Khó khăn trong sự phát triển của Web3 AI và hướng đi tương lai

Giá cổ phiếu Nvidia lại đạt mức cao kỷ lục, sự tiến bộ của các mô hình đa mô thức càng làm sâu sắc thêm rào cản công nghệ của Web2 AI. Từ việc điều chỉnh ngữ nghĩa đến hiểu biết hình ảnh, từ nhúng chiều cao đến hợp nhất đặc trưng, các mô hình phức tạp đang tích hợp các cách diễn đạt của các mô thức với tốc độ chưa từng có, xây dựng một cao nguyên AI ngày càng khép kín. Thị trường chứng khoán Mỹ cũng thể hiện sự khẳng định bằng hành động thực tế, bất kể là cổ phiếu liên quan đến tiền điện tử hay cổ phiếu AI, đều cho thấy một đợt tăng giá nhỏ.

Tuy nhiên, cơn sốt này dường như không có nhiều liên quan đến lĩnh vực tiền điện tử. Những nỗ lực gần đây trong lĩnh vực Web3 AI, đặc biệt là khám phá theo hướng Agent, có sự sai lệch lớn về hướng đi: cố gắng lắp ráp một hệ thống mô-đun đa phương thức kiểu Web2 bằng cấu trúc phi tập trung, thực chất là sự sai lệch kép về công nghệ và tư duy. Trong bối cảnh hiện nay, khi mà tính tương tác của mô-đun rất mạnh, phân phối 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 môi trường Web3.

Tương lai của Web3 AI không nằm ở việc bắt chước đơn giản, mà ở việc đi vòng chiến lược. Từ việc căn chỉnh ngữ nghĩa trong không gian chiều cao, đến nút thắt thông tin trong cơ chế chú ý, và cuối cùng là căn chỉnh đặc trưng dưới sức mạnh tính toán dị thể, Web3 AI cần áp dụng chiến lược "nông thôn bao vây thành phố".

Web3 AI dựa trên mô hình đa phương thức phẳng, sự không khớp về ngữ nghĩa dẫn đến hiệu suất kém

Trong hệ thống đa phương thức của Web2 AI hiện đại, "căn chỉnh ngữ nghĩa" là 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 những ý nghĩa nội tại đằng sau các tín hiệu vốn có hình thức khác biệt. Không gian nhúng chiều cao là chìa khóa để đạt được mục tiêu này.

Tuy nhiên, giao thức Web3 Agent khó có thể đạt được nhúng đa chiều. Hầu hết các Web3 Agent chỉ đơn giản là đóng gói các API có sẵn thành các "Agent" độc lập, thiếu không gian nhúng trung tâm thống nhất và cơ chế chú ý xuyên mô-đun. Điều này dẫn đến việc thông tin không thể tương tác giữa các mô-đun theo nhiều góc độ và nhiều cấp độ, chỉ có thể hoạt động theo dạng ống dẫn tuyến tính, thể hiện chức năng đơn lẻ, không thể tạo ra tối ưu hóa khép kín tổng thể.

Để đạt được một hệ thống thông minh toàn chuỗi với rào cản ngành, cần phải có mô hình hợp tác từ đầu đến cuối, nhúng thống nhất giữa các mô-đun và một kỹ thuật hệ thống hóa trong đào tạo và triển khai để vượt qua các nút thắt. Tuy nhiên, hiện tại thị trường không cho thấy nhu cầu như vậy.

Trong không gian chiều thấp, cơ chế chú ý không thể được thiết kế một cách tinh vi.

Mô hình đa phương thức cấp 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" vào những phần liên quan nhất khi xử lý một đầu vào mô thức nhất định.

Web2 AI khi thiết kế cơ chế chú ý, ý tưởng cốt lõi là trong quá trình xử lý chuỗi, phân bổ "trọng số chú ý" một cách động cho từng yếu tố, giúp nó tập trung vào thông tin liên quan nhất. Thiết kế này khéo léo kết hợp "tương tác toàn cầu" với "độ phức tạp có thể kiểm soát".

