Прогресс технологий AI в Web2 углубляет барьеры, Web3 AI должен осторожно искать прорывные точки
Акции NVIDIA достигли нового рекорда, а прогресс многомодальных моделей углубил технологические барьеры Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения с небывалой скоростью, создавая все более закрытую крепость AI. Рынок акций США также ответил реальными действиями, акции, связанные с AI, показали небольшой бычий тренд.
Тем не менее, этот бум почти не связан с областью криптовалют. Недавние попытки Web3 AI, особенно исследования в направлении Agent, кажется, отклонились от курса: они пытаются собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры, что на самом деле является двойным несоответствием технологий и мышления. В условиях сильной взаимосвязи модулей, высокой нестабильности распределения характеристик и растущей потребности в вычислительной мощности многомодульная модульная система трудно находит свое место в Web3.
Будущее Web3 AI заключается не в подражании, а в стратегическом обходе. От семантического выравнивания в высокоразмерных пространствах до информационных узких мест в механизмах внимания и выравнивания признаков при гетерогенной вычислительной мощности, Web3 AI необходимо найти новые пути.
В Web3 AI трудно добиться эффективного семантического выравнивания
В современных многомодальных системах Web2 AI "семантическое выравнивание" означает отображение информации из разных модальностей в одно и то же семантическое пространство, что позволяет моделям понимать и сравнивать внутренние значения этих сигналов, которые изначально имеют совершенно разные формы. Только при условии реализации высокоразмерного встраиваемого пространства имеет смысл разделять рабочий процесс на разные модули для снижения затрат и повышения эффективности.
Однако протокол Web3 Agent трудно реализовать с помощью высокоразмерного встраивания. Большинство Web3 Agent просто упаковывают готовые API в независимые модули, не имея единого центрального встраивающего пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, она может только проходить по линейному конвейеру, проявляя единственную функцию и не формируя общего замкнутого цикла оптимизации.
Требовать от Web3 AI реализации высокоразмерного пространства фактически означает требовать от протокола Agent самостоятельно разрабатывать все связанные API интерфейсы, что противоречит изначальной идее модульности. Высокоразмерная архитектура требует унифицированного обучения от конца до конца или совместной оптимизации, в то время как подход Web3 Agent «модуль это плагин» наоборот усугубляет фрагментацию, что приводит к росту затрат на обслуживание и ограничению общей производительности.
Низкоразмерное пространство ограничивает точный дизайн механизма внимания
Высокоуровневые мультимодальные модели требуют разработки сложных механизмов внимания. Механизм внимания по своей сути представляет собой способ динамического распределения вычислительных ресурсов, который позволяет модели при обработке входных данных определенной модальности избирательно "сосредоточиться" на наиболее релевантных частях.
Однако на основе модульного Web3 AI трудно реализовать единый механизм внимания. Во-первых, механизм внимания зависит от единого пространства Query-Key-Value, в то время как форматы данных и их распределение, возвращаемые независимыми API, различны и не могут формировать взаимодействующие Q/K/V. Во-вторых, Web3 AI не имеет возможности параллельного и многократного динамического взвешивания, что не позволяет ему моделировать тонкую настройку механизма внимания, который одновременно оценивает все позиции или все модальности и затем объединяет результаты. Наконец, модули Web3 AI могут видеть только "независимый" контекст, когда они вызываются, и между ними нет实时共享ного центрального контекста, что делает невозможным осуществление глобальной связи и фокусировки между модулями.
Слияние признаков остается на поверхностной статической стадии сшивания
В Web2 AI слияние признаков основывается на выравнивании и внимании, позволяя комбинировать вектор признаков, полученных из различных модальностей, для прямого использования в последующих задачах. Способы слияния могут варьироваться от простого соединения и взвешенной суммы до более сложных методов, таких как двулинейная пуллинг, разложение тензоров и даже динамическое маршрутизация.
Web3 AI больше использует подход сборки дискретных модулей, упаковывая различные API в независимые агенты, а затем просто комбинируя их выходные метки, значения или пороговые сигналы тревоги, принимая комплексные решения на основе основной логики или вручную. Этот подход как раз лишен единой цели обучения и отсутствует градиентный поток между модулями.
Web2 AI отображает все модальные особенности в многомерном пространстве тысяч измерений, процесс слияния включает в себя множество высокоуровневых взаимодействий, что позволяет захватывать глубокие и сложные межмодальные связи. В то же время, выводы различных агентов Web3 AI часто содержат всего несколько ключевых полей или показателей, измерения характеристик крайне низкие и практически не могут выразить сложную тонкую информацию.
