Matriks kolaborasi AI-Blockchain akan menjadi alat penting untuk menilai proyek, yang dapat membantu pengambil keputusan membedakan inovasi yang benar-benar berpengaruh dari kebisingan yang tidak berarti.
Penulis: Swayam
Diterbitkan oleh: Deep Tide TechFlow
Perkembangan cepat kecerdasan buatan (AI) telah memberikan kekuatan komputasi, sumber daya data, dan teknologi algoritma yang belum pernah terjadi sebelumnya ke tangan beberapa perusahaan teknologi besar. Namun, seiring sistem AI semakin terintegrasi dalam masyarakat kita, isu-isu mengenai aksesibilitas, transparansi, dan kontrol telah menjadi pokok bahasan dalam diskusi teknologi dan kebijakan. Dalam konteks ini, kombinasi teknologi blockchain dan AI memberikan kita alternatif yang layak untuk dijelajahi - cara baru yang mungkin mendefinisikan kembali pengembangan, penerapan, ekspansi, dan tata kelola sistem AI.
Kami tidak berusaha untuk sepenuhnya menggantikan infrastruktur AI yang ada, tetapi kami berharap untuk mengeksplorasi melalui analisis, keuntungan unik yang mungkin dibawa oleh pendekatan terdesentralisasi dalam beberapa kasus penggunaan tertentu. Pada saat yang sama, kami juga mengakui bahwa dalam beberapa konteks, sistem terpusat tradisional mungkin masih menjadi pilihan yang lebih praktis.
Beberapa pertanyaan kunci di bawah ini memandu penelitian kami:
Apakah karakteristik inti dari sistem terdesentralisasi (seperti transparansi, ketahanan terhadap sensor) dapat berintegrasi dengan kebutuhan sistem AI modern (seperti efisiensi, skalabilitas), atau justru akan menimbulkan konflik?
Dalam setiap langkah pengembangan AI - dari pengumpulan data hingga pelatihan model dan inferensi - di bidang mana teknologi blockchain dapat memberikan perbaikan substansial?
Dalam desain sistem AI terdesentralisasi, tantangan teknis dan ekonomi apa yang akan dihadapi di setiap langkah?
Batasan saat ini dalam tumpukan teknologi AI
Tim Epoch AI telah memberikan kontribusi penting dalam menganalisis batasan tumpukan teknologi AI saat ini. Penelitian mereka menjelaskan dengan detail tentang batasan utama yang mungkin dihadapi dalam ekspansi kemampuan komputasi pelatihan AI menjelang tahun 2030, dan menggunakan jumlah operasi titik mengambang per detik (Floating Point Operations per Second, FLoPs) sebagai indikator kinerja komputasi yang utama.
Penelitian menunjukkan bahwa ekspansi komputasi pelatihan AI dapat dibatasi oleh berbagai faktor, termasuk pasokan listrik yang tidak memadai, kendala teknologi manufaktur chip, kelangkaan data, dan masalah latensi jaringan. Faktor-faktor ini masing-masing menetapkan batas atas yang berbeda untuk kemampuan komputasi yang dapat dicapai, di mana masalah latensi dianggap sebagai batas teoritis yang paling sulit untuk dilalui.
Grafik ini menekankan pentingnya kemajuan dalam perangkat keras, efisiensi energi, penguncian data yang ditangkap di perangkat tepi, dan aspek jaringan untuk mendukung pertumbuhan AI di masa depan.
Batasan daya (kinerja):
Kelayakan untuk memperluas infrastruktur listrik (proyeksi 2030): Diperkirakan bahwa kapasitas taman pusat data akan mencapai 1 hingga 5 gigawatt (GW) pada tahun 2030. Namun, pertumbuhan ini memerlukan investasi besar dalam infrastruktur listrik, serta mengatasi kemungkinan hambatan logistik dan regulasi.
Dibatasi oleh pasokan energi dan infrastruktur listrik, diperkirakan batas atas ekspansi kemampuan komputasi global dapat mencapai 10.000 kali tingkat saat ini.
Kemampuan produksi chip (verifikasi):
Saat ini, produksi chip yang mendukung komputasi canggih (seperti NVIDIA H100, Google TPU v5) dibatasi oleh teknologi pengemasan (seperti teknologi CoWoS dari TSMC). Pembatasan ini secara langsung memengaruhi ketersediaan dan skalabilitas komputasi yang dapat diverifikasi.
