As dificuldades e direções futuras do desenvolvimento da Web3 AI

O rápido avanço da tecnologia Web2 AI está aprofundando as barreiras da indústria. A complexidade dos modelos multimodais está aumentando continuamente, desde o alinhamento semântico até a compreensão visual, desde incorporações de alta dimensão até a fusão de características, todos os aspectos exigem um grande investimento de recursos. Esta tendência de desenvolvimento está ampliando ainda mais a disparidade técnica no campo da IA.

No entanto, a Web3 AI parece estar atrasada nesta competição. Especialmente nas tentativas recentes na direção do Agent, onde há problemas sérios de direção. Tentar montar um sistema modular multimodal no estilo Web2 com uma estrutura descentralizada é, na verdade, um duplo desalinhamento técnico e de pensamento. No atual contexto de forte acoplamento de módulos, distribuição de características altamente instável e demanda de poder computacional cada vez mais concentrada, a modularidade multimodal é difícil de se estabelecer no ambiente Web3.

A infraestrutura do Web3 AI apresenta várias questões-chave:

1. A desalinização semântica leva a um desempenho abaixo do esperado. O protocolo Web3 Agent não consegue realizar embeddings de alta dimensão, pois a modularidade em si é uma ilusão. Há uma falta de representação semântica unificada entre os vários módulos, dificultando a interação e integração eficazes das informações.

2. No espaço de baixa dimensão, o mecanismo de atenção não pode ser projetado de forma precisa. A estrutura modular da Web3 AI impede a construção de um espaço unificado de Query-Key-Value, e também carece da capacidade de computação paralela e alocação dinâmica de pesos.

3. A fusão de características permanece na fase simples de colagem estática. Devido à falta de representações de alta dimensão e de um mecanismo de atenção preciso, a Web3 AI tem dificuldade em realizar interações complexas de características e fusões dinâmicas.

Apesar de as barreiras na indústria de IA estarem a aprofundar-se, os pontos problemáticos da IA Web2 ainda não se manifestaram plenamente. Para que a IA Web3 possa romper, é necessário adotar uma estratégia de "cercar as cidades a partir do campo", começando por cenários periféricos. Direções a serem consideradas incluem:

• Estrutura leve e fácil de tarefas em paralelo
• Ajuste fino de LoRA
• Tarefa de pós-treinamento de alinhamento de comportamento
• Treinamento e rotulagem de dados de crowdsourcing
• Treinamento de modelos básicos pequenos
• Treinamento colaborativo em dispositivos de borda

Os projetos de Web3 AI devem ter as seguintes características:

• Entrar a partir de cenários de borda de pequena escala
• Ser capaz de iterar rapidamente em cenários de aplicação específicos
• Manter a flexibilidade da arquitetura para se adaptar às diferentes necessidades do cenário.

Só quando os benefícios da IA Web2 desaparecerem e deixarem pontos de dor claros, a IA Web3 poderá encontrar verdadeiras oportunidades. Até lá, a IA Web3 precisa escolher cuidadosamente seus pontos de entrada, evitando perseguir "pontos de dor" criados por conta própria. Os projetos de IA Web3 de sucesso no futuro serão aqueles que conseguem se estabelecer firmemente em cenários de borda e que possuem a capacidade de se adaptar rapidamente.