الحواجز التقنية للذكاء الاصطناعي في Web2 واتجاهات تطوير الذكاء الاصطناعي في Web3
مع تقدم النماذج متعددة الوسائط، فإن الحواجز التقنية في مجال الذكاء الاصطناعي Web2 تتعمق باستمرار. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير المختلفة بمعدل غير مسبوق، مما يبني مرتفعات ذكاء اصطناعي مغلقة بشكل متزايد.
ومع ذلك، يبدو أن التطورات الأخيرة في Web3 AI، وخاصة المحاولات في اتجاه الوكلاء، لم تجد الاتجاه الصحيح. محاولة تجميع نظام متعدد الأنماط بأسلوب Web2 باستخدام هيكل لامركزي هي في الواقع انزلاق مزدوج في التكنولوجيا والتفكير. في ظل التداخل القوي بين الوحدات، وعدم استقرار توزيع الخصائص، وزيادة تركيز احتياجات الحوسبة، من الصعب أن تنجح الأنظمة متعددة الأنماط في Web3.
تستند تقنية Web3 AI إلى نماذج متعددة الأنماط مسطحة، مما يجعل من الصعب تحقيق التوافق الدلالي، مما يؤدي إلى أداء ضعيف. الفضاء المضمن عالي الأبعاد هو المفتاح لتحقيق التوافق الدلالي، لكن بروتوكول Web3 Agent يواجه صعوبة في تحقيق ذلك. معظم Web3 Agent مجرد تجميع APIs الجاهزة في وحدات مستقلة، مما يفتقر إلى فضاء مضمن مركزي موحد وآلية انتباه عبر الوحدات.
في الفضاء ذو الأبعاد المنخفضة، لا يمكن تصميم آلية الانتباه بشكل دقيق. تعتمد آلية الانتباه في Web2 AI على مساحة موحدة من Query-Key-Value، بينما يصعب تشكيل Q/K/V تفاعلي بسبب تنسيقات البيانات المختلفة التي تعيدها واجهات برمجة التطبيقات المستقلة. بالإضافة إلى ذلك، تفتقر نماذج واجهات برمجة التطبيقات إلى السياق المركزي المشترك في الوقت الفعلي بين الوحدات، مما يجعل من المستحيل تحقيق الترابط والتركيز العالمي عبر الوحدات.
نظرًا لعدم وجود فضاء عالٍ الأبعاد وآليات انتباه دقيقة، غالبًا ما تظل دمج الميزات في Web3 AI في مرحلة تجميع سطحي ثابت. بالمقارنة، يمكن لـ Web2 AI تحقيق دمج ديناميكي للميزات في فضاء عالٍ الأبعاد، مما يلتقط الارتباطات المعقدة والعميقة عبر الأنماط.
على الرغم من أن حواجز صناعة الذكاء الاصطناعي تتعمق، إلا أن نقاط الألم في الذكاء الاصطناعي في Web2 لم تظهر بعد. يجب أن تتبنى الذكاء الاصطناعي في Web3 تكتيك "احاطة الريف بالمدينة"، من خلال تجربة صغيرة في مشاهد الأطراف. تشمل المشاهد المناسبة للذكاء الاصطناعي في Web3 هياكل خفيفة، ومهام سهلة التوازي وقابلة للتحفيز، مثل ضبط LoRA الدقيق، ومهام التدريب المتأخرة المتوافقة مع السلوك، وتدريب البيانات المجمعة والتعليق، وتدريب نماذج أساسية صغيرة، بالإضافة إلى التدريب التعاوني على الأجهزة الطرفية.
في المستقبل، تحتاج مشاريع Web3 AI إلى أن تتمتع بمرونة كافية للتبديل بسرعة بين السيناريوهات المختلفة. فقط عندما تختفي مكافآت Web2 AI تمامًا، قد تصبح نقاط الألم المتبقية منها فرصة حقيقية لـ Web3 AI. قبل ذلك، يحتاج المشاركون في مجال Web3 AI إلى توخي الحذر في تمييز المشاريع، والتركيز على تلك التي يمكنها التسلل من الأطراف، والتكرار المستمر، والاستجابة بمرونة.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تحديات تطوير Web3 AI: التباين في التكنولوجيا وفرص الاختراق تتواجد معًا
الحواجز التقنية للذكاء الاصطناعي في Web2 واتجاهات تطوير الذكاء الاصطناعي في Web3
مع تقدم النماذج متعددة الوسائط، فإن الحواجز التقنية في مجال الذكاء الاصطناعي Web2 تتعمق باستمرار. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير المختلفة بمعدل غير مسبوق، مما يبني مرتفعات ذكاء اصطناعي مغلقة بشكل متزايد.