Kendala dalam manufaktur chip dan rantai pasokan adalah hambatan utama, tetapi kapasitas komputasi yang meningkat hingga 50.000 kali masih mungkin dicapai.
Selain itu, mengaktifkan zona isolasi yang aman atau lingkungan eksekusi tepercaya (Trusted Execution Environments, TEEs) di perangkat tepi sangat penting untuk chip canggih. Teknologi ini tidak hanya dapat memverifikasi hasil komputasi, tetapi juga melindungi privasi data sensitif selama proses komputasi.
Kelangkaan data (privasi):
Hambatan latensi (kinerja):
Batasan keterlambatan inheren dalam pelatihan model: Seiring dengan semakin besar ukuran model AI, waktu yang diperlukan untuk satu kali propagasi maju dan mundur meningkat secara signifikan akibat urutan proses komputasi. Keterlambatan ini adalah batasan mendasar yang tidak dapat dihindari dalam proses pelatihan model, yang secara langsung memengaruhi kecepatan pelatihan.
Tantangan dalam memperbesar ukuran batch: Untuk mengatasi masalah latensi, salah satu pendekatan umum adalah meningkatkan ukuran batch agar lebih banyak data dapat diproses secara paralel. Namun, ada batasan praktis dalam memperbesar ukuran batch, seperti kapasitas memori yang tidak mencukupi, dan seiring bertambahnya ukuran batch, keuntungan marjinal dari konvergensi model semakin menurun. Faktor-faktor ini membuatnya semakin sulit untuk mengimbangi latensi dengan meningkatkan ukuran batch.
Dasar
Segitiga AI Terdesentralisasi
Berbagai batasan yang dihadapi AI saat ini (seperti kelangkaan data, batasan kemampuan komputasi, masalah latensi, dan kemampuan produksi chip) bersama-sama membentuk "segitiga AI terdesentralisasi". Kerangka ini berusaha mencapai keseimbangan antara privasi, verifikasi, dan kinerja. Ketiga atribut ini adalah elemen inti untuk memastikan efektivitas, kepercayaan, dan skalabilitas sistem AI terdesentralisasi.
Tabel berikut menganalisis secara mendetail trade-off kunci antara privasi, verifikasi, dan kinerja, menyelidiki definisi masing-masing, teknologi yang diimplementasikan, dan tantangan yang dihadapi:
Privasi: Dalam proses pelatihan dan inferensi AI, melindungi data sensitif adalah hal yang sangat penting. Untuk itu, berbagai teknologi kunci digunakan, termasuk lingkungan eksekusi tepercaya (TEE), komputasi multi-pihak (MPC), pembelajaran federasi, enkripsi homomorfik penuh (FHE), dan privasi diferensial. Meskipun teknologi ini efektif, mereka juga menghadirkan tantangan seperti beban kinerja, masalah transparansi yang memengaruhi verifikasi, dan keterbatasan skalabilitas.
Verifikasi: Untuk memastikan kebenaran dan integritas komputasi, teknologi seperti pembuktian nol-pengetahuan (ZKP), bukti terenkripsi, dan komputasi yang dapat diverifikasi digunakan. Namun, mencapai keseimbangan antara privasi dan kinerja dengan verifikasi sering kali memerlukan sumber daya dan waktu tambahan, yang dapat menyebabkan keterlambatan dalam komputasi.
Kinerja: Melaksanakan komputasi AI secara efisien dan mencapai aplikasi berskala besar bergantung pada infrastruktur komputasi terdistribusi, akselerasi perangkat keras, dan koneksi jaringan yang efisien. Namun, penerapan teknologi yang meningkatkan privasi dapat memperlambat kecepatan komputasi, dan komputasi yang dapat diverifikasi juga akan menambah beban tambahan.
Dilema trilema blockchain:
Tantangan inti yang dihadapi di bidang blockchain adalah dilema trilema, di mana setiap sistem blockchain harus menyeimbangkan antara tiga hal berikut:
Desentralisasi: Mencegah kontrol sistem oleh entitas tunggal dengan mendistribusikan jaringan di banyak node independen.
