Autor: Swayam
Compilado por: Deep Tide TechFlow
El rápido desarrollo de la inteligencia artificial (AI) ha permitido que unas pocas grandes empresas tecnológicas controlen una capacidad de cálculo, recursos de datos y tecnologías algorítmicas sin precedentes. Sin embargo, a medida que los sistemas de AI se integran cada vez más en nuestra sociedad, las preocupaciones sobre accesibilidad, transparencia y control se han convertido en temas centrales en las discusiones tecnológicas y políticas. En este contexto, la combinación de tecnología blockchain y AI nos ofrece una alternativa que vale la pena explorar: una forma que podría redefinir el desarrollo, la implementación, la escalabilidad y la gobernanza de los sistemas de AI.
No estamos tratando de desmantelar completamente la infraestructura de AI existente, sino que esperamos explorar, a través del análisis, las ventajas únicas que los enfoques descentralizados pueden traer en ciertos casos de uso específicos. Al mismo tiempo, también reconocemos que en ciertas circunstancias, 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, resistencia a la censura) complementarse con las necesidades de los sistemas modernos de AI (como eficiencia, escalabilidad), o generarán conflictos?
¿En qué aspectos puede la tecnología blockchain proporcionar mejoras sustanciales en todas las etapas del desarrollo de AI, desde la recopilación de datos hasta el entrenamiento de modelos y la inferencia?
¿Qué compensaciones técnicas y económicas 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 realizado contribuciones significativas en el análisis de las limitaciones actuales de la pila de tecnología AI. Su investigación detalla los principales cuellos de botella que la capacidad de cálculo de entrenamiento de AI podría enfrentar para 2030, utilizando el número de operaciones de punto flotante por segundo (FLoPs) como indicador clave de rendimiento de cálculo.
La investigación muestra que la escalabilidad del cálculo de entrenamiento de AI puede verse limitada por varios factores, incluyendo el suministro inadecuado de energía, los cuellos de botella en la tecnología de fabricación de chips, la escasez de datos y los problemas de latencia de la red. Cada uno de estos factores establece diferentes límites superiores para la capacidad de cálculo alcanzable, siendo el problema de latencia considerado el límite teórico más difícil de superar.
Este gráfico enfatiza la necesidad de avances en hardware, eficiencia energética, desbloqueo de datos capturados en dispositivos de borde y aspectos de la red para apoyar el crecimiento futuro de la inteligencia artificial.
Limitaciones de energía (rendimiento):
Viabilidad de expandir la infraestructura eléctrica (predicción 2030): Se espera que para 2030, la capacidad de los centros de datos alcance entre 1 y 5 gigavatios (GW). Sin embargo, este crecimiento depende de inversiones masivas en infraestructura eléctrica y de superar posibles obstáculos logísticos y regulatorios.
Debido a las limitaciones del suministro de energía y la infraestructura eléctrica, se estima que el límite superior de la capacidad de cálculo global podría alcanzar 10,000 veces el nivel actual.
Capacidad de producción de chips (verificabilidad):
Actualmente, la producción de chips utilizados para soportar calculaciones avanzadas (como NVIDIA H100, Google TPU v5) está limitada por la tecnología de empaquetado (como la tecnología CoWoS de TSMC). Esta limitación afecta directamente la disponibilidad y escalabilidad de la computación verificable.
Los cuellos de botella en la fabricación de chips y la cadena de suministro son obstáculos principales, pero aún es posible lograr un crecimiento de la capacidad de cálculo de hasta 50,000 veces.
Además, es crucial que los chips avanzados habiliten zonas de aislamiento seguro o entornos de ejecución confiables (Trusted Execution Environments, TEEs) en dispositivos de borde. Estas tecnologías no solo pueden verificar los resultados de los cálculos, sino que también protegen la privacidad de los datos sensibles durante el proceso de cálculo.
Escasez de datos (privacidad):
Barreras de latencia (rendimiento):
Limitaciones de latencia inherentes en el entrenamiento de modelos: A medida que la escala de los modelos de AI sigue creciendo, el tiempo requerido para una única propagación hacia adelante y hacia atrás aumenta significativamente debido a la secuencialidad del proceso de cálculo. Esta latencia es una limitación fundamental que no se puede evitar durante el proceso de entrenamiento de modelos, afectando directamente la velocidad de entrenamiento.
Desafíos en la expansión del tamaño de lote: Para mitigar los problemas de latencia, un método común es aumentar el tamaño del lote para que más datos puedan procesarse en paralelo. Sin embargo, hay limitaciones prácticas para aumentar el tamaño del lote, como la insuficiencia de la capacidad de memoria y la disminución de los rendimientos marginales en la 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.
