La matriz de colaboración de la cadena Bloquear de AI se convertirá en una herramienta importante para evaluar proyectos, lo que ayudará eficazmente a los tomadores de decisiones a distinguir entre innovaciones realmente influyentes y ruido sin sentido.
**Escrito por: Swayam
Compilado por TechFlow de DeepChain
El rápido desarrollo de la inteligencia artificial (IA) ha permitido que unas pocas grandes empresas de tecnología tengan un poder de cálculo, recursos de datos y tecnología de algoritmos sin precedentes. Sin embargo, a medida que los sistemas de IA se integran gradualmente en nuestra sociedad, los problemas de accesibilidad, transparencia y control se han convertido en temas centrales de discusión técnica y política. En este contexto, la combinación de la tecnología blockchain y la IA nos ofrece una alternativa valiosa para explorar, una nueva forma que podría redefinir el desarrollo, despliegue, expansión y gobernanza de los sistemas de IA.
No estamos buscando subvertir completamente la infraestructura de inteligencia artificial existente, sino que esperamos analizar y explorar los beneficios únicos que el enfoque de descentralización puede ofrecer en casos de uso específicos. Al mismo tiempo, reconocemos que en ciertos contextos, los sistemas centralizados tradicionales pueden seguir siendo la opción más práctica.
Varios problemas clave guiaron nuestra investigación:
- ¿Los rasgos fundamentales del sistema de Descentralización (como la transparencia y la resistencia a la censura) pueden complementar los requisitos de los sistemas de IA modernos (como la eficiencia y la escalabilidad), o habrá conflictos entre ellos?
- ¿En qué aspectos puede la tecnología blockchain proporcionar mejoras sustanciales en todos los aspectos del desarrollo de la IA, desde la recopilación de datos hasta el entrenamiento del modelo y la inferencia?
- ¿Qué compensaciones técnicas y económicas enfrenta cada etapa en el diseño del sistema de IA Descentralización?
Limitaciones actuales en la pila tecnológica de IA
El equipo de Epoch AI ha realizado una importante contribución al analizar las limitaciones de la pila tecnológica de IA actual. Su investigación detalla los principales obstáculos que podrían enfrentar la expansión de la capacidad de cálculo del entrenamiento de IA hasta 2030, utilizando las operaciones de punto flotante por segundo (Floating Point Operations per Second, FLoPs) como indicador clave de rendimiento computacional.
La investigación sugiere que la expansión de la computación de entrenamiento de IA puede verse limitada por una variedad de factores, incluida una fuente de alimentación insuficiente, cuellos de botella en la tecnología de fabricación de chips, escasez de datos y problemas de latencia de la red. Cada uno de estos factores establece diferentes límites superiores en la potencia de cálculo alcanzable, siendo el problema de Latincia considerado el límite teórico más difícil de superar.
El gráfico destaca la necesidad de subir en hardware, eficiencia energética, datos capturados en dispositivos de borde desbloqueados y avances en redes para respaldar la inteligencia artificial del futuro.
![]()
Restricción de energía (rendimiento):
- Viabilidad de la expansión de la infraestructura eléctrica (previsión para 2030): Se espera que para el 2030, la capacidad de los parques de centros de datos alcance entre 1 y 5 gigavatios (GW). Sin embargo, esto requerirá una subir dependencia de grandes inversiones en la infraestructura eléctrica, al mismo tiempo que se superan posibles obstáculos logísticos y regulatorios.
- Debido a las restricciones en el suministro de energía y la infraestructura eléctrica, se estima que el límite de expansión de la capacidad informática global podría ser 10,000 veces el nivel actual.
Capacidad de producción de chips (verificabilidad):
- Actualmente, la producción de chips utilizados para soportar cálculos avanzados (como NVIDIA H100, Google TPU v5) está limitada por la tecnología de encapsulamiento (como la tecnología CoWoS de TSMC). Esta limitación afecta directamente a la disponibilidad y escalabilidad de los cálculos verificables.
