ความก้าวหน้าอย่างรวดเร็วของ AI ได้สร้างความเข้มข้นที่ไม่เคยมีมาก่อนของพลังการคํานวณข้อมูลและความสามารถอัลกอริทึมภายใน บริษัท เทคโนโลยีขนาดใหญ่จํานวนหนึ่ง เมื่อระบบ AI กลายเป็นส่วนสําคัญต่อสังคมของเรามากขึ้นคําถามเกี่ยวกับการเข้าถึงความโปร่งใสและการควบคุมได้ย้ายไปอยู่ในระดับแนวหน้าของการอภิปรายด้านเทคนิคและนโยบาย จากฉากหลังนี้จุดตัดของ Blockchain และ AI นําเสนอเส้นทางทางเลือกที่น่าสนใจซึ่งอาจปรับเปลี่ยนวิธีการพัฒนาปรับใช้ปรับขนาดและควบคุมระบบ AI

เราไม่ได้อ้างว่าจะทำลายโครงสร้าง AI ที่มีอยู่ทั้งหมด แต่เราได้สำรวจกรณีการใช้งานที่เฉพาะเจาะจงที่วิธีการที่มีการกระจายอาจมีข้อดีที่เฉพาะเจาะจง พร้อมยอมรับว่ามีกรณีที่ระบบที่มีการควบคุมแบบดั้งเดิมยังคงเป็นที่เหมาะสมมากกว่า

มีคำถามสำคัญหลายข้อที่จะนำทางการวิเคราะห์ของเรา:

• คุณสมบัติพื้นฐานของระบบที่ไม่มีการกำหนดที่ไหลเสริมหรือขัดแย้งกับความต้องการของระบบ AI สมัครใจหรือไม่?
• ที่ไหน aโลงเอนด์เดอะ AI ดีเวลลอปเมนท์สแต็ก – จากการรวบรวมข้อมูลไปจนถึงการฝึกโมเดลและการอินเฟอเรนซ์ – ที่เทคโนโลยีบล็อกเชนสามารถให้การปรับปรุงที่มีความหมายได้?
• ประเด็นการค้าทางเทคนิคและเศรษฐศาสตร์ที่เกิดขึ้นเมื่อทำการกระจายอำนาจด้านเทคนิคและเศรษฐศาสตร์ของระบบ AI ต่างๆ

ปัญหาปัจจัยในชุด AI ปัจจุบัน:

Epoch AI ได้ทำงานที่ยอดเยี่ยมในการรวบรวมข้อมูลการจำแนกปัญหาใน AI Stack ปัจจุบันการวิจัยจาก Epoch AI เน้นหาข้อจำกัดที่คาดว่าจะเกิดขึ้นกับการขยายมิติการฝึกอบรม AI โดยใช้การประเมินผลแผนภูมิของข้อจำกัดที่แตกต่างกันซึ่งอาจจำกัดการขยายของการฝึกอบรม AI โดยใช้ Floating Point Operations per Second (FLoPs) เป็นตัววัดหลัก

การปรับขนาดของการประมวลผลการฝึกอบรม AI มีแนวโน้มที่จะถูก จํากัด โดยการรวมกันของความพร้อมใช้งานของพลังงานความสามารถในการผลิตชิปการขาดแคลนข้อมูลและปัญหาเวลาแฝง แต่ละปัจจัยเหล่านี้กําหนดเพดานที่แตกต่างกันในการคํานวณที่ทําได้โดยผนังเวลาแฝงนําเสนอขีด จํากัด ทางทฤษฎีสูงสุด

แผนภูมินี้เน้นย้ําถึงความจําเป็นในการก้าวหน้าในฮาร์ดแวร์ประสิทธิภาพการใช้พลังงานการปลดล็อกข้อมูลที่ติดอยู่บนอุปกรณ์ Edge และเครือข่ายเพื่อรองรับการเติบโตของ AI ในอนาคต

