Sự tiến bộ nhanh chóng của trí tuệ nhân tạo đã tạo ra một sự tập trung không đồng tiền tệ chưa từng có của khả năng tính toán, dữ liệu và khả năng thuật toán trong một số công ty công nghệ lớn. Khi các hệ thống trí tuệ nhân tạo trở nên ngày càng quan trọng đối với xã hội chúng ta, các câu hỏi về tính khả dụng, minh bạch và kiểm soát đã trở thành trung tâm của các cuộc thảo luận kỹ thuật và chính sách. Trong bối cảnh này, sự giao điểm giữa Blockchain và trí tuệ nhân tạo đưa ra một con đường thay thế hấp dẫn - một con đường có thể thay đổi cách mà các hệ thống trí tuệ nhân tạo được phát triển, triển khai, mở rộng và điều hành.

Thay vì ủng hộ sự gián đoạn hoàn toàn cơ sở hạ tầng AI hiện có, chúng tôi khám phá các trường hợp sử dụng cụ thể trong đó các phương pháp phi tập trung có thể mang lại những lợi thế độc đáo trong khi thừa nhận các kịch bản mà các hệ thống tập trung truyền thống vẫn thực tế hơn.

Một số câu hỏi chủ chốt hướng dẫn phân tích của chúng tôi:

• Các tính chất cơ bản của hệ thống phi tập trung làm bổ sung hoặc xung đột với yêu cầu của các hệ thống AI hiện đại như thế nào?
• Ở đâu trong ngăn xếp phát triển AI - từ việc thu thập dữ liệu đến huấn luyện mô hình đến suy luận - công nghệ blockchain có thể cung cấp các cải tiến có ý nghĩa?
• Khi phân tán các khía cạnh khác nhau của hệ thống AI, những sự đánh đổi kỹ thuật và kinh tế nào xuất hiện?

Ràng buộc hiện tại trong AI Stack:

Epoch AI đã làm việc tuyệt vời khi tạo ra bản phân tích chi tiết về các hạn chế hiện tại trong AI Stack. Điều nàynghiên cứuTừ Epoch AI nhấn mạnh những ràng buộc dự kiến về việc mở rộng tính toán đào tạo trí tuệ nhân tạo vào năm 2030. Biểu đồ đánh giá các rào cản khác nhau có thể giới hạn việc mở rộng tính toán đào tạo trí tuệ nhân tạo, sử dụng Floating Point Operations per Second (FLoPs) là chỉ số chính.

Việc mở rộng tính toán AI huấn luyện có thể bị hạn chế bởi sự kết hợp của sự sẵn có của điện, khả năng sản xuất chip, sự khan hiếm dữ liệu và vấn đề độ trễ. Mỗi yếu tố này đều đặt ra một giới hạn khác nhau đối với tính toán có thể đạt được, với vấn đề độ trễ đặt ra giới hạn lý thuyết cao nhất.

Biểu đồ này nhấn mạnh nhu cầu phát triển phần cứng, hiệu suất năng lượng, mở khóa dữ liệu bị kẹt trên các thiết bị cạnh tranh và mạng để hỗ trợ sự phát triển AI trong tương lai.

• Ràng buộc về điện năng (Hiệu suất):
  • Khả năng mở rộng cơ sở hạ tầng điện năng vào năm 2030: Dự đoán cho thấy các trung tâm dữ liệu có công suất từ 1 đến 5 gigawatts (GW) có thể đạt được vào năm 2030. Tuy nhiên, sự tăng trưởng này phụ thuộc vào việc đầu tư đáng kể vào cơ sở hạ tầng điện năng và vượt qua các rào cản về hạ tầng và quy định tiềm năng.
  • Bị giới hạn bởi khả năng sẵn có năng lượng và cơ sở hạ tầng năng lượng, cho phép tăng trưởng lên đến 10.000 lần mức tính toán hiện tại.
• Sức chứa sản xuất chip (xác minh):
  • Sản xuất chip có thể hỗ trợ các tính toán tiên tiến này (ví dụ: NVIDIA H100, Google TPU v5) hiện đang bị hạn chế do ràng buộc về đóng gói (ví dụ: TSMC CoWoS). Điều này ảnh hưởng trực tiếp đến sự khả dụng và khả năng mở rộng của các tính toán có thể xác minh.
  • Bị hạn chế bởi chuỗi cung ứng và sản xuất, cho phép tăng công suất tính toán lên đến 50.000 lần.
  • Các chip tiên tiến là điều cần thiết để kích hoạt các vùng an toàn hoặc Môi trường Thực thi Đáng tin cậy (TEEs) trên các thiết bị cạnh tranh, giúp xác minh tính toán và bảo vệ dữ liệu nhạy cảm.
• Sự khan hiếm dữ liệu (Riêng tư):