- Los cuellos de botella en la fabricación de chips y en la Cadena de suministro son los principales obstáculos, pero aún así, podría lograrse un aumento de hasta 50,000 veces en la capacidad de cálculo.
Además, es crucial habilitar áreas de aislamiento de seguridad o Entornos de Ejecución Confiables (TEEs) en dispositivos periféricos mediante el uso de chips avanzados. Estas tecnologías no solo pueden verificar los resultados de los cálculos, sino que también pueden proteger la privacidad de los datos sensibles durante el proceso de cálculo.
Escasez de datos (privacidad):
![]()
latencia壁垒 ( 性能 )：
- Limitación inherente de latencia en el entrenamiento del modelo: A medida que el tamaño del modelo de IA continúa creciendo, el tiempo necesario para la propagación hacia adelante y hacia atrás aumenta significativamente debido a la secuencialidad del proceso de cálculo. Esta latencia es una limitación fundamental en el proceso de entrenamiento del modelo, que afecta directamente la velocidad de entrenamiento.
- Desafíos para ampliar el tamaño del lote: Para mitigar el problema de latencia, un método común es aumentar el tamaño del lote para que más datos puedan procesarse en paralelo. Sin embargo, la ampliación del tamaño del lote tiene limitaciones prácticas, como insuficiencia de memoria y disminución de los beneficios marginales de la convergencia del modelo a medida que el lote aumenta. Estos factores hacen que sea más difícil contrarrestar la latencia mediante el aumento del tamaño del lote.
Fundamentos
Descentralización AI Triángulo
Las múltiples limitaciones a las que se enfrenta la IA actual (como la escasez de datos, los cuellos de botella en el poder de cómputo, los problemas de latencia y la capacidad de producción de chips) forman el “triángulo de la IA de descentralización”. Este marco intenta lograr un equilibrio entre la privacidad, la verificabilidad y el rendimiento. Estos tres atributos son elementos centrales para garantizar la efectividad, confiabilidad y escalabilidad del sistema de IA de Descentralización.
![]()
La siguiente tabla analiza en detalle el equilibrio clave entre privacidad, verificabilidad y rendimiento, explorando en profundidad sus respectivas definiciones, tecnologías de implementación y desafíos.
![]()
- Privacidad: Es crucial proteger los datos sensibles durante el proceso de entrenamiento e inferencia de la Inteligencia Artificial (IA). Para ello, se utilizan diversas tecnologías clave, incluyendo Entornos de Ejecución Confiables (TEEs), cálculo más largo (MPC), aprendizaje federado, encriptación completamente homomórfica (FHE) y privacidad diferencial. Estas tecnologías, si bien son efectivas, también plantean desafíos como gastos de rendimiento, problemas de transparencia que afectan la verificabilidad, y limitaciones en la escalabilidad.
- Verificabilidad: Para asegurar la corrección e integridad de los cálculos, se utilizan tecnologías como Prueba de conocimiento cero (ZKPs), credenciales de encriptación y cálculos verificables. Sin embargo, lograr un equilibrio entre privacidad y rendimiento con verificabilidad a menudo requiere recursos y tiempo adicionales, lo que puede resultar en una latencia de cálculo.
- Rendimiento: realizar cálculos de IA de manera eficiente y llevar a cabo aplicaciones a gran escala depende de la infraestructura de cálculo distribuido, aceleración de hardware y conexiones de red eficientes. Sin embargo, el uso de tecnologías de mejora de la privacidad puede ralentizar la velocidad de cálculo, y la verificación de cálculos también puede aumentar los costos adicionales.
Dilema de los tres problemas de la Cadena de bloques:
![]()
El desafío central que enfrenta el campo de la cadena de bloques es el llamado dilema de los tres problemas, en el que cada sistema de cadena de bloques debe equilibrar entre los siguientes tres aspectos:
- Descentralización: evita que cualquier entidad única controle el sistema al distribuir la red en múltiples Nodos independientes.
