Autor original: @BlazingKevin_, el investigador en Movemaker
La evolución de los modelos multimodales no ha traído caos, sino que ha profundizado las barreras técnicas de la IA Web2: desde la alineación semántica hasta la comprensión visual, desde la incrustación de alta dimensión hasta la fusión de características, los modelos complejos están integrando varias expresiones modales a una velocidad sin precedentes para construir una montaña de IA cada vez más cerrada. El mercado bursátil de EE. UU. también votó con los pies, ya sean acciones de divisas o acciones de IA, salieron de una ola de mercado alcista. Y esta ola de calor no tiene nada que ver con las criptomonedas. Los intentos de IA Web3 que hemos visto, especialmente la evolución de la dirección del agente en los últimos meses, son casi completamente erróneos: la ilusión de utilizar una estructura descentralizada para montar un sistema modular multimodal al estilo Web2 es en realidad una doble desalineación de la tecnología y el pensamiento. En los módulos altamente acoplados de hoy en día, la distribución de características altamente inestable y la demanda de potencia informática cada vez más concentrada, la modularización multimodal simplemente no puede sostenerse en Web3. Señalemos: el futuro de la IA Web3 no se trata de imitación, sino de desvíos estratégicos. Desde la alineación semántica de espacios de alta dimensión, hasta el cuello de botella de información en el mecanismo de atención, pasando por la alineación de características bajo una potencia de cálculo heterogénea, los ampliaré uno por uno para explicar por qué la IA de Web3 debería utilizar el campo para rodear la ciudad como un programa táctico.
Web3 AI basado en un modelo multimodal plano, la falta de alineación semántica conduce a un rendimiento deficiente
En el sistema multimodal de la IA Web2 moderna, la "alineación semántica" se refiere al mapeo de información de diferentes modalidades (como imágenes, texto, audio, vídeo, etc.) en el mismo espacio semántico o interconvertible, de modo que el modelo pueda comprender y comparar el significado intrínseco que hay detrás de estas señales originalmente dispares. Por ejemplo, para una imagen de un gato y la frase "un gato lindo", el modelo necesita proyectarlos cerca uno del otro en un espacio incrustado de alta dimensión, de modo que pueda "mirar la imagen y hablar" y "escuchar el sonido para asociar la imagen" al recuperarla, generarla o razonar.
Solo tiene sentido dividir el flujo de trabajo en diferentes módulos bajo la premisa de lograr un espacio de incrustación de alta dimensión. Sin embargo, en el protocolo Web3 Agent, no se puede lograr la incrustación de alta dimensión, porque la modularidad es una ilusión de Web3 AI.
¿Cómo entender el espacio embebido de alta dimensión? En el nivel más intuitivo, piense en el "espacio incrustado de alta dimensión" como un sistema de coordenadas: al igual que las coordenadas x-y en un plano, puede ubicar un punto con un par de números. Es solo que en nuestro plano bidimensional común, un punto está completamente determinado por dos números (x, y); En el espacio "de alta dimensión", cada punto se describe con más números, que pueden ser 128, 512 o incluso miles de números.
De lo simple a lo complejo, se entiende en tres pasos:
Ejemplo bidimensional:
Imagina que has marcado las coordenadas de varias ciudades en un mapa, como Pekín (116.4, 39.9), Shanghái (121.5, 31.2) y Cantón (113.3, 23.1). Cada ciudad aquí corresponde a un "vector de incrustación en dos dimensiones" (embedding vector): las coordenadas bidimensionales codifican la información de ubicación geográfica en números.
Si deseas medir la "similitud" entre ciudades, es posible que las ciudades cercanas en el mapa estén en la misma región económica o climática; puedes comparar directamente la distancia euclidiana de sus coordenadas.
2. Expandir a múltiples dimensiones:
Ahora supongamos que no solo deseas describir la ubicación en el "espacio geográfico", sino que también quieres agregar algunas "características climáticas" (temperatura media, cantidad de lluvia), "características demográficas" (densidad de población, PIB), etc. Puedes asignar un vector que contenga estas 5, 10 o incluso más dimensiones a cada ciudad.
Por ejemplo, el vector de 5 dimensiones de Guangzhou podría ser [ 113.3, 23.1, 24.5, 1700, 14.5 ], que representan respectivamente la longitud, latitud, temperatura media, precipitación anual (milímetros) e índice económico. Este "espacio multidimensional" te permite comparar ciudades simultáneamente según múltiples dimensiones como geografía, clima y economía: si los vectores de dos ciudades son muy cercanos, significa que son muy similares en estas propiedades.
3. Cambiar a semántica - ¿por qué "incrustar":
En el procesamiento del lenguaje natural (NLP) o en la visión por computadora, también queremos mapear palabras, oraciones o imágenes a un vector multidimensional de tal manera que las palabras o imágenes de "significado similar" estén más cerca en el espacio. Este proceso de mapeo se llama "incrustación" (embedding).
Por ejemplo, vamos a entrenar un modelo para que asigne "gato" a un vector de 300 dimensiones v₁, "perro" a otro vector v₂ y palabras "irrelevantes" como "economía" a v₃. Entonces, en este espacio de 300 dimensiones, la distancia entre v₁ y v₂ será pequeña (ya que ambos son animales y a menudo aparecen en lugares similares), y la distancia v₁ será grande.
A medida que el modelo se entrena en grandes volúmenes de texto o pares de texto-imagen, cada dimensión que aprende no corresponde directamente a atributos interpretables como "longitud" o "latitud", sino a algún tipo de "característica semántica implícita". Algunas dimensiones pueden capturar la división de "animal vs. no animal" en un nivel grueso, otras dimensiones pueden distinguir entre "doméstico vs. salvaje", y otras dimensiones pueden corresponder a la sensación de "adorable vs. poderoso"... En resumen, cientos o miles de dimensiones trabajan juntas para codificar todos los aspectos semánticos complejos y entrelazados.
