Kemajuan teknologi AI Web2 memperdalam batasan, AI Web3 perlu hati-hati mencari titik terobosan

Harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal telah memperdalam penghalang teknologi AI Web2. Dari penyelarasan semantik hingga pemahaman visual, dari penyisipan dimensi tinggi hingga penggabungan fitur, model yang kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya, membangun sebuah puncak AI yang semakin tertutup. Pasar saham AS juga merespons dengan tindakan nyata, saham terkait AI mengalami gelombang bull kecil.

Namun, gelombang ini hampir tidak ada hubungannya dengan bidang cryptocurrency. Upaya terbaru di Web3 AI, terutama eksplorasi arah Agent, tampaknya mengalami penyimpangan: mencoba merakit sistem modulasi multimodal ala Web2 dengan struktur desentralisasi, yang sebenarnya merupakan kesalahan pemikiran dan teknis ganda. Di tengah tingginya kekuatan penggabungan modul, distribusi fitur yang sangat tidak stabil, dan kebutuhan daya komputasi yang semakin terkonsentrasi, modulasi multimodal sulit untuk berdiri di Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang berdimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu menemukan jalan baru.

Web3 AI sulit untuk mencapai penyelarasan semantik yang efektif

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" mengacu pada pemetaan informasi dari berbagai modal ke dalam ruang semantik yang sama, sehingga model dapat memahami dan membandingkan makna mendasar di balik sinyal yang pada awalnya berbeda bentuk. Hanya dengan mencapai ruang penyematan berdimensi tinggi, membagi alur kerja menjadi berbagai modul menjadi berarti dalam mengurangi biaya dan meningkatkan efisiensi.

Namun, protokol Web3 Agent sulit untuk mewujudkan penyematan dimensi tinggi. Sebagian besar Web3 Agent hanya mengemas API yang ada menjadi modul independen, kurang memiliki ruang penyematan pusat yang terintegrasi dan mekanisme perhatian lintas modul. Hal ini menyebabkan informasi tidak dapat berinteraksi secara multiaspek dan multilapis antar modul, hanya bisa melalui jalur linier, menunjukkan fungsi tunggal, dan tidak dapat membentuk optimasi siklus tertutup secara keseluruhan.

Meminta Web3 AI untuk mencapai ruang berdimensi tinggi sama dengan meminta protokol Agent untuk mengembangkan semua antarmuka API yang terlibat secara mandiri, yang bertentangan dengan tujuan modularitasnya. Arsitektur berdimensi tinggi memerlukan pelatihan end-to-end yang seragam atau optimasi kolaboratif, sedangkan pemikiran "modul sebagai plugin" dari Web3 Agent justru memperburuk fragmentasi, menyebabkan biaya pemeliharaan meroket, dan kinerja keseluruhan terbatas.

Ruang berdimensi rendah membatasi desain presisi mekanisme perhatian

Model multimodal tingkat tinggi memerlukan desain mekanisme perhatian yang cermat. Mekanisme perhatian pada dasarnya adalah cara untuk secara dinamis mendistribusikan sumber daya komputasi, yang memungkinkan model untuk "memfokuskan" pada bagian yang paling relevan saat memproses input dari suatu modal.

Namun, Web3 AI berbasis modular sulit untuk mencapai penjadwalan perhatian yang terintegrasi. Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, sementara format dan distribusi data yang dikembalikan oleh API independen bervariasi, sehingga tidak dapat membentuk Q/K/V yang dapat diinteraksikan. Kedua, Web3 AI kurang memiliki kemampuan penimbangan dinamis multi-jalur dan paralel, sehingga tidak dapat mensimulasikan penjadwalan halus yang menilai semua posisi atau semua modal secara bersamaan, lalu menggabungkannya dalam mekanisme perhatian. Terakhir, modul Web3 AI hanya dapat melihat konteks "independen" saat dipanggil, tanpa adanya konteks pusat yang dibagikan secara real-time di antara satu sama lain, sehingga tidak dapat mencapai hubungan global dan fokus antar modul.

Fusi fitur terhenti pada tahap penyambungan statis yang dangkal

Dalam Web2 AI, penggabungan fitur adalah kombinasi lebih lanjut dari vektor fitur yang diperoleh dari pemrosesan berbagai modal berdasarkan penyelarasan dan perhatian, untuk digunakan langsung dalam tugas hilir. Metode penggabungan dapat bervariasi dari penyambungan sederhana, penjumlahan berbobot, hingga teknik yang lebih kompleks seperti pooling bilinearity, dekomposisi tensor, bahkan teknik routing dinamis.

Web3 AI lebih banyak menggunakan pendekatan penyambungan modul diskrit, mengemas berbagai API menjadi Agen independen, dan kemudian menyusun label, nilai, atau peringatan ambang yang dihasilkan oleh masing-masing secara sederhana, dengan keputusan komprehensif yang dilakukan oleh logika utama atau manusia. Pendekatan ini baik kurang memiliki tujuan pelatihan yang seragam, maupun tidak adanya aliran gradien antar modul.

Web2 AI memetakan semua fitur modal ke ruang berdimensi tinggi ribuan dimensi, proses penggabungan mencakup berbagai interaksi tingkat tinggi, mampu menangkap keterkaitan lintas modal yang mendalam dan kompleks. Sebaliknya, keluaran masing-masing Agen Web3 AI seringkali hanya mengandung beberapa bidang atau indikator kunci, dimensi fitur sangat rendah, hampir tidak dapat mengekspresikan informasi halus yang kompleks.

Hambatan di industri AI semakin dalam, Web3 AI perlu hati-hati dalam mencari celah

Sistem multimodal AI Web2 adalah proyek rekayasa yang sangat besar, membutuhkan data dalam jumlah besar, kekuatan komputasi yang kuat, algoritma canggih, dan implementasi rekayasa yang kompleks. Pekerjaan sistematis yang mencakup seluruh rantai dan seluruh tumpukan seperti ini memiliki tuntutan yang sangat tinggi terhadap dana, data, kekuatan komputasi, talenta, dan bahkan kolaborasi organisasi, membentuk penghalang industri yang sangat kuat.

Web3 AI perlu berkembang dengan taktik "desa mengepung kota", melakukan percobaan kecil di skenario tepi, memastikan fondasi yang kuat sebelum menunggu munculnya skenario inti. Inti dari Web3 AI adalah desentralisasi, dan jalur evolusinya tercermin dalam kompatibilitas paralel tinggi, pengikatan rendah, dan kekuatan komputasi heterogen. Ini membuat Web3 AI lebih unggul di skenario seperti komputasi tepi, cocok untuk struktur ringan, tugas yang mudah diparalelkan, dan dapat diinsentif.

Namun, batasan AI Web2 saat ini baru mulai terbentuk, ini adalah tahap awal kompetisi antara perusahaan-perusahaan besar. AI Web3 perlu menunggu hingga keuntungan AI Web2 hampir habis, dan hanya tersisa titik-titik sakit sebagai peluang untuk masuk. Sebelum itu, proyek AI Web3 perlu dengan hati-hati menentukan apakah mereka dapat masuk dari pinggiran, apakah mereka dapat terus mengiterasi dan memperbarui produk dalam skenario kecil, dan apakah mereka memiliki fleksibilitas yang cukup untuk beradaptasi dengan permintaan pasar yang terus berubah. Hanya dengan memenuhi syarat-syarat ini, proyek AI Web3 mungkin memiliki peluang untuk berdiri kokoh di pasar di masa depan.