Акции Nvidia достигли нового рекорда, а прогресс многомодальных моделей углубил технологические барьеры Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерных внедрений до объединения признаков, сложные модели интегрируют различные способы выражения с беспрецедентной скоростью. Тем не менее, эта волна, похоже, не имеет никакого отношения к сфере криптовалют.
Недавние попытки в Web3 AI, особенно в направлении Агентов, содержат заблуждения: стремление собрать многомодульную модульную систему в стиле Web2 с использованием децентрализованной структуры на самом деле является двойным несоответствием технологий и мышления. В условиях сильной взаимосвязанности модулей, высокой нестабильности распределения характеристик и растущей концентрации вычислительной мощности, многомодульная модульная система в среде Web3 трудно устоять.
Будущее Web3 AI не в подражании, а в стратегическом обходе. От семантической согласованности в высокоразмерном пространстве до информационных узких мест в механизме внимания и далее к согласованию признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо применять тактику «обхождения города сельской местностью».
Проблема семантической согласованности в Web3 AI
Web3 AI или агентские протоколы трудно реализовать в пространстве высоких размерностей. Большинство Web3 агентов просто оборачивают готовые API, не имея единого центрального встраиваемого пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, и может обрабатываться только в линейном процессе, что затрудняет формирование общего замкнутого цикла оптимизации.
Требование к Web3 AI реализовать высокоразмерное пространство эквивалентно требованию к протоколу Agent самостоятельно разрабатывать все вовлеченные API интерфейсы, что противоречит его изначальному намерению модульности. Высокоразмерная архитектура требует единого обучения от конца до конца или совместной оптимизации, в то время как подход Web3 Agent «модуль как плагин» наоборот усугубляет фрагментацию, что приводит к росту затрат на обслуживание и ограничивает общую производительность.
Ограничения механизмов внимания
Модульная архитектура Web3 AI затрудняет реализацию единой схемы распределения внимания. Во-первых, механизм внимания зависит от единого пространства Query-Key-Value, тогда как данные, возвращаемые независимыми API, имеют различные форматы и распределения, что не позволяет сформировать интерактивные Q/K/V. Во-вторых, многоголовое внимание позволяет одновременно параллельно уделять внимание различным источникам информации, тогда как независимые API часто вызываются линейно, что лишает их параллельных возможностей и динамического взвешивания. Наконец, настоящий механизм внимания динамически распределяет веса на основе общего контекста, тогда как в модели API отсутствует реальное совместное использование центрального контекста между модулями.
Поверхностная дилемма слияния признаков
Характеристики Web3 AI остаются на простом статическом этапе склеивания. Web2 AI склонен к совместной тренировке от начала до конца, одновременно обрабатывая многомодальные признаки в высокоразмерном пространстве, оптимизируя их совместно с задачами нижнего уровня через слои внимания и слияния. В то время как Web3 AI чаще всего использует дискретные модули, склеенные вместе, что приводит к отсутствию единой цели обучения и потока градиентов между модулями.
Web2 AI использует механизм внимания для динамической настройки стратегий融合, в то время как Web3 AI часто использует фиксированные веса или простые правила для оценки. Web2 AI выполняет сложные операции взаимодействия в пространстве высокой размерности, захватывая глубинные связи, тогда как Agent Web3 AI имеет более низкие выходные размеры, что затрудняет выражение тонкой информации. Кроме того, Web2 AI достигает замкнутой оптимизации через обратную связь от конца до конца, в то время как Web3 AI в основном полагается на ручную оценку и настройку параметров.
Барьеры в AI-отрасли и возможности Web3
Мультимодальная система Web2 AI стала чрезвычайно крупным инженерным проектом, требующим огромных объемов данных, мощных вычислительных ресурсов, передовых алгоритмов и完善ной инженерной системы. Это создает сильные отраслевые барьеры и формирует核心竞争力 немногих ведущих команд.
Web3 AI должен развиваться по тактике "села окружает город". Его основное преимущество заключается в децентрализованности, что проявляется в высокой параллельности, низкой связанности и совместимости гетерогенных вычислительных мощностей. Это делает Web3 AI более выгодным в таких сценариях, как крайние вычисления, подходит для облегченной структуры, легко параллелизуемых и стимулирующих задач, таких как тонкая настройка LoRA, обучение после выравнивания поведения, обработка краудсорсинг-данных, обучение небольших базовых моделей и т.д.
Однако барьеры Web2 AI только начинают формироваться, многомодальные сложные задачи AI находятся на стадии прогресса. Web3 AI необходимо дождаться исчезновения дивидендов Web2 AI и оставшихся болевых точек, чтобы найти настоящие возможности для входа. До этого момента проекты Web3 AI должны осторожно выбирать протоколы с потенциалом "сельская местность окружает город", начиная с периферийных сценариев, постепенно накапливая ресурсы и опыт. Успешные проекты Web3 AI должны постоянно итеративно развиваться в небольших приложениях, сохранять гибкость для адаптации к различным сценариям и быстро приближаться к целевому рынку.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Web3 AI困境与突围：从高维对齐到 Децентрализация策略
Дилемма Web3 AI и будущие направления
Акции Nvidia достигли нового рекорда, а прогресс многомодальных моделей углубил технологические барьеры Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерных внедрений до объединения признаков, сложные модели интегрируют различные способы выражения с беспрецедентной скоростью. Тем не менее, эта волна, похоже, не имеет никакого отношения к сфере криптовалют.
