As barreiras tecnológicas da IA Web2 estão a aumentar, a IA Web3 precisa de encontrar um ponto de diferenciação.

Recentemente, a evolução dos modelos multimodais não teve impacto nas principais empresas de IA, mas antes consolidou ainda mais a vantagem técnica da IA Web2. Desde o alinhamento semântico até a compreensão visual, desde a incorporação em alta dimensão até a fusão de características, modelos complexos estão integrando, a uma velocidade sem precedentes, as diversas formas de expressão, construindo um território de IA cada vez mais fechado. Esta onda de entusiasmo está quase sem qualquer relação com o campo das criptomoedas.

As tentativas recentes da Web3 AI na direção de agentes parecem estar mal direcionadas. Tentar montar um sistema modular multimodal ao estilo Web2 usando uma estrutura descentralizada é, na verdade, uma dupla desajuste técnico e de pensamento. Hoje, em um cenário onde a acoplabilidade dos módulos é extremamente alta, a distribuição das características é altamente instável e a demanda por poder computacional está cada vez mais concentrada, a modularidade multimodal tem dificuldade em se firmar no ambiente Web3.

O futuro da Web3 AI não deve ser uma imitação cega, mas deve adotar uma abordagem estratégica e contornada. Desde o alinhamento semântico em espaços de alta dimensão, passando pelo gargalo de informação nos mecanismos de atenção, até o alinhamento de características sob poder computacional heterogêneo, a Web3 AI precisa encontrar novos caminhos e buscar pontos de ruptura diferenciados.

Web3 AI é difícil de alcançar o alinhamento semântico de alta dimensão

Nos sistemas multimodais de IA Web2 modernos, "alinhamento semântico" é a tecnologia chave para mapear informações de diferentes modalidades em um mesmo espaço semântico. Isso requer um espaço de incorporação de alta dimensão como pré-requisito, para que a compreensão e comparação semântica intermodal possam ser realizadas.

No entanto, o protocolo Web3 Agent é difícil de implementar em alta dimensão. A maioria dos Web3 Agents apenas encapsula APIs existentes em módulos independentes, faltando um espaço de incorporação central unificado e um mecanismo de atenção entre módulos. Isso resulta na incapacidade de interagir com informações de múltiplas perspectivas e níveis entre os módulos, podendo apenas ser processadas em um fluxo linear, dificultando a formação de uma otimização de ciclo fechado global.

Para implementar um agente inteligente de toda a cadeia com barreiras de setor, é necessário começar com modelagem conjunta de ponta a ponta, incorporação unificada entre módulos e um projeto sistemático de treinamento e implantação colaborativa. No entanto, atualmente não há demanda no mercado para isso, e naturalmente também faltam pontos de dor correspondentes.

O espaço de baixa dimensão limita o design preciso do mecanismo de atenção

Modelos multimodais de alto nível requerem mecanismos de atenção projetados com precisão. Este mecanismo permite que o modelo se concentre dinamicamente nas partes mais relevantes ao processar a entrada. No entanto, a condição para o funcionamento do mecanismo de atenção é que o multimodal possua representações de alta dimensão.

A IA Web2, ao projetar mecanismos de atenção, adotou arquiteturas complexas como Query-Key-Value, alcançando um foco de informação eficiente e preciso. Em contraste, a IA Web3, baseada em modularidade, enfrenta dificuldades em realizar uma programação de atenção unificada. Os formatos e distribuições de dados retornados por diferentes APIs independentes variam, carecendo de uma camada de incorporação unificada, o que impede a formação de um espaço Q/K/V interativo.

Além disso, a arquitetura modular da Web3 AI também dificulta a implementação de atenção múltipla paralela e a alocação dinâmica de pesos com base no contexto global. Essas limitações fazem com que a Web3 AI tenha dificuldades em atingir o nível de desempenho da Web2 AI ao lidar com tarefas complexas multimodais.

Fusão de características permanece em uma colagem estática superficial

Na IA Web2, a fusão de características é uma combinação profunda de vetores de características processados de diferentes modalidades com base em alinhamento e atenção. No entanto, a IA Web3, devido à falta de representações de alta dimensão e mecanismos de atenção refinados, muitas vezes fica restrita à fase mais simples de concatenação.

A IA do Web2 tende a um treinamento conjunto de ponta a ponta, processando características multimodais no mesmo espaço de alta dimensão e otimizando em conjunto com tarefas subsequentes através de camadas de atenção e fusão. Em contraste, a IA do Web3 utiliza principalmente a combinação de módulos discretos, encapsulando diversos APIs como Agentes independentes, combinando simplesmente suas saídas, carecendo de um objetivo de treinamento unificado e do fluxo de gradientes entre módulos.

Além disso, a IA Web2 consegue utilizar mecanismos de atenção para ajustar dinamicamente as estratégias de fusão, enquanto a IA Web3 geralmente usa pesos fixos ou regras simples. Em termos de dimensão de características e complexidade de interação, a IA Web3 também tem dificuldade em se comparar com a IA Web2 mapeada para um espaço de alta dimensão. Essas lacunas fazem com que a IA Web3 tenha um desempenho insatisfatório ao lidar com tarefas complexas de múltiplos modos.

Barreiras no setor de IA estão se aprofundando, mas oportunidades ainda não se manifestaram

O sistema multimodal de IA Web2 é um grande projeto de engenharia que requer uma enorme quantidade de dados, poder computacional robusto, algoritmos avançados e implementações de engenharia complexas. Isso cria barreiras de entrada significativas no setor e estabelece a competitividade central de algumas equipes líderes.

No entanto, a Web3 AI não deve seguir cegamente. Deve concentrar-se nas vantagens da descentralização, procurando oportunidades em cenários como computação de borda. As tarefas adequadas para a Web3 AI incluem estruturas leves, tarefas fáceis de paralelizar e que podem ser incentivadas, como ajuste fino LoRA, alinhamento comportamental de pós-treinamento, processamento de dados em crowdsourcing, treinamento de pequenos modelos base, entre outras.

Atualmente, as barreiras da IA Web2 estão apenas começando a se formar, sendo esta a fase inicial da competição entre as principais empresas. A IA Web3 precisa esperar que os pontos problemáticos deixados pelo esgotamento dos benefícios da IA Web2 sejam identificados para encontrar verdadeiras oportunidades de entrada. Até lá, a IA Web3 deve escolher cuidadosamente seus pontos de entrada, adotando uma estratégia de "cercar as cidades a partir do campo", acumulando experiência em cenários periféricos e mantendo flexibilidade para responder às demandas de mercado em constante mudança.