Tantangan dan Arah Pengembangan Web3 AI di Masa Depan

Harga saham Nvidia mencapai rekor tertinggi baru, kemajuan model multimodal semakin memperdalam batasan teknologi AI Web2. Dari penyelarasan semantik hingga pemahaman visual, dari嵌入 dimensi tinggi hingga penggabungan fitur, model yang kompleks sedang mengintegrasikan berbagai cara ekspresi dengan kecepatan yang belum pernah terjadi sebelumnya, membangun sebuah puncak AI yang semakin tertutup. Pasar saham AS juga menunjukkan dukungannya terhadap industri AI melalui tindakan nyata, baik itu saham koin maupun saham AI, semuanya menunjukkan gelombang pasar bullish kecil.

Namun, gelombang ini tampaknya tidak ada hubungannya dengan bidang cryptocurrency. Upaya terbaru dalam Web3 AI, terutama eksplorasi di arah Agent, menunjukkan pergeseran arah yang jelas: mencoba merakit sistem modular multimodal ala Web2 dengan struktur terdesentralisasi, yang pada kenyataannya merupakan kesalahan ganda dalam teknologi dan pemikiran. Di zaman ketika kohesi modul sangat kuat, distribusi fitur sangat tidak stabil, dan kebutuhan daya komputasi semakin terpusat, modular multimodal sulit untuk berdiri kokoh di lingkungan Web3.

Masa depan Web3 AI tidak terletak pada peniruan, tetapi pada pendekatan strategis yang berputar. Dari penyelarasan semantik di ruang dimensi tinggi, hingga kendala informasi dalam mekanisme perhatian, sampai penyelarasan fitur di bawah komputasi heterogen, Web3 AI perlu menemukan jalan sendiri dan menemukan jalur pengembangannya.

Dilema Penyelarasan Semantik Web3 AI

Dalam sistem multimodal AI Web2 modern, "penyelarasan semantik" adalah teknologi kunci untuk memetakan informasi dari berbagai modal ke dalam ruang semantik yang sama. Ini memungkinkan model untuk memahami dan membandingkan makna mendalam di balik sinyal dalam bentuk yang berbeda. Ruang embedding berdimensi tinggi adalah dasar untuk mencapai tujuan ini, yang memungkinkan pengkodean fitur semantik kompleks ke dalam vektor dengan ratusan bahkan ribuan dimensi.

Namun, protokol Web3 Agent sulit untuk mencapai penyisipan dimensi tinggi. Sebagian besar Web3 Agent hanya mengemas API yang ada menjadi modul independen, kurang memiliki ruang penyisipan pusat yang seragam dan mekanisme perhatian lintas modul. Hal ini menyebabkan informasi tidak dapat berinteraksi secara multi-aspek dan multi-level antar modul, sehingga sistem menunjukkan fungsi tunggal dan sulit untuk membentuk optimasi siklus keseluruhan.

Untuk mewujudkan agen cerdas rantai penuh dengan hambatan industri, perlu dimulai dari pemodelan bersama end-to-end, penyematan terpadu antar modul, serta rekayasa sistematis pelatihan dan penerapan kolaboratif. Namun, saat ini pasar belum menunjukkan kebutuhan seperti itu, sehingga secara alami juga kekurangan solusi yang sesuai.

Keterbatasan Mekanisme Perhatian

Model multimodal tingkat tinggi membutuhkan mekanisme perhatian yang dirancang dengan presisi. Mekanisme perhatian pada dasarnya adalah cara untuk secara dinamis mendistribusikan sumber daya komputasi, memungkinkan model untuk "fokus" secara selektif pada bagian yang paling relevan saat memproses input.

Web2 AI dalam merancang mekanisme perhatian biasanya menggunakan pola Query-Key-Value (Q-K-V), yang membantu menentukan informasi kunci. Namun, Web3 AI yang berbasis modular sulit untuk mencapai penjadwalan perhatian yang seragam. Alasan utamanya meliputi:

1. Kurangnya ruang Q-K-V yang seragam
2. Tidak dapat melakukan perhitungan paralel pada perhatian multi-head
3. Kurangnya konteks pusat yang dibagikan secara real-time antar modul

Oleh karena itu, hanya mengandalkan pengemasan berbagai fungsi menjadi API yang terpisah, tidak dapat membangun kemampuan "penjadwalan perhatian terpadu" seperti Transformer.

Dilema dangkal penggabungan fitur

Fusi fitur adalah penggabungan lebih lanjut dari vektor fitur yang diperoleh setelah memproses berbagai modal berdasarkan penyelarasan dan perhatian. Web3 AI saat ini berada di tahap penggabungan yang paling sederhana, terutama karena kurangnya ruang berdimensi tinggi dan mekanisme perhatian yang canggih sebagai syarat.

AI Web2 cenderung menggunakan pelatihan bersatu dari ujung ke ujung, sementara AI Web3 lebih banyak menggunakan pendekatan penyambungan modul diskrit. Cara ini tidak memiliki tujuan pelatihan yang terintegrasi dan juga tidak ada aliran gradien antar modul, yang mengakibatkan penggabungan fitur terjebak pada tahap penyambungan statis yang dangkal.

Hambatan dan Peluang Masa Depan di Industri AI

Hambatan teknis di industri AI semakin dalam. Sistem multimodal AI Web2 adalah proyek teknik yang besar, memerlukan data yang sangat besar, kekuatan komputasi yang kuat, algoritma canggih, dan kemampuan rekayasa yang sistematis. Ini menciptakan hambatan industri yang sangat kuat, serta menjadikan kekuatan kompetitif inti dari sejumlah tim terkemuka.

Namun, peluang Web3 AI mungkin terletak pada taktik "desa mengepung kota". Web3 AI seharusnya melakukan uji coba skala kecil di skenario tepi, seperti struktur ringan, tugas yang mudah diparalelkan dan dapat memberikan insentif. Ini mungkin termasuk pemfineman LoRA, tugas pelatihan pasca pelatihan yang sejajar dengan perilaku, pelatihan dan pelabelan data crowdsourcing, pelatihan model dasar kecil, serta pelatihan kolaboratif perangkat tepi.

Perlu dicatat bahwa hambatan Web2 AI saat ini baru mulai terbentuk, ini adalah tahap awal kompetisi antar perusahaan terkemuka. Peluang nyata Web3 AI mungkin harus menunggu hingga keuntungan Web2 AI hampir habis, dan titik nyeri yang ditinggalkannya adalah waktu terbaik bagi Web3 AI untuk masuk.

Sebelum itu, proyek Web3 AI perlu memiliki ciri-ciri berikut:

1. Masuk dari pinggiran, berdiri kokoh di dalam skenario kecil
2. Menggabungkan titik dan bidang, memajukan secara melingkar, terus menerus memperbarui dalam skenario aplikasi kecil.
3. Tetap fleksibel dan mampu dengan cepat beradaptasi dengan kebutuhan berbagai skenario.

Hanya proyek yang memiliki sifat-sifat ini yang mungkin memiliki tempat di bidang Web3 AI di masa depan.