El rápido avance de la IA ha creado una concentración sin precedentes de potencia computacional, datos y capacidades algorítmicas dentro de un puñado de grandes empresas tecnológicas. A medida que los sistemas de IA se vuelven cada vez más integrales para nuestra sociedad, las preguntas sobre accesibilidad, transparencia y control han pasado a primer plano en las discusiones técnicas y políticas. En este contexto, la intersección de Blockchain y AI presenta un camino alternativo intrigante, que podría potencialmente remodelar cómo se desarrollan, implementan, escalan y gobiernan los sistemas de IA.

En lugar de abogar por una interrupción completa de la infraestructura existente de IA, exploramos casos de uso específicos donde los enfoques descentralizados podrían ofrecer ventajas únicas mientras reconocemos escenarios donde los sistemas centralizados tradicionales siguen siendo más prácticos.

Varias preguntas clave guían nuestro análisis:

• ¿Cómo complementan o entran en conflicto las propiedades fundamentales de los sistemas descentralizados con los requisitos de los sistemas de IA modernos?
• ¿Dónde a lo largo de la pila de desarrollo de IA, desde la recolección de datos hasta el entrenamiento del modelo y la inferencia, pueden las tecnologías de cripto proporcionar mejoras significativas?
• ¿Qué compensaciones técnicas y económicas surgen al descentralizar diferentes aspectos de los sistemas de inteligencia artificial?

Limitaciones actuales en la pila de IA:

Epoch AI ha hecho un trabajo increíble al elaborar un desglose detallado de las limitaciones actuales en la pila de IA. Esto investigaciónDesde Epoch AI se destacan las restricciones proyectadas para escalar la computación de entrenamiento de IA para 2030. El gráfico evalúa diferentes cuellos de botella que podrían limitar la expansión de la computación de entrenamiento de IA, utilizando las Operaciones de Punto Flotante por Segundo (FLoPs) como métrica clave.

La escalabilidad del cálculo de entrenamiento de IA probablemente esté limitada por una combinación de disponibilidad de energía, capacidades de fabricación de chips, escasez de datos y problemas de latencia. Cada uno de estos factores impone un límite diferente en el cálculo alcanzable, siendo el problema de latencia el que presenta el límite teórico más alto.

Este gráfico enfatiza la necesidad de avances en hardware, eficiencia energética, desbloqueo de datos atrapados en dispositivos periféricos y redes para respaldar el crecimiento futuro de la IA.

• Limitaciones de energía (rendimiento):
  • Viabilidad de la ampliación de la infraestructura de energía para 2030: Las proyecciones indican que los campus de centros de datos con capacidades entre 1 y 5 gigavatios (GW) son probablemente alcanzables para 2030. Sin embargo, este crecimiento está sujeto a inversiones sustanciales en infraestructura de energía y superar posibles obstáculos logísticos y regulatorios.
  • Limitado por la disponibilidad de energía y la infraestructura eléctrica, permitiendo un crecimiento de hasta 10,000 veces los niveles de computación actuales.
• Capacidad de Producción de Chips (Verificabilidad):
  • La producción de chips capaces de soportar estos cálculos avanzados (por ejemplo, NVIDIA H100, Google TPU v5) está actualmente limitada debido a restricciones de empaquetado (por ejemplo, TSMC CoWoS). Esto afecta directamente la disponibilidad y escalabilidad de los cálculos verificables.
  • Con cuellos de botella en la fabricación y las cadenas de suministro, permitiendo un aumento de 50,000 veces en la potencia de cálculo.
  • Los chips avanzados son esenciales para habilitar enclaves seguros o Entornos de Ejecución Confiables (TEEs) en dispositivos periféricos, que verifican cálculos y protegen datos sensibles.
• Escasez de datos (privacidad):

* Escasez de datos y entrenamiento de IA: La disparidad entre la web indexada y la web completa resalta los desafíos de accesibilidad para el entrenamiento de IA. Gran parte de los datos potenciales son privados o no están indexados, lo que limita su utilidad. * Necesidad de IA multimodal: Grandes cantidades de datos de imágenes y videos sugieren la creciente importancia de los sistemas de IA multimodales capaces de procesar datos más allá del texto. * Desafíos futuros de datos: Esta es la próxima frontera de la IA, descubrir cómo aprovechar datos privados de alta calidad al tiempo que se brinda control y un valor justo a los propietarios de datos.

