Dilema dan Peluang Pengembangan Web3 AI

Dalam beberapa waktu terakhir, harga saham NVIDIA mencapai rekor tertinggi baru, dan kemajuan model multimodal semakin memperdalam penghalang 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. Pasar saham AS juga menunjukkan optimisme terhadap bidang AI dengan tindakan nyata, baik saham terkait cryptocurrency maupun saham AI, semuanya menunjukkan gelombang kecil pasar bullish.

Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency. Upaya Web3 AI yang kami amati, terutama eksplorasi arah Agent dalam beberapa bulan terakhir, menunjukkan deviasi arah yang signifikan: terlalu idealis ingin menggunakan struktur desentralisasi untuk merakit sistem modulasi multimodal ala Web2, yang sebenarnya merupakan kesalahan ganda dalam teknologi dan pemikiran. Dalam kondisi di mana keterkaitan modul sangat kuat, distribusi fitur sangat tidak stabil, dan permintaan daya komputasi semakin terpusat, modulasi multimodal sulit untuk bertahan di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada peniruan sederhana, tetapi pada pendekatan strategis yang berputar. Dari penyelarasan semantik di ruang berdimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, hingga penyelarasan fitur di bawah kekuatan komputasi yang heterogen, setiap tahap memiliki tantangan besar.

Dilema Penyelarasan Semantik Web3 AI

Dalam sistem multimodal AI Web2 modern, penyelarasan semantik adalah teknologi kunci untuk memetakan informasi dari berbagai modal ke dalam ruang semantik yang sama. Ini memungkinkan model untuk memahami dan membandingkan makna mendasar di balik sinyal yang sangat berbeda bentuknya. Hanya dengan menciptakan ruang嵌入 dimensi tinggi, membagi alur kerja menjadi berbagai modul menjadi berarti untuk mengurangi biaya dan meningkatkan efisiensi.

Namun, protokol Web3 Agent sulit untuk mengimplementasikan embedding berdimensi tinggi, karena modularitas itu sendiri adalah sebuah ilusi. Kebanyakan Web3 Agent hanya mengemas API yang sudah ada menjadi "Agent" independen, kurangnya ruang embedding pusat yang terintegrasi dan mekanisme perhatian lintas modul, menyebabkan informasi tidak dapat berinteraksi dari berbagai sudut dan tingkat antar modul, hanya dapat mengikuti jalur linier, menunjukkan fungsi tunggal, dan tidak dapat membentuk optimasi siklus keseluruhan.

Untuk mewujudkan agen pintar dengan penghalang industri yang lengkap, diperlukan pemodelan bersama dari ujung ke ujung, penyisipan yang terintegrasi antar modul, serta rekayasa sistematis dalam pelatihan dan penyebaran kolaboratif untuk mencapai terobosan. Namun, saat ini pasar tidak memiliki titik nyeri seperti itu, sehingga secara alami juga kekurangan permintaan pasar.

Keterbatasan Mekanisme Perhatian

Model multimodal tingkat tinggi memerlukan mekanisme perhatian yang dirancang dengan cermat. Mekanisme perhatian pada dasarnya adalah cara untuk secara dinamis mengalokasikan sumber daya komputasi, yang memungkinkan model untuk "fokus" secara selektif pada bagian yang paling relevan saat memproses input dari satu modal.

Namun, Web3 AI yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam. Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, sementara API yang independen masing-masing mengembalikan data dalam format dan distribusi yang berbeda, tanpa lapisan penyisipan yang seragam, sehingga tidak dapat membentuk Q/K/V yang interaktif. Kedua, Web3 AI sering kali melakukan panggilan API secara linier, kurang memiliki kemampuan untuk pemrosesan paralel dan penguatan dinamis multi-jalur, sehingga tidak dapat mensimulasikan penjadwalan halus dalam mekanisme perhatian. Terakhir, mekanisme perhatian yang sebenarnya akan secara dinamis mendistribusikan bobot untuk setiap elemen berdasarkan konteks keseluruhan, sedangkan dalam pola API, modul hanya dapat melihat konteks "independen" saat dipanggil, sehingga tidak dapat mewujudkan keterkaitan dan fokus global antar modul.

Dilema Permukaan Penggabungan Fitur

Web3 AI masih berada di tahap penggabungan fitur yang paling sederhana, yaitu penyambungan, karena prasyarat untuk penggabungan fitur dinamis adalah ruang berdimensi tinggi dan mekanisme perhatian yang presisi. Ketika syarat-syarat ini tidak dapat dipenuhi, penggabungan fitur secara alami tidak dapat mencapai tingkat kinerja yang ideal.

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

Hambatan Industri AI dan Peluang Web3

Hambatan di industri AI semakin dalam, tetapi peluang masuk Web3 AI belum benar-benar muncul. Web3 AI harus mengambil strategi pengembangan "mengelilingi kota dari desa" dengan mencoba skala kecil di skenario tepi, memastikan dasar yang kuat sebelum menunggu munculnya skenario inti.

Keunggulan inti Web3 AI terletak pada desentralisasi, dengan jalur evolusinya yang mencerminkan paralelisme tinggi, keterikatan rendah, dan kompatibilitas daya komputasi heterogen. Ini membuat Web3 AI lebih unggul dalam skenario seperti komputasi tepi, cocok untuk struktur ringan, tugas yang mudah diparalelkan dan dapat memberi insentif, seperti fine-tuning LoRA, tugas pelatihan pasca pelatihan dengan penyelarasan perilaku, pelatihan dan penandaan data crowdsourcing, pelatihan model dasar kecil, serta pelatihan kolaboratif perangkat tepi.

Namun, hambatan AI Web2 saat ini baru mulai terbentuk, kita perlu menunggu manfaat AI Web2 benar-benar hilang, dan titik sakit yang ditinggalkannya adalah peluang nyata bagi AI Web3 untuk masuk. Sebelum itu, proyek AI Web3 perlu dengan hati-hati membedakan apakah mereka memiliki potensi "desa mengepung kota", apakah mereka dapat terus mengiterasi dan memperbarui produk dalam skenario kecil, dan apakah mereka memiliki fleksibilitas yang cukup untuk menghadapi permintaan pasar yang terus berubah. Hanya dengan memenuhi syarat-syarat ini, proyek AI Web3 memiliki kemungkinan untuk menonjol dalam persaingan di masa depan.