¿Cuál es la diferencia entre dimensiones altas y bajas? Solo un número suficiente de dimensiones puede acomodar una variedad de características semánticas entrelazadas, y solo las dimensiones altas pueden hacer que tengan una posición más clara en sus respectivas latitudes semánticas. Cuando la semántica no se puede distinguir, es decir, la semántica no se puede alinear, diferentes señales en el espacio de baja dimensión se "aprietan" entre sí, lo que resulta en una confusión frecuente en la recuperación o clasificación del modelo, y la precisión se reduce considerablemente. En segundo lugar, es difícil captar diferencias sutiles en la etapa de generación de la estrategia, y es fácil pasar por alto señales clave de trading o juzgar mal el umbral de riesgo, lo que arrastra directamente a la baja el rendimiento de los rendimientos. Además, la colaboración entre módulos se vuelve imposible, cada agente trabaja de forma independiente, el fenómeno de las islas de información es grave, el retraso general de la respuesta aumenta y la robustez se vuelve deficiente. Finalmente, frente a escenarios de mercado complejos, la estructura de baja dimensión casi no tiene capacidad para transportar datos de múltiples fuentes, y la estabilidad y escalabilidad del sistema son difíciles de garantizar, y la operación a largo plazo está destinada a caer en cuellos de botella de rendimiento y dificultades de mantenimiento, lo que resulta en una gran brecha entre el rendimiento del producto después del aterrizaje y la expectativa inicial.
Entonces, ¿pueden los protocolos Web3 AI o Agent lograr un espacio de incrustación de alta dimensión? En primer lugar, para responder a la pregunta de cómo lograr un espacio de alta dimensión, el sentido tradicional de "alta dimensión" requiere que cada subsistema, como la inteligencia de mercado, la generación, ejecución e implementación de estrategias y el control de riesgos, se alineen entre sí y se complementen entre sí en la representación de datos y el proceso de toma de decisiones. Sin embargo, la mayoría de los agentes Web3 sólo encapsulan APIs listas para usar (CoinGecko, interfaces DEX, etc.) en "Agentes" independientes, que carecen de un espacio de incrustación central unificado y de un mecanismo de atención entre módulos, lo que da como resultado una información que no puede interactuar entre módulos desde múltiples ángulos y niveles, y sólo puede seguir una tubería lineal, mostrando una sola función, e incapaz de formar una optimización general de bucle cerrado.
Muchos agentes llaman directamente a interfaces externas y ni siquiera realizan suficientes ajustes o ingeniería de características para los datos devueltos por la interfaz. Por ejemplo, el agente de análisis de mercado solo toma el precio y el volumen de negociación, el agente de ejecución de transacciones solo coloca órdenes de acuerdo con los parámetros de la interfaz y el agente de control de riesgos solo emite alarmas de acuerdo con varios umbrales. Realizan sus propias funciones, pero carecen de fusión multimodal y de una comprensión semántica profunda del mismo evento de riesgo o señal de mercado, lo que hace que el sistema no sea capaz de generar rápidamente estrategias integrales y multiángulo frente a oportunidades extremas de mercado o de activos cruzados.
Por lo tanto, exigir a la IA Web3 que logre un espacio de alta dimensión equivale a exigir que el protocolo Agent desarrolle todas las interfaces API involucradas, lo que es contrario a su intención original de modularización, y el sistema modular multimodal descrito por las pequeñas y medianas empresas en la IA Web3 no puede resistir el escrutinio. La arquitectura de alta dimensión requiere un entrenamiento unificado de extremo a extremo o una optimización colaborativa: desde la captura de señales hasta el cálculo de la estrategia, la ejecución y el control de riesgos, todos los enlaces comparten el mismo conjunto de funciones de representación y pérdida. La idea del "módulo como complemento" de Web3 Agent ha exacerbado la fragmentación: cada actualización, implementación y ajuste de parámetros del agente se completan en su propio silo, que es difícil de iterar de forma sincrónica, y no existe un mecanismo eficaz de supervisión y retroalimentación centralizado, lo que provoca un aumento de los costes de mantenimiento y un rendimiento general limitado.
Para lograr un agente inteligente de cadena completa con barreras de entrada en la industria, se necesita un modelado conjunto de extremo a extremo, una integración unificada entre módulos, así como una ingeniería sistemática de entrenamiento y despliegue colaborativo para romper el estancamiento. Sin embargo, actualmente no existe tal punto de dolor en el mercado, por lo que tampoco hay demanda en el mercado.
En un espacio de baja dimensión, el mecanismo de atención no puede ser diseñado con precisión.
Los modelos multimodales de alto nivel necesitan diseñar mecanismos de atención sofisticados. El "mecanismo de atención" es esencialmente una forma de asignar dinámicamente los recursos computacionales, lo que permite que el modelo se "enfoque" selectivamente en las partes más relevantes al procesar una entrada modal. Los más comunes son los mecanismos de autoatención y atención cruzada en el Transformer: la autoatención permite al modelo medir las dependencias entre los elementos de una secuencia, como la importancia de cada palabra en el texto con respecto a otras palabras; La transatención permite que la información de una modalidad (por ejemplo, texto) decida qué características de la imagen "ver" al decodificar o generar otra modalidad (por ejemplo, la secuencia de características de una imagen). Con la atención de múltiples cabezas, el modelo puede aprender múltiples alineaciones simultáneamente en diferentes subespacios para capturar asociaciones más complejas y detalladas.
La premisa del mecanismo de atención es que la multimodalidad tiene altas dimensiones, y en el espacio de alta dimensión, el sofisticado mecanismo de atención puede encontrar la parte central del espacio masivo de alta dimensión en el menor tiempo posible. Antes de explicar por qué el mecanismo de atención debe colocarse en un espacio de alta dimensión para desempeñar un papel, primero entendemos el proceso de la IA Web2 representado por el decodificador Transformer al diseñar el mecanismo de atención. La idea central es que al procesar secuencias (texto, parches de imagen, fotogramas de audio), el modelo asigna dinámicamente "pesos de atención" a cada elemento, lo que le permite concentrarse en la información más relevante, en lugar de tratarlos ciegamente por igual.
En pocas palabras, si se compara el mecanismo de atención con un coche, diseñar Query-Key-Value es diseñar el motor. Q-K-V es el mecanismo que nos ayuda a determinar la información clave, Consulta se refiere a la consulta ( "qué estoy buscando" ), Clave se refiere al índice ( "qué etiqueta tengo" ), Valor se refiere al contenido (" ¿Qué hay aquí?", ). En el caso de un modelo multimodal, lo que se introduce en el modelo puede ser una frase, una imagen o un audio. Para recuperar el contenido que necesitamos en el espacio dimensional, estas entradas se cortan en las unidades más pequeñas, como un carácter, un pequeño bloque de un cierto tamaño de píxel o un fragmento de fotograma de audio, y el modelo multimodal genera Query, Key y Value para estas unidades mínimas para el cálculo de la atención. Cuando el modelo procesa una determinada ubicación, utilizará la consulta de esta posición para comparar las claves de todas las posiciones, determinar qué etiquetas coinciden mejor con los requisitos actuales, y luego extraerá el valor de la posición correspondiente según el grado de coincidencia y ponderará la combinación según la importancia, y finalmente obtendrá una nueva representación que no solo contiene su propia información, sino que también integra el contenido relevante de todo el mundo. De esta manera, cada salida puede ser dinámicamente "cuestionada-recuperada-integrada" de acuerdo con el contexto para lograr un enfoque de información eficiente y preciso.
