Status dan Arah Masa Depan Pengembangan Web3 AI

Harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal semakin memperdalam batasan teknologi AI Web2. Dari penyelarasan semantik hingga pemahaman visual, dari penyisipan dimensi tinggi hingga penggabungan fitur, model kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah ada sebelumnya, membangun sebuah benteng AI yang semakin tertutup. Pasar saham AS juga memberikan suara melalui tindakan nyata, baik saham terkait cryptocurrency maupun saham AI, semuanya menunjukkan gelombang kecil bullish. Namun, gelombang ini hampir tidak memiliki kaitan dengan bidang cryptocurrency.

Upaya Web3 AI belakangan ini, terutama eksplorasi arah Agent, tampaknya telah menyimpang: mencoba merakit sistem modular multimodal ala Web2 dengan struktur terdesentralisasi, yang sebenarnya merupakan kesalahan ganda dalam teknologi dan pemikiran. Di tengah tingginya keterkaitan modul, distribusi fitur yang sangat tidak stabil, dan meningkatnya kebutuhan daya komputasi, modularitas multimodal sulit untuk berdiri di ekosistem Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada penghindaran strategis. Dari penyelarasan semantik di ruang berdimensi tinggi, hingga hambatan informasi dalam mekanisme perhatian, dan penyelarasan fitur di bawah kekuatan komputasi heterogen, semuanya perlu dipikirkan kembali. Web3 AI harus mengadopsi strategi taktis "desa mengepung kota."

Web3 AI berbasis model multimodal datar, kesulitan dalam menyelaraskan semantik menyebabkan kinerja rendah

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" merujuk pada pemetaan informasi dari berbagai modal ke dalam ruang semantik yang sama, sehingga model dapat memahami dan membandingkan makna di balik sinyal-sinyal yang sangat berbeda ini. Hanya dengan mencapai ruang embedded berdimensi tinggi, memecah alur kerja menjadi modul-modul yang berbeda menjadi berarti dalam mengurangi biaya dan meningkatkan efisiensi. Namun, dalam protokol Web3 Agent, sulit untuk mencapai embedded berdimensi tinggi, karena modularitas mungkin merupakan ilusi dalam AI Web3.

Permintaan untuk Web3 AI untuk mewujudkan ruang berdimensi tinggi sama dengan meminta protokol Agent untuk mengembangkan semua antarmuka API yang terlibat sendiri, yang bertentangan dengan tujuan modularitasnya. Sistem multimodal modular yang digambarkan oleh usaha kecil dan menengah di Web3 AI tidak dapat dipertahankan. Arsitektur berdimensi tinggi membutuhkan pelatihan end-to-end yang terintegrasi atau optimisasi kolaboratif: dari penangkapan sinyal hingga perhitungan strategi, hingga eksekusi dan manajemen risiko, semua tahap harus berbagi satu set representasi dan fungsi kerugian yang sama.

Untuk mewujudkan agen cerdas seluruh rantai yang memiliki hambatan industri, diperlukan pemodelan bersama dari ujung ke ujung, penyatuan embedding antar modul, serta rekayasa sistematis untuk pelatihan dan penerapan secara kolaboratif. Namun, saat ini pasar tidak memiliki titik nyeri seperti itu, sehingga secara alami juga kurang permintaan pasar yang sesuai.

Dalam ruang dimensi rendah, mekanisme perhatian sulit dirancang secara presisi

Model multimodal tingkat tinggi memerlukan desain mekanisme perhatian yang cermat. Mekanisme perhatian pada dasarnya adalah cara untuk secara dinamis mengalokasikan sumber daya komputasi, memungkinkan model untuk "fokus" secara selektif pada bagian yang paling relevan saat memproses input dari suatu modal.

Mengapa Web3 AI berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam? Pertama, mekanisme perhatian bergantung pada ruang Query-Key-Value yang seragam, di mana semua fitur input harus dipetakan ke dalam ruang vektor berdimensi tinggi yang sama, agar dapat menghitung bobot dinamis melalui perkalian titik. Namun, API independen masing-masing mengembalikan data dalam format dan distribusi yang berbeda, tanpa lapisan embedding yang seragam, sulit untuk membentuk satu set Q/K/V yang dapat berinteraksi.

