في الآونة الأخيرة، سجلت أسهم إنفيديا ارتفاعًا جديدًا، وقد عمقت التقدم في النماذج متعددة الوسائط من الحواجز التقنية في مجال الذكاء الاصطناعي في ويب 2. من محاذاة المعاني إلى فهم الرؤية، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج أساليب التعبير المختلفة بوتيرة مذهلة، مما يبني مرتفعات ذكاء اصطناعي أكثر انغلاقًا. كما أظهرت سوق الأسهم الأمريكية من خلال الأفعال الفعلية تفاؤلها تجاه مجال الذكاء الاصطناعي، سواء كانت أسهم متعلقة بالعملات المشفرة أو أسهم الذكاء الاصطناعي، فقد شهدت جميعها موجة من السوق الصاعدة.
ومع ذلك، يبدو أن هذه الحماسة لا ترتبط بأي شكل من الأشكال بمجال العملات الرقمية. لقد لاحظنا محاولات Web3 AI، وخاصة في الأشهر القليلة الماضية في اتجاه الوكلاء، وجود انحرافات كبيرة في الاتجاه: التفكير بشكل مثالي في استخدام الهياكل اللامركزية لتجميع أنظمة متعددة النماذج على طراز Web2، هو في الواقع نوع من الانزلاق التكنولوجي والفكري. في ظل الترابط القوي بين الوحدات، وعدم استقرار توزيع الميزات، وزيادة تركيز احتياجات قوة الحوسبة، من الصعب أن تجد النماذج المتعددة مكانًا لها في بيئة Web3.
مستقبل Web3 AI لا يكمن في التقليد البسيط، بل في التحايل الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناقات المعلومات في آليات الانتباه، وصولاً إلى محاذاة الميزات تحت قوة الحوسبة غير المتجانسة، هناك تحديات هائلة في كل مرحلة.
معضلة التوافق الدلالي في Web3 AI
في أنظمة الويب 2 AI متعددة الأنماط الحديثة، يُعتبر التوافق الدلالي تقنية رئيسية لربط معلومات الأنماط المختلفة في نفس الفضاء الدلالي. وهذا يمكّن النموذج من فهم ومقارنة المعاني الكامنة وراء الإشارات المتباينة. فقط عند تحقيق فضاء تضمين عالي الأبعاد، سيكون لتقسيم سير العمل إلى وحدات مختلفة معنى في خفض التكاليف وزيادة الكفاءة.
ومع ذلك، فإن بروتوكول Web3 Agent يصعب تحقيق الإدماج العالي الأبعاد، لأن التعديل الذاتي بحد ذاته هو مجرد وهم. معظم Web3 Agents هي ببساطة تعبئة واجهات برمجة التطبيقات الجاهزة كـ "Agents" مستقلة، تفتقر إلى مساحة إدماج مركزية موحدة وآلية انتباه عبر الوحدات، مما يؤدي إلى عدم إمكانية تفاعل المعلومات بين الوحدات من زوايا متعددة وطبقات متعددة، ولا يمكن أن تسير إلا في خط أنابيب خطي، مما يظهر وظيفة واحدة فقط، ولا يمكن أن يشكل تحسينًا مغلقًا كليًا.
لتحقيق وكيل ذكي كامل السلسلة يتمتع بحواجز صناعية، يحتاج الأمر إلى نموذج مشترك من النهاية إلى النهاية، وإدماج موحد عبر الوحدات، بالإضافة إلى هندسة نظامية للتدريب والتوزيع التعاوني، ولكن السوق الحالي لا يعاني من مثل هذه النقاط المؤلمة، وبالتالي يفتقر بطبيعة الحال إلى الطلب في السوق.
قيود آلية الانتباه
تحتاج النماذج متعددة الوسائط عالية المستوى إلى آلية انتباه مصممة بدقة. آلية الانتباه هي في جوهرها طريقة لتوزيع الموارد الحسابية بشكل ديناميكي، مما يسمح للنموذج بالتركيز بشكل انتقائي على الأجزاء الأكثر صلة عند معالجة إدخال نمط معين.
