تعمق الحواجز التقنية في Web2 AI، يجب على Web3 AI البحث عن نقطة تفوق مميزة

في الآونة الأخيرة، لم تؤثر تطورات النماذج متعددة الوسائط على الشركات الرائدة في مجال الذكاء الاصطناعي، بل عززت من المزايا التقنية للذكاء الاصطناعي في ويب 2. من التوافق الدلالي إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الميزات، تقوم النماذج المعقدة بدمج طرق التعبير المختلفة بسرعات غير مسبوقة، مما يبني قمة الذكاء الاصطناعي المغلقة بشكل متزايد. هذه الموجة ليست مرتبطة تقريبًا بميدان العملات المشفرة.

يبدو أن محاولات Web3 AI الأخيرة في اتجاه الوكلاء كانت خاطئة. إن محاولة استخدام هيكل لامركزي لتجميع نظام متعدد الأوضاع على نمط Web2 هو في الواقع انحراف مزدوج عن التقنية والتفكير. في الوقت الذي تكون فيه ترابط الوحدات قويًا للغاية، وتوزيع الميزات غير مستقر بدرجة عالية، واحتياجات قوة الحوسبة تتركز بشكل متزايد، يصبح من الصعب على النماذج متعددة الأوضاع أن تجد موطئ قدم لها في بيئة Web3.

يجب ألا يكون مستقبل Web3 AI تقليدًا أعمى، بل يجب أن يتبنى تحركات استراتيجية غير مباشرة. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى عنق الزجاجة المعلوماتية في آليات الانتباه، وصولاً إلى محاذاة الخصائص تحت القوى الحسابية المتنوعة، يحتاج Web3 AI إلى اتخاذ مسارات جديدة والبحث عن نقاط اختراق متميزة.

من الصعب تحقيق محاذاة المعنى متعدد الأبعاد في Web3 AI

في أنظمة الويب 2 الحديثة متعددة الأنماط للذكاء الاصطناعي، تُعتبر "محاذاة المعاني" تقنية رئيسية لربط معلومات الأنماط المختلفة معًا في نفس الفضاء الدلالي. يتطلب ذلك وجود فضاء تضمين عالي الأبعاد كشرط مسبق لتحقيق الفهم والمقارنة الدلالية عبر الأنماط.

ومع ذلك، فإن بروتوكول Web3 Agent يصعب تحقيقه في التضمين عالي الأبعاد. معظم Web3 Agent لا تعدو كونها تغليفاً لواجهات برمجة التطبيقات الحالية في وحدات مستقلة، مما يفتقر إلى مساحة تضمين مركزية موحدة وآلية انتباه عبر الوحدات. وهذا يؤدي إلى عدم إمكانية تفاعل المعلومات من زوايا ومستويات متعددة بين الوحدات، مما يجعلها قادرة فقط على المعالجة وفقاً لعملية خطية، مما يصعب تشكيل تحسين حلقة مغلقة شاملة.

لتحقيق وكيل ذكي شامل لديه حواجز صناعية، من الضروري البدء بالنمذجة المشتركة من طرف إلى طرف، والتضمين الموحد عبر الوحدات، بالإضافة إلى الهندسة النظامية للتدريب والنشر المتعاون. لكن السوق الحالية لا تحتوي على مثل هذه الطلبات، وبالتالي تفتقر إلى النقاط المؤلمة المناسبة.

القيود في الفضاء ذي الأبعاد المنخفضة تحد من التصميم الدقيق لآلية الانتباه

تتطلب النماذج متعددة الأنماط عالية المستوى آلية انتباه مصممة بدقة. تتيح هذه الآلية للنموذج التركيز ديناميكيًا على الأجزاء الأكثر صلة أثناء معالجة المدخلات. ومع ذلك، فإن الشرط الأساسي لعمل آلية الانتباه هو أن تتمتع النماذج متعددة الأنماط بتمثيل عالي الأبعاد.

اعتمد الذكاء الاصطناعي في Web2 عند تصميم آلية الانتباه على بنى معقدة مثل الاستعلام-المفتاح-القيمة، مما أتاح تركيز المعلومات بشكل فعال ودقيق. بالمقابل، يجد الذكاء الاصطناعي في Web3 القائم على المودولارية صعوبة في تحقيق جدولة انتباه موحدة. تختلف تنسيقات البيانات التي تعيدها واجهات برمجة التطبيقات المستقلة وتوزيعها، مما يفتقر إلى طبقة تضمين موحدة، ولا يمكن تشكيل مساحة Q/K/V تفاعلية.

