В последнее время акции Nvidia достигли нового рекорда, а прогресс мультимодальных моделей еще больше укрепил технологический барьер Web2 AI. От семантической согласованности до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели с поразительной скоростью интегрируют различные способы выражения, создавая все более закрытую вершину AI. Рынок акций США также на практике продемонстрировал свою положительную оценку в области AI, и как в криптовалютном мире, так и в акциях AI наблюдается небольшая бычья тенденция.
Однако этот ажиотаж, похоже, не имеет особой связи с областью криптовалют. То, что мы видим в попытках Web3 AI, особенно в развитии направления Agent в последние месяцы, кажется, идет в неправильном направлении: попытка собрать многомодульную систему в стиле Web2 с использованием децентрализованной структуры на самом деле является двойным искажением технологии и мышления. В условиях высокой взаимосвязанности модулей, крайне нестабильного распределения характеристик и все более централизованных вычислительных потребностей, многомодульность в Web3 трудно укореняется.
Будущее Web3 AI не в простом подражании, а в стратегическом обходе. От семантического выравнивания в высокоразмерном пространстве до информационного узкого места в механизме внимания и выравнивания признаков при гетерогенной вычислительной мощности — все это направления, которые требуют особого внимания.
Проблема семантической согласованности
Протоколы Web3 AI или Agent сложно реализовать в пространстве высоких размерностей. Большинство Web3 Agent просто упаковывают готовые API в независимые модули, что приводит к нехватке единого центрального пространства встраивания и межмодульного механизма внимания, что приводит к тому, что информация не может взаимодействовать между модулями с различных углов и на различных уровнях, и может двигаться только по линейному потоку, демонстрируя единственную функцию и не позволяя сформировать оптимизацию целостного замкнутого цикла.
Требование к Web3 AI реализовать высокоразмерное пространство фактически эквивалентно требованию, чтобы агентский протокол самостоятельно разработал все вовлеченные API-интерфейсы, что противоречит его модульному замыслу. Высокоразмерная архитектура требует единого обучения от конца до конца или совместной оптимизации: от захвата сигналов до вычисления стратегии, затем к исполнению и управлению рисками, все этапы делят одну и ту же систему представлений и функцию потерь.
Ограничения механизма внимания
Модульный Web3 AI сложно реализовать с единой системой распределения внимания. Механизм внимания зависит от единого пространства Query-Key-Value, все входные признаки должны быть отображены в одно и то же пространство высоких размерностей, чтобы можно было вычислить динамические веса с помощью скалярного произведения. Однако независимые API возвращают данные в разных форматах и с разным распределением, и без единого слоя внедрения невозможно сформировать интерактивный набор Q/K/V.
Механизм внимания с длинными зависимостями позволяет одновременно и параллельно сосредотачиваться на различных источниках информации на одном уровне, а затем агрегировать результаты; в то время как независимые API часто выполняют линейные вызовы, и выход на каждом шаге является просто входом для следующего модуля, что лишает их способности к параллельной обработке и динамическому многократному весу.
Поверхностная интеграция признаков
Web3 AI в настоящее время находится на самой простой стадии объединения признаков. Web2 AI стремится к совместному обучению от начала до конца, одновременно обрабатывая многомодальные признаки в одном высокоразмерном пространстве, совместно оптимизируя через слои внимания и融合層 вместе с слоями нижнего потока задач. В то время как Web3 AI больше полагается на подход с дискретными модулями, объединяя различные API в независимые агенты и простым образом комбинируя их выходные метки, значения или пороговые сигналы, принимая общее решение через основную логику или вручную.
Барьеры и возможности в AI-индустрии
Мультимодальная система Web2 AI стала крайне крупным инженерным проектом, предъявляющим высокие требования к финансам, данным, вычислительной мощности, талантам и даже организационной координации, что создает сильные отраслевые барьеры. Однако формирование этих барьеров также приносит потенциальные возможности для Web3 AI.
Основой Web3 AI является децентрализация, а его путь эволюции выражается в высокой параллельности, низкой связности и совместимости разнородных вычислительных мощностей. Это придаёт Web3 AI преимущества в таких сценариях, как крайние вычисления, что делает его подходящим для облегчённых структур, легко параллельных и поощряемых задач, таких как微调 LoRA, послеподготовительные задачи по выравниванию поведения, обучение и аннотация краудсорсинговых данных, обучение небольших базовых моделей, а также совместное обучение на крайних устройствах.
Стратегия будущего развития
Web3 AI должно применить тактику "окружения города из деревни":
Начать с краев, сначала занять крепкие позиции на небольших рынках с низкой конкурентоспособностью и ограниченным количеством сценариев, постепенно накапливая ресурсы и опыт.
Сочетание точек и плоскостей, кольцевое продвижение, непрерывная итерация и обновление продукта в достаточно маленьком приложении.
Оставайтесь гибкими и мобильными, быстро адаптируйтесь к различным ситуациям, умейте легко переключаться между различными малыми рынками и стремитесь к целевой области с максимальной скоростью.
Избегайте чрезмерной зависимости от инфраструктуры, поддерживайте легкость сетевой архитектуры для повышения адаптивности и устойчивости.
Только когда преимущества Web2 AI иссякнут, оставшиеся болевые точки станут настоящей возможностью для Web3 AI. До этого момента Web3 AI необходимо осторожно выбирать направление развития, избегая陷入 ловушку создания собственных болевых точек, и сосредоточиться на накоплении силы в пограничных сценариях, чтобы подготовиться к будущим прорывам.
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» .
