Недавно акции NVIDIA снова достигли рекорда, а прогресс в много-модальных моделях еще больше углубил технологический барьер Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели интегрируют различные модальные способы выражения с беспрецедентной скоростью, создавая все более закрытую вершину AI. Рынок акций США также фактически подтвердил признание этой тенденции: как акции, связанные с криптовалютой, так и акции AI демонстрируют волну небольшого бычьего рынка.
Однако этот ажиотаж, похоже, не имеет никакого отношения к сфере криптовалют. То, что мы видим в попытках Web3 AI, особенно в эволюции направления Agent за последние несколько месяцев, имеет значительное отклонение в направлении: попытка собрать многомодульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является двойным несоответствием как в технологии, так и в мышлении. В условиях высокой модульной связи, крайне нестабильного распределения признаков и растущей концентрации вычислительных ресурсов многомодульная модульная структура в сфере Web3 едва ли сможет занять прочное положение.
Будущее Web3 AI не в имитации, а в стратегическом обходе. От семантического выравнивания в высокоразмерном пространстве до информационных узких мест в механизме внимания, и до выравнивания признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо применять тактический подход "сельская окружение города".
Проблемы, с которыми сталкивается Web3 AI
Семантическое выравнивание и высокоразмерное встраивание
В современных мультимодальных системах Web2 AI "семантическое выравнивание" является ключевой технологией, позволяющей отображать информацию из различных модальностей в одно и то же семантическое пространство. Это требует высокоразмерного пространства вложений в качестве основы, чтобы обеспечить эффективное взаимодействие между модулями. Однако протоколы Web3 Agent трудно реализовать в высокоразмерном вложении, так как они часто просто оборачивают готовые API, что приводит к отсутствию единого центрального пространства вложений и механизма межмодульного внимания.
Чтобы создать интеллектуального агента с отраслевыми барьерами на всем протяжении цепочки, необходимо начать с совместного моделирования от конца до конца, единого встраивания между модулями, а также систематической инженерии совместного обучения и развертывания. Однако в настоящее время на рынке недостаточно спроса, и, следовательно, отсутствуют соответствующие решения.
Ограничения механизмов внимания
Высокоуровневые многомодальные модели требуют тщательно спроектированных механизмов внимания. Web2 AI уже добился значительного прогресса в этой области, например, в механизмах самовнимания и перекрестного внимания в Transformer. Однако модульный Web3 AI сталкивается с трудностями в реализации единой схемы внимания. Это связано с тем, что механизмы внимания зависят от единого пространства Query-Key-Value, в то время как форматы и распределения данных, возвращаемых независимыми API, различаются, что не позволяет сформировать взаимодействующие Q/K/V.
Слияние признаков на поверхностном уровне
Web3 AI все еще находится на стадии простого статического соединения в области слияния признаков. Это связано с тем, что динамическое слияние признаков требует высокоразмерного пространства и точных механизмов внимания в качестве предпосылки. Web2 AI склонен к совместному обучению от начала до конца, в то время как Web3 AI чаще использует подход с дискретным соединением модулей, что приводит к отсутствию единой цели обучения и потока градиентов между модулями.
Барьеры в индустрии ИИ и будущие возможности
Технические барьеры в области искусственного интеллекта углубляются, но возможности Web3 AI еще не проявились в полной мере. Основное преимущество Web3 AI заключается в децентрализации, а его путь эволюции выражается в высокой параллельности, низкой связности и совместимости гетерогенных вычислительных мощностей. Это делает Web3 AI более выгодным в таких сценариях, как крайние вычисления, что делает его подходящим для легковесных структур, легко параллелизуемых и стимулируемых задач.
В будущем развитие Web3 AI должно следовать стратегии "села, окружающего город".
Войти через край, занять прочную позицию в маломасштабных сценариях.
Сочетание точек и плоскостей, кольцевое продвижение, постоянное обновление продукта в небольших приложениях.
Оставайтесь гибкими и способными быстро адаптировать стратегии в зависимости от различных сценариев.
Только когда преимущества Web2 AI исчезнут, оставшиеся проблемы могут стать возможностями для Web3 AI. До этого времени практики Web3 AI должны осторожно определять действительно перспективные проекты, обращая внимание на те, которые могут стабильно развиваться в пограничных областях и имеют достаточную гибкость в протоколах.
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» .
16 Лайков
Награда
16
5
Репост
Поделиться
комментарий
0/400
rugdoc.eth
· 07-27 12:37
Скажем прямо, до умного Web3 еще далеко.
