La matriz de colaboración AI-blockchain se convertirá en una herramienta importante para evaluar proyectos, capaz de ayudar efectivamente a los tomadores de decisiones a distinguir entre innovaciones verdaderamente impactantes y ruido sin sentido.
Autor: Swayam
Compilado por: 深潮TechFlow
El rápido desarrollo de la inteligencia artificial (AI) ha llevado a que un pequeño número de grandes empresas tecnológicas controle una capacidad de cómputo, recursos de datos y técnicas algorítmicas sin precedentes. Sin embargo, a medida que los sistemas de AI se integran gradualmente en nuestra sociedad, las cuestiones de accesibilidad, transparencia y control se han convertido en temas centrales de discusión técnica y política. En este contexto, la combinación de tecnologías blockchain y AI nos ofrece una alternativa prometedora que vale la pena explorar: una nueva forma que podría redefinir el desarrollo, implementación, escalado y gobernanza de los sistemas de AI.
No buscamos reemplazar por completo la infraestructura existente de AI, sino explorar, a través del análisis, las ventajas únicas que podría ofrecer un enfoque descentralizado en ciertos casos de uso específicos. Al mismo tiempo, también reconocemos que en algunas situaciones, los sistemas centralizados tradicionales pueden seguir siendo la opción más práctica.
Las siguientes preguntas clave guiaron nuestra investigación:
¿Pueden las características centrales de los sistemas descentralizados (como transparencia y resistencia a la censura) complementarse con las necesidades de los sistemas de AI modernos (como eficiencia y escalabilidad), o surgirán contradicciones?
¿En qué aspectos puede la tecnología blockchain proporcionar mejoras sustanciales en cada etapa del desarrollo de AI, desde la recolección de datos hasta el entrenamiento de modelos y la inferencia?
¿Qué compromisos técnicos y económicos enfrentarán las diferentes etapas en el diseño de sistemas de AI descentralizados?
Limitaciones actuales en la pila de tecnología AI
El equipo de Epoch AI ha hecho contribuciones significativas al analizar las limitaciones actuales de la pila de tecnología AI. Su investigación detalla los principales cuellos de botella que podrían enfrentar las capacidades de cómputo para el entrenamiento de AI para el año 2030, utilizando las operaciones de punto flotante por segundo (FLoPs) como el indicador central para medir el rendimiento computacional.
Las investigaciones indican que la escalabilidad del cómputo para el entrenamiento de AI puede estar limitada por varios factores, incluyendo suministro insuficiente de energía, cuellos de botella en la fabricación de chips, escasez de datos y problemas de latencia de red. Cada uno de estos factores establece diferentes límites superiores para la capacidad de cómputo alcanzable, siendo el problema de latencia considerado como el límite teórico más difícil de superar.
Este gráfico enfatiza la necesidad de avances en hardware, eficiencia energética, desbloqueo de los datos capturados en dispositivos perimetrales y aspectos de red para apoyar el crecimiento de la inteligencia artificial en el futuro.
Limitaciones de energía (rendimiento):
Viabilidad de la expansión de la infraestructura eléctrica (predicción para 2030): Se espera que para 2030, la capacidad de los centros de datos alcance entre 1 y 5 gigavatios (GW). Sin embargo, este crecimiento dependerá de inversiones masivas en infraestructura eléctrica y de superar posibles obstáculos logísticos y regulatorios.
Debido a las limitaciones de suministro de energía e infraestructura eléctrica, se espera que el límite superior de la capacidad de cómputo global alcance hasta 10,000 veces el nivel actual.
Capacidad de producción de chips (verificabilidad):
Actualmente, la producción de chips (como NVIDIA H100, Google TPU v5) para soportar cómputos avanzados se ve limitada por tecnologías de encapsulado (como la tecnología CoWoS de TSMC). Esta limitación afecta directamente la disponibilidad y escalabilidad del cómputo verificable.
Los cuellos de botella en la fabricación de chips y la cadena de suministro son obstáculos principales, pero aún podría lograrse un crecimiento de la capacidad de cómputo de hasta 50,000 veces.
Además, es crucial que los chips avanzados habiliten áreas de aislamiento seguro o Entornos de Ejecución Confiables (TEEs) en dispositivos perimetrales. Estas tecnologías no solo pueden verificar los resultados de cómputo, sino que también protegen la privacidad de los datos sensibles durante el proceso de cómputo.
Escasez de datos (privacidad):
Barreras de latencia (rendimiento):
Limitaciones inherentes a la latencia en el entrenamiento de modelos: A medida que aumenta la escala de los modelos de AI, el tiempo necesario para una sola propagación hacia adelante y hacia atrás aumenta significativamente debido a la secuencialidad del proceso de cómputo. Esta latencia es una limitación fundamental que no se puede eludir durante el entrenamiento del modelo, afectando directamente la velocidad de entrenamiento.
Desafíos de escalabilidad del tamaño del lote: Para mitigar el problema de latencia, un enfoque común es aumentar el tamaño del lote, permitiendo que más datos se procesen en paralelo. Sin embargo, hay límites prácticos para la escalabilidad del tamaño del lote, como la falta de capacidad de memoria y la disminución de los rendimientos marginales de convergencia del modelo a medida que aumenta el tamaño del lote. Estos factores hacen que sea más difícil compensar la latencia aumentando el tamaño del lote.
