Matricea de colaborare AI-blocchain va deveni un instrument important pentru evaluarea proiectelor, capabil să ajute eficient decidenții să distingă inovațiile cu adevărat influente de zgomotul fără sens.
Autor: Swayam
Compilat de: TechFlow
Dezvoltarea rapidă a inteligenței artificiale (AI) a permis câtorva mari companii tehnologice să dețină o capacitate de calcul, resurse de date și tehnologii algoritmice fără precedent. Cu toate acestea, pe măsură ce sistemele AI devin din ce în ce mai integrate în societatea noastră, problemele de accesibilitate, transparență și control au devenit subiecte centrale de discuție tehnologică și politică. În acest context, combinația dintre tehnologia blockchain și AI ne oferă o cale alternativă demnă de explorat - o modalitate care ar putea redefini dezvoltarea, implementarea, scalarea și guvernarea sistemelor AI.
Nu intenționăm să răsturnăm complet infrastructura AI existentă, ci dorim să explorăm, prin analiză, avantajele unice pe care metodele descentralizate le pot aduce în anumite cazuri concrete. De asemenea, recunoaștem că în anumite contexte, sistemele centralizate tradiționale pot fi în continuare cea mai practică alegere.
Următoarele întrebări cheie au ghidat cercetarea noastră:
Dacă caracteristicile de bază ale sistemelor descentralizate (precum transparența, rezistența la cenzură) pot coexista cu cerințele sistemelor moderne de AI (precum eficiența, scalabilitatea), sau dacă vor genera contradicții?
În toate etapele dezvoltării AI - de la colectarea datelor, antrenarea modelului până la inferență - în ce mod poate blockchain-ul oferi îmbunătățiri substanțiale?
Ce compromisuri tehnologice și economice vor apărea în proiectarea sistemelor AI descentralizate?
Limitările actuale din stiva tehnologică AI
Echipa Epoch AI a adus contribuții semnificative în analiza limitărilor actuale ale stivei tehnologice AI. Cercetările lor detaliază principalele blocaje care ar putea apărea până în 2030 în extinderea capacității de calcul pentru antrenarea AI și folosesc numărul de operații în virgulă mobilă pe secundă (FLoPs) ca o măsură principală a performanței calculului.
Cercetările arată că extinderea capacității de calcul pentru antrenarea AI poate fi limitată de o varietate de factori, inclusiv lipsa de furnizare de energie, blocajele în tehnologia de producție a chip-urilor, raritatea datelor și problemele de latență a rețelei. Acești factori stabilesc limite diferite pentru capacitatea de calcul realizabilă, între care problema latenței este considerată cea mai dificil de depășit.
Acest grafic subliniază necesitatea progreselor în hardware, eficiența energetică, deblocarea datelor capturate pe dispozitivele de margine și în domeniul rețelelor pentru a susține creșterea viitoare a inteligenței artificiale.
Limitările energiei (performanță):
Fezabilitatea extinderii infrastructurii electrice (previziunea pentru 2030): Se estimează că, până în 2030, capacitatea parcurilor de centre de date ar putea ajunge la 1 până la 5 gigawați (GW). Totuși, această creștere va necesita investiții masive în infrastructura electrică și va trebui să depășească posibile obstacole logistice și de reglementare.
Limitată de furnizarea de energie și infrastructura electrică, se estimează că limita superioară a extinderii capacității de calcul la nivel global ar putea atinge de 10.000 de ori nivelul actual.
Capacitatea de producție a chip-urilor (verificabilitate):
În prezent, producția chip-urilor folosite pentru susținerea calculului avansat (precum NVIDIA H100, Google TPU v5) este limitată de tehnologia de ambalare (precum tehnologia CoWoS a TSMC). Această limitare afectează direct disponibilitatea și scalabilitatea calculului verificabil.
Blocajele în producția de chip-uri și lanțul de aprovizionare sunt principalele obstacole, dar totuși ar putea fi realizată o creștere a capacității de calcul de până la 50.000 de ori.
