Tantangan dan Arah Masa Depan Web3 AI

Baru-baru ini, harga saham Nvidia mencapai rekor tertinggi baru, dan kemajuan dalam model multimodal semakin memperdalam batasan teknologi AI Web2. 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 menakjubkan, membangun sebuah puncak AI yang semakin tertutup. Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency.

Upaya Web3 AI, terutama eksplorasi arah Agent baru-baru ini, memiliki penyimpangan arah yang jelas. Mencoba merakit sistem modular multi-modal bergaya Web2 dengan struktur terdesentralisasi pada kenyataannya adalah kesalahan ganda dalam teknik dan pemikiran. Di era di mana keterkaitan modul sangat kuat, distribusi fitur sangat tidak stabil, dan kebutuhan daya komputasi semakin terpusat, modularitas multi-modal sangat sulit untuk berdiri kokoh di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada pendekatan strategis yang berputar. Dari penyelarasan semantik di ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah komputasi heterogen, Web3 AI perlu menemukan jalur baru, dengan "desa mengepung kota" sebagai program taktis.

Dilema Penjajaran Semantik dan Embedding Dimensi Tinggi

Web3 AI berbasis model multimodal datar, sulit untuk mencapai penyelarasan semantik yang efektif, mengakibatkan kinerja yang rendah. Ruang embedding berdimensi tinggi adalah kunci untuk mencapai penyelarasan semantik, yang memungkinkan informasi dari berbagai moda dipetakan ke dalam ruang semantik yang sama. Namun, protokol Web3 Agent sulit untuk mencapai embedding berdimensi tinggi karena modularitas itu sendiri adalah ilusi.

Sebagian besar Web3 Agent hanya mengemas API yang sudah ada menjadi "Agent" yang berdiri sendiri, tanpa adanya ruang penyisipan pusat yang terintegrasi dan mekanisme perhatian lintas modul. Hal ini mengakibatkan informasi tidak dapat berinteraksi secara multi-dimensi dan multi-lapisan antar modul, hanya dapat mengikuti jalur linier, menunjukkan fungsi tunggal, dan tidak dapat membentuk optimasi siklus keseluruhan.

Untuk mewujudkan agen cerdas yang memiliki penghalang industri secara menyeluruh, diperlukan pemodelan bersama dari ujung ke ujung, penyatuan embedding lintas modul, serta rekayasa sistematis untuk pelatihan dan penerapan kolaboratif. Namun, saat ini pasar tidak memiliki titik nyeri seperti itu, sehingga secara alami juga kurang permintaan pasar yang sesuai.

Keterbatasan Mekanisme Perhatian

Dalam ruang berdimensi rendah, mekanisme perhatian tidak dapat dirancang dengan presisi. Model multimodal tingkat tinggi membutuhkan mekanisme perhatian yang dirancang dengan cermat, dan mekanisme ini hanya dapat berfungsi secara maksimal di ruang berdimensi tinggi.

Web3 AI yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam. Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, sementara format dan distribusi data yang dikembalikan oleh API independen sangat bervariasi, sehingga tidak dapat membentuk Q/K/V yang dapat diinteraksikan. Kedua, Web3 AI kekurangan kemampuan untuk penguatan dinamis multi-jalur secara paralel, sehingga tidak dapat mensimulasikan penjadwalan halus dalam mekanisme perhatian sejati yang memberikan skor secara bersamaan untuk semua posisi atau semua modalitas, dan kemudian menggabungkannya.

Penggabungan Ciri yang Datar

Karakteristik penggabungan Web3 AI masih berada pada tahap penyambungan statis yang sederhana. Prasyarat untuk penggabungan fitur dinamis adalah ruang berdimensi tinggi dan mekanisme perhatian yang cermat. Ketika kondisi-kondisi ini tidak dapat dipenuhi, penggabungan fitur secara alami tidak dapat mencapai kinerja yang ideal.

Web2 AI cenderung melakukan pelatihan terintegrasi end-to-end, menangani fitur multimodal secara bersamaan dalam ruang berdimensi tinggi, dan berkolaborasi untuk mengoptimalkan bersama dengan lapisan tugas hulu melalui lapisan perhatian dan lapisan penggabungan. Sebaliknya, Web3 AI lebih banyak menggunakan pendekatan penyambungan modul diskrit, yang kurang memiliki tujuan pelatihan yang seragam dan aliran gradien antar modul.

Hambatan Industri AI dan Peluang Web3

Kendala di industri AI semakin dalam, tetapi peluang Web3 AI belum benar-benar muncul. Sistem multimodal AI Web2 adalah proyek teknik yang sangat besar, memerlukan data dalam jumlah besar, kekuatan komputasi yang kuat, dan tim ahli yang sangat terampil. Pekerjaan sistemik yang mencakup seluruh rantai dan tumpukan ini membentuk kendala industri yang sangat kuat.

Keunggulan inti Web3 AI terletak pada desentralisasi, dengan jalur evolusinya yang mencerminkan paralelisme tinggi, keterikatan rendah, dan kompatibilitas kekuatan komputasi heterogen. Ini menjadikan Web3 AI lebih unggul dalam skenario seperti komputasi tepi, cocok untuk struktur yang ringan, tugas yang mudah diparalelkan, dan dapat diinsentifkan.

Namun, peluang nyata untuk Web3 AI mungkin baru akan muncul ketika keuntungan dari Web2 AI telah menghilang sepenuhnya, meninggalkan titik-titik sakit yang jelas. Sebelum itu, proyek Web3 AI perlu memilih titik masuk dengan hati-hati, mengadopsi strategi "desa mengelilingi kota", mulai dari skenario pinggiran, secara bertahap mengumpulkan sumber daya dan pengalaman.

Proyek Web3 AI yang sukses harus mampu terus-menerus berinovasi dan memperbarui dalam skenario aplikasi berskala kecil, mempertahankan fleksibilitas yang cukup untuk menyesuaikan diri dengan berbagai skenario, dan dapat dengan cepat mendekati pasar target. Proyek yang terlalu bergantung pada infrastruktur atau memiliki arsitektur jaringan yang terlalu besar mungkin menghadapi risiko terhapus.