Технические барьеры Web2 AI и направления развития Web3 AI
С развитием мультимодальных моделей технологический барьер в области Web2 AI продолжает углубляться. От семантического выравнивания до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели с беспрецедентной скоростью интегрируют различные модальности выражения, создавая все более закрытую высокогорную область AI.
Однако недавние разработки Web3 AI, особенно попытки в направлении Агентов, похоже, не нашли правильного направления. Попытка собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является двойным несоответствием как в технологиях, так и в мышлении. В условиях высокой взаимосвязанности модулей, крайне нестабильного распределения признаков и возрастающей концентрации вычислительной мощности многомодульная модульность в Web3 трудно находит свое место.
Web3 AI основан на плоских многомодальных моделях, что затрудняет достижение семантического выравнивания и приводит к низкой производительности. Высокоразмерное встраиваемое пространство является ключом к достижению семантического выравнивания, но протокол Web3 Agent с трудом достигает этого. Большинство Web3 Agent просто упаковывают готовые API в независимые модули, им не хватает единого центрального встраиваемого пространства и межмодульного механизма внимания.
В низкоразмерном пространстве механизм внимания также не может быть точно спроектирован. Механизм внимания в Web2 AI зависит от единого пространства Query-Key-Value, в то время как данные разных форматов, возвращаемые независимыми API, трудно формировать в интерактивные Q/K/V. Кроме того, в режиме API между модулями отсутствует централизованный контекст для оперативного обмена, что делает невозможным глобальную связь и фокусировку между модулями.
Из-за отсутствия высокоразмерного пространства и точных механизмов внимания, слияние характеристик Web3 AI часто остается на поверхностной стадии статической компоновки. В сравнении, Web2 AI способен реализовывать динамическое слияние характеристик в высокоразмерном пространстве, улавливая глубокие и сложные кросс-модальные связи.
Несмотря на углубление барьеров в индустрии ИИ, в настоящее время болевые точки Web2 ИИ еще не проявились. Web3 ИИ должен использовать тактику "окружения города из деревни", чтобы начать с маломасштабных экспериментов в пограничных сценариях. Подходящие сценарии для Web3 ИИ включают легковесные структуры, задачи, которые легко параллелизируются и могут быть стимулированы, такие как тонкая настройка LoRA, постобучающие задачи для выравнивания поведения, тренировка и аннотация данных с помощью краудсорсинга, обучение небольших базовых моделей, а также совместное обучение на крайних устройствах.
В будущем проекты Web3 AI должны обладать достаточной гибкостью, чтобы быстро переключаться между различными сценариями. Только когда преимущества Web2 AI исчезнут, оставшиеся недостатки могут стать настоящими возможностями для Web3 AI. До этого участники области Web3 AI должны осторожно различать проекты, обращая внимание на те протоколы, которые могут входить на рынок с краю, постоянно итеративно развиваться и гибко реагировать.
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» .
11 Лайков
Награда
11
6
Поделиться
комментарий
0/400
PoolJumper
· 14ч назад
Технология выбежала на неправильный трек
Посмотреть ОригиналОтветить0
GasFeeTears
· 14ч назад
Слишком сложно, действительно.
Посмотреть ОригиналОтветить0
consensus_whisperer
· 14ч назад
Web3 не является панацеей
Посмотреть ОригиналОтветить0
DancingCandles
· 14ч назад
Есть новые идеи.
Посмотреть ОригиналОтветить0
MevShadowranger
· 14ч назад
Web3 требует мышления, способного разорвать шаблоны.
Развитие Web3 AI: одновременно существуют проблемы с технологическим несоответствием и возможности для прорыва
Технические барьеры Web2 AI и направления развития Web3 AI
С развитием мультимодальных моделей технологический барьер в области Web2 AI продолжает углубляться. От семантического выравнивания до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели с беспрецедентной скоростью интегрируют различные модальности выражения, создавая все более закрытую высокогорную область AI.
Однако недавние разработки Web3 AI, особенно попытки в направлении Агентов, похоже, не нашли правильного направления. Попытка собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры на самом деле является двойным несоответствием как в технологиях, так и в мышлении. В условиях высокой взаимосвязанности модулей, крайне нестабильного распределения признаков и возрастающей концентрации вычислительной мощности многомодульная модульность в Web3 трудно находит свое место.
Web3 AI основан на плоских многомодальных моделях, что затрудняет достижение семантического выравнивания и приводит к низкой производительности. Высокоразмерное встраиваемое пространство является ключом к достижению семантического выравнивания, но протокол Web3 Agent с трудом достигает этого. Большинство Web3 Agent просто упаковывают готовые API в независимые модули, им не хватает единого центрального встраиваемого пространства и межмодульного механизма внимания.
В низкоразмерном пространстве механизм внимания также не может быть точно спроектирован. Механизм внимания в Web2 AI зависит от единого пространства Query-Key-Value, в то время как данные разных форматов, возвращаемые независимыми API, трудно формировать в интерактивные Q/K/V. Кроме того, в режиме API между модулями отсутствует централизованный контекст для оперативного обмена, что делает невозможным глобальную связь и фокусировку между модулями.
Из-за отсутствия высокоразмерного пространства и точных механизмов внимания, слияние характеристик Web3 AI часто остается на поверхностной стадии статической компоновки. В сравнении, Web2 AI способен реализовывать динамическое слияние характеристик в высокоразмерном пространстве, улавливая глубокие и сложные кросс-модальные связи.
Несмотря на углубление барьеров в индустрии ИИ, в настоящее время болевые точки Web2 ИИ еще не проявились. Web3 ИИ должен использовать тактику "окружения города из деревни", чтобы начать с маломасштабных экспериментов в пограничных сценариях. Подходящие сценарии для Web3 ИИ включают легковесные структуры, задачи, которые легко параллелизируются и могут быть стимулированы, такие как тонкая настройка LoRA, постобучающие задачи для выравнивания поведения, тренировка и аннотация данных с помощью краудсорсинга, обучение небольших базовых моделей, а также совместное обучение на крайних устройствах.
В будущем проекты Web3 AI должны обладать достаточной гибкостью, чтобы быстро переключаться между различными сценариями. Только когда преимущества Web2 AI исчезнут, оставшиеся недостатки могут стать настоящими возможностями для Web3 AI. До этого участники области Web3 AI должны осторожно различать проекты, обращая внимание на те протоколы, которые могут входить на рынок с краю, постоянно итеративно развиваться и гибко реагировать.