Sobre la base de este motor, se agregan varias partes y se combinan inteligentemente la "interacción global" y la "complejidad controlable": el producto de puntos a escala garantiza la estabilidad numérica, la expresión rica en paralelo de múltiples cabezas, la codificación de posición conserva el orden de la secuencia, las variantes dispersas tienen en cuenta la eficiencia, los residuales y la normalización ayudan a un entrenamiento estable, y la atención cruzada abre la multimodalidad. Estos diseños modulares, capa por capa, permiten que la IA Web2 tenga sólidas capacidades de aprendizaje y funcione de manera eficiente dentro de un rango asequible de potencia informática cuando se manejan una variedad de tareas secuenciales y multimodales.
¿Por qué la IA Web3 basada en módulos no puede lograr una programación unificada de la atención? En primer lugar, el mecanismo de atención se basa en un espacio unificado de consulta-clave-valor, y todas las características de entrada deben asignarse al mismo espacio vectorial de alta dimensión para calcular las ponderaciones dinámicas del producto de puntos. Sin embargo, las API independientes devuelven diferentes formatos y diferentes distribuciones de datos (precio, estado del pedido, alarmas de umbral) sin una capa de incrustación unificada, y no pueden formar un conjunto de Q/K/V interactivos. En segundo lugar, la atención multicabezal permite prestar atención a diferentes fuentes de información en paralelo al mismo nivel al mismo tiempo, y luego se agregan los resultados. Sin embargo, las API independientes a menudo "llaman a A primero, luego llaman a B y luego llaman a C", y la salida de cada paso es solo la entrada del siguiente módulo, que carece de la capacidad de ponderación dinámica paralela y multicanal y, naturalmente, no puede simular la programación fina de puntuar y sintetizar todas las posiciones o modalidades al mismo tiempo en el mecanismo de atención. Por último, un verdadero mecanismo de atención asigna dinámicamente pesos a cada elemento en función del contexto general; En el modo API, los módulos solo pueden ver el contexto "independiente" cuando se llaman, y no hay un contexto central compartido entre sí en tiempo real, por lo que es imposible lograr una correlación y un enfoque globales entre los módulos.
Por lo tanto, solo al empaquetar diversas funciones en API discretas, sin una representación vectorial común, sin ponderación y agregación paralela, no se puede construir una capacidad de "programación de atención unificada" como la de Transformer, al igual que un coche con un motor de bajo rendimiento difícilmente puede mejorar su límite, sin importar cuántas modificaciones se le hagan.
La modularidad discreta en la combinación provoca que la fusión de características se quede en una unión estática superficial.
La "fusión de características" consiste en combinar aún más los vectores de características obtenidos por diferentes procesamientos modales sobre la base de la alineación y la atención, de modo que puedan ser utilizados directamente por las tareas posteriores (clasificación, recuperación, generación, etc.). Los métodos de fusión pueden ser tan simples como el empalme, la suma ponderada o tan complejos como la agrupación bilineal, la descomposición de tensores e incluso las técnicas de enrutamiento dinámico. Un enfoque de orden superior consiste en alternar la alineación, la atención y la fusión en una red multicapa, o establecer una ruta de transmisión de mensajes más flexible entre características intermodales a través de redes neuronales de grafos (GNN) para lograr una interacción profunda con la información.
No hace falta decir que la IA Web3, por supuesto, se encuentra en la etapa más simple de combinación, porque la fusión de características dinámicas requiere un espacio de alta dimensión y un mecanismo de atención preciso. Cuando estas condiciones previas no están disponibles, naturalmente la fusión de características en la etapa final tampoco puede lograr un rendimiento destacado.
La IA Web2 tiende al entrenamiento conjunto de extremo a extremo: todas las características modales, como imágenes, texto y audio, se procesan simultáneamente en el mismo espacio de alta dimensión, y el modelo aprende automáticamente los pesos de fusión óptimos y los modos de interacción en la propagación hacia adelante y hacia atrás a través de la optimización conjunta con la capa de tareas descendente a través de la capa de atención y la capa de fusión. La IA Web3, por otro lado, utiliza un empalme de módulos más discreto, encapsulando varias API, como el reconocimiento de imágenes, la captura de mercado y la evaluación de riesgos, en agentes independientes, y luego simplemente juntando las etiquetas, los valores o las alarmas de umbral que emiten, y tomando decisiones integrales por lógica principal o manual, que carece de un objetivo de entrenamiento unificado y no hay flujo de gradiente entre los módulos.
En la IA Web2, el sistema se basa en el mecanismo de atención para calcular las puntuaciones de importancia de varias características en tiempo real según el contexto y ajustar dinámicamente la estrategia de fusión. La atención multicabezal también puede capturar múltiples patrones de interacción de características diferentes en paralelo al mismo nivel, teniendo en cuenta los detalles locales y la semántica global. La IA de Web3, por otro lado, a menudo fija el peso de la "imagen × 0,5 + texto × 0,3 + precio × 0,2" por adelantado, o utiliza reglas simples if/else para determinar si fusionar, o no fusionarse en absoluto, y solo presenta la salida de cada módulo junto, lo que carece de flexibilidad.
La IA de Web2 mapea todas las características de los modos a un espacio de alta dimensión de miles de dimensiones; el proceso de fusión no solo consiste en la concatenación de vectores, sino que también incluye adiciones, agrupaciones bilineales y una variedad de operaciones de interacción de alto orden: cada dimensión puede corresponder a una cierta semántica latente, lo que permite que el modelo capture asociaciones complejas y profundas entre modos. En comparación, las salidas de los agentes de la IA de Web3 a menudo solo contienen unos pocos campos o indicadores clave, con dimensiones de características extremadamente bajas, lo que dificulta casi por completo la expresión de información sutil como "¿por qué coinciden el contenido de la imagen y el significado del texto?" o "la delicada relación entre la fluctuación de precios y la tendencia emocional."
En la IA de Web2, la pérdida de las tareas de downstream se retroalimenta continuamente a través de las capas de atención y fusión a las diferentes partes del modelo, ajustando automáticamente qué características deben ser reforzadas o suprimidas, formando una optimización en bucle cerrado. En cambio, la IA de Web3, después de reportar los resultados de las llamadas a la API, depende en gran medida de procesos manuales o externos para evaluar y ajustar los parámetros, careciendo de retroalimentación automatizada de extremo a extremo, lo que dificulta la iteración y optimización en línea de las estrategias de fusión.
