chiffrement x AI Hype Opportunity Decoded : Recherchez le chevauchement entre les deux « Le triangle impossible ».

La matrice de collaboration AI- Bloc sera un outil important pour évaluer les projets et aider les décideurs à distinguer les innovations réellement influentes du bruit insignifiant.

**Écrit par :**Swayam

Compilé par TechFlow

Le développement rapide de l’intelligence artificielle (IA) a permis à quelques grandes entreprises technologiques de disposer d’une capacité de calcul, de ressources de données et d’une technologie de Algorithme sans précédent. Cependant, alors que les systèmes d’IA s’intègrent progressivement dans notre société, les questions d’accessibilité, de transparence et de contrôle sont devenues des problématiques centrales dans les discussions technologiques et politiques. Dans ce contexte, la combinaison de la technologie de la chaîne de blocs et de l’IA nous offre une voie alternative à explorer - une nouvelle approche qui pourrait redéfinir le développement, le déploiement, l’expansion et la gouvernance des systèmes d’IA.

Nous ne cherchons pas à renverser complètement les infrastructures existantes de l’IA, mais nous espérons, par le biais de l’analyse, explorer les avantages uniques que la méthode de la décentralisation pourrait apporter dans certains cas d’utilisation spécifiques. En même temps, nous reconnaissons également que dans certains contextes, les systèmes centralisés traditionnels peuvent encore être un choix plus pratique.

Les questions clés suivantes ont guidé notre recherche :

• Les caractéristiques clés du système Décentralisation (comme la transparence, la résistance à la censure) peuvent-elles compléter les besoins des systèmes AI modernes (comme l’efficacité, la scalabilité), ou vont-elles entraîner des contradictions ?
• Dans quels domaines la technologie blockchain peut-elle apporter des améliorations substantielles dans tous les aspects du développement de l’IA, de la collecte de données à la formation des modèles et à l’inférence ?
• Quels sont les compromis technologiques et économiques auxquels les différentes étapes de la conception du système Décentralisation AI sont confrontées ?

Limites actuelles de la pile technologique de l’IA

L’équipe Epoch AI a apporté une contribution importante à l’analyse des limitations de la pile technologique actuelle de l’IA. Leur recherche détaille les principaux obstacles auxquels l’extension des capacités de calcul de l’IA pourrait être confrontée d’ici 2030, en utilisant le nombre d’opérations en virgule flottante par seconde (FLoPs) comme indicateur clé de performance de calcul.

Des études montrent que l’expansion du calcul de formation de l’IA peut être limitée par plusieurs facteurs, notamment le manque d’alimentation électrique, les goulots d’étranglement de la technologie de fabrication des puces, la rareté des données et les problèmes de latence réseau. Ces facteurs définissent chacun une limite supérieure différente pour la capacité de calcul réalisable, parmi lesquels les problèmes de latence sont considérés comme la limite théorique la plus difficile à surmonter.

Ce graphique met l’accent sur la nécessité de soutenir la hausse de l’intelligence artificielle dans le futur en termes de matériel, d’efficacité énergétique, de données capturées sur les appareils périphériques déverrouillés et de progrès dans le réseau.

Limitation de puissance (performance) :

• La faisabilité de l’expansion des infrastructures électriques (prévisions pour 2030) : Il est prévu que d’ici 2030, la capacité des parcs de datacenters pourrait atteindre de 1 à 5 gigawatts (GW). Cependant, cette hausse nécessitera d’importants investissements dans les infrastructures électriques, tout en surmontant d’éventuels obstacles logistiques et réglementaires.
• En raison des contraintes d’approvisionnement en énergie et d’infrastructure électrique, on estime que la capacité de calcul mondiale pourrait être multipliée par 10 000 par rapport aux niveaux actuels.

Capacité de production de puces (vérifiabilité) :

Actuellement, la production de puces utilisées pour prendre en charge les calculs avancés (tels que NVIDIA H100, Google TPU v5) est limitée par la technologie d’encapsulation (telle que la technologie CoWoS de TSMC). Cette limitation a un impact direct sur la faisabilité et la scalabilité des calculs vérifiables.

