مناقشة اتجاهات واستراتيجيات تطوير Web3 AI

سعر سهم إنفيديا يصل إلى أعلى مستوى له على الإطلاق، وقد عمق تقدم النماذج متعددة الوسائط من الحواجز التقنية للذكاء الاصطناعي في Web2. من المحاذاة الدلالية إلى الفهم البصري، ومن التضمين عالي الأبعاد إلى دمج الميزات، تقوم النماذج المعقدة بدمج طرق التعبير المختلفة بسرعة غير مسبوقة، مما يبني مرتفعات ذكاء اصطناعي مغلقة بشكل متزايد. رد فعل سوق الأسهم الأمريكي كان إيجابيا، حيث حققت أسهم العملات والأسهم المتعلقة بالذكاء الاصطناعي أداءً جيدًا.

ومع ذلك، فإن هذه الحماسة ليست مرتبطة بشكل كبير بمجال العملات المشفرة. في الآونة الأخيرة، كانت هناك محاولات في مجال Web3 AI، وخاصة في اتجاه الوكلاء، ولكن الاتجاه يعاني من انحراف: محاولة تجميع نظام متعدد النماذج على غرار Web2 باستخدام هيكل لامركزي، وهذا في الواقع يمثل انحرافًا مزدوجًا في التكنولوجيا والتفكير. في ظل الارتباط القوي بين الوحدات وعدم استقرار توزيع الخصائص وتركز متطلبات الحوسبة، من الصعب أن يثبت النظام متعدد النماذج نفسه في Web3.

مستقبل Web3 AI لا يكمن في التقليد، بل في التحايل الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناق المعلومات في آلية الانتباه، وصولاً إلى محاذاة الخصائص تحت حسابات غير متجانسة، يحتاج Web3 AI إلى استخدام "تحييد الريف للمدينة" كإرشاد تكتيكي.

يعتمد Web3 AI على نماذج متعددة الأنماط مسطحة، مما يؤدي إلى صعوبة في محاذاة المعاني وانخفاض الأداء. تعتبر المساحة المدمجة ذات الأبعاد العالية شرطًا أساسيًا لتحقيق خفض التكاليف وزيادة الكفاءة بشكلٍ مُجزأ، ولكن بروتوكول Web3 Agent يصعب عليه تحقيق المدمج ذو الأبعاد العالية، مما يجعل التجزئة تبدو كإسقاط. معظم Web3 Agents ليست سوى تغليف لواجهات برمجة التطبيقات الجاهزة، وتفتقر إلى مساحة مدمجة مركزية موحدة وآلية انتباه عبر الوحدات، مما يجعل من المستحيل تشكيل تحسين حلقة مغلقة شاملة.

في الفضاءات ذات الأبعاد المنخفضة، من الصعب تصميم آلية الانتباه بدقة. عندما تصمم الذكاء الاصطناعي في Web2 آلية الانتباه، يكون نموذج فك التشفير Transformer هو الرائد، حيث يتمحور الأمر حول آلية Query-Key-Value. من الصعب على الذكاء الاصطناعي في Web3 تحقيق جدولة موحدة للاهتمام، بسبب نقص التمثيل المتجه المشترك، والقدرة على الوزن والتجميع المتوازي.

التجميع المعياري المنفصل يؤدي إلى بقاء دمج الميزات في مرحلة تجميع ثابتة وسطحية. يميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، بينما يعتمد الذكاء الاصطناعي في Web3 بشكل أكبر على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرجات عبر الوحدات.

تتعمق الحواجز في صناعة الذكاء الاصطناعي، لكن نقاط الألم لم تظهر بعد. إن أنظمة الذكاء الاصطناعي متعددة النماذج في الويب 2 هي مشاريع هندسية ضخمة للغاية، تحتاج إلى كميات هائلة من البيانات، وقوة حسابية كبيرة، وتدريب طويل الأمد. يشكل هذا حاجزًا قويًا في الصناعة، لكنه يترك أيضًا فرصًا لتطوير الذكاء الاصطناعي في الويب 3 في المستقبل.

يجب أن يتطور Web3 AI باستخدام تكتيك "محاصرة المدن من الريف"، من خلال اختبار صغير النطاق في السيناريوهات الطرفية، في انتظار ظهور فرص السيناريوهات الأساسية. تتمثل ميزة Web3 AI في عدم المركزية، مما يجعله مناسبًا للمهام الخفيفة، سهلة التوازي، والقابلة للتحفيز، مثل ضبط LoRA، والتدريب بعد محاذاة السلوك، ومعالجة البيانات الجماعية وغيرها.

لا تزال الحواجز في Web2 AI في مرحلة التكوين الأولية، ويجب على Web3 AI اختيار نقاط الدخول بعناية. ينبغي التركيز على المشاريع التي يمكن أن تتطور باستمرار في المشاهد الصغيرة وتتميز بالمرونة، لتتكيف مع الحواجز والنقاط المؤلمة المحتملة التي تتغير ديناميكيًا. قد تواجه البروتوكولات التي تعتمد بشكل مفرط على البنية التحتية أو الشبكات المعقدة خطر الإقصاء.