Автор: Swayam
Компиляция: 深潮TechFlow
Быстрый прогресс в области искусственного интеллекта (AI) привел к тому, что несколько крупных технологических компаний получили беспрецедентные вычислительные мощности, ресурсы данных и алгоритмические технологии. Однако по мере того как AI-системы всё больше интегрируются в наше общество, вопросы доступности, прозрачности и контроля стали основными темами обсуждения технологий и политики. В этом контексте сочетание технологий блокчейна и AI предоставляет нам альтернативный путь, который стоит исследовать — возможный способ переопределения разработки, развертывания, масштабирования и управления системами AI.
Наша цель не в том, чтобы полностью разрушить существующую инфраструктуру AI, а в том, чтобы исследовать, анализируя, какие уникальные преимущества могут предоставить децентрализованные подходы в некоторых конкретных случаях. При этом мы также признаем, что в некоторых ситуациях традиционные централизованные системы могут оставаться более практичным выбором.
Следующие ключевые вопросы определили наше исследование:
Могут ли основные характеристики децентрализованных систем (такие как прозрачность, устойчивость к цензуре) сочетаться с требованиями современных AI-систем (такими как эффективность, масштабируемость), или они будут противоречить друг другу?
В каких аспектах технологии блокчейна могут внести значительные улучшения на всех этапах разработки AI — от сбора данных до обучения моделей и вывода?
В дизайне децентрализованных AI-систем, какие технические и экономические компромиссы будут возникать на различных этапах?
Текущие ограничения в стеке технологий AI
Команда Epoch AI внесла важный вклад в анализ текущих ограничений в стеке технологий AI. Их исследование подробно описывает основные узкие места, с которыми может столкнуться расширение вычислительной мощности для обучения AI к 2030 году и использует количество операций с плавающей запятой в секунду (FLoPs) в качестве основного показателя вычислительной производительности.
Исследования показывают, что расширение вычислений для обучения AI может быть ограничено различными факторами, включая нехватку электроэнергии, узкие места в производственных технологиях чипов, нехватку данных и проблемы с сетевой задержкой. Эти факторы устанавливают различные пределы возможной вычислительной мощности, при этом задержка считается самой труднопреодолимой теоретической границей.
Данная диаграмма подчеркивает необходимость прогресса в области аппаратного обеспечения, энергетической эффективности, использования данных, собранных на устройствах на краю сети, и сетевых технологий для поддержки роста будущего искусственного интеллекта.
Ограничения электроэнергии (производительность):
Оценка возможности расширения инфраструктуры электроэнергии (прогноз на 2030 год): Ожидается, что к 2030 году мощность центров обработки данных достигнет от 1 до 5 ГВт (Гигаватт). Однако этот рост зависит от масштабных инвестиций в инфраструктуру электроэнергии, а также от преодоления возможных логистических и регуляторных препятствий.
С учетом ограничений энергоснабжения и инфраструктуры электроэнергии ожидается, что предельное расширение глобальной вычислительной мощности может достичь 10,000-кратного уровня текущего состояния.
Производственные возможности чипов (проверяемость):
В настоящее время производство чипов, поддерживающих высокопроизводительные вычисления (например, NVIDIA H100, Google TPU v5), ограничено технологиями упаковки (например, CoWoS от TSMC). Это ограничение непосредственно влияет на доступность и масштабируемость проверяемых вычислений.
Узкие места в производстве чипов и цепочках поставок являются основными препятствиями, но все же возможно достичь увеличения вычислительных мощностей до 50,000 раз.
Кроме того, наличие современных чипов на устройствах на краю сети с функциями безопасной изоляции или доверенной среды выполнения (Trusted Execution Environments, TEEs) имеет решающее значение. Эти технологии могут не только проверять результаты вычислений, но и защищать конфиденциальность чувствительных данных в процессе вычислений.
Нехватка данных (конфиденциальность):
Задержка барьеров (производительность):
Природные ограничения задержки в обучении моделей: С увеличением масштаба моделей AI время, необходимое для одноразового прямого и обратного распространения, значительно увеличивается из-за последовательности вычислений. Эта задержка является основным ограничением в процессе обучения моделей, которое невозможно обойти, что напрямую влияет на скорость обучения.
Проблемы расширения размера пакета: Чтобы смягчить проблемы с задержкой, распространенным подходом является увеличение размера пакета, чтобы больше данных могло обрабатываться параллельно. Однако расширение размера пакета имеет практические ограничения, такие как недостаточная емкость памяти, а также уменьшающаяся предельная выгода с увеличением размера пакета, что затрудняет компенсацию задержки.