Fundamento
Triángulo de AI Descentralizada
Las múltiples limitaciones que enfrenta AI actualmente (como la escasez de datos, cuellos de botella en la capacidad de cómputo, problemas de latencia y capacidad de producción de chips) constituyen conjuntamente el "triángulo de AI descentralizada". Este marco intenta lograr un equilibrio entre privacidad, verificabilidad y rendimiento. Estos tres atributos son elementos clave para asegurar la efectividad, confiabilidad y escalabilidad de los sistemas de AI descentralizados.
La siguiente tabla analiza en detalle las compensaciones clave entre privacidad, verificabilidad y rendimiento, explorando en profundidad sus definiciones, tecnologías de implementación y desafíos que enfrentan:
Privacidad: Durante el entrenamiento y la inferencia de AI, es crucial proteger los datos sensibles. Para ello, se utilizan diversas tecnologías clave, incluyendo Entornos de Ejecución Confiables (TEEs), Computación Multipartita (MPC), Aprendizaje Federado, Criptografía Homomórfica Total (FHE) y Privacidad Diferencial. Estas tecnologías, aunque efectivas, también presentan desafíos como sobrecargas de rendimiento, problemas de transparencia que afectan la verificabilidad, y limitaciones en escalabilidad.
Verificabilidad: Para garantizar la corrección e integridad del cómputo, se utilizan tecnologías como pruebas de conocimiento cero (ZKPs), certificados criptográficos y cómputo verificable. Sin embargo, lograr un equilibrio entre privacidad y rendimiento con verificabilidad a menudo requiere recursos y tiempo adicionales, lo que puede resultar en latencias computacionales.
Rendimiento: Ejecutar cómputos de AI de manera eficiente y lograr implementaciones a gran escala dependen de infraestructuras de cómputo distribuidas, aceleración de hardware y conexiones de red eficientes. Sin embargo, el uso de tecnologías de mejora de privacidad puede reducir la velocidad de cómputo, y el cómputo verificable también puede aumentar gastos adicionales.
Dilema de la blockchain:
El desafío central que enfrenta el campo de blockchain es el dilema de la trilogía; cada sistema blockchain debe equilibrar entre las siguientes tres:
Descentralización: Impide que cualquier entidad única controle el sistema al distribuir la red en múltiples nodos independientes.
Seguridad: Asegurar que la red esté protegida contra ataques y mantener la integridad de los datos generalmente requiere más procesos de verificación y consenso.
Escalabilidad: Procesar grandes volúmenes de transacciones de manera rápida y económica, aunque esto a menudo significa hacer compromisos en descentralización (reduciendo el número de nodos) o seguridad (disminuyendo la intensidad de la verificación).
Por ejemplo, Ethereum prioriza la descentralización y la seguridad, por lo que su velocidad de procesamiento de transacciones es relativamente lenta. Para una comprensión más profunda de estos compromisos en la arquitectura blockchain, se pueden consultar documentos relevantes.
Matriz de análisis de colaboración AI-blockchain (3x3)
La combinación de AI y blockchain es un proceso complejo de compromisos y oportunidades. Esta matriz muestra dónde estas dos tecnologías pueden entrar en fricción, encontrar puntos de coincidencia armoniosa y, a veces, amplificar las debilidades de cada una.
Cómo funciona la matriz de colaboración
La intensidad de colaboración refleja la compatibilidad e influencia de los atributos de blockchain y AI en campos específicos. En particular, depende de cómo ambas tecnologías enfrentan conjuntamente los desafíos y mejoran las capacidades de cada una. Por ejemplo, en términos de privacidad de datos, la inmutabilidad de blockchain combinada con la capacidad de procesamiento de datos de AI podría ofrecer nuevas soluciones.
Cómo funciona la matriz de colaboración
Ejemplo 1: Rendimiento + Descentralización (Colaboración Débil)
En redes descentralizadas, como Bitcoin o Ethereum, el rendimiento a menudo se ve limitado por múltiples factores. Estas limitaciones incluyen la volatilidad de los recursos de nodos, alta latencia de comunicación, costos de procesamiento de transacciones y complejidades en el mecanismo de consenso. Para aplicaciones de AI que requieren baja latencia y alta capacidad de procesamiento (como inferencia de AI en tiempo real o entrenamiento de modelos a gran escala), estas redes tienen dificultades para proporcionar la velocidad y confiabilidad computacional necesarias para cumplir con los requisitos de alto rendimiento.
Ejemplo 2: Privacidad + Descentralización (Colaboración Fuerte)
Las tecnologías de AI centradas en la privacidad (como el aprendizaje federado) pueden aprovechar al máximo las características descentralizadas de blockchain, logrando una colaboración eficiente mientras protegen los datos de los usuarios. Por ejemplo, SoraChain AI proporciona una solución que, a través de un aprendizaje federado respaldado por blockchain, asegura que la propiedad de los datos no se vea comprometida. Los propietarios de datos pueden contribuir con datos de alta calidad para el entrenamiento de modelos, manteniendo la privacidad y logrando un beneficio mutuo entre privacidad y colaboración.
