Penulis: Mahesh Ramakrishnan, Vinayak Kurup, CoinDesk; Penyusun: Tao Zhu, Golden Finance

Pada akhir bulan Juli, Mark Zuckerberg menulis surat yang menjelaskan mengapa "open source sangat penting untuk masa depan AI yang positif," di mana ia memuji perlunya pengembangan AI open source. Pendiri remaja yang dulunya kutu buku kini menjadi "Zuckerberg" yang bermain ski air, memakai rantai emas, dan melakukan jujitsu, dan dikenal sebagai penyelamat pengembangan model sumber terbuka.

Namun sejauh ini, dia dan tim Meta belum merinci bagaimana model tersebut akan diterapkan. Ketika kompleksitas model meningkat dalam kebutuhan komputasi, apakah kita akan menyerah pada bentuk sentralisasi serupa jika penerapan model dikendalikan oleh sejumlah kecil aktor? AI yang terdesentralisasi menjanjikan penyelesaian tantangan ini, namun teknologi ini memerlukan kemajuan dalam kriptografi terdepan di industri dan solusi hibrid yang unik.

Tidak seperti penyedia cloud terpusat, AI terdesentralisasi (DAI) mendistribusikan proses komputasi inferensi dan pelatihan AI ke berbagai sistem, jaringan, dan lokasi. Jika diterapkan dengan benar, jaringan ini—jaringan infrastruktur fisik terdesentralisasi (DePIN)—akan membawa manfaat dalam hal ketahanan terhadap sensor, akses komputasi, dan biaya.

DAI menghadapi tantangan di dua bidang utama: lingkungan AI dan infrastruktur desentralisasi itu sendiri. Dibandingkan dengan sistem terpusat, DAI memerlukan perlindungan tambahan untuk mencegah akses tidak sah ke detail model atau pencurian dan penyalinan informasi hak milik. Oleh karena itu, terdapat peluang yang kurang dimanfaatkan bagi tim yang berfokus pada model sumber terbuka namun menyadari potensi kelemahan kinerja model sumber terbuka dibandingkan dengan model sumber tertutup.

Sistem yang terdesentralisasi khususnya menghadapi kendala terkait integritas jaringan dan overhead sumber daya. Misalnya, mendistribusikan data klien ke berbagai node akan mengekspos lebih banyak vektor serangan. Seorang penyerang dapat menjalankan sebuah node dan menganalisis komputasinya, mencoba mencegat transfer data antar node, atau bahkan menimbulkan bias yang menurunkan kinerja sistem. Bahkan dalam model inferensi terdesentralisasi yang aman, harus ada mekanisme untuk mengaudit proses komputasi. Node menghemat biaya sumber daya dengan melakukan komputasi yang tidak lengkap, dan verifikasi menjadi rumit karena kurangnya peserta terpusat yang tepercaya.

Tidak ada bukti pengetahuan

Bukti tanpa pengetahuan (ZKP), meskipun saat ini sulit dilakukan secara komputasi, merupakan salah satu solusi potensial untuk beberapa tantangan DAI. ZKP merupakan suatu mekanisme kriptografi yang memungkinkan suatu pihak (yang membuktikan) meyakinkan pihak lain (verifikator) akan kebenaran suatu pernyataan tanpa mengungkapkan rincian apa pun mengenai pernyataan itu sendiri, kecuali keabsahannya. Bukti ini dapat dengan cepat diverifikasi oleh node lain dan memberikan setiap node cara untuk membuktikan bahwa mereka bertindak sesuai dengan protokol. Mendemonstrasikan perbedaan teknis antara sistem dan implementasinya (lebih lanjut tentang ini nanti) penting bagi investor di bidang ini.

Komputasi terpusat membatasi pelatihan model hanya untuk beberapa peserta yang memiliki posisi baik dan kaya sumber daya. ZKP dapat menjadi bagian untuk membuka kunci komputasi menganggur pada perangkat keras konsumen, misalnya, MacBook dapat menggunakan bandwidth komputasi ekstra untuk membantu melatih model bahasa besar sambil mendapatkan token bagi pengguna.

Menyebarkan pelatihan atau inferensi terdesentralisasi menggunakan perangkat keras konsumen adalah 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 menganggur membuka pintu bagi pengembang kecil untuk menguji dan melatih jaringan mereka sendiri—selama mereka memiliki akses ke alat yang dapat memecahkan tantangan yang relevan.