ومع ذلك، فإن Web3 AI القائم على النمذجة يصعب عليه تحقيق جدولة انتباه موحدة. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، بينما تعيد واجهات برمجة التطبيقات المستقلة بيانات بتنسيقات وتوزيعات مختلفة، ولا توجد طبقة تضمين موحدة، مما يمنع تشكيل Q/K/V تفاعلي. ثانياً، غالباً ما يكون Web3 AI استدعاءً خطياً لواجهات برمجة التطبيقات، مما يفتقر إلى القدرة على المعالجة المتوازية، أو الوزن الديناميكي المتعدد المسارات، مما يمنع محاكاة الجدولة الدقيقة في آلية الانتباه. أخيراً، تقوم آلية الانتباه الحقيقية بتوزيع الوزن ديناميكياً على كل عنصر بناءً على السياق الكلي، بينما في نمط واجهة برمجة التطبيقات، لا يمكن للوحدات رؤية السياق "المستقل" الذي يتم استدعاؤها فيه، مما يمنع تحقيق الارتباط العالمي والتركيز عبر الوحدات.
معضلة السطحية في دمج الميزات
Web3 AI في دمج الميزات لا يزال في مرحلة الربط الأساسية، لأن شرط الدمج الديناميكي للميزات هو وجود مساحة عالية الأبعاد وآلية انتباه دقيقة. عندما لا تكون هذه الشروط متوفرة، فإن دمج الميزات بطبيعة الحال لا يمكن أن يصل إلى مستوى الأداء المثالي.
تميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، حيث يتم التعامل مع الميزات متعددة الأنماط في نفس الفضاء عالي الأبعاد، من خلال طبقات الانتباه وطبقات الدمج، بالتعاون مع طبقات المهام اللاحقة لتحسين الأداء بشكل مشترك. بالمقابل، يعتمد الذكاء الاصطناعي في Web3 بشكل أكبر على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرج عبر الوحدات.
حواجز صناعة الذكاء الاصطناعي وفرص Web3
تتعمق الحواجز في صناعة الذكاء الاصطناعي، لكن فرص دخول الذكاء الاصطناعي في Web3 لم تظهر بعد. ينبغي أن يتبنى الذكاء الاصطناعي في Web3 استراتيجية تطوير "الريف يحيط بالمدينة"، من خلال اختبار تجريبي صغير النطاق في السيناريوهات الطرفية، وضمان الأساس المتين، ثم الانتظار لظهور السيناريوهات الرئيسية.
تتمثل الميزة الأساسية لـ Web3 AI في اللامركزية، وتجسد مسار تطورها في التوازي العالي، والارتباط المنخفض، وتوافق القدرة الحسابية المتنوعة. وهذا يجعل Web3 AI أكثر قدرة في سيناريوهات مثل الحوسبة الطرفية، حيث تناسب الهياكل الخفيفة، والمهام السهلة المتوازية والقابلة للتحفيز، مثل ضبط LoRA، ومهام ما بعد التدريب المحاذاة السلوكية، وتدريب وتعليم البيانات عبر الحشود، وتدريب نماذج أساسية صغيرة، وكذلك التدريب التعاوني للأجهزة الطرفية.
ومع ذلك، فإن الحواجز الحالية لـ Web2 AI قد بدأت فقط في التكون، ونحتاج إلى الانتظار حتى تختفي فوائد Web2 AI تمامًا، فإن نقاط الألم التي تتركها ستكون هي الفرصة الحقيقية لاختراق Web3 AI. قبل ذلك، تحتاج مشاريع Web3 AI إلى التمييز بعناية فيما إذا كانت تمتلك إمكانيات "الريف يحيط بالمدينة"، وما إذا كانت قادرة على تحديث المنتجات بشكل مستمر في سيناريوهات صغيرة، وما إذا كانت تمتلك مرونة كافية للتكيف مع الطلبات المتغيرة في السوق. فقط عندما تستوفي هذه الشروط، سيكون لمشاريع Web3 AI فرصة للتميز في المنافسة المستقبلية.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
فرص في ظل أزمة Web3 AI: انتظار نفاد العوائد واغتنام المشاهد الهامشية
تحديات وفرص تطوير الذكاء الاصطناعي في Web3
في الآونة الأخيرة، سجلت أسهم إنفيديا ارتفاعًا جديدًا، وقد عمقت التقدم في النماذج متعددة الوسائط من الحواجز التقنية في مجال الذكاء الاصطناعي في ويب 2. من محاذاة المعاني إلى فهم الرؤية، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج أساليب التعبير المختلفة بوتيرة مذهلة، مما يبني مرتفعات ذكاء اصطناعي أكثر انغلاقًا. كما أظهرت سوق الأسهم الأمريكية من خلال الأفعال الفعلية تفاؤلها تجاه مجال الذكاء الاصطناعي، سواء كانت أسهم متعلقة بالعملات المشفرة أو أسهم الذكاء الاصطناعي، فقد شهدت جميعها موجة من السوق الصاعدة.
