Нещодавно ціна акцій NVIDIA на ринку знову досягла рекорду, що відображає технічний прогрес багатомодальних AI-моделей, який поглиблює бар'єри Web2 AI. Від семантичної узгодженості до візуального розуміння, від високомірних вбудувань до злиття ознак, складні моделі інтегрують різноманітні способи вираження, створюючи все більш закриту AI-екосистему.
У порівнянні з цим, недавні спроби Web3 AI, особливо в напрямку агентів, мають певні проблеми з орієнтацією. Спроба зібрати багатомодульну модульну систему у стилі Web2 на основі децентралізованої структури насправді має технічні та концептуальні розбіжності. У сьогоднішніх умовах, коли модулі мають сильну взаємозв'язок, розподіл ознак нестабільний, а потреба в обчислювальних потужностях зосереджена, багатомодульність у Web3 важко реалізувати.
Майбутній розвиток Web3 AI, можливо, вимагатиме нових підходів. Від семантичного вирівнювання у високих вимірах до обробки інформації в механізмах уваги, а також до вирівнювання ознак в умовах гетерогенної обчислювальної потужності, Web3 AI, можливо, знадобиться застосувати різні стратегії для подолання викликів.
Технологічні труднощі, з якими стикається Web3 AI
Web3 AI стикається з труднощами в реалізації високорозмірного вбудованого простору. Традиційні високорозмірні вбудування вимагають, щоб усі підсистеми були узгоджені в представленні даних і процесах прийняття рішень, взаємодоповнюючи одна одну. Але більшість Web3 агентів лише упаковують готові API в незалежні модулі, відсутній єдиний центральний вбудований простір та механізм уваги між модулями, що призводить до неможливості взаємодії інформації між модулями з різних точок зору та на різних рівнях, і вона може лише проходити через лінійний конвеєр, демонструючи єдину функцію та не здатна сформувати загальну оптимізацію замкнутого циклу.
У дизайні механізму уваги Web3 AI також стикається з викликами. Механізм уваги потребує єдиного простору Query-Key-Value, всі вхідні ознаки повинні бути відображені в одному високорозмірному векторному просторі. Але незалежні API повертають дані в різних форматах і з різними розподілами, без єдиного шару вбудовування важко створити інтерактивні Q/K/V. Крім того, у моделі API кожен модуль може бачити лише незалежний контекст, відсутня можливість реального спільного доступу до центрального контексту, що ускладнює досягнення глобальної асоціації та фокусування між модулями.
У сфері злиття ознак Web3 AI на даний момент в основному перебуває на етапі простого з'єднання. Web2 AI схильний до навчання «кінець-кінець», одночасно обробляючи мультимодальні ознаки в одному високорозмірному просторі, оптимізуючи їх спільно через шари уваги та злиття з шаром нижніх завдань. Натомість Web3 AI переважно використовує дискретні модульні з'єднання, що позбавляє єдиної навчальної мети та перехресного потоку градієнтів між модулями, що ускладнює захоплення глибоких, складних зв'язків між модальностями.
Потенційні напрямки розвитку Web3 AI
Хоча Web3 AI стикається з викликами, у нього все ще є потенціал для розвитку. Його основна перевага полягає в децентралізації, а еволюційний шлях проявляється у високій паралельності, низькій зв'язаності та сумісності гетерогенних обчислювальних потужностей. Це робить Web3 AI у певних ситуаціях потенційно більш вигідним, наприклад:
Полегшене обчислення: підходить для легких структур, простих для паралелізації та завдань, що можуть бути заохочені
LoRA налаштування: оптимізація моделі з невеликими масштабами та низькими вимогами до ресурсів
Завдання після навчання з вирівнювання поведінки: використання децентралізованої мережі для збору різноманітних даних
Краудсорсинг даних для навчання та маркування: механізм стимулювання допомагає підвищити участь
Навчання малих базових моделей: підходить для розподіленого обчислювального середовища
Спільне навчання на крайових пристроях: повне використання розподілених обчислювальних ресурсів
Архітектура продуктів у цих сценах є відносно легкою, дорожня карта може гнучко ітеративно змінюватися, що більше відповідає характеристикам Web3 AI.
Рекомендації щодо стратегії розвитку
Для проектів Web3 AI можна розглянути такі стратегії:
Маргінальне втручання: почати з малих ринків або малих сцен, де сила слабка і ринок має мало коренів, поступово накопичуючи ресурси та досвід.
Поєднання точок і площ, круговий прогрес: постійно оновлюйте продукт в достатньо малих сценаріях застосування.
Збереження гнучкості: потенційні бар'єри Web2 AI динамічно змінюються, протоколи Web3 AI повинні мати достатню гнучкість, щоб швидко адаптуватися до різних сценаріїв.
Уникайте надмірної залежності від інфраструктури: надто велика мережна архітектура може вплинути на адаптивність, слід зберігати легкість.
Зосередьте увагу на потенційних болючих точках: уважно стежте за можливими болючими точками, які можуть виникнути в процесі розвитку Web2 AI, щоб підготуватися до майбутнього входження.
Диференційоване позиціонування: використання децентралізації, механізмів стимулювання та інших характеристик Web3 для встановлення конкурентних переваг у відповідних сегментах.
