O progresso da tecnologia Web2 AI aprofunda as barreiras, Web3 AI deve procurar cuidadosamente uma brecha.

As ações da Nvidia atingiram novos máximos, e os avanços nos modelos multimodais aprofundaram a barreira tecnológica da IA na Web2. Desde o alinhamento semântico até a compreensão visual, desde a incorporação de alta dimensão até a fusão de características, modelos complexos estão integrando, a uma velocidade sem precedentes, várias formas de expressão, construindo uma fortaleza de IA cada vez mais fechada. O mercado acionário americano também respondeu com ações concretas, com as ações relacionadas à IA apresentando uma pequena tendência de alta.

No entanto, essa onda tem quase nenhuma relação com o campo das criptomoedas. As tentativas recentes de Web3 AI, especialmente na direção de Agent, parecem estar fora de curso: tentando montar um sistema modular multimodal estilo Web2 com uma estrutura descentralizada, na verdade é uma dupla desfasagem técnica e de pensamento. Nos dias de hoje, com uma forte acoplabilidade dos módulos, uma distribuição de características altamente instável e uma crescente concentração da demanda de poder computacional, é difícil para a modularidade multimodal se firmar no Web3.

O futuro da Web3 AI não reside na imitação, mas sim em uma abordagem estratégica e indireta. Desde o alinhamento semântico em espaços de alta dimensão, passando pela estrangulação de informações nos mecanismos de atenção, até o alinhamento de características sob computação heterogênea, a Web3 AI precisa encontrar novos caminhos.

A IA Web3 é difícil de realizar um alinhamento semântico eficaz

Nos sistemas modernos de IA multimodal Web2, "alinhamento semântico" refere-se à mapeação de informações de diferentes modalidades para o mesmo espaço semântico, permitindo que o modelo compreenda e compare os significados intrínsecos por trás desses sinais que originalmente têm formas muito distintas. Somente ao realizar um espaço de incorporação de alta dimensão é que faz sentido dividir o fluxo de trabalho em diferentes módulos para reduzir custos e aumentar a eficiência.

No entanto, o protocolo Web3 Agent é difícil de implementar em embeddings de alta dimensão. A maioria dos Web3 Agents apenas encapsula APIs prontas em módulos independentes, carecendo de um espaço de embedding centralizado e de um mecanismo de atenção entre módulos. Isso resulta na incapacidade de interagir com informações de forma multifacetada e em múltiplos níveis entre os módulos, limitando-se a um fluxo linear, demonstrando uma única funcionalidade, impossibilitando a formação de uma otimização de ciclo fechado global.

Exigir que a Web3 AI implemente um espaço de alta dimensão equivale, de certa forma, a exigir que o protocolo Agent desenvolva autonomamente todas as interfaces API envolvidas, o que contraria o seu propósito modular. Uma arquitetura de alta dimensão requer um treinamento unificado de ponta a ponta ou otimização colaborativa, enquanto a abordagem de "módulos como plugins" do Web3 Agent agrava a fragmentação, resultando em um aumento dos custos de manutenção e limita o desempenho global.

O espaço de baixa dimensão limita o design preciso do mecanismo de atenção

Modelos multimodais de alto nível requerem o design de mecanismos de atenção sofisticados. O mecanismo de atenção é essencialmente uma forma de alocação dinâmica de recursos computacionais, permitindo que o modelo "foque" de forma seletiva nas partes mais relevantes ao processar uma determinada entrada modal.

No entanto, é difícil implementar uma programação de atenção unificada em uma IA Web3 baseada em módulos. Primeiro, o mecanismo de atenção depende de um espaço unificado de Query-Key-Value, enquanto os formatos e distribuições de dados retornados pelas APIs independentes variam, não conseguindo formar um Q/K/V interativo. Em segundo lugar, a IA Web3 carece de capacidade de ponderação dinâmica paralela e multimodal, não conseguindo simular a programação refinada que avalia simultaneamente todas as posições ou modalidades e depois combina as informações. Por fim, os módulos de IA Web3 só conseguem ver o "contexto independente" que têm quando são chamados, não havendo um contexto central compartilhado em tempo real entre si, o que impossibilita a realização de associações globais e focadas entre módulos.

A fusão de características permanece na fase de montagem estática superficial

Na IA do Web2, a fusão de características é uma combinação adicional de vetores de características obtidos após o processamento de diferentes modalidades, com base no alinhamento e na atenção, para serem utilizados diretamente em tarefas posteriores. Os métodos de fusão podem variar desde a simples concatenação e soma ponderada até técnicas mais complexas como a pooling bilinear, decomposição de tensores e até mesmo técnicas de roteamento dinâmico.

Web3 AI adota mais a abordagem de montagem de módulos discretos, encapsulando vários APIs como agentes independentes e simplesmente combinando os rótulos, valores ou alertas de limite que cada um deles produz, sendo a decisão final feita pela lógica principal ou manualmente. Este método carece de um objetivo de treinamento unificado e não tem fluxo de gradiente entre os módulos.

A IA Web2 mapeia todas as características de modalidades em um espaço de alta dimensão com milhares de dimensões, e o processo de fusão inclui várias operações de interação de alta ordem, capazes de capturar associações complexas e profundas entre modalidades. Em comparação, as saídas dos diferentes agentes da IA Web3 geralmente contêm apenas alguns campos ou indicadores-chave, com dimensões de características extremamente baixas, quase incapazes de expressar informações complexas e sutis.

As barreiras da indústria de IA tornam-se mais profundas, a IA Web3 deve procurar cuidadosamente por pontos de ruptura.

O sistema multimodal de IA Web2 é um projeto de engenharia extremamente grande, que requer grandes volumes de dados, poder computacional robusto, algoritmos avançados e implementações de engenharia complexas. Esse trabalho sistemático, de ponta a ponta, exige altos níveis de financiamento, dados, poder computacional, talento e até mesmo colaboração organizacional, constituindo uma barreira de entrada muito forte para a indústria.

A Web3 AI precisa se desenvolver com a tática de "o campo cercando a cidade", realizando testes em pequena escala em cenários periféricos, garantindo que a base seja sólida antes de esperar pela aparição de cenários centrais. O núcleo da Web3 AI reside na descentralização, e seu caminho evolutivo se manifesta como alta paralelização, baixo acoplamento e compatibilidade com computação heterogênea. Isso torna a Web3 AI mais vantajosa em cenários como computação de borda, adequada para estruturas leves, tarefas de fácil paralelização e que podem ser incentivadas.

No entanto, as barreiras atuais da IA Web2 estão apenas começando a se formar, sendo esta uma fase inicial da competição entre as principais empresas. A IA Web3 precisa esperar que os benefícios da IA Web2 desapareçam, deixando para trás pontos de dor, para então encontrar uma oportunidade de entrada. Antes disso, os projetos de IA Web3 precisam discernir cuidadosamente se podem entrar pela margem, se podem atualizar continuamente os produtos em pequenos cenários e se possuem flexibilidade suficiente para se adaptar às demandas de mercado em constante mudança. Apenas atendendo a essas condições, os projetos de IA Web3 poderão estabelecer-se no mercado futuro.