شهدت أسعار أسهم إنفيديا ارتفاعًا جديدًا في السوق مؤخرًا، مما يعكس تقدم التكنولوجيا لنماذج الذكاء الاصطناعي متعددة الأنماط التي تعمق الحواجز في الذكاء الاصطناعي Web2. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير عن مختلف الأنماط، مما يبني منطقة ذكاء اصطناعي أكثر انغلاقًا.
بالمقارنة مع ذلك، فإن محاولات Web3 AI الأخيرة، وخاصة في استكشاف اتجاه الوكيل، تعاني من بعض المشكلات في الاتجاه. محاولة تجميع نظام متعدد الأنماط على نمط Web2 باستخدام هيكل لامركزي، في الواقع، تعاني من عدم التوافق في التكنولوجيا والفكر. في ظل وجود ترابط قوي بين الوحدات، وتوزيع غير مستقر للخصائص، وتركز احتياجات القدرة الحاسوبية، يصبح من الصعب على النظام متعدد الأنماط في Web3 أن يثبت وجوده.
قد تحتاج التطورات المستقبلية في Web3 AI إلى اتباع مسارات جديدة. من المحاذاة الدلالية في الفضاءات عالية الأبعاد، إلى معالجة المعلومات في آلية الانتباه، وصولاً إلى المحاذاة المميزة تحت القوى الحاسوبية المتغايرة، قد تحتاج Web3 AI إلى اتخاذ استراتيجيات مختلفة لمواجهة التحديات.
التحديات التقنية التي تواجه Web3 AI
تواجه Web3 AI صعوبات في تحقيق فضاء الإدماج عالي الأبعاد. تتطلب عمليات الإدماج التقليدية أن تتماشى جميع الأنظمة الفرعية في تمثيل البيانات وعمليات اتخاذ القرار، وأن تكمل بعضها البعض. لكن معظم وكلاء Web3 يقومون فقط بتغليف واجهات برمجة التطبيقات الجاهزة في وحدات مستقلة، مما يفتقر إلى فضاء إدماج مركزي موحد وآلية انتباه عبر الوحدات، مما يؤدي إلى عدم القدرة على تبادل المعلومات بين الوحدات من زوايا متعددة وعلى مستويات متعددة، مما يجعلها تعمل فقط كخط إنتاج خطي، وتعكس وظيفة واحدة، ولا يمكن أن تشكل تحسينًا مغلقًا كليًا.
تواجه Web3 AI أيضًا تحديات في تصميم آلية الانتباه. تتطلب آلية الانتباه مساحة موحدة لـ Query-Key-Value، ويجب أن يتم تحويل جميع الميزات المدخلة إلى نفس الفضاء متعدد الأبعاد. لكن واجهات برمجة التطبيقات المستقلة ترجع بيانات بتنسيقات وتوزيعات مختلفة، ولا توجد طبقة تضمين موحدة، مما يجعل من الصعب تشكيل Q/K/V قابلة للتفاعل. علاوة على ذلك، يمكن لكل وحدة في نمط واجهة برمجة التطبيقات رؤية سياق مستقل فقط، مما يفتقر إلى السياق المركزي الذي يتم مشاركته في الوقت الفعلي، ولا يمكن تحقيق الارتباط العالمي والتركيز عبر الوحدات.
فيما يتعلق بدمج الميزات، فإن Web3 AI حالياً لا يزال في مرحلة الدمج البسيط. تميل Web2 AI إلى التدريب المشترك من النهاية إلى النهاية، حيث تعالج ميزات متعددة النماذج في نفس الفضاء عالي الأبعاد، وتنسق التحسين مع طبقات المهام السفلية من خلال طبقات الانتباه وطبقات الدمج. بينما تعتمد Web3 AI على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرجات عبر الوحدات، مما يجعل من الصعب التقاط الروابط المعقدة والعميقة عبر النماذج.
الاتجاهات المحتملة لتطوير Web3 AI
على الرغم من التحديات، لا يزال لدى Web3 AI مساحة محتملة للتطور. تكمن ميزته الأساسية في اللامركزية، ويتجلى مسار تطوره في التوازي العالي، والترابط المنخفض، وتوافق القدرة الحاسوبية المتنوعة. وهذا يجعل Web3 AI قد يكون له مزايا أكبر في بعض السيناريوهات، مثل:
الحوسبة الطرفية: مناسبة للهياكل الخفيفة، والمهام السهلة المتوازية والتي يمكن تحفيزها
ضبط LoRA: تحسين نموذج بحجم صغير واحتياجات موارد منخفضة
مهام ما بعد التدريب المتوافقة مع السلوك: استخدام الشبكات اللامركزية لجمع بيانات متنوعة
تدريب البيانات المجمعة والتعليقات: تساعد آلية التحفيز في زيادة المشاركة
تدريب نماذج أساسية صغيرة: مناسبة لبيئات الحوسبة الموزعة
تدريب متزامن للأجهزة الطرفية: الاستفادة الكاملة من الموارد الحاسوبية الموزعة
بنية المنتجات في هذه المشاهد خفيفة نسبيًا، وخريطة الطريق يمكن أن تتطور بمرونة، مما يجعلها أكثر ملاءمة لخصائص Web3 AI.
