التحديات التي تواجه Web3 AI والاتجاهات المستقبلية للتطوير

سجل سعر سهم إنفيديا رقمًا قياسيًا جديدًا، حيث عمقت التقدم في النماذج متعددة الوسائط الحواجز التقنية لـ Web2 AI. من المحاذاة الدلالية إلى الفهم البصري، ومن الإدخالات عالية الأبعاد إلى دمج الميزات، تعمل النماذج المعقدة على دمج طرق التعبير المختلفة بسرعات غير مسبوقة، مما يبني مرتفعات AI التي تزداد انغلاقًا. كما أظهرت سوق الأسهم الأمريكية من خلال أفعالها الفعلية تفاؤلها تجاه صناعة AI، سواء كانت أسهم العملات أو أسهم AI، فقد أظهرت جميعها موجة صغيرة من السوق الصاعد.

ومع ذلك، يبدو أن هذه الحماسة لا تتعلق بمجال العملات المشفرة. في الآونة الأخيرة، كانت هناك محاولات في Web3 AI، وخاصة في استكشاف اتجاه الوكلاء، حيث يوجد انحراف واضح في الاتجاه: محاولة تجميع نظام متعدد النماذج على نمط Web2 باستخدام هيكل لامركزي، وهو في الواقع نوع من الخلط التكنولوجي والفكري. في الوقت الحالي، حيث يكون تكامل الوحدات قويًا للغاية، وتوزيع الخصائص غير مستقر بشكل كبير، ومتطلبات الحوسبة تتزايد بشكل مركزي، من الصعب أن تثبت النماذج المتعددة النماذج أقدامها في بيئة Web3.

مستقبل Web3 AI ليس في التقليد، بل في التحويل الاستراتيجي. من محاذاة المعنى في الفضاءات عالية الأبعاد، إلى اختناق المعلومات في آليات الانتباه، وصولاً إلى محاذاة الخصائص تحت قوة حساب غير متجانسة، يحتاج Web3 AI إلى اتباع طرق جديدة للعثور على مسار تطوره الخاص.

معضلة التوافق الدلالي للذكاء الاصطناعي Web3

في أنظمة الويب 2 الحديثة للذكاء الاصطناعي متعددة الأنماط، تُعد "محاذاة المعاني" التقنية الأساسية التي تربط المعلومات من أنماط مختلفة إلى نفس الفضاء الدلالي. وهذا يمكّن النماذج من فهم ومقارنة المعاني الكامنة وراء أشكال الإشارات المختلفة. يُعتبر الفضاء المتجه عالي الأبعاد أساسياً لتحقيق هذا الهدف، حيث يسمح بترميز الميزات الدلالية المعقدة إلى متجهات تتكون من مئات أو حتى آلاف الأبعاد.

ومع ذلك، فإن بروتوكول وكيل Web3 يصعب تحقيقه للدمج عالي الأبعاد. معظم وكلاء Web3 ما هم إلا تغليف لواجهات برمجة التطبيقات الحالية في وحدات مستقلة، مما يفتقر إلى مساحة دمج مركزية موحدة وآلية انتباه عبر الوحدات. وهذا يؤدي إلى عدم القدرة على تبادل المعلومات بين الوحدات من زوايا متعددة وطبقات متعددة، مما يجعل النظام يظهر وظيفة واحدة، ويصعب تشكيل تحسين مغلق كامل.

لتنفيذ وكيل ذكي شامل ذو حواجز صناعية، يجب أن نبدأ من النمذجة المشتركة من الطرف إلى الطرف، والتضمين الموحد عبر الوحدات، والهندسة النظامية للتدريب والتوظيف التعاوني. لكن السوق الحالي لم يظهر مثل هذا الطلب، وبالتالي يفتقر إلى الحلول المناسبة.

قيود آلية الانتباه

تتطلب النماذج متعددة الوسائط عالية المستوى آلية انتباه مصممة بدقة. تعتبر آلية الانتباه في جوهرها وسيلة لتوزيع موارد الحساب بشكل ديناميكي، مما يسمح للنموذج "بالتركيز" انتقائياً على الأجزاء الأكثر صلة أثناء معالجة المدخلات.