Недавние попытки в Web3 AI, особенно в направлении Агентов, содержат заблуждения: стремление собрать многомодульную модульную систему в стиле Web2 с использованием децентрализованной структуры на самом деле является двойным несоответствием технологий и мышления. В условиях сильной взаимосвязанности модулей, высокой нестабильности распределения характеристик и растущей концентрации вычислительной мощности, многомодульная модульная система в среде Web3 трудно устоять.
Будущее Web3 AI не в подражании, а в стратегическом обходе. От семантической согласованности в высокоразмерном пространстве до информационных узких мест в механизме внимания и далее к согласованию признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо применять тактику «обхождения города сельской местностью».
Проблема семантической согласованности в Web3 AI
Web3 AI или агентские протоколы трудно реализовать в пространстве высоких размерностей. Большинство Web3 агентов просто оборачивают готовые API, не имея единого центрального встраиваемого пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, и может обрабатываться только в линейном процессе, что затрудняет формирование общего замкнутого цикла оптимизации.
Требование к Web3 AI реализовать высокоразмерное пространство эквивалентно требованию к протоколу Agent самостоятельно разрабатывать все вовлеченные API интерфейсы, что противоречит его изначальному намерению модульности. Высокоразмерная архитектура требует единого обучения от конца до конца или совместной оптимизации, в то время как подход Web3 Agent «модуль как плагин» наоборот усугубляет фрагментацию, что приводит к росту затрат на обслуживание и ограничивает общую производительность.
Ограничения механизмов внимания
Модульная архитектура Web3 AI затрудняет реализацию единой схемы распределения внимания. Во-первых, механизм внимания зависит от единого пространства Query-Key-Value, тогда как данные, возвращаемые независимыми API, имеют различные форматы и распределения, что не позволяет сформировать интерактивные Q/K/V. Во-вторых, многоголовое внимание позволяет одновременно параллельно уделять внимание различным источникам информации, тогда как независимые API часто вызываются линейно, что лишает их параллельных возможностей и динамического взвешивания. Наконец, настоящий механизм внимания динамически распределяет веса на основе общего контекста, тогда как в модели API отсутствует реальное совместное использование центрального контекста между модулями.
Поверхностная дилемма слияния признаков
Характеристики Web3 AI остаются на простом статическом этапе склеивания. Web2 AI склонен к совместной тренировке от начала до конца, одновременно обрабатывая многомодальные признаки в высокоразмерном пространстве, оптимизируя их совместно с задачами нижнего уровня через слои внимания и слияния. В то время как Web3 AI чаще всего использует дискретные модули, склеенные вместе, что приводит к отсутствию единой цели обучения и потока градиентов между модулями.
Web2 AI использует механизм внимания для динамической настройки стратегий融合, в то время как Web3 AI часто использует фиксированные веса или простые правила для оценки. Web2 AI выполняет сложные операции взаимодействия в пространстве высокой размерности, захватывая глубинные связи, тогда как Agent Web3 AI имеет более низкие выходные размеры, что затрудняет выражение тонкой информации. Кроме того, Web2 AI достигает замкнутой оптимизации через обратную связь от конца до конца, в то время как Web3 AI в основном полагается на ручную оценку и настройку параметров.
Барьеры в AI-отрасли и возможности Web3
Мультимодальная система Web2 AI стала чрезвычайно крупным инженерным проектом, требующим огромных объемов данных, мощных вычислительных ресурсов, передовых алгоритмов и完善ной инженерной системы. Это создает сильные отраслевые барьеры и формирует核心竞争力 немногих ведущих команд.
Web3 AI должен развиваться по тактике "села окружает город". Его основное преимущество заключается в децентрализованности, что проявляется в высокой параллельности, низкой связанности и совместимости гетерогенных вычислительных мощностей. Это делает Web3 AI более выгодным в таких сценариях, как крайние вычисления, подходит для облегченной структуры, легко параллелизуемых и стимулирующих задач, таких как тонкая настройка LoRA, обучение после выравнивания поведения, обработка краудсорсинг-данных, обучение небольших базовых моделей и т.д.
Однако барьеры Web2 AI только начинают формироваться, многомодальные сложные задачи AI находятся на стадии прогресса. Web3 AI необходимо дождаться исчезновения дивидендов Web2 AI и оставшихся болевых точек, чтобы найти настоящие возможности для входа. До этого момента проекты Web3 AI должны осторожно выбирать протоколы с потенциалом "сельская местность окружает город", начиная с периферийных сценариев, постепенно накапливая ресурсы и опыт. Успешные проекты Web3 AI должны постоянно итеративно развиваться в небольших приложениях, сохранять гибкость для адаптации к различным сценариям и быстро приближаться к целевому рынку.