Les défis et les orientations futures de l'IA Web3

Récemment, les grandes entreprises du secteur de l'IA Web2 ont réalisé des progrès significatifs dans les modèles multimodaux, consolidant davantage leur avantage technologique. Ces modèles complexes intègrent à une vitesse sans précédent diverses modalités d'expression, construisant un bastion de l'IA de plus en plus fermé. Pendant ce temps, la direction du développement de l'IA Web3 semble s'être écartée, en particulier dans les tentatives dans la direction des agents.

Les principaux défis auxquels Web3 AI est actuellement confronté incluent :

1. Difficulté d'alignement sémantique : En raison du manque d'un espace d'embedding haute dimension unifié, l'IA Web3 a du mal à réaliser l'alignement sémantique entre différentes modalités, ce qui entraîne de faibles performances.

2. Mécanisme d'attention limité : Un espace de faible dimension limite la conception et la mise en œuvre de mécanismes d'attention précis, ce qui affecte les performances du modèle.

3. Fusion de caractéristiques superficielle : la méthode de montage modulaire fait que la fusion des caractéristiques reste au stade de l'assemblage statique, sans possibilité d'interaction approfondie.

4. Barrières technologiques renforcées : Les géants de l'IA Web2 accumulent des avantages en matière de données, de puissance de calcul et de talents, créant ainsi des barrières industrielles de plus en plus élevées.

Cependant, l'avenir de l'IA Web3 n'est pas sombre. Il devrait adopter une stratégie de "l'encerclement des villes par les campagnes", en entrant par des scénarios marginaux :

1. Se concentrer sur des structures légères : adaptées à des scénarios tels que le calcul en périphérie, comme les tâches de post-entraînement pour le réglage fin de LoRA et l'alignement comportemental.

2. Tirer parti des avantages de la décentralisation : utiliser les caractéristiques de haute parallélisation, de faible couplage et de compatibilité des puissances de calcul hétérogènes pour rechercher des opportunités dans des domaines tels que l'entraînement et l'annotation de données en crowdsourcing.

3. Itération flexible : choisir des directions d'entraînement de petits modèles de base, d'entraînement collaboratif sur des dispositifs périphériques, etc., qui permettent une itération rapide.

4. Attendre l'opportunité : Suivez de près le développement de l'IA Web2, et lorsque les bénéfices disparaissent et que les points de douleur se manifestent, entrez rapidement dans les domaines concernés.

Dans ce processus, les projets Web3 AI doivent rester flexibles et capables d'ajuster rapidement leur direction en fonction des changements du marché. Seuls les projets dotés de cette capacité d'adaptation pourront espérer se tailler une place dans la compétition future en matière d'IA.