Прогрес технологій Web2 у сфері штучного інтелекту поглиблює бар'єри, Web3 AI повинен обережно шукати точки прориву

Акції NVIDIA знову досягли рекордного рівня, а прогрес мультимодальних моделей поглибив технологічний бар'єр Web2 AI. Від семантичної уніфікації до візуального розуміння, від високорозмірних вбудувань до злиття ознак, складні моделі інтегрують різні способи вираження з небаченою швидкістю, створюючи все більш закриту вершину AI. Ринок акцій США також відреагував на це конкретними діями, акції, пов'язані з AI, продемонстрували невелике бичаче зростання.

Проте, цей бум майже не пов'язаний з криптовалютною сферою. Нещодавні спроби Web3 AI, особливо в напрямку Agent, здаються відхиленими: намагаючись зібрати багатомодульну систему у стилі Web2 за допомогою децентралізованої структури, це насправді є подвійним невідповідністю як технології, так і мислення. У сьогоднішніх умовах, коли модульна зв'язність є надзвичайно сильною, розподіл ознак є надзвичайно нестабільним, а потреби в обчислювальних потужностях все більше централізуються, багатомодульність у Web3 важко знайти.

Майбутнє Web3 AI не в імітації, а в стратегічному обході. Від семантичного вирівнювання у високих вимірах, до інформаційних вузьких місць у механізмі уваги, до вирівнювання ознак при неоднорідній обробці, Web3 AI потребує нових підходів.

Web3 AI важко досягти ефективної семантичної відповідності

У сучасних системах Web2 AI з мультимодальними можливостями "семантична вирівнювання" означає відображення інформації з різних модальностей в одне семантичне простір, що дозволяє моделі розуміти та порівнювати внутрішній зміст цих сигналів, які спочатку мають зовсім різні форми. Лише за умови реалізації високорозмірного вбудованого простору розділення робочого процесу на різні модулі має сенс для зниження витрат та підвищення ефективності.

Однак, реалізація високодименсійного вкладу у протоколі Web3 Agent є складною. Більшість Web3 Agent просто упаковують готові API в окремі модулі, відсутня єдина центральна вбудована область і механізм уваги між модулями. Це призводить до того, що інформація не може взаємодіяти між модулями з різних кутів та на різних рівнях, а може лише рухатися по лінійній конвеєрній схемі, проявляючи єдину функцію, і не може сформувати загальне замкнуте оптимізоване коло.

Вимога до Web3 AI реалізувати високорозмірний простір, фактично рівнозначно вимозі до протоколу Agent самостійно розробити всі залучені API інтерфейси, що суперечить його початковій меті модульності. Високорозмірна архітектура вимагає єдиного навчання від початку до кінця або спільної оптимізації, тоді як підхід Web3 Agent «модуль є плагіном» насправді посилює фрагментацію, що призводить до зростання витрат на обслуговування та обмеження загальної продуктивності.

Низьковимірний простір обмежує точний дизайн механізму уваги

Високоякісні багатомодальні моделі потребують розробки складних механізмів уваги. Механізм уваги по суті є способом динамічного розподілу обчислювальних ресурсів, який дозволяє моделі при обробці певного модального вводу вибірково "зосереджуватися" на найрелевантніших частинах.

Однак, модульна Web3 AI важко реалізувати єдине управління увагою. По-перше, механізм уваги залежить від єдиного простору Query-Key-Value, тоді як незалежні API повертають дані в різних форматах і розподілах, що не дозволяє сформувати інтерактивні Q/K/V. По-друге, Web3 AI не має можливостей для паралельного, багатоканального динамічного вагового оцінювання, не може змоделювати таке тонке управління, яке відбувається в механізмі уваги, коли оцінюється одночасно кожна позиція або модальність, а потім відбувається їх об'єднання. Нарешті, модулі Web3 AI можуть бачити лише "незалежний" контекст, коли їх викликають, і між собою не мають реального часу спільного центрального контексту, що унеможливлює досягнення глобальної асоціації та фокусування між модулями.

Злиття ознак залишається на поверхневому етапі статичного з'єднання

У Web2 AI злиття ознак базується на вирівнюванні та увазі, об'єднуючи отримані векторні ознаки з різних модальностей після їх обробки для безпосереднього використання в наступних завданнях. Методи злиття можуть варіюватися від простого з'єднання, зваженого підсумовування до складних дволінійних пулингових, тензорних розкладів або навіть динамічних технологій маршрутизації.

Web3 AI більше використовує підхід з дискретним модульним з'єднанням, упаковуючи різні API в незалежні агенти, а потім просто комбінуючи їхні вихідні мітки, значення або порогові сигнали тривоги, приймаючи комплексні рішення через основну логіку або вручну. Такий підхід не має єдиної цільової тренування, а також відсутня градієнтна течія між модулями.

Web2 AI відображає всі модальні особливості в тисячах вимірів високого виміру, а процес злиття включає в себе різні вищі інтерактивні операції, здатні захоплювати глибокі, складні міжмодальні зв'язки. У порівнянні з цим, виходи різних агентів Web3 AI зазвичай містять лише кілька ключових полів або показників, вимірювальні особливості мають дуже низький рівень, майже не здатні виражати складну тонку інформацію.

Заглиблення бар'єрів у галузі штучного інтелекту, Web3 AI слід обережно шукати точки прориву

Багатофункціональна система Web2 AI є надзвичайно великим інженерним проєктом, який потребує величезних обсягів даних, потужних обчислень, сучасних алгоритмів та складних інженерних рішень. Таке системне рішення з повним ланцюгом і повним стеком висуває дуже високі вимоги до фінансування, даних, обчислювальної потужності, талантів та навіть організаційної співпраці, що створює дуже сильні галузеві бар'єри.

Web3 AI потрібно розвивати за тактикою "села оточують місто", спочатку проводячи маломасштабні випробування в крайових сценах, щоб забезпечити міцну основу, а потім чекати на появу основних сцен. Ядро Web3 AI полягає в децентралізації, а його шлях еволюції проявляється у високій паралельності, низькій зв'язаності та сумісності гетерогенних обчислювальних потужностей. Це надає Web3 AI переваги в сценах, таких як крайові обчислення, роблячи його придатним для легковагових структур, легкості паралелізації та заохочувальних завдань.

Однак, поточні бар'єри Web2 AI тільки починають формуватися, це рання стадія конкуренції провідних компаній. Web3 AI потрібно чекати, поки вигоди Web2 AI не зникнуть, залишаючи біль, щоб з'явилася можливість для входу. До цього моменту проєкти Web3 AI повинні уважно розглянути, чи можуть вони увійти з краю, чи можуть вони постійно оновлювати продукти в малих сценах, чи мають достатню гнучкість, щоб адаптуватися до постійно змінюваних вимог ринку. Тільки виконуючи ці умови, проєкти Web3 AI можуть мати можливість укріпитися на майбутньому ринку.