• Latencia Wall (Rendimiento):
  • Limitaciones de latencia inherentes en el entrenamiento de modelos: A medida que los modelos de AI crecen en tamaño, el tiempo requerido para un solo pase hacia adelante y hacia atrás aumenta debido a la naturaleza secuencial de los cálculos. Esto introduce una latencia fundamental que no puede ser evitada, limitando la velocidad a la que los modelos pueden ser entrenados.
  • Desafíos en la escalabilidad de tamaños de lote: Para mitigar la latencia, un enfoque es aumentar el tamaño del lote, lo que permite procesar más datos en paralelo. Sin embargo, existen límites prácticos para la escalabilidad del tamaño del lote, como las limitaciones de memoria y los rendimientos decrecientes en la convergencia del modelo. Estas limitaciones hacen que sea difícil compensar la latencia introducida por modelos más grandes.

Fundación:

Triángulo de IA descentralizada

Las limitaciones de la IA, como la escasez de datos, las limitaciones de cálculo, la latencia y la capacidad de producción, convergen en el Triángulo de IA descentralizada, que equilibra la privacidad, la verificabilidad y el rendimiento. Estas propiedades son fundamentales para garantizar la eficacia, la confianza y la escalabilidad de la IA descentralizada.

Esta tabla explora los principales compromisos entre las tres propiedades, proporcionando información sobre sus descripciones, técnicas habilitadoras y desafíos asociados:

Privacidad: Se centra en proteger datos sensibles durante los procesos de entrenamiento e inferencia. Las técnicas clave incluyen TEEs, MPC, Aprendizaje Federado, FHE y Privacidad Diferencial. Surgen compensaciones con sobrecarga de rendimiento, desafíos de transparencia que afectan la verificabilidad y limitaciones de escalabilidad.

Verificabilidad: Garantiza la corrección e integridad de los cálculos utilizando ZKPs, credenciales criptográficas y computación verificable. Sin embargo, equilibrar la privacidad y el rendimiento con la verificabilidad introduce demandas de recursos y retrasos computacionales.

Rendimiento: se refiere a ejecutar cálculos de IA de manera eficiente y a gran escala, aprovechando la infraestructura de cómputo distribuido, la aceleración de hardware y la red eficiente. Los compromisos incluyen cálculos más lentos debido a técnicas de mejora de la privacidad y sobrecarga de cálculos verificables.

Trilema de la cadena de bloques:

El trilema de la cadena de bloques captura los compromisos fundamentales que cada cadena de bloques debe enfrentar:

• Descentralización: Mantener la red distribuida en muchos nodos independientes, evitando que cualquier entidad única controle el sistema
• Seguridad: Garantizar que la red se mantenga segura frente a ataques y mantenga la integridad de los datos, lo que generalmente requiere más validación y consenso adicional
• Escalabilidad: Manejar volúmenes altos de transacciones rápidamente y a bajo costo, pero esto generalmente implica sacrificar ya sea descentralización (menos nodos) o seguridad (validación menos exhaustiva)

Por ejemplo, Ethereum prioriza la descentralización y la seguridad, por lo tanto, velocidades más lentas. Para una mayor comprensión de las compensaciones en la arquitectura de Blockchain, consulte esto.

Matriz de Análisis de Sinergia de IA-Blockchain (3x3)

La intersección de la IA y la cadena de bloques es una compleja danza de compensaciones y oportunidades. Esta matriz mapea dónde estas dos tecnologías crean fricción, encuentran armonía y ocasionalmente amplifican las debilidades del otro.

Cómo funciona la Matriz de Sinergia

La fuerza de sinergia refleja el nivel de compatibilidad e impacto entre las propiedades blockchain y de IA en categorías específicas. Se determina por qué tan bien las dos tecnologías abordan desafíos mutuos y mejoran la funcionalidad de cada una.

Cómo funciona la Matriz de Sinergia

Ejemplo 1: Rendimiento + Descentralización (Sinergia Débil) —En redes descentralizadas, como Bitcoin o Ethereum, el rendimiento está inherentemente limitado por factores como la variabilidad de recursos, alta latencia de comunicación, costos de transacción y mecanismos de consenso. Para aplicaciones de IA que requieren procesamiento de baja latencia y alto rendimiento, como inferencia de IA en tiempo real o entrenamiento de modelos a gran escala, estas redes luchan por proporcionar la velocidad y confiabilidad computacional necesarias para un rendimiento óptimo.

Ejemplo 2: Privacidad + Descentralización (Fuerte Sinergia)—Las técnicas de IA preservadoras de la privacidad, como el Aprendizaje Federado, se benefician de la infraestructura descentralizada de la cadena de bloques para proteger los datos de los usuarios mientras permiten la colaboración.SoraChain AIejemplifica esto al permitir el aprendizaje federado donde se preserva la propiedad de los datos, empoderando a los propietarios de datos para contribuir con sus datos de calidad para el entrenamiento mientras se mantiene la privacidad.