Keamanan: Memastikan jaringan terlindungi dari serangan dan menjaga integritas data, yang seringkali memerlukan lebih banyak proses verifikasi dan konsensus.
Skalabilitas: Memproses sejumlah besar transaksi dengan cepat dan ekonomis, namun ini sering berarti kompromi dalam desentralisasi (mengurangi jumlah node) atau keamanan (mengurangi kekuatan verifikasi).
Misalnya, Ethereum lebih mengutamakan desentralisasi dan keamanan, sehingga kecepatan pemrosesan transaksinya relatif lambat. Pemahaman mendalam tentang trade-off ini dalam arsitektur blockchain dapat ditemukan dalam literatur terkait.
Matriks Analisis Kolaborasi AI-Blockchain (3x3)
Kombinasi AI dan blockchain adalah proses kompleks yang melibatkan trade-off dan peluang. Matriks ini menunjukkan di mana dua teknologi ini mungkin mengalami gesekan, menemukan titik keselarasan, dan kadang-kadang memperbesar kelemahan masing-masing.
Cara kerja matriks kolaborasi
Kekuatan kolaborasi mencerminkan kompatibilitas dan pengaruh atribut blockchain dan AI di bidang tertentu. Secara khusus, ini tergantung pada bagaimana kedua teknologi saling menghadapi tantangan dan meningkatkan fungsinya satu sama lain. Misalnya, dalam hal privasi data, ketidakberubahan blockchain dan kemampuan pengolahan data AI dapat menghasilkan solusi baru.
Cara kerja matriks kolaborasi
Contoh 1: Kinerja + Desentralisasi (kolaborasi lemah)
Dalam jaringan terdesentralisasi, seperti Bitcoin atau Ethereum, kinerja sering kali dibatasi oleh berbagai faktor. Pembatasan ini termasuk variabilitas sumber daya node, latensi komunikasi yang tinggi, biaya pemrosesan transaksi, dan kompleksitas mekanisme konsensus. Untuk aplikasi AI yang memerlukan latensi rendah dan throughput tinggi (misalnya inferensi AI waktu nyata atau pelatihan model skala besar), jaringan ini sulit untuk memberikan kecepatan dan keandalan komputasi yang memadai untuk memenuhi kebutuhan kinerja tinggi.
Contoh 2: Privasi + Desentralisasi (kolaborasi kuat)
Teknologi AI yang melindungi privasi (seperti pembelajaran federasi) dapat memanfaatkan sepenuhnya karakteristik desentralisasi blockchain, memungkinkan kolaborasi yang efisien sambil tetap melindungi data pengguna. Misalnya, SoraChain AI menawarkan solusi melalui pembelajaran federasi yang didukung blockchain, memastikan bahwa hak kepemilikan data tidak dirampas. Pemilik data dapat memberikan data berkualitas tinggi untuk pelatihan model tanpa mengorbankan privasi, mencapai keuntungan ganda antara privasi dan kolaborasi.
Tujuan dari matriks ini adalah untuk membantu industri memahami dengan jelas titik pertemuan antara AI dan blockchain, membimbing inovator dan investor untuk memprioritaskan arah yang dapat dilaksanakan, menjelajahi bidang yang memiliki potensi, sekaligus menghindari terjebak dalam proyek yang hanya bersifat spekulatif.
Matriks Kolaborasi AI-Blockchain
Dua sumbu matriks kolaborasi masing-masing mewakili atribut yang berbeda: satu sumbu adalah tiga karakteristik inti dari sistem AI terdesentralisasi - verifikasi, privasi, dan kinerja; sumbu lainnya adalah tiga dilema blockchain - keamanan, skalabilitas, dan desentralisasi. Ketika atribut-atribut ini saling berpotongan, akan terbentuk serangkaian efek kolaborasi, dari kecocokan yang tinggi hingga konflik potensial.
Misalnya, ketika verifikasi dan keamanan digabungkan (kolaborasi tinggi), sistem yang kuat dapat dibangun untuk membuktikan kebenaran dan integritas perhitungan AI. Namun, ketika kebutuhan kinerja bertentangan dengan desentralisasi (kolaborasi rendah), biaya tinggi dari sistem terdistribusi akan secara signifikan memengaruhi efisiensi. Selain itu, beberapa kombinasi (seperti privasi dan skalabilitas) berada di tengah, memiliki potensi dan menghadapi tantangan teknis yang kompleks.
