Dilema dan Arah Masa Depan Web3 AI

Harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal memperdalam batas teknologi AI Web2. Dari penyelarasan semantik hingga pemahaman visual, dari penyematan dimensi tinggi hingga penggabungan fitur, model kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya. Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency.

Upaya terbaru di Web3 AI, terutama dalam arah Agent, terdapat kesalahan arah: mencoba merakit sistem modular multimodal ala Web2 menggunakan struktur terdesentralisasi, padahal ini merupakan kesalahan ganda dari segi teknologi dan pemikiran. Dalam kondisi di mana keterkaitan modul sangat kuat, distribusi fitur sangat tidak stabil, dan kebutuhan daya komputasi semakin terkonsentrasi, modularitas multimodal sulit untuk bertahan di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu mengadopsi pedoman taktis "desa mengepung kota".

Tantangan Penyesuaian Semantik AI Web3

Web3 AI atau protokol Agent sulit untuk mewujudkan ruang embed berdimensi tinggi. Sebagian besar Web3 Agent hanya merupakan pembungkusan sederhana dari API yang sudah ada, kurang memiliki ruang embed pusat yang terintegrasi dan mekanisme perhatian antar modul yang bersatu. Ini menyebabkan informasi tidak dapat berinteraksi dari berbagai sudut pandang dan tingkat antar modul, hanya dapat diproses secara linier, sehingga sulit untuk membentuk optimasi siklus keseluruhan.

Meminta Web3 AI untuk mewujudkan ruang berdimensi tinggi sama dengan meminta protokol Agent untuk mengembangkan semua antarmuka API yang terkait secara mandiri, yang bertentangan dengan tujuan modulernya. Arsitektur berdimensi tinggi memerlukan pelatihan yang terintegrasi dari ujung ke ujung atau optimasi kolaboratif, sementara pemikiran "modul sebagai plugin" dari Web3 Agent justru memperburuk fragmentasi, menyebabkan biaya pemeliharaan melonjak, dan membatasi kinerja keseluruhan.

Keterbatasan Mekanisme Perhatian

Penjadwalan perhatian yang bersatu sulit dicapai dalam Web3 AI berbasis modular. Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, sementara format dan distribusi data yang dikembalikan oleh API independen sangat bervariasi, sehingga tidak dapat membentuk Q/K/V yang dapat saling berinteraksi. Kedua, perhatian multi-kepala memungkinkan perhatian secara paralel pada sumber informasi yang berbeda, sedangkan API independen sering kali dipanggil secara linier, kurang memiliki kemampuan berbobot dinamis secara paralel dan multi-jalur. Terakhir, mekanisme perhatian yang nyata akan secara dinamis mendistribusikan bobot berdasarkan konteks keseluruhan, sementara dalam mode API, modul-modul tidak memiliki konteks pusat yang dapat dibagikan secara real-time.

Dilema Permukaan Penggabungan Ciri

Fusi karakteristik Web3 AI masih berada pada tahap penyambungan statis yang sederhana. AI Web2 cenderung untuk pelatihan bersama end-to-end, menangani fitur multimodal secara bersamaan dalam ruang berdimensi tinggi, dan mengoptimalkan kolaborasi dengan tugas hilir melalui lapisan perhatian dan lapisan fusi. Sementara itu, AI Web3 lebih sering menggunakan penyambungan modul diskrit, kurang memiliki tujuan pelatihan yang terintegrasi dan aliran gradien antar modul.

Web2 AI menggunakan mekanisme perhatian untuk menyesuaikan strategi penggabungan secara dinamis, sementara Web3 AI sering menggunakan bobot tetap atau aturan sederhana untuk penilaian. Web2 AI melakukan operasi interaksi kompleks di ruang berdimensi tinggi, menangkap hubungan yang mendalam, sedangkan dimensi keluaran Agent Web3 AI relatif rendah, sulit untuk mengekspresikan informasi yang halus. Selain itu, Web2 AI mencapai optimisasi lingkar tertutup melalui umpan balik end-to-end, sedangkan Web3 AI lebih bergantung pada evaluasi manusia untuk penyesuaian parameter.

Hambatan Industri AI dan Peluang Web3

Sistem multimodal AI Web2 telah menjadi proyek rekayasa yang sangat besar, memerlukan data dalam jumlah besar, kekuatan komputasi yang kuat, algoritma canggih, dan sistem rekayasa yang sempurna. Ini membentuk hambatan industri yang sangat kuat, menghasilkan keunggulan kompetitif inti dari sejumlah tim terkemuka.

Web3 AI harus berkembang dengan taktik "desa mengepung kota". Keunggulan inti terletak pada desentralisasi, yang tercermin dalam paralelisme tinggi, keterikatan rendah, dan kompatibilitas kekuatan komputasi yang heterogen. Ini membuat Web3 AI lebih unggul dalam skenario seperti komputasi tepi, cocok untuk struktur ringan, tugas yang mudah diparalelkan dan dapat diinsentifkan, seperti penyetelan LoRA, pelatihan setelah penyelarasan perilaku, pemrosesan data crowdsourcing, pelatihan model dasar kecil, dan sebagainya.

Namun, batasan Web2 AI baru saja mulai terbentuk, dan AI tugas kompleks multimodal sedang dalam tahap kemajuan. Web3 AI perlu menunggu hilangnya keuntungan dari Web2 AI yang tersisa untuk menemukan peluang masuk yang sebenarnya. Sebelum itu, proyek Web3 AI perlu dengan hati-hati memilih protokol yang memiliki potensi "desa mengelilingi kota", masuk dari skenario tepi, dan secara bertahap mengumpulkan sumber daya dan pengalaman. Proyek Web3 AI yang sukses harus dapat terus berinovasi dalam skenario aplikasi kecil, mempertahankan fleksibilitas untuk menyesuaikan dengan berbagai skenario, dan dapat dengan cepat mendekati pasar target.