El objetivo de esta matriz es ayudar a la industria a comprender claramente el punto de intersección entre AI y blockchain, guiando a innovadores e inversores a priorizar direcciones viables y explorar áreas con potencial, evitando caer en proyectos meramente especulativos.
Matriz de colaboración AI-blockchain
Los dos ejes de la matriz de colaboración representan diferentes atributos: un eje es las tres características centrales de los sistemas de AI descentralizados: verificabilidad, privacidad y rendimiento; el otro eje es el dilema de la blockchain: seguridad, escalabilidad y descentralización. Cuando estos atributos se cruzan, se generan una serie de efectos de colaboración que varían desde una alta coincidencia hasta posibles conflictos.
Por ejemplo, cuando se combinan verificabilidad y seguridad (alta colaboración), se pueden construir sistemas robustos para probar la corrección e integridad de los cálculos de AI. Pero cuando los requisitos de rendimiento entran en conflicto con la descentralización (baja colaboración), el alto costo de los sistemas distribuidos afectará significativamente la eficiencia. Además, algunas combinaciones (como privacidad y escalabilidad) se encuentran en un terreno intermedio, con potencial pero enfrentando desafíos técnicos complejos.
¿Por qué es importante esto?
Brújula estratégica: Esta matriz proporciona a tomadores de decisiones, investigadores y desarrolladores una dirección clara, ayudándoles a centrarse en áreas de alta colaboración, como garantizar la privacidad de los datos a través del aprendizaje federado o implementar entrenamiento de AI escalable mediante cómputo descentralizado.
Enfocarse en innovaciones impactantes y distribución de recursos: Comprender la distribución de la intensidad de colaboración (como seguridad + verificabilidad, privacidad + descentralización) ayuda a las partes interesadas a concentrar recursos en áreas de alto valor y evitar desperdicios en integraciones débiles o poco prácticas.
Guiar la evolución del ecosistema: A medida que las tecnologías de AI y blockchain continúan desarrollándose, esta matriz puede servir como una herramienta dinámica para evaluar proyectos emergentes, asegurando que satisfagan necesidades reales y no alimenten tendencias de sobreexplotación.
La siguiente tabla resume estas combinaciones de atributos según la intensidad de colaboración (de fuerte a débil) y explica cómo funcionan en la práctica dentro de los sistemas de AI descentralizados. Además, la tabla proporciona ejemplos de algunos proyectos innovadores que muestran los escenarios de aplicación de estas combinaciones en la realidad. A través de esta tabla, los lectores pueden entender visualmente el punto de intersección entre la tecnología blockchain y AI, identificando áreas verdaderamente impactantes y evitando direcciones sobreexplotadas o técnicamente inviables.
Matriz de colaboración AI-blockchain: Clasificación de puntos de intersección clave de AI y tecnología blockchain según la intensidad de colaboración
Conclusión
La combinación de blockchain y AI contiene un enorme potencial transformador, pero el desarrollo futuro requerirá una dirección clara y esfuerzos enfocados. Los proyectos que realmente impulsan la innovación están dando forma al futuro de la inteligencia descentralizada al abordar desafíos clave como privacidad de datos, escalabilidad y confianza. Por ejemplo, el aprendizaje federado (privacidad + descentralización) logra colaboración protegiendo los datos de los usuarios; el cómputo y entrenamiento distribuidos (rendimiento + escalabilidad) mejoran la eficiencia de los sistemas de AI; y zkML (aprendizaje automático de conocimiento cero, verificabilidad + seguridad) ofrece garantías sobre la confiabilidad del cómputo de AI.
Al mismo tiempo, necesitamos adoptar una actitud prudente hacia este campo. Muchos de los llamados agentes inteligentes de AI son en realidad solo envolturas simples de modelos existentes, con funcionalidades limitadas y una falta de profundidad en su combinación con blockchain. Los verdaderos avances provendrán de aquellos proyectos que aprovechen al máximo las ventajas de blockchain y AI y se dediquen a resolver problemas reales, en lugar de simplemente perseguir la especulación del mercado.
Mirando hacia el futuro, la matriz de colaboración AI-blockchain se convertirá en una herramienta importante para evaluar proyectos, capaz de ayudar efectivamente a los tomadores de decisiones a distinguir entre innovaciones verdaderamente impactantes y ruido sin sentido.
En la próxima década, pertenecerá a aquellos proyectos que sean capaces de combinar la alta fiabilidad de blockchain con la capacidad transformadora de AI para resolver problemas reales. Por ejemplo, el entrenamiento de modelos energéticamente eficientes reducirá significativamente el consumo energético de los sistemas de AI; la colaboración centrada en la privacidad proporcionará un entorno más seguro para compartir datos; y la gobernanza escalable de AI impulsará la implementación de sistemas inteligentes más grandes y eficientes. La industria necesita centrarse en estas áreas clave para realmente abrir el futuro de la inteligencia descentralizada.
