Web3 AI: Знаходження突破 у краєвих сценаріях

Нещодавно акції Nvidia досягли нового рекорду, а прогрес у багатомодальних моделях поглибив технологічний бар'єр Web2 AI. Від семантичної відповідності до візуального розуміння, від високодимензійних вбудувань до злиття ознак, складні моделі інтегрують різноманітні модальності вираження з приголомшливою швидкістю, створюючи все більш закриту AI-територію. Фондовий ринок США також підтвердив це на практиці, акції, пов'язані з AI, зазнали загального підйому.

Однак цей сплеск, здається, не має жодного відношення до сфери криптовалют. Спроби Web3 AI, особливо дослідження в напрямку Agent за останні кілька місяців, мають очевидні відхилення в напрямку. Спроба зібрати мультимодульну модульну систему в стилі Web2 за допомогою децентралізованої структури насправді є подвійною помилкою в технології та мисленні. У сьогоднішній ситуації, коли модулі мають високу ступінь зв'язності, розподіл ознак є надзвичайно нестабільним, а потреба в обчислювальних потужностях стає все більш централізованою, мультимодульна модульність важко утримується в середовищі Web3.

Майбутнє Web3 AI не полягає в простому наслідуванні, а в стратегічному обході. Від семантичного вирівнювання у високих вимірах до інформаційних вузьких місць у механізмі уваги, до вирівнювання ознак за умов гетерогенної обчислювальної потужності, Web3 AI потребує нового підходу.

Web3 AI базується на плоскій мультимодальній моделі, що ускладнює ефективне семантичне вирівнювання, що призводить до зниження продуктивності. Високорозмірний вбудований простір є основою сучасних AI систем, але протокол Web3 Agent важко реалізувати це. Модульність в Web3 AI може бути лише ілюзією, оскільки вона вимагає самостійної розробки всіх залучених API інтерфейсів, що суперечить її початковому наміру модульності.

У низьковимірному просторі механізм уваги не може бути точно спроектований. Механізм уваги Web2 AI подібний до високопродуктивного автомобіля, тоді як модульний Web3 AI важко реалізувати єдине управління увагою, як і автомобіль з низькою продуктивністю двигуна не може підвищити свої межі простим переобладнанням.

Дискретна модульна збірка призводить до того, що злиття ознак залишається на поверхневій статичній стадії. Web2 AI схильний до спільного навчання від початку до кінця, тоді як Web3 AI більше використовує метод дискретної модульної збірки, що позбавляє гнучкості та глибокої взаємодії.

Бар'єри в галузі AI поглиблюються, але болючі проблеми ще не повністю проявилися. Web3 AI має застосовувати тактику "села оточують місто", випробовуючи себе в малих масштабах на периферійних сценаріях. Основна перевага Web3 AI полягає в децентралізації, що підходить для легких структур, простих для паралельного виконання та заохочувальних завдань, таких як мікронастройка LoRA, завдання після навчання на основі поведінки, навчання та маркування даних за допомогою краудсорсингу, навчання малих базових моделей та спільне навчання на периферійних пристроях.

Проте можливості не доступні відразу. Бар'єри Web2 AI перебувають на стадії формування, багатозначні складні завдання AI швидко розвиваються. Лише коли вигода Web2 AI зникне майже повністю, залишені ним болючі точки можуть стати точкою входу для Web3 AI. До цього часу Web3 AI потрібно обережно вибирати протоколи з потенціалом "сільської обгортки міст", виходячи з краю, постійно ітераційно вдосконалюючи в малих сценаріях, зберігаючи гнучкість для адаптації до постійно змінюваних вимог ринку.