La matrice collaborative AI-blockchain deviendra un outil important pour évaluer les projets, capable d'aider efficacement les décideurs à distinguer les innovations réellement influentes du bruit insignifiant.
Auteur : Swayam
Compilation : Deep Tide TechFlow
Le développement rapide de l'intelligence artificielle (IA) a permis à quelques grandes entreprises technologiques de détenir une puissance de calcul, des ressources de données et des technologies algorithmiques sans précédent. Cependant, à mesure que les systèmes d'IA s'intègrent progressivement dans notre société, les questions d'accessibilité, de transparence et de contrôle sont devenues des enjeux centraux dans les discussions technologiques et politiques. Dans ce contexte, la combinaison de la technologie blockchain et de l'IA nous offre une alternative intéressante à explorer : une manière potentielle de redéfinir le développement, le déploiement, l'extension et la gouvernance des systèmes d'IA.
Nous ne cherchons pas à renverser complètement l'infrastructure IA existante, mais à explorer, par le biais de l'analyse, les avantages uniques que les approches décentralisées peuvent apporter dans certains cas d'utilisation spécifiques. En même temps, nous reconnaissons que dans certains contextes, les systèmes centralisés traditionnels peuvent encore être un choix plus pratique.
Les questions clés suivantes ont guidé notre recherche :
Les caractéristiques fondamentales des systèmes décentralisés (comme la transparence, la résistance à la censure) peuvent-elles se compléter avec les exigences des systèmes IA modernes (comme l'efficacité, la scalabilité), ou entraînent-elles des contradictions ?
Dans quelles mesures la technologie blockchain peut-elle apporter des améliorations substantielles à chaque étape du développement de l'IA - de la collecte des données à l'entraînement des modèles, puis à l'inférence ?
Quelles sont les concessions techniques et économiques que différentes étapes du design des systèmes d'IA décentralisés doivent affronter ?
Limitations actuelles dans la pile technologique de l'IA
L'équipe Epoch AI a apporté une contribution significative à l'analyse des limitations de la pile technologique actuelle de l'IA. Leur recherche décrit en détail les principaux goulets d'étranglement que l'expansion des capacités de calcul pour l'entraînement de l'IA pourrait rencontrer d'ici 2030, en utilisant le nombre d'opérations en virgule flottante par seconde (FLoPs) comme indicateur clé de la performance de calcul.
Des recherches montrent que l'expansion des calculs d'entraînement de l'IA peut être limitée par divers facteurs, y compris l'insuffisance de l'approvisionnement en électricité, les goulets d'étranglement dans la technologie de fabrication des puces, la rareté des données et les problèmes de latence réseau. Chacun de ces facteurs fixe des limites différentes à la capacité de calcul réalisable, la latence étant considérée comme la limite théorique la plus difficile à surmonter.
Ce graphique met en évidence la nécessité de progrès dans le matériel, l'efficacité énergétique, le déblocage des données capturées sur les appareils en périphérie et les aspects réseau pour soutenir la croissance future de l'intelligence artificielle.
Limitations énergétiques (performance) :
Faisabilité de l'extension de l'infrastructure énergétique (prévisions pour 2030) : On s'attend à ce qu'à l'horizon 2030, la capacité des parcs de centres de données atteigne de 1 à 5 GW. Cependant, cette croissance nécessitera des investissements massifs dans l'infrastructure énergétique, tout en surmontant les obstacles logistiques et réglementaires potentiels.
En raison des limitations de l'approvisionnement en énergie et de l'infrastructure énergétique, la limite d'expansion de la capacité de calcul mondiale pourrait atteindre 10 000 fois le niveau actuel.
Capacité de production de puces (vérifiabilité) :
Actuellement, la production de puces (telles que NVIDIA H100, Google TPU v5) pour le soutien à des calculs avancés est limitée par la technologie d'emballage (comme la technologie CoWoS de TSMC). Cette contrainte affecte directement la disponibilité et la scalabilité des calculs vérifiables.
