается на поверхностной статической стадии соединения. Web3 AI часто использует подход дискретной модульной компоновки, испытывая недостаток в единой цели обучения и потоке градиентов между модулями.
По сравнению со сложными методами融合特征 в Web2 AI, стратегии融合 в Web3 AI слишком просты и трудно улавливают глубокие и сложные跨模态关联.
Барьеры в отрасли ИИ и направления развития
Технические барьеры в области ИИ углубляются, но болевые точки Web3 AI еще не полностью проявились. Web2 AI вложил огромные средства в разработку многомодальных систем, создав мощные барьеры для входа в отрасль.
Развитие Web3 AI должно следовать тактике "окружения города деревней". Необходимо сначала провести небольшие эксперименты в периферийных сценариях, чтобы убедиться в прочности основ, а затем ожидать появления ключевых сценариев. Подходящие направления включают легкие структуры, легко параллелизуемые и стимулирующие задачи, такие как дообучение LoRA, задачи постобучения с выравниванием поведения, краудсорсинговое обучение и аннотирование данных, обучение небольших базовых моделей, а также совместное обучение на периферийных устройствах.
Прежде чем выгода от ИИ в Web2 исчезнет, Web3 ИИ необходимо осторожно выбирать точки входа, сосредоточившись на проектах, которые могут войти с краев, сочетать точки и площади, продвигаться кольцевым образом и быть гибкими. Только так можно будет найти свое место в будущем соревновании по ИИ.