Penulis: Swayam
Kompilasi: TechFlow Shenchao
Perkembangan cepat kecerdasan buatan (AI) telah memberikan beberapa perusahaan teknologi besar kemampuan komputasi, sumber daya data, dan teknik algoritma yang belum pernah terjadi sebelumnya. Namun, seiring sistem AI semakin terintegrasi ke dalam masyarakat kita, isu tentang aksesibilitas, transparansi, dan kontrol telah menjadi topik inti dalam diskusi teknologi dan kebijakan. Dalam konteks ini, kombinasi teknologi blockchain dan AI menawarkan jalur alternatif yang layak untuk dieksplorasi—suatu cara yang mungkin mendefinisikan ulang pengembangan, penerapan, perluasan, dan tata kelola sistem AI.
Kami tidak berusaha untuk sepenuhnya menggulingkan infrastruktur AI yang ada, tetapi berharap bahwa melalui analisis, kami dapat mengeksplorasi 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 berikut membimbing penelitian kami:
Apakah karakteristik inti dari sistem terdesentralisasi (seperti transparansi, ketahanan terhadap sensor) dapat saling melengkapi dengan kebutuhan sistem AI modern (seperti efisiensi, skalabilitas), atau justru akan menimbulkan konflik?
Dalam setiap tahap pengembangan AI—dari pengumpulan data hingga pelatihan model dan inferensi—di mana teknologi blockchain dapat memberikan perbaikan substantif?
Dalam desain sistem AI terdesentralisasi, tantangan teknis dan ekonomi apa yang mungkin dihadapi di berbagai tahap?
Batasan saat ini dalam tumpukan teknologi AI
Tim Epoch AI telah memberikan kontribusi signifikan dalam menganalisis batasan tumpukan teknologi AI saat ini. Penelitian mereka merinci kendala utama yang mungkin dihadapi dalam perluasan kemampuan komputasi pelatihan AI hingga tahun 2030, menggunakan jumlah operasi float per detik (Floating Point Operations per Second, FLoPs) sebagai indikator inti untuk mengukur kinerja komputasi.
Penelitian menunjukkan bahwa perluasan komputasi pelatihan AI mungkin dibatasi oleh berbagai faktor, termasuk pasokan listrik yang tidak memadai, kendala dalam teknologi pembuatan 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 teori yang paling sulit untuk dilampaui.
Grafik ini menekankan pentingnya kemajuan dalam perangkat keras, efisiensi energi, membuka data yang ditangkap di perangkat edge, serta aspek jaringan untuk mendukung pertumbuhan kecerdasan buatan di masa depan.
Batasan daya (kinerja):
Kelayakan perluasan infrastruktur listrik (prediksi 2030): Diperkirakan bahwa kapasitas pusat data akan mencapai 1 hingga 5 gigawatt (GW) pada tahun 2030. Namun, pertumbuhan ini memerlukan investasi besar-besaran dalam infrastruktur listrik, serta mengatasi kemungkinan rintangan logistik dan regulasi.
Karena terbatasnya pasokan energi dan infrastruktur listrik, batas atas perluasan kapasitas komputasi global mungkin mencapai 10.000 kali tingkat saat ini.
Kemampuan produksi chip (verifiabilitas):
Saat ini, produksi chip yang mendukung komputasi tingkat tinggi (seperti NVIDIA H100, Google TPU v5) dibatasi oleh teknologi pengemasan (seperti teknologi CoWoS TSMC). Pembatasan ini secara langsung mempengaruhi ketersediaan dan skalabilitas komputasi yang dapat diverifikasi.
Kendala dalam pembuatan chip dan rantai pasokan adalah hambatan utama, namun masih memungkinkan untuk mencapai peningkatan kapasitas komputasi hingga 50.000 kali.
Selain itu, chip canggih di perangkat edge mengaktifkan zona isolasi yang aman atau lingkungan eksekusi tepercaya (Trusted Execution Environments, TEEs) sangat penting. Teknologi ini tidak hanya dapat memverifikasi hasil komputasi tetapi juga melindungi privasi data sensitif selama proses komputasi.
Kelangkaan data (privasi):
Hambatan latensi (kinerja):
Batasan latensi yang melekat dalam pelatihan model: Seiring semakin besarnya skala model AI, waktu yang diperlukan untuk propagasi maju dan mundur secara signifikan meningkat karena urutan proses komputasi. Latensi ini adalah batasan mendasar yang tidak dapat dihindari dalam proses pelatihan model, yang secara langsung mempengaruhi kecepatan pelatihan.
Tantangan dalam memperbesar ukuran batch: Untuk mengurangi masalah latensi, salah satu metode umum adalah meningkatkan ukuran batch, sehingga lebih banyak data dapat diproses secara paralel. Namun, ada batasan praktis dalam memperbesar ukuran batch, seperti kapasitas memori yang tidak memadai, serta penurunan hasil marginal konvergensi model seiring dengan meningkatnya ukuran batch. Faktor-faktor ini membuat semakin sulit untuk mengimbangi latensi dengan meningkatkan batch.
