Autors: Swayam
Sagatavoja: ShenChao TechFlow
Mākslīgā intelekta (AI) straujā attīstība ir radījusi to, ka dažas lielas tehnoloģiju kompānijas ir ieguvušas līdz šim nepieredzētas skaitļošanas jaudas, datu resursus un algoritmu tehnoloģijas. Tomēr, kad AI sistēmas pakāpeniski integrējas mūsu sabiedrībā, jautājumi par pieejamību, caurredzamību un kontroli ir kļuvuši par centrālām tēmām tehnoloģiju un politikas diskusijās. Šādā kontekstā blokķēdes tehnoloģiju un AI apvienojums piedāvā mums alternatīvu ceļu, kas ir vērts izpētīt - veidu, kas varētu pārdefinēt AI sistēmu izstrādi, izvietošanu, mērogošanu un pārvaldību.
Mēs necenšamies pilnībā apgāzt esošo AI infrastruktūru, bet ceram, ka, analizējot, izpētīsim, kādās konkrētās pielietojuma gadījumos decentralizētas pieejas var dot unikālas priekšrocības. Tajā pašā laikā mēs arī atzīsim, ka noteiktos apstākļos tradicionālas centralizētas sistēmas var joprojām būt praktiskāks risinājums.
Seši galvenie jautājumi ir vadījuši mūsu pētījumus:
Vai decentralizēto sistēmu pamatīpašības (piemēram, caurredzamība, pretcenzūra) var saskanēt ar mūsdienu AI sistēmu prasībām (piemēram, efektivitāte, mērogojamība), vai tās radīs pretrunas?
Kādās jomās blokķēdes tehnoloģija var sniegt būtiskas uzlabojumus AI izstrādes visos posmos - no datu vākšanas līdz modeļa apmācībai un secinājumiem?
Decentralizēto AI sistēmu projektēšanā, kādas tehniskās un ekonomiskās līdzsvaru dilemmas var rasties dažādos posmos?
AI tehnoloģiju kaudzes pašreizējie ierobežojumi
Epoch AI komanda ir sniegusi nozīmīgu ieguldījumu, analizējot pašreizējos AI tehnoloģiju kaudzes ierobežojumus. Viņu pētījums sīki izskaidro galvenos ierobežojumus, ar kuriem var saskarties AI apmācības skaitļošanas jaudas paplašināšana līdz 2030. gadam, izmantojot flotācijas punktu operācijas sekundē (FLoPs) kā centrālo rādītāju skaitļošanas veiktspēju.
Pētījumi rāda, ka AI apmācības skaitļošanas mērogojamību var ierobežot vairāki faktori, tostarp nepietiekama elektroapgāde, mikroshēmu ražošanas tehnoloģiju šaurās vietas, datu trūkums un tīkla aizkavēšanās problēmas. Šie faktori katrs nosaka dažādas augšējās robežas, kur aizkavēšanās problēma tiek uzskatīta par grūtāk pārvaramu teorētisko ierobežojumu.
Šis grafiks uzsver aparatūras, energoefektivitātes, datu atbloķēšanas no malas ierīcēm un tīkla uzlabojumu nepieciešamību, lai atbalstītu nākotnes mākslīgā intelekta izaugsmi.
Elektroapgādes ierobežojumi (veiktspēja):
Elektroapgādes infrastruktūras paplašināšanas iespējamība (prognoze 2030. gadam): Prognozē, ka līdz 2030. gadam datu centru parku jauda varētu sasniegt no 1 līdz 5 gigavatu (GW). Tomēr šis pieaugums prasa plašu ieguldījumu elektroapgādes infrastruktūrā, kā arī jānovērš iespējamās loģistikas un regulatīvās barjeras.
Enerģijas piegādes un elektroapgādes infrastruktūras ierobežojumu dēļ, globālās skaitļošanas jaudas paplašināšanas augšējā robeža varētu sasniegt pašreizējo līmeni 10,000 reizes.
Mikroshēmu ražošanas jauda (pārbaudāmība):
Pašlaik uzlaboto skaitļošanas mikroshēmu (piemēram, NVIDIA H100, Google TPU v5) ražošana ir ierobežota ar iepakošanas tehnoloģijām (piemēram, TSMC CoWoS tehnoloģija). Šis ierobežojums tieši ietekmē pārbaudāmās skaitļošanas pieejamību un mērogojamību.
