Обсуждение трудностей развития Web3 AI и будущих направлений

Акции Nvidia продолжают расти, устанавливая новые рекорды, что отражает признание рынка прогресса в технологии многомодальных моделей. В области Web2 AI создаются все более высокие технические барьеры: от семантической согласованности до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели интегрируют различные способы выражения с поразительной скоростью. Тем не менее, эта волна, похоже, совершенно не связана с областью криптовалют.

Недавние попытки в области Web3 AI, особенно в направлении агентов, могут быть ошибочными. Попытка собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является двойным несоответствием в технологиях и мышлении. В текущей среде, где модули сильно взаимосвязаны, распределение признаков крайне нестабильно, а потребность в вычислительных мощностях все больше концентрируется, многомодульная модульная система в Web3 трудно найдет свое место.

Будущее Web3 AI не должно ограничиваться имитацией, а должно принимать стратегические обходные пути. От семантического выравнивания в высокоразмерных пространствах до информационных узких мест в механизмах внимания и выравнивания признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо переосмыслить свой путь развития.

Вызовы семантической согласованности, с которыми сталкивается Web3 AI

В современных мультимодальных системах Web2 AI "семантическое выравнивание" является ключевой технологией, позволяющей отображать информацию различных модальностей в одно семантическое пространство. Это позволяет моделям понимать и сравнивать внутренние значения сигналов, которые сильно различаются по форме. Однако протокол Web3 Agent трудно реализовать в высокоразмерных вложениях, что приводит к невозможности выравнивания семантики.

В низкоразмерном пространстве различные сигналы "сжимаются" друг с другом, что приводит к частым путаницам модели при поиске или классификации и снижению точности. На этапе генерации стратегии трудно уловить тонкие различия, легко пропустить ключевые торговые сигналы или ошибочно оценить порог риска. Сотрудничество между модулями становится сложным, каждый агент действует самостоятельно, создавая информационные острова. В условиях сложных рыночных сценариев низкоразмерная структура не может вместить многопоточные данные, что влияет на стабильность и масштабируемость системы.

Для реализации интеллектуального агента с барьерами для входа в отрасль необходимо начать с совместного моделирования от конца до конца, единого встраивания между модулями, а также систематического подхода к совместному обучению и развертыванию. Однако в настоящее время рынок не имеет четкого запроса на это.

Ограничения механизмов внимания в низкоразмерном пространстве

Высокоуровневые мультимодальные модели требуют тщательно спроектированных механизмов внимания. Механизм внимания — это способ динамического распределения вычислительных ресурсов, который позволяет модели выборочно "сосредотачиваться" на наиболее релевантных частях при обработке входных данных определенной модальности.

Однако на основе модульного Web3 AI трудно достичь единого распределения внимания. Основные причины включают: отсутствие единого пространства Query-Key-Value, что делает невозможным формирование интерактивных Q/K/V; нехватка возможностей для параллельного и многопоточного динамического взвешивания; отсутствие централизованного контекста для реального времени между модулями, что делает невозможным глобальную связь и фокусировку между модулями.

Поверхностные проблемы слияния признаков

Web3 AI находится на простом статическом этапе слияния признаков. Это в основном связано с тем, что предварительные условия для динамического слияния признаков — высокоразмерное пространство и точный механизм внимания — не могут быть выполнены.

Web2 AI склонен к совместному обучению от начала до конца, обрабатывая многомодальные признаки в одном высокоразмерном пространстве, оптимизируя совместно с помощью слоев внимания и слияния на уровне задач. В отличие от этого, Web3 AI чаще использует дискретные модули, не имея единой цели обучения и потока градиентов между модулями.

Web2 AI может в реальном времени вычислять важность признаков на основе контекста и динамически настраивать стратегии слияния. Web3 AI, как правило, использует предустановленные веса или простые правила, что делает его менее гибким. В плане признаков и выразительности Web3 AI также сложно сравниваться с Web2 AI.

Углубление барьеров в AI-индустрии и перспективы на будущее

Мультидисциплинарная система Web2 AI является крупным инженерным проектом, требующим огромных объемов данных, мощных вычислительных ресурсов, современных алгоритмов и сложной инженерной реализации. Это создает значительные барьеры для входа в отрасль и формирует ключевую конкурентоспособность нескольких ведущих команд.

Развитие Web3 AI должно следовать стратегии "села окружает город", начиная с периферийных сценариев. Преимущества Web3 AI заключаются в децентрализованности, высокой параллельности, низкой связываемости и совместимости гетерогенных вычислительных мощностей, что делает его подходящим для легких структур, легко параллелизуемых и вознаграждаемых задач.

Тем не менее, текущие барьеры Web2 ИИ все еще находятся на начальной стадии формирования, настоящие возможности могут появиться после исчезновения дивидендов Web2 ИИ. До этого момента проекты Web3 ИИ должны осторожно выбирать точки входа, чтобы обеспечить постоянную итерацию в небольших сценах и сохранить достаточную гибкость для адаптации к постоянно меняющейся рыночной среде.