Швидкий прогрес штучного інтелекту створив небачену концентрацію обчислювальної потужності, даних та алгоритмічних можливостей всього кількох великих технологічних компаній. Оскільки системи штучного інтелекту стають все більше інтегральною частиною нашого суспільства, питання доступності, прозорості та контролю перейшли на передній план технічних і політичних дискусій. На тлі цього перетинання Blockchain та штучного інтелекту пропонує захопливий альтернативний шлях - такий, який може потенційно переформатувати процес розробки, впровадження, масштабування та управління системами штучного інтелекту.

Замість того, щоб підтримувати повне порушення існуючої інфраструктури штучного інтелекту, ми досліджуємо конкретні випадки використання, де децентралізовані підходи можуть пропонувати унікальні переваги, визнаючи сценарії, де традиційні централізовані системи залишаються більш практичними.

Кілька ключових питань направляють наш аналіз:

• Як фундаментальні властивості децентралізованих систем доповнюють або суперечать вимогам сучасних систем штучного інтелекту?
• Де вздовж стеку розробки ШІ – від збору даних до тренування моделі до виведення – технології блокчейну можуть забезпечити значні покращення?
• Які технічні та економічні компроміси виникають при децентралізації різних аспектів систем штучного інтелекту?

Поточні обмеження в стопці AI:

Epoch AI зробило дивовижну роботу, розгортаючи детальний розбір поточних обмежень в стеку штучного інтелекту.дослідженняз Epoch AI підкреслює прогнозовані обмеження на масштабування обчислень штучного інтелекту до 2030 року. Графік оцінює різні обмеження, які можуть обмежити розширення обчислень штучного інтелекту, використовуючи плаваючі операції з плаваючою точкою за секунду (FLoPs) як ключовий показник.

Масштабування обчислень тренування штучного інтелекту ймовірно буде обмежуватися поєднанням наявності електропостачання, можливостей виробництва чіпів, дефіциту даних та проблем затримки. Кожен з цих факторів накладає різний планку на досяжні обчислення, причому проблема затримки становить найвищий теоретичний ліміт.

Ця діаграма підкреслює потребу в здійсненні прогресу у апаратному забезпеченні, енергоефективності, розблокуванні даних, що застрягли на пристроях на межі мережі, та в мережній підтримці майбутнього зростання ШІ.

• Обмеження потужності (Продуктивність):
  • Можливість розширення потужності інфраструктури до 2030 року: Прогнози свідчать про те, що кампуси даних з потужністю від 1 до 5 гігаватт (ГВт) є досяжними до 2030 року. Однак, таке зростання залежить від значних інвестицій у потужності інфраструктури та подолання можливих логістичних та регулятивних перешкод.
  • Обмежений доступністю енергії та енергетичної інфраструктури, що дозволяє зростання до 10 000 разів поточного рівня обчислень.
• Можливість виробництва мікросхем (перевірність):
  • Виробництво чіпів, що здатні підтримувати ці передові обчислення (наприклад, NVIDIA H100, Google TPU v5), наразі обмежене у зв'язку з упаковочними обмеженнями (наприклад, TSMC CoWoS). Це безпосередньо впливає на доступність та масштабованість перевірки обчислень.
  • Обмежений виробництвом та ланцюгами постачання, що дозволяє збільшити обчислювальну потужність в 50 000 разів.
  • Для створення безпечних анклавів або середовищ довіреної виконавчої інфраструктури (TEEs) на краєвих пристроях, які перевіряють обчислення та захищають конфіденційні дані, необхідні передові чіпи.
• Нехватка даних (Конфіденційність):

* Дефіцит даних та навчання ШІ: Невідповідність між індексованою мережею та всією мережею підкреслює проблеми доступності для навчання ШІ. Значна частина потенційних даних є або приватними, або не індексованими, що обмежує їх корисність.* Потреба в мультимодальному штучному інтелекті: Великі запаси даних зображень і відео свідчать про зростаюче значення мультимодальних систем штучного інтелекту, здатних обробляти дані, що виходять за рамки тексту.* Майбутні виклики даних: Це наступний рубіж штучного інтелекту, який полягає в тому, щоб з'ясувати, як отримати доступ до високоякісних приватних даних, надаючи власникам даних контроль і справедливу вартість.