ومع ذلك، يبدو أن التطورات الأخيرة في Web3 AI، وخاصة المحاولات في اتجاه الوكلاء، لم تجد الاتجاه الصحيح. محاولة تجميع نظام متعدد الأنماط بأسلوب Web2 باستخدام هيكل لامركزي هي في الواقع انزلاق مزدوج في التكنولوجيا والتفكير. في ظل التداخل القوي بين الوحدات، وعدم استقرار توزيع الخصائص، وزيادة تركيز احتياجات الحوسبة، من الصعب أن تنجح الأنظمة متعددة الأنماط في Web3.
تستند تقنية Web3 AI إلى نماذج متعددة الأنماط مسطحة، مما يجعل من الصعب تحقيق التوافق الدلالي، مما يؤدي إلى أداء ضعيف. الفضاء المضمن عالي الأبعاد هو المفتاح لتحقيق التوافق الدلالي، لكن بروتوكول Web3 Agent يواجه صعوبة في تحقيق ذلك. معظم Web3 Agent مجرد تجميع APIs الجاهزة في وحدات مستقلة، مما يفتقر إلى فضاء مضمن مركزي موحد وآلية انتباه عبر الوحدات.
في الفضاء ذو الأبعاد المنخفضة، لا يمكن تصميم آلية الانتباه بشكل دقيق. تعتمد آلية الانتباه في Web2 AI على مساحة موحدة من Query-Key-Value، بينما يصعب تشكيل Q/K/V تفاعلي بسبب تنسيقات البيانات المختلفة التي تعيدها واجهات برمجة التطبيقات المستقلة. بالإضافة إلى ذلك، تفتقر نماذج واجهات برمجة التطبيقات إلى السياق المركزي المشترك في الوقت الفعلي بين الوحدات، مما يجعل من المستحيل تحقيق الترابط والتركيز العالمي عبر الوحدات.
نظرًا لعدم وجود فضاء عالٍ الأبعاد وآليات انتباه دقيقة، غالبًا ما تظل دمج الميزات في Web3 AI في مرحلة تجميع سطحي ثابت. بالمقارنة، يمكن لـ Web2 AI تحقيق دمج ديناميكي للميزات في فضاء عالٍ الأبعاد، مما يلتقط الارتباطات المعقدة والعميقة عبر الأنماط.
على الرغم من أن حواجز صناعة الذكاء الاصطناعي تتعمق، إلا أن نقاط الألم في الذكاء الاصطناعي في Web2 لم تظهر بعد. يجب أن تتبنى الذكاء الاصطناعي في Web3 تكتيك "احاطة الريف بالمدينة"، من خلال تجربة صغيرة في مشاهد الأطراف. تشمل المشاهد المناسبة للذكاء الاصطناعي في Web3 هياكل خفيفة، ومهام سهلة التوازي وقابلة للتحفيز، مثل ضبط LoRA الدقيق، ومهام التدريب المتأخرة المتوافقة مع السلوك، وتدريب البيانات المجمعة والتعليق، وتدريب نماذج أساسية صغيرة، بالإضافة إلى التدريب التعاوني على الأجهزة الطرفية.
في المستقبل، تحتاج مشاريع Web3 AI إلى أن تتمتع بمرونة كافية للتبديل بسرعة بين السيناريوهات المختلفة. فقط عندما تختفي مكافآت Web2 AI تمامًا، قد تصبح نقاط الألم المتبقية منها فرصة حقيقية لـ Web3 AI. قبل ذلك، يحتاج المشاركون في مجال Web3 AI إلى توخي الحذر في تمييز المشاريع، والتركيز على تلك التي يمكنها التسلل من الأطراف، والتكرار المستمر، والاستجابة بمرونة.