مؤخراً، سجلت أسهم إنفيديا ارتفاعاً قياسياً جديداً، حيث أن التقدم في النماذج متعددة الوسائط يعزز بشكل أكبر الحواجز التقنية لـ Web2 AI. من التوافق الدلالي إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الخصائص، تقوم النماذج المعقدة بدمج طرق التعبير المختلفة بسرعة مذهلة، مما يبني قاعدة AI مغلقة بشكل متزايد. كما أظهر سوق الأسهم الأمريكية من خلال أفعاله الفعلية التفاؤل تجاه مجال AI، سواء في عالم العملات الرقمية أو أسهم AI، حيث يظهر كلاهما موجة صغيرة من السوق الصاعدة.
ومع ذلك، يبدو أن هذه الحماسة لا ترتبط كثيرًا بمجال العملات المشفرة. المحاولات التي شهدناها في Web3 AI، وخاصة تطورات اتجاه الوكلاء في الأشهر القليلة الماضية، يبدو أن هناك انحرافًا في الاتجاه: محاولة تجميع نظام متعدد الوسائط على طراز Web2 باستخدام هيكل لامركزي، وهذا في الواقع هو نوع من الانحراف التكنولوجي والفكري. في ظل تزايد ترابط الوحدات، وعدم استقرار توزيع الخصائص، وزيادة تركيز متطلبات الحوسبة، من الصعب أن تجد النماذج متعددة الوسائط موطئ قدم لها في Web3.
مستقبل Web3 AI لا يكمن في التقليد البسيط، بل في الالتفاف الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناق المعلومات في آلية الانتباه، وصولاً إلى محاذاة الميزات تحت القدرات الحسابية المتنوعة، كل هذه هي اتجاهات تحتاج إلى اعتبار خاص.
معضلة المحاذاة الدلالية
إن بروتوكولات Web3 AI أو Agent يصعب تحقيقها في فضاء الإدخال عالي الأبعاد. معظم وكلاء Web3 هي مجرد حزم API جاهزة في وحدات مستقلة، مما يفتقر إلى فضاء إدخال مركزي موحد وآلية انتباه عبر الوحدات، مما يؤدي إلى عدم قدرة المعلومات على التفاعل بين الوحدات من زوايا متعددة ومستويات متعددة، مما يقتصر على السير في خط أنابيب خطي، مما يظهر وظيفة واحدة فقط، ولا يمكن تشكيل تحسين حلقة مغلقة كاملة.
يتطلب تحقيق Web3 AI في الفضاء عالي الأبعاد، ما يعادل الطلب على بروتوكول Agent لتطوير جميع واجهات برمجة التطبيقات المعنية بنفسه، وهذا يتعارض مع الغرض من تصميمه بطريقة معيارية. يتطلب الهيكل عالي الأبعاد تدريبًا موحدًا من البداية إلى النهاية أو تحسينًا تعاونيًا: من التقاط الإشارات إلى حساب الاستراتيجيات، ثم إلى التنفيذ وإدارة المخاطر، جميع المراحل تشترك في نفس مجموعة التمثيلات ودالة الخسارة.
قيود آلية الانتباه
من الصعب تحقيق جدولة انتباه موحدة في Web3 AI المعتمد على المودول. يعتمد آلية الانتباه على فضاء موحد من Query-Key-Value، حيث يجب أن يتم تحويل جميع ميزات الإدخال إلى نفس فضاء المتجهات عالي الأبعاد، حتى يمكن حساب الأوزان الديناميكية من خلال الضرب النقطي. بينما تعيد واجهات برمجة التطبيقات المستقلة بيانات بتنسيقات وتوزيعات مختلفة، وبدون طبقة تضمين موحدة، فإنه من المستحيل تشكيل مجموعة من Q/K/V القابلة للتفاعل.
تسمح انتباهات متعددة الرؤوس بالتركيز بشكل متوازي على مصادر معلومات مختلفة في نفس الطبقة، ثم تجمع النتائج؛ بينما غالبًا ما تكون واجهات برمجة التطبيقات المستقلة استدعاءات خطية، حيث تكون مخرجات كل خطوة هي مجرد مدخلات الوحدة التالية، مما يفتقر إلى القدرة على المعالجة المتوازية والوزن الديناميكي المتعدد.
