Проблемы и будущее развития Web3 AI

Быстрое развитие технологий Web2 AI углубляет отраслевые барьеры. Сложность многомодальных моделей постоянно возрастает, от семантического выравнивания до визуального понимания, от высокоразмерных вложений до слияния признаков — на каждом этапе требуется значительное количество ресурсов. Эта тенденция приводит к дальнейшему увеличению технологического разрыва в области ИИ.

Однако Web3 AI, похоже, отстает в этой конкуренции. Особенно это касается недавних попыток в направлении Агентов, где есть серьезные проблемы с направлением. Попытка собрать многомодульную систему в стиле Web2 с использованием децентрализованной структуры на самом деле является двойным несоответствием как в технологии, так и в мышлении. В условиях высокой модульной связанности, крайне нестабильного распределения признаков и все более сосредоточенных потребностей в вычислительных мощностях, многомодульная система в среде Web3 испытывает трудности с укоренением.

В инфраструктуре Web3 AI существует несколько ключевых проблем:

1. Невозможность согласования семантики приводит к снижению производительности. Протокол Web3 Agent не может реализовать высокоразмерные встраивания, поскольку модульность сама по себе является иллюзией. Между различными модулями отсутствует единое семантическое представление, что затрудняет эффективный информационный обмен и интеграцию.

2. В низкоразмерном пространстве механизмы внимания не могут быть точно спроектированы. Модульная структура Web3 AI делает невозможным создание единого пространства Query-Key-Value, а также отсутствуют возможности параллельных вычислений и динамического распределения весов.

3. Слияние признаков остается на простой стадии статического соединения. Из-за отсутствия высокоразмерного представления и точного механизма внимания Web3 AI трудно реализовать сложное взаимодействие признаков и динамическое слияние.

Несмотря на то, что барьеры в индустрии ИИ углубляются, текущие болевые точки Web2 AI еще не проявились в полной мере. Чтобы Web3 AI смог преодолеть эти барьеры, необходимо принять стратегию "окружения города сельской местностью", начиная с краевых сценариев. Возможные направления для внимания включают:

• Легкая структура и простые параллельные задачи
• LoRA дообучение
• Задача пост-тренировки по согласованию поведения
• Краудсорсинг данных для обучения и аннотации
• Обучение маломасштабных базовых моделей
• Согласованное обучение на периферийных устройствах

Проекты Web3 AI должны обладать следующими характеристиками:

• Начать с маломасштабных пограничных сцен
• Быстро итерация в определенных сценариях применения
• Сохранять гибкость структуры, чтобы соответствовать различным требованиям сценариев

Только когда исчезнут преимущества Web2 AI и останутся очевидные болевые точки, Web3 AI сможет найти настоящие возможности. До этого момента Web3 AI необходимо осторожно выбирать точки входа, избегая слепого преследования созданных "болей". Успешные проекты Web3 AI в будущем будут теми, которые смогут уверенно развиваться в пограничных сценариях и обладают способностью быстро адаптироваться.