Матриця синергії > AI-Block Chain стане важливим інструментом для оцінки проєктів, допомагаючи особам, які приймають рішення, відрізнити справді впливові інновації від безглуздого шуму.
Написав: Swayam
Компіляція: DeepTide TechFlow
Швидкий розвиток штучного інтелекту (AI) дав небагатьом великим технологічним компаніям неперевершені обчислювальні можливості, ресурси даних та Алгоритм технології. Однак, з поступовим включенням систем AI в наше суспільство, питання доступності, прозорості та контролю стали ключовими технічними та політичними дискусіями. На такому тлі поєднання технологій блокчейну та AI надає нам альтернативний шлях дослідження - новий спосіб, який може переосмислити розробку, розгортання, розширення та управління системами AI.
Ми не маємо на меті повністю перевертати існуючу інфраструктуру штучного інтелекту, але сподіваємося за допомогою аналізу дослідити унікальні переваги, які може принести метод Децентралізація в деяких конкретних випадках використання. Водночас ми визнаємо, що в деяких контекстах традиційна централізована система може залишатися більш практичним вибором.
Нижче наведено кілька ключових питань, які надихнули наш дослідження:
- Чи можуть основні характеристики системи децентралізації (такі як прозорість, З спротивом до цензури) співвідноситися з потребами сучасних систем штучного інтелекту (таких як ефективність, масштабованість), чи вони можуть викликати суперечності?
- У яких аспектах розвитку штучного інтелекту, від збору даних до тренування моделей та інференсу, блокчейн-технологія може забезпечити суттєві поліпшення?
- У проектуванні систем штучного інтелекту Децентралізація, які технічні та економічні компроміси виникають на різних етапах?
Поточні обмеження в стеку технологій штучного інтелекту
Команда Epoch AI внесла значний внесок у аналіз обмежень поточного стеку технологій штучного інтелекту. У їх дослідженні детально розглядаються основні обмеження, з якими може стикнутися розширення обчислювальних можливостей тренування штучного інтелекту до 2030 року, з використанням кількості операцій з плаваючою точкою на секунду (FLoPs) як ключового показника обчислювальної продуктивності.
Дослідження показують, що розширення обчислень навчання штучного інтелекту може бути обмежене різними факторами, включаючи недостатність електропостачання, технологічні обмеження виробництва чіпів, дефіцит даних та проблеми затримки мережі. Кожен з цих факторів встановлює різні верхні межі обчислювальної потужності, причому проблема затримки вважається найважчою теоретичною межею, яку можна подолати.
Ця діаграма підкреслює необхідність покращення апаратних засобів, ефективності енергоспоживання, збору даних на розблокованих пристроях та прогресу в мережі для підтримки майбутнього зростання штучного інтелекту.
![]()
Обмеження потужності (продуктивність):
- Фінансова можливість розширення електроенергетичної інфраструктури (прогноз на 2030 рік): Прогнозується, що до 2030 року потужність даних центрів може сягнути від 1 до 5 гігават (ГВт). Однак це зростання потребує значних інвестицій у електроенергетичну інфраструктуру, а також подолання можливих логістичних та регуляторних перешкод.
- З обмеженнями на енергопостачання та інфраструктуру електроенергетики, максимальний обсяг розширення світової обчислювальної потужності може становити 10 000 разів більше, ніж на поточному рівні.
Можливість виробництва чіпів (перевірка):
- Зараз виробництво чіпів, які підтримують високорівневі обчислення (наприклад, NVIDIA H100, Google TPU v5), обмежене технологією упаковки (наприклад, технологією CoWoS від TSMC). Це обмеження безпосередньо впливає на доступність та масштабованість перевірки обчислень.
- Головними перешкодами для виробництва мікросхем та Мережі постачання є обмеження, але все ще можливе зростання обчислювальної потужності до 50 000 разів.
- Крім того, використання на передових чіпах безпечної ізольованої зони або середовища довіри (Trusted Execution Environments, TEE) на крайових пристроях є надзвичайно важливим. Ці технології не лише можуть перевіряти результати обчислень, але й захищати конфіденційні дані під час обчислювального процесу.
Рідкість даних (конфіденційність):
![]()
затримка 壁垒 ( 性能 ):
- Невід’ємне обмеження затримки під час тренування моделі: зі зростанням масштабу штучного інтелекту невід’ємно зростає час, необхідний для виконання послідовних обчислень у процесі прямого та зворотного розповсюдження. Ця затримка є фундаментальним обмеженням у процесі тренування моделі, яке безпосередньо впливає на швидкість тренування.
- Виклики розширення обсягу партій: Для пом’якшення проблеми затримки, поширеним методом є збільшення обсягу партій, щоб більше даних могли оброблятися паралельно. Однак розширення обсягу партій має певні обмеження, такі як недостатня обсяг пам’яті, а також зменшення маргінальних вигод в збільшенні обсягу партій для збільшення зближеності моделі. Ці фактори ускладнюють вирішення проблеми затримки шляхом збільшення обсягу партій.
