سجلت أسهم إنفيديا ارتفاعًا قياسيًا جديدًا، حيث عمّق تقدم النماذج متعددة الوسائط الحواجز التقنية في الذكاء الاصطناعي لـ Web2. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير المختلفة بسرعة غير مسبوقة، مما يبني مرتفعات ذكاء اصطناعي أكثر انغلاقًا. كما عبر سوق الأسهم الأمريكية عن تفاؤله من خلال الأفعال، سواء كانت الأسهم المتعلقة بالعملات المشفرة أو أسهم الذكاء الاصطناعي، فقد شهدت جميعها موجة صغيرة من الاتجاه الصعودي.
ومع ذلك، يبدو أن هذه الحماسة لا تتعلق بمجال العملات المشفرة. كانت هناك محاولات حديثة في Web3 AI، وخاصة في استكشاف اتجاه الوكلاء، حيث يوجد انحراف كبير في الاتجاه. إن محاولة تجميع نظام متعدد النماذج على طراز Web2 باستخدام هيكل لامركزي، هي في الواقع انزلاق مزدوج في التكنولوجيا والتفكير. في ظل الارتباط القوي بين الوحدات، وعدم استقرار توزيع الخصائص، وتركز متزايد في متطلبات القوة الحاسوبية، سيكون من الصعب على النمذجة المتعددة النماذج الثبات في بيئة Web3.
مستقبل Web3 AI لا يكمن في التقليد، بل في الالتفاف الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى عنق الزجاجة المعلوماتية في آلية الانتباه، وصولاً إلى محاذاة الميزات تحت القوة الحاسوبية المغايرة، يحتاج Web3 AI إلى اتباع استراتيجية تكتيكية تُعرف بـ"احاطة الريف بالمدينة".
Web3 AI يعتمد على نموذج متعدد الأبعاد مسطح، مما يؤدي إلى صعوبة محاذاة المعاني وانخفاض الأداء
في أنظمة الوسائط المتعددة للذكاء الاصطناعي الحديثة في Web2، يشير "محاذاة المعاني" إلى رسم معلومات مختلفة الأنماط في نفس الفضاء الدلالي، مما يمكن النموذج من فهم ومقارنة المعاني الكامنة وراء هذه الإشارات المختلفة. فقط عند تحقيق الفضاء المدفوع عالي الأبعاد، يكون لتقسيم سير العمل إلى وحدات مختلفة معنى لتقليل التكاليف وزيادة الكفاءة. ومع ذلك، فإن بروتوكول Web3 Agent لا يمكنه تحقيق الفضاء المدفوع عالي الأبعاد، لأن التمكين في الواقع هو وهم من Web3 AI.
يتطلب Web3 AI تحقيق الفضاء عالي الأبعاد، مما يعادل بشكل غير مباشر متطلبات بروتوكول الوكيل لتطوير جميع واجهات برمجة التطبيقات المعنية بشكل مستقل، وهو ما يتعارض مع الهدف الأساسي من تصميمه كجهاز موزع. يتطلب الهيكل عالي الأبعاد تدريبًا موحدًا من النهاية إلى النهاية أو تحسينًا تعاونيًا، بينما تؤدي فكرة "الوحدات كإضافات" لوكيل Web3 إلى تفاقم التفتت.
لتحقيق وكيل ذكي شامل ذو حواجز صناعية، يلزم نمذجة مشتركة من طرف إلى طرف، وتضمين موحد عبر الوحدات، بالإضافة إلى هندسة نظامية للتدريب والتوزيع التعاوني، لكن السوق الحالي لا يعاني من مثل هذه النقاط المؤلمة، وبالتالي لا توجد حاجة سوقية متناسبة.
في الفضاء ذي الأبعاد المنخفضة، من الصعب تصميم آلية الانتباه بدقة
تتطلب النماذج متعددة الوسائط عالية المستوى تصميم آليات انتباه دقيقة. الشرط الأساسي لعمل آلية الانتباه هو أن تكون الوسائط المتعددة ذات أبعاد عالية، وفي الفضاء عالي الأبعاد، يمكن لآلية الانتباه الدقيقة أن تجد الجزء الأكثر أهمية في أقل وقت من بين كميات هائلة من الفضاء عالي الأبعاد.