• Стіна затримки (продуктивність):
  • Обмеження вбудованої затримки при навчанні моделей: Зростання розміру ШІ-моделей, час, необхідний для одного прямого й зворотного проходу, збільшується через послідовну природу обчислень. Це вводить основну затримку, яку не можна обійти, обмежуючи швидкість навчання моделей.
  • Виклики в масштабуванні розмірів партій: Для зменшення затримки один підхід - збільшити розмір партії, що дозволяє обробляти більше даних паралельно. Однак існують практичні обмеження масштабування розміру партії, такі як обмеження пам'яті та зменшення результатів збіжності моделі. Ці обмеження ускладнюють компенсацію затримки, яку вводять більші моделі.

Фонд:

Децентралізований штучний інтелект Трикутник

Обмеження штучного інтелекту, такі як недостатність даних, обмеження обчислень, затримка та пропускна здатність, збігаються в Децентралізованому трикутнику штучного інтелекту, який збалансовує конфіденційність, перевірку та продуктивність. Ці властивості є фундаментальними для забезпечення ефективності, довіри та масштабованості децентралізованого штучного інтелекту.

Ця таблиця досліджує ключові компроміси між усіма трьома властивостями, надаючи уявлення про їх описи, засоби, що дозволяють їх досягнути, та пов'язані виклики:

Приватність: Спрямована на захист чутливих даних під час процесів навчання та виведення. Ключові техніки включають TEEs, MPC, Федеративне навчання, Повністю домножені енкриптовані дані та Диференційна приватність. Виникають компроміси з додатковими витратами продуктивності, виклики прозорості, що впливають на перевірку та обмеження масштабованості.

Підтверджуваність: Забезпечує правильність та цілісність обчислень за допомогою ZKPs, криптографічних облікових записів та перевірки обчислень. Однак збалансування конфіденційності та продуктивності з підтверджуваністю вводить вимоги до ресурсів та обчислювальні затримки.

Продуктивність: це виконання обчислень штучного інтелекту ефективно та в масштабі, використовуючи розподілену обчислювальну інфраструктуру, апаратне прискорення та ефективну мережування. Компроміси включають повільні обчислення через техніки підвищення конфіденційності та накладні витрати від перевірки обчислень.

Трілема блокчейну:

Трілема блокчейну відображає основні компроміси, з якими повинен зіткнутися кожний блокчейн:

• Децентралізація: Збереження мережі розподіленою між багатьма незалежними вузлами, що запобігає будь-якій окремій сутності контролювати систему
• Безпека: Забезпечення безпеки мережі від атак і підтримання цілісності даних, що зазвичай вимагає більше перевірок та накладних витрат на узгодження
• Масштабованість: Швидка та дешева обробка великої кількості транзакцій - але це зазвичай означає відмову від децентралізації (менше вузлів) або безпеки (менш ретельної перевірки)

Наприклад, Ethereum надає перевагу децентралізації та безпеці, отже, швидкість повільніша. Для отримання додаткового розуміння компромісів у блокчейн архітектурі,зацініть це.

Матриця аналізу синергії штучного інтелекту та блокчейну (3x3)

Перетин штучного інтелекту та блокчейну - це складний танець компромісів та можливостей. Ця матриця показує, де ці дві технології створюють тертя, знаходять гармонію та іноді підсилюють слабкі сторони одна одної.

Як працює матриця синергії

Сила синергії відображає рівень сумісності та впливу між властивостями блокчейну та штучного інтелекту в конкретних категоріях. Вона визначається тим, наскільки добре обидва технології вирішують взаємні виклики та покращують функціональність один одного.

Як працює Матриця Синергії

Приклад 1: Продуктивність + децентралізація (слабке синергія) - У децентралізованих мережах, таких як Bitcoin або Ethereum, продуктивність переважно обмежена факторами, такими як варіабельність ресурсів, висока латентність комунікації, витрати на транзакції та механізми консенсусу. Для застосувань штучного інтелекту, які вимагають низької латентності, високої пропускної здатності обробки, таких як інференція AI в режимі реального часу або тренування моделей великого масштабу, ці мережі зазнають проблем забезпечення швидкості та обчислювальної надійності, необхідної для оптимальної продуктивності.

Приклад 2: Конфіденційність + Децентралізація (Сильний Синергія) - Техніки конфіденційного збереження даних ШІ, такі як Федеративне навчання, отримують переваги від децентралізованої інфраструктури блокчейну для захисту користувальницьких даних при забезпеченні співпраці.SoraChain AIце демонструється тим, що забезпечує федеративне навчання, де власність на даних зберігається, надаючи власникам даних можливість вносити свої якісні дані для навчання, зберігаючи конфіденційність.

Ця матриця має на меті допомогти галузі зрозуміти перехрестя блокчейну та штучного інтелекту, допомагаючи інноваторам та інвесторам визначити пріоритетні напрямки, дослідити перспективні можливості та уникнути лише спекулятивних рішень.

