Web3 AI: Найти прорыв в пограничных сценариях

В последнее время акции Nvidia снова обновили исторический максимум, а прогресс многомодальных моделей углубил технологические барьеры Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерного встраивания до слияния признаков, сложные модели с поразительной скоростью интегрируют различные способы выражения модальностей, создавая всё более закрытую крепость AI. Американский фондовый рынок также подтвердил это на практике, акции, связанные с AI, в целом продемонстрировали небольшую бычью тенденцию.

Однако этот бум, похоже, не имеет никакого отношения к сфере криптовалют. Попытки Web3 AI, особенно исследования в направлении Agent за последние несколько месяцев, имеют явное отклонение. Попытка собрать многомодульную модульную систему в стиле Web2 с использованием децентрализованной структуры на самом деле является двойным несоответствием технологий и мышления. В условиях высокой взаимосвязанности модулей, крайне нестабильного распределения характеристик и растущей концентрации вычислительной мощности, многомодульная модульная система с трудом может найти свое место в среде Web3.

Будущее Web3 AI не заключается в простом подражании, а в стратегических обходах. От семантического выравнивания в многомерном пространстве до информационных узких мест в механизме внимания и до выравнивания признаков при гетерогенной вычислительной мощности, Web3 AI необходимо искать новые пути.

Web3 AI основан на плоских многомодальных моделях, что затрудняет достижение эффективного семантического выравнивания и приводит к низкой производительности. Высокоразмерное встраиваемое пространство является основой современных AI-систем, но протокол Web3 Agent испытывает трудности с его реализацией. Модульность в Web3 AI может быть лишь иллюзией, поскольку она требует самостоятельной разработки всех вовлеченных API-интерфейсов, что противоречит изначальному замыслу модульности.

В низкоразмерном пространстве механизм внимания не может быть точно спроектирован. Механизм внимания Web2 AI подобен высокопроизводительному автомобилю, в то время как основанный на модульности Web3 AI трудно реализовать единое распределение внимания, как автомобиль с низкой производительностью двигателя не может повысить свои пределы простым тюнингом.

Дискретная модульная сборка приводит к тому, что слияние признаков остается на поверхностной статической стадии соединения. Web2 AI склонен к энд-то-энд совместному обучению, в то время как Web3 AI больше использует подход дискретной модульной сборки, что приводит к недостатку гибкости и глубокой интерактивности.

Барьер в AI-индустрии углубляется, но болевые точки еще не полностью проявились. Web3 AI должен использовать тактику "окружения города деревней", начиная с маломасштабного тестирования в пограничных сценариях. Основное преимущество Web3 AI заключается в децентрализации, что делает его подходящим для легкой структуры, легкости параллельной работы и задач, которые можно стимулировать, таких как дообучение LoRA, послеподготовительные задачи по согласованию поведения, краудсорсинг данных для обучения и аннотирования, обучение небольших базовых моделей, а также совместное обучение на крайних устройствах.

Тем не менее, возможности не приходят сразу. Барьеры Web2 AI находятся на начальной стадии формирования, а многомодальные AI для сложных задач быстро развиваются. Только когда выгоды от Web2 AI исчезнут, оставшиеся болевые точки могут стать точками входа для Web3 AI. До тех пор Web3 AI должен осторожно выбирать протоколы с потенциалом «окружения города сельской местностью», входить с краев и постоянно итеративно развиваться в небольших сценариях, сохраняя гибкость для адаптации к постоянно меняющимся требованиям рынка.