دمج الميزات السطحية
توقف Web3 AI حاليًا عند مرحلة تجميع الميزات البسيطة. يميل Web2 AI إلى التدريب المشترك من النهاية إلى النهاية، حيث يتم معالجة الميزات متعددة الأنماط في نفس الفضاء عالي الأبعاد بشكل متزامن، ويعمل مع طبقات الانتباه وطبقات الدمج لتحسين الأداء بالتعاون مع طبقات المهام التحتية. بينما يعتمد Web3 AI بشكل أكبر على تجميع وحدات منفصلة، حيث يتم تغليف أنواع مختلفة من واجهات برمجة التطبيقات كعملاء مستقلين، ثم يتم تجميع العلامات والقيم أو إنذارات العتبة الناتجة عنها بشكل بسيط، ويتم اتخاذ القرارات الشاملة من قبل المنطق الرئيسي أو البشر.
حواجز وفرص صناعة الذكاء الاصطناعي
لقد أصبح النظام متعدد الوسائط للذكاء الاصطناعي في Web2 مشروعًا ضخمًا للغاية، حيث يتطلب متطلبات عالية جدًا من التمويل والبيانات وقوة الحوسبة والمواهب وحتى التنسيق التنظيمي، مما يشكل حاجزًا قويًا في الصناعة. ومع ذلك، فإن تشكيل هذا الحاجز يجلب أيضًا فرصًا محتملة للذكاء الاصطناعي في Web3.
تكمن جوهر Web3 AI في اللامركزية، حيث تعكس مسار تطورها التوازي العالي، والترابط المنخفض، وملاءمة القدرة الحاسوبية المتنوعة. وهذا يمنح Web3 AI مزايا أكبر في سيناريوهات الحوسبة الطرفية، مما يجعلها مناسبة للبنى الخفيفة، والمهام السهلة التوازي والقابلة للتحفيز، مثل ضبط LoRA الدقيق، ومهام التدريب اللاحقة لمحاذاة السلوك، وتدريب البيانات وتعليمها عبر الحشود، وتدريب النماذج الأساسية الصغيرة، فضلاً عن التدريب التعاوني للأجهزة الطرفية.
استراتيجيات التنمية المستقبلية
يجب على الذكاء الاصطناعي Web3 اتباع تكتيك "الريف يحيط بالمدينة":
ابدأ من الهوامش، وثبت أقدامك أولاً في الأسواق الصغيرة حيث تكون القوة ضعيفة، وتكون مشاهد السوق نادرة، ثم قم بتجميع الموارد والخبرات تدريجياً.
الجمع بين النقاط والمساحات، والدفع الدائري، مع التكرار المستمر والتحديث للمنتجات في سيناريو تطبيق صغير بما فيه الكفاية.
الحفاظ على المرونة والقدرة على التكيف، والقدرة على التعديل السريع لمختلف السيناريوهات، والقدرة على التحول بمرونة بين الأسواق الصغيرة المختلفة، مما يتيح الاقتراب من المجال المستهدف بأسرع سرعة.
تجنب الاعتماد المفرط على البنية التحتية، والحفاظ على خفة هيكل الشبكة لتعزيز القدرة على التكيف والقدرة على البقاء.