Kedua, perhatian multi-kepala memungkinkan perhatian secara paralel terhadap sumber informasi yang berbeda dalam lapisan yang sama, kemudian menggabungkan hasilnya; sedangkan API independen sering kali merupakan pemanggilan linier, di mana output setiap langkah hanya menjadi input untuk modul berikutnya, kurang memiliki kemampuan pengacakan dinamis secara paralel.

Akhirnya, mekanisme perhatian yang sebenarnya akan secara dinamis memberikan bobot untuk setiap elemen berdasarkan konteks keseluruhan; dalam mode API, modul hanya dapat melihat konteks "independen" saat dipanggil, tanpa adanya konteks pusat yang dibagikan secara real-time antar modul, sehingga tidak dapat mencapai asosiasi dan fokus global antar modul.

Modulasi diskrit yang terfragmentasi menyebabkan penggabungan fitur tetap pada penyambungan statis yang dangkal

"Fusi fitur" adalah penggabungan lebih lanjut dari vektor fitur yang diperoleh setelah memproses berbagai modal berdasarkan penyelarasan dan perhatian, untuk digunakan langsung dalam tugas hulu. Web3 AI tentu saja masih berada pada tahap penggabungan yang paling sederhana, karena fusi fitur dinamis memerlukan ruang dimensi tinggi dan mekanisme perhatian yang cermat. Ketika prasyarat tersebut tidak dapat dipenuhi, maka fusi fitur pada tahap akhir juga tidak dapat mencapai kinerja yang baik.

Web2 AI cenderung untuk pelatihan gabungan end-to-end: memproses berbagai fitur modal secara bersamaan dalam ruang berdimensi tinggi, berkolaborasi dengan lapisan perhatian dan lapisan penggabungan untuk mengoptimalkan lapisan tugas hulu. Sementara itu, Web3 AI lebih banyak menggunakan pendekatan penyambungan modul diskrit, membungkus berbagai API sebagai Agen independen, kemudian menyusun label, nilai, atau peringatan ambang yang dihasilkan masing-masing, dengan keputusan komprehensif yang dilakukan oleh logika utama atau manusia, pendekatan ini baik tidak memiliki tujuan pelatihan yang terpadu maupun aliran gradien lintas modul.

Hambatan di industri AI semakin dalam, tetapi titik nyeri belum muncul

Sistem multimodal AI Web2 adalah proyek rekayasa yang sangat besar. Ini tidak hanya membutuhkan kumpulan data lintas modal yang berjumlah besar, beragam, dan diberi label secara tepat, tetapi juga memerlukan investasi besar dalam GPU dan waktu pelatihan; dalam arsitektur model, mengintegrasikan berbagai konsep desain jaringan terbaru dan teknik optimasi; dalam implementasi rekayasa, juga perlu membangun platform pelatihan terdistribusi yang dapat diskalakan, sistem pemantauan, manajemen versi model, dan jalur penerapan. Pekerjaan sistemik yang menyeluruh dan menyeluruh ini memiliki tuntutan yang sangat tinggi terhadap dana, data, daya komputasi, bakat, dan bahkan kolaborasi organisasi, sehingga membentuk hambatan industri yang sangat kuat.

Web3 AI atau produk cryptocurrency lain yang mengklaim mencocokkan produk dengan pasar perlu berkembang dengan taktik "desa mengepung kota", seharusnya mencoba di skenario pinggiran dalam skala kecil, memastikan fondasi yang kuat sebelum menunggu munculnya skenario inti. Inti dari Web3 AI terletak pada desentralisasi, dan jalur evolusinya tercermin dalam paralelisme tinggi, keterikatan rendah, dan kompatibilitas kekuatan komputasi yang heterogen. Ini menjadikan Web3 AI lebih unggul dalam skenario seperti komputasi tepi, cocok untuk struktur ringan, tugas yang mudah diparalelkan, dan dapat memberikan insentif.

Namun, saat ini, hambatan Web2 AI baru saja mulai terbentuk, ini adalah tahap awal persaingan antara perusahaan-perusahaan besar. Hanya ketika manfaat Web2 AI hampir habis, titik-titik sakit yang ditinggalkannya akan menjadi kesempatan bagi Web3 AI untuk masuk. Sebelum itu, Web3 AI perlu dengan hati-hati mengidentifikasi protokol yang memiliki potensi "pedesaan mengelilingi kota", memperhatikan apakah mereka dapat terus berinovasi dalam skenario kecil, dan apakah mereka memiliki fleksibilitas yang cukup untuk menghadapi perubahan pasar yang dinamis.