Las barreras en la industria de la IA se están profundizando, pero aún no han aparecido los puntos críticos.
Debido a la necesidad de tener en cuenta la alineación intermodal, la sofisticada computación de la atención y la fusión de características de alta dimensión en el entrenamiento de extremo a extremo, el sistema multimodal de la IA Web2 suele ser un proyecto de ingeniería extremadamente grande. No solo requiere conjuntos de datos intermodales masivos, diversos y bien anotados, sino que también requiere semanas o incluso meses de entrenamiento en miles de GPU; En cuanto a la arquitectura del modelo, integra varios de los últimos conceptos de diseño de red y tecnologías de optimización. En cuanto a la implementación del proyecto, también es necesario construir una plataforma de formación distribuida escalable, un sistema de monitorización, una gestión de versiones de modelos y un canal de implementación. En la investigación y desarrollo de algoritmos, es necesario seguir estudiando variantes de atención más eficientes, pérdidas de alineación más robustas y estrategias de fusión más ligeras. Este tipo de trabajo sistemático de enlace completo y pila completa tiene requisitos extremadamente altos de capital, datos, potencia informática, talentos e incluso colaboración organizacional, por lo que constituye una fuerte barrera en la industria y también ha creado la competitividad central dominada por algunos equipos líderes hasta ahora.
Cuando revisé las aplicaciones chinas de IA en abril y comparé WEB3 ai, mencioné un punto de vista: en industrias con fuertes barreras, Crypto puede lograr avances, lo que significa que algunas industrias han sido muy maduras en los mercados tradicionales, pero hay enormes puntos de dolor, la alta madurez significa que hay suficientes usuarios familiarizados con modelos de negocio similares, y los grandes puntos de dolor significan que los usuarios están dispuestos a probar nuevas soluciones, es decir, una fuerte disposición a aceptar Crypto, ambos son indispensables, es decir, al contrario, Si no es una industria que ya está muy madura en el mercado tradicional, pero hay enormes puntos de dolor, Crypto no podrá echar raíces en ella, no habrá espacio para la supervivencia y la voluntad de los usuarios para comprenderla completamente es muy baja y no entienden su límite superior potencial.
La IA WEB3 o cualquier producto criptográfico bajo la bandera de PMF debe desarrollarse con la táctica de rodear la ciudad en el campo, y el agua debe probarse a pequeña escala en la posición marginal, para garantizar que la base sea sólida, y luego esperar a que surja el escenario central, es decir, la ciudad objetivo. El núcleo de la IA Web3 reside en la descentralización, y su trayectoria evolutiva se refleja en la compatibilidad de un alto paralelismo, un bajo acoplamiento y una potencia informática heterogénea. Esto hace que la IA Web3 sea más ventajosa en escenarios como la computación periférica, y es adecuada para tareas con estructuras ligeras, fácil paralelismo e incentivación, como el ajuste fino de LoRA, las tareas posteriores al entrenamiento alineadas con el comportamiento, el entrenamiento y la anotación de datos de crowdsourcing, el entrenamiento de modelos básicos pequeños y el entrenamiento colaborativo de dispositivos periféricos. La arquitectura del producto de estos escenarios es ligera y la hoja de ruta se puede iterar de forma flexible. Pero esto no quiere decir que la oportunidad sea ahora, porque las barreras de la IA WEB2 acaban de comenzar a formarse, la aparición de Deepseek ha estimulado el progreso de la IA multimodal de tareas complejas, que es la competencia de las empresas líderes, y es la etapa inicial de la aparición de los dividendos de la IA WEB2, creo que solo cuando los dividendos de la IA WEB2 desaparecen, los puntos débiles que deja son las oportunidades para que la IA WEB3 corte, al igual que el nacimiento original de DeFi, y antes de que llegue el momento, la IA WEB3 Necesitamos identificar cuidadosamente el acuerdo que tiene "áreas rurales que rodean a las ciudades", ya sea para cortar desde el borde, primero obtener un punto de apoyo firme en el campo (o pequeño mercado, pequeña escena) donde el poder es débil y el mercado tiene pocas escenas arraigadas, y gradualmente acumular recursos y experiencia; Si esto no se puede hacer, entonces es difícil confiar en PMF para lograr un valor de mercado de $ 1 mil millones sobre esta base, y tales proyectos no estarán en la lista de vigilancia; DEBEMOS PRESTAR ATENCIÓN A SI EL PROTOCOLO DE IA WEB3 DEBE SER COMPLETAMENTE FLEXIBLE, FLEXIBLE PARA DIFERENTES ESCENARIOS, PUEDE MOVERSE RÁPIDAMENTE ENTRE ÁREAS RURALES Y ACERCARSE A LA CIUDAD OBJETIVO A LA VELOCIDAD MÁS RÁPIDA.
Acerca de Movemaker
Movemaker es la primera organización comunitaria oficial autorizada por la Fundación Aptos, iniciada conjuntamente por Ankaa y BlockBooster, enfocada en promover la construcción y desarrollo del ecosistema de Aptos en la región de habla china. Como representante oficial de Aptos en la región de habla china, Movemaker se dedica a crear un ecosistema de Aptos diverso, abierto y próspero, conectando desarrolladores, usuarios, capital y numerosos socios ecológicos.
Descargo de responsabilidad:
Este artículo/blog es solo para fines informativos y representa las opiniones personales del autor y no representa necesariamente la posición de Movemaker. Este artículo no tiene la intención de proporcionar: (i) consejos de inversión o recomendaciones de inversión; (ii) una oferta o solicitud para comprar, vender o mantener activos digitales; o (iii) asesoramiento financiero, contable, legal o fiscal. La tenencia de activos digitales, incluidas las stablecoins y los NFT, es extremadamente arriesgada, tiene un precio muy volátil e incluso puede perder su valor. Debe considerar cuidadosamente si operar o mantener activos digitales es adecuado para usted a la luz de su propia situación financiera. Consulte a su asesor legal, fiscal o de inversiones si tiene preguntas sobre sus circunstancias específicas. La información proporcionada en este artículo, incluidos los datos y estadísticas de mercado, si los hubiera, es solo para fines de información general. Se ha tenido un cuidado razonable en la preparación de estas figuras y gráficos, pero no se acepta ninguna responsabilidad por los errores de hecho u omisiones expresados en ellos.