من الصعب تحقيق جدولة انتباه موحدة في Web3 AI القائم على النماذج. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، بينما تعيد واجهات برمجة التطبيقات المستقلة بيانات بتنسيقات مختلفة وتوزيعات مختلفة، دون طبقة تضمين موحدة. ثانياً، يسمح الانتباه متعدد الرؤوس بالتركيز في نفس الطبقة على مصادر معلومات مختلفة بشكل متوازي، بينما غالبًا ما تكون واجهات برمجة التطبيقات المستقلة استدعاءات خطية، وتفتقر إلى القدرة على التوازي والوزن الديناميكي المتعدد الاتجاهات. أخيرًا، تقوم آلية الانتباه الحقيقية بتوزيع الأوزان ديناميكيًا لكل عنصر بناءً على السياق العام، بينما في نمط واجهة برمجة التطبيقات، يمكن للنموذج رؤية السياق المستقل الخاص به فقط عند استدعائه.
التجميع المودولي المتقطع أدى إلى توقف دمج الميزات عند الربط الساكن السطحي
دمج الميزات هو عملية تجمع بين متجهات الميزات التي تم معالجتها بواسطة أنماط مختلفة على أساس المحاذاة والانتباه، ليتم استخدامها مباشرة في المهام اللاحقة. بالطبع، يظل Web3 AI في مرحلة التجميع الأساسية، حيث أن الشرط المسبق لدمج الميزات الديناميكية هو الفضاء عالي الأبعاد وآلية الانتباه الدقيقة.
يميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، بينما تتبنى Web3 AI بشكل أكبر أسلوب تجميع الوحدات المنفصلة. يمكن للذكاء الاصطناعي في Web2 حساب درجات أهمية الميزات المختلفة بناءً على السياق في الوقت الحقيقي، وضبط استراتيجيات الدمج ديناميكيًا، بينما غالبًا ما يحدد الذكاء الاصطناعي في Web3 الأوزان مسبقًا أو يستخدم قواعد بسيطة لتحديد ما إذا كان يجب الدمج.
تقوم Web2 AI بربط جميع ميزات الوضعيات في فضاء عالٍ بعدد آلاف الأبعاد، وتشمل عملية الدمج مجموعة متنوعة من العمليات التفاعلية عالية المستوى. بالمقابل، فإن مخرجات وكلاء Web3 AI غالبًا ما تحتوي فقط على عدد قليل من الحقول أو المؤشرات الرئيسية، مما يجعل أبعاد الميزات منخفضة للغاية، وصعب التعبير عن الروابط المعقدة عبر الوضعيات.
حواجز صناعة الذكاء الاصطناعي تتعمق، لكن نقاط الألم لم تظهر بعد
نظام Web2 AI متعدد الأوضاع هو مشروع هندسي ضخم للغاية يتطلب كميات هائلة من البيانات، وقوة حسابية قوية، وخوارزميات متقدمة، ومواهب ممتازة. يشكل هذا العمل الشامل والمتكامل حاجزًا قويًا في الصناعة، مما يخلق أيضًا ميزة تنافسية أساسية لعدد قليل من الفرق الرائدة.
يجب على مشاريع العملات المشفرة التي تستهدف مطابقة السوق للمنتجات مثل Web3 AI أو أي مشاريع أخرى اتخاذ استراتيجية "محاصرة المدن من الريف". يجب تجربة السيناريوهات الهامشية على نطاق صغير للتأكد من أن الأساس قوي قبل انتظار ظهور السيناريوهات الأساسية. جوهر Web3 AI هو اللامركزية، وتمثل مسار تطورها التوافق بين التوازي العالي، والتقارب المنخفض، وقوة الحوسبة المتغايرة.
حالياً، بدأت حواجز Web2 AI تتشكل فقط، وهذه هي المرحلة المبكرة من المنافسة بين الشركات الكبرى. فقط عندما تختفي فوائد Web2 AI تماماً، ستظهر النقاط المؤلمة المتبقية كفرصة لدخول Web3 AI. قبل ذلك، نحتاج إلى التمييز بعناية بين البروتوكولات التي لديها إمكانيات "حصار الريف للمدينة"، والتركيز على ما إذا كانت قادرة على التكرار باستمرار في السيناريوهات الصغيرة، وما إذا كانت تتمتع بالمرونة لتناسب سيناريوهات مختلفة. إذا كان البروتوكول نفسه يعتمد بشكل مفرط على البنية التحتية، وكانت الشبكة معقدة جداً، فإن احتمال التخلص منه سيكون كبيراً.
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.
تسجيلات الإعجاب 21
أعجبني
21
9
إعادة النشر
مشاركة
تعليق
0/400
MemeKingNFT
· منذ 8 س
ربحنا كثيرا مرة أخرى، البيانات تتعارض، داخل السلسلة لا تزال تتقلب. انتظر بصبر المد والجزر.
