Penghalang teknologi AI Web2 semakin dalam, Web3 AI perlu mencari terobosan diferensiasi

Akhir-akhir ini, evolusi model multimodal tidak memberikan dampak besar bagi perusahaan AI mainstream, malah semakin memperkuat keunggulan teknologi Web2 AI. Dari penyelarasan semantik hingga pemahaman visual, dari嵌入 dimensi tinggi hingga penggabungan fitur, model kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya, membangun sebuah puncak AI yang semakin tertutup. Gelombang ini hampir tidak ada hubungannya dengan bidang cryptocurrency.

Upaya terbaru Web3 AI dalam arah Agen tampaknya salah arah. Mencoba merakit sistem modular multimodal ala Web2 dengan struktur terdesentralisasi, sebenarnya merupakan kesalahan ganda baik dari segi teknologi maupun pemikiran. Dalam kondisi di mana keterkaitan modul sangat kuat, distribusi fitur sangat tidak stabil, dan kebutuhan daya komputasi semakin terkonsentrasi, modularitas multimodal sulit untuk bertahan di lingkungan Web3.

Masa depan Web3 AI tidak seharusnya meniru secara membabi buta, tetapi harus mengambil pendekatan strategis yang berputar. Dari penyelarasan semantik ruang dimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah komputasi heterogen, Web3 AI perlu mencari jalan baru dan menemukan terobosan yang berbeda.

Web3 AI sulit untuk mencapai keselarasan semantik berdimensi tinggi

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" adalah teknologi kunci untuk memetakan informasi dari berbagai modal ke dalam ruang semantik yang sama. Ini memerlukan ruang嵌入 dimensi tinggi sebagai prasyarat untuk mencapai pemahaman dan perbandingan semantik lintas modal.

Namun, protokol Web3 Agent sulit untuk mencapai penyisipan dimensi tinggi. Sebagian besar Web3 Agent hanya mengemas API yang ada menjadi modul independen, kurang memiliki ruang penyisipan pusat yang terintegrasi dan mekanisme perhatian lintas modul. Ini menyebabkan informasi tidak dapat berinteraksi dari berbagai sudut dan tingkat antar modul, hanya dapat diproses mengikuti alur linier, sehingga sulit untuk membentuk optimasi siklus keseluruhan.

Untuk mewujudkan agen cerdas penuh rantai dengan batasan industri, perlu dimulai dengan pemodelan bersama dari ujung ke ujung, penyertaan yang bersatu antar modul, serta rekayasa sistematis untuk pelatihan dan penyebaran kolaboratif. Namun, saat ini pasar tidak memiliki permintaan semacam itu, sehingga secara alami juga kekurangan titik kesakitan yang sesuai.

Ruang berdimensi rendah membatasi desain presisi mekanisme perhatian

Model multimodal tingkat tinggi memerlukan mekanisme perhatian yang dirancang dengan presisi. Mekanisme ini memungkinkan model untuk secara dinamis memfokuskan pada bagian yang paling relevan saat memproses input. Namun, prasyarat agar mekanisme perhatian berfungsi adalah multimodal memiliki representasi berdimensi tinggi.

Web2 AI dalam merancang mekanisme perhatian, menggunakan arsitektur kompleks seperti Query-Key-Value, untuk mencapai fokus informasi yang efisien dan akurat. Sebaliknya, Web3 AI yang berbasis modular sulit untuk mewujudkan penjadwalan perhatian yang terintegrasi. Format data dan distribusi yang dikembalikan oleh setiap API independen bervariasi, kurangnya lapisan embedding yang seragam, sehingga tidak dapat membentuk ruang Q/K/V yang dapat diinteraksikan.

Selain itu, arsitektur modular Web3 AI juga sulit untuk mewujudkan perhatian multi-kepala secara paralel dan distribusi bobot dinamis berdasarkan konteks global. Keterbatasan ini membuat Web3 AI sulit untuk mencapai tingkat kinerja Web2 AI saat menangani tugas multimodal yang kompleks.

Fusi fitur tetap di penyambungan statis dangkal

Dalam Web2 AI, penggabungan fitur dilakukan dengan menggabungkan vektor fitur yang diproses dari berbagai modalitas berdasarkan penyelarasan dan perhatian. Namun, Web3 AI seringkali terjebak pada tahap penggabungan yang paling sederhana karena kurangnya representasi berdimensi tinggi dan mekanisme perhatian yang canggih.

Web2 AI cenderung untuk pelatihan bersama end-to-end, memproses fitur multimodal dalam ruang berdimensi tinggi yang sama, dan berkolaborasi dengan tugas hilir melalui lapisan perhatian dan lapisan penggabungan. Sebaliknya, Web3 AI lebih sering menggunakan penyambungan modul diskrit, membungkus berbagai API menjadi Agen independen, dan hanya menggabungkan output mereka, tanpa tujuan pelatihan yang terpadu dan aliran gradien lintas modul.

Selain itu, AI Web2 dapat menggunakan mekanisme perhatian untuk menyesuaikan strategi penggabungan secara dinamis, sedangkan AI Web3 sering menggunakan bobot tetap atau aturan sederhana. Dalam dimensi fitur dan kompleksitas interaksi, AI Web3 juga sulit dibandingkan dengan AI Web2 yang dipetakan ke ruang dimensi tinggi. Perbedaan ini menyebabkan AI Web3 kurang baik dalam menangani tugas lintas moda yang kompleks.

Hambatan industri AI semakin dalam, tetapi peluang belum terlihat

Sistem multimodal AI Web2 adalah proyek rekayasa besar yang memerlukan data dalam jumlah besar, daya komputasi yang kuat, algoritma canggih, dan pelaksanaan rekayasa yang kompleks. Ini menciptakan hambatan industri yang sangat kuat, serta membentuk daya saing inti dari beberapa tim terkemuka.

Namun, Web3 AI tidak seharusnya mengikuti secara buta. Ia harus fokus pada keuntungan desentralisasi, mencari peluang dalam skenario seperti komputasi tepi. Tugas yang cocok untuk Web3 AI termasuk struktur ringan, tugas yang mudah diparalelkan dan dapat diinsentifisasi, seperti fine-tuning LoRA, pelatihan pasca perilaku yang selaras, pemrosesan data crowdsourcing, pelatihan model dasar kecil, dan sebagainya.

Saat ini, hambatan Web2 AI baru mulai terbentuk, ini adalah tahap awal persaingan antar perusahaan terkemuka. Web3 AI perlu menunggu hilangnya keuntungan Web2 AI yang tersisa untuk menemukan peluang masuk yang nyata. Sebelum itu, Web3 AI harus memilih titik masuk dengan hati-hati, mengambil strategi "desa mengepung kota", mengumpulkan pengalaman dari skenario pinggiran, dan tetap fleksibel untuk menghadapi permintaan pasar yang terus berubah.