• Les goulots d’étranglement de la fabrication de puces et de la chaîne d’approvisionnement sont les principaux obstacles, mais il est toujours possible d’atteindre une hausse de la capacité de calcul allant jusqu’à 50 000 fois.
• En outre, l’activation de zones d’isolation de sécurité ou d’environnements d’exécution de confiance (TEE) sur les appareils périphériques est essentielle. Ces technologies non seulement peuvent vérifier les résultats des calculs, mais aussi protéger la confidentialité des données sensibles pendant le processus de calcul.

Rarete des donnees ( confidentialite ) :

latence壁垒 ( 性能 )：

• Limitation intrinsèque de latence dans l’entraînement du modèle : Avec l’augmentation constante de la taille des modèles d’IA, en raison de la séquentialité du processus de calcul, le temps requis pour une seule propagation avant et arrière augmente considérablement. Cette latence est une limitation fondamentale incontournable du processus d’entraînement du modèle, ce qui affecte directement la vitesse d’entraînement.
• Défis liés à la mise à l’échelle de la taille des lots : pour atténuer le problème de latence, une approche courante consiste à augmenter la taille des lots afin que davantage de données puissent être traitées en parallèle. Toutefois, il existe des limites pratiques à la mise à l’échelle de la taille du lot, telles qu’une capacité de mémoire insuffisante et des rendements marginaux décroissants de l’effet de convergence du modèle à mesure que la taille du lot augmente. Ces facteurs font qu’il est plus difficile de contrer la lactance en augmentant la taille du lot.

Base

Décentralisation AI 三角形

Les diverses limitations auxquelles l’IA est confrontée actuellement (telles que la rareté des données, les limites de la puissance de calcul, les problèmes de latence et les capacités de production de puces) constituent ensemble le “triangle de l’IA décentralisée”. Ce cadre vise à trouver un équilibre entre la confidentialité, la vérifiabilité et les performances. Ces trois attributs sont les éléments essentiels pour assurer l’efficacité, la crédibilité et la scalabilité du système d’IA décentralisée.

Le tableau ci-dessous analyse en détail les compromis clés entre la confidentialité, la vérifiabilité et les performances, en examinant de manière approfondie leurs définitions respectives, les technologies de mise en œuvre et les défis auxquels ils sont confrontés :

• Confidentialité: La protection des données sensibles est essentielle dans le processus d’entraînement et d’inférence de l’IA. Pour ce faire, plusieurs technologies clés sont utilisées, notamment l’environnement d’exécution de confiance (TEEs), le calcul plus long (MPC), l’apprentissage fédéré, le chiffrement homomorphique complet (FHE) et la confidentialité différentielle. Bien que ces technologies soient efficaces, elles entraînent également des coûts de performance, des problèmes de transparence qui affectent la vérifiabilité, ainsi que des limitations de l’évolutivité.
• La vérifiabilité : Pour assurer la justesse et l’intégrité du calcul, des techniques telles que les preuves à divulgation nulle (zk-SNARKs), les attestations chiffrées et les calculs vérifiables sont utilisées. Cependant, équilibrer la confidentialité et les performances avec la vérifiabilité nécessite souvent des ressources et du temps supplémentaires, ce qui peut entraîner un délai de calcul.
• Performances: exécution efficace des calculs d’IA et mise en œuvre d’applications à grande échelle, reposant sur l’infrastructure de calcul distribué, l’accélération matérielle et une connectivité réseau efficace. Cependant, l’utilisation de technologies de renforcement de la vie privée peut ralentir les calculs, tandis que les calculs vérifiables peuvent entraîner des coûts supplémentaires.