Dasar
Segitiga AI terdesentralisasi
Berbagai batasan yang dihadapi AI saat ini (seperti kelangkaan data, kendala kemampuan komputasi, masalah latensi, dan kemampuan produksi chip) secara bersama-sama membentuk 'segitiga AI terdesentralisasi'. Kerangka ini berusaha mencapai keseimbangan antara privasi, verifiabilitas, dan kinerja. Ketiga atribut ini adalah elemen inti untuk memastikan efektivitas, keandalan, dan skalabilitas sistem AI terdesentralisasi.
Tabel berikut menganalisis secara rinci kompromi kunci antara privasi, verifiabilitas, dan kinerja, serta menggali definisi masing-masing, teknik implementasi, dan tantangan yang dihadapi:
Privasi: Dalam proses pelatihan dan inferensi AI, melindungi data sensitif sangat penting. Untuk itu, berbagai teknik kunci digunakan, termasuk lingkungan eksekusi tepercaya (TEEs), komputasi multi-pihak (MPC), pembelajaran federasi, enkripsi homomorfik penuh (FHE), dan privasi diferensial. Meskipun teknik ini efektif, mereka juga membawa biaya kinerja, masalah transparansi yang mempengaruhi verifiabilitas, serta tantangan terkait skalabilitas.
Verifiabilitas: Untuk memastikan kebenaran dan integritas komputasi, digunakan berbagai teknik seperti bukti nol pengetahuan (ZKP), credential terenkripsi, dan komputasi yang dapat diverifikasi. Namun, mencapai keseimbangan antara privasi dan kinerja dengan verifiabilitas sering kali memerlukan sumber daya dan waktu tambahan, yang dapat menyebabkan keterlambatan dalam komputasi.
Kinerja: Menjalankan komputasi AI secara efisien dan mencapai aplikasi berskala besar, bergantung pada infrastruktur komputasi terdistribusi, akselerasi perangkat keras, dan koneksi jaringan yang efisien. Namun, penggunaan teknologi peningkatan privasi dapat memperlambat kecepatan komputasi, sementara komputasi yang dapat diverifikasi juga akan menambah biaya tambahan.
Trilema blockchain:
Tantangan inti yang dihadapi bidang blockchain adalah trilema, di mana setiap sistem blockchain harus menyeimbangkan antara ketiga hal berikut:
Terdesentralisasi: Mencegah kontrol entitas tunggal terhadap sistem dengan mendistribusikan jaringan di antara beberapa node independen.
Keamanan: Memastikan jaringan terlindungi dari serangan dan menjaga integritas data, biasanya membutuhkan lebih banyak proses verifikasi dan konsensus.
Skalabilitas: Menangani sejumlah besar transaksi dengan cepat dan ekonomis, namun ini sering kali berarti kompromi dalam terdesentralisasi (mengurangi jumlah node) atau keamanan (mengurangi kekuatan verifikasi).
Misalnya, Ethereum mengutamakan terdesentralisasi dan keamanan, sehingga kecepatan pemrosesan transaksinya relatif lambat. Pemahaman mendalam tentang kompromi ini dalam arsitektur blockchain dapat ditemukan dalam literatur terkait.
Matriks analisis kolaborasi AI-blockchain (3x3)
Kombinasi AI dan blockchain adalah proses tawar-menawar yang kompleks dan penuh peluang. Matriks ini menunjukkan di mana kedua 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 dalam bidang tertentu. Secara spesifik, ia tergantung pada bagaimana kedua teknologi ini bersama-sama menghadapi tantangan dan meningkatkan fungsi masing-masing. Misalnya, dalam hal privasi data, ketidakubah blockchain yang tidak dapat diubah dapat dipadukan dengan kemampuan pemrosesan data AI, yang mungkin menghasilkan solusi baru.
Cara kerja matriks kolaborasi
Contoh 1: Kinerja + Terdesentralisasi (kolaborasi lemah)
Dalam jaringan terdesentralisasi, seperti Bitcoin atau Ethereum, kinerja sering kali dibatasi oleh berbagai faktor. Pembatasan ini termasuk volatilitas sumber daya node, latensi komunikasi yang tinggi, biaya pemrosesan transaksi, dan kompleksitas mekanisme konsensus. Untuk aplikasi AI yang memerlukan latensi rendah dan throughput tinggi (seperti inferensi AI real-time atau pelatihan model berskala besar), jaringan ini sulit untuk memberikan kecepatan dan keandalan komputasi yang cukup untuk memenuhi kebutuhan kinerja tinggi.
Contoh 2: Privasi + Terdesentralisasi (kolaborasi kuat)
Teknologi AI yang melindungi privasi (seperti pembelajaran federasi) dapat memanfaatkan sifat terdesentralisasi blockchain secara maksimal, mencapai kolaborasi yang efisien sambil melindungi data pengguna. Misalnya, SoraChain AI menyediakan solusi melalui pembelajaran federasi yang didukung oleh blockchain, memastikan hak kepemilikan data tidak dirampas. Pemilik data dapat menyumbangkan data berkualitas tinggi untuk pelatihan model dengan tetap menjaga privasi, sehingga mencapai kemenangan ganda antara privasi dan kolaborasi.