Mikroshēmu ražošanas un piegādes ķēdes šaurās vietas ir galvenie šķēršļi, bet joprojām var sasniegt skaitļošanas jaudu līdz 50,000 reizēm.
Turklāt uzlaboti mikroshēmas nodrošina drošu izolācijas zonu vai uzticamu izpildes vidi (Trusted Execution Environments, TEEs) malas ierīcēs. Šīs tehnoloģijas ne tikai var pārbaudīt skaitļošanas rezultātus, bet arī aizsargāt sensitīvos datus skaitļošanas procesa laikā.
Datu trūkums (privātums):
Aizkavēšanās barjeras (veiktspēja):
Modeļa apmācības inherentās aizkavēšanas ierobežojumi: Ar AI modeļu apjomiem pieaugot, skaitļošanas procesa secīgums būtiski palielina laiku, kas nepieciešams vienai priekšu un atpakaļ propagācijai. Šī aizkavēšana ir pamatierobežojums modeļa apmācības procesā, kas tieši ietekmē apmācības ātrumu.
Paplašināšanās partijas lieluma izaicinājumi: Lai mazinātu aizkavēšanas problēmu, izplatīta pieeja ir palielināt partijas lielumu, ļaujot apstrādāt vairāk datus paralēli. Tomēr partijas lieluma paplašināšanai ir praktiski ierobežojumi, piemēram, atmiņas kapacitātes trūkums, un, palielinoties partijai, modeļa konverģences efektivitāte samazinās. Šie faktori padara aizkavēšanas kompensēšanu, palielinot partiju, arvien grūtāku.
Pamats
Decentralizēta AI trīsstūris
Dažādi ierobežojumi, ar kuriem AI pašlaik saskaras (piemēram, datu trūkums, skaitļošanas jaudas šaurās vietas, aizkavēšanas problēmas un mikroshēmu ražošanas jauda), kopā veido "decentralizēta AI trīsstūri". Šī struktūra cenšas panākt līdzsvaru starp privātumu, pārbaudāmību un veiktspēju. Šie trīs atribūti ir galvenie elementi, kas nodrošina decentralizētu AI sistēmu efektivitāti, uzticamību un mērogojamību.
Šajā tabulā sīki analizēti privātuma, pārbaudāmības un veiktspējas starpā notiekošie galvenie līdzsvari, padziļināti izpētot katra definīcijas, īstenošanas tehnoloģijas un tās saskaras izaicinājumus:
Privātums: AI apmācības un secinājumu procesā ir svarīgi aizsargāt sensitīvos datus. Tāpēc tiek izmantotas dažādas galvenās tehnoloģijas, ieskaitot uzticamas izpildes vides (TEEs), vairākas puses skaitļošanu (MPC), federālo mācīšanos, pilnīgu homomorfisko šifrēšanu (FHE) un diferenciālo privātumu. Šīs tehnoloģijas, lai arī efektīvas, rada veiktspējas izmaksas, caurredzamības problēmas, kas ietekmē pārbaudāmību, un ierobežojumus mērogojamībā.
Pārbaudāmība: Lai nodrošinātu aprēķinu pareizību un pilnīgumu, tiek izmantotas nulles zināšanu pierādījumi (ZKP), šifrēti sertifikāti un pārbaudāma skaitļošana. Tomēr līdzsvara panākšana starp privātumu un veiktspēju ar pārbaudāmību bieži prasa papildu resursus un laiku, kas var izraisīt skaitļošanas aizkavēšanos.
Veiktspēja: Efektīvi veikt AI aprēķinus un īstenot plaša mēroga lietojumus, balstoties uz izkliedētu skaitļošanas infrastruktūru, aparatūras paātrināšanu un efektīvu tīkla savienojumu. Tomēr privātumu uzlabojošu tehnoloģiju izmantošana var palēnināt skaitļošanas ātrumu, savukārt pārbaudāmā skaitļošana var palielināt papildu izdevumus.
Blokķēdes trīs grūtību dilemmu:
Blokķēdes jomā saskaras ar galvenajiem izaicinājumiem, ko sauc par trīs grūtību dilemmu, katrai blokķēdes sistēmai ir jābalansē starp šīm trim:
Decentralizācija: Novēršot jebkuras vienas entitātes kontroli pār sistēmu, izplatot tīklu vairāku neatkarīgu mezglu starpā.
