Tình hình phát triển Web3 AI và hướng đi tương lai

Cổ phiếu của Nvidia lại lập đỉnh cao mới, sự tiến bộ của các mô hình đa phương thức đã làm sâu sắc thêm rào cản công nghệ của Web2 AI. Từ sự điều chỉnh ngữ nghĩa đến hiểu biết về hình ảnh, từ nhúng không gian cao đến hợp nhất đặc trưng, các mô hình phức tạp đang tích hợp các cách diễn đạt của nhiều phương thức với tốc độ chưa từng có, xây dựng một khu vực AI ngày càng khép kín hơn. Thị trường chứng khoán Mỹ cũng đã bỏ phiếu bằng hành động thực tế, bất kể là cổ phiếu liên quan đến tiền điện tử hay cổ phiếu AI, đều đã có một đợt tăng giá nhỏ. Tuy nhiên, làn sóng này gần như không liên quan gì đến lĩnh vực tiền điện tử.

Thời gian gần đây, những nỗ lực trong Web3 AI, đặc biệt là khám phá theo hướng Agent, có vẻ đã lệch hướng: cố gắng sử dụng cấu trúc phi tập trung để lắp ghép hệ thống mô-đun đa phương thức theo kiểu Web2, thực sự là một sự sai lệch kép về công nghệ và tư duy. Trong bối cảnh tính liên kết giữa các mô-đun cực kỳ mạnh, phân bố đặc trưng không ổn định cao và nhu cầu tính toán ngày càng tập trung, mô-đun đa phương thức khó có thể đứng vững trong hệ sinh thái Web3.

Tương lai của Web3 AI không nằm ở việc bắt chước, mà ở việc đi vòng chiến lược. Từ sự đồng nhất ngữ nghĩa trong không gian cao chiều, đến nút thắt thông tin trong cơ chế chú ý, cho đến sự đồng nhất đặc trưng dưới sức mạnh tính toán không đồng nhất, tất cả đều cần được suy nghĩ lại. Web3 AI nên áp dụng chiến lược tấn công "nông thôn bao vây thành phố".

Web3 AI dựa trên mô hình đa phương thức phẳng, ngữ nghĩa khó đồng bộ dẫn đến hiệu suất kém.

Trong hệ thống đa mô thức của Web2 AI hiện đại, "căn chỉnh ngữ nghĩa" đề cập đến việc ánh xạ thông tin từ các mô thức khác nhau vào cùng một không gian ngữ nghĩa, giúp mô hình hiểu và so sánh ý nghĩa của những tín hiệu có hình thức khác biệt này. Chỉ khi đạt được không gian nhúng cao chiều, việc chia quy trình làm việc thành các mô-đun khác nhau mới có ý nghĩa trong việc giảm chi phí và tăng hiệu quả. Tuy nhiên, trong giao thức Web3 Agent, rất khó để đạt được không gian nhúng cao chiều, vì sự mô-đun hóa có thể là một ảo tưởng của Web3 AI.

Yêu cầu Web3 AI thực hiện không gian nhiều chiều, đồng nghĩa với việc yêu cầu giao thức Agent tự phát triển tất cả các API liên quan, điều này đi ngược lại với mục đích mô-đun của nó. Hệ thống mô-đun đa mô thức mà các doanh nghiệp nhỏ và vừa trong Web3 AI phác thảo không thể chịu được sự kiểm tra. Kiến trúc nhiều chiều yêu cầu đào tạo thống nhất end-to-end hoặc tối ưu hóa hợp tác: từ việc thu tín hiệu đến tính toán chiến lược, cho đến thực thi và kiểm soát rủi ro, tất cả các khâu cần chia sẻ cùng một bộ biểu diễn và hàm tổn thất.

Để xây dựng một trí tuệ nhân tạo toàn chuỗi có rào cản ngành, cần phải có mô hình hợp tác từ đầu đến cuối, nhúng thống nhất giữa các mô-đun, cùng với việc huấn luyện và triển khai hệ thống một cách có hệ thống để có thể vượt qua. Tuy nhiên, hiện tại thị trường không có nhu cầu cần thiết như vậy, vì vậy cũng thiếu nhu cầu thị trường tương ứng.

Trong không gian chiều thấp, cơ chế chú ý khó thiết kế chính xác.

Mô hình đa phương thức cấp cao cần thiết kế cơ chế chú ý tinh vi. Cơ chế chú ý về bản chất là một cách phân bổ tài nguyên tính toán động, cho phép mô hình "tập trung" vào những phần liên quan nhất khi xử lý đầu vào của một phương thức cụ thể.

Tại sao việc thực hiện lịch trình chú ý thống nhất cho Web3 AI dựa trên mô-đun lại khó khăn? Đầu tiên, cơ chế chú ý phụ thuộc vào không gian Query-Key-Value thống nhất, tất cả các đặc trưng đầu vào phải được ánh xạ vào cùng một không gian vector cao chiều, để có thể tính toán trọng số động thông qua tích vô hướng. Nhưng các API độc lập trả về dữ liệu có định dạng và phân bố khác nhau, không có lớp nhúng thống nhất, khó có thể hình thành một tập hợp Q/K/V có thể tương tác.

