Diskusi tentang Tantangan dan Arah Masa Depan Pengembangan Web3 AI

Harga saham Nvidia terus meningkat dan mencetak rekor baru, mencerminkan pengakuan pasar terhadap kemajuan teknologi model multimodal. Bidang AI Web2 sedang membangun penghalang teknologi yang semakin tinggi, dari penyelarasan semantik hingga pemahaman visual, dari嵌入 berdimensi tinggi hingga penggabungan fitur, model kompleks dengan kecepatan yang menakjubkan mengintegrasikan berbagai cara ekspresi. Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency.

Upaya terbaru dalam Web3 AI, terutama dalam arah Agent, mungkin memiliki deviasi. Mencoba merakit sistem modular multimodal ala Web2 dengan struktur terdesentralisasi sebenarnya adalah kesenjangan ganda dalam teknologi dan pemikiran. Dalam lingkungan saat ini yang memiliki keterkaitan modul yang sangat kuat, distribusi fitur yang sangat tidak stabil, dan permintaan daya komputasi yang semakin terpusat, modularitas multimodal sulit untuk berdiri di Web3.

Masa depan Web3 AI tidak seharusnya dibatasi oleh peniruan, tetapi perlu mengambil pendekatan strategis yang menyimpang. Dari penyelarasan semantik di ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah komputasi heterogen, Web3 AI perlu memikirkan kembali jalur perkembangannya.

Tantangan penyelarasan semantik yang dihadapi oleh 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. Namun, protokol Agen Web3 sulit untuk mencapai embedding berdimensi tinggi, yang mengakibatkan semantik tidak dapat diselaraskan.

Sinyal yang berbeda "tertekan" dalam ruang berdimensi rendah, menyebabkan model sering bingung saat pengambilan atau pengklasifikasian, sehingga akurasi menurun. Pada tahap penghasilan strategi, sulit untuk menangkap perbedaan halus, sehingga kunci sinyal perdagangan mungkin terlewat atau batas risiko salah diperkirakan. Koordinasi antar modul menjadi sulit, setiap Agen bertindak sendiri-sendiri, membentuk pulau informasi. Menghadapi skenario pasar yang kompleks, struktur berdimensi rendah sulit untuk menampung data multi-sumber, yang mempengaruhi stabilitas dan skalabilitas sistem.

Untuk mewujudkan agen cerdas seluruh rantai yang memiliki hambatan industri, perlu dimulai dari pemodelan bersama end-to-end, penyatuan embedding lintas modul, serta rekayasa sistematis pelatihan dan penyebaran kolaboratif. Namun, saat ini pasar belum memiliki permintaan yang jelas untuk ini.

Keterbatasan mekanisme perhatian dalam ruang berdimensi rendah

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

Namun, Web3 AI yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang terintegrasi. Alasan utamanya meliputi: kurangnya ruang Query-Key-Value yang seragam, sehingga tidak dapat membentuk Q/K/V yang dapat berinteraksi; tidak adanya kemampuan untuk pengacakan dinamis secara paralel dan multi-jalur; serta kurangnya konteks pusat yang dapat dibagikan secara real-time antar modul, sehingga tidak dapat mewujudkan keterkaitan dan fokus global antar modul.

Dilema Permukaan Fusi Fitur

Web3 AI masih berada di tahap penyambungan statis yang sederhana dalam penggabungan fitur. Ini terutama disebabkan oleh kondisi prasyarat penggabungan fitur dinamis - ruang berdimensi tinggi dan mekanisme perhatian yang cermat - yang tidak dapat dipenuhi.

AI Web2 cenderung melakukan pelatihan bersama end-to-end, memproses fitur multimodal dalam ruang berdimensi tinggi yang sama, dan melakukan optimasi kolaboratif dengan lapisan tugas hilir melalui lapisan perhatian dan lapisan penggabungan. Sebaliknya, AI Web3 lebih sering menggunakan penyambungan modul diskrit, kurang memiliki tujuan pelatihan yang terintegrasi dan aliran gradien antar modul.

Web2 AI dapat menghitung pentingnya fitur secara real-time berdasarkan konteks dan menyesuaikan strategi penggabungan secara dinamis. Web3 AI sering kali menggunakan bobot yang telah ditentukan sebelumnya atau aturan sederhana, sehingga kurang fleksibel. Dalam hal dimensi fitur dan kemampuan ekspresi, Web3 AI juga sulit dibandingkan dengan Web2 AI.

Hambatan Industri AI Makin Dalam dan Prospek Masa Depan

Sistem multimodal AI Web2 adalah proyek rekayasa besar yang memerlukan data dalam jumlah besar, kekuatan komputasi yang kuat, algoritma canggih, dan implementasi rekayasa yang kompleks. Ini menciptakan penghalang industri yang sangat kuat dan juga membentuk daya saing inti dari beberapa tim terkemuka.

Pengembangan Web3 AI harus mengambil strategi "desa mengelilingi kota", dimulai dari skenario tepi. Keunggulan Web3 AI terletak pada desentralisasi, paralel tinggi, rendah keterikatan, dan kompatibilitas daya komputasi heterogen, menjadikannya cocok untuk struktur ringan, tugas yang mudah diparalelkan, dan dapat memberikan insentif.

Namun, hambatan Web2 AI saat ini masih dalam tahap awal pembentukan, dan peluang nyata mungkin muncul setelah keuntungan Web2 AI menghilang. Sebelum itu, proyek Web3 AI perlu memilih titik masuk dengan hati-hati, memastikan dapat terus beriterasi dalam skenario berskala kecil, dan mempertahankan fleksibilitas yang cukup untuk beradaptasi dengan lingkungan pasar yang terus berubah.