Fundamentos
Triángulo de AI descentralizada
Las diversas limitaciones actuales que enfrenta AI (como la escasez de datos, cuellos de botella en la capacidad de cálculo, problemas de latencia y capacidad de producción de chips) constituyen el "triángulo de AI descentralizada". Este marco intenta equilibrar la privacidad, la verificabilidad y el rendimiento. Estas tres propiedades son elementos centrales para asegurar la efectividad, confianza y escalabilidad de los sistemas de AI descentralizados.
La siguiente tabla analiza en detalle las compensaciones clave entre privacidad, verificabilidad y rendimiento, explorando sus definiciones, tecnologías de implementación y los desafíos que enfrentan:
Privacidad: Proteger los datos sensibles durante el entrenamiento y la inferencia de AI es crucial. Para ello, se utilizan varias tecnologías clave, incluyendo entornos de ejecución confiables (TEEs), computación multipartita (MPC), aprendizaje federado, cifrado homomórfico completo (FHE) y privacidad diferencial. Aunque estas tecnologías son efectivas, también presentan desafíos como sobrecarga de rendimiento, problemas de transparencia que afectan la verificabilidad y limitaciones en la escalabilidad.
Verificabilidad: Para garantizar la corrección e integridad del cálculo, se emplean tecnologías como pruebas de conocimiento cero (ZKPs), certificados criptográficos y computación verificable. Sin embargo, equilibrar la privacidad y el rendimiento con la verificabilidad a menudo requiere recursos y tiempo adicionales, lo que puede resultar en retrasos en el cálculo.
Rendimiento: Ejecutar cálculos de AI de manera eficiente y lograr aplicaciones a gran escala depende de la infraestructura de computación distribuida, la aceleración de hardware y conexiones de red eficientes. Sin embargo, la implementación de tecnologías que mejoran la privacidad puede ralentizar la velocidad de cálculo, y la computación verificable puede aumentar los costos adicionales.
El dilema de los tres de blockchain:
El desafío central que enfrenta el campo de blockchain es el dilema de los tres, donde cada sistema de blockchain debe equilibrar entre las siguientes tres opciones:
Descentralización: Impide que cualquier entidad única controle el sistema al distribuir la red en múltiples nodos independientes.
Seguridad: Garantizar que la red esté protegida contra ataques y mantenga la integridad de los datos, lo que a menudo requiere más procesos de verificación y consenso.
Escalabilidad: Procesar grandes volúmenes de transacciones de manera rápida y económica, aunque esto a menudo significa comprometer la descentralización (reduciendo la cantidad de nodos) o la 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 estas compensaciones en la arquitectura de blockchain, se pueden consultar fuentes relevantes.
Matriz de análisis colaborativo AI-Blockchain (3x3)
La combinación de AI y blockchain es un proceso complejo de compensaciones y oportunidades. Esta matriz ilustra dónde estas dos tecnologías pueden chocar, encontrar puntos de conexión armoniosos y, a veces, amplificar las debilidades de cada una.
Cómo funciona la matriz de colaboración
La fuerza de colaboración refleja la compatibilidad e influencia de las propiedades de blockchain y AI en áreas específicas. En particular, depende de cómo estas dos tecnologías aborden conjuntamente los desafíos y mejoren sus funciones mutuas. 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 suele estar restringido por varios factores. Estas limitaciones incluyen la volatilidad de los recursos de los nodos, alta latencia en la comunicación, costos de procesamiento de transacciones y la complejidad de los mecanismos 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 suficiente velocidad y confiabilidad de cálculo para satisfacer las demandas de alto rendimiento.
Ejemplo 2: Privacidad + Descentralización (Colaboración fuerte)
Las tecnologías de AI orientadas a la privacidad (como el aprendizaje federado) pueden aprovechar plenamente las características descentralizadas de blockchain para facilitar una colaboración eficiente mientras protegen los datos del usuario. Por ejemplo, SoraChain AI ofrece una solución que asegura que la propiedad de los datos no sea comprometida a través del aprendizaje federado respaldado por blockchain. Los propietarios de datos pueden contribuir con datos de alta calidad para el entrenamiento del modelo sin renunciar a su privacidad, logrando así un ganar-ganar entre privacidad y colaboración.
El objetivo de esta matriz es ayudar a la industria a entender claramente los puntos de intersección de AI y blockchain, guiando a innovadores e inversores a priorizar direcciones prácticas y explorar áreas con potencial, evitando caer en proyectos que solo tienen valor especulativo.
