Estado atual e direções futuras do desenvolvimento da Web3 AI

O preço das ações da Nvidia atingiu um novo recorde, e os avanços nos modelos multimodais aprofundaram as barreiras técnicas da IA do Web2. Da alinhamento semântico à compreensão visual, da incorporação de alta dimensão à fusão de características, modelos complexos estão integrando, a uma velocidade sem precedentes, várias formas de expressão, construindo uma fortaleza de IA cada vez mais fechada. O mercado de ações dos EUA também votou com ações concretas, tanto as ações relacionadas a criptomoedas quanto as ações de IA tiveram uma pequena onda de alta. No entanto, essa onda de entusiasmo está quase sem relação com o campo das criptomoedas.

As tentativas recentes de Web3 AI, especialmente na exploração da direção do Agent, parecem ter se desviado: tentando montar um sistema modular multimodal à maneira do Web2 com uma estrutura descentralizada, na verdade é um desvio duplo, tanto técnico quanto de pensamento. Hoje, com uma forte acoplabilidade de módulos, distribuição de características altamente instável e uma demanda de poder computacional cada vez mais concentrada, a modularidade multimodal é difícil de se estabelecer no ecossistema Web3.

O futuro da Web3 AI não está na imitação, mas sim na estratégia de contorno. Desde o alinhamento semântico em espaços de alta dimensão, até os gargalos de informação nos mecanismos de atenção, e o alinhamento de características sob poder computacional heterogêneo, tudo precisa ser repensado. A Web3 AI deve adotar uma estratégia tática de "cercar a cidade a partir do campo".

Web3 AI baseia-se em modelos multimodais achatados, onde a dificuldade de alinhar semântica resulta em baixo desempenho.

Nos sistemas multimodais de IA Web2 modernos, "alinhamento semântico" refere-se à mapeação de informações de diferentes modalidades para o mesmo espaço semântico, permitindo que o modelo compreenda e compare os significados por trás desses sinais de formas tão distintas. Somente ao realizar um espaço de incorporação de alta dimensão é que faz sentido dividir o fluxo de trabalho em diferentes módulos para reduzir custos e aumentar a eficiência. No entanto, no protocolo Web3 Agent, é difícil alcançar a incorporação de alta dimensão, uma vez que a modularização pode ser uma ilusão da IA Web3.

Exigir que a Web3 AI implemente um espaço de alta dimensão equivale, de certa forma, a exigir que o protocolo Agent desenvolva por conta própria todas as interfaces de API envolvidas, o que vai contra a sua intenção de ser modular. O sistema multimodal modular descrito pelas pequenas e médias empresas da Web3 AI não resiste a uma análise crítica. A arquitetura de alta dimensão requer um treinamento unificado de ponta a ponta ou otimização colaborativa: desde a captura de sinais até a formulação de estratégias, passando pela execução e gerenciamento de riscos, todas as etapas devem compartilhar o mesmo conjunto de representações e funções de perda.

Para realizar um agente inteligente de cadeia completa com barreiras de indústria, é necessário um modelagem conjunta de ponta a ponta, uma incorporação unificada entre módulos e uma engenharia sistemática de treinamento e implantação colaborativa para superar, mas atualmente o mercado não apresenta tal dor, e naturalmente falta a correspondente demanda de mercado.

No espaço de baixa dimensão, o mecanismo de atenção é difícil de projetar de forma precisa.

Modelos multimodais de alto nível requerem o design de mecanismos de atenção precisos. O mecanismo de atenção é essencialmente uma forma de alocação dinâmica de recursos computacionais, que permite ao modelo "focar" seletivamente nas partes mais relevantes ao processar uma entrada de determinada modalidade.

Por que é difícil realizar agendamento de atenção unificado em uma IA Web3 baseada em módulos? Primeiro, o mecanismo de atenção depende de um espaço de Query-Key-Value unificado, onde todas as características de entrada devem ser mapeadas para o mesmo espaço vetorial de alta dimensão, para que os pesos dinâmicos possam ser calculados por meio do produto escalar. No entanto, APIs independentes retornam dados em formatos e distribuições diferentes, sem uma camada de incorporação unificada, tornando difícil formar um conjunto interativo de Q/K/V.