Thứ hai, sự chú ý của bên mua cho phép tập trung đồng thời vào các nguồn thông tin khác nhau trên cùng một lớp, sau đó tổng hợp kết quả; trong khi đó, API độc lập thường là các cuộc gọi tuyến tính, mỗi bước đầu ra chỉ là đầu vào của mô-đun tiếp theo, thiếu khả năng song song và trọng số động đa tuyến.

Cuối cùng, cơ chế chú ý thực sự sẽ phân bổ trọng số cho mỗi phần tử một cách động dựa trên ngữ cảnh tổng thể; trong chế độ API, các mô-đun chỉ có thể nhìn thấy ngữ cảnh "độc lập" khi chúng được gọi, không có ngữ cảnh trung tâm được chia sẻ theo thời gian thực giữa các mô-đun, do đó không thể thực hiện sự liên kết và tập trung toàn cầu giữa các mô-đun.

Mô-đun hóa rời rạc, dẫn đến việc tích hợp đặc điểm dừng lại ở sự ghép nối tĩnh nông.

"Tính năng kết hợp" là việc kết hợp các vector đặc trưng thu được từ các chế độ khác nhau sau khi đã xử lý, dựa trên căn cứ của việc căn chỉnh và chú ý, để sử dụng trực tiếp cho các tác vụ phía dưới. Web3 AI dĩ nhiên vẫn chỉ dừng lại ở giai đoạn ghép nối đơn giản nhất, vì điều kiện tiên quyết cho việc kết hợp đặc trưng động là không gian nhiều chiều và cơ chế chú ý tinh vi, khi những điều kiện tiên quyết này không thể đáp ứng, thì đặc trưng kết hợp ở giai đoạn cuối cũng không thể đạt được hiệu suất xuất sắc.

Web2 AI có xu hướng đào tạo liên kết đầu cuối: xử lý các đặc điểm đa dạng trong cùng một không gian chiều cao, đồng thời tối ưu hóa phối hợp với các lớp chú ý và lớp hợp nhất cũng như lớp nhiệm vụ hạ lưu. Trong khi đó, Web3 AI thường áp dụng phương pháp ghép các mô-đun rời rạc, đóng gói các loại API thành các tác nhân độc lập, sau đó đơn giản kết hợp các nhãn, giá trị hoặc cảnh báo ngưỡng mà chúng xuất ra, để đưa ra quyết định tổng hợp bởi logic chính hoặc con người, phương pháp này vừa thiếu mục tiêu đào tạo thống nhất, vừa không có dòng chảy gradient xuyên mô-đun.

Rào cản trong ngành AI đang gia tăng, nhưng những điểm đau vẫn chưa xuất hiện

Hệ thống đa mô hình AI Web2 là một dự án kỹ thuật cực kỳ lớn. Nó không chỉ cần một tập dữ liệu đa dạng và khối lượng lớn với chú thích chính xác, mà còn cần đầu tư rất nhiều GPU và thời gian đào tạo; về kiến trúc mô hình, nó kết hợp nhiều ý tưởng thiết kế mạng và công nghệ tối ưu mới nhất; về việc triển khai kỹ thuật, còn phải xây dựng một nền tảng đào tạo phân tán có thể mở rộng, hệ thống giám sát, quản lý phiên bản mô hình và quy trình triển khai. Công việc hệ thống toàn diện và toàn bộ chuỗi này đòi hỏi rất cao về vốn, dữ liệu, sức mạnh tính toán, nhân tài và cả sự phối hợp tổ chức, do đó tạo ra rào cản ngành nghề rất mạnh.

Web3 AI hoặc bất kỳ sản phẩm cryptocurrency nào tuyên bố có sự phù hợp với thị trường sản phẩm đều cần phát triển theo chiến thuật "nông thôn bao vây thành phố", nên thử nghiệm quy mô nhỏ ở các kịch bản biên, đảm bảo nền tảng vững chắc trước khi chờ đợi sự xuất hiện của các kịch bản chính. Cốt lõi của Web3 AI nằm ở sự phi tập trung, con đường tiến hóa của nó thể hiện ở khả năng song song cao, độ liên kết thấp và tính tương thích của sức mạnh tính toán dị thể. Điều này khiến Web3 AI có lợi thế hơn trong các kịch bản như tính toán biên, phù hợp với cấu trúc nhẹ, dễ song song và có thể khuyến khích các nhiệm vụ.

Tuy nhiên, hiện tại, rào cản của Web2 AI chỉ mới bắt đầu hình thành, đây là giai đoạn đầu của cuộc cạnh tranh giữa các doanh nghiệp hàng đầu. Chỉ khi lợi ích của Web2 AI gần như biến mất, những điểm đau mà nó để lại mới trở thành cơ hội cho Web3 AI. Trước đó, Web3 AI cần phải cẩn thận phân biệt các giao thức có tiềm năng "vùng nông thôn bao vây thành phố", chú ý xem liệu chúng có thể liên tục lặp lại trong các tình huống nhỏ hay không, và liệu chúng có đủ linh hoạt để đối phó với môi trường thị trường đang thay đổi.