Майбутнє Web3 AI: розширення від крайових сценаріїв до основних сфер

Останнім часом, з швидким розвитком багатомодальних AI-моделей, технологічний бар'єр у сфері Web2 AI постійно поглиблюється. Від семантичного вирівнювання до візуального розуміння, від високорозмірних вбудувань до злиття ознак, складні моделі об'єднують різні способи вираження з небаченою раніше швидкістю, створюючи все більш закриту AI-територію.

Однак, ця хвиля, здається, не має багато спільного з галуззю криптовалют. Останні кілька місяців спроби Web3 AI, зокрема в напрямку Agent, мають деякі помилки в технологічному підході: спроба зібрати модульну систему на основі Web2 з децентралізованою структурою насправді є подвійним невідповідністю технологій і мислення. У сьогоднішніх умовах, коли модулі надзвичайно сильно взаємопов'язані, розподіл ознак є дуже нестабільним, а вимоги до обчислювальної потужності зростають, реалізація мультимодульності в середовищі Web3 є важкоздійсненною.

Майбутній розвиток Web3 AI не повинен обмежуватися простим наслідуванням, а слід застосовувати стратегічно обхідний підхід. Від семантичного вирівнювання у високих вимірах до інформаційних вузьких місць у механізмі уваги, і до вирівнювання ознак у різнорідних обчисленнях, Web3 AI має використовувати тактичне керівництво "села оточують місто", поступово наближаючись до ключових сфер.

Наразі Web3 AI стикається з величезними викликами в реалізації високорозмірного вбудованого простору, розробці точних механізмів уваги та здійсненні динамічної інтеграції ознак. Це в основному пов'язано з суперечностями між модульним, децентралізованим дизайном і вимогами до навчання «від початку до кінця». Більшість агентів Web3 є лише простим обгортанням існуючих API, що призводить до відсутності єдиного центрального вбудованого простору та міжмодульного механізму уваги, що ускладнює взаємодію інформації між модулями з різних точок зору та на різних рівнях, і змушує обробляти інформацію лише за лінійним процесом, ускладнюючи формування цілісної оптимізації замкненого циклу.

Хоча технологічні бар'єри Web2 AI поглиблюються, наразі проблеми в цій сфері ще не повністю проявилися. Щоб Web3 AI досягнув прориву в цій галузі, потрібно чекати на відповідний момент. До цього часу Web3 AI слід зосередитися на своїх унікальних перевагах, таких як децентралізація, висока паралельність, низька зв'язаність та сумісність з гетерогенними обчислювальними потужностями.

Ці характеристики роблять Web3 AI більш придатним для використання в таких сценаріях, як обробка на краю. Наприклад, можна зосередитися на розробці легких структур, завдань, які легко паралелізувати та можуть бути стимулюючими, таких як доопрацювання LoRA, післятренувальні завдання для узгодження поведінки, краудсорсинг даних для навчання та маркування, навчання малих базових моделей, а також спільне навчання на краю пристроїв. Ці архітектури застосування відносно легкі, дорожня карта продукту може гнучко ітеруватися.

У майбутньому проєкти Web3 AI повинні використовувати стратегію "села оточують місто", починаючи з периферії, закріплюючись у малих сценах з низькою конкуренцією та слабкою силою, поступово накопичуючи ресурси та досвід. Одночасно потрібно поєднувати точкові та широкомасштабні підходи, поступово вдосконалюючи продукцію в достатньо малих застосункових сценаріях. Крім того, необхідно мати можливість вести тривалу боротьбу та бути гнучким, уважно стежити за динамічними змінами потенційних бар'єрів Web2 AI, а також за еволюцією відповідних болючих точок, зберігаючи достатню гнучкість для швидкого коригування стратегії в різних сценаріях.

Отже, шлях розвитку Web3 AI вимагає терпіння та стратегічного бачення. Накопичуючи досвід і сили в прикордонних сценаріях, чекаючи на відповідну можливість, зрештою можна досягти прориву в основну сферу AI.