Web3 AI: Encontrar quebras em cenários de borda

Recentemente, o preço das ações da Nvidia atingiu um novo máximo, e o progresso dos modelos multimodais aprofundou as barreiras tecnológicas da Web2 AI. Desde o alinhamento semântico até a compreensão visual, desde a incorporação de alta dimensão até a fusão de características, modelos complexos estão integrando, a uma velocidade impressionante, várias formas de expressão, construindo um território de AI cada vez mais fechado. O mercado de ações dos EUA também confirmou isso com ações práticas, com ações relacionadas à AI geralmente apresentando uma pequena tendência de alta.

No entanto, essa onda parece não ter nenhuma relação com o campo das criptomoedas. As tentativas de Web3 AI, especialmente a exploração na direção de Agentes nos últimos meses, apresentam uma desvio direcional evidente. Tentar montar um sistema modular multimodal no estilo Web2 com uma estrutura descentralizada é, na verdade, um duplo desalinhamento técnico e de pensamento. Hoje, com a forte acoplabilidade dos módulos, a distribuição de características altamente instável e a crescente concentração das necessidades de poder computacional, é difícil para a modularidade multimodal se firmar no ambiente Web3.

O futuro da Web3 AI não está na simples imitação, mas sim em um desvio estratégico. Desde o alinhamento semântico em espaços de alta dimensão, até o gargalo de informação nos mecanismos de atenção, e o alinhamento de características sob computação heterogênea, a Web3 AI precisa encontrar novos caminhos.

Web3 AI baseia-se em modelos multimodais achatados, tornando difícil alcançar um alinhamento semântico eficaz, resultando em desempenho fraco. O espaço de incorporação de alta dimensão é a base dos sistemas de IA modernos, mas o protocolo Web3 Agent tem dificuldade em alcançar isso. A modularidade em Web3 AI pode ser apenas uma ilusão, pois requer o desenvolvimento independente de todas as interfaces de API envolvidas, contradizendo sua intenção de modularidade.

No espaço de baixa dimensão, o mecanismo de atenção não pode ser projetado de forma precisa. O mecanismo de atenção da IA do Web2 é como um carro de alto desempenho, enquanto a IA do Web3, baseada em modularidade, tem dificuldades em implementar um agendamento de atenção unificado, assim como um carro com baixo desempenho do motor não consegue aumentar seu limite com uma simples modificação.

A modularização discreta leva a uma fusão de características que permanece numa fase de junção estática superficial. A IA do Web2 tende a um treinamento conjunto de ponta a ponta, enquanto a IA do Web3 adota mais a abordagem de junção de módulos discretos, carecendo de flexibilidade e interação profunda.

As barreiras na indústria de IA estão se aprofundando, mas os pontos críticos ainda não se manifestaram completamente. A IA Web3 deve adotar a tática de "cercar as cidades a partir do campo", experimentando em pequena escala em cenários de borda. A principal vantagem da IA Web3 está na descentralização, sendo adequada para estruturas leves, tarefas fáceis de paralelizar e incentivadas, como ajuste fino de LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados crowdsourced, treinamento de modelos básicos pequenos, e treinamento colaborativo em dispositivos de borda.

No entanto, as oportunidades não estão imediatamente disponíveis. As barreiras da IA Web2 estão em fase inicial de formação, e a IA para tarefas complexas multimodais está a avançar rapidamente. Somente quando os benefícios da IA Web2 desaparecerem quase por completo, os pontos problemáticos que ela deixou para trás poderão tornar-se oportunidades de entrada para a IA Web3. Até lá, a IA Web3 precisa escolher cuidadosamente os protocolos com potencial de "cercar as cidades a partir do campo", entrando pela periferia, iterando continuamente em pequenos cenários e mantendo a flexibilidade para se adaptar às necessidades de mercado em constante mudança.