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
¿Por qué la modularización multimodal es una ilusión en la IA de Web3?
Autor original: @BlazingKevin_, el investigador en Movemaker
La evolución de los modelos multimodales no ha traído caos, sino que ha profundizado las barreras técnicas de la IA Web2: desde la alineación semántica hasta la comprensión visual, desde la incrustación de alta dimensión hasta la fusión de características, los modelos complejos están integrando varias expresiones modales a una velocidad sin precedentes para construir una montaña de IA cada vez más cerrada. El mercado bursátil de EE. UU. también votó con los pies, ya sean acciones de divisas o acciones de IA, salieron de una ola de mercado alcista. Y esta ola de calor no tiene nada que ver con las criptomonedas. Los intentos de IA Web3 que hemos visto, especialmente la evolución de la dirección del agente en los últimos meses, son casi completamente erróneos: la ilusión de utilizar una estructura descentralizada para montar un sistema modular multimodal al estilo Web2 es en realidad una doble desalineación de la tecnología y el pensamiento. En los módulos altamente acoplados de hoy en día, la distribución de características altamente inestable y la demanda de potencia informática cada vez más concentrada, la modularización multimodal simplemente no puede sostenerse en Web3. Señalemos: el futuro de la IA Web3 no se trata de imitación, sino de desvíos estratégicos. Desde la alineación semántica de espacios de alta dimensión, hasta el cuello de botella de información en el mecanismo de atención, pasando por la alineación de características bajo una potencia de cálculo heterogénea, los ampliaré uno por uno para explicar por qué la IA de Web3 debería utilizar el campo para rodear la ciudad como un programa táctico.
Web3 AI basado en un modelo multimodal plano, la falta de alineación semántica conduce a un rendimiento deficiente
En el sistema multimodal de la IA Web2 moderna, la "alineación semántica" se refiere al mapeo de información de diferentes modalidades (como imágenes, texto, audio, vídeo, etc.) en el mismo espacio semántico o interconvertible, de modo que el modelo pueda comprender y comparar el significado intrínseco que hay detrás de estas señales originalmente dispares. Por ejemplo, para una imagen de un gato y la frase "un gato lindo", el modelo necesita proyectarlos cerca uno del otro en un espacio incrustado de alta dimensión, de modo que pueda "mirar la imagen y hablar" y "escuchar el sonido para asociar la imagen" al recuperarla, generarla o razonar.
Solo tiene sentido dividir el flujo de trabajo en diferentes módulos bajo la premisa de lograr un espacio de incrustación de alta dimensión. Sin embargo, en el protocolo Web3 Agent, no se puede lograr la incrustación de alta dimensión, porque la modularidad es una ilusión de Web3 AI.
¿Cómo entender el espacio embebido de alta dimensión? En el nivel más intuitivo, piense en el "espacio incrustado de alta dimensión" como un sistema de coordenadas: al igual que las coordenadas x-y en un plano, puede ubicar un punto con un par de números. Es solo que en nuestro plano bidimensional común, un punto está completamente determinado por dos números (x, y); En el espacio "de alta dimensión", cada punto se describe con más números, que pueden ser 128, 512 o incluso miles de números.
De lo simple a lo complejo, se entiende en tres pasos:
Imagina que has marcado las coordenadas de varias ciudades en un mapa, como Pekín (116.4, 39.9), Shanghái (121.5, 31.2) y Cantón (113.3, 23.1). Cada ciudad aquí corresponde a un "vector de incrustación en dos dimensiones" (embedding vector): las coordenadas bidimensionales codifican la información de ubicación geográfica en números.
Si deseas medir la "similitud" entre ciudades, es posible que las ciudades cercanas en el mapa estén en la misma región económica o climática; puedes comparar directamente la distancia euclidiana de sus coordenadas. 2. Expandir a múltiples dimensiones:
Ahora supongamos que no solo deseas describir la ubicación en el "espacio geográfico", sino que también quieres agregar algunas "características climáticas" (temperatura media, cantidad de lluvia), "características demográficas" (densidad de población, PIB), etc. Puedes asignar un vector que contenga estas 5, 10 o incluso más dimensiones a cada ciudad.
Por ejemplo, el vector de 5 dimensiones de Guangzhou podría ser [ 113.3, 23.1, 24.5, 1700, 14.5 ], que representan respectivamente la longitud, latitud, temperatura media, precipitación anual (milímetros) e índice económico. Este "espacio multidimensional" te permite comparar ciudades simultáneamente según múltiples dimensiones como geografía, clima y economía: si los vectores de dos ciudades son muy cercanos, significa que son muy similares en estas propiedades. 3. Cambiar a semántica - ¿por qué "incrustar": En el procesamiento del lenguaje natural (NLP) o en la visión por computadora, también queremos mapear palabras, oraciones o imágenes a un vector multidimensional de tal manera que las palabras o imágenes de "significado similar" estén más cerca en el espacio. Este proceso de mapeo se llama "incrustación" (embedding). Por ejemplo, vamos a entrenar un modelo para que asigne "gato" a un vector de 300 dimensiones v₁, "perro" a otro vector v₂ y palabras "irrelevantes" como "economía" a v₃. Entonces, en este espacio de 300 dimensiones, la distancia entre v₁ y v₂ será pequeña (ya que ambos son animales y a menudo aparecen en lugares similares), y la distancia v₁ será grande.
A medida que el modelo se entrena en grandes volúmenes de texto o pares de texto-imagen, cada dimensión que aprende no corresponde directamente a atributos interpretables como "longitud" o "latitud", sino a algún tipo de "característica semántica implícita". Algunas dimensiones pueden capturar la división de "animal vs. no animal" en un nivel grueso, otras dimensiones pueden distinguir entre "doméstico vs. salvaje", y otras dimensiones pueden corresponder a la sensación de "adorable vs. poderoso"... En resumen, cientos o miles de dimensiones trabajan juntas para codificar todos los aspectos semánticos complejos y entrelazados.
