وصلت أسعار أسهم إنفيديا إلى أعلى مستوياتها على الإطلاق، حيث عمقت التقدم في النماذج متعددة الوسائط الحواجز التقنية للذكاء الاصطناعي في Web2. من محاذاة المعاني إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تقوم النماذج المعقدة بدمج طرق التعبير عن أنماط مختلفة بسرعة غير مسبوقة. ومع ذلك، يبدو أن هذه الحماسة لا علاقة لها على الإطلاق بمجال العملات المشفرة.
في الآونة الأخيرة، كان هناك محاولة في اتجاه Web3 AI، وخاصة في مجال الوكلاء، ولكن هناك سوء فهم في الاتجاه: محاولة تجميع نظام متعدد الوسائط بأسلوب Web2 من خلال هيكل لامركزي، وهذا في الواقع يمثل انحرافًا مزدوجًا في التكنولوجيا والفكر. في ظل وجود ارتباط قوي بين الوحدات، وعدم استقرار توزيع الخصائص، وزيادة الطلب على قوة الحوسبة، سيكون من الصعب أن يجد النظام متعدد الوسائط موطئ قدم له في بيئة Web3.
مستقبل الذكاء الاصطناعي في Web3 ليس في التقليد، بل في التراجع الاستراتيجي. من محاذاة المعنى في الفضاءات عالية الأبعاد، إلى اختناقات المعلومات في آلية الانتباه، وصولًا إلى محاذاة الميزات تحت القدرة الحاسوبية المتغايرة، يحتاج الذكاء الاصطناعي في Web3 إلى اتباع استراتيجية "الريف يحيط بالمدينة".
مشكلة التوافق الدلالي في Web3 AI
من الصعب تحقيق فضاء الإدماج عالي الأبعاد في بروتوكولات Web3 AI أو Agent. معظم وكلاء Web3 ليست سوى تغليف بسيط لواجهات برمجة التطبيقات الجاهزة، وتفتقر إلى فضاء إدماج مركزي موحد وآلية انتباه عبر الوحدات. وهذا يؤدي إلى عدم إمكانية تفاعل المعلومات بين الوحدات من زوايا متعددة وطبقات متعددة، مما يجعلها قادرة فقط على المعالجة وفقًا لعملية خطية، مما يصعب تشكيل تحسين حلقة مغلقة شاملة.
يتطلب تحقيق الذكاء الاصطناعي في Web3 مساحة عالية الأبعاد، وهو ما يعادل طلب بروتوكول الوكيل لتطوير جميع واجهات برمجة التطبيقات المعنية بشكل مستقل، وهذا يتعارض مع الغرض الأساسي من التعديل. تتطلب البنية عالية الأبعاد تدريبًا موحدًا من طرف إلى طرف أو تحسينًا تعاونيًا، بينما تعزز فكرة "الوحدات كملحقات" في Web3 Agent من التفكك، مما يؤدي إلى ارتفاع تكاليف الصيانة وتقليل الأداء العام.
قيود آلية الانتباه
من الصعب تحقيق جدولة انتباه موحد مع Web3 AI القائم على النماذج. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، في حين أن تنسيقات البيانات وأشكال التوزيع التي تعيدها واجهات برمجة التطبيقات المستقلة تختلف بشكل كبير، مما يجعل من المستحيل تشكيل Q/K/V قابل للتفاعل. ثانياً، يسمح الانتباه متعدد الرؤوس بالتركيز على مصادر معلومات مختلفة في وقت واحد، بينما غالبًا ما تكون واجهات برمجة التطبيقات المستقلة استدعاءات خطية، تفتقر إلى القدرة على المعالجة المتوازية ووزن ديناميكي متعدد المسارات. أخيرًا، تقوم آلية الانتباه الحقيقية بتوزيع الأوزان ديناميكيًا بناءً على السياق العام، بينما تفتقر نماذج واجهة برمجة التطبيقات إلى سياق مركزي مشترك في الوقت الحقيقي بين الوحدات.
معضلة السطحية لدمج الميزات
تتوقف خصائص الذكاء الاصطناعي في ويب 3 عند مرحلة التجميع الثابت البسيط. يميل الذكاء الاصطناعي في ويب 2 إلى التدريب المشترك من النهاية إلى النهاية، حيث يعالج في نفس الوقت ميزات متعددة النماذج في فضاء عالي الأبعاد، ويتعاون مع المهام اللاحقة من خلال طبقات التركيز وطبقات الدمج. بينما يعتمد الذكاء الاصطناعي في ويب 3 بشكل أكبر على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرجات عبر الوحدات.
تستخدم Web2 AI آلية الانتباه لضبط استراتيجيات الدمج بشكل ديناميكي، بينما تعتمد Web3 AI غالبًا على أوزان ثابتة أو قواعد بسيطة للتقييم. تقوم Web2 AI بإجراء عمليات تفاعلية معقدة في فضاء عالي الأبعاد، لالتقاط علاقات عميقة، بينما تكون أبعاد مخرجات وكيل Web3 AI أقل، مما يجعل من الصعب التعبير عن معلومات دقيقة. بالإضافة إلى ذلك، تحقق Web2 AI تحسينًا مغلقًا من خلال ردود الفعل من النهاية إلى النهاية، بينما تعتمد Web3 AI بشكل أكبر على التقييم اليدوي لضبط المعلمات.
