AI- Блокчейн координационная матрица станет важным инструментом для оценки проектов, который поможет принимающим решениям отличить действительно влиятельные инновации от бессмысленного шума.
**Написал:**Swayam
Компиляция: Deep Tide TechFlow
Бурное развитие искусственного интеллекта (AI) привело к тому, что несколько крупных технологических компаний получили невиданную ранее вычислительную мощность, доступ к данным и технологии Алгоритмов. Однако по мере того как системы искусственного интеллекта все более интегрируются в наше общество, вопросы доступности, прозрачности и контроля стали центральными темами технических и политических дискуссий. В этом контексте совмещение технологии блокчейн с AI предлагает нам альтернативный путь, заслуживающий исследования - новый способ, который возможно переопределит разработку, развертывание, расширение и управление системами искусственного интеллекта.
Мы не стремимся полностью перевернуть существующую инфраструктуру искусственного интеллекта, а хотим исследовать и обсудить уникальные преимущества метода Децентрализация в определенных конкретных случаях. В то же время мы признаем, что в некоторых контекстах традиционные централизованные системы могут оставаться более практичным выбором.
Несколько ключевых вопросов направили наши исследования:
Могут ли ключевые особенности систем децентрализации, такие как прозрачность и сопротивление цензуре, сочетаться с требованиями современных систем искусственного интеллекта, таких как эффективность и масштабируемость, или возникнут противоречия?
- В каких областях технология блокчейн может предложить существенные улучшения в различных аспектах разработки искусственного интеллекта - от сбора данных до обучения моделей и вывода?
- В процессе проектирования Децентрализация AI системы, какие технические и экономические компромиссы возникают на разных этапах?
Текущие ограничения в стеке технологий искусственного интеллекта
Команда Epoch AI внесла значительный вклад в анализ ограничений текущего стека технологий искусственного интеллекта. Их исследование подробно описывает основные ограничения, с которыми может столкнуться расширение вычислительной мощности для обучения ИИ до 2030 года, и использует в качестве основной метрики производительности вычислений количество операций с плавающей запятой в секунду (FLoPs).
Исследования показывают, что расширение вычислительной мощности для обучения искусственного интеллекта может быть ограничено различными факторами, такими как недостаток электроэнергии, технологические ограничения на производстве микросхем, недостаток данных и проблемы задержки в сети. Каждый из этих факторов является пределом для достижения вычислительной мощности, при этом проблема задержки считается наиболее трудной теоретической границей.
На диаграмме подчеркивается необходимость усовершенствования аппаратного обеспечения, энергоэффективности, разблокировки данных, собранных на периферийных устройствах, и сетей для поддержки будущего ИИ.
![]()
Ограничение мощности:
- Возможность расширения инфраструктуры электропитания (прогноз на 2030 год): По прогнозам, к 2030 году емкость парков данных может достигнуть от 1 до 5 ГВт. Однако это требует масштабных инвестиций в инфраструктуру электроснабжения, а также преодоления возможных логистических и регуляторных препятствий.
- В связи с ограничениями в снабжении энергией и инфраструктурой электроснабжения ожидается, что предельное увеличение вычислительной мощности в мире может достигнуть 10 000 раз текущего уровня.
Производительность производства микросхем (проверяемость):
- В настоящее время производство чипов, используемых для поддержки передовых вычислений (таких как NVIDIA H100, Google TPU v5), ограничено технологией упаковки (например, технологией CoWoS от TSMC). Это ограничение напрямую влияет на доступность и масштабируемость проверяемых вычислений.
- Проблема производства микросхем и блокчейн поставок - главное препятствие, но все еще возможно достичь роста вычислительных мощностей до 50,000 раз.
- Кроме того, важно, чтобы передовые микросхемы использовали защищенные изоляционные зоны или доверенные исполняющие среды (Trusted Execution Environments, TEEs) на периферийных устройствах. Эти технологии не только способны проверять результаты вычислений, но и защищать конфиденциальность чувствительных данных в процессе вычислений.
Недостаток данных (Конфиденциальность):
![]()
задержка壁垒 ( 性能 )：
- Ограничение задержки в процессе обучения модели: с увеличением масштаба AI модели время, необходимое для одного прохода вперед и назад, значительно увеличивается из-за последовательности вычислений. Эта задержка является неизбежным ограничением в процессе обучения модели и непосредственно влияет на скорость обучения.
- Вызов увеличения размера пакета: для смягчения задержки, расширение размера пакета является распространенным методом, позволяющим параллельно обрабатывать больше данных. Однако увеличение размера пакета имеет практические ограничения, такие как недостаток памяти и убывающая маржинальная польза сходимости модели с увеличением размера пакета. Эти факторы делают более сложным компенсацию задержки путем увеличения размера пакета.
