A matriz de colaboração AI-Bloco será uma ferramenta importante para avaliação de projetos, ajudando efetivamente os tomadores de decisão a distinguir inovações realmente impactantes de ruídos insignificantes.
Escrito por: Swayam
Compilação: TechFlow da DeepFlow
O rápido desenvolvimento da inteligência artificial (IA) permitiu que algumas grandes empresas de tecnologia obtivessem uma capacidade de cálculo, recursos de dados e tecnologia de Algoritmo sem precedentes. No entanto, à medida que os sistemas de IA se integram gradualmente na nossa sociedade, surgem questões fundamentais sobre acessibilidade, transparência e controlo, que se tornaram tópicos centrais de discussão tecnológica e política. Neste contexto, a combinação da tecnologia blockchain e IA oferece um caminho alternativo que vale a pena explorar - uma forma que pode redefinir o desenvolvimento, implementação, expansão e governança de sistemas de IA.
Não estamos buscando uma completa subversão da infraestrutura de IA existente, mas sim explorar, através de análises, as vantagens únicas que o método de Descentralização pode trazer em casos de uso específicos. Ao mesmo tempo, reconhecemos que em algumas situações, sistemas centralizados tradicionais ainda podem ser a escolha mais prática.
Várias questões-chave guiaram nossa pesquisa:
- Será que as características essenciais do sistema Descentralização (como transparência, resistência à censura) podem complementar as necessidades dos sistemas de IA modernos (como eficiência, escalabilidade), ou haverá conflitos?
- Em quais aspectos a tecnologia blockchain pode oferecer melhorias substanciais em todos os estágios do desenvolvimento de IA - desde a coleta de dados até o treinamento do modelo e inferência?
- No design do sistema de IA de Descentralização, quais são as compensações técnicas e econômicas em diferentes etapas?
Limitações atuais na pilha de tecnologia de IA
A equipe da Epoch AI fez uma contribuição importante ao analisar as limitações da pilha de tecnologia AI atual. Sua pesquisa detalha os principais gargalos que a expansão da capacidade de treinamento de AI pode enfrentar até 2030, usando FLoPs (Floating Point Operations per Second) como indicador central de desempenho computacional.
A pesquisa indica que a expansão do treinamento de IA pode ser limitada por vários fatores, incluindo escassez de energia, gargalos na tecnologia de fabricação de chips, escassez de dados e problemas de latência de rede. Esses fatores estabelecem limites diferentes para a capacidade de computação viável, sendo os problemas de latência considerados o limite teórico mais difícil de superar.
Este gráfico destaca a necessidade de hardware, eficiência energética, avanços na captura de dados em dispositivos de borda desbloqueados e na rede para apoiar o crescimento futuro da inteligência artificial.
![]()
Restrição de energia (desempenho):
- Viabilidade da expansão da infraestrutura elétrica (previsão para 2030): Prevê-se que a capacidade do parque de centros de dados alcance de 1 a 5 gigawatts (GW) até 2030. No entanto, isso requer investimentos em larga escala na infraestrutura elétrica, além de superar possíveis obstáculos logísticos e regulatórios.
- Devido a restrições no fornecimento de energia e infraestrutura elétrica, espera-se que a capacidade de computação global possa ser expandida em até 10.000 vezes o nível atual.
Capacidade de produção de chips (verificável):
Atualmente, a produção de chips para suportar computação avançada (como NVIDIA H100, Google TPU v5) é limitada pela tecnologia de encapsulamento (como a tecnologia CoWoS da TSMC). Essa limitação afeta diretamente a disponibilidade e escalabilidade da computação verificável.
- O fabrico de chips e os gargalos na cadeia de fornecimento são os principais obstáculos, mas ainda assim podem permitir um aumento da capacidade de cálculo em até 50.000 vezes.
- Além disso, é crucial habilitar áreas de isolamento seguro ou ambientes de execução confiáveis (Trusted Execution Environments, TEEs) em dispositivos de borda usando chips avançados. Essas tecnologias não apenas podem verificar os resultados dos cálculos, mas também proteger a privacidade dos dados sensíveis durante o processo de cálculo.
Escassez de dados (privacidade):
![]()
barreira de latência (desempenho):
- Limitações inerentes à latência no treinamento de modelos: À medida que os modelos de IA continuam a crescer em tamanho, o tempo necessário para uma única propagação para frente e para trás aumenta significativamente devido à natureza sequencial do processo computacional. Esta latência é uma limitação fundamental que não pode ser contornada durante o treino modelo, o que afeta diretamente a velocidade de treino.
- Desafios na expansão do tamanho do lote: Para mitigar o problema da latência, um método comum é aumentar o tamanho do lote para que mais dados possam ser processados em paralelo. No entanto, a expansão do tamanho do lote enfrenta limitações práticas, como capacidade de memória insuficiente e retornos marginais decrescentes na convergência do modelo à medida que o tamanho do lote aumenta. Esses fatores tornam mais difícil compensar a latência aumentando o tamanho do lote.