• ข้อจำกัดในการใช้พลังงาน (ประสิทธิภาพ):
  • ความเป็นไปได้ในการขยายโครงสร้างพลังงานไฟฟ้า โดยประมาณว่าศูนย์ข้อมูลที่มีความจุระหว่าง 1 ถึง 5 กิกะวัตต์ (GW) สามารถที่จะบรรลุได้ภายในปี 2030 อย่างไรก็ตาม การเติบโตนี้ขึ้นอยู่กับการลงทุนมากมายในโครงสร้างพลังงานไฟฟ้าและการเอาชนะอุปสรรคทางโลจิสติกและกฎหมายที่เป็นไปได้
  • จำกัดโดยพลังงานที่มีอยู่และโครงสร้างพลังงาน ทำให้เกิดการเติบโตได้สูงสุดถึงระดับการคำนวณปัจจุบัน x 10,000
• ความสามารถในการผลิตชิป (การตรวจสอบได้):
  • การผลิตชิปที่สามารถสนับสนุนการคำนวณขั้นสูงเหล่านี้ (เช่น NVIDIA H100, Google TPU v5) ถูก จำกัด ในปัจจุบันเนื่องจาก ข้อจำกัดในการบรรจุหีบห่อ (เช่น TSMC CoWoS) สิ่งนี้มีผลต่อความพร้อมใช้งานและขนาดของการคำนวณที่สามารถตรวจสอบได้
  • ข้อจำกัดที่เกิดจากการผลิตและโซ่อุปทาน ทำให้มีการเพิ่มพลังการคำนวณขึ้นถึง 50,000 เท่า
  • ชิปขั้นสูงเป็นสิ่งจำเป็นสำหรับการเปิดใช้ secure enclaves หรือ Trusted Execution Environments (TEEs) บนอุปกรณ์ขอบเขต ซึ่งยืนยันการคำนวณและป้องกันข้อมูลที่เป็นความลับ
• ข้อจำกัดข้อมูล (ความเป็นส่วนตัว):

* การขาดแคลนข้อมูลและการฝึกอบรม AI: ความเหลื่อมล้ําระหว่างเว็บที่จัดทําดัชนีและเว็บทั้งหมดเน้นถึงความท้าทายในการเข้าถึงสําหรับการฝึกอบรม AI ข้อมูลที่เป็นไปได้ส่วนใหญ่เป็นแบบส่วนตัวหรือไม่จัดทําดัชนี จํากัด ยูทิลิตี้ * ความต้องการ Multimodal AI: ข้อมูลภาพและวิดีโอจํานวนมากชี้ให้เห็นถึงความสําคัญที่เพิ่มขึ้นของระบบ AI หลายรูปแบบที่สามารถประมวลผลข้อมูลนอกเหนือจากข้อความ * ความท้าทายด้านข้อมูลในอนาคต: นี่คือพรมแดนต่อไปของ AI โดยหาวิธีใช้ประโยชน์จากข้อมูลส่วนตัวคุณภาพสูงในขณะที่ให้การควบคุมและมูลค่ายุติธรรมแก่เจ้าของข้อมูล

• ความสามารถในการรับคำสั่ง (ประสิทธิภาพ):
  • ข้อจำกัดในเรื่องความหน่วงเวลาที่ประกอบด้วยในการฝึกโมเดล: ขณะที่โมเดล AI เพิ่มขนาดขึ้น จำเป็นต้องใช้เวลามากขึ้นสำหรับการผ่านหน้าและถอยหลังเพราะลักษณะการคำนวณแบบตามลำดับ สิ่งนี้นำเข้าเรื่องความหน่วงที่เป็นพื้นฐานที่ไม่สามารถหลีกเลี่ยงได้ จำกัดความเร็วที่ที่โมเดลสามารถฝึกได้
  • ความท้าทายในการเพิ่มขนาดสร้างได้: เพื่อลด latenct หนึ่งวิธีคือการเพิ่มขนาดสร้างเพื่อให้สามารถประมวลผลข้อมูลได้มากขึ้นพร้อมกัน อย่างไรก็ตาม มีข้อจำกัดทางปฏิบัติในการเพิ่มขนาดปริมาณเช่นการจำกัดหน่วยความจำและการลดความสามารถในการชน convergence โมเดล ข้อจำกัดเหล่านี้ทำให้ยากต่อการลด latenct ที่เกิดจากโมเดลที่ใหญ่ขึ้น