Основи
Децентралізація AI 三角形
Поточні обмеження штучного інтелекту (такі як дефіцит даних, обмеження обчислювальної потужності, проблеми затримки та виробничої потужності чіпів) утворюють «Трикутник Децентралізації штучного інтелекту». Ця рамка намагається забезпечити баланс між конфіденційністю, перевіркою можливості та продуктивністю. Ці три атрибути є основними елементами, які забезпечують ефективність, довіру та масштабованість системи Децентралізації штучного інтелекту.
![]()
Нижче наведено детальний аналіз ключових компромісів між конфіденційністю, перевіркою та продуктивністю, де розглядаються визначення, технології реалізації та виклики, з якими вони стикаються.
![]()
- Конфіденційність: Захист чутливих даних є важливим у процесі навчання та розуміння AI. Для цього використовуються різноманітні ключові технології, такі як середовища довіреної виконавчої здатності (TEEs), лонгуючий обчислення (MPC), федеративне навчання, повністю гомоморфне шифрування (FHE) та диференційна конфіденційність. Ці технології, хоча ефективні, також вносять виклики, такі як витрати на продуктивність, прозорість, вплив на можливість перевірки та обмежена масштабованість.
- Перевірка: для забезпечення правильності та цілісності обчислень використовуються технології нульового розголошення (ZKPs), шифрування доказів та перевірка обчислень. Однак, досягнення балансу між конфіденційністю та продуктивністю з перевіркою може вимагати додаткових ресурсів і часу, що може призвести до затримки обчислень.
- Продуктивність: ефективне виконання обчислень ШІ та реалізація масштабних застосувань, що базуються на розподіленій інфраструктурі обчислень, апаратному прискоренні та ефективному мережевому з’єднанні. Однак використання технологій підвищення конфіденційності може сповільнити обчислювальну швидкість, а перевірка обчислень може збільшити додаткові витрати.
Три складності блокчейну:
![]()
Головним викликом, з яким стикається галузь блокчейну, є трійні труднощі, кожна система блокчейну повинна збалансувати між наступними трьома аспектами:
- Децентралізація: шляхом розподілу мережі на багатьох незалежних Нодах запобігається контроль будь-якої окремої сутності над системою.
- Безпека: забезпечення безпеки мережі від атак та збереження цілісності даних, як правило, потребує більше перевірок та процесу Консенсусу.
- Масштабованість: швидко та економічно обробляти великий обсяг угод, але це зазвичай означає зробити уступки в Децентралізація (зменшення кількості Нода) або безпека (Падіння міцності перевірки).
Наприклад, Ethereum переважно зосереджується на децентралізації та безпеці, тому його швидкість обробки транзакцій відносно повільна. Для більш глибокого розуміння цих компромісів у Блокчейн архітектурі рекомендується звернутися до відповідної літератури.
AI- Аналітична матриця спільної роботи блокчейну (3x3)
Поєднання штучного інтелекту і блокчейну - це складний процес зважування і можливостей. Ця матриця показує, де ці дві технології можуть зіштовхнутися, знайти гармонійну взаємодію і часом підсилювати слабкі сторони один одного.
Принцип роботи матриці співпраці
Сила співпраці відображає сумісність та вплив технологій блокчейну та штучного інтелекту в конкретних галузях. Зокрема, вона залежить від того, як обидві технології спільно протистоять викликам та покращують функціональні можливості одна одної. Наприклад, в контексті конфіденційності даних, поєднання недоступності зміни даних блокчейну з обробкою даних штучного інтелекту може принести нові рішення.
![]()
Принцип роботи матриці співпраці
Приклад 1: Продуктивність + Децентралізація（слабка координація）
У децентралізованій мережі, такій як BTC або Ethereum, продуктивність зазвичай обмежується різними факторами. Ці обмеження включають коливання ресурсів ноди, велику затримку у комунікації, вартість обробки транзакцій та складність механізму консенсусу. Для застосувань штучного інтелекту, які потребують низької затримки та великої пропускної здатності (наприклад, реального часу AI-інференції або навчання масштабних моделей), ці мережі не можуть забезпечити достатню швидкість та обчислювальну надійність, що не відповідає вимогам високої продуктивності.
Приклад 2: Приватність + Децентралізація (сильна співпраця)
Технологія штучного інтелекту з захистом конфіденційності (наприклад, федеративне навчання) може повністю використовувати властивості Децентралізація блокчейну, забезпечуючи ефективну співпрацю при захисті даних користувачів. Наприклад, SoraChain AI надає рішення, яке забезпечує власникам даних право власності за допомогою федеративного навчання, підтримуваного блокчейном. Власники даних можуть надавати високоякісні дані для навчання моделей зберігаючи конфіденційність та досягаючи перемоги у забезпеченні конфіденційності та співпраці.
