Barreras tecnológicas de la IA en Web2 y direcciones de desarrollo de la IA en Web3
Con el avance de los modelos multimodales, las barreras tecnológicas en el campo de la IA de Web2 están profundizándose constantemente. Desde la alineación semántica hasta la comprensión visual, desde la incrustación de alta dimensión hasta la fusión de características, los modelos complejos están integrando a una velocidad sin precedentes diversas formas de expresión, construyendo una cima de IA cada vez más cerrada.
Sin embargo, el desarrollo reciente de Web3 AI, especialmente en la dirección de los Agentes, parece no haber encontrado la dirección correcta. Intentar ensamblar un sistema modular multimodal al estilo Web2 con una estructura descentralizada es, de hecho, una doble desalineación técnica y mental. Hoy en día, con una fuerte acoplamiento entre módulos, una distribución de características altamente inestable y una demanda de potencia de cálculo cada vez más centralizada, es difícil que la modularidad multimodal tenga un lugar en Web3.
La IA de Web3 se basa en modelos multimodales planos, lo que dificulta la alineación semántica y provoca un bajo rendimiento. El espacio de incrustación de alta dimensión es clave para lograr la alineación semántica, pero el protocolo Web3 Agent tiene dificultades para lograrlo. La mayoría de los Web3 Agents simplemente encapsulan varias API listas para usar como módulos independientes, careciendo de un espacio de incrustación central unificado y de un mecanismo de atención cruzada entre módulos.
En un espacio de baja dimensión, el mecanismo de atención tampoco puede ser diseñado de manera precisa. El mecanismo de atención de la IA de Web2 depende de un espacio unificado de Query-Key-Value, mientras que los datos de diferentes formatos devueltos por APIs independientes son difíciles de formar en un Q/K/V interactivo. Además, en el modo API, falta un contexto central compartido en tiempo real entre los módulos, lo que impide la asociación global y el enfoque entre módulos.
Debido a la falta de espacio de alta dimensión y mecanismos de atención precisos, la fusión de características de la IA en Web3 a menudo se queda en una etapa superficial de ensamblaje estático. En comparación, la IA en Web2 puede lograr una fusión dinámica de características en espacios de alta dimensión, capturando correlaciones complejas y profundas entre modos.
A pesar de que las barreras en la industria de la IA están aumentando, los puntos críticos de la IA Web2 aún no se han manifestado. La IA Web3 debería adoptar la táctica de "rodear las ciudades desde el campo", probando a pequeña escala en escenarios periféricos. Los escenarios adecuados para la IA Web3 incluyen estructuras livianas, tareas que se pueden paralelizar y que son incentivables, como el ajuste fino de LoRA, tareas de post-entrenamiento con alineación de comportamiento, entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños y entrenamiento colaborativo en dispositivos periféricos.
En el futuro, los proyectos de Web3 AI necesitarán tener suficiente flexibilidad para poder cambiar rápidamente entre diferentes escenarios. Solo cuando los beneficios de Web2 AI se hayan agotado, los puntos débiles que deja atrás podrán convertirse en verdaderas oportunidades para Web3 AI. Hasta entonces, los participantes en el campo de Web3 AI necesitarán discernir con cuidado los proyectos, prestando atención a aquellos protocolos que puedan entrar desde los márgenes, iterar continuamente y responder de manera flexible.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Dilemas del desarrollo de Web3 AI: coexistencia de desajustes tecnológicos y oportunidades de ruptura
Barreras tecnológicas de la IA en Web2 y direcciones de desarrollo de la IA en Web3
Con el avance de los modelos multimodales, las barreras tecnológicas en el campo de la IA de Web2 están profundizándose constantemente. Desde la alineación semántica hasta la comprensión visual, desde la incrustación de alta dimensión hasta la fusión de características, los modelos complejos están integrando a una velocidad sin precedentes diversas formas de expresión, construyendo una cima de IA cada vez más cerrada.
Sin embargo, el desarrollo reciente de Web3 AI, especialmente en la dirección de los Agentes, parece no haber encontrado la dirección correcta. Intentar ensamblar un sistema modular multimodal al estilo Web2 con una estructura descentralizada es, de hecho, una doble desalineación técnica y mental. Hoy en día, con una fuerte acoplamiento entre módulos, una distribución de características altamente inestable y una demanda de potencia de cálculo cada vez más centralizada, es difícil que la modularidad multimodal tenga un lugar en Web3.
La IA de Web3 se basa en modelos multimodales planos, lo que dificulta la alineación semántica y provoca un bajo rendimiento. El espacio de incrustación de alta dimensión es clave para lograr la alineación semántica, pero el protocolo Web3 Agent tiene dificultades para lograrlo. La mayoría de los Web3 Agents simplemente encapsulan varias API listas para usar como módulos independientes, careciendo de un espacio de incrustación central unificado y de un mecanismo de atención cruzada entre módulos.
En un espacio de baja dimensión, el mecanismo de atención tampoco puede ser diseñado de manera precisa. El mecanismo de atención de la IA de Web2 depende de un espacio unificado de Query-Key-Value, mientras que los datos de diferentes formatos devueltos por APIs independientes son difíciles de formar en un Q/K/V interactivo. Además, en el modo API, falta un contexto central compartido en tiempo real entre los módulos, lo que impide la asociación global y el enfoque entre módulos.
Debido a la falta de espacio de alta dimensión y mecanismos de atención precisos, la fusión de características de la IA en Web3 a menudo se queda en una etapa superficial de ensamblaje estático. En comparación, la IA en Web2 puede lograr una fusión dinámica de características en espacios de alta dimensión, capturando correlaciones complejas y profundas entre modos.
A pesar de que las barreras en la industria de la IA están aumentando, los puntos críticos de la IA Web2 aún no se han manifestado. La IA Web3 debería adoptar la táctica de "rodear las ciudades desde el campo", probando a pequeña escala en escenarios periféricos. Los escenarios adecuados para la IA Web3 incluyen estructuras livianas, tareas que se pueden paralelizar y que son incentivables, como el ajuste fino de LoRA, tareas de post-entrenamiento con alineación de comportamiento, entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños y entrenamiento colaborativo en dispositivos periféricos.
En el futuro, los proyectos de Web3 AI necesitarán tener suficiente flexibilidad para poder cambiar rápidamente entre diferentes escenarios. Solo cuando los beneficios de Web2 AI se hayan agotado, los puntos débiles que deja atrás podrán convertirse en verdaderas oportunidades para Web3 AI. Hasta entonces, los participantes en el campo de Web3 AI necesitarán discernir con cuidado los proyectos, prestando atención a aquellos protocolos que puedan entrar desde los márgenes, iterar continuamente y responder de manera flexible.