Матриця синергії штучного інтелекту-блокчейн

Уздовж однієї вісі ми маємо фундаментальні властивості децентралізованих систем штучного інтелекту: перевірка, конфіденційність та продуктивність. З іншого боку, ми стикаємося з вічним трилемою блокчейну: безпекою, масштабованістю та децентралізацією. Коли ці сили зіткнуться, вони створюють спектр синергій - від потужних узгоджень до складних несумісностей.

Наприклад, коли перевірка зустрічається з безпекою (високий синергій), ми отримуємо міцні системи для доведення обчислень ШІ. Але коли вимоги до продуктивності стикаються з децентралізацією (низький синергій), ми стикаємося з жорсткою реальністю надмірної розподіленої системи. Деякі комбінації, такі як приватність та масштабованість, опиняються посередині - обіцяють, але складні.

• Чому це важливо?
  • Стратегічний компас: Не кожен проект штучного інтелекту або блокчейн доставляє конкретну цінність. Матриця спрямовує приймачі рішень, дослідників та розробників на високосинергетичні категорії, які вирішують реальні виклики, такі як забезпечення конфіденційності даних у федеративному навчанні або використання децентралізованого обчислення для масштабованого навчання штучного інтелекту.
  • Зосередження на впливовій інновації та розподіл ресурсів: зрозумівши, де знаходяться найсильніші синергії (наприклад, безпека + перевірка, конфіденційність + децентралізація), цей інструмент дозволяє зацікавленим особам зосередити свої зусилля та інвестиції на областях, які обіцяють вимірюваний вплив, уникнувши витрат енергії на слабкі або непрактичні інтеграції.
  • Керуючи еволюцією екосистеми: При еволюції як штучного інтелекту, так і блокчейну, матриця може служити динамічним керівником оцінки нових проектів, забезпечуючи їх відповідність значущим використанням, а не сприяючи перехваленим наративам.

Ця таблиця узагальнює ці комбінації за силу синергії - від сильної до слабкої - та пояснює, як працюють ці перетини в децентралізованих системах штучного інтелекту. Наведені приклади інноваційних проектів для ілюстрації реальних застосувань у кожній категорії. Ця таблиця служить практичним посібником для розуміння того, де блокчейн та технології штучного інтелекту мають суттєвий перетин, що допомагає визначити впливові сфери, уникаючи переоцінених або менш реалістичних комбінацій.

Матриця синергії штучного інтелекту та блокчейну: Категоризація ключових перетинів технологій штучного інтелекту та блокчейну за силою синергії

Висновок

Перетин блокчейну та штучного інтелекту відкриває трансформаційний потенціал, але шлях вперед вимагає ясності та уваги. Проекти, які справді інноваційні - такі як ті, що стосуються Федеративного навчання (Конфіденційність + Децентралізація), Розподіленого обчислення/навчання (Продуктивність + Масштабованість) та zkML (Перевірка + Безпека), - формують майбутнє розподіленого інтелекту, вирішуючи критичні виклики, такі як конфіденційність даних, масштабованість та довіра.

Проте, так само важливо підходити до цієї сфери з розсудливим оком. Багато так званих AI-агентів є просто обгортками навколо існуючих моделей, пропонуючи мінімальну корисність та обмежену інтеграцію з блокчейном. Справжні прориви прийдуть від проектів, які використовують сильні сторони обох областей для вирішення реальних проблем, а не їздять на хвилі хайпу.

По мере продвижения вперед матрица синергии искусственного интеллекта и блокчейна становится мощным инструментом для оценки проектов, отличающихся значимыми инновациями от шума.

Передбачаємо, що наступне десятиліття належатиме проєктам, які поєднують стійкість блокчейну з трансформаційним потенціалом штучного інтелекту для вирішення реальних викликів, таких як енергоефективне навчання моделей, забезпечення конфіденційності співпраці та масштабоване управління штучним інтелектом. Галузь повинна обіймати ці основні аспекти, щоб розблокувати майбутнє децентралізованого інтелекту.

Увага:

1. Цю статтю перепринтировано з [BotsnBlocks], Усі авторські права належать оригінальному автору [Сваям]. Якщо є заперечення проти цього передруку, будь ласка, зв'яжіться з gate Навчайтеськоманда і вони оперативно цим займуться.
2. Відмова відповідальності: Погляди та думки, висловлені в цій статті, є виключно поглядами автора і не є жодним інвестиційним порадою.
3. Переклади статті на інші мови виконуються командою gate Learn. Якщо не вказано інше, копіювання, розповсюдження або плагіат перекладених статей заборонено.