الحواجز في صناعة الذكاء الاصطناعي وفرص Web3
لقد أصبحت أنظمة الذكاء الاصطناعي متعددة النماذج في Web2 مشروعًا هندسيًا ضخمًا للغاية، يتطلب كميات هائلة من البيانات، وقدرات حسابية قوية، وخوارزميات متقدمة، ونظام هندسي متكامل. وهذا يشكل حواجز صناعية قوية، مما يخلق القدرة التنافسية الأساسية لعدد قليل من الفرق الرائدة.
يجب أن يتطور Web3 AI باستخدام استراتيجية "الريف يحيط بالمدينة". تكمن ميزته الأساسية في اللامركزية، مما يتجلى في التوازي العالي، والترابط المنخفض، وتوافق القدرة الحوسبية المتنوعة. وهذا يجعل Web3 AI أكثر فائدة في سيناريوهات مثل الحوسبة الطرفية، حيث يكون مناسبًا للهياكل خفيفة الوزن، والمهام التي يمكن توازيها وتحفيزها، مثل ضبط LoRA الدقيق، وتدريب ما بعد محاذاة السلوك، ومعالجة البيانات الجماعية، وتدريب نماذج أساسية صغيرة.
ومع ذلك، فإن حواجز Web2 AI قد بدأت للتو في التكون، حيث أن AI المعقدة متعددة الوسائط في مرحلة التقدم. يحتاج Web3 AI إلى انتظار زوال فوائد Web2 AI لتحديد نقاط الألم المتبقية، ليتمكن من العثور على فرصة الدخول الحقيقية. قبل ذلك، ينبغي لمشاريع Web3 AI اختيار بروتوكولات ذات إمكانيات "التطويق الريفي للمدينة" بحذر، والدخول من مشاهد الهامش، وتجميع الموارد والخبرات تدريجياً. يجب أن تكون مشاريع Web3 AI الناجحة قادرة على التكرار باستمرار في مشاهد التطبيقات الصغيرة، مع الحفاظ على المرونة للتكيف مع مشاهد مختلفة، والقدرة على الاقتراب سريعًا من السوق المستهدفة.
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.
مأزق Web3 AI والانفراج: من المحاذاة عالية الأبعاد إلى استراتيجيات اللامركزية
معضلة Web3 AI والاتجاهات المستقبلية
وصلت أسعار أسهم إنفيديا إلى أعلى مستوياتها على الإطلاق، حيث عمقت التقدم في النماذج متعددة الوسائط الحواجز التقنية للذكاء الاصطناعي في Web2. من محاذاة المعاني إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تقوم النماذج المعقدة بدمج طرق التعبير عن أنماط مختلفة بسرعة غير مسبوقة. ومع ذلك، يبدو أن هذه الحماسة لا علاقة لها على الإطلاق بمجال العملات المشفرة.
في الآونة الأخيرة، كان هناك محاولة في اتجاه Web3 AI، وخاصة في مجال الوكلاء، ولكن هناك سوء فهم في الاتجاه: محاولة تجميع نظام متعدد الوسائط بأسلوب Web2 من خلال هيكل لامركزي، وهذا في الواقع يمثل انحرافًا مزدوجًا في التكنولوجيا والفكر. في ظل وجود ارتباط قوي بين الوحدات، وعدم استقرار توزيع الخصائص، وزيادة الطلب على قوة الحوسبة، سيكون من الصعب أن يجد النظام متعدد الوسائط موطئ قدم له في بيئة Web3.
مستقبل الذكاء الاصطناعي في Web3 ليس في التقليد، بل في التراجع الاستراتيجي. من محاذاة المعنى في الفضاءات عالية الأبعاد، إلى اختناقات المعلومات في آلية الانتباه، وصولًا إلى محاذاة الميزات تحت القدرة الحاسوبية المتغايرة، يحتاج الذكاء الاصطناعي في Web3 إلى اتباع استراتيجية "الريف يحيط بالمدينة".
مشكلة التوافق الدلالي في Web3 AI
من الصعب تحقيق فضاء الإدماج عالي الأبعاد في بروتوكولات Web3 AI أو Agent. معظم وكلاء Web3 ليست سوى تغليف بسيط لواجهات برمجة التطبيقات الجاهزة، وتفتقر إلى فضاء إدماج مركزي موحد وآلية انتباه عبر الوحدات. وهذا يؤدي إلى عدم إمكانية تفاعل المعلومات بين الوحدات من زوايا متعددة وطبقات متعددة، مما يجعلها قادرة فقط على المعالجة وفقًا لعملية خطية، مما يصعب تشكيل تحسين حلقة مغلقة شاملة.
