Pada akhir Juli, Mark Zuckerberg menulis surat yang menjelaskan mengapa "open source diperlukan untuk masa depan AI yang positif," di mana ia mengutarakan perlunya pengembangan AI open source. Pendiri remaja kutu buku yang kini berubah menjadi "Zuck" yang suka berselancar di papan, memakai rantai emas, dan bertarung jiu-jitsu, telah dicap sebagai juru selamat pengembangan model open source.

Namun sejauh ini, ia dan tim Meta belum banyak mengutarakan tentang bagaimana model-model ini diterapkan. Karena kompleksitas model mendorong kebutuhan komputasi yang lebih tinggi, jika penerapan model dikendalikan oleh segelintir pelaku, bukankah kita telah menyerah pada bentuk sentralisasi yang serupa? AI terdesentralisasi menjanjikan untuk memecahkan tantangan ini, tetapi teknologinya memerlukan kemajuan dalam teknik kriptografi terdepan di industri dan solusi hibrida yang unik.

Opini ini adalah bagian dari DePIN Vertical baru CoinDesk, yang meliput industri infrastruktur fisik terdesentralisasi yang sedang berkembang.

Tidak seperti penyedia cloud terpusat, AI terdesentralisasi (DAI) mendistribusikan proses komputasi untuk inferensi dan pelatihan AI di berbagai sistem, jaringan, dan lokasi. Jika diterapkan dengan benar, jaringan ini, sejenis jaringan infrastruktur fisik terdesentralisasi (DePIN), memberikan manfaat dalam hal ketahanan terhadap penyensoran, akses komputasi, dan biaya.

DAI menghadapi tantangan dalam dua area utama: lingkungan AI dan infrastruktur terdesentralisasi itu sendiri. Dibandingkan dengan sistem terpusat, DAI memerlukan perlindungan tambahan untuk mencegah akses tidak sah ke detail model atau pencurian dan replikasi informasi kepemilikan. Karena alasan ini, ada peluang yang belum dieksplorasi bagi tim yang berfokus pada model sumber terbuka, tetapi menyadari potensi kerugian kinerja model sumber terbuka dibandingkan dengan model sumber tertutup.

Sistem terdesentralisasi secara khusus menghadapi kendala dalam integritas jaringan dan overhead sumber daya. Distribusi data klien di seluruh node yang terpisah, misalnya, mengekspos lebih banyak vektor serangan. Penyerang dapat menjalankan node dan menganalisis komputasinya, mencoba mencegat transmisi data antar node, atau bahkan memperkenalkan bias yang menurunkan kinerja sistem. Bahkan dalam model inferensi terdesentralisasi yang aman, harus ada mekanisme untuk mengaudit proses komputasi. Node diberi insentif untuk menghemat biaya sumber daya dengan menyajikan komputasi yang tidak lengkap, dan verifikasi menjadi rumit karena kurangnya aktor terpusat yang tepercaya.

Bukti Tanpa Pengetahuan

Bukti tanpa pengetahuan (ZKP), meskipun saat ini terlalu mahal secara komputasi, merupakan salah satu solusi potensial untuk beberapa tantangan DAI. ZKP adalah mekanisme kriptografi yang memungkinkan satu pihak (pembukti) untuk meyakinkan pihak lain (verifikator) tentang kebenaran suatu pernyataan tanpa membocorkan detail apa pun tentang pernyataan itu sendiri, kecuali validitasnya. Verifikasi bukti ini cepat dijalankan oleh node lain dan menawarkan cara bagi setiap node untuk membuktikan bahwa mereka bertindak sesuai dengan protokol. Perbedaan teknis antara sistem bukti dan implementasinya (pembahasan mendalam tentang ini akan dibahas kemudian) penting bagi investor di bidang ini.

Komputasi terpusat membuat pelatihan model hanya dapat dilakukan oleh segelintir pemain yang memiliki posisi dan sumber daya yang baik. ZKP dapat menjadi salah satu bagian dari pembukaan komputasi yang tidak aktif pada perangkat keras konsumen; MacBook, misalnya, dapat menggunakan bandwidth komputasi ekstra untuk membantu melatih model berbahasa besar sekaligus memperoleh token bagi pengguna.

Menyebarkan pelatihan atau inferensi terdesentralisasi dengan perangkat keras konsumen merupakan fokus tim seperti Gensyn dan Inference Labs; tidak seperti jaringan komputasi terdesentralisasi seperti Akash atau Render, sharding komputasi menambah kompleksitas, yaitu masalah floating point. Memanfaatkan sumber daya komputasi terdistribusi yang tidak digunakan membuka peluang bagi pengembang yang lebih kecil untuk menguji dan melatih jaringan mereka sendiri — selama mereka memiliki akses ke alat yang memecahkan tantangan terkait.