มูลนิธิ:

Decentralized AI Triangle

ข้อจำกัดด้าน AI เช่นความขาดแคลนของข้อมูล จำกัดความสามารถในการคำนวณ ความล่าช้าและความจุผลิตรวมเข้าไปใน Decentralized AI Triangle ซึ่งสมดุลความเป็นส่วนตัว การตรวจสอบและประสิทธิภาพ คุณสมบัติเหล่านี้เป็นพื้นฐานในการรับรองประสิทธิภาพ ความเชื่อถือและขนาดของการใช้งาน AI แบบกระจายอย่างมีประสิทธิภาพ

ตารางนี้สำรวจถึงการเปรียบเทียบระหว่างสามคุณสมบัติหลัก ๆ โดยให้ความรู้เกี่ยวกับคำอธิบายของพวกเขา วิธีการที่เป็นไปได้ และความท้าทายที่เกี่ยวข้อง:

ความเป็นส่วนตัว: เน้นการป้องกันข้อมูลที่อ่อนไหวระหว่างกระบวนการการฝึกฝนและการอสมการ เทคนิคหลัก ๆ รวมถึง TEEs, MPC, Federated Learning, FHE และความเป็นส่วนตัวแตกต่าง เกิดขึ้นกับความเสียหายทางประสิทธิภาพ ความท้าทายทางโปร่งใสที่มีผลต่อความสามารถในการตรวจสอบ และ ข้อ จำกัดของการขยายออก

ความสามารถในการตรวจสอบ: รับรองความถูกต้องและความสมบูรณ์ของการคำนวณโดยใช้ ZKPs, ข้อมูลประจำตัวทางคริปโตและการคำนวณที่สามารถตรวจสอบ อย่างไรก็ตาม การสมดุลของความเป็นส่วนตัวและประสิทธิภาพพร้อมกับความสามารถในการตรวจสอบนำเข้าความต้องการของทรัพยากรและความล่าช้าในการคำนวณ

ประสิทธิภาพ: หมายถึงการดำเนินการคำนวณ AI อย่างมีประสิทธิภาพและในมาตราฐานใหญ่โดยใช้โครงสร้างการคำนวณแบบกระจาย การเร่งความเร็วด้วยฮาร์ดแวร์และเครือข่ายที่มีประสิทธิภาพ การพิจารณาเลือกคือการคำนวณที่ช้าลงเนื่องจากเทคนิคการเพิ่มความเป็นส่วนตัวและความเสียหายจากการคำนวณที่สามารถยืนยันได้

ปริศนาบล็อกเชน:

Blockchain Trilemma จับตามหาการแทรดออฟส์หลักทุกๆ บล็อกเชนจำเป็นต้องเผชิญ

• การกระจายอำนาจ: การเก็บรักษาระบบเครือข่ายให้กระจายอยู่ทั่วโลกด้วยโหนดที่สามารถทำงานอิสระกันได้มากมาย หยุดการควบคุมระบบจากบุคคลเดียว
• ความปลอดภัย: การให้ความมั่นคงของเครือข่ายให้ปลอดภัยจากการโจมตีและรักษาความสมบูรณ์ของข้อมูล ซึ่งต้องการการตรวจสอบและการเห็นพ้องมากกว่าปกติ
• ความสามารถในการขยายขนาด: การจัดการปริมาณธุรกรรมสูงอย่างรวดเร็วและมีค่าใช้จ่ายต่ำ - แต่สิ่งนี้โดยทั่วไปแปลว่าต้องเสียสละการกระจาย (โหนดน้อยลง) หรือความปลอดภัย (การตรวจสอบน้อยลง)

ตัวอย่างเช่น อีเทอเรียมให้ความสำคัญกับการกระจายอำนาจและความปลอดภัย จึงทำให้มีความเร็วช้าลง สำหรับความเข้าใจเพิ่มเติมเกี่ยวกับการแลกเปลี่ยนในสถาปัตยกรรมบล็อกเชนอ้างถึงสิ่งนี้.