Загалом, шлях розвитку Web3 AI ще потрібно досліджувати. У той час як Web2 AI швидко прогресує, проекти Web3 AI повинні зосередитися на своїх унікальних перевагах, почати з краєвих сценаріїв, поступово накопичувати сили та готуватися до можливих можливостей у майбутньому.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Аналіз перспектив розвитку Web3 AI: від технологічних труднощів до потенційних переваг
Перспективи та виклики розвитку Web3 AI
Нещодавно ціна акцій NVIDIA на ринку знову досягла рекорду, що відображає технічний прогрес багатомодальних AI-моделей, який поглиблює бар'єри Web2 AI. Від семантичної узгодженості до візуального розуміння, від високомірних вбудувань до злиття ознак, складні моделі інтегрують різноманітні способи вираження, створюючи все більш закриту AI-екосистему.
У порівнянні з цим, недавні спроби Web3 AI, особливо в напрямку агентів, мають певні проблеми з орієнтацією. Спроба зібрати багатомодульну модульну систему у стилі Web2 на основі децентралізованої структури насправді має технічні та концептуальні розбіжності. У сьогоднішніх умовах, коли модулі мають сильну взаємозв'язок, розподіл ознак нестабільний, а потреба в обчислювальних потужностях зосереджена, багатомодульність у Web3 важко реалізувати.
Майбутній розвиток Web3 AI, можливо, вимагатиме нових підходів. Від семантичного вирівнювання у високих вимірах до обробки інформації в механізмах уваги, а також до вирівнювання ознак в умовах гетерогенної обчислювальної потужності, Web3 AI, можливо, знадобиться застосувати різні стратегії для подолання викликів.
Технологічні труднощі, з якими стикається Web3 AI
Web3 AI стикається з труднощами в реалізації високорозмірного вбудованого простору. Традиційні високорозмірні вбудування вимагають, щоб усі підсистеми були узгоджені в представленні даних і процесах прийняття рішень, взаємодоповнюючи одна одну. Але більшість Web3 агентів лише упаковують готові API в незалежні модулі, відсутній єдиний центральний вбудований простір та механізм уваги між модулями, що призводить до неможливості взаємодії інформації між модулями з різних точок зору та на різних рівнях, і вона може лише проходити через лінійний конвеєр, демонструючи єдину функцію та не здатна сформувати загальну оптимізацію замкнутого циклу.
У дизайні механізму уваги Web3 AI також стикається з викликами. Механізм уваги потребує єдиного простору Query-Key-Value, всі вхідні ознаки повинні бути відображені в одному високорозмірному векторному просторі. Але незалежні API повертають дані в різних форматах і з різними розподілами, без єдиного шару вбудовування важко створити інтерактивні Q/K/V. Крім того, у моделі API кожен модуль може бачити лише незалежний контекст, відсутня можливість реального спільного доступу до центрального контексту, що ускладнює досягнення глобальної асоціації та фокусування між модулями.
У сфері злиття ознак Web3 AI на даний момент в основному перебуває на етапі простого з'єднання. Web2 AI схильний до навчання «кінець-кінець», одночасно обробляючи мультимодальні ознаки в одному високорозмірному просторі, оптимізуючи їх спільно через шари уваги та злиття з шаром нижніх завдань. Натомість Web3 AI переважно використовує дискретні модульні з'єднання, що позбавляє єдиної навчальної мети та перехресного потоку градієнтів між модулями, що ускладнює захоплення глибоких, складних зв'язків між модальностями.
Потенційні напрямки розвитку Web3 AI
Хоча Web3 AI стикається з викликами, у нього все ще є потенціал для розвитку. Його основна перевага полягає в децентралізації, а еволюційний шлях проявляється у високій паралельності, низькій зв'язаності та сумісності гетерогенних обчислювальних потужностей. Це робить Web3 AI у певних ситуаціях потенційно більш вигідним, наприклад:
Архітектура продуктів у цих сценах є відносно легкою, дорожня карта може гнучко ітеративно змінюватися, що більше відповідає характеристикам Web3 AI.
Рекомендації щодо стратегії розвитку
Для проектів Web3 AI можна розглянути такі стратегії:
Маргінальне втручання: почати з малих ринків або малих сцен, де сила слабка і ринок має мало коренів, поступово накопичуючи ресурси та досвід.
Поєднання точок і площ, круговий прогрес: постійно оновлюйте продукт в достатньо малих сценаріях застосування.
Збереження гнучкості: потенційні бар'єри Web2 AI динамічно змінюються, протоколи Web3 AI повинні мати достатню гнучкість, щоб швидко адаптуватися до різних сценаріїв.
Уникайте надмірної залежності від інфраструктури: надто велика мережна архітектура може вплинути на адаптивність, слід зберігати легкість.
Зосередьте увагу на потенційних болючих точках: уважно стежте за можливими болючими точками, які можуть виникнути в процесі розвитку Web2 AI, щоб підготуватися до майбутнього входження.
Диференційоване позиціонування: використання децентралізації, механізмів стимулювання та інших характеристик Web3 для встановлення конкурентних переваг у відповідних сегментах.
Загалом, шлях розвитку Web3 AI ще потрібно досліджувати. У той час як Web2 AI швидко прогресує, проекти Web3 AI повинні зосередитися на своїх унікальних перевагах, почати з краєвих сценаріїв, поступово накопичувати сили та готуватися до можливих можливостей у майбутньому.