Основы
Децентрализация AI 三角形
Текущие множественные ограничения, с которыми сталкивается искусственный интеллект (например, недостаток данных, узкие места в вычислительных возможностях, задержки и производственные возможности чипов), совместно составляют “Треугольник Децентрализации AI”. Эта концепция пытается достичь баланса между конфиденциальностью, верифицируемостью и производительностью. Эти три атрибута являются ключевыми элементами обеспечения эффективности, доверия и масштабируемости системы Децентрализации AI.
![]()
Ниже приведена подробная анализ таблицы ключевых компромиссов между конфиденциальностью, проверяемостью и производительностью, глубоко исследованы их определения, технологии реализации и стоящие перед ними вызовы:
![]()
- Конфиденциальность: Защита чувствительных данных в процессе обучения и логических выводов искусственного интеллекта (AI) крайне важна. Для этого применяются различные ключевые технологии, включая доверенные исполнительные среды (TEEs), лонгующий расчет (MPC), федеративное обучение, полностью гомоморфное шифрование (FHE) и дифференциальная конфиденциальность. Эти технологии, хотя и эффективны, также создают вызовы в виде накладных расходов, проблем прозрачности, влияющих на верифицируемость, а также ограничения масштабируемости.
- Верифицируемость: Для обеспечения правильности и целостности вычислений используются технологии zk-SNARKs, шифрование удостоверений и верификация вычислений. Однако достижение баланса между конфиденциальностью, производительностью и верифицируемостью часто требует дополнительных ресурсов и времени, что может привести к задержке вычислений.
- Производительность: эффективное выполнение вычислений ИИ и реализация масштабных приложений зависят от инфраструктуры распределенных вычислений, аппаратного ускорения и эффективного сетевого подключения. Однако использование технологии улучшения конфиденциальности может замедлить скорость вычислений, а верификация вычислений также повлечет за собой дополнительные издержки.
Блокчейн三难困境：
![]()
Основным вызовом, стоящим перед областью блокчейна, является трилемма, каждая блокчейн-система должна находить баланс между следующими тремя аспектами:
- Децентрализация: предотвращение контроля системы любым одиночным субъектом путем распределения сети по нескольким независимым узлам.
- Безопасность: гарантирует защиту сети от атак и сохранение целостности данных, обычно требует дополнительной проверки и процесса Соглашение.
- Масштабируемость: быстрая и экономичная обработка большого объема транзакций, но это обычно означает компромисс в Децентрализация (уменьшение количества Узел) или безопасность (Падение степени проверки).
Например, Ethereum приоритетно рассматривает Децентрализация и безопасность, поэтому скорость обработки транзакций относительно низкая. Для более глубокого понимания этих компромиссов в архитектуре Блокчейн можно обратиться к соответствующей литературе.
AI- Матрица совместного анализа блокчейна (3x3)
Сочетание искусственного интеллекта и блокчейна представляет собой сложный процесс балансировки и возможностей. Эта матрица показывает, где эти две технологии могут сталкиваться, находить точки гармонии и иногда усиливать слабые стороны друг друга.
Принцип работы совместной матрицы
Сила совместных усилий отражает совместимость и влияние технологий блокчейн и искусственного интеллекта в определенной области. Конкретно она зависит от того, как обе технологии совместно решают проблемы и улучшают свои функции. Например, в области конфиденциальности данных, сочетание неизменяемости блокчейна и обработки данных искусственным интеллектом может привести к новым решениям.
![]()
Принцип работы совместной матрицы
Пример 1: Производительность + Децентрализация (слабая координация)
В децентрализованной сети, например, BTC или Ethereum, производительность обычно ограничивается многими факторами. Эти ограничения включают изменчивость ресурсов узла, высокую задержку связи, затраты на обработку транзакций и сложность механизма консенсуса. Для ИИ-приложений, требующих низкой задержки и высокой пропускной способности (например, реального времени вывода ИИ или обучения моделей в масштабе), эти сети не могут обеспечить достаточную скорость и вычислительную надежность, чтобы удовлетворить требования высокой производительности.
Пример 2: конфиденциальность + Децентрализация（сильная координация）
Технология искусственного интеллекта с защитой конфиденциальности (например, федеративное обучение) может полностью использовать особенности Децентрализация блокчейна, обеспечивая эффективное сотрудничество при защите данных пользователей. Например, SoraChain AI предлагает решение, обеспечивающее сохранение собственности данных с помощью федеративного обучения, поддерживаемого блокчейном. Владельцы данных могут предоставлять высококачественные данные для обучения модели, обеспечивая победу в области конфиденциальности и сотрудничества при сохранении конфиденциальности.
