Discussion sur les défis du développement de l'IA Web3 et les orientations futures

Le prix des actions d'NVIDIA continue d'augmenter, atteignant de nouveaux sommets, ce qui reflète la reconnaissance par le marché des progrès technologiques dans les modèles multimodaux. Le domaine de l'IA Web2 construit des barrières techniques de plus en plus élevées, allant de l'alignement sémantique à la compréhension visuelle, de l'intégration en haute dimension à la fusion des caractéristiques, des modèles complexes intègrent à une vitesse incroyable diverses manières d'expression. Cependant, cette vague semble être complètement déconnectée du domaine des cryptomonnaies.

Récemment, les essais dans le domaine de l'IA Web3, en particulier dans la direction des agents, pourraient être biaisés. Essayer d'assembler un système modulaire multimodal de style Web2 avec une structure décentralisée représente en réalité un double décalage technique et de pensée. Dans un environnement où le couplage des modules est extrêmement fort, la distribution des caractéristiques est hautement instable et la demande en puissance de calcul devient de plus en plus centralisée, il est difficile pour le modulaire multimodal de s'établir dans le Web3.

L'avenir de l'IA Web3 ne devrait pas se limiter à l'imitation, mais nécessiter des détours stratégiques. De l'alignement sémantique dans des espaces de haute dimension, aux goulets d'étranglement d'information dans les mécanismes d'attention, jusqu'à l'alignement des caractéristiques sous des puissances de calcul hétérogènes, l'IA Web3 doit repenser son chemin de développement.

Les défis d'alignement sémantique auxquels est confronté Web3 AI

Dans les systèmes multimodaux AI Web2 modernes, "l'alignement sémantique" est une technologie clé qui permet de mapper des informations de différentes modalités dans un même espace sémantique. Cela permet au modèle de comprendre et de comparer les significations sous-jacentes de signaux très différents. Cependant, le protocole Web3 Agent a du mal à réaliser des embeddings de haute dimension, ce qui empêche l'alignement sémantique.

Dans un espace de faible dimension, différents signaux se "compressent" mutuellement, ce qui entraîne une confusion fréquente lors de la recherche ou de la classification, et une diminution de la précision. La phase de génération de stratégie a du mal à capturer les différences subtiles, ce qui fait qu'il est facile de manquer des signaux de transaction clés ou de mal évaluer les seuils de risque. La collaboration entre modules devient difficile, chaque agent agissant de manière autonome, formant ainsi des îlots d'information. Face à des scénarios de marché complexes, la structure de faible dimension a du mal à supporter des données multi-sources, affectant la stabilité et l'évolutivité du système.

Pour réaliser un agent intelligent à chaîne complète avec des barrières sectorielles, il est nécessaire de partir d'une modélisation conjointe de bout en bout, d'une intégration unifiée entre les modules et d'une ingénierie systématique pour l'entraînement et le déploiement collaboratifs. Cependant, la demande du marché à cet égard n'est pas encore claire.

Les limites des mécanismes d'attention dans les espaces de faible dimension

Les modèles multimodaux de haut niveau nécessitent un mécanisme d'attention soigneusement conçu. Le mécanisme d'attention est une manière de répartir dynamiquement les ressources de calcul, permettant au modèle de "se concentrer" sélectivement sur les parties les plus pertinentes lors du traitement d'une entrée de modalité.

Cependant, il est difficile d'atteindre une planification d'attention unifiée pour l'IA Web3 basée sur des modules. Les principales raisons incluent : un manque d'espace Query-Key-Value unifié, ce qui empêche la formation de Q/K/V interactifs ; l'absence de capacité de pondération dynamique parallèle et multi-voies ; et un manque de contexte central partagé en temps réel entre les modules, ce qui empêche l'association et la focalisation globales entre les modules.

Le dilemme superficiel de la fusion des caractéristiques

Web3 AI est actuellement à un stade simple de fusion statique des caractéristiques. Cela est principalement dû à l'incapacité de satisfaire les conditions préalables à la fusion dynamique des caractéristiques, à savoir l'espace de haute dimension et un mécanisme d'attention précis.

L'IA Web2 tend à être entraînée de manière conjointe de bout en bout, traitant des caractéristiques multimodales dans le même espace de haute dimension, en optimisant de manière collaborative avec les couches de tâches en aval via des couches d'attention et de fusion. En revanche, l'IA Web3 utilise souvent des modules discrets assemblés, manquant d'un objectif d'entraînement unifié et d'un flux de gradients entre les modules.

L'IA Web2 peut calculer en temps réel l'importance des caractéristiques en fonction du contexte et ajuster dynamiquement la stratégie de fusion. L'IA Web3 utilise souvent des poids prédéfinis ou des règles simples, manquant de flexibilité. En termes de dimensions des caractéristiques et de capacité d'expression, l'IA Web3 a également du mal à rivaliser avec l'IA Web2.

Barrières d'entrée dans l'industrie de l'IA et perspectives futures

Les systèmes multimodaux de l'IA Web2 sont un vaste projet d'ingénierie nécessitant d'énormes quantités de données, une puissance de calcul importante, des algorithmes avancés et une mise en œuvre technique complexe. Cela crée des barrières industrielles très fortes et forge la compétitivité des rares équipes de tête.

Le développement de l'IA Web3 devrait adopter une stratégie de "l'enveloppement des villes par les campagnes", en entrant par des scénarios périphériques. Les avantages de l'IA Web3 résident dans sa décentralisation, son haut niveau de parallélisme, sa faible couplage et sa compatibilité avec des puissances de calcul hétérogènes, ce qui la rend adaptée aux structures légères, aux tâches facilement parallélisables et incitatives.

Cependant, les barrières actuelles de l'IA Web2 sont encore en phase de formation précoce, et de réelles opportunités pourraient se présenter après la disparition des bénéfices de l'IA Web2. D'ici là, les projets d'IA Web3 doivent choisir prudemment leurs points d'entrée, s'assurer qu'ils peuvent itérer constamment dans des scénarios à petite échelle et maintenir une flexibilité suffisante pour s'adapter à un environnement de marché en constante évolution.