În plus, activarea zonelor de izolare de securitate sau a mediilor de execuție de încredere (TEEs) pe chip-urile avansate pe dispozitivele de margine este esențială. Aceste tehnologii nu doar că pot verifica rezultatele calculului, ci și protejează confidențialitatea datelor sensibile în timpul procesului de calcul.
Raritatea datelor (confidențialitate):
Bariera de latență (performanță):
Limitările inerente ale întârzierii în antrenarea modelului: Pe măsură ce dimensiunea modelului AI continuă să crească, timpul necesar pentru o propagare înainte și o propagare înapoi devine semnificativ mai mare din cauza secvențialității procesului de calcul. Această întârziere este o limitare fundamentală care nu poate fi ocolită în procesul de antrenare a modelului, afectând direct viteza de antrenare.
Provocările extinderii dimensiunii lotului: O metodă comună pentru a atenua problemele de latență este de a crește dimensiunea lotului, astfel încât mai multe date să poată fi procesate în paralel. Cu toate acestea, extinderea dimensiunii lotului are limitări practice, cum ar fi capacitatea insuficientă a memoriei și, pe măsură ce dimensiunea lotului crește, beneficiile marginale ale convergenței modelului scad. Acești factori fac ca compensarea întârzierilor prin creșterea dimensiunii lotului să devină mai dificilă.
Fundament
Triunghiul AI descentralizat
Multiplele limitări cu care se confruntă AI în prezent (precum raritatea datelor, blocajele în capacitatea de calcul, problemele de latență și capacitatea de producție a chip-urilor) constituie împreună „triunghiul AI descentralizat”. Acest cadru încearcă să realizeze un echilibru între confidențialitate, verificabilitate și performanță. Aceste trei atribute sunt elementele fundamentale pentru asigurarea eficienței, credibilității și scalabilității sistemelor AI descentralizate.
Următorul tabel analizează în detaliu compromisurile cheie între confidențialitate, verificabilitate și performanță, explorând definițiile, tehnologiile de implementare și provocările fiecărei categorii:
Confidențialitate: În procesul de antrenare și inferență a AI, protejarea datelor sensibile este esențială. În acest scop, sunt utilizate multiple tehnologii cheie, inclusiv medii de execuție de încredere (TEEs), calcul multiparte (MPC), învățare federată, criptare homomorfă completă (FHE) și confidențialitate diferențială. Aceste tehnologii sunt eficiente, dar aduc și provocări legate de costuri de performanță, probleme de transparență care afectează verificabilitatea și limitări în scalabilitate.
Verificabilitate: Pentru a asigura corectitudinea și integritatea calculului, sunt utilizate tehnologii precum dovezi cu zero cunoștințe (ZKPs), certificate criptografice și calcul verificabil. Totuși, atingerea unui echilibru între confidențialitate și performanță și verificabilitate necesită adesea resurse și timp suplimentar, ceea ce poate duce la întârzieri în calcul.
Performanță: Executarea eficientă a calculului AI și realizarea aplicațiilor la scară mare depind de infrastructura de calcul distribuit, accelerarea hardware-ului și conexiuni de rețea eficiente. Totuși, utilizarea tehnologiilor care sporesc confidențialitatea poate încetini viteza de calcul, iar calculul verificabil poate adăuga cheltuieli suplimentare.
Trilema blockchain-ului:
Provocarea centrală cu care se confruntă domeniul blockchain-ului este trilema, fiecare sistem blockchain trebuie să facă compromisuri între următoarele trei:
Descentralizare: Prevenirea controlului unui singur entitate asupra sistemului prin distribuirea rețelei pe mai multe noduri independente.
Securitate: Asigurarea că rețeaua este protejată împotriva atacurilor și menținerea integrității datelor, de obicei, necesită procese suplimentare de verificare și consens.