Посмотреть ОригиналОтветить0
CryptoHistoryClass
· 07-24 18:36
*проверяет графики 2021 года* та же самая дивергенция, подогреваемая хопиумом, которую мы видели перед крахом луны... история действительно рифмуется
Развитие Web3 AI: проблемы и пути преодоления: от имитации к стратегическому обходу
Текущее состояние и перспективы развития Web3 AI
Недавно акции NVIDIA снова достигли рекорда, а прогресс в много-модальных моделях еще больше углубил технологический барьер Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели интегрируют различные модальные способы выражения с беспрецедентной скоростью, создавая все более закрытую вершину AI. Рынок акций США также фактически подтвердил признание этой тенденции: как акции, связанные с криптовалютой, так и акции AI демонстрируют волну небольшого бычьего рынка.
Однако этот ажиотаж, похоже, не имеет никакого отношения к сфере криптовалют. То, что мы видим в попытках Web3 AI, особенно в эволюции направления Agent за последние несколько месяцев, имеет значительное отклонение в направлении: попытка собрать многомодульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является двойным несоответствием как в технологии, так и в мышлении. В условиях высокой модульной связи, крайне нестабильного распределения признаков и растущей концентрации вычислительных ресурсов многомодульная модульная структура в сфере Web3 едва ли сможет занять прочное положение.
Будущее Web3 AI не в имитации, а в стратегическом обходе. От семантического выравнивания в высокоразмерном пространстве до информационных узких мест в механизме внимания, и до выравнивания признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо применять тактический подход "сельская окружение города".
Проблемы, с которыми сталкивается Web3 AI
Семантическое выравнивание и высокоразмерное встраивание
В современных мультимодальных системах Web2 AI "семантическое выравнивание" является ключевой технологией, позволяющей отображать информацию из различных модальностей в одно и то же семантическое пространство. Это требует высокоразмерного пространства вложений в качестве основы, чтобы обеспечить эффективное взаимодействие между модулями. Однако протоколы Web3 Agent трудно реализовать в высокоразмерном вложении, так как они часто просто оборачивают готовые API, что приводит к отсутствию единого центрального пространства вложений и механизма межмодульного внимания.
Чтобы создать интеллектуального агента с отраслевыми барьерами на всем протяжении цепочки, необходимо начать с совместного моделирования от конца до конца, единого встраивания между модулями, а также систематической инженерии совместного обучения и развертывания. Однако в настоящее время на рынке недостаточно спроса, и, следовательно, отсутствуют соответствующие решения.
Ограничения механизмов внимания
Высокоуровневые многомодальные модели требуют тщательно спроектированных механизмов внимания. Web2 AI уже добился значительного прогресса в этой области, например, в механизмах самовнимания и перекрестного внимания в Transformer. Однако модульный Web3 AI сталкивается с трудностями в реализации единой схемы внимания. Это связано с тем, что механизмы внимания зависят от единого пространства Query-Key-Value, в то время как форматы и распределения данных, возвращаемых независимыми API, различаются, что не позволяет сформировать взаимодействующие Q/K/V.
Слияние признаков на поверхностном уровне
Web3 AI все еще находится на стадии простого статического соединения в области слияния признаков. Это связано с тем, что динамическое слияние признаков требует высокоразмерного пространства и точных механизмов внимания в качестве предпосылки. Web2 AI склонен к совместному обучению от начала до конца, в то время как Web3 AI чаще использует подход с дискретным соединением модулей, что приводит к отсутствию единой цели обучения и потока градиентов между модулями.
Барьеры в индустрии ИИ и будущие возможности
Технические барьеры в области искусственного интеллекта углубляются, но возможности Web3 AI еще не проявились в полной мере. Основное преимущество Web3 AI заключается в децентрализации, а его путь эволюции выражается в высокой параллельности, низкой связности и совместимости гетерогенных вычислительных мощностей. Это делает Web3 AI более выгодным в таких сценариях, как крайние вычисления, что делает его подходящим для легковесных структур, легко параллелизуемых и стимулируемых задач.
В будущем развитие Web3 AI должно следовать стратегии "села, окружающего город".
Только когда преимущества Web2 AI исчезнут, оставшиеся проблемы могут стать возможностями для Web3 AI. До этого времени практики Web3 AI должны осторожно определять действительно перспективные проекты, обращая внимание на те, которые могут стабильно развиваться в пограничных областях и имеют достаточную гибкость в протоколах.