Noções básicas
Descentralização AI 三角形
As várias restrições enfrentadas pela IA atualmente (como a escassez de dados, os gargalos de capacidade de computação, os problemas de latência e a capacidade de produção de chips) formam juntas o “Triângulo Descentralização da IA”. Este quadro busca equilibrar a privacidade, a verificabilidade e o desempenho. Essas três características são elementos essenciais para garantir a eficácia, a confiabilidade e a escalabilidade dos sistemas de IA descentralizados.
![]()
A tabela a seguir analisa detalhadamente o equilíbrio fundamental entre privacidade, verificabilidade e desempenho, explorando em profundidade suas definições, tecnologias de implementação e desafios enfrentados:
![]()
- Privacidade: É crucial proteger dados sensíveis durante o treino e inferência de IA. Para isso, são utilizadas diversas tecnologias chave, incluindo Ambientes de Execução Confiáveis (TEEs), cálculo mais longo (MPC), Aprendizagem Federada, Criptografia Homomórfica Totalmente (FHE) e Privacidade Diferencial. Embora eficazes, essas tecnologias também trazem desafios como custos de desempenho, questões de transparência que afetam a verificabilidade e restrições de escalabilidade.
- Verificabilidade: Para garantir a correção e a integridade dos cálculos, são utilizadas tecnologias como provas de conhecimento zero (ZKPs), criptografia de certificados e computação verificável. No entanto, equilibrar a privacidade, o desempenho e a verificabilidade geralmente requer recursos e tempo adicionais, o que pode resultar em latência de cálculo.
- Desempenho: Executar cálculos de IA de forma eficiente e implementar aplicativos em grande escala depende de infraestrutura de computação distribuída, aceleração de hardware e conexões de rede eficientes. No entanto, o uso de tecnologias de privacidade aprimoradas pode diminuir a velocidade de cálculo, e a computação verificável também pode adicionar despesas adicionais.
Dilema dos três desafios do Bloco链:
![]()
O principal desafio enfrentado no campo da blockchain é o dilema dos três obstáculos, onde cada sistema blockchain deve equilibrar entre os seguintes três elementos:
- Descentralização: evita que qualquer entidade única controle o sistema, distribuindo a rede em vários nós independentes.
- Segurança: Garantir que a rede esteja protegida contra ataques e manter a integridade dos dados, geralmente requer mais validações e processos de Consenso.
- Escalabilidade: processar rapidamente e economicamente uma grande quantidade de transações, embora isso geralmente signifique comprometer a Descentralização (reduzindo a quantidade de Nós) ou a segurança (fortalecendo a validação Gota).
Por exemplo, o Ethereum prioriza a descentralização e a segurança, portanto, sua velocidade de processamento de transações é relativamente lenta. Para uma compreensão mais aprofundada desses compromissos na arquitetura de blockchain, consulte a literatura relevante.
AI- Matriz de Análise Colaborativa de Blockchain (3x3)
A combinação de IA e blockchain é um processo complexo de equilíbrio e oportunidade. Esta matriz mostra onde essas duas tecnologias podem causar atrito, encontrar pontos de harmonia e, às vezes, amplificar as fraquezas um do outro.
O princípio de funcionamento da matriz de colaboração
A intensidade da colaboração reflete a compatibilidade e influência da blockchain e das propriedades de IA em um campo específico. Em particular, depende de como as duas tecnologias enfrentam desafios e melhoram suas funcionalidades juntas. Por exemplo, em termos de privacidade de dados, a combinação da imutabilidade da blockchain com a capacidade de processamento de dados da IA pode levar a novas soluções.
![]()
O princípio de funcionamento da matriz de colaboração
Exemplo 1: Desempenho + Descentralização (fraca coordenação)
Na rede de Descentralização, como BTC ou Ethereum, o desempenho é geralmente limitado por vários fatores. Essas restrições incluem a volatilidade dos recursos do Nó, alta latência de comunicação, custos de processamento de transações e a complexidade do Mecanismo de consenso. Para aplicações de IA que requerem baixa latência e alta taxa de transferência (como inferência de IA em tempo real ou treinamento de modelos em grande escala), essas redes têm dificuldade em fornecer velocidade e confiabilidade computacional suficientes para atender às demandas de alto desempenho.
Exemplo 2: Privacidade + Descentralização (Cooperação Forte)
A tecnologia de IA orientada para a proteção da privacidade (como a aprendizagem federada) pode aproveitar plenamente as características de Blockchain da descentralização para proteger os dados do utilizador e, ao mesmo tempo, permitir uma colaboração eficiente. Por exemplo, a SoraChain AI oferece uma solução que utiliza a aprendizagem federada suportada pela Blockchain para garantir a propriedade dos dados. Os proprietários dos dados podem contribuir com dados de alta qualidade para o treino do modelo, mantendo a privacidade e alcançando uma situação vantajosa para todos.