شاهد النسخة الأصليةرد0
TooScaredToSell
· منذ 21 س
nvda في الصعود هو الصحيح
شاهد النسخة الأصليةرد0
AirdropFatigue
· 08-16 07:50
a16z يتحدث ويفعل
شاهد النسخة الأصليةرد0
airdrop_whisperer
· 08-16 07:46
web2没戏了兄弟们 ادخل مركز
شاهد النسخة الأصليةرد0
RektRecovery
· 08-16 07:44
أطلقت على هذا الانهيار المعماري قبل عدة أشهر... الويب 3 + الذكاء الاصطناعي = ضعف سطح الهجوم، صفر من المنطق بصراحة
تحديات تطور Web3 AI: التوافق الدلالي عالي الأبعاد وآلية الانتباه تصبح مشكلة
اتجاهات وتحديات تطوير Web3 AI
سجلت أسهم إنفيديا ارتفاعًا قياسيًا جديدًا، حيث عمّق تقدم النماذج متعددة الوسائط الحواجز التقنية في الذكاء الاصطناعي لـ Web2. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير المختلفة بسرعة غير مسبوقة، مما يبني مرتفعات ذكاء اصطناعي أكثر انغلاقًا. كما عبر سوق الأسهم الأمريكية عن تفاؤله من خلال الأفعال، سواء كانت الأسهم المتعلقة بالعملات المشفرة أو أسهم الذكاء الاصطناعي، فقد شهدت جميعها موجة صغيرة من الاتجاه الصعودي.
ومع ذلك، يبدو أن هذه الحماسة لا تتعلق بمجال العملات المشفرة. كانت هناك محاولات حديثة في Web3 AI، وخاصة في استكشاف اتجاه الوكلاء، حيث يوجد انحراف كبير في الاتجاه. إن محاولة تجميع نظام متعدد النماذج على طراز Web2 باستخدام هيكل لامركزي، هي في الواقع انزلاق مزدوج في التكنولوجيا والتفكير. في ظل الارتباط القوي بين الوحدات، وعدم استقرار توزيع الخصائص، وتركز متزايد في متطلبات القوة الحاسوبية، سيكون من الصعب على النمذجة المتعددة النماذج الثبات في بيئة Web3.
مستقبل Web3 AI لا يكمن في التقليد، بل في الالتفاف الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى عنق الزجاجة المعلوماتية في آلية الانتباه، وصولاً إلى محاذاة الميزات تحت القوة الحاسوبية المغايرة، يحتاج Web3 AI إلى اتباع استراتيجية تكتيكية تُعرف بـ"احاطة الريف بالمدينة".
Web3 AI يعتمد على نموذج متعدد الأبعاد مسطح، مما يؤدي إلى صعوبة محاذاة المعاني وانخفاض الأداء
في أنظمة الوسائط المتعددة للذكاء الاصطناعي الحديثة في Web2، يشير "محاذاة المعاني" إلى رسم معلومات مختلفة الأنماط في نفس الفضاء الدلالي، مما يمكن النموذج من فهم ومقارنة المعاني الكامنة وراء هذه الإشارات المختلفة. فقط عند تحقيق الفضاء المدفوع عالي الأبعاد، يكون لتقسيم سير العمل إلى وحدات مختلفة معنى لتقليل التكاليف وزيادة الكفاءة. ومع ذلك، فإن بروتوكول Web3 Agent لا يمكنه تحقيق الفضاء المدفوع عالي الأبعاد، لأن التمكين في الواقع هو وهم من Web3 AI.
يتطلب Web3 AI تحقيق الفضاء عالي الأبعاد، مما يعادل بشكل غير مباشر متطلبات بروتوكول الوكيل لتطوير جميع واجهات برمجة التطبيقات المعنية بشكل مستقل، وهو ما يتعارض مع الهدف الأساسي من تصميمه كجهاز موزع. يتطلب الهيكل عالي الأبعاد تدريبًا موحدًا من النهاية إلى النهاية أو تحسينًا تعاونيًا، بينما تؤدي فكرة "الوحدات كإضافات" لوكيل Web3 إلى تفاقم التفتت.
لتحقيق وكيل ذكي شامل ذو حواجز صناعية، يلزم نمذجة مشتركة من طرف إلى طرف، وتضمين موحد عبر الوحدات، بالإضافة إلى هندسة نظامية للتدريب والتوزيع التعاوني، لكن السوق الحالي لا يعاني من مثل هذه النقاط المؤلمة، وبالتالي لا توجد حاجة سوقية متناسبة.
في الفضاء ذي الأبعاد المنخفضة، من الصعب تصميم آلية الانتباه بدقة
تتطلب النماذج متعددة الوسائط عالية المستوى تصميم آليات انتباه دقيقة. الشرط الأساسي لعمل آلية الانتباه هو أن تكون الوسائط المتعددة ذات أبعاد عالية، وفي الفضاء عالي الأبعاد، يمكن لآلية الانتباه الدقيقة أن تجد الجزء الأكثر أهمية في أقل وقت من بين كميات هائلة من الفضاء عالي الأبعاد.
