Быстрое развитие искусственного интеллекта создало беспрецедентную концентрацию вычислительной мощности, данных и алгоритмических возможностей в нескольких крупных технологических компаниях. Поскольку системы искусственного интеллекта становятся все более важными для нашего общества, вопросы доступности, прозрачности и контроля переместились на передний план технических и политических дискуссий. На фоне этого пересечение блокчейна и искусственного интеллекта представляет собой увлекательный альтернативный путь, который потенциально может изменить способ разработки, внедрения, масштабирования и управления системами искусственного интеллекта.

Вместо того чтобы выступать за полное нарушение существующей инфраструктуры искусственного интеллекта, мы исследуем конкретные случаи использования, где децентрализованные подходы могут предлагать уникальные преимущества, признавая сценарии, в которых традиционные централизованные системы остаются более практичными.

Наш анализ направлен на выявление нескольких ключевых вопросов:

• Как основные свойства децентрализованных систем дополняют или конфликтуют с требованиями современных систем искусственного интеллекта?
• Где в стеке разработки ИИ - от сбора данных до обучения модели и вывода - технологии блокчейна могут предоставить значимые улучшения?
• Какие технические и экономические компромиссы возникают при децентрализации различных аспектов систем искусственного интеллекта?

Текущие ограничения в стеке искусственного интеллекта:

Epoch AI сделала удивительную работу, подробно разбирая текущие ограничения в стеке искусственного интеллекта. Это исследованиеОтчет от Epoch AI подчеркивает ожидаемые ограничения на масштабирование вычислений для обучения ИИ до 2030 года. В диаграмме оцениваются различные узкие места, которые могут ограничить расширение вычислительных возможностей для обучения ИИ с использованием операций с плавающей запятой в секунду (FLoPs) в качестве ключевой метрики.

Масштабирование вычислительной мощности для обучения искусственного интеллекта, скорее всего, будет ограничено доступностью электроэнергии, возможностями производства чипов, недостатком данных и проблемами задержки. Каждый из этих факторов накладывает различные ограничения на достижимые вычисления, причем задержка является самым высоким теоретическим пределом.

Эта диаграмма подчеркивает необходимость развития аппаратных средств, энергоэффективности, разблокировки данных, запертых на граничных устройствах, и сетей для поддержки будущего роста искусственного интеллекта.

• Ограничения мощности (производительность):
  • Возможность масштабирования энергетической инфраструктуры к 2030 году: Прогнозы показывают, что кампусы центров обработки данных с мощностями от 1 до 5 гигаватт (ГВт) вероятно будут достижимы к 2030 году. Однако этот рост зависит от значительных инвестиций в энергетическую инфраструктуру и преодоления потенциальных логистических и регуляторных препятствий.
  • Ограниченная доступность энергии и энергетической инфраструктуры, позволяющая рост до 10 000 раз текущего уровня вычислений.
• Производственная мощность микросхем (проверяемость):
  • Производство чипов, способных поддерживать эти расширенные вычисления (например, NVIDIA H100, Google TPU v5), в настоящее время ограничено из-за ограничений упаковки (например, TSMC CoWoS). Это напрямую влияет на доступность и масштабируемость проверяемых вычислений.
  • Сдерживаемый производством и цепями поставок, обеспечивающий увеличение вычислительной мощности в 50 000 раз.
  • Для обеспечения безопасных областей хранения или сред Доверенного Исполнения (TEEs) на периферийных устройствах необходимы передовые микросхемы, которые проверяют вычисления и защищают конфиденциальные данные.
• Нехватка данных (конфиденциальность):

* Недостаток данных и обучение ИИ: Разрыв между проиндексированным вебом и всем вебом подчеркивает сложности доступности для обучения ИИ. Большая часть потенциальных данных либо является частными, либо не проиндексирована, что ограничивает их полезность.* Необходимость мультимодального ИИ: Большие запасы изображений и видеоданных указывают на растущую важность мультимодальных ИИ-систем, способных обрабатывать данные, выходящие за пределы текста.* Будущие вызовы данных: Это следующая фронтир для ИИ, где требуется разработать способы доступа к высококачественным частным данным, обеспечивая владельцам данных контроль и справедливую ценность.