* Sự khan hiếm dữ liệu và đào tạo AI: Sự chênh lệch giữa web được lập chỉ mục và toàn bộ web làm nổi bật những thách thức về khả năng truy cập đối với đào tạo AI. Phần lớn dữ liệu tiềm năng là riêng tư hoặc không được lập chỉ mục, hạn chế tiện ích của nó.* Nhu cầu về AI đa phương thức: Kho dữ liệu hình ảnh và video lớn cho thấy tầm quan trọng ngày càng tăng của các hệ thống AI đa phương thức có khả năng xử lý dữ liệu ngoài văn bản. * Thách thức dữ liệu trong tương lai: Đây là biên giới tiếp theo của AI, tìm ra cách khai thác dữ liệu riêng tư chất lượng cao trong khi cung cấp cho chủ sở hữu dữ liệu quyền kiểm soát và giá trị hợp lý.

• Tường độ trễ (Hiệu suất):
  • Ràng buộc độ trễ bẩm sinh trong việc huấn luyện mô hình: Khi các mô hình AI phát triển về kích thước, thời gian cần thiết cho một lượt chuyển tiếp và lùi tăng lên do tính tuần tự của các phép tính. Điều này tạo ra một độ trễ cơ bản mà không thể bỏ qua, hạn chế tốc độ mà mô hình có thể được huấn luyện.
  • Những thách thức trong việc mở rộng quy mô lô: Để giảm thiểu độ trễ, một cách tiếp cận là tăng kích thước lô, cho phép xử lý song song nhiều dữ liệu hơn. Tuy nhiên, có những giới hạn thực tế đối với việc mở rộng quy mô kích thước hàng loạt, chẳng hạn như hạn chế bộ nhớ và lợi nhuận giảm dần trong hội tụ mô hình. Những hạn chế này gây khó khăn cho việc bù đắp độ trễ được giới thiệu bởi các mô hình lớn hơn.

Nhà sáng lập:

Tam giác trí tuệ nhân tạo phi tập trung

Các ràng buộc AI như sự khan hiếm dữ liệu, hạn chế tính toán, độ trễ và năng lực sản xuất hội tụ thành Tam giác Trí tuệ Nhân tạo Phi tập trung, cân bằng Quyền riêng tư, Khả năng xác minh và Hiệu suất. Những đặc tính này là cơ bản để đảm bảo hiệu quả, sự tin tưởng và khả năng mở rộng của trí tuệ nhân tạo phi tập trung.

Bảng này khám phá các sự đánh đổi chính giữa ba tính chất chính, cung cấp thông tin chi tiết về mô tả, kỹ thuật cho phép và thách thức liên quan:

Quyền riêng tư: Tập trung vào bảo vệ dữ liệu nhạy cảm trong quá trình đào tạo và suy luận. Các kỹ thuật chính bao gồm TEEs, MPC, Học hợp tác, FHE và Quyền riêng tư Khác biệt. Sự đánh đổi xuất hiện với chi phí hiệu suất, thách thức trong việc minh bạch ảnh hưởng đến tính xác minh và hạn chế về khả năng mở rộng.

Khả năng xác minh: Đảm bảo tính chính xác và toàn vẹn của các tính toán bằng ZKP, thông tin đăng nhập mật mã và tính toán có thể kiểm chứng. Tuy nhiên, việc cân bằng quyền riêng tư và hiệu suất với khả năng xác minh sẽ đưa ra nhu cầu tài nguyên và độ trễ tính toán.

Hiệu suất: Đề cập đến việc thực hiện tính toán AI hiệu quả và theo quy mô, tận dụng cơ sở hạ tầng tính toán phân tán, tăng tốc phần cứng và mạng lưới hiệu quả. Nhược điểm bao gồm tính toán chậm hơn do kỹ thuật tăng cường quyền riêng tư và chi phí tính toán xác thực.