من الصعب تحقيق جدولة انتباه موحدة في Web3 AI القائم على النماذج. أولاً، تعتمد آلية الانتباه على مساحة موحدة من Query-Key-Value، بينما تعيد واجهات برمجة التطبيقات المستقلة بيانات بتنسيقات مختلفة وتوزيعات مختلفة، دون طبقة تضمين موحدة. ثانياً، يسمح الانتباه متعدد الرؤوس بالتركيز في نفس الطبقة على مصادر معلومات مختلفة بشكل متوازي، بينما غالبًا ما تكون واجهات برمجة التطبيقات المستقلة استدعاءات خطية، وتفتقر إلى القدرة على التوازي والوزن الديناميكي المتعدد الاتجاهات. أخيرًا، تقوم آلية الانتباه الحقيقية بتوزيع الأوزان ديناميكيًا لكل عنصر بناءً على السياق العام، بينما في نمط واجهة برمجة التطبيقات، يمكن للنموذج رؤية السياق المستقل الخاص به فقط عند استدعائه.
التجميع المودولي المتقطع أدى إلى توقف دمج الميزات عند الربط الساكن السطحي
دمج الميزات هو عملية تجمع بين متجهات الميزات التي تم معالجتها بواسطة أنماط مختلفة على أساس المحاذاة والانتباه، ليتم استخدامها مباشرة في المهام اللاحقة. بالطبع، يظل Web3 AI في مرحلة التجميع الأساسية، حيث أن الشرط المسبق لدمج الميزات الديناميكية هو الفضاء عالي الأبعاد وآلية الانتباه الدقيقة.
يميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، بينما تتبنى Web3 AI بشكل أكبر أسلوب تجميع الوحدات المنفصلة. يمكن للذكاء الاصطناعي في Web2 حساب درجات أهمية الميزات المختلفة بناءً على السياق في الوقت الحقيقي، وضبط استراتيجيات الدمج ديناميكيًا، بينما غالبًا ما يحدد الذكاء الاصطناعي في Web3 الأوزان مسبقًا أو يستخدم قواعد بسيطة لتحديد ما إذا كان يجب الدمج.
تقوم Web2 AI بربط جميع ميزات الوضعيات في فضاء عالٍ بعدد آلاف الأبعاد، وتشمل عملية الدمج مجموعة متنوعة من العمليات التفاعلية عالية المستوى. بالمقابل، فإن مخرجات وكلاء Web3 AI غالبًا ما تحتوي فقط على عدد قليل من الحقول أو المؤشرات الرئيسية، مما يجعل أبعاد الميزات منخفضة للغاية، وصعب التعبير عن الروابط المعقدة عبر الوضعيات.
حواجز صناعة الذكاء الاصطناعي تتعمق، لكن نقاط الألم لم تظهر بعد
نظام Web2 AI متعدد الأوضاع هو مشروع هندسي ضخم للغاية يتطلب كميات هائلة من البيانات، وقوة حسابية قوية، وخوارزميات متقدمة، ومواهب ممتازة. يشكل هذا العمل الشامل والمتكامل حاجزًا قويًا في الصناعة، مما يخلق أيضًا ميزة تنافسية أساسية لعدد قليل من الفرق الرائدة.
يجب على مشاريع العملات المشفرة التي تستهدف مطابقة السوق للمنتجات مثل Web3 AI أو أي مشاريع أخرى اتخاذ استراتيجية "محاصرة المدن من الريف". يجب تجربة السيناريوهات الهامشية على نطاق صغير للتأكد من أن الأساس قوي قبل انتظار ظهور السيناريوهات الأساسية. جوهر Web3 AI هو اللامركزية، وتمثل مسار تطورها التوافق بين التوازي العالي، والتقارب المنخفض، وقوة الحوسبة المتغايرة.
حالياً، بدأت حواجز Web2 AI تتشكل فقط، وهذه هي المرحلة المبكرة من المنافسة بين الشركات الكبرى. فقط عندما تختفي فوائد Web2 AI تماماً، ستظهر النقاط المؤلمة المتبقية كفرصة لدخول Web3 AI. قبل ذلك، نحتاج إلى التمييز بعناية بين البروتوكولات التي لديها إمكانيات "حصار الريف للمدينة"، والتركيز على ما إذا كانت قادرة على التكرار باستمرار في السيناريوهات الصغيرة، وما إذا كانت تتمتع بالمرونة لتناسب سيناريوهات مختلفة. إذا كان البروتوكول نفسه يعتمد بشكل مفرط على البنية التحتية، وكانت الشبكة معقدة جداً، فإن احتمال التخلص منه سيكون كبيراً.