• Стена задержки (производительность):
  • Врожденные ограничения задержки при обучении моделей: по мере увеличения размеров моделей искусственного интеллекта время, необходимое для одного прохода вперед и назад, увеличивается из-за последовательной природы вычислений. Это вводит фундаментальную задержку, которую нельзя обойти, ограничивая скорость обучения моделей.
  • Проблемы масштабирования размеров пакетов: Для снижения задержки один из подходов - увеличение размера пакета, что позволяет обрабатывать больше данных параллельно. Однако существуют практические ограничения на масштабирование размера пакета, такие как ограничения памяти и убывающий прирост сходимости модели. Эти ограничения создают проблемы при снижении задержки, вызываемой более крупными моделями.

Фонд:

Децентрализованный ИИ Треугольник

Ограничения ИИ, такие как нехватка данных, ограничения вычислительных возможностей, задержка и производственная мощность, сходятся в Децентрализованном треугольнике ИИ, который балансирует Конфиденциальность, Проверяемость и Производительность. Эти свойства являются фундаментальными для обеспечения эффективности, доверия и масштабируемости децентрализованного ИИ.

Эта таблица исследует ключевые компромиссы между всеми тремя свойствами, предоставляя понимание их описаний, методов реализации и связанных проблем:

Конфиденциальность: Основной упор делается на защите конфиденциальных данных в процессе обучения и вывода. Основные техники включают TEE, MPC, Федеративное обучение, FHE и Дифференциальная конфиденциальность. Возникают компромиссы между накладными расходами на производительность, прозрачностью, затрудняющей проверку, и ограничениями масштабируемости.

Проверяемость: Обеспечивает правильность и целостность вычислений с использованием ZKPs, криптографических удостоверений и верифицируемых вычислений. Однако балансировка конфиденциальности и производительности с проверяемостью вводит требования к ресурсам и вычислительные задержки.

Производительность: относится к эффективному выполнению вычислений ИИ масштабно, используя распределенную вычислительную инфраструктуру, аппаратное ускорение и эффективную сеть. Компромиссом являются более медленные вычисления из-за методов, улучшающих конфиденциальность, и накладные расходы от проверяемых вычислений.

Трилемма блокчейна:

Трехсторонняя проблема блокчейна отражает основные компромиссы, с которыми сталкивается каждый блокчейн:

• Децентрализация: сохранение сети распределенной по множеству независимых узлов, предотвращение возможности контроля системы одной единой сущностью
• Безопасность: обеспечение безопасности сети от атак и поддержание целостности данных, что обычно требует большего количества проверок и накладных расходов.
• Масштабируемость: быстрая и дешевая обработка большого объема транзакций, но обычно это означает жертву либо децентрализации (меньше узлов), либо безопасности (менее тщательной проверки)

Например, Ethereum отдаёт предпочтение децентрализации и безопасности, что замедляет скорость. Для более глубокого понимания компромиссов в архитектуре блокчейна,см. это.

Матрица анализа синергии искусственного интеллекта и блокчейна (3x3)

Пересечение ИИ и блокчейна - это сложное взаимодействие компромиссов и возможностей. Эта матрица показывает, где эти две технологии создают трение, находят гармонию и иногда усиливают слабости друг друга.

Как работает матрица синергии

Сила синергии отражает уровень совместимости и воздействия между блокчейном и свойствами искусственного интеллекта в конкретных категориях. Она определяется тем, насколько хорошо обе технологии решают взаимные проблемы и улучшают функциональность друг друга.

Как работает Матрица Синергии

Пример 1: Производительность + децентрализация (слабая синергия) - В децентрализованных сетях, таких как Bitcoin или Ethereum, производительность по своей природе ограничена факторами, такими как изменчивость ресурсов, высокая задержка при передаче данных, транзакционные издержки и механизмы консенсуса. Для приложений искусственного интеллекта, требующих низкой задержки и высокой пропускной способности обработки - например, реального времени вывода искусственного интеллекта или масштабирования моделей - эти сети борются, чтобы обеспечить скорость и вычислительную надежность, необходимые для оптимальной производительности.

Пример 2: Конфиденциальность + Децентрализация (Сильный Синергетический Эффект)—Конфиденциальные техники искусственного интеллекта, такие как Федеративное обучение, выигрывают от децентрализованной инфраструктуры блокчейна для защиты пользовательских данных при обеспечении сотрудничества.SoraChain AIдемонстрирует это, позволяя федеративное обучение, где сохраняется собственность данных, давая владельцам данных возможность вносить свои качественные данные для обучения, сохраняя при этом конфиденциальность.

Эта матрица направлена на то, чтобы дать отрасли возможность ориентироваться в слиянии блокчейна и искусственного интеллекта с ясностью, помогая инноваторам и инвесторам определить, что работает, исследовать, что обещает, и избежать того, что является лишь спекулятивным.