O objetivo desta matriz é ajudar a indústria a compreender claramente o ponto de interseção entre a IA e a blockchain, orientando os inovadores e investidores a priorizar direções viáveis, explorar áreas com potencial e evitar projetos puramente especulativos.
![]()
AI- Bloco链协同矩阵
As duas linhas do matriz colaborativa representam diferentes propriedades: uma linha representa as três principais características do sistema de IA de Descentralização - verificabilidade, privacidade e desempenho; a outra linha representa as três dificuldades da blockchain - segurança, escalabilidade e Descentralização. Quando essas propriedades se cruzam, uma série de efeitos colaborativos é formada, variando de alta compatibilidade a conflitos potenciais.
Por exemplo, quando a verificabilidade é combinada com segurança (alta coesão), pode-se construir sistemas poderosos para provar a correção e integridade do cálculo de IA. No entanto, quando os requisitos de desempenho entram em conflito com a Descentralização (baixa coesão), o alto custo de sistemas distribuídos afetará significativamente a eficiência. Além disso, algumas combinações (como privacidade e escalabilidade) estão em uma zona intermediária, com potencial e desafios técnicos complexos.
Por que isso é importante?
- Bússola estratégica: Esta matriz fornece uma direção clara para tomadores de decisão, pesquisadores e desenvolvedores, ajudando-os a se concentrarem em áreas altamente colaborativas, como garantir a privacidade dos dados por meio da aprendizagem federada ou alcançar um treinamento de IA escalável através da Descentralização computacional.
- Focar na inovação e na distribuição de recursos com impacto: Compreender a distribuição da intensidade da colaboração (como segurança + verificabilidade, privacidade + Descentralização) ajuda os interessados a concentrar recursos em áreas de alto valor, evitando desperdício em integrações fracas ou impraticáveis.
- Direcionando a evolução do ecossistema: Com o contínuo desenvolvimento da IA e da tecnologia blockchain, essa matriz pode servir como uma ferramenta dinâmica para avaliar novos projetos, garantindo que atendam às necessidades reais em vez de alimentar tendências excessivamente especulativas.
A tabela abaixo resume essas combinações de atributos de acordo com a força de sinergia (da mais forte para a mais fraca) e explica como elas operam no sistema Descentralização AI. A tabela também fornece exemplos de projetos inovadores que demonstram as aplicações dessas combinações na vida real. Por meio dessa tabela, os leitores podem ter uma compreensão mais clara do ponto de interseção entre a tecnologia blockchain e a IA, identificar áreas verdadeiramente influentes e evitar direções excessivamente hiper infladas ou inviáveis em termos de tecnologia.
![]()
AI- Matriz de Cooperação da Bloco: Pontos-chave de interseção da tecnologia AI e da Bloco, classificados por intensidade de cooperação
Conclusão
A combinação de blockchain e IA tem um enorme potencial transformador, mas o futuro desenvolvimento requer direção clara e esforço concentrado. Projetos verdadeiramente impulsionadores da inovação estão moldando o futuro da inteligência Descentralização ao enfrentar desafios-chave, como privacidade de dados, escalabilidade e confiança. Por exemplo, o aprendizado federado (privacidade + Descentralização) permite colaboração ao proteger os dados do usuário, a computação e treinamento distribuídos (desempenho + escalabilidade) aumentam a eficiência dos sistemas de IA, e zkML (aprendizado de máquina com conhecimento zero, verificabilidade + segurança) garante a confiabilidade dos cálculos de IA.
Ao mesmo tempo, também precisamos abordar este campo com cautela. Muitos chamados agentes de IA inteligentes são na verdade apenas embalagens simples de modelos existentes, com funcionalidades limitadas e uma falta de Profundidade na integração com a blockchain. As verdadeiras inovações virão daqueles projetos que exploram plenamente as vantagens individuais da blockchain e da IA, e que se dedicam a resolver problemas reais, em vez de simplesmente perseguir produtos para especulação de mercado.
Olhando para o futuro, a matriz de colaboração AI-Bloco será uma ferramenta importante para avaliar projetos, ajudando efetivamente os tomadores de decisão a distinguir inovações impactantes de ruídos sem sentido.
Nos próximos dez anos, aqueles que puderem combinar a alta confiabilidade da blockchain com a capacidade transformadora da IA para resolver problemas reais serão os protagonistas. Por exemplo, a modelagem de treinamento de economia de energia reduzirá significativamente o consumo de energia do sistema de IA Gota; a colaboração com proteção de privacidade proporcionará um ambiente mais seguro para o compartilhamento de dados; e a governança escalável da IA impulsionará a implementação de sistemas inteligentes em maior escala e mais eficientes. A indústria precisa se concentrar nessas áreas-chave para abrir verdadeiramente o futuro descentralizado da inteligência.
![]()