Les goulets d'étranglement de la fabrication de puces et de la chaîne d'approvisionnement sont des obstacles majeurs, mais il est néanmoins possible d'atteindre une augmentation de la capacité de calcul allant jusqu'à 50 000 fois.
De plus, activer des zones d'isolement sécurisé ou des environnements d'exécution de confiance (TEE) sur des puces avancées sur des appareils en périphérie est essentiel. Ces technologies peuvent non seulement vérifier les résultats des calculs mais aussi protéger la confidentialité des données sensibles pendant le processus de calcul.
Rareté des données (confidentialité) :
Barrières de latence (performance) :
Limitations de latence inhérentes à l'entraînement des modèles : Avec l'augmentation de la taille des modèles d'IA, le temps requis pour une seule propagation avant et arrière augmente considérablement en raison de la séquentialité du processus de calcul. Cette latence est une limitation fondamentale qui ne peut être contournée dans le processus d'entraînement, affectant directement la vitesse d'entraînement.
Défis de l'augmentation de la taille des lots : Pour atténuer le problème de latence, une méthode courante consiste à augmenter la taille des lots pour permettre à plus de données d'être traitées en parallèle. Cependant, l'augmentation de la taille des lots présente des limites pratiques, telles que la capacité mémoire insuffisante, et avec l'augmentation de la taille des lots, les rendements marginaux de convergence du modèle diminuent. Ces facteurs rendent plus difficile la compensation de la latence par l'augmentation des lots.
Base
Triangle de l'IA décentralisée
Les multiples limitations actuelles de l'IA (telles que la rareté des données, les goulets d'étranglement de capacité de calcul, les problèmes de latence et la capacité de production de puces) forment ensemble le "triangle de l'IA décentralisée". Ce cadre tente d'établir un équilibre entre la confidentialité, la vérifiabilité et la performance. Ces trois attributs sont des éléments clés pour assurer l'efficacité, la crédibilité et la scalabilité des systèmes d'IA décentralisés.
Le tableau suivant analyse en détail les compromis clés entre la confidentialité, la vérifiabilité et la performance, en explorant leurs définitions, les technologies de mise en œuvre et les défis auxquels elles font face :
Confidentialité : Il est essentiel de protéger les données sensibles lors de l'entraînement et de l'inférence de l'IA. Pour ce faire, plusieurs technologies clés ont été utilisées, y compris les environnements d'exécution de confiance (TEE), le calcul multipartite (MPC), l'apprentissage fédéré, le chiffrement homomorphe complet (FHE) et la confidentialité différentielle. Bien que ces technologies soient efficaces, elles entraînent également des coûts de performance, des problèmes de transparence affectant la vérifiabilité, et des défis liés à la scalabilité.
Vérifiabilité : Pour garantir la précision et l'intégrité des calculs, des technologies telles que les preuves à connaissance nulle (ZKP), les certificats cryptographiques et les calculs vérifiables ont été adoptées. Cependant, équilibrer la confidentialité et la performance avec la vérifiabilité exige souvent des ressources et du temps supplémentaires, ce qui peut entraîner une latence de calcul.
Performance : Exécuter efficacement des calculs d'IA et réaliser des applications à grande échelle dépend d'une infrastructure de calcul distribuée, d'un matériel accéléré et d'une connexion réseau efficace. Cependant, l'adoption de technologies améliorant la confidentialité peut ralentir la vitesse de calcul, tandis que le calcul vérifiable entraîne également des coûts supplémentaires.
Dilemme des trois de la blockchain :
Le défi central auquel fait face le domaine de la blockchain est le dilemme des trois, chaque système blockchain doit faire des compromis entre les trois éléments suivants :
Décentralisation : Prévenir le contrôle d'un seul acteur sur le système en distribuant le réseau sur plusieurs nœuds indépendants.