اقتراحات استراتيجية التطوير
بالنسبة لمشاريع Web3 AI، يمكن النظر في اتخاذ الاستراتيجيات التالية:
الدخول من الأطراف: البدء من أسواق صغيرة أو مشاهد ذات وجود ضعيف في السوق، وجمع الموارد والخبرات تدريجياً.
الجمع بين النقاط والمساحات، والدفع الدائري: الاستمرار في التكرار وتحديث المنتج في سيناريو تطبيق صغير بما فيه الكفاية.
الحفاظ على المرونة: الحواجز المحتملة لـ Web2 AI تتغير ديناميكيًا، ويجب أن تكون بروتوكولات Web3 AI مرنة بما يكفي لتكييف نفسها بسرعة مع السيناريوهات المختلفة.
تجنب الاعتماد المفرط على البنية التحتية: قد تؤثر الشبكات الكبيرة جداً على التكيف، لذا يجب الحفاظ على خفة الوزن.
التركيز على نقاط الألم المحتملة: متابعة نقاط الألم التي قد تظهر خلال عملية تطوير الذكاء الاصطناعي Web2، والاستعداد للانخراط في المستقبل.
تحديد موقع مختلف: استغلال خصائص Web3 مثل اللامركزية وآليات التحفيز لبناء ميزة تنافسية في المجالات الفرعية المناسبة.
بشكل عام، لا يزال الطريق أمام تطوير الذكاء الاصطناعي في Web3 بحاجة إلى الاستكشاف. في ظل التقدم السريع للذكاء الاصطناعي في Web2، ينبغي لمشاريع الذكاء الاصطناعي في Web3 أن تركز أكثر على ميزاتها الفريدة، بدءًا من مشاهد الهامش، وتراكم القوة تدريجياً، للاستعداد للفرص المحتملة التي قد تظهر في المستقبل.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
استكشاف آفاق تطوير Web3 AI: من التحديات التقنية إلى المزايا المحتملة
آفاق وتحديات تطوير Web3 AI
شهدت أسعار أسهم إنفيديا ارتفاعًا جديدًا في السوق مؤخرًا، مما يعكس تقدم التكنولوجيا لنماذج الذكاء الاصطناعي متعددة الأنماط التي تعمق الحواجز في الذكاء الاصطناعي Web2. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير عن مختلف الأنماط، مما يبني منطقة ذكاء اصطناعي أكثر انغلاقًا.
بالمقارنة مع ذلك، فإن محاولات Web3 AI الأخيرة، وخاصة في استكشاف اتجاه الوكيل، تعاني من بعض المشكلات في الاتجاه. محاولة تجميع نظام متعدد الأنماط على نمط Web2 باستخدام هيكل لامركزي، في الواقع، تعاني من عدم التوافق في التكنولوجيا والفكر. في ظل وجود ترابط قوي بين الوحدات، وتوزيع غير مستقر للخصائص، وتركز احتياجات القدرة الحاسوبية، يصبح من الصعب على النظام متعدد الأنماط في Web3 أن يثبت وجوده.
قد تحتاج التطورات المستقبلية في Web3 AI إلى اتباع مسارات جديدة. من المحاذاة الدلالية في الفضاءات عالية الأبعاد، إلى معالجة المعلومات في آلية الانتباه، وصولاً إلى المحاذاة المميزة تحت القوى الحاسوبية المتغايرة، قد تحتاج Web3 AI إلى اتخاذ استراتيجيات مختلفة لمواجهة التحديات.