เมตริกซ์วิเคราะห์ซินเนอร์จี้ AI-Blockchain (3x3)

การตัดสินของ AI และบล็อกเชนเป็นการเต้นรำที่ซับซ้อนของการต่อรองและโอกาส แผนภูมินี้กล่าวถึงที่ที่เทคโนโลยีสองอย่างนี้สร้างความเสียหาย หาความสอดคล้องและบางครั้งยังทำให้จุดอ่อนของกันแย่ลง

วิธีการทำงานของเมทริกซ์ซินเนอร์จี

ความแข็งแกร่งของซินเนอร์จี้แสดงถึงระดับของความเข้ากันได้และผลกระทบระหว่างคุณสมบัติบล็อกเชนและ AI ในหมวดหมู่ที่เฉพาะเจาะจง มันถูกกำหนดโดยว่าเทคโนโลยีสองอย่างทำหน้าที่ร่วมกันอย่างไรต่อความท้าทายที่ร่วมกันและเสริมสร้างฟังก์ชันของกันและกันอย่างไร

วิธีการทำงานของเมทริกซ์ซินเนอร์จี

ตัวอย่าง 1: ประสิทธิภาพ + การกระจายอำนาจ (ความสัมพันธ์อ่อนแอ) —ในเครือข่ายที่กระจายอำนาจ เช่น Bitcoin หรือ Ethereum ประสิทธิภาพถูกจำกัดโดยธรรมชาติด้วยปัจจัยเช่นความแปรปรวนของทรัพยากร ความหน่วงเวลาในการสื่อสารสูง ค่าใช้จ่ายในการทำธุรกรรม และกลไกความเห็นอกเห็นใจ สำหรับแอปพลิเคชัน AI ที่ต้องการประมวลผลในเวลาต่ำและประสิทธิภาพสูง เช่นการอินเฟอเรนซ์ AI เรียลไทมหรือการฝึกอบรมโมเดลขนาดใหญ่ เครือข่ายเหล่านี้มีความยากลำบากในการให้ความเร็วและความเชื่อถือได้ทางคอมพิวเตอร์ที่จำเป็นสำหรับประสิทธิภาพที่ดีที่สุด

ตัวอย่างที่ 2: ความเป็นส่วนตัว + การกระจายอำนาจ (ความเป็นสมดุลแรง) - เทคนิคการใช้เทคโนโลยี AI ที่รักษาความเป็นส่วนตัว เช่น Federated Learning ได้รับประโยชน์จากโครงสร้างพื้นฐานที่กระจายอำนาจของบล็อกเชนเพื่อปกป้องข้อมูลผู้ใช้ในขณะที่สนับสนุนการทำงานร่วมกันSoraChain AI ตัวอย่างนี้โดยการเปิดใช้งานการเรียนรู้แบบรวมศูนย์ที่ซึ่งความเป็นเจ้าของข้อมูลถูกเก็บรักษาไว้ช่วยให้เจ้าของข้อมูลสามารถให้ข้อมูลที่มีคุณภาพสําหรับการฝึกอบรมในขณะที่รักษาความเป็นส่วนตัว

เมตริกซ์นี้มุ่งหวัตถ์ที่จะทำให้ธุรกิจสามารถนำทางที่ต่อเนื่องของบล็อกเชนและ AI ได้อย่างชัดเจน ช่วยผู้นวัตกรและนักลงทุนให้สามารถกำหนดลำดับความสำคัญของสิ่งที่สำเร็จ สำรวจสิ่งที่มีความสุดคึก และหลีกเลี่ยงสิ่งที่เป็นเพียงการพิสูจน์ทฤษฎี