- Seguridad: garantizar que la red esté protegida contra ataques y mantener la integridad de los datos, generalmente requiere más verificaciones y procesos de consenso.
- Escalabilidad: procesamiento rápido y económico de grandes cantidades de transacciones, lo que generalmente significa comprometerse en la Descentralización (reducción de la cantidad de Nodos) o en la seguridad (disminución de la fuerza de verificación).
Por ejemplo, Ethereum优先考虑 Descentralización和安全性，因此其交易处理速度相对较慢。关于 Bloquear链架构中这些权衡的深入理解，可以参考相关文献。
AI- Matriz de análisis colaborativo de blockchain (3x3)
La combinación de AI y blockchain es un proceso complejo de equilibrio y oportunidad. Esta matriz muestra dónde estas dos tecnologías pueden generar fricción, encontrar puntos de armonía y a veces magnificar las debilidades del otro.
El principio de funcionamiento de la matriz colaborativa
La intensidad de la colaboración refleja la compatibilidad y la influencia de las propiedades de la cadena de bloques y la IA en campos específicos. En concreto, depende de cómo estas dos tecnologías abordan juntas los desafíos y mejoran sus funcionalidades mutuas. Por ejemplo, en cuanto a la privacidad de los datos, la combinación de la inmutabilidad de la cadena de bloques y la capacidad de procesamiento de datos de la IA podría llevar a nuevas soluciones.
![]()
El principio de funcionamiento de la matriz colaborativa
Ejemplo 1: Rendimiento + Descentralización（弱协同）
En redes descentralizadas como BTC o Ethereum, el rendimiento suele estar limitado por varios factores. Estas limitaciones incluyen la volatilidad de los recursos de los nodos, alta latencia de comunicación, costos de procesamiento de transacciones y complejidad del mecanismo de consenso. Para aplicaciones de IA que requieren baja latencia y alta capacidad de procesamiento, como inferencia de IA en tiempo real o entrenamiento de modelos a gran escala, estas redes no pueden proporcionar la velocidad y la confiabilidad computacional necesarias para satisfacer las demandas de alto rendimiento.
Ejemplo 2: Privacidad + Descentralización（强协同）
La tecnología de IA centrada en la protección de la privacidad (como el aprendizaje federado) puede aprovechar al máximo las características de Descentralización de la Cadena de bloques para proteger los datos de los usuarios y al mismo tiempo lograr una colaboración eficiente. Por ejemplo, SoraChain AI proporciona una solución que garantiza la propiedad de los datos mediante el aprendizaje federado respaldado por la Cadena de bloques. Los propietarios de datos pueden contribuir con datos de alta calidad para el entrenamiento del modelo sin comprometer la privacidad, logrando así una situación beneficiosa para la privacidad y la colaboración.
El objetivo de esta matriz es ayudar a la industria a comprender claramente el punto de intersección entre la inteligencia artificial y la cadena de bloques, y guiar a los innovadores y los inversores a priorizar las direcciones viables, explorar áreas con potencial y evitar proyectos que sean meramente especulativos.
![]()
AI- Matriz de colaboración de la cadena Bloquear
Las dos ejes de la matriz de colaboración representan diferentes atributos: un eje son las tres características principales del sistema de IA Descentralización: verificabilidad, privacidad y rendimiento; el otro eje son los tres dilemas de la cadena de bloques: seguridad, escalabilidad y Descentralización. Cuando estos atributos se cruzan, se forman una serie de efectos de colaboración, que van desde una alta compatibilidad hasta posibles conflictos.
Por ejemplo, cuando la verificabilidad se combina con la seguridad (alta coherencia), se puede construir un sistema poderoso para demostrar la corrección y la integridad del cálculo de IA. Sin embargo, cuando los requisitos de rendimiento entran en conflicto con la descentralización (baja coherencia), los altos costos de los sistemas distribuidos afectarán significativamente la eficiencia. Además, algunas combinaciones (como privacidad y escalabilidad) se encuentran en una zona intermedia, con potencial pero también enfrentando desafíos técnicos complejos.
