Status Pengembangan Web3 AI dan Prospek Masa Depan

Belakangan ini, harga saham Nvidia mencetak rekor tertinggi baru, dan kemajuan model multimodal semakin memperdalam hambatan teknologi Web2 AI. Dari keselarasan semantik hingga pemahaman visual, dari embedding berdimensi tinggi hingga penggabungan fitur, model kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya, membangun sebuah wilayah AI yang semakin tertutup. Pasar saham AS juga menunjukkan pengakuan terhadap tren ini dengan tindakan nyata, baik saham terkait cryptocurrency maupun saham AI, semuanya menunjukkan gelombang pasar bullish kecil.

Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency. Apa yang kita lihat dalam upaya Web3 AI, terutama evolusi arah Agen dalam beberapa bulan terakhir, menunjukkan penyimpangan yang cukup besar: mencoba merakit sistem modular multimodal ala Web2 dengan struktur desentralisasi, yang sebenarnya merupakan kesalahan ganda dalam teknologi dan pemikiran. Dalam lingkungan saat ini yang memiliki coupling modul yang sangat kuat, distribusi fitur yang sangat tidak stabil, dan kebutuhan daya komputasi yang semakin terpusat, modularitas multimodal sulit untuk bertahan di bidang Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang dimensi tinggi, hingga kendala informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, Web3 AI perlu mengadopsi pendekatan taktis "desa mengepung kota".

Tantangan yang Dihadapi Web3 AI

Penyelarasan semantik dan嵌入 dimensi tinggi

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" adalah teknologi kunci untuk memetakan informasi dari berbagai modal ke dalam ruang semantik yang sama. Ini memerlukan ruang penyisipan berdimensi tinggi sebagai dasar untuk mencapai kolaborasi yang efektif antar modul. Namun, protokol Web3 Agent sulit untuk mencapai penyisipan berdimensi tinggi, karena mereka seringkali hanya membungkus API yang sudah ada, dan kurang memiliki ruang penyisipan pusat yang seragam serta mekanisme perhatian lintas modul.

Untuk mencapai agen cerdas seluruh rantai dengan penghalang industri, perlu dimulai dari pemodelan gabungan dari ujung ke ujung, penyatuan penyisipan lintas modul, serta rekayasa sistematis untuk pelatihan dan penyebaran kolaboratif. Namun, saat ini pasar kurang memiliki permintaan untuk hal ini, sehingga secara alami juga kekurangan solusi yang sesuai.

Keterbatasan mekanisme perhatian

Model multimodal tingkat tinggi memerlukan mekanisme perhatian yang dirancang secara cermat. AI Web2 telah membuat kemajuan signifikan dalam hal ini, seperti perhatian mandiri dan mekanisme perhatian lintas dalam Transformer. Namun, AI Web3 yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam. Ini karena mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, sedangkan format data dan distribusi yang dikembalikan oleh API independen berbeda-beda, sehingga tidak dapat membentuk Q/K/V yang dapat berinteraksi.

Fusi Ciri yang Datar

Web3 AI masih berada pada tahap penggabungan fitur statis yang sederhana. Ini karena penggabungan fitur dinamis memerlukan ruang berdimensi tinggi dan mekanisme perhatian yang cermat sebagai prasyarat. Web2 AI cenderung melakukan pelatihan bersama secara end-to-end, sementara Web3 AI lebih banyak menggunakan pendekatan penyambungan modul diskret, yang kekurangan tujuan pelatihan yang bersatu dan aliran gradien antar modul.

Hambatan Industri AI dan Peluang Masa Depan

Hambatan teknologi di industri AI semakin dalam, tetapi peluang Web3 AI belum benar-benar muncul. Keunggulan inti dari Web3 AI terletak pada desentralisasi, yang jalur evolusinya dicirikan oleh paralel tinggi, keterkaitan rendah, dan kompatibilitas kekuatan komputasi heterogen. Ini memberikan Web3 AI keunggulan lebih dalam skenario seperti komputasi tepi, cocok untuk struktur ringan, tugas yang mudah diparalelkan, dan dapat diinsentifkan.

Di masa depan, perkembangan Web3 AI seharusnya mengambil strategi "desa mengepung kota":

1. Masuk dari tepi, berdiri kokoh di skenario skala kecil.
2. Menggabungkan titik dan bidang, memajukan secara melingkar, terus-menerus memperbarui produk dalam skenario aplikasi kecil.
3. Tetap fleksibel dan mampu menyesuaikan strategi dengan cepat berdasarkan berbagai skenario.

Hanya ketika keuntungan dari Web2 AI menghilang, titik-titik sakit yang ditinggalkannya mungkin menjadi peluang masuk untuk Web3 AI. Sebelum itu, praktisi Web3 AI perlu dengan hati-hati membedakan proyek-proyek yang benar-benar memiliki potensi, dan fokus pada mereka yang dapat berkembang secara stabil di bidang tepi dan memiliki fleksibilitas yang cukup dalam protokol.