Scalabilitate: Procesarea rapidă și economică a unui număr mare de tranzacții, totuși aceasta înseamnă adesea compromisuri în ceea ce privește descentralizarea (reducerea numărului de noduri) sau securitatea (reducerea intensității verificării).
De exemplu, Ethereum prioritizează descentralizarea și securitatea, astfel încât viteza de procesare a tranzacțiilor este relativ lentă. O înțelegere aprofundată a acestor compromisuri în arhitectura blockchain-ului poate fi găsită în literatura de specialitate.
Matricea de analiză colaborativă AI-blocchain (3x3)
Combinația dintre AI și blockchain este un proces complex de compromisuri și oportunități. Această matrice ilustrează unde cele două tehnologii pot genera fricțiuni, găsind puncte de potrivire armonioasă, și cum uneori pot amplifica slăbiciunile reciproce.
Modul de funcționare al matricei colaborative
Intensitatea colaborării reflectă compatibilitatea și influența atributelor blockchain și AI într-un domeniu specific. În mod concret, depinde de modul în care cele două tehnologii răspund împreună provocărilor și îmbunătățesc funcțiile reciproce. De exemplu, în ceea ce privește confidențialitatea datelor, imuabilitatea blockchain-ului combinată cu capacitatea de procesare a datelor a AI poate aduce soluții noi.
Modul de funcționare al matricei colaborative
Exemplu 1: Performanță + Descentralizare (sinergie slabă)
În rețelele descentralizate, cum ar fi Bitcoin sau Ethereum, performanța este adesea limitată de o varietate de factori. Aceste limitări includ volatilitatea resurselor nodurilor, latența ridicată a comunicării, costurile de procesare a tranzacțiilor și complexitatea mecanismelor de consens. Pentru aplicațiile AI care necesită latență scăzută și capacitate mare de procesare (de exemplu, inferență AI în timp real sau antrenament de modele la scară largă), aceste rețele sunt greu de utilizat pentru a oferi viteza și fiabilitatea de calcul necesare pentru cerințele de performanță ridicată.
Exemplu 2: Confidențialitate + Descentralizare (sinergie puternică)
Tehnologiile AI protejate de confidențialitate (precum învățarea federată) pot valorifica pe deplin caracteristicile descentralizate ale blockchain-ului, realizând o colaborare eficientă în timp ce protejează datele utilizatorilor. De exemplu, SoraChain AI oferă o soluție prin învățarea federată susținută de blockchain, asigurându-se că dreptul de proprietate asupra datelor nu este încălcat. Proprietarii de date pot contribui cu date de înaltă calitate pentru antrenarea modelului, păstrându-și confidențialitatea, realizând astfel o situație win-win pentru confidențialitate și colaborare.
Obiectivul acestei matrice este de a ajuta industria să înțeleagă clar punctele de intersecție dintre AI și blockchain, ghidează inovatorii și investitorii să prioritizeze acele direcții care sunt cu adevărat fezabile, să exploreze domenii cu potențial, în timp ce evită capcanele proiectelor care sunt pur speculative.
Matricea de colaborare AI-blocchain
Cele două axe ale matricei colaborative reprezintă diferite atribute: o axă este cele trei caracteristici esențiale ale sistemelor AI descentralizate - verificabilitate, confidențialitate și performanță; cealaltă axă este trilema blockchain-ului - securitate, scalabilitate și descentralizare. Când aceste atribute se intersectează, se formează o serie de efecte de sinergie, de la o potrivire strânsă până la posibile conflicte.
De exemplu, când verificabilitatea se combină cu securitatea (sinergie puternică), se pot construi sisteme puternice pentru a demonstra corectitudinea și integritatea calculului AI. Însă, când cerințele de performanță intră în conflict cu descentralizarea (sinergie slabă), costurile ridicate ale sistemelor distribuite afectează semnificativ eficiența. În plus, unele combinații (precum confidențialitatea și scalabilitatea) se află într-o zonă intermediară, având atât potențial cât și provocări tehnologice complexe.