Saat ini, sistem ZKP tampaknya empat hingga enam kali lipat lebih mahal daripada menjalankan komputasi secara native, dan untuk tugas yang memerlukan komputasi tinggi (seperti pelatihan model) atau latensi rendah (seperti inferensi model), penggunaan ZKP sangatlah lambat. Sebagai perbandingan, penurunan enam kali lipat berarti bahwa sistem canggih (seperti Jolt a16z) yang berjalan pada chip M3 Max dapat membuktikan program 150 kali lebih lambat daripada menjalankannya pada kalkulator grafik TI-84.

Kemampuan AI untuk memproses data dalam jumlah besar membuatnya kompatibel dengan zero-knowledge proofs (ZKP), tetapi diperlukan lebih banyak kemajuan dalam kriptografi sebelum ZKP dapat digunakan secara luas. Pekerjaan yang dilakukan oleh tim seperti Irreducible (yang merancang sistem pembuktian Binius dan skema komitmen), Gensyn, TensorOpera, Hellas, dan Inference Labs, antara lain, akan menjadi langkah penting dalam mencapai visi ini. Namun, jadwal waktu tetap terlalu optimis karena inovasi sejati membutuhkan waktu dan kemajuan matematika.

Sementara itu, ada baiknya untuk mencatat kemungkinan dan solusi hibrida lainnya. HellasAI dan yang lainnya sedang mengembangkan metode baru untuk merepresentasikan model dan komputasi yang dapat memungkinkan permainan tantangan optimis, yang hanya memungkinkan sebagian komputasi yang perlu ditangani dalam pengetahuan nol. Bukti optimis hanya berfungsi ketika ada staking, kemampuan untuk membuktikan kesalahan, dan ancaman yang kredibel bahwa komputasi sedang diperiksa oleh node lain dalam sistem. Metode lain, yang dikembangkan oleh Inference Labs, memvalidasi sebagian kueri tempat node berkomitmen untuk menghasilkan ZKP dengan ikatan, tetapi hanya menyajikan bukti jika pertama kali ditantang oleh klien.

Ringkasnya

Pelatihan dan inferensi AI yang terdesentralisasi akan berfungsi sebagai perlindungan terhadap konsolidasi kekuatan oleh beberapa pelaku utama sekaligus membuka komputasi yang sebelumnya tidak dapat diakses. ZKP akan menjadi bagian integral untuk mewujudkan visi ini. Komputer Anda akan dapat menghasilkan uang sungguhan tanpa terasa dengan memanfaatkan daya pemrosesan ekstra di latar belakang. Bukti ringkas bahwa komputasi dilakukan dengan benar akan menghilangkan kepercayaan yang dimanfaatkan oleh penyedia cloud terbesar, sehingga jaringan komputasi dengan penyedia yang lebih kecil dapat menarik klien perusahaan.

Meskipun bukti tanpa pengetahuan akan memungkinkan masa depan ini dan menjadi bagian penting dari lebih dari sekadar jaringan komputasi (seperti visi Ethereum untuk finalitas slot tunggal), beban komputasionalnya tetap menjadi kendala. Solusi hibrida yang menggabungkan mekanika teori permainan dari permainan optimis dengan penggunaan bukti tanpa pengetahuan secara selektif adalah solusi yang lebih baik, dan kemungkinan akan menjadi hal yang umum sebagai titik penghubung hingga ZKP menjadi jauh lebih cepat.

Bagi investor kripto asli dan non-asli, memahami nilai dan tantangan sistem AI terdesentralisasi akan sangat penting untuk menyebarkan modal secara efektif. Tim harus memiliki jawaban atas pertanyaan mengenai bukti komputasi node dan redundansi jaringan. Lebih jauh, seperti yang telah kita amati dalam banyak proyek DePIN, desentralisasi terjadi seiring waktu, dan rencana tim yang jelas terhadap visi tersebut sangat penting. Memecahkan tantangan yang terkait dengan komputasi DePIN sangat penting untuk menyerahkan kendali kembali kepada individu dan pengembang kecil — bagian penting untuk menjaga sistem kita tetap terbuka, bebas, dan tahan terhadap sensor.

Catatan: Pandangan yang diungkapkan dalam kolom ini adalah pandangan penulis dan belum tentu mencerminkan pandangan CoinDesk, Inc. atau pemilik dan afiliasinya.