Drošība: Nodrošinot tīkla aizsardzību pret uzbrukumiem un saglabājot datu integritāti, parasti nepieciešamie vairāk verifikācijas un konsensa procesi.
Mērogojamība: Ātri un ekonomiski apstrādājot lielu darījumu apjomu, taču tas parasti nozīmē kompromisu starp decentralizāciju (samazinot mezglu skaitu) vai drošību (samazinot verifikācijas intensitāti).
Piemēram, Ethereum prioritizē decentralizāciju un drošību, tādēļ tā darījumu apstrādes ātrums ir relatīvi lēns. Par šiem kompromisiem blokķēdes arhitektūrā varat izlasīt attiecīgajā literatūrā.
AI-blokķēdes sadarbības analīzes matrica (3x3)
AI un blokķēdes apvienojums ir sarežģīts līdzsvaru un iespēju process. Šī matrica parāda, kur šīs divas tehnoloģijas var radīt berzi, atrast harmoniskus saskares punktus un reizēm pastiprināt viena otras vājās vietas.
Sadarbības matricas darbības princips
Sadarbības intensitāte atspoguļo blokķēdes un AI atribūtu saderību un ietekmi konkrētās jomās. Proti, tas atkarīgs no tā, kā divas tehnoloģijas kopā risina izaicinājumus un uzlabo viena otras funkcijas. Piemēram, datu privātuma jomā blokķēdes nemaināmība un AI datu apstrādes spējas apvienojums varētu radīt jaunus risinājumus.
Sadarbības matricas darbības princips
Piemērs 1: Veiktspēja + decentralizācija (vāja sadarbība)
Decentralizētās tīklos, piemēram, Bitcoin vai Ethereum, veiktspēju bieži ierobežo vairāki faktori. Šie ierobežojumi ietver mezglu resursu svārstības, augstas komunikācijas aizkavēšanās, darījumu apstrādes izmaksas un konsensusa mehānisma sarežģītību. AI lietojumprogrammām, kurām nepieciešama zema aizkavēšanās un augsts caurlaidspēja (piemēram, reāllaika AI secinājumi vai plaša mēroga modeļu apmācība), šie tīkli grūti nodrošina pietiekamu ātrumu un skaitļošanas uzticamību, lai apmierinātu augstas veiktspējas prasības.
Piemērs 2: Privātums + decentralizācija (stipra sadarbība)
Privātumu aizsargājošas AI tehnoloģijas (piemēram, federālā mācīšanās) spēj pilnībā izmantot blokķēdes decentralizēto raksturu, nodrošinot efektīvu sadarbību, vienlaikus aizsargājot lietotāju datus. Piemēram, SoraChain AI piedāvā risinājumu, izmantojot blokķēdes atbalstītu federālo mācīšanos, nodrošinot, ka datu īpašumtiesības netiek atņemtas. Datu īpašnieki var sniegt augstas kvalitātes datus modeļa apmācībai, saglabājot privātumu un panākot divkāršu uzvaru starp privātumu un sadarbību.
Šīs matricas mērķis ir palīdzēt nozarei skaidri saprast AI un blokķēdes saskares punktus, vadot inovatorus un investorus prioritizēt tos virzienus, kas ir reāli realizējami, izpētīt potenciālās jomas, vienlaikus izvairoties no iegrimšanas tīri spekulatīvos projektos.
AI-blokķēdes sadarbības matrica
Sadarbības matricas divas ass attēlo dažādas īpašības: viena ass ir trīs galvenās īpašības decentralizētām AI sistēmām - pārbaudāmība, privātums un veiktspēja; otra ass ir blokķēdes trīs grūtību dilemmu - drošība, mērogojamība un decentralizācija. Kad šīs īpašības krustojas, tās veido virkni sadarbības efektu, no augsta saskaņojuma līdz potenciāliem konfliktiem.
Piemēram, kad pārbaudāmība tiek apvienota ar drošību (augsta sadarbība), var izveidot spēcīgas sistēmas, lai pierādītu AI aprēķinu pareizību un pilnīgumu. Bet, kad veiktspējas prasības konfliktē ar decentralizāciju (zema sadarbība), izkliedētās sistēmas augstās izmaksas būtiski ietekmē efektivitāti. Turklāt dažas kombinācijas (piemēram, privātums un mērogojamība) atrodas vidējā zonā, tām ir potenciāls, bet arī sarežģīti tehniskie izaicinājumi.