Saat ini, sistem ZKP tampaknya empat hingga enam kali lipat lebih mahal daripada menjalankan komputasi secara lokal, sehingga penggunaan ZKP menjadi sangat lambat untuk tugas-tugas yang memerlukan komputasi tinggi (seperti pelatihan model) atau latensi rendah (seperti inferensi model). Sebagai perbandingan, penurunan enam tingkat magnitudo berarti bahwa sistem mutakhir (seperti Jolt a16z) yang berjalan pada chip M3 Max menunjukkan program yang 150 kali lebih lambat daripada yang dijalankan pada kalkulator grafik TI-84.

Kemampuan AI untuk memproses data dalam jumlah besar membuatnya kompatibel dengan zero-knowledge proofs (ZKPs), namun diperlukan lebih banyak kemajuan dalam kriptografi sebelum ZKP dapat digunakan secara luas. Pekerjaan berkelanjutan yang dilakukan oleh tim seperti Irreducible (yang merancang sistem bukti Binius dan skema komitmen), Gensyn, TensorOpera, Hellas, dan Inference Labs akan menjadi langkah penting untuk mewujudkan visi ini. Namun, jangka waktunya masih terlalu optimis, karena inovasi nyata memerlukan waktu dan kemajuan matematis.

Pada saat yang sama, perlu diperhatikan kemungkinan lain dan solusi hibrida. HellasAI dan perusahaan lain sedang mengembangkan cara baru untuk merepresentasikan model dan komputasi yang memungkinkan permainan tantangan yang optimis, hanya memungkinkan sebagian komputasi yang perlu diproses dalam kondisi tanpa pengetahuan. Bukti optimis hanya berfungsi jika terdapat ancaman pertaruhan yang kredibel, kemampuan untuk membuktikan kesalahan, dan node lain dalam sistem yang memeriksa komputasi. Metode lain yang dikembangkan oleh Inference Labs memvalidasi subset kueri, di mana sebuah node berkomitmen untuk menghasilkan ZKP dengan deposit, namun hanya memberikan bukti jika klien pertama kali menantangnya.

Meringkaskan

Pelatihan dan inferensi AI yang terdesentralisasi akan berfungsi sebagai perlindungan terhadap beberapa pemain besar yang mengkonsolidasikan kekuatan sambil membuka kunci komputasi yang sebelumnya tidak dapat diakses. ZKP akan menjadi bagian integral untuk mewujudkan visi ini. Komputer Anda akan dapat memberi Anda uang nyata tanpa menyadarinya dengan memanfaatkan kekuatan pemrosesan ekstra di latar belakang. Bukti ringkas bahwa komputasi dilakukan dengan benar akan membuat kepercayaan yang dieksploitasi oleh penyedia cloud terbesar tidak diperlukan lagi, sehingga memungkinkan jaringan komputasi dengan penyedia yang lebih kecil untuk menarik pelanggan perusahaan.

Meskipun pembuktian tanpa pengetahuan (zero-knowledge proof) akan memungkinkan masa depan ini dan menjadi bagian penting dari lebih dari sekadar jaringan komputasi (seperti visi Ethereum mengenai finalitas slot tunggal), overhead komputasi mereka tetap menjadi kendala. Solusi hibrid yang menggabungkan mekanisme teori permainan dari permainan optimis dengan penggunaan bukti tanpa pengetahuan secara selektif adalah solusi yang lebih baik dan kemungkinan akan menjadi titik penghubung di mana-mana hingga ZKP menjadi lebih cepat.

Bagi investor mata uang kripto asli dan non-pribumi, memahami nilai dan tantangan sistem AI yang terdesentralisasi sangat penting untuk menyebarkan modal secara efektif. Tim harus memiliki jawaban atas pertanyaan tentang bukti komputasi node dan redundansi jaringan. Selain itu, seperti yang telah kami amati di banyak proyek DePIN, desentralisasi terjadi seiring berjalannya waktu, dan sangat penting bagi tim untuk memiliki rencana yang jelas untuk mencapai visi ini. Memecahkan tantangan yang terkait dengan komputasi DePIN sangat penting untuk mengembalikan kendali kepada individu dan pengembang kecil—sebuah bagian penting untuk menjaga sistem kami tetap terbuka, bebas, dan tahan sensor.