Blockchain Trilemma:

Bài toán ba yếu tố của Blockchain nắm bắt được những sự đánh đổi cốt lõi mà mọi blockchain đều phải đối mặt:

• Phân quyền: Giữ mạng phân phối trên nhiều nút độc lập, ngăn chặn bất kỳ thực thể đơn lẻ nào kiểm soát hệ thống
• Bảo mật: Đảm bảo mạng lưới luôn an toàn khỏi các cuộc tấn công và duy trì tính toàn vẹn dữ liệu, điều này thường đòi hỏi nhiều quy trình xác nhận và overhead đồng thuận hơn
• Khả năng mở rộng: Xử lý số lượng giao dịch lớn một cách nhanh chóng và giá rẻ - nhưng điều này thường đồng nghĩa với việc hy sinh tính phân tán (ít nút hơn) hoặc tính bảo mật (kiểm tra ít cẩn thận hơn)

Ví dụ, Ethereum ưu tiên phân cấp và bảo mật, do đó tốc độ chậm hơn. Để hiểu rõ hơn về việc đánh đổi trong kiến trúc Blockchain,tham khảo điều này.

Ma trận phân tích tương tác AI-Blockchain (3x3)

Giao điểm của AI và blockchain là một điệu nhảy phức tạp của sự đánh đổi và cơ hội. Ma trận này vạch ra nơi hai công nghệ này tạo ra ma sát, tìm sự hài hòa và đôi khi khuếch đại điểm yếu của nhau.

Cách Ma trận Tương hỗ Hoạt động

Sức mạnh tương hợp phản ánh mức độ tương thích và tác động giữa các tính năng blockchain và AI trong các danh mục cụ thể. Nó được xác định bởi mức độ giải quyết thách thức chung của hai công nghệ và tăng cường chức năng của nhau.

Cách ma trận Tương hợp hoạt động như thế nào

Ví dụ 1: Hiệu suất + Phân quyền (Tương tác yếu) —Trong các mạng phân quyền, như Bitcoin hoặc Ethereum, hiệu suất bị ràng buộc theo bản chất bởi các yếu tố như biến động tài nguyên, độ trễ giao tiếp cao, chi phí giao dịch và cơ chế đồng thuận. Đối với các ứng dụng AI đòi hỏi xử lý thời gian thấp, lưu lượng cao—như suy luận AI thời gian thực hoặc đào tạo mô hình quy mô lớn—các mạng này gặp khó khăn trong việc cung cấp tốc độ và độ tin cậy tính toán cần thiết cho hiệu suất tối ưu.

Ví dụ 2: Sự riêng tư + Phi tập trung (Tương tác mạnh mẽ) - Các kỹ thuật AI bảo vệ sự riêng tư, như Học phân tán, hưởng lợi từ cơ sở hạ tầng phi tập trung của blockchain để bảo vệ dữ liệu người dùng trong khi cho phép sự hợp tác.SoraChain AIGate.io minh họa điều này bằng cách cho phép học liên minh nơi quyền sở hữu dữ liệu được bảo tồn, giúp chủ sở hữu dữ liệu đóng góp dữ liệu chất lượng của họ để huấn luyện trong khi vẫn giữ quyền riêng tư.

Ma trận này nhằm mục đích tạo điều kiện cho ngành công nghiệp tự tin điều hướng sự kết hợp giữa blockchain và AI, giúp các nhà đổi mới và nhà đầu tư ưu tiên những gì đã thành công, khám phá những gì hứa hẹn và tránh những gì chỉ là lý thuyết.

Ma trận tương hợp AI-Blockchain

Theo một trục, chúng ta có các thuộc tính cơ bản của hệ thống trí tuệ nhân tạo phi tập trung: khả kiểm chứng, riêng tư và hiệu suất. Trên trục kia, chúng ta đối mặt với tam giác vô tận của blockchain: bảo mật, khả năng mở rộng và phi tập trung. Khi những lực này va chạm, chúng tạo ra một mạng lưới các liên kết mạnh mẽ đến những sự không phù hợp đầy thách thức.

Ví dụ, khi tính xác minh gặp sự an toàn (hiệu quả cao), chúng ta có các hệ thống mạnh mẽ để chứng minh tính toán trí tuệ nhân tạo. Nhưng khi yêu cầu về hiệu suất va chạm với sự phân tâm (hiệu quả thấp), chúng ta đối mặt với sự thật khó khăn của chi phí quản lý hệ thống phân phối. Một số kết hợp, như quyền riêng tư và khả năng mở rộng, nằm ở giữa – hứa hẹn nhưng phức tạp.

