Обговорення труднощів розвитку Web3 AI та майбутніх напрямків

Ціна акцій NVIDIA продовжує зростати, встановлюючи нові рекорди, що відображає визнання ринку досягнень у технології мультимодальних моделей. У сфері Web2 AI будується все більше технічних бар'єрів, від семантичного вирівнювання до візуального розуміння, від високорозмірних вбудувань до злиття ознак, складні моделі інтегрують різні способи вираження з вражаючою швидкістю. Проте ця хвиля, здається, не має жодного зв'язку з криптовалютною сферою.

Нещодавні спроби в напрямку Web3 AI, особливо в напрямку Agent, можуть мати відхилення. Намагання зібрати багатомодульну модульну систему в стилі Web2 за допомогою децентралізованої структури насправді є подвійним розривом у технологіях і мисленні. У сучасному середовищі з надзвичайно сильною взаємозалежністю модулів, високою нестабільністю розподілу ознак та зростаючими вимогами до обчислювальної потужності, багатомодульність у Web3 важко утвердитися.

Майбутнє Web3 AI не повинно обмежуватися імітацією, а має потребувати стратегічного обходу. Від семантичного вирівнювання в просторах високих вимірів, до інформаційних вузьких місць у механізмах уваги, до вирівнювання ознак у гетерогенних обчисленнях, Web3 AI потрібно переосмислити свій шлях розвитку.

Виклики семантичної узгодженості, з якими стикається Web3 AI

У сучасних багатосторонніх системах Web2 AI "семантичне вирівнювання" є ключовою технологією для відображення інформації з різних модальностей в одному семантичному просторі. Це дозволяє моделі розуміти та порівнювати внутрішній зміст сигналів, які мають різні форми. Однак, протокол Web3 Agent важко реалізувати в умовах високовимірних вкладень, що призводить до неможливості вирівнювання семантики.

У низьковимірному просторі різні сигнали "здавлюються" один з одним, що призводить до частого сплутування моделей під час пошуку або класифікації та зниження точності. На етапі генерації стратегій важко вловити тонкі відмінності, що може призвести до втрати ключових торгових сигналів або помилкової оцінки ризикових порогів. Міжмодульна співпраця стає складною, кожен агент діє самостійно, формуючи інформаційні острови. У складних ринкових умовах низьковимірна структура не може впоратися з багатоджерельними даними, що впливає на стабільність і масштабованість системи.

Щоб реалізувати повноланцюговий інтелектуальний агент з галузевими бар'єрами, необхідно почати з кінцевого моделювання, єдиного вбудовування між модулями, а також систематичного підходу до спільного навчання та розгортання. Але наразі ринок ще не чітко визначив цю потребу.

Обмеження механізму уваги в низьковимірному просторі

Високоякісні багатомодальні моделі потребують ретельно спроектованих механізмів уваги. Механізм уваги є способом динамічного розподілу обчислювальних ресурсів, що дозволяє моделі при обробці певного модульного входу вибірково "зосереджуватися" на найбільш відповідних частинах.

Однак на основі модульного Web3 AI важко реалізувати єдину увагу до планування. Основні причини включають: відсутність єдиного простору Query-Key-Value, що ускладнює формування взаємодіючих Q/K/V; відсутність можливостей паралельного та багатоканального динамічного вагового підходу; відсутність реального обміну центральним контекстом між модулями, що ускладнює глобальну асоціацію та фокусування між модулями.

Поверхневі труднощі злиття ознак

Web3 AI зупинився на простій статичній стадії злиття ознак. Це в основному пов'язано з тим, що передумови для динамічного злиття ознак — високорозмірний простір і точний механізм уваги — не можуть бути виконані.

Web2 AI схильний до об'єднаного навчання з кінця в кінець, обробляючи багатомодальні ознаки в одному високорозмірному просторі, оптимізуючи співпрацю з шарами уваги та злиття й шарами нижнього завдання. У порівнянні, Web3 AI частіше використовує дискретні модулі, які з'єднуються, не маючи єдиної цілі навчання та міжмодульного потоку градієнтів.

Web2 AI може в режимі реального часу розраховувати важливість характеристик на основі контексту, динамічно регулюючи стратегії злиття. Web3 AI, з іншого боку, часто використовує заздалегідь визначені ваги або прості правила, що робить його менш гнучким. У вимірах характеристик і виражальної здатності Web3 AI також важко порівняти з Web2 AI.

Заглиблення бар'єрів у сфері ШІ та перспективи на майбутнє

Багатомодальна система Web2 AI є великим інженерним проєктом, що потребує величезних обсягів даних, потужних обчислювальних ресурсів, сучасних алгоритмів та складної інженерної реалізації. Це створює значні бар'єри для входження в галузь і формує основну конкурентоспроможність небагатьох провідних команд.

Розвиток Web3 AI має базуватися на стратегії "села оточують місто", починаючи з периферійних сцен. Переваги Web3 AI полягають у децентралізації, високій паралельності, низькій зв'язності та сумісності гетерогенних обчислювальних потужностей, що робить його придатним для легковагових структур, простих для паралелізації та завдань, що стимулюють.

Однак нинішні бар'єри Web2 AI все ще знаходяться на початковій стадії формування, і справжні можливості можуть з'явитися після зникнення бонусів Web2 AI. До цього моменту проекти Web3 AI повинні обережно вибирати точки входу, щоб забезпечити постійне вдосконалення в умовах маломасштабних сцен і підтримувати достатню гнучкість для адаптації до постійно змінюваного ринкового середовища.