เมตริกซ์การรวมกันของ AI-Blockchain

ในแกนหนึ่ง เรามีคุณสมบัติพื้นฐานของระบบ AI แบบกระจาย: ความสามารถในการยืนยัน, ความเป็นส่วนตัว และประสิทธิภาพ ในอีกแกนหนึ่ง เราเผชิญกับปริศนาสามเส้าของบล็อกเชน: ความมั่นคงปลอดภัย, ความยืดหยุ่นในการขยายของ, และการกระจายอำนาจ เมื่อพลังนี้ชนกัน จะสร้างสเปกตรัมของความร่วมมือที่มีพลัง - ตั้งแต่การจัดระเบียบที่มีความสอดคล้องกับกันมาก จนถึงความไม่เข้ากันที่ท้าทาย

ตัวอย่างเช่นเมื่อความสามารถในการตรวจสอบพบกับความมั่นคง (ความสมดุลสูง) เราได้ระบบที่แข็งแรงสำหรับการพิสูจน์การคำนวณ AI แต่เมื่อความต้องการในการทำงานต่างกันชนกับการกระจาย (ความสมดุลต่ำ) เราเผชิญกับความเป็นจริงที่ยากลำบากของความเครียดของระบบที่กระจาย บางคู่อย่างความเป็นส่วนตัวและความสามารถในการขยายของระบบ อยู่ระหว่างกลาง - มีคำสัญญาแต่ซับซ้อน

• ทำไมสิ่งนี้สำคัญ?
  • เข็มทิศยุทธศาสตร์: ไม่ทุกโครงการ AI หรือ blockchain สามารถส่งผลประโยชน์ที่เป็นเชิงพริบตัว. เมตริกซ์ชี้เส้นทางให้ผู้ตัดสินใจ, นักวิจัย, และผู้พัฒนาไปสู่หมวดหมู่ที่มีความสอดคล้องสูงที่สุดซึ่งจะตอบสนองต่อความท้าทายในโลกจริง เช่น การรักษาความเป็นส่วนตัวของข้อมูลในการเรียนรู้แบบระหว่างราชการหรือการใช้คอมพิวต์ที่กระจายสำหรับการฝึกอบรม AI ที่มีขนาดใหญ่
  • เน้นนวัตกรรมที่มีผลต่อการเปลี่ยนแปลงและการจัดสรรทรัพยากร: โดยการเข้าใจว่าจุดซึ่งมีความสอดคล้องที่แข็งแกร่งที่สุดอยู่ที่ไหน (เช่น ความปลอดภัย + ความสามารถในการตรวจสอบ ความเป็นส่วนตัว + การกระจายอำนาจ) เครื่องมือนี้ช่วยให้ผู้มีส่วนได้ส่วนเสียสามารถ Concentrate ความพยายามและการลงทุนของพวกเขาในพื้นที่ที่สัญญาณว่าจะมีผลกระทบที่สามารถวัดได้ หลีกเลี่ยงพลังงานที่ใช้ไปในการรวมอย่างไม่แข็งแรงหรือไม่ปฏิบัติได้
  • การนำทางการวิวัฒนาของระบบนิเวศ: เนื่องจากทั้ง AI และ blockchain กำลังวิวัฒนาอย่างต่อเนื่อง แมทริกซ์สามารถเป็นเครื่องช่วยที่สำคัญในการประเมินโครงการที่เกิดขึ้นอย่างต่อเนื่อง เพื่อให้มั่นใจว่าโครงการเหล่านั้นสอดคล้องกับกรณีการใช้งานที่หมายความได้แทนที่จะเป็นส่วนผสมของนิเวศที่ได้รับการตอบรับมากเกินไป