Углубление барьеров в AI-индустрии, Web3 AI должно осторожно искать точки прорыва
Мультимодальная система Web2 AI является чрезвычайно масштабным проектом, требующим огромных объемов данных, мощных вычислительных ресурсов, современных алгоритмов и сложной инженерной реализации. Такая системная работа по всей цепочке и стеку требует высоких стандартов в отношении финансирования, данных, вычислительных мощностей, кадров и даже организационного взаимодействия, что создает значительные барьеры для входа в отрасль.
Web3 AI необходимо развивать с тактикой "деревня окружает город", начиная с небольших экспериментов в пограничных сценариях, обеспечив прочную основу, а затем ждать появления основных сценариев. Ядро Web3 AI заключается в децентрализации, а путь его эволюции проявляется в высокой параллельности, низкой связанности и совместимости гетерогенной вычислительной мощности. Это дает Web3 AI преимущество в таких сценариях, как крайние вычисления, подходящих для легковесной структуры, легкой параллельности и поощряемых задач.
Тем не менее, барьеры текущего Web2 AI только начинают формироваться, это ранняя стадия конкуренции ведущих компаний. Web3 AI нужно подождать, пока преимущества Web2 AI не исчезнут, оставив болевые точки, прежде чем появится возможность для входа. До этого момента проекты Web3 AI должны тщательно оценить, могут ли они войти с фланга, смогут ли они постоянно обновлять продукты в малых сценариях, обладают ли они достаточной гибкостью, чтобы адаптироваться к постоянно меняющимся рыночным требованиям. Только при выполнении этих условий проекты Web3 AI имеют шанс закрепиться на будущем рынке.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
21 Лайков
Награда
21
5
Репост
Поделиться
комментарий
0/400
down_only_larry
· 07-14 15:09
Слишком сложно подключить AI к блокчейну.
Посмотреть ОригиналОтветить0
LightningLady
· 07-11 15:42
Вычислительная мощность не является проблемой
Посмотреть ОригиналОтветить0
GmGmNoGn
· 07-11 15:41
мир криптовалют розничный инвестор тоже понимает технологии
Web3 AI трудно преодолеть барьеры Web2, необходимо найти точки прорыва в периферийных сценах.
Прогресс технологий AI в Web2 углубляет барьеры, Web3 AI должен осторожно искать прорывные точки
Акции NVIDIA достигли нового рекорда, а прогресс многомодальных моделей углубил технологические барьеры Web2 AI. От семантического выравнивания до визуального понимания, от высокоразмерных вложений до слияния признаков, сложные модели интегрируют различные способы выражения с небывалой скоростью, создавая все более закрытую крепость AI. Рынок акций США также ответил реальными действиями, акции, связанные с AI, показали небольшой бычий тренд.
Тем не менее, этот бум почти не связан с областью криптовалют. Недавние попытки Web3 AI, особенно исследования в направлении Agent, кажется, отклонились от курса: они пытаются собрать многомодульную модульную систему в стиле Web2 с помощью децентрализованной структуры, что на самом деле является двойным несоответствием технологий и мышления. В условиях сильной взаимосвязи модулей, высокой нестабильности распределения характеристик и растущей потребности в вычислительной мощности многомодульная модульная система трудно находит свое место в Web3.
Будущее Web3 AI заключается не в подражании, а в стратегическом обходе. От семантического выравнивания в высокоразмерных пространствах до информационных узких мест в механизмах внимания и выравнивания признаков при гетерогенной вычислительной мощности, Web3 AI необходимо найти новые пути.
В Web3 AI трудно добиться эффективного семантического выравнивания
В современных многомодальных системах Web2 AI "семантическое выравнивание" означает отображение информации из разных модальностей в одно и то же семантическое пространство, что позволяет моделям понимать и сравнивать внутренние значения этих сигналов, которые изначально имеют совершенно разные формы. Только при условии реализации высокоразмерного встраиваемого пространства имеет смысл разделять рабочий процесс на разные модули для снижения затрат и повышения эффективности.
Однако протокол Web3 Agent трудно реализовать с помощью высокоразмерного встраивания. Большинство Web3 Agent просто упаковывают готовые API в независимые модули, не имея единого центрального встраивающего пространства и механизма внимания между модулями. Это приводит к тому, что информация не может взаимодействовать между модулями с разных углов и на разных уровнях, она может только проходить по линейному конвейеру, проявляя единственную функцию и не формируя общего замкнутого цикла оптимизации.
