Tantangan dan Arah Masa Depan Pengembangan Web3 AI

Harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal semakin memperdalam batasan teknologi AI Web2. Dari penyelarasan 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 puncak AI yang semakin tertutup. Pasar saham AS juga memberikan pengakuan melalui tindakan nyata, baik saham terkait cryptocurrency maupun saham AI, semuanya menunjukkan gelombang pasar bullish kecil.

Namun, gelombang ini tampaknya tidak banyak terkait dengan bidang cryptocurrency. Upaya terbaru di bidang Web3 AI, terutama eksplorasi arah Agent, menunjukkan penyimpangan yang signifikan: mencoba merakit sistem modular multimodal bergaya Web2 dengan struktur desentralisasi, yang sebenarnya merupakan kesalahan ganda dalam teknologi dan pemikiran. Dalam kondisi di mana modularitas sangat kuat, distribusi fitur sangat tidak stabil, dan kebutuhan komputasi semakin terpusat, modularitas multimodal sulit untuk berdiri di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada tiruan sederhana, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, sampai penyelarasan fitur di bawah komputasi heterogen, Web3 AI perlu mengambil strategi taktis "desa mengepung kota."

Web3 AI berbasis model multimodal datar, ketidakselarasan semantik menyebabkan kinerja rendah

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" adalah memetakan informasi dari berbagai modal ke dalam ruang semantik yang sama, sehingga model dapat memahami dan membandingkan makna mendalam di balik sinyal-sinyal yang awalnya berbeda bentuk ini. Ruang embedding berdimensi tinggi adalah kunci untuk mencapai tujuan ini.

Namun, protokol Web3 Agent sulit untuk mewujudkan embedding berdimensi tinggi. Sebagian besar Web3 Agent hanya membungkus API siap pakai masing-masing menjadi "Agent" independen, kurang memiliki ruang embedding pusat yang terintegrasi dan mekanisme perhatian lintas modul. Ini mengakibatkan informasi tidak dapat berinteraksi secara multi-perspektif dan multi-level antar modul, hanya dapat beroperasi sesuai jalur linier, menunjukkan fungsi tunggal, dan tidak mampu membentuk optimasi siklus tertutup secara keseluruhan.

Untuk mewujudkan agen cerdas dengan batasan industri yang lengkap, diperlukan pemodelan kolaboratif dari ujung ke ujung, penyatuan embedding antar modul, serta rekayasa sistematis untuk pelatihan dan penerapan kolaboratif agar dapat mengatasi hambatan. Namun saat ini, pasar belum menunjukkan permintaan seperti itu.

Dalam ruang berdimensi rendah, mekanisme perhatian tidak dapat dirancang dengan presisi.

Model multimodal tingkat tinggi memerlukan mekanisme perhatian yang dirancang dengan cermat. Mekanisme perhatian pada dasarnya adalah cara untuk secara dinamis mengalokasikan sumber daya komputasi, memungkinkan model untuk "fokus" pada bagian yang paling relevan saat memproses input dari satu modal.

Web2 AI dalam merancang mekanisme perhatian, ide intinya adalah ketika memproses urutan, memberikan "bobot perhatian" secara dinamis untuk setiap elemen, sehingga dapat memfokuskan pada informasi yang paling relevan. Desain ini dengan cerdik menggabungkan "interaksi global" dengan "kompleksitas yang dapat dikendalikan."

Namun, Web3 AI yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam. Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, sementara format dan distribusi data yang dikembalikan oleh API independen berbeda-beda. Kedua, arsitektur modular dari Web3 AI kurang memiliki kemampuan pembobotan dinamis paralel dan multi-jalur, sehingga tidak dapat mensimulasikan penjadwalan halus dalam mekanisme perhatian. Terakhir, kurangnya konteks pusat yang dapat dibagikan secara real-time antar modul menghambat pencapaian keterkaitan dan fokus global antar modul.

Modularisasi yang diskret menyebabkan penggabungan fitur terhenti pada penyambungan statis yang dangkal.

"Penggabungan Fitur" adalah kombinasi lebih lanjut dari vektor fitur yang diperoleh setelah memproses berbagai modal berdasarkan penyelarasan dan perhatian, untuk digunakan langsung dalam tugas hilir. Web3 AI saat ini berada di tahap penyambungan paling sederhana, karena prasyarat penggabungan fitur dinamis — ruang berdimensi tinggi dan mekanisme perhatian yang presisi — tidak dapat dipenuhi.

Web2 AI cenderung untuk pelatihan bersama end-to-end, memproses fitur multimodal secara bersamaan dalam ruang dimensi tinggi, dan berkolaborasi dengan lapisan perhatian dan lapisan penggabungan untuk mengoptimalkan lapisan tugas hilir. Sebaliknya, Web3 AI lebih banyak menggunakan pendekatan penyambungan modul diskret, yang kurang memiliki tujuan pelatihan yang terpadu dan aliran gradien lintas modul.

Proses penggabungan fitur Web2 AI mencakup berbagai operasi interaksi tingkat tinggi seperti penggabungan vektor, penjumlahan, dan pooling bilinear, yang dapat menangkap hubungan lintas moda yang dalam dan kompleks. Sementara itu, output dari berbagai Agen Web3 AI sering kali hanya berisi beberapa bidang atau indikator kunci, dengan dimensi fitur yang sangat rendah, sulit untuk mengekspresikan informasi lintas moda yang halus.

Hambatan industri AI semakin dalam, tetapi titik sakit belum terlihat

Sistem multimodal Web2 AI adalah proyek rekayasa yang sangat besar, memerlukan data dalam jumlah besar, kekuatan komputasi yang kuat, algoritma canggih, dan implementasi rekayasa yang kompleks. Ini menciptakan hambatan industri yang sangat kuat dan juga membentuk daya saing inti dari beberapa tim terkemuka.

Web3 AI harus mengadopsi strategi taktis "desa mengepung kota", dengan melakukan percobaan skala kecil di skenario tepi, memastikan dasar yang kuat sebelum menunggu munculnya skenario inti. Keunggulan Web3 AI terletak pada desentralisasi, cocok untuk struktur ringan, tugas yang mudah diparalelkan dan dapat diinsentifkan, seperti fine-tuning LoRA, tugas pelatihan ulang yang selaras dengan perilaku, pelatihan dan penandaan data crowdsourced, pelatihan model dasar kecil, serta pelatihan kolaboratif pada perangkat tepi.

Namun, pada tahap ini, batasan Web2 AI baru mulai terbentuk, ini adalah tahap awal persaingan antara perusahaan-perusahaan terkemuka. Hanya ketika keuntungan dari Web2 AI hampir habis, titik-titik sakit yang ditinggalkannya akan menjadi kesempatan bagi Web3 AI untuk masuk. Sebelum itu, proyek Web3 AI perlu memilih titik masuk dengan hati-hati, memastikan dapat terus mengiterasi dan memperbarui produk dalam skenario kecil, serta menjaga fleksibilitas yang cukup untuk beradaptasi dengan permintaan pasar yang terus berubah.