Direções e Desafios do Desenvolvimento da Web3 AI

As ações da Nvidia atingiram um novo recorde, e os avanços nos modelos multimodais aprofundaram a barreira técnica da IA no Web2. Desde o alinhamento semântico até a compreensão visual, desde a incorporação de alta dimensão até a fusão de características, modelos complexos estão integrando de maneira sem precedentes várias formas de expressão, construindo uma fortaleza de IA cada vez mais fechada. O mercado de ações dos EUA também expressou otimismo com ações reais, tanto de ações relacionadas a criptomoedas quanto de ações de IA, todas experimentando uma pequena onda de alta.

No entanto, essa onda parece não ter relação com o campo das criptomoedas. As tentativas recentes de Web3 AI, especialmente na exploração da direção de Agente, apresentam uma grande discrepância de direção. Tentar montar um sistema modular multimodal no estilo Web2 com uma estrutura descentralizada é, na verdade, um desalinhamento tanto técnico quanto de pensamento. Hoje, com a forte acoplabilidade dos módulos, a distribuição de características altamente instável e a crescente concentração da demanda de poder computacional, a modularidade multimodal tem dificuldade em se firmar no ambiente Web3.

O futuro da Web3 AI não reside na imitação, mas sim em uma abordagem estratégica de contorno. Desde o alinhamento semântico em espaços de alta dimensão, passando pelo gargalo de informação nos mecanismos de atenção, até o alinhamento de características sob poder computacional heterogêneo, a Web3 AI precisa adotar a estratégia tática de " cercar as cidades a partir do campo."

Web3 AI baseado em modelos multimodais achatados, a dificuldade de alinhamento semântico leva a um desempenho baixo

Nos sistemas multimodais da moderna Web2 AI, "alinhamento semântico" refere-se à mapeação de informações de diferentes modos para o mesmo espaço semântico, permitindo que o modelo compreenda e compare os significados subjacentes de sinais tão diversos. Somente ao realizar um espaço de incorporação de alta dimensão é que faz sentido dividir o fluxo de trabalho em diferentes módulos para reduzir custos e aumentar a eficiência. No entanto, o protocolo Web3 Agent não consegue realizar uma incorporação de alta dimensão, pois a modularização é na verdade uma ilusão da Web3 AI.

A Web3 AI requer a implementação de um espaço de alta dimensão, o que equivale, de certa forma, a exigir que o protocolo Agent desenvolva por conta própria todas as interfaces de API envolvidas, o que vai contra a intenção de modularidade original. A arquitetura de alta dimensão exige um treinamento unificado de ponta a ponta ou uma otimização colaborativa, enquanto a ideia de "módulo é um plugin" do Web3 Agent acentua a fragmentação.

Para realizar um agente inteligente de cadeia completa com barreiras de entrada na indústria, é necessário um modelo conjunto de ponta a ponta, uma incorporação unificada entre módulos e uma engenharia sistemática de treinamento e implementação colaborativa, mas atualmente não existem tais pontos de dor no mercado, e naturalmente também não há demanda de mercado correspondente.

Em espaços de baixa dimensão, é difícil projetar mecanismos de atenção de forma precisa

Modelos multimodais de alto nível precisam de mecanismos de atenção projetados de forma precisa. A condição para o funcionamento do mecanismo de atenção é que o multimodal possua alta dimensionalidade; em um espaço de alta dimensionalidade, um mecanismo de atenção preciso pode encontrar a parte mais central do imenso espaço de alta dimensionalidade no menor tempo possível.

A programação de atenção unificada é difícil de alcançar em uma Web3 AI baseada em módulos. Primeiro, o mecanismo de atenção depende de um espaço unificado de Query-Key-Value, enquanto APIs independentes retornam dados em formatos e distribuições diferentes, sem uma camada de incorporação unificada. Em segundo lugar, a atenção de múltiplas cabeças permite que diferentes fontes de informação sejam atendidas em paralelo na mesma camada, enquanto as APIs independentes frequentemente fazem chamadas lineares, carecendo da capacidade de ponderação dinâmica em paralelo e multiplex. Por fim, o verdadeiro mecanismo de atenção atribui pesos dinamicamente a cada elemento com base no contexto geral, enquanto no modelo de API, o módulo só pode ver o contexto independente no momento em que é chamado.

A modularização discreta leva a uma fusão de características que permanece em uma colagem estática superficial.

A fusão de características é a combinação adicional de vetores de características obtidos após o processamento de diferentes modalidades, com base no alinhamento e na atenção, para serem utilizados diretamente em tarefas posteriores. O Web3 AI, é claro, permanece na fase mais simples de concatenação, uma vez que a fusão dinâmica de características pressupõe um espaço de alta dimensão e um mecanismo de atenção preciso.

A IA do Web2 tende a treinar de forma conjunta e de ponta a ponta, enquanto a IA do Web3 adota mais frequentemente uma abordagem de montagem de módulos discretos. A IA do Web2 é capaz de calcular em tempo real a importância de várias características com base no contexto e ajustar dinamicamente a estratégia de fusão, enquanto a IA do Web3 muitas vezes fixa previamente os pesos ou usa regras simples para determinar se deve haver fusão.

A IA Web2 mapeia todas as características de modalidade para um espaço de alta dimensão de milhares de dimensões, e o processo de fusão inclui várias operações de interação de alta ordem. Em contraste, as saídas de cada agente da IA Web3 muitas vezes contêm apenas alguns campos ou indicadores chave, com dimensões de características extremamente baixas, dificultando a expressão de associações complexas entre modalidades.

As barreiras da indústria de IA estão se aprofundando, mas as dores ainda não surgiram

O sistema multimodal de IA Web2 é um projeto de engenharia extremamente grande, que requer uma vasta quantidade de dados, poder computacional robusto, algoritmos avançados e talentos excepcionais. Esse trabalho sistêmico, de ponta a ponta, constitui uma barreira industrial muito forte e cria a vantagem competitiva central de algumas equipes líderes.

Web3 AI ou qualquer projeto de criptomoeda com foco em correspondência de mercado de produtos precisa adotar a tática de "cercar as cidades a partir do campo". Deve-se começar com testes em pequena escala em cenários periféricos, garantindo uma base sólida antes de esperar pelo surgimento de cenários centrais. O núcleo do Web3 AI reside na descentralização, e seu caminho evolutivo se reflete em alta paralelização, baixo acoplamento e compatibilidade de poder computacional heterogêneo.

Atualmente, as barreiras do Web2 AI estão apenas começando a se formar, que é a fase inicial da competição entre as principais empresas. Somente quando os benefícios do Web2 AI desaparecerem quase completamente, as dores restantes que ele deixou para trás serão uma oportunidade para a entrada do Web3 AI. Antes disso, precisamos discernir cuidadosamente os protocolos que têm potencial de "cercar as cidades a partir do campo", prestando atenção se conseguem iterar continuamente em pequenos cenários, e se possuem flexibilidade para se adaptar a diferentes contextos. Se o protocolo em si depender demais da infraestrutura e a arquitetura da rede for muito grande, a probabilidade de ser eliminado será alta.