De ce este important?
Busola strategică: Această matrice oferă decidenților, cercetătorilor și dezvoltatorilor o direcție clară, ajutându-i să se concentreze asupra domeniilor cu înaltă sinergie, cum ar fi asigurarea confidențialității datelor prin învățare federată sau utilizarea calculului descentralizat pentru a realiza antrenarea scalabilă a AI.
Concentrarea asupra inovațiilor influente și alocarea resurselor: Înțelegerea distribuției intensității colaborării (precum securitate + verificabilitate, confidențialitate + descentralizare) ajută părțile interesate să concentreze resursele în domeniile cu valoare mare, evitând risipa în integrarea slabă sau nerealistă.
Ghidarea evoluției ecosistemului: Pe măsură ce tehnologiile AI și blockchain continuă să evolueze, această matrice poate servi ca un instrument dinamic pentru evaluarea proiectelor emergente, asigurându-se că acestea răspund nevoilor reale, mai degrabă decât să încurajeze tendințele de suprasolicitare.
Următorul tabel rezumă combinațiile acestor atribute în funcție de intensitatea colaborării (de la puternică la slabă) și explică modul în care acestea funcționează în sisteme AI descentralizate. De asemenea, tabelul oferă exemple de proiecte inovatoare care ilustrează aplicațiile acestor combinații în realitate. Prin acest tabel, cititorii pot înțelege mai clar punctele de intersecție între blockchain și tehnologiile AI, identificând domeniile cu adevărat influente, în timp ce evită direcțiile care sunt suprasolicitate sau tehnologic imposibile.
Matricea de colaborare AI-blocchain: Clasificarea punctelor cheie de intersecție între tehnologiile AI și blockchain în funcție de intensitatea colaborării
Concluzie
Combinația dintre blockchain și AI conține un potențial de transformare uriaș, dar dezvoltarea viitoare necesită o direcție clară și eforturi concentrate. Proiectele care cu adevărat promovează inovația își conturează viitorul inteligenței descentralizate prin rezolvarea provocărilor cheie legate de confidențialitate a datelor, scalabilitate și încredere. De exemplu, învățarea federată (confidențialitate + descentralizare) realizează colaborare prin protejarea datelor utilizatorilor, iar calculul și antrenamentul distribuite (performanță + scalabilitate) îmbunătățesc eficiența sistemelor AI, în timp ce zkML (învățare automată cu zero cunoștințe, verificabilitate + securitate) oferă garanții pentru credibilitatea calculului AI.
Între timp, trebuie să privim acest domeniu cu o atitudine prudentă. Multe dintre așa-numitele entități AI sunt, de fapt, doar ambalaje simple ale modelelor existente, cu funcționalitate limitată și o integrare superficială cu blockchain-ul. Adevăratele progrese vor veni de la acele proiecte care valorifică pe deplin avantajele blockchain-ului și AI-ului și se angajează să rezolve probleme reale, în loc să urmărească pur și simplu speculațiile de pe piață.
Privește spre viitor, matricea de colaborare AI-blocchain va deveni un instrument important pentru evaluarea proiectelor, capabil să ajute eficient decidenții să distingă inovațiile cu adevărat influente de zgomotul fără sens.
Următorii zece ani vor aparține proiectelor care pot combina fiabilitatea ridicată a blockchain-ului cu capacitatea transformatoare a AI-ului pentru a rezolva probleme reale. De exemplu, antrenamentul modelului care economisește energie va reduce semnificativ consumul de energie al sistemelor AI; colaborarea protejată de confidențialitate va oferi un mediu mai sigur pentru partajarea datelor; iar guvernarea AI scalabilă va promova implementarea sistemelor inteligente la scară mai mare și mai eficientă. Industria trebuie să se concentreze pe aceste domenii cheie pentru a deschide cu adevărat viitorul inteligenței descentralizate.