Матрица синергии искусственного интеллекта и блокчейна

Вдоль одной оси у нас есть фундаментальные свойства децентрализованных систем искусственного интеллекта: проверяемость, конфиденциальность и производительность. С другой стороны, мы сталкиваемся с вечным троицким вопросом блокчейна: безопасность, масштабируемость и децентрализация. Когда эти силы сталкиваются, они создают спектр синергий - от мощных соответствий до сложных несоответствий.

Например, когда проверяемость сочетается с безопасностью (высокая синергия), мы получаем надежные системы для доказательства вычислений искусственного интеллекта. Но когда требования к производительности сталкиваются с децентрализацией (низкая синергия), мы сталкиваемся с трудной реальностью накладных расходов распределенных систем. Некоторые комбинации, такие как конфиденциальность и масштабируемость, оказываются посередине — многообещающие, но сложные.

• Почему это важно?
  • Стратегический компас: Не каждый проект в области искусственного интеллекта или блокчейна приносит ощутимую пользу. Матрица направляет лиц, принимающих решения, исследователей и разработчиков к категориям с высокой синергией, которые решают реальные проблемы, такие как обеспечение конфиденциальности данных в федеративном обучении или использование децентрализованных вычислений для масштабируемого обучения ИИ.
  • Сосредоточение на эффективных инновациях и распределении ресурсов: Понимая, где наиболее сильные синергии (например, Безопасность + Проверяемость, Конфиденциальность + Децентрализация), этот инструмент позволяет заинтересованным сторонам сосредоточить свои усилия и инвестиции на областях, обещающих заметный эффект, избегая затрат энергии на слабые или непрактичные интеграции.
  • Направление эволюции экосистемы: по мере развития искусственного интеллекта и блокчейна, матрица может служить динамическим руководством для оценки новых проектов, гарантируя их соответствие значимым сценариям использования, а не способствуя раздутым рассказам.

Эта таблица подводит итоги этих комбинаций по их силе синергии - от сильной до слабой - и объясняет, как эти пересечения работают в децентрализованных системах искусственного интеллекта. Приводятся примеры инновационных проектов, чтобы проиллюстрировать практические приложения в реальном мире в каждой категории. Таблица служит практическим руководством по пониманию того, где технологии блокчейн и искусственного интеллекта имеют смысловое пересечение, помогая выявить влиятельные области, избегая излишне рекламируемых или менее выполнимых комбинаций.

Матрица синергии ИИ и блокчейна: категоризация ключевых пересечений технологий ИИ и блокчейна по силе синергии

Вывод

Пересечение блокчейна и искусственного интеллекта представляет себя трансформационный потенциал, но для дальнейшего развития требуется ясность и фокус. Проекты, которые действительно инновационны - такие как Федеративное обучение (Приватность + Децентрализация), Распределенные вычисления/тренировки (Производительность + Масштабируемость) и zkML (Проверяемость + Безопасность) - формируют будущее децентрализованного интеллекта, решая критические проблемы, такие как защита данных, масштабируемость и доверие.

Однако также важно подходить к этой области с трезвым взглядом. Многие так называемые AI агенты являются просто оболочками существующих моделей, предлагая минимальную полезность и ограниченную интеграцию с блокчейном. Реальные прорывы произойдут от проектов, которые используют преимущества обеих областей, чтобы решать реальные проблемы, а не просто плыть на волне хайпа.

Продвигаясь вперед, матрица синергии ИИ-блокчейн становится мощным инструментом для оценки проектов, различающих значимые инновации от шума.

В будущем следующее десятилетие принадлежит проектам, которые объединяют устойчивость блокчейна с трансформационным потенциалом искусственного интеллекта для решения реальных вызовов, таких как энергоэффективное обучение моделей, сотрудничество с сохранением конфиденциальности и масштабируемое управление искусственным интеллектом. Отрасль должна принять эти фокусы, чтобы разблокировать будущее децентрализованного интеллекта.

Disclaimer：

1. Эта статья взята из [BotsnBlocks], Все авторские права принадлежат оригинальному автору [Swayam]. Если появятся возражения против этого перепечатывания, пожалуйста, свяжитесь с Gate Learnкоманда, и они оперативно решат этот вопрос.
2. Ответственность за отказ: Взгляды и мнения, высказанные в этой статье, являются исключительно точкой зрения автора и не составляют инвестиционных советов.
3. Переводы статьи на другие языки выполняются командой gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.