ومع ذلك، يبدو أن هذه الحماسة لا ترتبط بأي شكل من الأشكال بمجال العملات الرقمية. لقد لاحظنا محاولات Web3 AI، وخاصة في الأشهر القليلة الماضية في اتجاه الوكلاء، وجود انحرافات كبيرة في الاتجاه: التفكير بشكل مثالي في استخدام الهياكل اللامركزية لتجميع أنظمة متعددة النماذج على طراز Web2، هو في الواقع نوع من الانزلاق التكنولوجي والفكري. في ظل الترابط القوي بين الوحدات، وعدم استقرار توزيع الميزات، وزيادة تركيز احتياجات قوة الحوسبة، من الصعب أن تجد النماذج المتعددة مكانًا لها في بيئة Web3.
مستقبل Web3 AI لا يكمن في التقليد البسيط، بل في التحايل الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناقات المعلومات في آليات الانتباه، وصولاً إلى محاذاة الميزات تحت قوة الحوسبة غير المتجانسة، هناك تحديات هائلة في كل مرحلة.
معضلة التوافق الدلالي في Web3 AI
في أنظمة الويب 2 AI متعددة الأنماط الحديثة، يُعتبر التوافق الدلالي تقنية رئيسية لربط معلومات الأنماط المختلفة في نفس الفضاء الدلالي. وهذا يمكّن النموذج من فهم ومقارنة المعاني الكامنة وراء الإشارات المتباينة. فقط عند تحقيق فضاء تضمين عالي الأبعاد، سيكون لتقسيم سير العمل إلى وحدات مختلفة معنى في خفض التكاليف وزيادة الكفاءة.
ومع ذلك، فإن بروتوكول Web3 Agent يصعب تحقيق الإدماج العالي الأبعاد، لأن التعديل الذاتي بحد ذاته هو مجرد وهم. معظم Web3 Agents هي ببساطة تعبئة واجهات برمجة التطبيقات الجاهزة كـ "Agents" مستقلة، تفتقر إلى مساحة إدماج مركزية موحدة وآلية انتباه عبر الوحدات، مما يؤدي إلى عدم إمكانية تفاعل المعلومات بين الوحدات من زوايا متعددة وطبقات متعددة، ولا يمكن أن تسير إلا في خط أنابيب خطي، مما يظهر وظيفة واحدة فقط، ولا يمكن أن يشكل تحسينًا مغلقًا كليًا.
لتحقيق وكيل ذكي كامل السلسلة يتمتع بحواجز صناعية، يحتاج الأمر إلى نموذج مشترك من النهاية إلى النهاية، وإدماج موحد عبر الوحدات، بالإضافة إلى هندسة نظامية للتدريب والتوزيع التعاوني، ولكن السوق الحالي لا يعاني من مثل هذه النقاط المؤلمة، وبالتالي يفتقر بطبيعة الحال إلى الطلب في السوق.
قيود آلية الانتباه
تحتاج النماذج متعددة الوسائط عالية المستوى إلى آلية انتباه مصممة بدقة. آلية الانتباه هي في جوهرها طريقة لتوزيع الموارد الحسابية بشكل ديناميكي، مما يسمح للنموذج بالتركيز بشكل انتقائي على الأجزاء الأكثر صلة عند معالجة إدخال نمط معين.