Kāpēc tas ir svarīgi?
Stratēģiskais kompass: Šī matrica sniedz lēmumu pieņēmējiem, pētniekiem un izstrādātājiem skaidru virzienu, palīdzot viņiem koncentrēties uz augstas sadarbības jomām, piemēram, nodrošinot datu privātumu, izmantojot federālo mācīšanos, vai izmantojot decentralizētu skaitļošanu, lai īstenotu mērogojamu AI apmācību.
Fokuss uz ietekmīgām inovācijām un resursu sadalījumu: Sapratne par sadarbības intensitātes sadalījumu (piemēram, drošība + pārbaudāmība, privātums + decentralizācija) palīdz ieinteresētajām pusēm koncentrēt resursus augstas vērtības jomās, izvairoties no izšķērdēšanas vājā sadarbībā vai nereālistiskā integrācijā.
Ekosistēmas attīstības vadība: Ar AI un blokķēdes tehnoloģiju nepārtrauktu attīstību šī matrica var kalpot kā dinamiskais rīks, lai novērtētu jaunizveidotos projektus, nodrošinot, ka tie atbilst reālajām vajadzībām, nevis veicina pārmērīgu spekulāciju.
Šajā tabulā ir apkopoti šie atribūtu kombinācijas pēc sadarbības intensitātes (no stipras līdz vājas), un izskaidrot, kā tās darbojas decentralizētās AI sistēmās. Tajā pašā laikā tabula piedāvā dažus inovāciju projektu piemērus, demonstrējot šo kombināciju pielietojumu reālajā pasaulē. Šī tabula ļauj lasītājiem intuitīvāk saprast blokķēdes un AI tehnoloģiju saskares punktus, identificējot patiesi ietekmīgas jomas, vienlaikus izvairoties no pārmērīgas spekulācijas vai tehniski neiespējamiem virzieniem.
AI-blokķēdes sadarbības matrica: AI un blokķēdes tehnoloģiju galveno saskares punktu klasifikācija pēc sadarbības intensitātes
Secinājumi
Blokķēdes un AI apvienojums satur milzīgu pārmaiņu potenciālu, taču nākotnes attīstība prasa skaidru virzienu un koncentrētu darbu. Patiesi inovāciju virzoši projekti veido decentralizētu inteliģenci, risinot tādas galvenās problēmas kā datu privātums, mērogojamība un uzticība. Piemēram, federālā mācīšanās (privātums + decentralizācija) nodrošina sadarbību, aizsargājot lietotāju datus, izkliedētā skaitļošana un apmācība (veiktspēja + mērogojamība) uzlabo AI sistēmu efektivitāti, savukārt zkML (nulles zināšanu mašīnmācība, pārbaudāmība + drošība) nodrošina AI aprēķinu ticamību.
Tajā pašā laikā mums ir jāizturas piesardzīgi pret šo jomu. Daudzas tā sauktās AI inteliģences patiesībā ir tikai esošo modeļu vienkāršotas iepakojums ar ierobežotām funkcijām, un to apvienojums ar blokķēdi ir bez dziļuma. Patiesi pārsteidzoši sasniegumi nāks no projektiem, kas pilnībā izmanto blokķēdes un AI katras priekšrocības un koncentrējas uz reālu problēmu risināšanu, nevis tikai tirgus spekulācijas izsekošanu.
Skatoties uz nākotni, AI-blokķēdes sadarbības matrica kļūs par svarīgu rīku projektu novērtēšanai, efektīvi palīdzot lēmumu pieņēmējiem atšķirt patiesi ietekmīgus inovācijas no bezjēdzīga troņa.
Nākamajās desmit gados uzvarēs tie projekti, kas spēs apvienot blokķēdes augsto uzticamību un AI pārveidojošo spēju, lai risinātu reālas problēmas. Piemēram, energoefektīva modeļa apmācība ievērojami samazinās AI sistēmu enerģijas patēriņu; privātumu aizsargājoša sadarbība nodrošinās drošāku vidi datu koplietošanai; un mērogojama AI pārvaldība veicinās lielāku, efektīvāku inteliģentu sistēmu īstenošanu. Nozarei jāfokusējas uz šīm galvenajām jomām, lai patiešām uzsāktu decentralizētas inteliģences nākotni.
