Desafíos y futuras direcciones de desarrollo de Web3 AI

Recientemente, las grandes empresas del campo de la IA en Web2 han logrado avances significativos en modelos multimodales, consolidando aún más su ventaja técnica. Estos complejos modelos están integrando las formas de expresión de diversas modalidades a una velocidad sin precedentes, construyendo una cada vez más cerrada fortaleza de IA. Al mismo tiempo, la dirección del desarrollo de la IA en Web3 parece haber tomado un desvío, especialmente en los intentos en la dirección de los agentes.

Los principales desafíos que enfrenta Web3 AI en la actualidad incluyen:

1. Dificultades de alineación semántica: Debido a la falta de un espacio de incrustación de alta dimensión unificado, la IA de Web3 tiene dificultades para lograr la alineación semántica entre diferentes modalidades, lo que conduce a un rendimiento deficiente.

2. Mecanismo de atención limitado: el espacio de baja dimensión restringe el diseño y la implementación de mecanismos de atención precisos, afectando el rendimiento del modelo.

3. La fusión de características es superficial: el enfoque modular hace que la fusión de características se quede en la etapa de ensamblaje estático, sin poder lograr una interacción profunda.

4. Barreras tecnológicas en aumento: Las grandes empresas de IA de Web2 están formando barreras industriales cada vez más altas en términos de datos, poder de cómputo y talento.

Sin embargo, el futuro de Web3 AI no es sombrío. Debería adoptar una estrategia de "rodear las ciudades desde el campo", comenzando desde escenarios marginales:

1. Enfoque en estructuras ligeras: aplicables a escenarios como el cálculo perimetral, como la afinación de LoRA, tareas de postentrenamiento de alineación de comportamiento, etc.

2. Aprovechar las ventajas de la descentralización: buscar oportunidades en áreas como el entrenamiento y etiquetado de datos a través de la multitud, utilizando características de alta paralelización, bajo acoplamiento y compatibilidad con potencia de cálculo heterogénea.

3. Iteración flexible: elige direcciones como el entrenamiento de modelos base pequeños y el entrenamiento colaborativo en dispositivos de borde que permitan una rápida iteración.

4. Esperar oportunidades: Presta atención al desarrollo de la IA en Web2, y cuando desaparezcan los beneficios y surjan los puntos críticos, interviene a tiempo en los campos relacionados.

En este proceso, los proyectos de Web3 AI deben mantener flexibilidad y ser capaces de ajustar rápidamente su dirección según los cambios del mercado. Solo los proyectos que posean esta capacidad de adaptación tendrán la posibilidad de ocupar un lugar en la futura competencia de IA.