ومع ذلك، فإن Web3 AI القائم على النمذجة يصعب عليه تحقيق جدولة انتباه موحدة. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، بينما تعيد واجهات برمجة التطبيقات المستقلة بيانات بتنسيقات وتوزيعات مختلفة، ولا توجد طبقة تضمين موحدة، مما يمنع تشكيل Q/K/V تفاعلي. ثانياً، غالباً ما يكون Web3 AI استدعاءً خطياً لواجهات برمجة التطبيقات، مما يفتقر إلى القدرة على المعالجة المتوازية، أو الوزن الديناميكي المتعدد المسارات، مما يمنع محاكاة الجدولة الدقيقة في آلية الانتباه. أخيراً، تقوم آلية الانتباه الحقيقية بتوزيع الوزن ديناميكياً على كل عنصر بناءً على السياق الكلي، بينما في نمط واجهة برمجة التطبيقات، لا يمكن للوحدات رؤية السياق "المستقل" الذي يتم استدعاؤها فيه، مما يمنع تحقيق الارتباط العالمي والتركيز عبر الوحدات.
معضلة السطحية في دمج الميزات
Web3 AI في دمج الميزات لا يزال في مرحلة الربط الأساسية، لأن شرط الدمج الديناميكي للميزات هو وجود مساحة عالية الأبعاد وآلية انتباه دقيقة. عندما لا تكون هذه الشروط متوفرة، فإن دمج الميزات بطبيعة الحال لا يمكن أن يصل إلى مستوى الأداء المثالي.
تميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، حيث يتم التعامل مع الميزات متعددة الأنماط في نفس الفضاء عالي الأبعاد، من خلال طبقات الانتباه وطبقات الدمج، بالتعاون مع طبقات المهام اللاحقة لتحسين الأداء بشكل مشترك. بالمقابل، يعتمد الذكاء الاصطناعي في Web3 بشكل أكبر على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرج عبر الوحدات.
حواجز صناعة الذكاء الاصطناعي وفرص Web3
تتعمق الحواجز في صناعة الذكاء الاصطناعي، لكن فرص دخول الذكاء الاصطناعي في Web3 لم تظهر بعد. ينبغي أن يتبنى الذكاء الاصطناعي في Web3 استراتيجية تطوير "الريف يحيط بالمدينة"، من خلال اختبار تجريبي صغير النطاق في السيناريوهات الطرفية، وضمان الأساس المتين، ثم الانتظار لظهور السيناريوهات الرئيسية.
تتمثل الميزة الأساسية لـ Web3 AI في اللامركزية، وتجسد مسار تطورها في التوازي العالي، والارتباط المنخفض، وتوافق القدرة الحسابية المتنوعة. وهذا يجعل Web3 AI أكثر قدرة في سيناريوهات مثل الحوسبة الطرفية، حيث تناسب الهياكل الخفيفة، والمهام السهلة المتوازية والقابلة للتحفيز، مثل ضبط LoRA، ومهام ما بعد التدريب المحاذاة السلوكية، وتدريب وتعليم البيانات عبر الحشود، وتدريب نماذج أساسية صغيرة، وكذلك التدريب التعاوني للأجهزة الطرفية.
ومع ذلك، فإن الحواجز الحالية لـ Web2 AI قد بدأت فقط في التكون، ونحتاج إلى الانتظار حتى تختفي فوائد Web2 AI تمامًا، فإن نقاط الألم التي تتركها ستكون هي الفرصة الحقيقية لاختراق Web3 AI. قبل ذلك، تحتاج مشاريع Web3 AI إلى التمييز بعناية فيما إذا كانت تمتلك إمكانيات "الريف يحيط بالمدينة"، وما إذا كانت قادرة على تحديث المنتجات بشكل مستمر في سيناريوهات صغيرة، وما إذا كانت تمتلك مرونة كافية للتكيف مع الطلبات المتغيرة في السوق. فقط عندما تستوفي هذه الشروط، سيكون لمشاريع Web3 AI فرصة للتميز في المنافسة المستقبلية.