التحديات التقنية التي تواجه Web3 AI
تواجه Web3 AI صعوبات في تحقيق فضاء الإدماج عالي الأبعاد. تتطلب عمليات الإدماج التقليدية أن تتماشى جميع الأنظمة الفرعية في تمثيل البيانات وعمليات اتخاذ القرار، وأن تكمل بعضها البعض. لكن معظم وكلاء Web3 يقومون فقط بتغليف واجهات برمجة التطبيقات الجاهزة في وحدات مستقلة، مما يفتقر إلى فضاء إدماج مركزي موحد وآلية انتباه عبر الوحدات، مما يؤدي إلى عدم القدرة على تبادل المعلومات بين الوحدات من زوايا متعددة وعلى مستويات متعددة، مما يجعلها تعمل فقط كخط إنتاج خطي، وتعكس وظيفة واحدة، ولا يمكن أن تشكل تحسينًا مغلقًا كليًا.
تواجه Web3 AI أيضًا تحديات في تصميم آلية الانتباه. تتطلب آلية الانتباه مساحة موحدة لـ Query-Key-Value، ويجب أن يتم تحويل جميع الميزات المدخلة إلى نفس الفضاء متعدد الأبعاد. لكن واجهات برمجة التطبيقات المستقلة ترجع بيانات بتنسيقات وتوزيعات مختلفة، ولا توجد طبقة تضمين موحدة، مما يجعل من الصعب تشكيل Q/K/V قابلة للتفاعل. علاوة على ذلك، يمكن لكل وحدة في نمط واجهة برمجة التطبيقات رؤية سياق مستقل فقط، مما يفتقر إلى السياق المركزي الذي يتم مشاركته في الوقت الفعلي، ولا يمكن تحقيق الارتباط العالمي والتركيز عبر الوحدات.
فيما يتعلق بدمج الميزات، فإن Web3 AI حالياً لا يزال في مرحلة الدمج البسيط. تميل Web2 AI إلى التدريب المشترك من النهاية إلى النهاية، حيث تعالج ميزات متعددة النماذج في نفس الفضاء عالي الأبعاد، وتنسق التحسين مع طبقات المهام السفلية من خلال طبقات الانتباه وطبقات الدمج. بينما تعتمد Web3 AI على تجميع الوحدات المنفصلة، مما يفتقر إلى هدف تدريب موحد وتدفق تدرجات عبر الوحدات، مما يجعل من الصعب التقاط الروابط المعقدة والعميقة عبر النماذج.
الاتجاهات المحتملة لتطوير Web3 AI
على الرغم من التحديات، لا يزال لدى Web3 AI مساحة محتملة للتطور. تكمن ميزته الأساسية في اللامركزية، ويتجلى مسار تطوره في التوازي العالي، والترابط المنخفض، وتوافق القدرة الحاسوبية المتنوعة. وهذا يجعل Web3 AI قد يكون له مزايا أكبر في بعض السيناريوهات، مثل:
بنية المنتجات في هذه المشاهد خفيفة نسبيًا، وخريطة الطريق يمكن أن تتطور بمرونة، مما يجعلها أكثر ملاءمة لخصائص Web3 AI.
اقتراحات استراتيجية التطوير
بالنسبة لمشاريع Web3 AI، يمكن النظر في اتخاذ الاستراتيجيات التالية:
الدخول من الأطراف: البدء من أسواق صغيرة أو مشاهد ذات وجود ضعيف في السوق، وجمع الموارد والخبرات تدريجياً.
الجمع بين النقاط والمساحات، والدفع الدائري: الاستمرار في التكرار وتحديث المنتج في سيناريو تطبيق صغير بما فيه الكفاية.
الحفاظ على المرونة: الحواجز المحتملة لـ Web2 AI تتغير ديناميكيًا، ويجب أن تكون بروتوكولات Web3 AI مرنة بما يكفي لتكييف نفسها بسرعة مع السيناريوهات المختلفة.
تجنب الاعتماد المفرط على البنية التحتية: قد تؤثر الشبكات الكبيرة جداً على التكيف، لذا يجب الحفاظ على خفة الوزن.
التركيز على نقاط الألم المحتملة: متابعة نقاط الألم التي قد تظهر خلال عملية تطوير الذكاء الاصطناعي Web2، والاستعداد للانخراط في المستقبل.
تحديد موقع مختلف: استغلال خصائص Web3 مثل اللامركزية وآليات التحفيز لبناء ميزة تنافسية في المجالات الفرعية المناسبة.
بشكل عام، لا يزال الطريق أمام تطوير الذكاء الاصطناعي في Web3 بحاجة إلى الاستكشاف. في ظل التقدم السريع للذكاء الاصطناعي في Web2، ينبغي لمشاريع الذكاء الاصطناعي في Web3 أن تركز أكثر على ميزاتها الفريدة، بدءًا من مشاهد الهامش، وتراكم القوة تدريجياً، للاستعداد للفرص المحتملة التي قد تظهر في المستقبل.