Matriz de colaboración AI-Blockchain
Los dos ejes de la matriz de colaboración representan diferentes propiedades: un eje es de las tres características centrales de los sistemas de AI descentralizados: verificabilidad, privacidad y rendimiento; el otro eje es el dilema de los tres de blockchain: seguridad, escalabilidad y descentralización. Cuando estas propiedades se cruzan, se generan una serie de efectos de colaboración, que van desde una alta coincidencia hasta un potencial conflicto.
Por ejemplo, cuando la verificabilidad se combina con la seguridad (alta colaboración), se pueden construir sistemas robustos para probar la corrección e integridad de los cálculos de AI. Pero cuando las demandas de rendimiento entran en conflicto con la descentralización (baja colaboración), los altos costos de los sistemas distribuidos pueden afectar significativamente la eficiencia. Además, algunas combinaciones (como privacidad y escalabilidad) se encuentran en el medio, con potencial y desafíos técnicos complejos.
¿Por qué es esto importante?
Brújula estratégica: Esta matriz proporciona a los tomadores de decisiones, investigadores y desarrolladores una dirección clara, ayudándoles a centrarse en áreas de alta colaboración, como asegurar la privacidad de los datos a través del aprendizaje federado o utilizar la computación descentralizada para lograr un entrenamiento AI escalable.
Enfocarse en innovaciones impactantes y la asignación de recursos: Comprender la distribución de la fuerza de colaboración (como seguridad + verificabilidad, privacidad + descentralización) ayuda a los interesados a concentrar recursos en áreas de alto valor, evitando 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 cumplan con las necesidades reales en lugar de fomentar tendencias de sobrecalentamiento.
La siguiente tabla resume estas combinaciones de propiedades según su fuerza de colaboración (de fuerte a débil) y explica cómo funcionan en los sistemas de AI descentralizados. Al mismo tiempo, la tabla proporciona ejemplos de proyectos innovadores que muestran cómo estas combinaciones se aplican en la realidad. A través de esta tabla, los lectores pueden obtener una comprensión más intuitiva de los puntos de intersección entre la tecnología blockchain y AI, identificando áreas verdaderamente impactantes y evitando direcciones sobrevaloradas o técnicamente inviables.
Matriz de colaboración AI-Blockchain: Clasificación de los puntos de intersección clave de AI y blockchain por fuerza de colaboración
Conclusión
La combinación de blockchain y AI tiene un gran potencial de transformación, pero el desarrollo futuro necesita una dirección clara y un esfuerzo enfocado. Los proyectos que realmente impulsan la innovación están moldeando el futuro de la inteligencia descentralizada al abordar desafíos clave como la privacidad de los datos, la escalabilidad y la confianza. Por ejemplo, el aprendizaje federado (privacidad + descentralización) permite la colaboración al proteger los datos del usuario, la computación y el entrenamiento distribuidos (rendimiento + escalabilidad) mejoran la eficiencia de los sistemas de AI, mientras que zkML (aprendizaje automático de conocimiento cero, verificabilidad + seguridad) garantiza la confiabilidad del cálculo de AI.
Al mismo tiempo, debemos abordar este campo con una actitud cautelosa. Muchos de los llamados agentes de AI son en realidad solo envolturas simples de modelos existentes, con capacidades limitadas y una falta de profundidad en su combinación con blockchain. Los verdaderos avances provendrán de aquellos proyectos que aprovechan adecuadamente las ventajas de blockchain y AI y se dedican a resolver problemas reales, en lugar de simplemente perseguir productos que se benefician del fervor del mercado.
De cara al futuro, la matriz de colaboración AI-Blockchain se convertirá en una herramienta importante para evaluar proyectos, ayudando efectivamente a los tomadores de decisiones a distinguir entre innovaciones verdaderamente impactantes y ruido sin sentido.
La próxima década pertenecerá a aquellos proyectos que puedan combinar la alta confiabilidad de blockchain con la capacidad transformadora de AI para resolver problemas reales. Por ejemplo, el entrenamiento de modelos de bajo consumo energético reducirá significativamente el consumo de energía de los sistemas de AI; la colaboración orientada a la privacidad proporcionará un entorno más seguro para el intercambio de datos; y la gobernanza escalable de AI impulsará la implementación de sistemas inteligentes más grandes y eficientes. La industria debe centrarse en estas áreas clave para realmente abrir el futuro de la inteligencia descentralizada.