Целью этой матрицы является помощь отрасли в понимании точек пересечения искусственного интеллекта и блокчейна, направляя инноваторов и инвесторов к приоритетному рассмотрению реально выполнимых направлений, исследованию потенциально перспективных областей, избегая при этом вовлечения в проекты, имеющие лишь спекулятивное значение.
![]()
AI- Блокчейн совместная матрица
Обе оси совместной матрицы представляют различные характеристики: одна ось - это три основные характеристики Децентрализация искусственного интеллекта - верифицируемость, конфиденциальность и производительность; другая ось - это три трудности блокчейна - безопасность, масштабируемость и Децентрализация. Когда эти характеристики взаимодействуют, они образуют ряд совместных эффектов, от полного соответствия до потенциальных конфликтов в изобилии.
Например, при сочетании проверяемости и безопасности (высокая согласованность) можно создать мощную систему для доказательства правильности и полноты вычислений искусственного интеллекта. Однако, когда требования к производительности конфликтуют с децентрализацией (низкая согласованность), высокая стоимость распределенной системы значительно влияет на эффективность. Кроме того, некоторые комбинации (например, конфиденциальность и масштабируемость) находятся в промежуточной зоне, имеют потенциал и сталкиваются с сложными техническими проблемами.
Почему это важно?
- Стратегический компас: Эта матрица предоставляет руководителям, исследователям и разработчикам четкое направление, помогая им сосредоточиться на областях высокой совместной работы, таких как обеспечение конфиденциальности данных через федеративное обучение или достижение масштабируемого обучения искусственного интеллекта с помощью Децентрализация вычислений.
- Фокус на влиятельные инновации и распределение ресурсов: Понимание распределения силы совместной деятельности (например, безопасность + проверяемость, конфиденциальность + Децентрализация) помогает заинтересованным сторонам сосредоточить ресурсы в высокоценных областях и избежать их расточения на слабые совместные усилия или нереалистичные интеграции.
- Эволюция экосистемы руководства: с развитием технологий искусственного интеллекта и блокчейна этот матричный инструмент может служить для оценки новых проектов, обеспечивая их соответствие реальным потребностям, а не способствуя излишней спекуляции.
В таблице ниже суммированы комбинации свойств по уровню координации (от сильного к слабому) и объяснено, как они работают в системе Децентрализация AI. Также таблица содержит примеры новых проектов, демонстрирующих применение этих комбинаций на практике. Читатели могут более наглядно понять точки пересечения блокчейна и технологии ИИ, определить действительно влиятельные области и избежать направлений, которые сильно завышены или технически невозможны.
![]()
AI- Синергетическая матрица блокчейна: ключевые точки пересечения ИИ и технологии блокчейна по степени синергии
Вывод
Сочетание блокчейна и ИИ содержит огромный потенциал перемен, но будущее развитие требует четкого направления и сосредоточенных усилий. Проекты, действительно стимулирующие инновации, сейчас решают ключевые проблемы, такие как конфиденциальность данных, масштабируемость и доверие, и формируют Децентрализация будущего интеллекта. Например, федеративное обучение (конфиденциальность + Децентрализация) достигает сотрудничества с помощью защиты данных пользователей, распределенное вычисление и обучение (производительность + масштабируемость) повышают эффективность систем искусственного интеллекта, а zkML (нулевое знание машинного обучения, верифицируемость + безопасность) обеспечивает надежность вычислений в области искусственного интеллекта.
В то же время, мы также должны относиться к этой области осторожно. Многие так называемые AI интеллектуальные агенты фактически представляют собой простую оболочку существующих моделей, ограниченных возможностей, их сочетание с блокчейном также не имеет Глубина. Настоящие прорывы придут от тех проектов, которые полностью используют преимущества блокчейна и ИИ, и стремятся решить реальные проблемы, а не просто гнаться за рыночными спекуляциями.
В будущем, AI-Блокчейн синергетическая матрица станет важным инструментом для оценки проектов, способным эффективно помочь принимающим решения различать действительно влиятельные инновации от бесполезного шума.
В течение следующих десяти лет преимущество получат проекты, способные комбинировать высокую надежность блокчейна и возможности технологии искусственного интеллекта для решения реальных проблем. Например, обучение моделей с учетом энергосбережения значительно снизит энергопотребление Падение систем искусственного интеллекта; среда совместной работы с защитой конфиденциальности обеспечит более безопасное окружение для обмена данными; а масштабируемое управление искусственным интеллектом способствует более масштабной и эффективной реализации интеллектуальных систем. Индустрия должна сосредоточиться на этих ключевых областях, чтобы настоящим образом открыть Децентрализация будущее интеллекта.
![]()