Требовать от Web3 AI реализации высокоразмерного пространства фактически означает требовать от протокола Agent самостоятельно разрабатывать все связанные API интерфейсы, что противоречит изначальной идее модульности. Высокоразмерная архитектура требует унифицированного обучения от конца до конца или совместной оптимизации, в то время как подход Web3 Agent «модуль это плагин» наоборот усугубляет фрагментацию, что приводит к росту затрат на обслуживание и ограничению общей производительности.
Низкоразмерное пространство ограничивает точный дизайн механизма внимания
Высокоуровневые мультимодальные модели требуют разработки сложных механизмов внимания. Механизм внимания по своей сути представляет собой способ динамического распределения вычислительных ресурсов, который позволяет модели при обработке входных данных определенной модальности избирательно "сосредоточиться" на наиболее релевантных частях.
Однако на основе модульного Web3 AI трудно реализовать единый механизм внимания. Во-первых, механизм внимания зависит от единого пространства Query-Key-Value, в то время как форматы данных и их распределение, возвращаемые независимыми API, различны и не могут формировать взаимодействующие Q/K/V. Во-вторых, Web3 AI не имеет возможности параллельного и многократного динамического взвешивания, что не позволяет ему моделировать тонкую настройку механизма внимания, который одновременно оценивает все позиции или все модальности и затем объединяет результаты. Наконец, модули Web3 AI могут видеть только "независимый" контекст, когда они вызываются, и между ними нет实时共享ного центрального контекста, что делает невозможным осуществление глобальной связи и фокусировки между модулями.
Слияние признаков остается на поверхностной статической стадии сшивания
В Web2 AI слияние признаков основывается на выравнивании и внимании, позволяя комбинировать вектор признаков, полученных из различных модальностей, для прямого использования в последующих задачах. Способы слияния могут варьироваться от простого соединения и взвешенной суммы до более сложных методов, таких как двулинейная пуллинг, разложение тензоров и даже динамическое маршрутизация.
Web3 AI больше использует подход сборки дискретных модулей, упаковывая различные API в независимые агенты, а затем просто комбинируя их выходные метки, значения или пороговые сигналы тревоги, принимая комплексные решения на основе основной логики или вручную. Этот подход как раз лишен единой цели обучения и отсутствует градиентный поток между модулями.
Web2 AI отображает все модальные особенности в многомерном пространстве тысяч измерений, процесс слияния включает в себя множество высокоуровневых взаимодействий, что позволяет захватывать глубокие и сложные межмодальные связи. В то же время, выводы различных агентов Web3 AI часто содержат всего несколько ключевых полей или показателей, измерения характеристик крайне низкие и практически не могут выразить сложную тонкую информацию.
Углубление барьеров в AI-индустрии, Web3 AI должно осторожно искать точки прорыва
Мультимодальная система Web2 AI является чрезвычайно масштабным проектом, требующим огромных объемов данных, мощных вычислительных ресурсов, современных алгоритмов и сложной инженерной реализации. Такая системная работа по всей цепочке и стеку требует высоких стандартов в отношении финансирования, данных, вычислительных мощностей, кадров и даже организационного взаимодействия, что создает значительные барьеры для входа в отрасль.
Web3 AI необходимо развивать с тактикой "деревня окружает город", начиная с небольших экспериментов в пограничных сценариях, обеспечив прочную основу, а затем ждать появления основных сценариев. Ядро Web3 AI заключается в децентрализации, а путь его эволюции проявляется в высокой параллельности, низкой связанности и совместимости гетерогенной вычислительной мощности. Это дает Web3 AI преимущество в таких сценариях, как крайние вычисления, подходящих для легковесной структуры, легкой параллельности и поощряемых задач.
Тем не менее, барьеры текущего Web2 AI только начинают формироваться, это ранняя стадия конкуренции ведущих компаний. Web3 AI нужно подождать, пока преимущества Web2 AI не исчезнут, оставив болевые точки, прежде чем появится возможность для входа. До этого момента проекты Web3 AI должны тщательно оценить, могут ли они войти с фланга, смогут ли они постоянно обновлять продукты в малых сценариях, обладают ли они достаточной гибкостью, чтобы адаптироваться к постоянно меняющимся рыночным требованиям. Только при выполнении этих условий проекты Web3 AI имеют шанс закрепиться на будущем рынке.