Виклики та майбутні напрямки Web3 AI

Нещодавно акції NVIDIA знову досягли нового максимуму, а прогрес мультимодальних моделей ще більше поглибив технологічний бар'єр Web2 AI. Від семантичного вирівнювання до візуального розуміння, від високорідних вбудувань до злиття ознак, складні моделі інтегрують різні модальності вираження з приголомшливою швидкістю, будуючи все більш закриту AI-територію. Проте ця хвиля, здається, зовсім не пов'язана з криптовалютною сферою.

Спроба Web3 AI, особливо нещодавні дослідження в напрямку Agent, має явні відхилення в напрямку. Спроба зібрати багатомодульну модульну систему в стилі Web2 за допомогою децентралізованої структури насправді є подвійним невідповідністю технологій і мислення. У світі, де модульна зв'язність надзвичайно висока, розподіл характеристик сильно нестабільний, а вимоги до обчислювальної потужності постійно зростають, багатомодульна модульна система в середовищі Web3 має великі труднощі з утриманням позицій.

Майбутнє Web3 AI не в імітації, а в стратегічному обході. Від семантичного вирівнювання у високих вимірах до інформаційних вузьких місць у механізмі уваги, і до вирівнювання ознак під гетерогенними обчислювальними потужностями, Web3 AI потрібно знайти нові шляхи, використовуючи "сільську оборону міст" як тактичну програму.

Дилема семантичного вирівнювання та високорозмірних вбудувань

Web3 AI базується на спрощеній мультимодальній моделі, що ускладнює досягнення ефективного семантичного вирівнювання, що призводить до низької продуктивності. Високорівневий вбудований простір є ключем до досягнення семантичного вирівнювання, оскільки він дозволяє відображати інформацію з різних модальностей в одному семантичному просторі. Однак протокол Web3 Agent важко реалізувати у високорівневому вбудованому просторі, оскільки модульність сама по собі є ілюзією.

Більшість Web3 Agent є лише готовими API, упакованими в окремі "Agent", що не мають єдиного центрального вбудованого простору та міжмодульного механізму уваги. Це призводить до того, що інформація не може взаємодіяти між модулями з різних кутів та на різних рівнях, а може проходити лише лінійним потоком, демонструючи одну функцію, без можливості формування загальної оптимізації замкнутого циклу.

Щоб реалізувати повноцінний інтелектуальний агент з бар'єрами входу в галузь, потрібно здійснити комплексне моделювання від початку до кінця, єдине вбудовування між модулями, а також систематичну інженерію спільного навчання та розгортання. Однак на даний момент на ринку немає таких болючих точок, отже, відповідного попиту на ринку також не існує.

Обмеження механізму уваги

У низьковимірному просторі механізм уваги не може бути точно спроектований. Високорівневі мультимодальні моделі потребують ретельно спроектованого механізму уваги, який може повністю реалізувати свою функцію тільки в високовимірному просторі.

Модульний Web3 AI важко реалізувати з єдиним плануванням уваги. По-перше, механізм уваги залежить від єдиного простору Query-Key-Value, тоді як незалежні API повертають дані в різних форматах і розподілах, що унеможливлює формування інтерактивних Q/K/V. По-друге, Web3 AI не має можливостей для паралельного, багатоканального динамічного зважування, що ускладнює моделювання справжнього механізму уваги, де всі позиції або всі модальності оцінюються одночасно і потім інтегруються.

Поверхневе злиття ознак

Характеристики Web3 AI залишаються на поверхневій стадії статичної інтеграції. Передумовою динамічної інтеграції характеристик є високорозмірний простір та точний механізм уваги, коли ці умови не можуть бути виконані, інтеграція характеристик природно не може досягти бажаної продуктивності.

Web2 AI схиляється до енд-то-енд спільного навчання, одночасно обробляючи мультимодальні характеристики в одному високорозмірному просторі, спільно оптимізуючи через шари уваги та злиття разом з шарами нижнього рівня. Порівняно, Web3 AI більше використовує підхід дискретного з'єднання модулів, що не має єдиної цільової навчальної мети та перехресного потоку градієнтів між модулями.

Бар'єри в AI-індустрії та можливості Web3

Бар'єри в AI-індустрії поглиблюються, але можливості Web3 AI ще не справді з'явилися. Багатомодальна система Web2 AI є надзвичайно масштабним інженерним проектом, що потребує величезних обсягів даних, потужних обчислювальних ресурсів та висококваліфікованих команд фахівців. Ця системна робота всього ланцюга та повного стеку створює надзвичайно сильні бар'єри в індустрії.

Основні переваги Web3 AI полягають у децентралізації, а його еволюційний шлях проявляється у високій паралельності, низькій зв'язності та сумісності гетерогенних обчислювальних потужностей. Це робить Web3 AI більш вигідним у таких сценаріях, як крайові обчислення, що підходять для легковагових структур, легкого паралелізму та завдань, що можуть бути стимульовані.

Проте справжня можливість Web3 AI, можливо, з'явиться лише тоді, коли вигоди Web2 AI зникнуть, залишивши очевидні проблеми. До цього часу проекти Web3 AI повинні обережно обирати точки входу, застосовуючи стратегію "села оточують місто", починаючи з периферійних сценаріїв, поступово накопичуючи ресурси та досвід.

Успішні проекти Web3 AI повинні бути здатні постійно ітеруватися та оновлюватися в умовах маломасштабних застосувань, зберігаючи достатню гнучкість для адаптації до різних сценаріїв і швидко наближаючись до цільового ринку. Проекти, які надто залежать від інфраструктури або мають занадто громіздку мережеву архітектуру, можуть стикатися з ризиком бути викинутими на узбіччя.