L'avancement rapide de l'IA a créé une concentration sans précédent de puissance de calcul, de données et de capacités algorithmiques au sein d'un petit nombre de grandes entreprises technologiques. Alors que les systèmes d'IA deviennent de plus en plus intégrés à notre société, des questions sur l'accessibilité, la transparence et le contrôle ont été placées au premier plan des discussions techniques et politiques. Dans ce contexte, l'intersection entre la blockchain et l'IA présente une voie alternative intrigante - une voie qui pourrait potentiellement remodeler la manière dont les systèmes d'IA sont développés, déployés, mis à l'échelle et régis.

Plutôt que de plaider pour une perturbation complète de l'infrastructure existante de l'IA, nous explorons des cas d'utilisation spécifiques où des approches décentralisées pourraient offrir des avantages uniques tout en reconnaissant des scénarios où les systèmes centralisés traditionnels restent plus pratiques.

Plusieurs questions clés guident notre analyse :

• Comment les propriétés fondamentales des systèmes décentralisés complètent-elles ou entrent-elles en conflit avec les exigences des systèmes d'IA modernes?
• Où le long de la pile de développement de l'IA - de la collecte de données à la formation du modèle à l'inférence - les technologies de blockchain peuvent-elles apporter des améliorations significatives?
• Quels compromis techniques et économiques émergent lors de la décentralisation de différents aspects des systèmes d'IA?

Contraintes actuelles dans la pile AI:

Epoch AI a fait un travail incroyable en rassemblant une analyse détaillée des contraintes actuelles dans le domaine de l'IA. Cette rechercheLe rapport d'Epoch AI met en évidence les contraintes projetées sur la mise à l'échelle du calcul de formation en intelligence artificielle d'ici 2030. Le graphique évalue les différents goulots d'étranglement qui pourraient limiter l'expansion du calcul de formation en intelligence artificielle, en utilisant les opérations en virgule flottante par seconde (FLOPS) comme principal indicateur.

La mise à l'échelle du calcul de formation de l'IA est susceptible d'être limitée par une combinaison de disponibilité de puissance, de capacités de fabrication de puces, de rareté des données et de problèmes de latence. Chacun de ces facteurs impose un plafond différent sur le calcul réalisable, la latence constituant la limite théorique la plus élevée.

Ce graphique met l'accent sur la nécessité de progrès en matière de matériel, d'efficacité énergétique, de libération des données piégées sur les appareils périphériques et de mise en réseau pour soutenir la croissance future de l'IA.

• Contraintes de puissance (Performance):
  • Possibilité d'extension de l'infrastructure électrique d'ici 2030: Les projections indiquent que les campus de centres de données avec des capacités comprises entre 1 et 5 gigawatts (GW) sont susceptibles d'être réalisables d'ici 2030. Cependant, cette croissance dépend d'investissements substantiels dans l'infrastructure électrique et de la résolution de problèmes potentiels logistiques et réglementaires.
  • Limité par la disponibilité de l'énergie et l'infrastructure électrique, permettant une croissance jusqu'à 10 000 fois les niveaux de calcul actuels.
• Capacité de production de puces (Vérifiabilité):
  • La production de puces capables de prendre en charge ces calculs avancés (par exemple, NVIDIA H100, Google TPU v5) est actuellement limitée en raison de contraintes d'emballage (par exemple, TSMC CoWoS). Cela a un impact direct sur la disponibilité et la scalabilité des calculs vérifiables.
  • Bloqué par la fabrication et les chaînes d'approvisionnement, permettant une augmentation de 50 000 fois de la puissance de calcul.
  • Les puces avancées sont essentielles pour permettre des enclaves sécurisées ou des environnements d'exécution de confiance (TEEs) sur les périphériques de bord, qui vérifient les calculs et protègent les données sensibles.
• Pénurie de données (Confidentialité) :

* Pénurie de données et formation à l'IA : La disparité entre le web indexé et le web dans son ensemble met en évidence les défis d'accessibilité pour la formation à l'IA. Une grande partie des données potentielles est soit privée, soit non indexée, limitant ainsi son utilité.* Besoin d'une IA multimodale : Les grandes quantités de données d'images et de vidéos suggèrent l'importance croissante des systèmes d'IA multimodaux capables de traiter des données autres que du texte.* Défis futurs liés aux données : Il s'agit de la prochaine frontière de l'IA, consistant à trouver comment exploiter des données privées de haute qualité tout en donnant aux détenteurs de données le contrôle et une juste valeur.