Le dilemme des trois difficultés de la chaîne Bloc :

Le défi central auquel est confronté le domaine de la blockchain est le dilemme des trois difficultés, chaque système blockchain doit faire un compromis entre les trois éléments suivants :

• Décentralisation：通过在多个独立Nœud上分布网络，防止任何单一实体对系统的控制。
• Sécurité : garantir la protection du réseau contre les attaques et maintenir l’intégrité des données, ce qui nécessite généralement plus de vérifications et de processus de consensus.
• Extensibilité: traitement rapide et économique d’un grand nombre de transactions, mais cela signifie généralement faire des compromis en matière de décentralisation (réduction du nombre de nœuds) ou de sécurité (baisse de la force de validation).

Par exemple, Ethereum favorise la décentralisation et la sécurité, donc sa vitesse de traitement des transactions est relativement lente. Pour une compréhension approfondie de ces compromis dans l’architecture de la Blockchain, veuillez consulter la documentation pertinente.

Matrice d’analyse collaborative AI-Blockchain (3x3)

La combinaison de l’IA et de la blockchain est un processus complexe de compromis et d’opportunités. Cette matrice montre où ces deux technologies peuvent se heurter, trouver des points de convergence harmonieux et parfois amplifier leurs faiblesses respectives.

Le fonctionnement de la matrice de collaboration

L’intensité de la collaboration reflète la compatibilité et l’influence des attributs blockchain et IA dans des domaines spécifiques. En particulier, cela dépend de la manière dont ces deux technologies font face aux défis et améliorent leurs fonctionnalités mutuelles. Par exemple, en ce qui concerne la confidentialité des données, la combinaison de l’immutabilité de la blockchain et des capacités de traitement des données de l’IA pourrait apporter de nouvelles solutions.

Le fonctionnement de la matrice de collaboration

Exemple 1 : Performance + Décentralisation (Faible Collaboration)

Dans les réseaux Décentralisation tels que BTC ou Ethereum, les performances sont généralement limitées par plusieurs facteurs. Ces restrictions comprennent la volatilité des ressources des Nœud, une latence élevée de communication, les coûts de traitement des transactions et la complexité du Mécanisme de consensus. Pour les applications d’IA nécessitant une faible latence et un débit élevé, telles que l’inférence d’IA en temps réel ou la formation de modèles à grande échelle, ces réseaux ont du mal à fournir la vitesse et la fiabilité de calcul nécessaires pour répondre aux exigences de haute performance.

Exemple 2: Confidentialité + Décentralisation (Collaboration renforcée)

Les technologies d’IA axées sur la protection de la vie privée (comme l’apprentissage fédéré) peuvent pleinement exploiter les caractéristiques de décentralisation de la Blockchain pour assurer une collaboration efficace tout en protégeant les données des utilisateurs. Par exemple, SoraChain AI propose une solution qui garantit la propriété des données grâce à l’apprentissage fédéré pris en charge par la Blockchain. Les propriétaires de données peuvent contribuer à des données de haute qualité pour la formation de modèles tout en préservant leur vie privée, ce qui permet de réaliser une situation gagnant-gagnant pour la vie privée et la collaboration.

L’objectif de cette matrice est d’aider l’industrie à comprendre clairement le point de convergence entre l’IA et la blockchain, de guider les innovateurs et les investisseurs à privilégier les directions concrètes, à explorer des domaines prometteurs et à éviter de s’engager dans des projets purement spéculatifs.

AI- Matrice de collaboration Bloc

Les deux axes de la matrice de coopération représentent respectivement différentes caractéristiques : un axe est les trois principales caractéristiques de l’IA décentralisée - vérifiabilité, confidentialité et performance ; l’autre axe est les trois dilemmes de la blockchain - sécurité, extensibilité et décentralisation. Lorsque ces caractéristiques se croisent, elles créent une série d’effets synergiques, allant d’une forte adéquation à des conflits potentiels multiples.

Par exemple, lorsque la véracité est combinée à la sécurité (haute collaboration), un système puissant peut être construit pour prouver la justesse et l’intégralité du calcul de l’IA. Cependant, lorsqu’il y a un conflit entre les exigences de performance et la Décentralisation (faible collaboration), les coûts élevés des systèmes distribués auront un impact significatif sur l’efficacité. De plus, certaines combinaisons (comme la confidentialité et la scalabilité) se trouvent dans une zone intermédiaire, avec à la fois un potentiel et des défis technologiques complexes.