Метою цієї матриці є надання галузі зрозумілого уявлення про перетин штучного інтелекту та блокчейну, направлення інноваторів та інвесторів на перевагу реально обґрунтованих напрямків, дослідження потенційно перспективних сфер, у той же час уникнення попадання в проекти, що мають лише спекулятивне значення.
![]()
AI- Блокчейн координатна матриця
Обидва промені матриці співпраці представляють різні властивості: один промінь - це три основні характеристики Децентралізація штучного інтелекту - перевірка, конфіденційність та продуктивність; інший промінь - це три складнощі блокчейну - безпека, масштабованість та Децентралізація. Коли ці властивості перетинаються, вони утворюють ряд спільних ефектів, від високої взаємодії до потенційних конфліктів.
Наприклад, коли поєднуються перевірка та безпека (висока співпраця), можна побудувати потужну систему для підтвердження правильності та цілісності обчислень ШІ. Але коли вимоги до продуктивності конфліктують з Децентралізація (низька співпраця), великий розхід розподіленої системи значно впливає на ефективність. Крім того, деякі комбінації (наприклад, конфіденційність та масштабованість) знаходяться в середній зоні, мають потенціал, але також стикаються з складними технічними викликами.
Чому це важливо?
- Стратегічний компас: Ця матриця надає чіткий напрямок прийняття рішень, дослідникам та розробникам, допомагаючи їм зосередитися на високосинергетичних областях, таких як забезпечення конфіденційності даних через федеративне навчання або використання обчислень Децентралізація для розширення навчання штучного інтелекту.
- Зосередження на впливовому інноваціях та розподілі ресурсів: Розуміння розподілу сили співпраці (наприклад, безпека + перевірка, конфіденційність + Децентралізація) сприяє залученню зацікавлених сторін до концентрації ресурсів у високоцінних галузях та уникненню витрат на слабку співпрацю або нереалістичну інтеграцію.
- Ведення еволюції екосистеми: З розвитком штучного інтелекту та технології блокчейну, ця матриця може слугувати динамічним інструментом для оцінки нових проектів, щоб забезпечити їх відповідність реальним потребам, а не сприяти тенденції до переоцінки.
Нижче наведено таблицю, в якій згідно зі ступенем взаємодії (від сильної до слабкої) узагальнено ці комбінації властивостей та пояснено їх реальний спосіб функціонування в системі Децентралізація штучного інтелекту. Також у таблиці подано приклади інноваційних проектів, що демонструють застосування цих комбінацій у реальних сценаріях. Через цю таблицю читачі зможуть краще зрозуміти точки перетину блокчейну та штучного інтелекту, визначити дійсно впливові області та уникнути тих, що перебільшуються або технічно неможливі.
![]()
AI- Блокчейн координаційна матриця: ключові точки перетину технологій AI та Блокчейн за силою координації
Висновок
Поєднання блокчейну та штучного інтелекту містить великий потенціал перетворень, але майбутній розвиток потребує чіткого напрямку та уваги. Справжні проекти інновацій працюють над вирішенням ключових викликів, таких як конфіденційність даних, масштабованість та довіра, формуючи майбутнє Децентралізація інтелекту. Наприклад, федеративне навчання (конфіденційність + Децентралізація) співпрацює захищаючи дані користувачів, розподілене обчислення та навчання (продуктивність + масштабованість) підвищують ефективність систем штучного інтелекту, а zkML (нульове знання машинного навчання, перевірка + безпека) гарантує довіру до обчислень штучного інтелекту.
У той же час, нам також потрібно ставитися до цієї галузі обережно. Багато так званих AI-агентів насправді є простими обгортками існуючих моделей з обмеженими можливостями і відсутністю Глибина зв’язку з блокчейном. Справжні прориви будуть досягатися тими проектами, які повністю використовують переваги блокчейну та ШІ та зосереджені на вирішенні реальних проблем, а не на продуктах, що просто домагаються ринкової маніпуляції.
Погляд у майбутнє, AI- Блокчейн координаційна матриця стане важливим інструментом для оцінки проектів, який допоможе приймати рішенням розділити справжні інновації з впливом від безглуздого шуму.
У наступному десятилітті проектам, які зможуть поєднати високу надійність блокчейну з потужністю трансформації ШІ для вирішення практичних проблем, належатиме майбутнє. Наприклад, енергоефективне навчання моделей значно знизить енергоспоживання ШІ систем; конфіденційна співпраця забезпечить безпечне середовище для обміну даними; а масштабоване управління ШІ сприятиме впровадженню більш масштабних та ефективних інтелектуальних систем. Галузь повинна сфокусуватися на цих ключових областях, щоб по-справжньому відкрити майбутнє інтелекту.
![]()
