Web3 AI: Mencari Terobosan dalam Skenario Perbatasan

Baru-baru ini, harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal semakin memperdalam hambatan teknologi Web2 AI. Dari penyelarasan semantik hingga pemahaman visual, dari嵌入 dimensi tinggi hingga penggabungan fitur, model yang kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang mengesankan, membangun sebuah tanah tinggi AI yang semakin tertutup. Pasar saham AS juga memberikan pengakuan melalui tindakan nyata, saham terkait AI secara umum mengalami lonjakan kecil.

Namun, gelombang ini tampaknya sama sekali tidak terkait dengan bidang cryptocurrency. Upaya Web3 AI, terutama eksplorasi arah Agent dalam beberapa bulan terakhir, menunjukkan penyimpangan arah yang jelas. Mencoba merakit sistem modular multimodal ala Web2 dengan struktur desentralisasi, sebenarnya adalah kesalahan ganda dalam teknologi dan pemikiran. Di zaman di mana keterkaitan modul sangat kuat, distribusi fitur sangat tidak stabil, dan permintaan komputasi semakin terpusat, modularitas multimodal sulit untuk bertahan di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada peniruan sederhana, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang dimensi tinggi, hingga kendala informasi dalam mekanisme perhatian, sampai penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu menemukan jalan baru.

Web3 AI berbasis model multimodal yang datar, sulit untuk mencapai keselarasan semantik yang efektif, yang mengakibatkan kinerja yang rendah. Ruang embedding berdimensi tinggi adalah dasar dari sistem AI modern, tetapi protokol Web3 Agent sulit untuk mencapainya. Modularitas dalam Web3 AI mungkin hanya ilusi, karena ini mengharuskan pengembangan semua antarmuka API yang terlibat secara mandiri, yang bertentangan dengan tujuan modularitas.

Dalam ruang berdimensi rendah, mekanisme perhatian tidak dapat dirancang dengan presisi. Mekanisme perhatian AI Web2 seperti mobil berkinerja tinggi, sementara AI Web3 yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam, seperti mobil dengan performa mesin yang rendah yang tidak dapat meningkatkan batasan hanya dengan modifikasi sederhana.

Modularisasi yang terdispersi menyebabkan penggabungan fitur tetap berada pada tahap penyambungan statis yang dangkal. AI Web2 cenderung untuk pelatihan bersama dari ujung ke ujung, sementara AI Web3 lebih banyak menggunakan pendekatan penyambungan modul terpisah, kurang fleksibilitas dan interaksi mendalam.

Hambatan di industri AI semakin dalam, tetapi titik sakit belum sepenuhnya muncul. Web3 AI harus mengambil taktik "desa mengepung kota", dengan mencoba skala kecil di skenario tepi. Keunggulan inti Web3 AI terletak pada desentralisasi, cocok untuk struktur ringan, tugas yang mudah diparalelkan dan dapat memotivasi, seperti penyesuaian LoRA, tugas pelatihan pasca-alignment perilaku, pelatihan dan anotasi data secara crowdsourced, pelatihan model dasar skala kecil, serta pelatihan kolaboratif perangkat tepi.

Namun, kesempatan tidak langsung tersedia. Hambatan AI Web2 sedang dalam tahap pembentukan awal, dan AI tugas kompleks multimodal sedang berkembang pesat. Hanya ketika manfaat AI Web2 hampir habis, titik-titik sakit yang ditinggalkannya mungkin menjadi peluang masuk untuk AI Web3. Sebelum itu, AI Web3 perlu memilih protokol dengan potensi "desa mengepung kota" dengan hati-hati, masuk dari pinggiran, terus-menerus beriterasi dalam skenario kecil, dan tetap fleksibel untuk menyesuaikan diri dengan permintaan pasar yang terus berubah.