Tujuan matriks ini adalah untuk membantu industri memahami dengan jelas titik pertemuan antara AI dan blockchain, membimbing inovator dan investor untuk memprioritaskan arah yang praktis, menjelajahi bidang yang memiliki potensi, sambil menghindari terjebak dalam proyek yang hanya bersifat spekulatif.
Matriks kolaborasi AI-blockchain
Dua sumbu matriks kolaborasi mewakili atribut yang berbeda: satu sumbu adalah tiga karakteristik inti dari sistem AI terdesentralisasi—verifiabilitas, privasi, dan kinerja; sumbu lainnya adalah trilema blockchain—keamanan, skalabilitas, dan terdesentralisasi. Ketika atribut-atribut ini saling berinteraksi, mereka membentuk serangkaian efek kolaboratif, dari keselarasan tinggi hingga konflik potensial.
Misalnya, ketika verifiabilitas dipadukan dengan keamanan (kolaborasi kuat), sistem yang kuat dapat dibangun untuk membuktikan kebenaran dan integritas komputasi AI. Namun, ketika kebutuhan kinerja bertentangan dengan terdesentralisasi (kolaborasi lemah), biaya tinggi dari sistem terdistribusi secara signifikan akan mempengaruhi efisiensi. Selain itu, beberapa kombinasi (seperti privasi dan skalabilitas) berada di zona tengah, memiliki potensi tetapi juga 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 memanfaatkan komputasi terdesentralisasi untuk pelatihan AI yang dapat diskalakan.
Fokus pada inovasi berpengaruh dan alokasi sumber daya: Memahami distribusi kekuatan kolaborasi (seperti keamanan + verifiabilitas, privasi + terdesentralisasi) membantu pemangku kepentingan mengonsentrasikan sumber daya pada bidang bernilai tinggi, menghindari pemborosan pada kolaborasi lemah atau integrasi yang tidak realistis.
Panduan untuk evolusi ekosistem: Seiring perkembangan terus menerus teknologi AI dan blockchain, matriks ini dapat berfungsi sebagai alat dinamis untuk menilai proyek yang muncul, memastikan bahwa mereka memenuhi kebutuhan nyata alih-alih memperburuk tren spekulatif.
Tabel berikut merangkum kombinasi atribut ini berdasarkan kekuatan kolaborasi (dari kuat ke lemah) dan menjelaskan bagaimana mereka beroperasi dalam sistem AI terdesentralisasi. Tabel ini juga menyediakan beberapa contoh proyek inovatif yang menunjukkan penerapan kombinasi ini dalam kenyataan. Melalui tabel ini, pembaca dapat lebih mudah memahami titik pertemuan antara teknologi blockchain dan AI, serta mengidentifikasi bidang yang benar-benar berpengaruh, sambil menghindari arah yang berlebihan atau tidak dapat direalisasikan secara teknis.
Matriks kolaborasi AI-blockchain: Mengkategorikan titik pertemuan kunci antara teknologi AI dan blockchain berdasarkan kekuatan kolaborasi
Kesimpulan
Kombinasi blockchain dan AI mengandung potensi perubahan yang besar, tetapi perkembangan di masa depan membutuhkan 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 + terdesentralisasi) mencapai kolaborasi dengan melindungi data pengguna, komputasi dan pelatihan terdistribusi (kinerja + skalabilitas) meningkatkan efisiensi sistem AI, sementara zkML (machine learning tanpa pengetahuan, verifiabilitas + keamanan) memberikan jaminan terhadap keandalan komputasi AI.
Sementara itu, kami juga perlu memandang bidang ini dengan sikap hati-hati. Banyak yang disebut sebagai entitas AI sebenarnya hanyalah kemasan sederhana dari model yang ada, dengan fungsi terbatas, dan kurang dalam kedalaman ketika digabungkan dengan blockchain. Terobosan sejati akan datang dari proyek-proyek yang memanfaatkan sepenuhnya keunggulan masing-masing blockchain dan AI, serta berkomitmen untuk menyelesaikan masalah nyata, bukan hanya mengejar produk yang terfokus pada spekulasi pasar.
Melihat ke depan, matriks kolaborasi AI-blockchain akan menjadi alat penting untuk menilai proyek, dengan kemampuan yang efektif membantu pengambil keputusan membedakan inovasi berpengaruh sejati dari kebisingan yang tidak berarti.
Dekade mendatang akan menjadi milik proyek-proyek yang mampu menggabungkan keandalan tinggi blockchain dengan kemampuan transformasional AI untuk memecahkan masalah nyata. Misalnya, pelatihan model yang hemat energi akan secara signifikan mengurangi konsumsi energi sistem AI; kolaborasi yang melindungi privasi akan menyediakan lingkungan yang lebih aman untuk berbagi data; dan tata kelola AI yang dapat diskalakan akan mendorong sistem cerdas yang lebih besar dan lebih efisien. Industri perlu fokus pada bidang-bidang kunci ini untuk benar-benar membuka masa depan kecerdasan terdesentralisasi.