База
Децентрализованный треугольник AI
Текущие ограничения, с которыми сталкивается AI (такие как нехватка данных, узкие места вычислительной мощности, проблемы с задержкой и производственные возможности чипов), совместно формируют "децентрализованный треугольник AI". Эта структура пытается найти баланс между конфиденциальностью, проверяемостью и производительностью. Эти три свойства являются основными факторами, обеспечивающими эффективность, надежность и масштабируемость децентрализованных AI-систем.
Следующая таблица подробно анализирует ключевые компромиссы между конфиденциальностью, проверяемостью и производительностью, углубленно исследуя их определения, технологии реализации и возникающие перед ними вызовы:
Конфиденциальность: Защита чувствительных данных в процессе обучения и вывода AI имеет решающее значение. Для этого используются различные ключевые технологии, включая доверенные среды выполнения (TEEs), многопартитные вычисления (MPC), федеративное обучение, полное гомоморфное шифрование (FHE) и дифференциальную конфиденциальность. Эти технологии, хотя и эффективные, также приводят к затратам на производительность, проблемам с прозрачностью, влияющим на проверяемость, и ограничениям по масштабируемости.
Проверяемость: Для обеспечения правильности и полноты вычислений используются технологии, такие как доказательства с нулевым знанием (ZKPs), шифрованные токены и проверяемые вычисления. Однако балансировка между конфиденциальностью и производительностью с проверяемостью часто требует дополнительных ресурсов и времени, что может привести к задержкам в вычислениях.
Производительность: Эффективное выполнение вычислений AI и масштабное применение зависит от инфраструктуры распределенных вычислений, аппаратного ускорения и высокоскоростного сетевого соединения. Однако использование технологий, повышающих конфиденциальность, может замедлять вычисления, а проверяемые вычисления могут добавлять дополнительные затраты.
Триада дилемма блокчейна:
Ключевыми вызовами в области блокчейна являются триада дилемма, и каждая блокчейн-система должна находить баланс между тремя аспектами:
Децентрализация: предотвращение контроля любой одной сущности над системой посредством распределения сети на нескольких независимых узлах.
Безопасность: обеспечение защиты сети от атак и сохранение целостности данных, что обычно требует большего количества процессов проверки и согласования.
Масштабируемость: быстрое и экономичное выполнение большого числа транзакций, однако это обычно означает необходимость компромисса по децентрализации (уменьшение числа узлов) или безопасности (уменьшение интенсивности проверки).
Например, эфириум делает акцент на децентрализации и безопасности, поэтому скорость обработки его транзакций относительно медленная. Для получения глубокого понимания этих компромиссов в архитектуре блокчейна можно обратиться к соответствующей литературе.
Координационная аналитическая матрица AI и блокчейна (3x3)
Сочетание AI и блокчейна представляет собой сложный процесс компромиссов и возможностей. Эта матрица демонстрирует, где эти две технологии могут вызывать трения, находить гармоничные точки соприкосновения и иногда усиливать слабости друг друга.
Принцип работы координационной матрицы
Сила взаимодействия отражает совместимость и влияние свойств блокчейна и AI в конкретной области. В частности, это зависит от того, как две технологии совместно справляются с вызовами и усиливают функциональные возможности друг друга. Например, в области конфиденциальности данных, невозможность изменения данных блокчейна в сочетании с возможностями обработки данных AI может привести к новым решениям.
Принцип работы координационной матрицы
Пример 1: Производительность + Децентрализация (слабое взаимодействие)
В децентрализованных сетях, таких как биткойн или эфириум, производительность часто ограничивается множеством факторов. Эти ограничения включают волатильность ресурсов узлов, высокие временные задержки связи, затраты на обработку транзакций и сложность механизмов согласования. Для AI-приложений, требующих низкой задержки и высокой пропускной способности (например, для реального AI-вывода или обучения моделей в большом масштабе), эти сети испытывают трудности с обеспечением необходимой скорости и надежности вычислений для удовлетворения высокопроизводительных требований.
Пример 2: Конфиденциальность + Децентрализация (сильное взаимодействие)
Технологии AI с защитой конфиденциальности (например, федеративное обучение) могут в полной мере использовать децентрализованные возможности блокчейна, обеспечивая эффективное сотрудничество при защите пользовательских данных. Например, SoraChain AI предоставляет решение, которое обеспечивает сохранение прав на данные через федеративное обучение, поддерживаемое блокчейном. Владельцы данных могут вносить высококачественные данные для обучения моделей, сохраняя свою конфиденциальность, что приводит к взаимовыгодному сотрудничеству.
