Недавний рост акций Nvidia на рынке вновь достиг рекорда, что отражает технологические достижения многомодальных AI моделей, углубляющих барьеры Web2 AI. От семантической согласованности до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения модальностей, создавая все более закрытую вершину AI.
По сравнению с этим, недавние попытки Web3 AI, особенно исследования в направлении Агентов, имеют определенные проблемы с направлением. Попытка собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле сталкивается с несоответствием технологий и мышления. В условиях сильной взаимосвязанности модулей, нестабильного распределения признаков и сосредоточенного спроса на вычислительные мощности, многомодульная модульная система в Web3 трудно будет закрепиться.
Будущее развития Web3 AI, возможно, требует нового подхода. От семантической выравнивания в высокоразмерном пространстве до обработки информации в механизме внимания и выравнивания признаков при гетерогенной вычислительной мощности, Web3 AI может потребовать принятия разных стратегий для решения проблем.
Технические проблемы, с которыми сталкивается Web3 AI
В Web3 AI имеются трудности с реализацией высокоразмерного встраиваемого пространства. Традиционные высокоразмерные встраивания требуют, чтобы все подсистемы были согласованы в представлении данных и процессах принятия решений, дополняя друг друга. Однако большинство Web3 Agent просто упаковывают готовые API в независимые модули, не имея единого центрального встраиваемого пространства и межмодульного механизма внимания, что приводит к тому, что информация не может взаимодействовать между модулями под разными углами и на разных уровнях, она может проходить лишь по линейному конвейеру, проявляя лишь одну функцию и не способствуя формированию общей оптимизации замкнутого цикла.
В дизайне механизма внимания Web3 AI также сталкивается с проблемами. Механизм внимания требует единого пространства Query-Key-Value, все входные характеристики должны быть проецированы в одно и то же пространство высоких размерностей. Однако независимые API возвращают данные в разных форматах и с разными распределениями, отсутствует единый слой встраивания, что затрудняет создание интерактивных Q/K/V. Кроме того, в режиме API каждый модуль может видеть только независимый контекст, отсутствует центральный контекст для обмена в реальном времени, что не позволяет реализовать глобальную связь и фокусировку между модулями.
В области слияния признаков Web3 AI в настоящее время в основном находится на стадии простого слияния. Web2 AI склонен к совместному обучению от конца до конца, одновременно обрабатывая многомодальные признаки в одном высокоразмерном пространстве, оптимизируя совместно с помощью слоев внимания и слоев слияния для слоев нижнего уровня. В то время как Web3 AI чаще использует дискретное слияние модулей, ему не хватает единой цели обучения и межмодульного потока градиентов, что затрудняет захват глубоких и сложных кросс-модальных связей.
Потенциальные направления развития Web3 AI
Несмотря на вызовы, у Web3 AI по-прежнему есть потенциальное пространство для развития. Его ключевое преимущество заключается в децентрализации, а эволюционный путь проявляется в высокой параллельности, низкой связанности и совместимости гетерогенной вычислительной мощности. Это делает Web3 AI более выгодным в определенных сценариях, таких как:
Граничные вычисления: подходят для легковесных структур, легко параллелизуемых и стимулируемых задач
LoRA дообучение: настройка моделей с малыми масштабами и низкими ресурсными требованиями
Посттренировочные задачи по выравниванию поведения: использование децентрализованной сети для сбора разнообразных данных
Краудсорсинговая подготовка данных и аннотация: механизм стимулов способствует повышению вовлеченности
Обучение маломасштабных базовых моделей: подходит для распределенных вычислительных сред
Совместное обучение на краевых устройствах: полное использование распределенных вычислительных ресурсов
Архитектура продуктов в этих сценариях относительно легкая, дорожная карта может гибко итеративно изменяться, что более соответствует характеристикам Web3 AI.
Рекомендации по стратегии развития
Для проектов Web3 AI можно рассмотреть следующие стратегии:
Погружение на краю: начните с небольших рынков или сцен с низкой силой и немного установленными рыночными условиями, постепенно накапливая ресурсы и опыт.
Соединение точки и поверхности, круговое продвижение: непрерывное обновление продукта в достаточно малом приложении.
Сохраняйте гибкость: Потенциальные барьеры Web2 AI постоянно меняются, протоколы Web3 AI должны обладать достаточной гибкостью, чтобы быстро адаптироваться к различным сценариям.
Избегайте чрезмерной зависимости от инфраструктуры: слишком крупная сеть может повлиять на адаптивность, следует поддерживать легковесность.
Обратите внимание на потенциальные болевые точки: внимательно следите за возможными болевыми точками в процессе развития Web2 AI, чтобы подготовиться к будущему входу.
Дифференцированное позиционирование: использовать особенности Web3, такие как децентрализация и механизмы стимулов, для создания конкурентных преимуществ в подходящих сегментах.
