Cơ hội và thách thức trong phát triển Web3 AI

Gần đây, giá cổ phiếu của Nvidia đã đạt mức cao kỷ lục, sự tiến bộ của các mô hình đa phương thức càng củng cố lợi thế công nghệ của AI Web2. Từ sự căn chỉnh ngữ nghĩa đến hiểu biết về thị giác, từ nhúng không gian cao chiều đến hợp nhất đặc trưng, các mô hình phức tạp đang tích hợp các hình thức biểu đạt khác nhau với tốc độ chưa từng có, xây dựng một cơ sở AI ngày càng khép kín. Thị trường chứng khoán Mỹ cũng đã thể hiện sự công nhận bằng hành động thực tế, cho dù là cổ phiếu liên quan đến tiền điện tử hay cổ phiếu AI, đều xuất hiện một đợt sóng bò nhỏ.

Tuy nhiên, làn sóng này dường như không liên quan gì đến lĩnh vực tiền điện tử. Những nỗ lực Web3 AI mà chúng tôi quan sát thấy, đặc biệt là trong vài tháng gần đây về hướng Agent, dường như có sự lệch lạc trong định hướng: cố gắng lắp ráp hệ thống mô-đun đa phương thức theo kiểu Web2 bằng cấu trúc phi tập trung, thực chất là một sự sai lệch về công nghệ và tư duy. Trong bối cảnh tính ghép nối của các mô-đun cực kỳ cao, sự phân bố đặc trưng không ổn định và nhu cầu tính toán ngày càng tập trung, mô-đun đa phương thức khó có thể đứng vững trong môi trường Web3.

Tương lai của Web3 AI không nằm ở việc mô phỏng đơn giản, mà ở sự đi vòng chiến lược. Từ việc căn chỉnh ngữ nghĩa trong không gian đa chiều, đến nút thắt thông tin trong cơ chế chú ý, và đến việc căn chỉnh đặc trưng dưới sức mạnh tính toán dị thể, tất cả đều là những vấn đề cần suy nghĩ sâu sắc.

Những thách thức mà Web3 AI phải đối mặt

tình huống khó khăn về sự đồng nhất ngữ nghĩa

Trong hệ thống đa phương thức của Web2 AI hiện đại, "căn chỉnh ngữ nghĩa" đề cập đến việc ánh xạ thông tin từ các phương thức khác nhau vào cùng một không gian ngữ nghĩa, giúp mô hình hiểu và so sánh ý nghĩa tiềm ẩn của những tín hiệu vốn có hình thức khác biệt. Điều này cần một không gian nhúng nhiều chiều như một tiền đề để thực hiện việc mô-đun hóa quy trình làm việc và nâng cao hiệu quả.

Tuy nhiên, giao thức Web3 Agent khó có thể đạt được nhúng chiều cao. Hầu hết các Web3 Agent chỉ là đóng gói các API sẵn có thành các đơn vị độc lập, thiếu không gian nhúng trung tâm thống nhất và cơ chế chú ý xuyên mô-đun, dẫn đến thông tin không thể tương tác theo nhiều góc độ và nhiều mức độ giữa các mô-đun, chỉ có thể hoạt động theo quy trình tuyến tính, khó có thể hình thành tối ưu vòng khép kín toàn diện.

Để đạt được một tác nhân thông minh toàn chuỗi có tính cạnh tranh, cần bắt đầu từ mô hình hợp tác đầu cuối, nhúng thống nhất giữa các mô-đun, cũng như kỹ thuật hệ thống cho việc đào tạo và triển khai hợp tác. Nhưng hiện tại, thị trường dường như chưa xuất hiện nhu cầu như vậy.

Hạn chế của cơ chế chú ý

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

Tuy nhiên, Web3 AI dựa trên mô-đun khó có thể đạt được việc phân bổ sự chú ý đồng nhất. Đầu tiên, cơ chế chú ý phụ thuộc vào không gian Query-Key-Value đồng nhất, trong khi định dạng và phân bố dữ liệu trả về từ API độc lập khác nhau, khó tạo thành Q/K/V có thể tương tác. Thứ hai, chú ý đa đầu cho phép đồng thời chú ý đến các nguồn thông tin khác nhau, trong khi API độc lập thường là gọi theo tuyến tính, thiếu khả năng song song và trọng số động đa chiều. Cuối cùng, cơ chế chú ý thực sự dựa trên ngữ cảnh tổng thể để phân bổ trọng số một cách động cho mỗi phần tử, trong khi mô hình API thiếu ngữ cảnh trung tâm được chia sẻ theo thời gian thực giữa các mô-đun.

Hạn chế của sự kết hợp đặc trưng

Web3 AI vẫn dừng lại ở giai đoạn ghép tĩnh đơn giản trong việc kết hợp các đặc trưng. Điều kiện tiên quyết cho việc kết hợp đặc trưng động là không gian cao chiều và cơ chế chú ý chính xác, khi những điều kiện này không được đáp ứng, hiệu quả của việc kết hợp đặc trưng tự nhiên sẽ khó có sự đột phá.

Web2 AI có xu hướng đào tạo liên kết end-to-end, xử lý các đặc điểm đa mô hình trong cùng một không gian nhiều chiều và tối ưu hóa hợp tác với các lớp nhiệm vụ hạ nguồn thông qua các lớp chú ý và lớp hợp nhất. Ngược lại, Web3 AI thường áp dụng phương pháp ghép các mô-đun rời rạc, thiếu mục tiêu đào tạo thống nhất và dòng gradient xuyên mô-đun.

Rào cản ngành AI và cơ hội tương lai

Rào cản công nghệ trong ngành AI đang ngày càng sâu sắc, nhưng những điểm đau thực sự vẫn chưa xuất hiện. Hệ thống đa mô hình AI Web2 là một dự án kỹ thuật khổng lồ, cần một khối lượng dữ liệu khổng lồ, sức mạnh tính toán mạnh mẽ, thuật toán tiên tiến và triển khai kỹ thuật hiệu quả, điều này tạo ra rào cản ngành nghề rất mạnh.

Sự phát triển của Web3 AI nên áp dụng chiến lược "nông thôn bao vây thành phố", bắt đầu từ các tình huống biên, tìm kiếm cơ hội trong các nhiệm vụ có cấu trúc nhẹ, dễ dàng song song và có thể kích thích. Ví dụ như tinh chỉnh LoRA, nhiệm vụ huấn luyện hậu hiệu chỉnh theo hành vi, huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện mô hình cơ bản nhỏ, cũng như huấn luyện hợp tác trên thiết bị biên.

Tuy nhiên, rào cản của AI Web2 hiện tại chỉ mới bắt đầu hình thành, đây là giai đoạn đầu của cuộc cạnh tranh giữa các doanh nghiệp hàng đầu. Cơ hội thực sự của AI Web3 có thể xuất hiện khi lợi ích của AI Web2 gần như biến mất. Trước đó, các dự án AI Web3 cần cẩn thận lựa chọn điểm xâm nhập, đảm bảo có thể liên tục cải tiến trong các tình huống quy mô nhỏ, giữ được tính linh hoạt để thích ứng với nhu cầu thị trường đang thay đổi.