enkripsi x AI Hype Opportunity Decoded: Temukan tumpang tindih antara dua "The Impossible Triangles".

Matriks Kolaborasi Blok AI akan menjadi alat penting dalam mengevaluasi proyek, mampu membantu pengambil keputusan membedakan inovasi yang benar-benar berdampak dengan kebisingan yang tidak berarti.

Menulis oleh: Swayam

编译：深潮 TechFlow

Pengembangan cepat kecerdasan buatan (AI) telah memberikan kemampuan komputasi, sumber daya data, dan teknologi Algoritme yang belum pernah ada sebelumnya kepada beberapa perusahaan teknologi besar. Namun, dengan semakin terintegrasinya sistem AI ke dalam masyarakat kita, masalah aksesibilitas, transparansi, dan kontrol telah menjadi topik utama dalam diskusi teknologi dan kebijakan. Dalam konteks ini, kombinasi teknologi blockchain dengan AI menawarkan jalan alternatif yang layak untuk dieksplorasi - sebuah cara baru yang dapat mendefinisikan ulang pengembangan, implementasi, perluasan, dan tata kelola sistem AI.

Kami tidak bermaksud untuk sepenuhnya menggulingkan infrastruktur AI yang ada, tetapi kami ingin melalui analisis, membahas keunggulan unik yang mungkin dimiliki metode Desentralisasi dalam beberapa kasus penggunaan tertentu. Di sisi lain, kami juga mengakui bahwa dalam beberapa konteks, sistem terpusat tradisional mungkin tetap menjadi pilihan yang lebih praktis.

Beberapa isu kunci berikut ini memandu penelitian kami:

• Apakah fitur inti dari sistem Desentralisasi (misalnya, transparansi, resistensi pensensoran) melengkapi atau bertentangan dengan kebutuhan sistem AI modern (misalnya, efisiensi, skalabilitas)?
• Di mana teknologi blockchain dapat memberikan perbaikan substansial dalam setiap tahapan pengembangan kecerdasan buatan, mulai dari pengumpulan data hingga pelatihan model hingga inferensi?
• Dalam desain sistem AI Desentralisasi, ada pertimbangan teknologi dan ekonomi apa yang dihadapi dalam setiap tahap?

Batasan Saat Ini dalam Tumpukan Teknologi Kecerdasan Buatan

Tim Epoch AI telah membuat kontribusi penting dalam menganalisis batasan tumpukan teknologi AI saat ini. Penelitian mereka secara rinci menjelaskan batasan utama yang mungkin dihadapi oleh perluasan kemampuan komputasi pelatihan AI hingga tahun 2030, dengan menggunakan Floating Point Operations per Second (FLoPs) sebagai indikator kinerja komputasi inti.

Penelitian menunjukkan bahwa perluasan komputasi AI bisa dibatasi oleh berbagai faktor, termasuk pasokan listrik yang kurang memadai, batasan teknologi pembuatan chip, kelangkaan data, dan masalah latensi jaringan. Setiap faktor ini menetapkan batas kemampuan komputasi yang dapat dicapai, di antaranya masalah latensi dianggap sebagai batas teoretis yang paling sulit ditembus.

Grafik ini menekankan kebutuhan akan kemajuan dalam hardware, efisiensi energi, data yang diperoleh dari perangkat edge yang terkunci, dan jaringan untuk mendukung perkembangan kecerdasan buatan di masa depan.

Pembatasan daya (kinerja):

• Fungibilitas infrastruktur listrik yang diperluas (proyeksi 2030): Diperkirakan hingga tahun 2030, kapasitas taman pusat data diharapkan mencapai 1 hingga 5 gigawatt (GW). Namun, hal ini akan memerlukan investasi besar-besaran dalam infrastruktur listrik, sambil mengatasi kemungkinan hambatan logistik dan regulasi yang ada.
• Terbatas oleh pasokan energi dan infrastruktur listrik, diperkirakan batas ekspansi kemampuan komputasi global dapat mencapai 10.000 kali lipat dari level saat ini.

Kapasitas Produksi Chip (Verifikabilitas):

• Saat ini, produksi chip yang digunakan untuk mendukung komputasi canggih (seperti NVIDIA H100, Google TPU v5) terbatas oleh teknologi kemasan (seperti teknologi CoWoS TSMC). Pembatasan ini secara langsung memengaruhi ketersediaan dan skalabilitas komputasi yang dapat diverifikasi.
• Enggak cuma keterbatasan dalam pembuatan chip dan Rantai Pasokan, pertumbuhan hingga 50.000 kali lipatnya juga masih bisa tercapai.
• Selain itu, chipset canggih yang mengaktifkan area isolasi keamanan atau Lingkungan Eksekusi Tepercaya (TEEs) pada perangkat tepi sangat penting. Teknologi ini tidak hanya dapat memverifikasi hasil perhitungan, tetapi juga dapat melindungi privasi data sensitif selama proses perhitungan.