فقط عندما تختفي فوائد Web2 AI بشكل شبه كامل، فإن نقاط الألم المتبقية هي الفرصة الحقيقية لدخول Web3 AI. قبل ذلك، يجب على Web3 AI اختيار اتجاه التطور بحذر، وتجنب الوقوع في فخ خلق نقاط ألم جديدة، بل يجب أن تركز على بناء القوة في السيناريوهات الهامشية، استعدادًا للاختراقات المستقبلية.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تحديات Web3 AI والاختراقات: من التقليد إلى الطريق الاستراتيجي الملتوي للتطور
معضلة Web3 AI والاتجاهات المستقبلية
مؤخراً، سجلت أسهم إنفيديا ارتفاعاً قياسياً جديداً، حيث أن التقدم في النماذج متعددة الوسائط يعزز بشكل أكبر الحواجز التقنية لـ Web2 AI. من التوافق الدلالي إلى الفهم البصري، ومن الإدماج عالي الأبعاد إلى دمج الخصائص، تقوم النماذج المعقدة بدمج طرق التعبير المختلفة بسرعة مذهلة، مما يبني قاعدة AI مغلقة بشكل متزايد. كما أظهر سوق الأسهم الأمريكية من خلال أفعاله الفعلية التفاؤل تجاه مجال AI، سواء في عالم العملات الرقمية أو أسهم AI، حيث يظهر كلاهما موجة صغيرة من السوق الصاعدة.
ومع ذلك، يبدو أن هذه الحماسة لا ترتبط كثيرًا بمجال العملات المشفرة. المحاولات التي شهدناها في Web3 AI، وخاصة تطورات اتجاه الوكلاء في الأشهر القليلة الماضية، يبدو أن هناك انحرافًا في الاتجاه: محاولة تجميع نظام متعدد الوسائط على طراز Web2 باستخدام هيكل لامركزي، وهذا في الواقع هو نوع من الانحراف التكنولوجي والفكري. في ظل تزايد ترابط الوحدات، وعدم استقرار توزيع الخصائص، وزيادة تركيز متطلبات الحوسبة، من الصعب أن تجد النماذج متعددة الوسائط موطئ قدم لها في Web3.
مستقبل Web3 AI لا يكمن في التقليد البسيط، بل في الالتفاف الاستراتيجي. من محاذاة المعاني في الفضاءات عالية الأبعاد، إلى اختناق المعلومات في آلية الانتباه، وصولاً إلى محاذاة الميزات تحت القدرات الحسابية المتنوعة، كل هذه هي اتجاهات تحتاج إلى اعتبار خاص.
معضلة المحاذاة الدلالية
إن بروتوكولات Web3 AI أو Agent يصعب تحقيقها في فضاء الإدخال عالي الأبعاد. معظم وكلاء Web3 هي مجرد حزم API جاهزة في وحدات مستقلة، مما يفتقر إلى فضاء إدخال مركزي موحد وآلية انتباه عبر الوحدات، مما يؤدي إلى عدم قدرة المعلومات على التفاعل بين الوحدات من زوايا متعددة ومستويات متعددة، مما يقتصر على السير في خط أنابيب خطي، مما يظهر وظيفة واحدة فقط، ولا يمكن تشكيل تحسين حلقة مغلقة كاملة.
يتطلب تحقيق Web3 AI في الفضاء عالي الأبعاد، ما يعادل الطلب على بروتوكول Agent لتطوير جميع واجهات برمجة التطبيقات المعنية بنفسه، وهذا يتعارض مع الغرض من تصميمه بطريقة معيارية. يتطلب الهيكل عالي الأبعاد تدريبًا موحدًا من البداية إلى النهاية أو تحسينًا تعاونيًا: من التقاط الإشارات إلى حساب الاستراتيجيات، ثم إلى التنفيذ وإدارة المخاطر، جميع المراحل تشترك في نفس مجموعة التمثيلات ودالة الخسارة.
قيود آلية الانتباه
من الصعب تحقيق جدولة انتباه موحدة في Web3 AI المعتمد على المودول. يعتمد آلية الانتباه على فضاء موحد من Query-Key-Value، حيث يجب أن يتم تحويل جميع ميزات الإدخال إلى نفس فضاء المتجهات عالي الأبعاد، حتى يمكن حساب الأوزان الديناميكية من خلال الضرب النقطي. بينما تعيد واجهات برمجة التطبيقات المستقلة بيانات بتنسيقات وتوزيعات مختلفة، وبدون طبقة تضمين موحدة، فإنه من المستحيل تشكيل مجموعة من Q/K/V القابلة للتفاعل.
