Углубление барьеров в технологиях Web2 AI, Web3 AI необходимо искать дифференцированные точки прорыва

В последнее время эволюция мультимодальных моделей не оказала влияния на основные AI-компании, а наоборот, еще больше укрепила технические преимущества Web2 AI. От семантической согласованности до визуального понимания, от высокоразмерных встраиваний до интеграции признаков, сложные модели интегрируют различные способы выражения с беспрецедентной скоростью, создавая все более закрытую вершину AI. Эта волна почти не связана с областью криптовалют.

Недавние попытки Web3 AI в направлении Агентов, похоже, не совсем верны. Стремление собрать многомодульную систему в стиле Web2 на основе децентрализованной структуры на самом деле является двойным расхождением в технологии и мышлении. В условиях высокой взаимосвязанности модулей, крайне нестабильного распределения признаков и растущей концентрации вычислительных ресурсов многомодульная система в среде Web3 сталкивается с трудностями в установлении своих позиций.

Будущее Web3 AI не должно слепо подражать, а должно принимать стратегические обходные пути. От семантического выравнивания в высокоразмерных пространствах до информационных узких мест в механизмах внимания и до выравнивания признаков в условиях гетерогенной вычислительной мощности, Web3 AI необходимо найти новые пути и искать дифференцированные прорывы.

Веб3 ИИ трудно реализовать высокоразмерное семантическое выравнивание

В современных многомодальных системах Web2 AI "семантическое выравнивание" является ключевой технологией для отображения информации разных модальностей в одно и то же семантическое пространство. Это требует высокоразмерного встраиваемого пространства в качестве предпосылки для достижения межмодального семантического понимания и сравнения.

Однако протокол Web3 Agent трудно реализовать в высокоразмерном встраивании. Большинство Web3 Agent просто оборачивают существующие API в независимые модули, им не хватает единого центрального встраиваемого пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, ее можно обрабатывать только по линейному процессу, что затрудняет формирование общей замкнутой оптимизации.

Для реализации полнофункционального интеллектуального агента с отраслевыми барьерами необходимо начать с совместного моделирования от конца до конца, унифицированной интеграции между модулями, а также систематического подхода к совместному обучению и развертыванию. Однако на текущем рынке нет такой потребности, и, соответственно, отсутствуют соответствующие болевые точки.

Низкоразмерное пространство ограничивает точный дизайн механизма внимания

Высокоуровневые многомодальные модели требуют тщательно спроектированных механизмов внимания. Этот механизм позволяет модели динамически сосредотачиваться на самых релевантных частях при обработке входных данных. Однако механизм внимания может эффективно работать только при условии, что многомодальность обладает высокоразмерным представлением.

Web2 AI при разработке механизма внимания использовал такие сложные структуры, как Query-Key-Value, что позволило достичь эффективной и точной фокусировки информации. В отличие от этого, модульный Web3 AI испытывает трудности с реализацией единого расписания внимания. Форматы данных и распределение, возвращаемые различными независимыми API, различаются, отсутствует единый уровень встраивания, что делает невозможным создание интерактивного пространства Q/K/V.

Кроме того, модульная архитектура Web3 AI затрудняет реализацию параллельного многоголового внимания и динамического распределения весов на основе глобального контекста. Эти ограничения мешают Web3 AI достигать уровня производительности Web2 AI при решении сложных мультимодальных задач.

Слияние признаков остается на поверхностном статическом соединении

В Web2 AI слияние признаков основывается на выравнивании и внимании, где различные обработанные модальности комбинируют свои векторные характеристики. Однако в Web3 AI из-за отсутствия высокоразмерных представлений и тонких механизмов внимания слияние признаков часто остается на самой простой стадии объединения.

Web2 AI склонен к объединённому обучению от конца до конца, обрабатывая многомодальные признаки в одном высокоразмерном пространстве, совместно оптимизируя с помощью слоёв внимания и слияния для downstream задач. В отличие от этого, Web3 AI чаще использует дискретные модули, соединяя их, упаковывая различные API в независимые агенты и просто комбинируя их выходные данные, что приводит к отсутствию единой цели обучения и межмодульного градиентного потока.

Кроме того, Web2 AI может использовать механизм внимания для динамической настройки стратегии слияния, в то время как Web3 AI чаще использует фиксированные веса или простые правила. В отношении размерности признаков и сложности взаимодействия Web3 AI также сложно сравниться с Web2 AI, который отображается в пространстве высокой размерности. Эти различия приводят к тому, что Web3 AI показывает плохие результаты при выполнении сложных кросс-модальных задач.

Барьеры в AI-индустрии углубляются, но возможности еще не проявились

Мультимодальная система Web2 AI является крупным инженерным проектом, требующим огромного объема данных, мощных вычислительных ресурсов, передовых алгоритмов и сложной инженерной реализации. Это создает сильные отраслевые барьеры и формирует核心竞争力 для немногих ведущих команд.

Однако Web3 AI не должен слепо следовать за трендами. Он должен сосредоточиться на преимуществах децентрализации и искать возможности в таких сценариях, как крайние вычисления. Задачи, подходящие для Web3 AI, включают легковесные структуры, легко параллелизуемые и мотивируемые задачи, такие как тонкая настройка LoRA, послеведение по поведению, краудсорсинг обработки данных, обучение небольших базовых моделей и т.д.

На данный момент барьеры Web2 AI только начинают формироваться, это ранняя стадия конкуренции среди ведущих компаний. Web3 AI необходимо дождаться угасания дивидендов Web2 AI, чтобы выявить настоящие болевые точки и найти реальные возможности для входа на рынок. До этого момента Web3 AI следует осторожно выбирать точки входа, применяя стратегию "окружения города из деревни", накапливая опыт на периферийных сценах и сохраняя гибкость для реагирования на постоянно меняющиеся рыночные требования.