Kekurangan Data (Privasi):

latensi壁垒 ( 性能 )：

• Batasan latensi yang melekat pada pelatihan model: Seiring dengan meningkatnya ukuran model AI, waktu yang dibutuhkan untuk satu kali propagasi maju dan propagasi mundur secara signifikan meningkat karena urutan proses perhitungan. Latensi ini adalah batasan fundamental yang tidak dapat dihindari selama proses pelatihan model, yang secara langsung mempengaruhi kecepatan pelatihan.
• Tantangan dalam Memperluas Ukuran Batch: Untuk mengurangi masalah latensi, metode umum yang digunakan adalah dengan meningkatkan ukuran batch sehingga lebih banyak data dapat diproses secara paralel. Namun, memperluas ukuran batch memiliki batasan praktis, seperti kapasitas memori yang tidak mencukupi dan manfaat margin yang semakin menurun seiring dengan peningkatan ukuran batch, yang membuat sulit untuk mengatasi latensi dengan cara ini.

Dasar

Desentralisasi AI 三角形

Berbagai kendala yang dihadapi AI saat ini, seperti kelangkaan data, kemacetan daya komputasi, masalah latensi, dan kapasitas produksi chip, membentuk “segitiga Desentralisasi AI”. Kerangka kerja ini mencoba untuk mencapai keseimbangan antara privasi, verifikasi, dan kinerja. Ketiga atribut ini adalah elemen inti yang memastikan efektivitas, kepercayaan, dan skalabilitas sistem AI Desentralisasi.

Tabel di bawah ini menganalisis secara mendalam keseimbangan kunci antara privasi, verifiabilitas, dan kinerja, memeriksa definisi masing-masing, teknologi implementasinya, dan tantangan yang dihadapi:

• Privasi: Melindungi data sensitif sangat penting dalam proses pelatihan dan penalaran AI. Untuk itu, berbagai teknologi kunci digunakan, termasuk Lingkungan Eksekusi Terpercaya (TEEs), komputasi yang lebih lama (MPC), pembelajaran federated, Enkripsi Homomorfik Penuh (FHE), dan privasi diferensial. Meskipun teknologi ini efektif, mereka juga membawa tantangan seperti biaya kinerja, masalah transparansi yang mempengaruhi verifikabilitas, dan keterbatasan skalabilitas.
• Verifiabilitas: Untuk memastikan kebenaran dan kelengkapan perhitungan, teknologi seperti Zero-Knowledge Proof (ZKPs), sertifikat enkripsi, dan perhitungan verifikasi digunakan. Namun, mencapai keseimbangan antara privasi, kinerja, dan verifiabilitas sering memerlukan sumber daya dan waktu tambahan yang dapat menyebabkan keterlambatan perhitungan.
• Kinerja: Melaksanakan perhitungan kecerdasan buatan secara efisien dan menerapkan aplikasi dalam skala besar, bergantung pada infrastruktur komputasi terdistribusi, akselerasi perangkat keras, dan koneksi jaringan yang efisien. Namun, penggunaan teknologi peningkatan privasi dapat menyebabkan perlambatan dalam perhitungan, sementara perhitungan yang dapat diverifikasi juga akan menambah biaya tambahan.

Blok链三难困境：

Tantangan utama yang dihadapi dalam bidang blockchain adalah dilema tiga sulit, di mana setiap sistem blockchain harus melakukan keseimbangan antara tiga hal berikut:

• Desentralisasi: mencegah kontrol sistem oleh entitas tunggal dengan mendistribusikan jaringan ke beberapa Node independen.
• Keamanan: Memastikan jaringan terhindar dari serangan dan mempertahankan integritas data, biasanya memerlukan proses verifikasi dan alur Konsensus yang lebih banyak.
• Skalabilitas: Menangani transaksi dalam jumlah besar dengan cepat dan ekonomis, namun hal ini biasanya berarti melakukan kompromi pada Desentralisasi (menurunkan jumlah Node) atau keamanan (Drop kekuatan verifikasi).

Misalnya, Ether lebih memprioritaskan Desentralisasi dan keamanan, sehingga kecepatan pemrosesan transaksinya relatif lambat. Untuk pemahaman yang lebih mendalam tentang keseimbangan ini dalam arsitektur Blokchain, dapat merujuk ke literatur terkait.