عند تصميم آلية الانتباه، تستخدم الذكاء الاصطناعي Web2 عادةً نموذج Query-Key-Value (Q-K-V)، مما يساعد على تحديد المعلومات الرئيسية. ومع ذلك، يواجه الذكاء الاصطناعي Web3 القائم على النمذجة صعوبة في تحقيق جدولة انتباه موحدة. تشمل الأسباب الرئيسية ما يلي:

1. نقص في فضاء Q-K-V الموحد
2. لا يمكن تحقيق حسابات متوازية لآلية الانتباه المتعدد.
3. نقص السياق المركزي المشترك في الوقت الحقيقي بين الوحدات

لذلك، فإن الاعتماد فقط على حزم أنواع مختلفة من الوظائف في واجهات برمجة التطبيقات المتميزة لا يمكن أن يبني قدرة "جدولة الانتباه الموحد" مثل Transformer.

معضلة السطحية لدمج الميزات

دمج الميزات هو عملية دمج المتجهات الميزات التي تم الحصول عليها من معالجة أنماط مختلفة، بناءً على المحاذاة والانتباه. حاليًا، لا يزال Web3 AI في مرحلة الربط البسيط، ويرجع ذلك أساسًا إلى نقص الفضاء عالي الأبعاد وآلية الانتباه الدقيقة كشرط أساسي.

تميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، بينما يعتمد الذكاء الاصطناعي في Web3 بشكل أكبر على تجميع الوحدات المنفصلة. هذه الطريقة تفتقر إلى هدف تدريبي موحد، ولا يوجد تدفق تدرجات عبر الوحدات، مما يؤدي إلى بقاء دمج الميزات في مرحلة التجميع الثابت السطحي.

حواجز الصناعة الذكاء الاصطناعي والفرص المستقبلية

تتعمق الحواجز التقنية في صناعة الذكاء الاصطناعي باستمرار. نظام الويب 2.0 الذكي متعدد الوسائط هو مشروع هندسي ضخم يتطلب كميات هائلة من البيانات، وقوة حسابية كبيرة، وخوارزميات متقدمة، وقدرة هندسية منهجية. وهذا يشكل حاجزًا صناعيًا قويًا، كما أنه يخلق القدرة التنافسية الأساسية لعدد قليل من الفرق الرائدة.

ومع ذلك، قد تكمن فرصة Web3 AI في استراتيجية "الريف يحيط بالمدينة". يجب أن تقوم Web3 AI بتجربة صغيرة في سيناريوهات الطرف، مثل الهياكل الخفيفة، والمهام السهلة المتوازية والقابلة للتحفيز. قد تشمل هذه الأمور ضبط LoRA، ومهام ما بعد التدريب المتوافقة مع السلوك، وتدريب وتعليم البيانات عبر الحشود، وتدريب نماذج أساسية صغيرة، بالإضافة إلى التدريب التعاوني على الأجهزة الطرفية.

من المهم أن نلاحظ أن الحواجز الحالية في Web2 AI قد بدأت للتو بالتشكل، وهذا هو المرحلة المبكرة من المنافسة بين الشركات الرائدة. قد تأتي الفرصة الحقيقية لـ Web3 AI عندما تختفي مكاسب Web2 AI تمامًا، حيث ستكون نقاط الألم المتبقية هي أفضل وقت لدخول Web3 AI.

قبل ذلك، يجب أن تتمتع مشاريع Web3 AI بالخصائص التالية:

1. الدخول من الهامش، وتثبيت القدمين في مشهد صغير
2. الجمع بين النقاط والأسطح، والدفع الحلقي، مع التحديث المستمر في مشاهد الاستخدام الصغيرة
3. الحفاظ على المرونة والقدرة على التكيف السريع مع احتياجات السيناريوهات المختلفة

فقط المشاريع التي تتمتع بهذه الخصائص لديها القدرة على الحصول على مكان في مجال Web3 AI في المستقبل.