تقدم تقنية Web2 AI يعمق الحواجز، ويجب على Web3 AI البحث عن نقاط اختراق بحذر

سعر سهم إنفيديا يسجل ارتفاعاً جديداً، التقدم في النماذج متعددة الوسائط يعمق الحواجز التقنية للذكاء الاصطناعي في ويب 2. من محاذاة المعاني إلى فهم الصور، ومن الإدماجات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج أشكال التعبير المتعددة بسرعات غير مسبوقة، مما يبني مرتفعات الذكاء الاصطناعي التي تصبح أكثر انغلاقاً. كما أن سوق الأسهم الأمريكية ردت بالفعل من خلال التحركات الفعلية، حيث شهدت الأسهم المتعلقة بالذكاء الاصطناعي موجة صغيرة من الصعود.

ومع ذلك، فإن هذه الحماسة ليس لها علاقة تذكر بمجال العملات المشفرة. في الآونة الأخيرة، كانت هناك محاولات في Web3 AI، وخاصة في استكشاف اتجاه Agent، ويبدو أن الاتجاه يعاني من انحراف: محاولة تجميع نظام نمطي متعدد الأبعاد على طراز Web2 باستخدام هيكل لا مركزي، وهو في الحقيقة نوع من عدم التوافق التقني والفكري. في ظل التداخل الكبير بين الوحدات، وعدم استقرار توزيع الميزات، وزيادة تركيز متطلبات قوة الحوسبة، من الصعب أن تجد النماذج متعددة الأبعاد مكانًا لها في Web3.

مستقبل الذكاء الاصطناعي في Web3 لا يكمن في التقليد، بل في التوجه الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى عنق الزجاجة المعلوماتية في آلية الانتباه، وصولاً إلى محاذاة الميزات تحت القدرة الحاسوبية غير المتجانسة، يحتاج الذكاء الاصطناعي في Web3 إلى اتباع مسارات جديدة.

من الصعب تحقيق محاذاة دلالية فعالة في Web3 AI

في أنظمة Web2 AI متعددة الأنماط الحديثة، تشير "محاذاة المعاني" إلى رسم معلومات الأنماط المختلفة في نفس الفضاء الدلالي، مما يمكّن النموذج من فهم ومقارنة المعاني الأساسية وراء هذه الإشارات التي كانت في الأصل مختلفة تمامًا. فقط عند تحقيق شرط الفضاء المضمن عالي الأبعاد، يصبح تقسيم سير العمل إلى وحدات مختلفة ذا معنى من حيث تقليل التكاليف وزيادة الكفاءة.

ومع ذلك، فإن بروتوكول Web3 Agent يصعب تحقيق الإدخال عالي الأبعاد. معظم وكلاء Web3 مجرد تغليف واجهات برمجة التطبيقات الجاهزة إلى وحدات مستقلة، مما يفتقر إلى مساحة إدخال مركزية موحدة وآلية انتباه عبر الوحدات. هذا يؤدي إلى عدم إمكانية تفاعل المعلومات بين الوحدات من زوايا ومستويات متعددة، ويجب أن تسير في خط أنابيب خطي، مما يظهر وظيفة واحدة، ولا يمكن أن يشكل تحسينًا مغلقًا كليًا.

يتطلب تحقيق Web3 AI في الفضاء عالي الأبعاد، ما يعادل بشكل غير مباشر طلب تطوير جميع واجهات برمجة التطبيقات المعنية من قبل بروتوكول الوكيل بنفسه، وهو ما يتعارض مع الفكرة الأصلية للتجزئة. يتطلب الهيكل عالي الأبعاد تدريبًا موحدًا من النهاية إلى النهاية أو تحسينًا متعاونًا، بينما يعزز مفهوم "الوحدة هي الإضافة" لوكلاء Web3 من التجزئة، مما يؤدي إلى ارتفاع تكاليف الصيانة، مما يقيد الأداء الكلي.

المساحة ذات الأبعاد المنخفضة تحد من التصميم الدقيق لآلية الانتباه

تتطلب النماذج متعددة الوسائط ذات المستوى العالي تصميم آليات انتباه دقيقة. آلية الانتباه هي في جوهرها وسيلة لتوزيع موارد الحساب بشكل ديناميكي، مما يسمح للنموذج بالتركيز بشكل انتقائي على الأجزاء الأكثر صلة عند معالجة إدخال من نوع معين.