Цель этой матрицы — помочь отраслям четко понять точки пересечения AI и блокчейна, направляя инноваторов и инвесторов приоритетно на те направления, которые действительно жизнеспособны, исследуя потенциальные области и избегая спекулятивных проектов.
Координационная матрица AI и блокчейна
Две оси координационной матрицы представляют собой различные свойства: одна ось — три основные характеристики децентрализованных AI-систем — проверяемость, конфиденциальность и производительность; другая ось — триада дилемма блокчейна — безопасность, масштабируемость и децентрализация. Когда эти свойства пересекаются, возникает ряд эффектов взаимодействия, от высокой совместимости до потенциальных конфликтов.
Например, когда проверяемость сочетается с безопасностью (высокое взаимодействие), можно создать мощные системы для доказательства правильности и полноты вычислений AI. Однако когда требования к производительности конфликтуют с децентрализацией (низкое взаимодействие), высокие затраты распределенной системы значительно влияют на эффективность. Кроме того, некоторые комбинации (например, конфиденциальность и масштабируемость) находятся в промежуточной зоне, обладая как потенциалом, так и сложными техническими вызовами.
Почему это важно?
Стратегический компас: Эта матрица предоставляет четкое направление для принятия решений, исследователей и разработчиков, помогая им сосредоточиться на областях с высоким взаимодействием, например, на обеспечении конфиденциальности данных через федеративное обучение или на использовании децентрализованных вычислений для масштабируемого обучения AI.
Сосредоточение на влиятельных инновациях и распределении ресурсов: Понимание распределения силы взаимодействия (например, безопасность + проверяемость, конфиденциальность + децентрализация) помогает заинтересованным сторонам сосредоточить ресурсы на высокоценных областях, избегая растрат на слабое взаимодействие или нереалистические интеграции.
Направление эволюции экосистемы: По мере постоянного развития технологий AI и блокчейна эта матрица может служить динамическим инструментом для оценки новых проектов, гарантируя, что они соответствуют реальным потребностям, а не способствуют чрезмерной спекуляции.
Следующая таблица суммирует эти комбинации по силе взаимодействия (от сильного к слабому) и объясняет, как они фактически работают в децентрализованных AI-системах. В то же время таблица предоставляет примеры некоторых инновационных проектов, демонстрируя применение этих комбинаций в реальности. С помощью этой таблицы читатели могут более наглядно понять точки пересечения технологий блокчейна и AI, выявить действительно влиятельные области и избежать чрезмерно спекулятивных или технически неосуществимых направлений.
Координационная матрица AI и блокчейна: ключевые точки пересечения технологий AI и блокчейна, классифицированные по силе взаимодействия
Заключение
Сочетание блокчейна и AI содержит огромный потенциал для трансформации, но будущее развитие требует четкого направления и сосредоточенных усилий. Действительно инновационные проекты формируют будущее децентрализованного интеллекта, решая ключевые проблемы, такие как конфиденциальность данных, масштабируемость и доверие. Например, федеративное обучение (конфиденциальность + децентрализация) обеспечивает сотрудничество при защите пользовательских данных, распределенные вычисления и обучение (производительность + масштабируемость) повышают эффективность AI-систем, а zkML (обучение с нулевым знанием, проверяемость + безопасность) обеспечивает надежность вычислений AI.
В то же время нам нужно осторожно подходить к этой области. Многие так называемые AI-агенты на самом деле являются простыми обертками существующих моделей с ограниченными функциями, и их сочетание с блокчейном также не отличается глубиной. Настоящие прорывы будут происходить благодаря проектам, которые в полной мере используют преимущества блокчейна и AI и стремятся решить реальные проблемы, а не просто гонятся за рыночным ажиотажем.
Смотрим в будущее, координационная матрица AI и блокчейна станет важным инструментом для оценки проектов, который сможет эффективно помочь принимающим решения различать действительно влиятельные инновации и бессмысленный шум.
В следующие десять лет победят те проекты, которые смогут соединить высокую надежность блокчейна и трансформационные возможности AI, чтобы решить реальные проблемы. Например, энергосберегающее обучение моделей значительно снизит потребление энергии AI-систем; технологии, обеспечивающие защиту конфиденциальности, создадут более безопасную среду для обмена данными; а масштабируемое управление AI приведет к более крупным и эффективным системам интеллекта. Отрасли необходимо сосредоточиться на этих ключевых областях, чтобы действительно открыть будущее децентрализованного интеллекта.