Mengapa ini penting?
Kompas Strategis: Matriks ini memberikan arah yang jelas bagi pengambil keputusan, peneliti, dan pengembang, membantu mereka fokus pada bidang kolaborasi tinggi, seperti memastikan privasi data melalui pembelajaran federasi, atau menggunakan komputasi terdesentralisasi untuk mencapai pelatihan AI yang skalabel.
Fokus pada inovasi berpengaruh dan alokasi sumber daya: Memahami distribusi kekuatan kolaborasi (seperti keamanan + verifikasi, privasi + desentralisasi) membantu pemangku kepentingan untuk memusatkan sumber daya pada bidang yang bernilai tinggi, menghindari pemborosan pada integrasi yang lemah atau tidak realistis.
Mengarahkan evolusi ekosistem: Seiring perkembangan teknologi AI dan blockchain, matriks ini dapat berfungsi sebagai alat dinamis untuk mengevaluasi proyek-proyek baru, memastikan bahwa mereka memenuhi kebutuhan praktis, dan tidak memperburuk tren spekulasi yang berlebihan.
Tabel berikut merangkum kombinasi atribut ini berdasarkan kekuatan kolaborasi (dari kuat hingga lemah) dan menjelaskan bagaimana mereka beroperasi dalam sistem AI terdesentralisasi. Selain itu, tabel ini juga memberikan beberapa contoh proyek inovatif yang menunjukkan aplikasi kombinasi ini di dunia nyata. Melalui tabel ini, pembaca dapat lebih memahami titik pertemuan antara teknologi blockchain dan AI, mengidentifikasi bidang yang benar-benar berpengaruh, sambil menghindari arah yang terlalu dibesar-besarkan atau tidak layak secara teknis.
Matriks Kolaborasi AI-Blockchain: Mengkategorikan titik-titik pertemuan kunci antara teknologi AI dan blockchain berdasarkan kekuatan kolaborasi
Kesimpulan
Kombinasi blockchain dan AI menyimpan potensi transformasi yang besar, tetapi perkembangan di masa depan memerlukan arah yang jelas dan upaya yang terfokus. Proyek yang benar-benar mendorong inovasi sedang membentuk masa depan kecerdasan terdesentralisasi dengan mengatasi tantangan kunci seperti privasi data, skalabilitas, dan kepercayaan. Misalnya, pembelajaran federasi (privasi + desentralisasi) mewujudkan kolaborasi dengan melindungi data pengguna, komputasi terdistribusi dan pelatihan (kinerja + skalabilitas) meningkatkan efisiensi sistem AI, sementara zkML (pembelajaran mesin nol-pengetahuan, verifikasi + keamanan) menjamin keandalan perhitungan AI.
Pada saat yang sama, kita juga perlu melihat bidang ini dengan sikap hati-hati. Banyak dari apa yang disebut entitas AI sebenarnya hanya pengemasan sederhana dari model yang ada, dengan fungsi terbatas, dan kombinasi dengan blockchain juga kurang mendalam. Terobosan yang nyata akan muncul dari proyek-proyek yang memanfaatkan sepenuhnya keunggulan masing-masing dari blockchain dan AI, serta berkomitmen untuk menyelesaikan masalah nyata, bukan hanya mengejar produk yang diperdagangkan di pasar.
Melihat ke depan, matriks kolaborasi AI-Blockchain akan menjadi alat penting untuk menilai proyek, yang dapat membantu pengambil keputusan membedakan inovasi yang benar-benar berpengaruh dari kebisingan yang tidak berarti.
Dekade mendatang akan menjadi milik proyek-proyek yang mampu menggabungkan keandalan tinggi dari blockchain dengan kemampuan transformasional AI untuk menyelesaikan masalah nyata. Misalnya, pelatihan model yang hemat energi akan secara signifikan mengurangi konsumsi energi sistem AI; kolaborasi yang melindungi privasi akan memberikan lingkungan yang lebih aman untuk berbagi data; dan tata kelola AI yang skalabel akan mendorong sistem cerdas yang lebih besar dan lebih efisien. Industri perlu fokus pada bidang kunci ini untuk benar-benar membuka masa depan kecerdasan terdesentralisasi.