Web3 AI: Дилеммы и прорывы — путь развития от имитации к стратегическим обходам
Дилемма и будущее Web3 AI
В последнее время акции Nvidia достигли нового рекорда, а прогресс мультимодальных моделей еще больше укрепил технологический барьер Web2 AI. От семантической согласованности до визуального понимания, от высокоразмерных встраиваний до слияния признаков, сложные модели с поразительной скоростью интегрируют различные способы выражения, создавая все более закрытую вершину AI. Рынок акций США также на практике продемонстрировал свою положительную оценку в области AI, и как в криптовалютном мире, так и в акциях AI наблюдается небольшая бычья тенденция.
Однако этот ажиотаж, похоже, не имеет особой связи с областью криптовалют. То, что мы видим в попытках Web3 AI, особенно в развитии направления Agent в последние месяцы, кажется, идет в неправильном направлении: попытка собрать многомодульную систему в стиле Web2 с использованием децентрализованной структуры на самом деле является двойным искажением технологии и мышления. В условиях высокой взаимосвязанности модулей, крайне нестабильного распределения характеристик и все более централизованных вычислительных потребностей, многомодульность в Web3 трудно укореняется.
Будущее Web3 AI не в простом подражании, а в стратегическом обходе. От семантического выравнивания в высокоразмерном пространстве до информационного узкого места в механизме внимания и выравнивания признаков при гетерогенной вычислительной мощности — все это направления, которые требуют особого внимания.
Проблема семантической согласованности
Протоколы Web3 AI или Agent сложно реализовать в пространстве высоких размерностей. Большинство Web3 Agent просто упаковывают готовые API в независимые модули, что приводит к нехватке единого центрального пространства встраивания и межмодульного механизма внимания, что приводит к тому, что информация не может взаимодействовать между модулями с различных углов и на различных уровнях, и может двигаться только по линейному потоку, демонстрируя единственную функцию и не позволяя сформировать оптимизацию целостного замкнутого цикла.
Требование к Web3 AI реализовать высокоразмерное пространство фактически эквивалентно требованию, чтобы агентский протокол самостоятельно разработал все вовлеченные API-интерфейсы, что противоречит его модульному замыслу. Высокоразмерная архитектура требует единого обучения от конца до конца или совместной оптимизации: от захвата сигналов до вычисления стратегии, затем к исполнению и управлению рисками, все этапы делят одну и ту же систему представлений и функцию потерь.
Ограничения механизма внимания
Модульный Web3 AI сложно реализовать с единой системой распределения внимания. Механизм внимания зависит от единого пространства Query-Key-Value, все входные признаки должны быть отображены в одно и то же пространство высоких размерностей, чтобы можно было вычислить динамические веса с помощью скалярного произведения. Однако независимые API возвращают данные в разных форматах и с разным распределением, и без единого слоя внедрения невозможно сформировать интерактивный набор Q/K/V.
Механизм внимания с длинными зависимостями позволяет одновременно и параллельно сосредотачиваться на различных источниках информации на одном уровне, а затем агрегировать результаты; в то время как независимые API часто выполняют линейные вызовы, и выход на каждом шаге является просто входом для следующего модуля, что лишает их способности к параллельной обработке и динамическому многократному весу.
Поверхностная интеграция признаков
Web3 AI в настоящее время находится на самой простой стадии объединения признаков. Web2 AI стремится к совместному обучению от начала до конца, одновременно обрабатывая многомодальные признаки в одном высокоразмерном пространстве, совместно оптимизируя через слои внимания и融合層 вместе с слоями нижнего потока задач. В то время как Web3 AI больше полагается на подход с дискретными модулями, объединяя различные API в независимые агенты и простым образом комбинируя их выходные метки, значения или пороговые сигналы, принимая общее решение через основную логику или вручную.
Барьеры и возможности в AI-индустрии
Мультимодальная система Web2 AI стала крайне крупным инженерным проектом, предъявляющим высокие требования к финансам, данным, вычислительной мощности, талантам и даже организационной координации, что создает сильные отраслевые барьеры. Однако формирование этих барьеров также приносит потенциальные возможности для Web3 AI.
Основой Web3 AI является децентрализация, а его путь эволюции выражается в высокой параллельности, низкой связности и совместимости разнородных вычислительных мощностей. Это придаёт Web3 AI преимущества в таких сценариях, как крайние вычисления, что делает его подходящим для облегчённых структур, легко параллельных и поощряемых задач, таких как微调 LoRA, послеподготовительные задачи по выравниванию поведения, обучение и аннотация краудсорсинговых данных, обучение небольших базовых моделей, а также совместное обучение на крайних устройствах.
Стратегия будущего развития
Web3 AI должно применить тактику "окружения города из деревни":
Начать с краев, сначала занять крепкие позиции на небольших рынках с низкой конкурентоспособностью и ограниченным количеством сценариев, постепенно накапливая ресурсы и опыт.
Сочетание точек и плоскостей, кольцевое продвижение, непрерывная итерация и обновление продукта в достаточно маленьком приложении.
Оставайтесь гибкими и мобильными, быстро адаптируйтесь к различным ситуациям, умейте легко переключаться между различными малыми рынками и стремитесь к целевой области с максимальной скоростью.
Избегайте чрезмерной зависимости от инфраструктуры, поддерживайте легкость сетевой архитектуры для повышения адаптивности и устойчивости.
Только когда преимущества Web2 AI иссякнут, оставшиеся болевые точки станут настоящей возможностью для Web3 AI. До этого момента Web3 AI необходимо осторожно выбирать направление развития, избегая陷入 ловушку создания собственных болевых точек, и сосредоточиться на накоплении силы в пограничных сценариях, чтобы подготовиться к будущим прорывам.