ตารางนี้สรุปผลลัพธ์เหล่านี้ตามความแข็งแรงของความสัมพันธ์—จากแข็งถึงอ่อน—และอธิบายถึงวิธีการทำงานของจุดตัดกันเหล่านี้ในระบบ AI แบบกระจาย มีตัวอย่างของโครงการนวัตกรรมที่ให้การแสดงความหมายในโลกจริงในแต่ละหมวดหมู่ ตารางนี้เป็นเครื่องมือที่มีประโยชน์ในการเข้าใจที่เกิดการตัดกันของเทคโนโลยีบล็อกเชนและ AI อย่างหมายความ โดยช่วยในการระบุพื้นที่ที่มีผลกระทบในขณะที่หลีกเลี่ยงการผสมผสานที่เกินความเชื่อมั่นหรือที่เป็นไปไม่ได้

เมทริกซ์การร่วมมือระหว่าง AI-Blockchain: การจำแนกจุดตัดของเทคโนโลยี AI และ Blockchain โดยความสามารถในการร่วมมือ

สรุป

จุดที่สองระหว่าง blockchain และ AI นำเสนอศักยภาพในการเปลี่ยนแปลงโดยใช้ความชัดเจนและการเน้นเป้าหมาย โครงการที่สร้างสรรค์จริงๆ - เช่นการเรียนรู้แบบเป็นสมาคม (ความเป็นส่วนตัว + การกระจาย) การคำนวณแบบกระจาย / การฝึก (ประสิทธิภาพ + ความยืดหยุ่น) และ zkML (ความสามารถในการตรวจสอบ + ความมั่นคง) - กำลังรูปร่างอนาคตของความฉลาดแบบกระจายโดยจัดการกับความท้าทายสำคัญเช่นความเป็นส่วนตัวของข้อมูล ความยืดหยุ่น และความเชื่อถือ

อย่างไรก็ตาม การเข้าใกล้พื้นที่ด้วยสายตาที่เฉียบแหลมก็มีความสําคัญไม่แพ้กัน ตัวแทน AI ที่เรียกว่าจํานวนมากเป็นเพียงการห่อหุ้มโมเดลที่มีอยู่โดยนําเสนอยูทิลิตี้ที่น้อยที่สุดและการผสานรวมกับบล็อกเชนที่ จํากัด ความก้าวหน้าที่แท้จริงจะมาจากโครงการที่ควบคุมจุดแข็งของทั้งสองโดเมนเพื่อแก้ปัญหาในโลกแห่งความเป็นจริงแทนที่จะขี่คลื่นแห่งการโฆษณา

เมื่อเราก้าวไปข้างหน้า เมทริกซ์ความสัมพันธ์ระหว่าง AI และบล็อกเชนกลายเป็นเลนส์ที่มีพลังที่จะใช้ในการประเมินโครงการ แยกแยะนวัตกรรมที่มีผลกระทบจากเสียงรบ

มองไปข้างหน้าทศวรรษหน้าจะเป็นโครงการที่รวมความยืดหยุ่นของบล็อกเชนเข้ากับศักยภาพในการเปลี่ยนแปลงของ AI เพื่อแก้ปัญหาความท้าทายที่แท้จริงเช่นการฝึกอบรมโมเดลประหยัดพลังงานการทํางานร่วมกันเพื่อรักษาความเป็นส่วนตัวและการกํากับดูแล AI ที่ปรับขนาดได้ อุตสาหกรรมต้องยอมรับจุดโฟกัสเหล่านี้เพื่อปลดล็อกอนาคตของข่าวกรองแบบกระจายอํานาจ

คำประกาศปฏิเสธความรับผิดชอบ:

1. บทความนี้ถูกนำเข้ามาจาก[BotsnBlocks], สิทธิ์การค้าทั้งหมดเป็นของผู้เขียนต้นฉบับ [ Swayam]. หากมีข้อขัดแย้งใดๆเกี่ยวกับการนำเผยแพร่ฉบับนี้ โปรดติดต่อเกตเลิร์นทีม และพวกเขาจะดำเนินการด้วยรวดเร็ว
2. คำประกาศความรับผิดชอบ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำใดๆ เกี่ยวกับการลงทุน
3. การแปลบทความเป็นภาษาอื่น ๆ ทําโดยทีม Gate Learn ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว เว้นแต่จะกล่าวถึง