Sécurité : Assurer que le réseau est protégé contre les attaques et maintient l'intégrité des données nécessite souvent davantage de processus de validation et de consensus.
Scalabilité : Traiter rapidement et efficacement un grand nombre de transactions, cependant cela implique souvent des compromis en matière de décentralisation (réduction du nombre de nœuds) ou de sécurité (diminution de l'intensité de la validation).
Par exemple, Ethereum privilégie la décentralisation et la sécurité, donc sa vitesse de traitement des transactions est relativement lente. Une compréhension approfondie de ces compromis dans l'architecture blockchain peut être trouvée dans la littérature pertinente.
Matrice d'analyse collaborative AI-blockchain (3x3)
La combinaison de l'IA et de la blockchain est un processus complexe de compromis et d'opportunités. Cette matrice montre où ces deux technologies peuvent entrer en friction, trouver des points d'accord harmonieux et parfois amplifier les faiblesses de l'autre.
Fonctionnement de la matrice collaborative
La force de la synergie reflète la compatibilité et l'influence des attributs de la blockchain et de l'IA dans des domaines spécifiques. Plus précisément, elle dépend de la manière dont les deux technologies répondent ensemble aux défis et améliorent les fonctionnalités de l'autre. Par exemple, dans le domaine de la confidentialité des données, l'immuabilité de la blockchain combinée à la capacité de traitement des données de l'IA pourrait conduire à de nouvelles solutions.
Fonctionnement de la matrice collaborative
Exemple 1 : Performance + Décentralisation (faible synergie)
Dans des réseaux décentralisés, comme Bitcoin ou Ethereum, la performance est souvent limitée par divers facteurs. Ces limitations incluent la volatilité des ressources des nœuds, les latences de communication élevées, le coût de traitement des transactions et la complexité des mécanismes de consensus. Pour les applications IA nécessitant une faible latence et un haut débit (par exemple, inférence IA en temps réel ou entraînement de modèles à grande échelle), ces réseaux peinent à fournir la vitesse et la fiabilité de calcul suffisantes pour répondre aux besoins de haute performance.
Exemple 2 : Confidentialité + Décentralisation (forte synergie)
Les technologies d'IA axées sur la confidentialité (comme l'apprentissage fédéré) peuvent tirer pleinement parti de la décentralisation apportée par la blockchain, tout en protégeant les données des utilisateurs tout en permettant une collaboration efficace. Par exemple, SoraChain AI propose une solution qui, grâce à l'apprentissage fédéré soutenu par la blockchain, garantit que la propriété des données n'est pas compromise. Les propriétaires de données peuvent contribuer des données de haute qualité pour l'entraînement des modèles tout en préservant leur confidentialité, réalisant ainsi un double avantage pour la confidentialité et la collaboration.
L'objectif de cette matrice est d'aider l'industrie à comprendre clairement les points de convergence entre l'IA et la blockchain, en guidant les innovateurs et les investisseurs à prioriser les directions réalisables, à explorer les domaines prometteurs tout en évitant de tomber dans des projets purement spéculatifs.
Matrice collaborative AI-blockchain
Les deux axes de la matrice collaborative représentent différentes attributs : un axe pour les trois caractéristiques centrales des systèmes d'IA décentralisés - vérifiabilité, confidentialité et performance ; l'autre axe pour les trois dilemmes de la blockchain - sécurité, scalabilité et décentralisation. Lorsque ces attributs se croisent, ils forment une série d'effets synergiques, allant d'une forte compatibilité à des conflits potentiels.
Par exemple, lorsque la vérifiabilité est combinée avec la sécurité (haute synergie), des systèmes puissants peuvent être construits pour prouver la précision et l'intégrité des calculs d'IA. Mais lorsque les exigences de performance entrent en conflit avec la décentralisation (faible synergie), le coût élevé des systèmes distribués peut affecter considérablement l'efficacité. De plus, certaines combinaisons (comme la confidentialité et la scalabilité) se situent dans une zone intermédiaire, ayant à la fois du potentiel et des défis techniques complexes.