¿Cuál es la diferencia entre dimensiones altas y bajas? Solo un número suficiente de dimensiones puede acomodar una variedad de características semánticas entrelazadas, y solo las dimensiones altas pueden hacer que tengan una posición más clara en sus respectivas latitudes semánticas. Cuando la semántica no se puede distinguir, es decir, la semántica no se puede alinear, diferentes señales en el espacio de baja dimensión se "aprietan" entre sí, lo que resulta en una confusión frecuente en la recuperación o clasificación del modelo, y la precisión se reduce considerablemente. En segundo lugar, es difícil captar diferencias sutiles en la etapa de generación de la estrategia, y es fácil pasar por alto señales clave de trading o juzgar mal el umbral de riesgo, lo que arrastra directamente a la baja el rendimiento de los rendimientos. Además, la colaboración entre módulos se vuelve imposible, cada agente trabaja de forma independiente, el fenómeno de las islas de información es grave, el retraso general de la respuesta aumenta y la robustez se vuelve deficiente. Finalmente, frente a escenarios de mercado complejos, la estructura de baja dimensión casi no tiene capacidad para transportar datos de múltiples fuentes, y la estabilidad y escalabilidad del sistema son difíciles de garantizar, y la operación a largo plazo está destinada a caer en cuellos de botella de rendimiento y dificultades de mantenimiento, lo que resulta en una gran brecha entre el rendimiento del producto después del aterrizaje y la expectativa inicial.
Entonces, ¿pueden los protocolos Web3 AI o Agent lograr un espacio de incrustación de alta dimensión? En primer lugar, para responder a la pregunta de cómo lograr un espacio de alta dimensión, el sentido tradicional de "alta dimensión" requiere que cada subsistema, como la inteligencia de mercado, la generación, ejecución e implementación de estrategias y el control de riesgos, se alineen entre sí y se complementen entre sí en la representación de datos y el proceso de toma de decisiones. Sin embargo, la mayoría de los agentes Web3 sólo encapsulan APIs listas para usar (CoinGecko, interfaces DEX, etc.) en "Agentes" independientes, que carecen de un espacio de incrustación central unificado y de un mecanismo de atención entre módulos, lo que da como resultado una información que no puede interactuar entre módulos desde múltiples ángulos y niveles, y sólo puede seguir una tubería lineal, mostrando una sola función, e incapaz de formar una optimización general de bucle cerrado.
Muchos agentes llaman directamente a interfaces externas y ni siquiera realizan suficientes ajustes o ingeniería de características para los datos devueltos por la interfaz. Por ejemplo, el agente de análisis de mercado solo toma el precio y el volumen de negociación, el agente de ejecución de transacciones solo coloca órdenes de acuerdo con los parámetros de la interfaz y el agente de control de riesgos solo emite alarmas de acuerdo con varios umbrales. Realizan sus propias funciones, pero carecen de fusión multimodal y de una comprensión semántica profunda del mismo evento de riesgo o señal de mercado, lo que hace que el sistema no sea capaz de generar rápidamente estrategias integrales y multiángulo frente a oportunidades extremas de mercado o de activos cruzados.
Por lo tanto, exigir a la IA Web3 que logre un espacio de alta dimensión equivale a exigir que el protocolo Agent desarrolle todas las interfaces API involucradas, lo que es contrario a su intención original de modularización, y el sistema modular multimodal descrito por las pequeñas y medianas empresas en la IA Web3 no puede resistir el escrutinio. La arquitectura de alta dimensión requiere un entrenamiento unificado de extremo a extremo o una optimización colaborativa: desde la captura de señales hasta el cálculo de la estrategia, la ejecución y el control de riesgos, todos los enlaces comparten el mismo conjunto de funciones de representación y pérdida. La idea del "módulo como complemento" de Web3 Agent ha exacerbado la fragmentación: cada actualización, implementación y ajuste de parámetros del agente se completan en su propio silo, que es difícil de iterar de forma sincrónica, y no existe un mecanismo eficaz de supervisión y retroalimentación centralizado, lo que provoca un aumento de los costes de mantenimiento y un rendimiento general limitado.
Para lograr un agente inteligente de cadena completa con barreras de entrada en la industria, se necesita un modelado conjunto de extremo a extremo, una integración unificada entre módulos, así como una ingeniería sistemática de entrenamiento y despliegue colaborativo para romper el estancamiento. Sin embargo, actualmente no existe tal punto de dolor en el mercado, por lo que tampoco hay demanda en el mercado.
En un espacio de baja dimensión, el mecanismo de atención no puede ser diseñado con precisión.
Los modelos multimodales de alto nivel necesitan diseñar mecanismos de atención sofisticados. El "mecanismo de atención" es esencialmente una forma de asignar dinámicamente los recursos computacionales, lo que permite que el modelo se "enfoque" selectivamente en las partes más relevantes al procesar una entrada modal. Los más comunes son los mecanismos de autoatención y atención cruzada en el Transformer: la autoatención permite al modelo medir las dependencias entre los elementos de una secuencia, como la importancia de cada palabra en el texto con respecto a otras palabras; La transatención permite que la información de una modalidad (por ejemplo, texto) decida qué características de la imagen "ver" al decodificar o generar otra modalidad (por ejemplo, la secuencia de características de una imagen). Con la atención de múltiples cabezas, el modelo puede aprender múltiples alineaciones simultáneamente en diferentes subespacios para capturar asociaciones más complejas y detalladas.
La premisa del mecanismo de atención es que la multimodalidad tiene altas dimensiones, y en el espacio de alta dimensión, el sofisticado mecanismo de atención puede encontrar la parte central del espacio masivo de alta dimensión en el menor tiempo posible. Antes de explicar por qué el mecanismo de atención debe colocarse en un espacio de alta dimensión para desempeñar un papel, primero entendemos el proceso de la IA Web2 representado por el decodificador Transformer al diseñar el mecanismo de atención. La idea central es que al procesar secuencias (texto, parches de imagen, fotogramas de audio), el modelo asigna dinámicamente "pesos de atención" a cada elemento, lo que le permite concentrarse en la información más relevante, en lugar de tratarlos ciegamente por igual.
En pocas palabras, si se compara el mecanismo de atención con un coche, diseñar Query-Key-Value es diseñar el motor. Q-K-V es el mecanismo que nos ayuda a determinar la información clave, Consulta se refiere a la consulta ( "qué estoy buscando" ), Clave se refiere al índice ( "qué etiqueta tengo" ), Valor se refiere al contenido (" ¿Qué hay aquí?", ). En el caso de un modelo multimodal, lo que se introduce en el modelo puede ser una frase, una imagen o un audio. Para recuperar el contenido que necesitamos en el espacio dimensional, estas entradas se cortan en las unidades más pequeñas, como un carácter, un pequeño bloque de un cierto tamaño de píxel o un fragmento de fotograma de audio, y el modelo multimodal genera Query, Key y Value para estas unidades mínimas para el cálculo de la atención. Cuando el modelo procesa una determinada ubicación, utilizará la consulta de esta posición para comparar las claves de todas las posiciones, determinar qué etiquetas coinciden mejor con los requisitos actuales, y luego extraerá el valor de la posición correspondiente según el grado de coincidencia y ponderará la combinación según la importancia, y finalmente obtendrá una nueva representación que no solo contiene su propia información, sino que también integra el contenido relevante de todo el mundo. De esta manera, cada salida puede ser dinámicamente "cuestionada-recuperada-integrada" de acuerdo con el contexto para lograr un enfoque de información eficiente y preciso.