يتطلب تحقيق الذكاء الاصطناعي في Web3 مساحة عالية الأبعاد، وهو ما يعادل طلب بروتوكول الوكيل لتطوير جميع واجهات برمجة التطبيقات المعنية بشكل مستقل، وهذا يتعارض مع الغرض الأساسي من التعديل. تتطلب البنية عالية الأبعاد تدريبًا موحدًا من طرف إلى طرف أو تحسينًا تعاونيًا، بينما تعزز فكرة "الوحدات كملحقات" في Web3 Agent من التفكك، مما يؤدي إلى ارتفاع تكاليف الصيانة وتقليل الأداء العام.
قيود آلية الانتباه
من الصعب تحقيق جدولة انتباه موحد مع Web3 AI القائم على النماذج. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، في حين أن تنسيقات البيانات وأشكال التوزيع التي تعيدها واجهات برمجة التطبيقات المستقلة تختلف بشكل كبير، مما يجعل من المستحيل تشكيل Q/K/V قابل للتفاعل. ثانياً، يسمح الانتباه متعدد الرؤوس بالتركيز على مصادر معلومات مختلفة في وقت واحد، بينما غالبًا ما تكون واجهات برمجة التطبيقات المستقلة استدعاءات خطية، تفتقر إلى القدرة على المعالجة المتوازية ووزن ديناميكي متعدد المسارات. أخيرًا، تقوم آلية الانتباه الحقيقية بتوزيع الأوزان ديناميكيًا بناءً على السياق العام، بينما تفتقر نماذج واجهة برمجة التطبيقات إلى سياق مركزي مشترك في الوقت الحقيقي بين الوحدات.
معضلة السطحية لدمج الميزات
تتوقف خصائص الذكاء الاصطناعي في ويب 3 عند مرحلة التجميع الثابت البسيط. يميل الذكاء الاصطناعي في ويب 2 إلى التدريب المشترك من النهاية إلى النهاية، حيث يعالج في نفس الوقت ميزات متعددة النماذج في فضاء عالي الأبعاد، ويتعاون مع المهام اللاحقة من خلال طبقات التركيز وطبقات الدمج. بينما يعتمد الذكاء الاصطناعي في ويب 3 بشكل أكبر على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرجات عبر الوحدات.
تستخدم Web2 AI آلية الانتباه لضبط استراتيجيات الدمج بشكل ديناميكي، بينما تعتمد Web3 AI غالبًا على أوزان ثابتة أو قواعد بسيطة للتقييم. تقوم Web2 AI بإجراء عمليات تفاعلية معقدة في فضاء عالي الأبعاد، لالتقاط علاقات عميقة، بينما تكون أبعاد مخرجات وكيل Web3 AI أقل، مما يجعل من الصعب التعبير عن معلومات دقيقة. بالإضافة إلى ذلك، تحقق Web2 AI تحسينًا مغلقًا من خلال ردود الفعل من النهاية إلى النهاية، بينما تعتمد Web3 AI بشكل أكبر على التقييم اليدوي لضبط المعلمات.
الحواجز في صناعة الذكاء الاصطناعي وفرص Web3
لقد أصبحت أنظمة الذكاء الاصطناعي متعددة النماذج في Web2 مشروعًا هندسيًا ضخمًا للغاية، يتطلب كميات هائلة من البيانات، وقدرات حسابية قوية، وخوارزميات متقدمة، ونظام هندسي متكامل. وهذا يشكل حواجز صناعية قوية، مما يخلق القدرة التنافسية الأساسية لعدد قليل من الفرق الرائدة.
يجب أن يتطور Web3 AI باستخدام استراتيجية "الريف يحيط بالمدينة". تكمن ميزته الأساسية في اللامركزية، مما يتجلى في التوازي العالي، والترابط المنخفض، وتوافق القدرة الحوسبية المتنوعة. وهذا يجعل Web3 AI أكثر فائدة في سيناريوهات مثل الحوسبة الطرفية، حيث يكون مناسبًا للهياكل خفيفة الوزن، والمهام التي يمكن توازيها وتحفيزها، مثل ضبط LoRA الدقيق، وتدريب ما بعد محاذاة السلوك، ومعالجة البيانات الجماعية، وتدريب نماذج أساسية صغيرة.
ومع ذلك، فإن حواجز Web2 AI قد بدأت للتو في التكون، حيث أن AI المعقدة متعددة الوسائط في مرحلة التقدم. يحتاج Web3 AI إلى انتظار زوال فوائد Web2 AI لتحديد نقاط الألم المتبقية، ليتمكن من العثور على فرصة الدخول الحقيقية. قبل ذلك، ينبغي لمشاريع Web3 AI اختيار بروتوكولات ذات إمكانيات "التطويق الريفي للمدينة" بحذر، والدخول من مشاهد الهامش، وتجميع الموارد والخبرات تدريجياً. يجب أن تكون مشاريع Web3 AI الناجحة قادرة على التكرار باستمرار في مشاهد التطبيقات الصغيرة، مع الحفاظ على المرونة للتكيف مع مشاهد مختلفة، والقدرة على الاقتراب سريعًا من السوق المستهدفة.