Em segundo lugar, a atenção de múltiplos cabeçotes permite que diferentes fontes de informação sejam focalizadas em paralelo na mesma camada e, em seguida, agrega os resultados; enquanto APIs independentes frequentemente fazem chamadas lineares, onde a saída de cada etapa é apenas a entrada do próximo módulo, carecendo da capacidade de paralelismo e de ponderação dinâmica em múltiplas direções.

Por fim, o verdadeiro mecanismo de atenção atribui pesos dinamicamente a cada elemento com base no contexto geral; no modo API, o módulo só pode ver o contexto "independente" em que é chamado, não há um contexto central compartilhado em tempo real entre si, o que impede a realização de associações e focos globais entre módulos.

A modularização discreta leva a uma fusão de características que permanece em uma colagem estática superficial.

"Fusão de características" é a combinação adicional de vetores de características obtidos após o processamento de diferentes modalidades, com base no alinhamento e na atenção, para uso direto em tarefas subsequentes. A Web3 AI, é claro, permanece na fase mais simples de concatenação, uma vez que a fusão dinâmica de características pressupõe um espaço de alta dimensão e um mecanismo de atenção preciso. Quando essas condições prévias não podem ser atendidas, a fusão de características na fase final também não pode ter um desempenho excepcional.

A IA Web2 tende a treinamento conjunto de ponta a ponta: processando simultaneamente várias características de modalidade no mesmo espaço de alta dimensão, otimizando de forma colaborativa através de camadas de atenção e camadas de fusão juntamente com a camada de tarefas subsequentes. Por outro lado, a IA Web3 adota mais a abordagem de montagem de módulos discretos, encapsulando vários APIs como Agentes independentes, e simplesmente juntando os rótulos, valores ou alertas de limiares que cada um deles gera, permitindo que a lógica principal ou pessoas tomem decisões integradas. Essa abordagem carece de um objetivo de treinamento unificado e não possui fluxo de gradiente entre os módulos.

As barreiras da indústria de IA estão se aprofundando, mas os pontos de dor ainda não se manifestaram

O sistema multimodal de IA do Web2 é um projeto de engenharia extremamente grande. Ele não apenas requer um conjunto de dados multimodal massivo, diversificado e bem rotulado, mas também precisa de uma grande quantidade de GPU e tempo de treinamento; em termos de arquitetura de modelo, integra várias das mais recentes ideias de design de rede e técnicas de otimização; na implementação de engenharia, também é necessário construir uma plataforma de treinamento distribuído escalável, sistemas de monitoramento, gerenciamento de versões de modelo e pipelines de implantação. Esse trabalho sistemático e de pilha completa, exige altos padrões de financiamento, dados, poder computacional, talentos e até mesmo colaboração organizacional, constituindo assim uma barreira de entrada muito forte na indústria.

Web3 AI ou qualquer produto de criptomoeda que se apresente como um produto de ajuste ao mercado precisa se desenvolver com a tática de " cercar as cidades a partir do campo ", devendo começar com testes em pequena escala em cenários periféricos, garantindo uma base sólida antes de esperar pela emergência de cenários centrais. O núcleo do Web3 AI reside na descentralização, e seu caminho de evolução se reflete em alta paralelização, baixa acoplamento e compatibilidade com poder computacional heterogêneo. Isso confere ao Web3 AI uma vantagem em cenários como computação em borda, sendo adequado para estruturas leves, tarefas de fácil paralelização e que podem ser incentivadas.

No entanto, as barreiras do Web2 AI estão apenas começando a se formar, e esta é a fase inicial da competição entre as principais empresas. Somente quando os benefícios do Web2 AI desaparecerem completamente, as dores remanescentes se tornarão oportunidades para a entrada do Web3 AI. Até lá, o Web3 AI precisa diferenciar cuidadosamente os protocolos com potencial de "cercar as cidades a partir do campo", focando se eles podem iterar continuamente em pequenos cenários e se possuem flexibilidade suficiente para lidar com um ambiente de mercado em constante mudança.