Sobre la base de este motor, se agregan varias partes y se combinan inteligentemente la "interacción global" y la "complejidad controlable": el producto de puntos a escala garantiza la estabilidad numérica, la expresión rica en paralelo de múltiples cabezas, la codificación de posición conserva el orden de la secuencia, las variantes dispersas tienen en cuenta la eficiencia, los residuales y la normalización ayudan a un entrenamiento estable, y la atención cruzada abre la multimodalidad. Estos diseños modulares, capa por capa, permiten que la IA Web2 tenga sólidas capacidades de aprendizaje y funcione de manera eficiente dentro de un rango asequible de potencia informática cuando se manejan una variedad de tareas secuenciales y multimodales.
¿Por qué la IA Web3 basada en módulos no puede lograr una programación unificada de la atención? En primer lugar, el mecanismo de atención se basa en un espacio unificado de consulta-clave-valor, y todas las características de entrada deben asignarse al mismo espacio vectorial de alta dimensión para calcular las ponderaciones dinámicas del producto de puntos. Sin embargo, las API independientes devuelven diferentes formatos y diferentes distribuciones de datos (precio, estado del pedido, alarmas de umbral) sin una capa de incrustación unificada, y no pueden formar un conjunto de Q/K/V interactivos. En segundo lugar, la atención multicabezal permite prestar atención a diferentes fuentes de información en paralelo al mismo nivel al mismo tiempo, y luego se agregan los resultados. Sin embargo, las API independientes a menudo "llaman a A primero, luego llaman a B y luego llaman a C", y la salida de cada paso es solo la entrada del siguiente módulo, que carece de la capacidad de ponderación dinámica paralela y multicanal y, naturalmente, no puede simular la programación fina de puntuar y sintetizar todas las posiciones o modalidades al mismo tiempo en el mecanismo de atención. Por último, un verdadero mecanismo de atención asigna dinámicamente pesos a cada elemento en función del contexto general; En el modo API, los módulos solo pueden ver el contexto "independiente" cuando se llaman, y no hay un contexto central compartido entre sí en tiempo real, por lo que es imposible lograr una correlación y un enfoque globales entre los módulos.
Por lo tanto, solo al empaquetar diversas funciones en API discretas, sin una representación vectorial común, sin ponderación y agregación paralela, no se puede construir una capacidad de "programación de atención unificada" como la de Transformer, al igual que un coche con un motor de bajo rendimiento difícilmente puede mejorar su límite, sin importar cuántas modificaciones se le hagan.
La modularidad discreta en la combinación provoca que la fusión de características se quede en una unión estática superficial.
La "fusión de características" consiste en combinar aún más los vectores de características obtenidos por diferentes procesamientos modales sobre la base de la alineación y la atención, de modo que puedan ser utilizados directamente por las tareas posteriores (clasificación, recuperación, generación, etc.). Los métodos de fusión pueden ser tan simples como el empalme, la suma ponderada o tan complejos como la agrupación bilineal, la descomposición de tensores e incluso las técnicas de enrutamiento dinámico. Un enfoque de orden superior consiste en alternar la alineación, la atención y la fusión en una red multicapa, o establecer una ruta de transmisión de mensajes más flexible entre características intermodales a través de redes neuronales de grafos (GNN) para lograr una interacción profunda con la información.
No hace falta decir que la IA Web3, por supuesto, se encuentra en la etapa más simple de combinación, porque la fusión de características dinámicas requiere un espacio de alta dimensión y un mecanismo de atención preciso. Cuando estas condiciones previas no están disponibles, naturalmente la fusión de características en la etapa final tampoco puede lograr un rendimiento destacado.
La IA Web2 tiende al entrenamiento conjunto de extremo a extremo: todas las características modales, como imágenes, texto y audio, se procesan simultáneamente en el mismo espacio de alta dimensión, y el modelo aprende automáticamente los pesos de fusión óptimos y los modos de interacción en la propagación hacia adelante y hacia atrás a través de la optimización conjunta con la capa de tareas descendente a través de la capa de atención y la capa de fusión. La IA Web3, por otro lado, utiliza un empalme de módulos más discreto, encapsulando varias API, como el reconocimiento de imágenes, la captura de mercado y la evaluación de riesgos, en agentes independientes, y luego simplemente juntando las etiquetas, los valores o las alarmas de umbral que emiten, y tomando decisiones integrales por lógica principal o manual, que carece de un objetivo de entrenamiento unificado y no hay flujo de gradiente entre los módulos.
En la IA Web2, el sistema se basa en el mecanismo de atención para calcular las puntuaciones de importancia de varias características en tiempo real según el contexto y ajustar dinámicamente la estrategia de fusión. La atención multicabezal también puede capturar múltiples patrones de interacción de características diferentes en paralelo al mismo nivel, teniendo en cuenta los detalles locales y la semántica global. La IA de Web3, por otro lado, a menudo fija el peso de la "imagen × 0,5 + texto × 0,3 + precio × 0,2" por adelantado, o utiliza reglas simples if/else para determinar si fusionar, o no fusionarse en absoluto, y solo presenta la salida de cada módulo junto, lo que carece de flexibilidad.
La IA de Web2 mapea todas las características de los modos a un espacio de alta dimensión de miles de dimensiones; el proceso de fusión no solo consiste en la concatenación de vectores, sino que también incluye adiciones, agrupaciones bilineales y una variedad de operaciones de interacción de alto orden: cada dimensión puede corresponder a una cierta semántica latente, lo que permite que el modelo capture asociaciones complejas y profundas entre modos. En comparación, las salidas de los agentes de la IA de Web3 a menudo solo contienen unos pocos campos o indicadores clave, con dimensiones de características extremadamente bajas, lo que dificulta casi por completo la expresión de información sutil como "¿por qué coinciden el contenido de la imagen y el significado del texto?" o "la delicada relación entre la fluctuación de precios y la tendencia emocional."
En la IA de Web2, la pérdida de las tareas de downstream se retroalimenta continuamente a través de las capas de atención y fusión a las diferentes partes del modelo, ajustando automáticamente qué características deben ser reforzadas o suprimidas, formando una optimización en bucle cerrado. En cambio, la IA de Web3, después de reportar los resultados de las llamadas a la API, depende en gran medida de procesos manuales o externos para evaluar y ajustar los parámetros, careciendo de retroalimentación automatizada de extremo a extremo, lo que dificulta la iteración y optimización en línea de las estrategias de fusión.