Pourquoi est-ce important ?

• Boussole stratégique : Cette matrice fournit une orientation claire aux décideurs, aux chercheurs et aux développeurs pour qu’ils se concentrent sur les domaines de forte collaboration, tels que la garantie de la confidentialité des données grâce à l’apprentissage fédéré ou la mise en place d’une formation évolutive à l’IA avec l’informatique décentralisée.
• Se concentrer sur l’innovation et la répartition des ressources influentes: comprendre la répartition de l’intensité de la collaboration (telle que la sécurité + la vérifiabilité, la confidentialité + la décentralisation) aide les parties prenantes à concentrer leurs ressources sur des domaines à forte valeur, évitant ainsi les gaspillages dans des intégrations faiblement coordonnées ou irréalistes.
• L’évolution du système d’éco-conduite : Avec le développement continu de la technologie de l’IA et de la blockchain, cette matrice peut servir d’outil dynamique pour évaluer de nouveaux projets, en veillant à ce qu’ils répondent aux besoins réels plutôt que de favoriser une tendance excessive à la spéculation.

Le tableau suivant résume ces combinaisons de propriétés selon leur force de synergie (de la plus forte à la plus faible) et explique leur mode de fonctionnement dans le système d’IA Décentralisation. De plus, le tableau propose des exemples de projets innovants, illustrant les applications concrètes de ces combinaisons dans la réalité. À travers ce tableau, les lecteurs peuvent mieux comprendre de manière intuitive le point de convergence entre la technologie blockchain et l’IA, identifier les domaines réellement influents et éviter les orientations trop spéculatives ou techniquement irréalisables.

Matrice de collaboration AI- Bloc : le point de convergence clé de l’IA et de la technologie de la chaîne de blocs, classé selon l’intensité de la collaboration

Conclusion

La combinaison de la blockchain et de l’IA recèle un énorme potentiel de transformation, mais son développement futur nécessite une orientation claire et des efforts ciblés. Les projets véritablement innovants façonnent l’avenir de l’IA Décentralisation en s’attaquant à des défis clés tels que la confidentialité des données, la scalabilité et la confiance. Par exemple, l’apprentissage fédéré (confidentialité + Décentralisation) permet une collaboration en protégeant les données des utilisateurs, le calcul et l’entraînement distribués (performance + scalabilité) améliorent l’efficacité des systèmes d’IA, tandis que le zkML (apprentissage machine à connaissances nulles, vérifiabilité + sécurité) garantit la fiabilité des calculs d’IA.

En même temps, nous devons également adopter une approche prudente dans ce domaine. Beaucoup de prétendus agents d’IA ne sont en fait que des emballages simples de modèles existants, avec des fonctionnalités limitées, et manquent de profondeur dans leur intégration avec la blockchain. Les véritables percées viendront de projets qui exploitent pleinement les avantages respectifs de la blockchain et de l’IA, et s’engagent à résoudre des problèmes concrets, plutôt que de simplement poursuivre des produits spéculatifs sur le marché.

En regardant vers l’avenir, la matrice de collaboration AI-Bloc deviendra un outil important pour évaluer les projets, aidant efficacement les décideurs à distinguer les innovations réellement influentes du bruit sans signification.

Au cours des dix prochaines années, les projets qui pourront combiner la haute fiabilité de la blockchain avec la capacité révolutionnaire de l’IA pour résoudre des problèmes concrets seront les plus prometteurs. Par exemple, la formation de modèles éconergétiques réduira considérablement la consommation d’énergie du système AI; la collaboration axée sur la protection de la vie privée offrira un environnement plus sûr pour le partage de données; et la gouvernance évolutive de l’IA favorisera la mise en place de systèmes intelligents à plus grande échelle et plus efficaces. Il est essentiel que l’industrie se concentre sur ces domaines clés pour véritablement inaugurer l’avenir décentralisé de l’intelligence.