¿Por qué es esto importante?
- Brújula estratégica: esta matriz proporciona a los tomadores de decisiones, investigadores y desarrolladores una dirección clara para ayudarles a enfocarse en áreas de alta sinergia, como garantizar la privacidad de los datos a través del aprendizaje federado o lograr un entrenamiento de IA escalable mediante cálculos de 01928374656574839201.
- Enfocarse en la innovación y la asignación de recursos influyentes: comprender la distribución de la intensidad colaborativa (como seguridad + verificabilidad, privacidad + Descentralización) ayuda a los interesados a concentrar los recursos en áreas de alto valor, evitando desperdiciarlos en integraciones débilmente colaborativas o poco realistas.
- Guía la evolución del ecosistema: Con el continuo desarrollo de la tecnología de inteligencia artificial y blockchain, esta matriz puede ser utilizada como una herramienta dinámica para evaluar nuevos proyectos y asegurarse de que satisfagan las necesidades reales, en lugar de fomentar tendencias excesivamente especulativas.
La siguiente tabla resume las combinaciones de atributos según la intensidad de la colaboración (de más fuerte a más débil) y explica cómo funcionan en el sistema de IA descentralizada. Además, la tabla proporciona ejemplos de proyectos innovadores que muestran cómo se aplican estas combinaciones en la realidad. A través de esta tabla, los lectores pueden comprender de manera más intuitiva el punto de encuentro entre blockchain y la tecnología de IA, identificar áreas realmente influyentes y evitar direcciones que estén sobrevaloradas o sean tecnológicamente inviables.
![]()
AI- Matriz de colaboración de Bloquear: punto crucial de intersección de tecnología de colaboración AI y Bloquear
Conclusion
La combinación de blockchain y AI tiene un enorme potencial de transformación, pero el futuro desarrollo requiere una dirección clara y esfuerzos concentrados. Los proyectos que realmente impulsan la innovación están dando forma al futuro de la inteligencia descentralizada al abordar desafíos clave como la privacidad de los datos, la escalabilidad y la confianza. Por ejemplo, el aprendizaje federado (privacidad + descentralización) logra la colaboración al proteger los datos de los usuarios, la computación y el entrenamiento distribuidos (rendimiento + escalabilidad) mejoran la eficiencia de los sistemas de IA, mientras que zkML (aprendizaje automático de conocimiento cero, verificabilidad + seguridad) garantiza la confiabilidad de la computación de IA.
Al mismo tiempo, también debemos adoptar una actitud cautelosa hacia este campo. Muchos de los llamados agentes de inteligencia artificial (IA) en realidad son solo envoltorios simples de modelos existentes, con funciones limitadas y una falta de profundidad en su integración con blockchain. Los avances reales vendrán de aquellos proyectos que aprovechen al máximo las ventajas de blockchain y la IA, y se dediquen a resolver problemas reales en lugar de simplemente perseguir productos especulativos en el mercado.
Mirando hacia el futuro, la matriz colaborativa de AI-Bloquear se convertirá en una herramienta importante para evaluar proyectos, ayudando eficazmente a los tomadores de decisiones a distinguir entre innovaciones verdaderamente influyentes y ruido insignificante.
En los próximos diez años, los proyectos que puedan combinar la alta confiabilidad de la cadena de bloques con la capacidad transformadora de la IA para resolver problemas prácticos serán los que dominen el escenario. Por ejemplo, el entrenamiento de modelos de bajo consumo energético reducirá significativamente el consumo de energía del sistema de IA; la colaboración para la protección de la privacidad proporcionará un entorno más seguro para el intercambio de datos; y la gobernanza escalable de la IA impulsará la implementación de sistemas inteligentes a mayor escala y mayor eficiencia. La industria necesita enfocarse en estas áreas clave para verdaderamente abrir el futuro descentralizado de la inteligencia.
![]()