• Tại sao điều này quan trọng?
  • Một Con La Bàn Chiến Lược: Không phải mọi dự án trí tuệ nhân tạo hoặc blockchain đều mang lại giá trị rõ ràng. Ma trận chỉ đạo người quyết định, nhà nghiên cứu và nhà phát triển vào những danh mục có hiệu suất cao nhằm giải quyết các thách thức thực tế, như đảm bảo quyền riêng tư dữ liệu trong học máy liên minh hoặc sử dụng tính toán phân tán cho việc huấn luyện trí tuệ nhân tạo có khả năng mở rộng.
  • Tập trung vào đổi mới ảnh hưởng và phân bổ tài nguyên: Bằng cách hiểu được những nơi có sự tương hỗ mạnh nhất (ví dụ: Bảo mật + Khả năng xác minh, Sự riêng tư + Phân cấp), công cụ này cho phép các bên liên quan tập trung nỗ lực và đầu tư vào các lĩnh vực hứa hẹn mang lại tác động đo đếm được, tránh lãng phí năng lượng cho các tích hợp yếu hoặc không thực tế.
  • Hướng dẫn sự tiến hóa của hệ sinh thái: Khi cả AI và blockchain đều tiến hóa, ma trận có thể phục vụ như một hướng dẫn linh hoạt để đánh giá các dự án mới nổi, đảm bảo rằng chúng phù hợp với các trường hợp sử dụng có ý nghĩa thay vì đóng góp vào những câu chuyện quá đánh giá.

Bảng này tóm tắt các sự kết hợp này theo mức độ tương hỗ của chúng - từ mạnh đến yếu - và giải thích cách các giao điểm này hoạt động trong các hệ thống trí tuệ nhân tạo phi tập trung. Cung cấp các ví dụ về các dự án đổi mới để minh họa các ứng dụng thực tế trong mỗi danh mục. Bảng này được coi là một hướng dẫn thực tế để hiểu nơi mà công nghệ blockchain và trí tuệ nhân tạo giao nhau một cách có ý nghĩa, giúp nhận biết các lĩnh vực có tác động mạnh mẽ và tránh các sự kết hợp được quảng cáo quá đà hoặc ít khả thi hơn.

Ma trận Tương tác AI-Blockchain: Phân loại các điểm giao cắt chính của công nghệ AI và Blockchain theo sức mạnh tương tác

Kết luận

Sự giao điểm giữa blockchain và trí tuệ nhân tạo mang lại tiềm năng biến đổi, nhưng con đường phía trước đòi hỏi sự rõ ràng và tập trung. Các dự án thực sự đổi mới - như những dự án trong Học hợp tác liên kết (Sự riêng tư + Phân tán), Tính toán/Đào tạo phân tán (Hiệu suất + Khả năng mở rộng), và zkML (Tính xác thực + Bảo mật) - đang hình thành tương lai về thông minh phân tán bằng cách giải quyết các thách thức quan trọng như sự riêng tư dữ liệu, khả năng mở rộng và độ tin cậy.

Tuy nhiên, quan trọng không kém là cần tiếp cận không chỉ bằng cách mắt sáng suốt. Nhiều ‘tác nhân’ AI tự xưng chỉ là lớp bọc xung quanh các mô hình hiện có, cung cấp ít ích và hạn chế tích hợp với blockchain. Những bước đột phá thực sự sẽ đến từ các dự án tận dụng các điểm mạnh từ cả hai lĩnh vực để giải quyết các vấn đề thực tế, thay vì chỉ đi theo làn sóng của sự thổi phồng.

Khi chúng ta tiến lên, Ma trận Tương tác Trí tuệ nhân tạo-Blockchain trở thành một công cụ mạnh mẽ để đánh giá các dự án, phân biệt những đổi mới có tác động từ âm nhạc.

Nhìn vào tương lai, thập kỷ tiếp theo sẽ thuộc về các dự án kết hợp sự kiên cường của blockchain với tiềm năng biến đổi của trí tuệ nhân tạo để giải quyết những thách thức thực tế như việc huấn luyện mô hình tiết kiệm năng lượng, hợp tác bảo vệ quyền riêng tư và quản trị trí tuệ nhân tạo có thể mở rộng. Ngành công nghiệp phải nắm bắt những điểm trọng yếu này để mở khóa tương lai của trí tuệ phi tập trung.

Thông báo miễn trừ trách nhiệm:

1. Bài viết này được sao chép từ [[](https://botsnblocks.substack.com/p/the-case-for-crypto-ai-decoding-the)[BotsnBlocks](https://x.com/BotsnBlocks)\], Tất cả bản quyền thuộc về tác giả gốc [Swayam]. Nếu có ý kiến ​​phản đối về việc tái in này, vui lòng liên hệ Học cửađội, và họ sẽ xử lý nhanh chóng.
2. Bảo Miễn Trách Nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không hề tạo thành bất kỳ lời khuyên đầu tư nào.
3. Bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được đề cập, việc sao chép, phân phối hoặc đạo văn các bài báo đã dịch đều bị cấm.