تسمح انتباهات متعددة الرؤوس بالتركيز بشكل متوازي على مصادر معلومات مختلفة في نفس الطبقة، ثم تجمع النتائج؛ بينما غالبًا ما تكون واجهات برمجة التطبيقات المستقلة استدعاءات خطية، حيث تكون مخرجات كل خطوة هي مجرد مدخلات الوحدة التالية، مما يفتقر إلى القدرة على المعالجة المتوازية والوزن الديناميكي المتعدد.
دمج الميزات السطحية
توقف Web3 AI حاليًا عند مرحلة تجميع الميزات البسيطة. يميل Web2 AI إلى التدريب المشترك من النهاية إلى النهاية، حيث يتم معالجة الميزات متعددة الأنماط في نفس الفضاء عالي الأبعاد بشكل متزامن، ويعمل مع طبقات الانتباه وطبقات الدمج لتحسين الأداء بالتعاون مع طبقات المهام التحتية. بينما يعتمد Web3 AI بشكل أكبر على تجميع وحدات منفصلة، حيث يتم تغليف أنواع مختلفة من واجهات برمجة التطبيقات كعملاء مستقلين، ثم يتم تجميع العلامات والقيم أو إنذارات العتبة الناتجة عنها بشكل بسيط، ويتم اتخاذ القرارات الشاملة من قبل المنطق الرئيسي أو البشر.
حواجز وفرص صناعة الذكاء الاصطناعي
لقد أصبح النظام متعدد الوسائط للذكاء الاصطناعي في Web2 مشروعًا ضخمًا للغاية، حيث يتطلب متطلبات عالية جدًا من التمويل والبيانات وقوة الحوسبة والمواهب وحتى التنسيق التنظيمي، مما يشكل حاجزًا قويًا في الصناعة. ومع ذلك، فإن تشكيل هذا الحاجز يجلب أيضًا فرصًا محتملة للذكاء الاصطناعي في Web3.
تكمن جوهر Web3 AI في اللامركزية، حيث تعكس مسار تطورها التوازي العالي، والترابط المنخفض، وملاءمة القدرة الحاسوبية المتنوعة. وهذا يمنح Web3 AI مزايا أكبر في سيناريوهات الحوسبة الطرفية، مما يجعلها مناسبة للبنى الخفيفة، والمهام السهلة التوازي والقابلة للتحفيز، مثل ضبط LoRA الدقيق، ومهام التدريب اللاحقة لمحاذاة السلوك، وتدريب البيانات وتعليمها عبر الحشود، وتدريب النماذج الأساسية الصغيرة، فضلاً عن التدريب التعاوني للأجهزة الطرفية.
استراتيجيات التنمية المستقبلية
يجب على الذكاء الاصطناعي Web3 اتباع تكتيك "الريف يحيط بالمدينة":
ابدأ من الهوامش، وثبت أقدامك أولاً في الأسواق الصغيرة حيث تكون القوة ضعيفة، وتكون مشاهد السوق نادرة، ثم قم بتجميع الموارد والخبرات تدريجياً.
الجمع بين النقاط والمساحات، والدفع الدائري، مع التكرار المستمر والتحديث للمنتجات في سيناريو تطبيق صغير بما فيه الكفاية.
الحفاظ على المرونة والقدرة على التكيف، والقدرة على التعديل السريع لمختلف السيناريوهات، والقدرة على التحول بمرونة بين الأسواق الصغيرة المختلفة، مما يتيح الاقتراب من المجال المستهدف بأسرع سرعة.
تجنب الاعتماد المفرط على البنية التحتية، والحفاظ على خفة هيكل الشبكة لتعزيز القدرة على التكيف والقدرة على البقاء.
فقط عندما تختفي فوائد Web2 AI بشكل شبه كامل، فإن نقاط الألم المتبقية هي الفرصة الحقيقية لدخول Web3 AI. قبل ذلك، يجب على Web3 AI اختيار اتجاه التطور بحذر، وتجنب الوقوع في فخ خلق نقاط ألم جديدة، بل يجب أن تركز على بناء القوة في السيناريوهات الهامشية، استعدادًا للاختراقات المستقبلية.