Pourquoi est-ce important ?
Boussole stratégique : Cette matrice fournit une direction claire aux décideurs, chercheurs et développeurs, les aidant à se concentrer sur des domaines à forte synergie, comme garantir la confidentialité des données via l'apprentissage fédéré, ou réaliser un entraînement IA évolutif grâce au calcul décentralisé.
Concentration sur les innovations influentes et allocation des ressources : Comprendre la distribution de la force de synergie (comme sécurité + vérifiabilité, confidentialité + décentralisation) aide les parties prenantes à concentrer les ressources dans des domaines à haute valeur, évitant de gaspiller dans des synergies faibles ou des intégrations impraticables.
Orienter l'évolution de l'écosystème : À mesure que les technologies AI et blockchain continuent d'évoluer, cette matrice peut servir d'outil dynamique pour évaluer les projets émergents, garantissant qu'ils répondent aux besoins réels au lieu d'encourager les tendances de surmédiatisation.
Le tableau suivant résume ces combinaisons d'attributs par force de synergie (de forte à faible) et explique comment elles fonctionnent dans les systèmes d'IA décentralisés. De plus, le tableau fournit des exemples de projets innovants, montrant les scénarios d'application de ces combinaisons dans la réalité. Grâce à ce tableau, les lecteurs peuvent mieux comprendre les points de convergence entre la blockchain et la technologie IA, identifier les véritables domaines influents tout en évitant ceux qui sont trop médiatisés ou technologiquement non viables.
Matrice collaborative AI-blockchain : Classification des points de convergence clés entre les technologies AI et blockchain par force de synergie
Conclusion
La combinaison de la blockchain et de l'IA contient un potentiel de transformation énorme, mais le développement futur nécessite une direction claire et des efforts concentrés. Les projets qui propulsent véritablement l'innovation façonnent l'avenir de l'intelligence décentralisée en s'attaquant à des défis clés tels que la confidentialité des données, la scalabilité et la confiance. Par exemple, l'apprentissage fédéré (confidentialité + décentralisation) permet la collaboration tout en protégeant les données des utilisateurs, le calcul et l'entraînement distribués (performance + scalabilité) améliorent l'efficacité des systèmes d'IA, tandis que le zkML (apprentissage automatique à connaissance nulle, vérifiabilité + sécurité) garantit la fiabilité des calculs d'IA.
En même temps, nous devons également aborder ce domaine avec prudence. De nombreux soi-disant agents intelligents d'IA ne sont en réalité que de simples emballages de modèles existants, avec des fonctionnalités limitées et une intégration peu profonde avec la blockchain. Les véritables percées viendront de projets qui exploitent pleinement les avantages respectifs de la blockchain et de l'IA et qui se consacrent à résoudre des problèmes pratiques, plutôt que de simplement poursuivre des produits qui suivent la mode du marché.
Envisageant l'avenir, la matrice collaborative AI-blockchain deviendra un outil important pour évaluer les projets, capable d'aider efficacement les décideurs à distinguer les innovations réellement influentes du bruit insignifiant.
Au cours de la prochaine décennie, ce sont les projets capables de combiner la haute fiabilité de la blockchain avec la capacité de transformation de l'IA pour résoudre des problèmes pratiques qui prédomineront. Par exemple, les modèles d'entraînement éconergétiques réduiront considérablement la consommation d'énergie des systèmes d'IA ; la collaboration axée sur la confidentialité offrira un environnement plus sûr pour le partage de données ; tandis que la gouvernance évolutive de l'IA favorisera la mise en œuvre de systèmes intelligents à plus grande échelle et plus efficaces. L'industrie doit se concentrer sur ces domaines clés pour véritablement ouvrir l'avenir de l'intelligence décentralisée.