ومع ذلك، فإن Web3 AI القائم على النمذجة من الصعب تحقيق جدولة انتباه موحدة. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، بينما تختلف تنسيقات البيانات والتوزيع التي ترجعها واجهات برمجة التطبيقات المستقلة، مما يجعل من المستحيل تشكيل Q/K/V قابلة للتفاعل. ثانياً، تفتقر Web3 AI إلى القدرة على التوازي، والوزن الديناميكي المتعدد المسارات، ولا يمكنها محاكاة الجدولة الدقيقة التي يتم من خلالها تقييم جميع المواضع أو جميع الأنماط في آن واحد. أخيراً، يمكن لوحدات Web3 AI فقط رؤية "السياق المستقل" عند استدعائها، ولا يوجد سياق مركزي مشترك في الوقت الحقيقي بينها، مما يجعل من المستحيل تحقيق الارتباط والتركيز العالمي عبر الوحدات.

دمج الميزات لا يزال في مرحلة التركيب الثابت السطحي

في Web2 AI، يتم دمج الميزات على أساس المحاذاة والانتباه، حيث يتم دمج متجهات الميزات التي تم معالجتها من أوضاع مختلفة بشكل أكبر لاستخدامها مباشرة في المهام اللاحقة. يمكن أن تتراوح طرق الدمج من التوصيل البسيط، وجمع الأوزان، إلى تقنيات أكثر تعقيداً مثل التجميع الثنائي الخطي، وتحليل الموتر، وحتى تقنيات التوجيه الديناميكي.

تعتمد Web3 AI بشكل أكبر على أسلوب تجميع الوحدات المنفصلة، حيث يتم تجميع أنواع مختلفة من واجهات برمجة التطبيقات في وكلاء مستقلين، ثم يتم تجميع العلامات والقيم أو تنبيهات العتبة التي ينتجها كل منهم ببساطة، ويتم اتخاذ القرار الشامل بواسطة المنطق الرئيسي أو الإنسان. هذه الطريقة تفتقر إلى هدف تدريب موحد، ولا يوجد تدفق تدريجي عبر الوحدات.

تقوم Web2 AI برسم جميع ميزات الوضعيات إلى فضاء عالي الأبعاد يتكون من آلاف الأبعاد، حيث تشمل عملية الدمج العديد من العمليات التفاعلية عالية المستوى، مما يمكنها من التقاط الارتباطات المعقدة والعميقة عبر الوضعيات. بالمقابل، فإن مخرجات وكلاء Web3 AI غالباً ما تحتوي فقط على بعض الحقول أو المؤشرات الرئيسية، مما يعني أن أبعاد الميزات منخفضة للغاية، مما يجعل من الصعب التعبير عن المعلومات المعقدة والدقيقة.

تعمق الحواجز في صناعة الذكاء الاصطناعي، ويجب على Web3 AI توخي الحذر في البحث عن نقاط الاختراق

نظام Web2 AI متعدد النماذج هو مشروع هندسي ضخم للغاية، يتطلب كميات هائلة من البيانات، وقوة حسابية قوية، وخوارزميات متقدمة، وتنفيذ هندسي معقد. يتطلب هذا العمل النظامي الشامل، المتكامل على جميع المستويات، متطلبات عالية جداً من حيث التمويل، والبيانات، وقوة الحوسبة، والموهبة، وحتى التعاون التنظيمي، مما يشكل حاجزاً قوياً جداً في الصناعة.

تحتاج Web3 AI إلى تطويرها باستخدام استراتيجية "الريف يحيط بالمدينة"، من خلال التجارب الصغيرة في مشاهد الأطراف، والتأكد من أن الأساس متين قبل الانتظار لظهور المشاهد الأساسية. تكمن جوهر Web3 AI في اللامركزية، ويظهر مسار تطورها في التوافق العالي التوازي، وانخفاض الترابط، وقابلية التعامل مع القوة الحوسبية المتنوعة. وهذا يجعل Web3 AI أكثر ميزة في مشاهد الحوسبة الطرفية، حيث تناسب الهياكل الخفيفة، والمهام التي يسهل تنفيذها وتحفيزها.

ومع ذلك، فإن الحواجز الحالية للذكاء الاصطناعي في Web2 قد بدأت للتو في التشكيل، وهذه هي المرحلة المبكرة من المنافسة بين الشركات الرائدة. يحتاج ذكاء Web3 الاصطناعي إلى الانتظار حتى تختفي فوائد Web2 الاصطناعي تمامًا، تاركًا نقاط الألم لتكون فرصة للدخول. قبل ذلك، تحتاج مشاريع Web3 AI إلى التمييز بعناية ما إذا كانت تستطيع الدخول من الهامش، وما إذا كانت تستطيع تحديث منتجاتها بشكل مستمر في مشاهد صغيرة، وما إذا كانت تمتلك المرونة الكافية للتكيف مع احتياجات السوق المتغيرة باستمرار. فقط من خلال تلبية هذه الشروط، قد تتمكن مشاريع Web3 AI من الثبات في السوق المستقبلية.