• Mur de latence (Performance):
  • Contraintes inhérentes à la latence dans la formation de modèles : À mesure que les modèles d'IA augmentent en taille, le temps nécessaire pour une seule passe avant et arrière augmente en raison de la nature séquentielle des calculs. Cela introduit une latence fondamentale qui ne peut être contournée, limitant la vitesse à laquelle les modèles peuvent être entraînés.
  • Défis liés à l'augmentation des tailles de lot : Pour atténuer la latence, une approche consiste à augmenter la taille du lot, permettant ainsi de traiter plus de données en parallèle. Cependant, il existe des limites pratiques à l'augmentation de la taille du lot, telles que les contraintes de mémoire et les rendements décroissants en matière de convergence du modèle. Ces limitations rendent difficile la compensation de la latence introduite par des modèles plus grands.

Fondation :

Triangle d'IA décentralisé

Les contraintes de l'IA telles que la rareté des données, les limites de calcul, la latence et la capacité de production convergent dans le triangle de l'IA décentralisée, qui équilibre la confidentialité, la vérifiabilité et les performances. Ces propriétés sont fondamentales pour garantir l'efficacité, la confiance et la scalabilité de l'IA décentralisée.

Ce tableau explore les principaux compromis entre ces trois propriétés, fournissant des informations sur leurs descriptions, les techniques permettant de les réaliser et les défis associés :

Confidentialité : Met l'accent sur la protection des données sensibles pendant les processus d'entraînement et d'inférence. Les techniques clés incluent les TEE, la MPC, l'apprentissage fédéré, le chiffrement entièrement homomorphique et la confidentialité différentielle. Des compromis apparaissent avec les surcoûts de performance, les défis de transparence affectant la vérifiabilité et les limitations d'évolutivité.

Vérifiabilité: Garantit la correction et l'intégrité des calculs en utilisant des preuves à divulgation nulle de connaissance (ZKPs), des justificatifs cryptographiques et des calculs vérifiables. Cependant, l'équilibre entre la confidentialité et les performances avec la vérifiabilité introduit des exigences en termes de ressources et des retards de calcul.

Performance : Fait référence à l'exécution efficace et à grande échelle des calculs d'IA, en tirant parti de l'infrastructure de calcul distribué, de l'accélération matérielle et du réseau efficace. Les compromis incluent des calculs plus lents en raison des techniques améliorant la confidentialité et des surdébits des calculs vérifiables.

Trilemme de la blockchain:

Le Trilemme de la Blockchain capture les compromis fondamentaux auxquels chaque blockchain doit faire face:

• Décentralisation : Maintenir le réseau distribué sur de nombreux nœuds indépendants, empêchant toute entité unique de contrôler le système
• Sécurité : garantir que le réseau reste à l'abri des attaques et maintienne l'intégrité des données, ce qui nécessite généralement plus de validation et de consensus.
• Scalabilité : Gérer rapidement et à moindre coût de forts volumes de transactions - mais cela signifie généralement sacrifier soit la décentralisation (moins de nœuds), soit la sécurité (moins de validation approfondie)

Par exemple, Ethereum privilégie la décentralisation et la sécurité, d'où des vitesses plus lentes. Pour une meilleure compréhension des compromis dans l'architecture de la blockchain, référez-vous à cela.

Matrice d'analyse de la synergie entre l'IA et la Blockchain (3x3)

L'intersection de l'IA et de la blockchain est une danse complexe de compromis et d'opportunités. Cette matrice cartographie où ces deux technologies créent des frictions, trouvent l'harmonie et amplifient parfois les faiblesses de l'autre.

Comment fonctionne la Matrice Synergie

La force de synergie reflète le niveau de compatibilité et d'impact entre les propriétés de la blockchain et de l'IA dans des catégories spécifiques. Elle est déterminée par la façon dont les deux technologies abordent les défis mutuels et améliorent la fonctionnalité l'une de l'autre.

Comment fonctionne la matrice de synergie

Exemple 1: Performance + Décentralisation (Synergie Faible) - Dans les réseaux décentralisés, tels que Bitcoin ou Ethereum, les performances sont intrinsèquement limitées par des facteurs tels que la variabilité des ressources, la latence élevée de communication, les coûts de transaction et les mécanismes de consensus. Pour les applications d'IA nécessitant un traitement à faible latence et à haut débit - comme l'inférence d'IA en temps réel ou la formation de modèles à grande échelle - ces réseaux peinent à fournir la vitesse et la fiabilité computationnelle nécessaires pour des performances optimales.

Exemple 2: Confidentialité + décentralisation (synergie forte) - Les techniques d'IA préservant la vie privée, telles que l'apprentissage fédéré, bénéficient de l'infrastructure décentralisée de la blockchain pour protéger les données des utilisateurs tout en permettant la collaboration.SoraChain AICela est illustré en permettant l'apprentissage fédéré où la propriété des données est préservée, permettant aux propriétaires de données de contribuer à leurs données de qualité pour l'entraînement tout en préservant la confidentialité.