علاوة على ذلك، فإن الهيكل المعماري القابل للتعديل لـ Web3 AI يجعل من الصعب تحقيق الانتباه المتعدد المتوازي وتوزيع الوزن الديناميكي القائم على السياق العام. هذه القيود تجعل Web3 AI يواجه صعوبة في الوصول إلى مستوى أداء Web2 AI عند معالجة المهام متعددة الأنماط المعقدة.

دمج الميزات يبقى في التثبيت الساكن السطحي

في Web2 AI، يتم دمج الميزات على أساس المحاذاة والانتباه، حيث يتم دمج متجهات الميزات المعالجة من أوضاع مختلفة بشكل عميق. ومع ذلك، فإن Web3 AI، بسبب نقص التمثيلات عالية الأبعاد وآليات الانتباه الدقيقة، غالبًا ما تتوقف دمج الميزات عند مرحلة الربط البسيطة.

تميل الذكاء الاصطناعي في Web2 إلى التدريب المشترك من النهاية إلى النهاية، حيث تعالج الميزات متعددة الأنماط في نفس الفضاء العالي الأبعاد، وتتعاون مع المهام اللاحقة من خلال طبقات الانتباه وطبقات الاندماج. بالمقارنة، يعتمد الذكاء الاصطناعي في Web3 بشكل أكبر على تجميع الوحدات المنفصلة، حيث يتم تغليف أنواع مختلفة من واجهات البرمجة في وكلاء مستقلين، ويتم تجميع مخرجاتها ببساطة، مما يفتقر إلى هدف تدريبي موحد وتدفق التدرجات عبر الوحدات.

بالإضافة إلى ذلك، يمكن لـ Web2 AI استخدام آلية الانتباه لضبط استراتيجيات الدمج ديناميكيًا، بينما غالبًا ما يستخدم Web3 AI أوزانًا ثابتة أو قواعد بسيطة. في أبعاد الميزات وتعقيد التفاعل، يجد Web3 AI أيضًا صعوبة في مقارنة مع Web2 AI الذي يتم توصيله إلى مساحة عالية الأبعاد. تؤدي هذه الفجوات إلى أداء ضعيف لـ Web3 AI عند معالجة المهام المعقدة متعددة الوسائط.

تعمق الحواجز في صناعة الذكاء الاصطناعي، لكن الفرص لم تتضح بعد

نظام الذكاء الاصطناعي متعدد النماذج في Web2 هو مشروع هندسي ضخم يتطلب كميات هائلة من البيانات، وقدرة حسابية قوية، وخوارزميات متقدمة، وتنفيذ هندسي معقد. وهذا يشكل حاجزًا قويًا في الصناعة، ويخلق أيضًا القدرة التنافسية الأساسية لعدد قليل من الفرق الرائدة.

ومع ذلك، لا ينبغي أن تتبع Web3 AI بشكل أعمى. يجب أن تركز على مزايا اللامركزية، والبحث عن الفرص في سيناريوهات مثل الحوسبة الطرفية. تشمل المهام المناسبة لـ Web3 AI الهياكل الخفيفة، والمهام التي يسهل توزيعها والتي يمكن تحفيزها، مثل ضبط LoRA الدقيق، والتدريب اللاحق لمحاذاة السلوك، ومعالجة البيانات الجماعية، وتدريب نماذج أساسية صغيرة، وغيرها.

حالياً، بدأت الحواجز أمام الذكاء الاصطناعي في Web2 تتشكل للتو، وهذه هي المرحلة المبكرة من المنافسة بين الشركات الرائدة. يحتاج الذكاء الاصطناعي في Web3 إلى الانتظار حتى تتلاشى مزايا Web2 ليتمكن من التعرف على نقاط الألم المتبقية، ليجد فرصة الدخول الحقيقية. قبل ذلك، يجب على الذكاء الاصطناعي في Web3 اختيار نقاط الدخول بحذر، واعتماد استراتيجية "تحيط الريف بالمدينة"، من خلال جمع الخبرة من السيناريوهات الهامشية، والحفاظ على المرونة للتكيف مع احتياجات السوق المتغيرة باستمرار.