Esta matriz tiene como objetivo empoderar a la industria para navegar por la confluencia de la cadena de bloques y la IA con claridad, ayudando a los innovadores y a los inversores a priorizar lo que funciona, explorar lo prometedor y evitar lo meramente especulativo.

Matriz de Sinergia AI-Blockchain

A lo largo de un eje, tenemos las propiedades fundamentales de los sistemas de IA descentralizados: verificabilidad, privacidad y rendimiento. Por otro lado, nos enfrentamos al eterno trilema del blockchain: seguridad, escalabilidad y descentralización. Cuando estas fuerzas chocan, crean un espectro de sinergias, desde alineaciones poderosas hasta desafiantes desajustes.

Por ejemplo, cuando la verificabilidad se encuentra con la seguridad (alta sinergia), obtenemos sistemas robustos para demostrar las computaciones de IA. Pero cuando las demandas de rendimiento chocan con la descentralización (baja sinergia), nos enfrentamos a la dura realidad de los costos adicionales de los sistemas distribuidos. Algunas combinaciones, como la privacidad y la escalabilidad, se encuentran en el medio, prometedoras pero complicadas.

• ¿Por qué es importante?
  • Una brújula estratégica: No todos los proyectos de IA o blockchain ofrecen un valor tangible. La matriz orienta a los tomadores de decisiones, investigadores y desarrolladores hacia categorías de alta sinergia que abordan desafíos del mundo real, como garantizar la privacidad de los datos en el aprendizaje federado o utilizar cálculos descentralizados para un entrenamiento de IA escalable.
  • Centrándose en la innovación de impacto y asignación de recursos: al comprender dónde se encuentran las sinergias más fuertes (por ejemplo, seguridad + verificabilidad, privacidad + descentralización), esta herramienta permite a los interesados concentrar sus esfuerzos e inversiones en áreas que prometen un impacto medible, evitando gastar energía en integraciones débiles o imprácticas.
  • Guiando la Evolución del Ecosistema: A medida que tanto la IA como la cadena de bloques evolucionan, la matriz puede servir como una guía dinámica para evaluar proyectos emergentes, asegurando que se alineen con casos de uso significativos en lugar de contribuir a narrativas exageradas.

Esta tabla resume estas combinaciones por su fuerza sinérgica, de fuerte a débil, y explica cómo funcionan estas intersecciones en sistemas de IA descentralizados. Se proporcionan ejemplos de proyectos innovadores para ilustrar aplicaciones del mundo real en cada categoría. La tabla sirve como guía práctica para comprender dónde se intersectan significativamente las tecnologías blockchain e IA, ayudando a identificar áreas impactantes y evitando combinaciones sobrevaloradas o menos factibles.

Matriz de Sinergia AI-Blockchain: Categorización de las intersecciones clave de las tecnologías de AI y Blockchain por la fuerza de la sinergia

Conclusión

La intersección de blockchain e IA presenta un potencial transformador, pero el camino a seguir requiere claridad y enfoque. Los proyectos que realmente innovan, como los de Federated Learning (Privacidad + Descentralización), Distributed Compute/Training (Rendimiento + Escalabilidad) y zkML (Verificabilidad + Seguridad), están dando forma al futuro de la inteligencia descentralizada al abordar desafíos críticos como la privacidad de los datos, la escalabilidad y la confianza.

Sin embargo, es igualmente importante abordar el espacio con un ojo selectivo. Muchos llamados agentes de IA son simplemente envoltorios alrededor de modelos existentes, ofreciendo utilidad mínima y una integración limitada con blockchain. Los avances reales vendrán de proyectos que aprovechen las fortalezas de ambos dominios para resolver problemas del mundo real, en lugar de montarse en la ola del hype.

A medida que avanzamos, la Matriz de Sinergia de IA-Blockchain se convierte en una poderosa lente para evaluar proyectos, distinguiendo innovaciones impactantes del ruido.

Mirando hacia el futuro, la próxima década pertenecerá a proyectos que combinen la resistencia de blockchain con el potencial transformador de la IA para resolver desafíos reales como el entrenamiento de modelos eficientes en energía, las colaboraciones que preservan la privacidad y la gobernanza de la IA escalable. La industria debe abrazar estos puntos focales para desbloquear el futuro de la inteligencia descentralizada.

Descargo de responsabilidad：

1. Este artículo ha sido reimpreso de [BotsnBlocks], Todos los derechos de autor pertenecen al autor original [Swayam]. If there are objections to this reprint, please contact the Gate Aprenderequipo, y ellos lo resolverán rápidamente.
2. Exención de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Aprende de gate. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.