Cette matrice vise à donner aux acteurs de l'industrie les moyens de naviguer dans la convergence de la blockchain et de l'IA avec clarté, en aidant les innovateurs et les investisseurs à donner la priorité à ce qui fonctionne, à explorer ce qui est prometteur et à éviter ce qui relève uniquement de la spéculation.

Matrice de synergie Intelligence Artificielle-Blockchain

Le long d'un axe, nous avons les propriétés fondamentales des systèmes d'IA décentralisés : vérifiabilité, confidentialité et performance. D'un autre côté, nous sommes confrontés à l'éternel trilemme de la blockchain : sécurité, évolutivité et décentralisation. Lorsque ces forces entrent en collision, elles créent un spectre de synergies - des alignements puissants aux incompatibilités difficiles.

Par exemple, lorsque la vérifiabilité rencontre la sécurité (synergie élevée), nous obtenons des systèmes robustes pour prouver les calculs d'IA. Mais lorsque les exigences de performance entrent en conflit avec la décentralisation (synergie faible), nous sommes confrontés à la dure réalité des surcharges des systèmes distribués. Certaines combinaisons, comme la confidentialité et la scalabilité, se situent au milieu - prometteuses mais compliquées.

• Pourquoi est-ce important?
  • Une boussole stratégique : tous les projets d'IA ou de blockchain ne fournissent pas une valeur tangible. La matrice guide les décideurs, les chercheurs et les développeurs vers des catégories à haute synergie qui répondent aux défis du monde réel, tels que garantir la confidentialité des données dans l'apprentissage fédéré ou utiliser le calcul décentralisé pour la formation évolutive de l'IA.
  • En se concentrant sur l'innovation impactante et l'allocation des ressources : en comprenant où se trouvent les synergies les plus fortes (par exemple, sécurité + vérifiabilité, confidentialité + décentralisation), cet outil permet aux parties prenantes de concentrer leurs efforts et leurs investissements sur des domaines promettant un impact mesurable, évitant ainsi de gaspiller de l'énergie sur des intégrations faibles ou impraticables.
  • Guider l'évolution de l'écosystème : Alors que l'IA et la blockchain évoluent, la matrice peut servir de guide dynamique pour évaluer les projets émergents, en veillant à ce qu'ils soient alignés sur des cas d'utilisation significatifs plutôt que de contribuer à des récits surévalués.

Ce tableau résume ces combinaisons par leur force de synergie - de forte à faible - et explique comment ces intersections fonctionnent dans les systèmes d'IA décentralisés. Des exemples de projets innovants sont fournis pour illustrer les applications concrètes dans chaque catégorie. Le tableau sert de guide pratique pour comprendre où les technologies blockchain et IA se croisent de manière significative, aidant à identifier les domaines d'impact tout en évitant les combinaisons surévaluées ou moins réalisables.

Matrice de synergie AI-Blockchain : Catégorisation des intersections clés des technologies AI et Blockchain selon la force de la synergie

Conclusion

L'intersection de la blockchain et de l'IA présente un potentiel transformateur, mais le chemin à suivre nécessite clarté et concentration. Les projets qui innovent vraiment, comme ceux de l'Apprentissage Fédéré (Confidentialité + Décentralisation), du Calcul/Entraînement Distribué (Performance + Scalabilité) et zkML (Vérifiabilité + Sécurité), façonnent l'avenir de l'intelligence décentralisée en relevant des défis critiques tels que la confidentialité des données, la scalabilité et la confiance.

Cependant, il est tout aussi important d'aborder l'espace avec un œil discernant. De nombreux prétendus agents d'IA ne sont que des enveloppes autour de modèles existants, offrant une utilité minimale et une intégration limitée avec la blockchain. Les véritables percées viendront de projets qui exploitent les forces des deux domaines pour résoudre des problèmes concrets, plutôt que de surfer sur la vague de l'engouement.

En avançant, la matrice de synergie IA-Blockchain devient un puissant outil d'évaluation des projets, permettant de distinguer les innovations impactantes du bruit.

En regardant vers l'avenir, la prochaine décennie appartiendra aux projets qui combinent la résilience de la blockchain avec le potentiel transformateur de l'IA pour résoudre de vrais défis tels que la formation de modèles écoénergétiques, les collaborations préservant la confidentialité et la gouvernance évolutive de l'IA. L'industrie doit embrasser ces points focaux pour débloquer l'avenir de l'intelligence décentralisée.

Avertissement :

1. Cet article est repris de [BotsnBlocks], Tous les droits d'auteur appartiennent à l'auteur original [ Swayam (en anglais seulement)]. If there are objections to this reprint, please contact the Porte Apprendrel'équipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité de responsabilité : Les opinions exprimées dans cet article sont uniquement celles de l'auteur et ne constituent aucun conseil en investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.