Tuy nhiên, việc xây dựng một hệ thống Web3 AI dựa trên mô-đun gặp khó khăn trong việc thực hiện lịch trình chú ý thống nhất. Đầu tiên, cơ chế chú ý phụ thuộc vào không gian Query-Key-Value thống nhất, trong khi định dạng dữ liệu và phân bố mà các API độc lập trả về là khác nhau. Thứ hai, kiến trúc mô-đun của Web3 AI thiếu khả năng trọng số động đa tuyến song song, không thể mô phỏng lịch trình tinh vi trong cơ chế chú ý. Cuối cùng, các mô-đun thiếu một ngữ cảnh trung tâm chia sẻ theo thời gian thực, không thể thực hiện mối liên hệ và tập trung toàn cục giữa các mô-đun.

Mô-đun hóa rời rạc dẫn đến sự kết hợp các đặc trưng dừng lại ở sự ghép nối tĩnh nông.

"Hợp nhất đặc trưng" là việc kết hợp các vector đặc trưng thu được từ việc xử lý các mô hình khác nhau dựa trên sự căn chỉnh và chú ý, để cung cấp cho các nhiệm vụ hạ lưu sử dụng trực tiếp. Web3 AI hiện chỉ dừng lại ở giai đoạn kết nối đơn giản nhất, vì các điều kiện tiên quyết cho việc hợp nhất đặc trưng động - không gian bậc cao và cơ chế chú ý tinh vi - không thể có.

Web2 AI có xu hướng huấn luyện liên kết đầu cuối, xử lý các đặc trưng đa phương thức trong cùng một không gian nhiều chiều, cùng tối ưu hóa với các lớp chú ý và lớp hợp nhất cũng như lớp nhiệm vụ hạ lưu. Ngược lại, Web3 AI thường sử dụng cách ghép các mô-đun rời rạc, thiếu mục tiêu huấn luyện thống nhất và dòng gradient xuyên mô-đun.

Quá trình hợp nhất đặc trưng của Web2 AI bao gồm nhiều thao tác tương tác bậc cao như nối vector, cộng, và pooling hai chiều, có khả năng nắm bắt các mối quan hệ liên mô hình sâu sắc và phức tạp. Trong khi đó, các đầu ra của các Agent trong Web3 AI thường chỉ chứa một vài trường hoặc chỉ số chính, với kích thước đặc trưng rất thấp, khó có thể diễn đạt thông tin liên mô hình một cách tinh tế.

Rào cản ngành AI ngày càng sâu, nhưng nỗi đau vẫn chưa xuất hiện

Hệ thống đa phương thức AI Web2 là một dự án kỹ thuật cực kỳ lớn, cần một lượng dữ liệu khổng lồ, sức mạnh tính toán mạnh mẽ, thuật toán tiên tiến và triển khai kỹ thuật phức tạp. Điều này tạo ra rào cản ngành nghề rất mạnh, đồng thời tạo ra sức cạnh tranh cốt lõi của một số đội ngũ dẫn đầu.

Web3 AI nên áp dụng chiến lược "nông thôn bao vây thành phố", thử nghiệm quy mô nhỏ trong các tình huống biên, đảm bảo nền tảng vững chắc trước khi chờ đợi sự xuất hiện của các tình huống cốt lõi. Ưu điểm của Web3 AI nằm ở sự phi tập trung, phù hợp với cấu trúc nhẹ, dễ dàng song song và có thể khuyến khích các nhiệm vụ như tinh chỉnh LoRA, nhiệm vụ huấn luyện sau hành vi, huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện mô hình cơ sở nhỏ, cũng như huấn luyện hợp tác trên các thiết bị biên.

Tuy nhiên, vào giai đoạn 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 chính là cơ hội để Web3 AI thâm nhập. Trước khi điều đó xảy ra, các dự án Web3 AI cần phải lựa chọn điểm thâm nhập một cách cẩn thận, đảm bảo có thể liên tục lặp lại và cập nhật sản phẩm trong các tình huống nhỏ, đồng thời duy trì đủ tính linh hoạt để thích ứng với nhu cầu thị trường đang thay đổi.