В целом, путь развития Web3 AI все еще требует исследования. В условиях быстрого прогресса Web2 AI проекты Web3 должны сосредоточиться на своих уникальных преимуществах, начиная с периферийных сцен и постепенно накапливая силу, чтобы быть готовыми к возможным будущим возможностям.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
9 Лайков
Награда
9
5
Поделиться
комментарий
0/400
LayerZeroHero
· 07-27 18:59
С этой технологией кажется, что это слишком далеко~
Посмотреть ОригиналОтветить0
NervousFingers
· 07-27 18:57
Кусок, который трудно глотать
Посмотреть ОригиналОтветить0
SillyWhale
· 07-27 18:55
Можешь объяснить простыми словами? Я в замешательстве.
Анализ перспектив развития Web3 AI: от технологических трудностей к потенциальным преимуществам
Перспективы и вызовы развития Web3 AI
Недавний рост акций Nvidia на рынке вновь достиг рекорда, что отражает технологические достижения многомодальных AI моделей, углубляющих барьеры Web2 AI. От семантической согласованности до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения модальностей, создавая все более закрытую вершину AI.
По сравнению с этим, недавние попытки Web3 AI, особенно исследования в направлении Агентов, имеют определенные проблемы с направлением. Попытка собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле сталкивается с несоответствием технологий и мышления. В условиях сильной взаимосвязанности модулей, нестабильного распределения признаков и сосредоточенного спроса на вычислительные мощности, многомодульная модульная система в Web3 трудно будет закрепиться.
Будущее развития Web3 AI, возможно, требует нового подхода. От семантической выравнивания в высокоразмерном пространстве до обработки информации в механизме внимания и выравнивания признаков при гетерогенной вычислительной мощности, Web3 AI может потребовать принятия разных стратегий для решения проблем.
Технические проблемы, с которыми сталкивается Web3 AI
В Web3 AI имеются трудности с реализацией высокоразмерного встраиваемого пространства. Традиционные высокоразмерные встраивания требуют, чтобы все подсистемы были согласованы в представлении данных и процессах принятия решений, дополняя друг друга. Однако большинство Web3 Agent просто упаковывают готовые API в независимые модули, не имея единого центрального встраиваемого пространства и межмодульного механизма внимания, что приводит к тому, что информация не может взаимодействовать между модулями под разными углами и на разных уровнях, она может проходить лишь по линейному конвейеру, проявляя лишь одну функцию и не способствуя формированию общей оптимизации замкнутого цикла.
В дизайне механизма внимания Web3 AI также сталкивается с проблемами. Механизм внимания требует единого пространства Query-Key-Value, все входные характеристики должны быть проецированы в одно и то же пространство высоких размерностей. Однако независимые API возвращают данные в разных форматах и с разными распределениями, отсутствует единый слой встраивания, что затрудняет создание интерактивных Q/K/V. Кроме того, в режиме API каждый модуль может видеть только независимый контекст, отсутствует центральный контекст для обмена в реальном времени, что не позволяет реализовать глобальную связь и фокусировку между модулями.
В области слияния признаков Web3 AI в настоящее время в основном находится на стадии простого слияния. Web2 AI склонен к совместному обучению от конца до конца, одновременно обрабатывая многомодальные признаки в одном высокоразмерном пространстве, оптимизируя совместно с помощью слоев внимания и слоев слияния для слоев нижнего уровня. В то время как Web3 AI чаще использует дискретное слияние модулей, ему не хватает единой цели обучения и межмодульного потока градиентов, что затрудняет захват глубоких и сложных кросс-модальных связей.
Потенциальные направления развития Web3 AI
Несмотря на вызовы, у Web3 AI по-прежнему есть потенциальное пространство для развития. Его ключевое преимущество заключается в децентрализации, а эволюционный путь проявляется в высокой параллельности, низкой связанности и совместимости гетерогенной вычислительной мощности. Это делает Web3 AI более выгодным в определенных сценариях, таких как:
Архитектура продуктов в этих сценариях относительно легкая, дорожная карта может гибко итеративно изменяться, что более соответствует характеристикам Web3 AI.
Рекомендации по стратегии развития
Для проектов Web3 AI можно рассмотреть следующие стратегии:
Погружение на краю: начните с небольших рынков или сцен с низкой силой и немного установленными рыночными условиями, постепенно накапливая ресурсы и опыт.
Соединение точки и поверхности, круговое продвижение: непрерывное обновление продукта в достаточно малом приложении.
Сохраняйте гибкость: Потенциальные барьеры Web2 AI постоянно меняются, протоколы Web3 AI должны обладать достаточной гибкостью, чтобы быстро адаптироваться к различным сценариям.
Избегайте чрезмерной зависимости от инфраструктуры: слишком крупная сеть может повлиять на адаптивность, следует поддерживать легковесность.
Обратите внимание на потенциальные болевые точки: внимательно следите за возможными болевыми точками в процессе развития Web2 AI, чтобы подготовиться к будущему входу.
Дифференцированное позиционирование: использовать особенности Web3, такие как децентрализация и механизмы стимулов, для создания конкурентных преимуществ в подходящих сегментах.
В целом, путь развития Web3 AI все еще требует исследования. В условиях быстрого прогресса Web2 AI проекты Web3 должны сосредоточиться на своих уникальных преимуществах, начиная с периферийных сцен и постепенно накапливая силу, чтобы быть готовыми к возможным будущим возможностям.