Las barreras en la industria de la IA se están profundizando, pero aún no han aparecido los puntos críticos.
Debido a la necesidad de tener en cuenta la alineación intermodal, la sofisticada computación de la atención y la fusión de características de alta dimensión en el entrenamiento de extremo a extremo, el sistema multimodal de la IA Web2 suele ser un proyecto de ingeniería extremadamente grande. No solo requiere conjuntos de datos intermodales masivos, diversos y bien anotados, sino que también requiere semanas o incluso meses de entrenamiento en miles de GPU; En cuanto a la arquitectura del modelo, integra varios de los últimos conceptos de diseño de red y tecnologías de optimización. En cuanto a la implementación del proyecto, también es necesario construir una plataforma de formación distribuida escalable, un sistema de monitorización, una gestión de versiones de modelos y un canal de implementación. En la investigación y desarrollo de algoritmos, es necesario seguir estudiando variantes de atención más eficientes, pérdidas de alineación más robustas y estrategias de fusión más ligeras. Este tipo de trabajo sistemático de enlace completo y pila completa tiene requisitos extremadamente altos de capital, datos, potencia informática, talentos e incluso colaboración organizacional, por lo que constituye una fuerte barrera en la industria y también ha creado la competitividad central dominada por algunos equipos líderes hasta ahora.
Cuando revisé las aplicaciones chinas de IA en abril y comparé WEB3 ai, mencioné un punto de vista: en industrias con fuertes barreras, Crypto puede lograr avances, lo que significa que algunas industrias han sido muy maduras en los mercados tradicionales, pero hay enormes puntos de dolor, la alta madurez significa que hay suficientes usuarios familiarizados con modelos de negocio similares, y los grandes puntos de dolor significan que los usuarios están dispuestos a probar nuevas soluciones, es decir, una fuerte disposición a aceptar Crypto, ambos son indispensables, es decir, al contrario, Si no es una industria que ya está muy madura en el mercado tradicional, pero hay enormes puntos de dolor, Crypto no podrá echar raíces en ella, no habrá espacio para la supervivencia y la voluntad de los usuarios para comprenderla completamente es muy baja y no entienden su límite superior potencial.
La IA WEB3 o cualquier producto criptográfico bajo la bandera de PMF debe desarrollarse con la táctica de rodear la ciudad en el campo, y el agua debe probarse a pequeña escala en la posición marginal, para garantizar que la base sea sólida, y luego esperar a que surja el escenario central, es decir, la ciudad objetivo. El núcleo de la IA Web3 reside en la descentralización, y su trayectoria evolutiva se refleja en la compatibilidad de un alto paralelismo, un bajo acoplamiento y una potencia informática heterogénea. Esto hace que la IA Web3 sea más ventajosa en escenarios como la computación periférica, y es adecuada para tareas con estructuras ligeras, fácil paralelismo e incentivación, como el ajuste fino de LoRA, las tareas posteriores al entrenamiento alineadas con el comportamiento, el entrenamiento y la anotación de datos de crowdsourcing, el entrenamiento de modelos básicos pequeños y el entrenamiento colaborativo de dispositivos periféricos. La arquitectura del producto de estos escenarios es ligera y la hoja de ruta se puede iterar de forma flexible. Pero esto no quiere decir que la oportunidad sea ahora, porque las barreras de la IA WEB2 acaban de comenzar a formarse, la aparición de Deepseek ha estimulado el progreso de la IA multimodal de tareas complejas, que es la competencia de las empresas líderes, y es la etapa inicial de la aparición de los dividendos de la IA WEB2, creo que solo cuando los dividendos de la IA WEB2 desaparecen, los puntos débiles que deja son las oportunidades para que la IA WEB3 corte, al igual que el nacimiento original de DeFi, y antes de que llegue el momento, la IA WEB3 Necesitamos identificar cuidadosamente el acuerdo que tiene "áreas rurales que rodean a las ciudades", ya sea para cortar desde el borde, primero obtener un punto de apoyo firme en el campo (o pequeño mercado, pequeña escena) donde el poder es débil y el mercado tiene pocas escenas arraigadas, y gradualmente acumular recursos y experiencia; Si esto no se puede hacer, entonces es difícil confiar en PMF para lograr un valor de mercado de $ 1 mil millones sobre esta base, y tales proyectos no estarán en la lista de vigilancia; DEBEMOS PRESTAR ATENCIÓN A SI EL PROTOCOLO DE IA WEB3 DEBE SER COMPLETAMENTE FLEXIBLE, FLEXIBLE PARA DIFERENTES ESCENARIOS, PUEDE MOVERSE RÁPIDAMENTE ENTRE ÁREAS RURALES Y ACERCARSE A LA CIUDAD OBJETIVO A LA VELOCIDAD MÁS RÁPIDA.
Acerca de Movemaker
Movemaker es la primera organización comunitaria oficial autorizada por la Fundación Aptos, iniciada conjuntamente por Ankaa y BlockBooster, enfocada en promover la construcción y desarrollo del ecosistema de Aptos en la región de habla china. Como representante oficial de Aptos en la región de habla china, Movemaker se dedica a crear un ecosistema de Aptos diverso, abierto y próspero, conectando desarrolladores, usuarios, capital y numerosos socios ecológicos.
Descargo de responsabilidad:
Este artículo/blog es solo para fines informativos y representa las opiniones personales del autor y no representa necesariamente la posición de Movemaker. Este artículo no tiene la intención de proporcionar: (i) consejos de inversión o recomendaciones de inversión; (ii) una oferta o solicitud para comprar, vender o mantener activos digitales; o (iii) asesoramiento financiero, contable, legal o fiscal. La tenencia de activos digitales, incluidas las stablecoins y los NFT, es extremadamente arriesgada, tiene un precio muy volátil e incluso puede perder su valor. Debe considerar cuidadosamente si operar o mantener activos digitales es adecuado para usted a la luz de su propia situación financiera. Consulte a su asesor legal, fiscal o de inversiones si tiene preguntas sobre sus circunstancias específicas. La información proporcionada en este artículo, incluidos los datos y estadísticas de mercado, si los hubiera, es solo para fines de información general. Se ha tenido un cuidado razonable en la preparación de estas figuras y gráficos, pero no se acepta ninguna responsabilidad por los errores de hecho u omisiones expresados en ellos.