Matriks Analisis Kolaboratif AI-Blockchain (3x3)

Gabungan AI dan blockchain adalah proses penyeimbangan dan peluang yang kompleks. Matriks ini menunjukkan di mana kedua teknologi ini mungkin mengalami gesekan, menemukan titik keselarasan, dan kadang-kadang memperbesar kelemahan masing-masing.

Prinsip Kerja Matriks Sinergi

Intensitas kolaborasi mencerminkan kompatibilitas dan pengaruh properti blockchain dan kecerdasan buatan (AI) di bidang tertentu. Secara khusus, ini bergantung pada bagaimana kedua teknologi tersebut bersama-sama mengatasi tantangan dan meningkatkan fungsionalitas satu sama lain. Misalnya, dalam hal privasi data, kombinasi ketidakmampuan untuk dimanipulasi dari blockchain dengan kemampuan pemrosesan data AI mungkin membawa solusi baru.

Prinsip Kerja Matriks Sinergi

Contoh 1: Performa + Desentralisasi (Kesepakatan lemah)

Dalam jaringan Desentralisasi, seperti BTC atau Ethereum, kinerja biasanya terbatas oleh berbagai faktor. Pembatasan-pembatasan ini termasuk fluktuasi sumber daya Node, latensi komunikasi tinggi, biaya pemrosesan transaksi, dan kompleksitas Mekanisme Konsensus. Bagi aplikasi kecerdasan buatan (AI) yang memerlukan latensi rendah dan throughput tinggi (seperti inferensi AI real-time atau pelatihan model skala besar), jaringan ini sulit untuk memberikan kecepatan dan keandalan komputasi yang memadai, sehingga tidak dapat memenuhi kebutuhan kinerja tinggi.

Contoh 2: Privasi + Desentralisasi (Kolaborasi Kuat)

Teknologi AI berorientasi privasi (seperti pembelajaran federated) dapat memanfaatkan fitur Desentralisasi dari Blockchain dengan baik, sambil melindungi data pengguna dan mencapai kerja sama yang efisien. Misalnya, SoraChain AI menyediakan solusi yang menggunakan pembelajaran federated yang didukung oleh Blockchain untuk memastikan kepemilikan data tidak dicabut. Pemilik data dapat berkontribusi pada pelatihan model dengan data berkualitas tinggi sambil mempertahankan privasi, menciptakan situasi win-win untuk privasi dan kerja sama.

Matriks ini bertujuan untuk membantu industri memahami dengan jelas titik temu AI dan blockchain, mengarahkan para inovator dan investor untuk mempertimbangkan terlebih dahulu arah yang praktis, mengeksplorasi bidang yang berpotensi, sambil menghindari terjebak dalam proyek yang hanya memiliki arti spekulatif.

AI- Matriks Kolaborasi Blok

Dua sumbu matriks kolaboratif mewakili atribut yang berbeda: satu sumbu adalah tiga fitur inti dari sistem Desentralisasi AI - verifikasi, privasi, dan kinerja; sedangkan sumbu lainnya adalah tiga dilema blockchain - keamanan, skalabilitas, dan Desentralisasi. Ketika atribut-atribut ini saling berinteraksi, serangkaian efek kolaboratif terbentuk, dari kesesuaian yang tinggi hingga konflik potensial yang berlimpah.

Misalnya, ketika verifikasi digabungkan dengan keamanan (tingkat kolaborasi tinggi), sistem yang kuat dapat dibangun untuk membuktikan kebenaran dan kelengkapan komputasi AI. Namun, ketika kebutuhan kinerja bertentangan dengan Desentralisasi (tingkat kolaborasi rendah), biaya tinggi dari sistem terdistribusi akan secara signifikan mempengaruhi efisiensi. Selain itu, beberapa kombinasi (seperti privasi dan skalabilitas) berada di tengah-tengah, memiliki potensi tetapi menghadapi tantangan teknis yang kompleks.

**Mengapa ini penting?

• Panduan Strategis: Matriks ini memberikan arah yang jelas bagi pengambil keputusan, peneliti, dan pengembang untuk fokus pada area kerja yang sangat terkoordinasi, seperti memastikan privasi data melalui pembelajaran federated, atau menggunakan komputasi Desentralisasi untuk pelatihan AI yang dapat diperluas.
• Berfokus pada inovasi berdampak dan alokasi sumber daya: Memahami distribusi kekuatan kolaborasi (seperti keamanan + verifikasi, privasi + Desentralisasi) membantu para pemangku kepentingan untuk mengalokasikan sumber daya ke area berharga tinggi, menghindari pemborosan pada integrasi lemah atau tidak realistis.
• Mendorong perkembangan ekosistem: Dengan perkembangan teknologi AI dan blockchain, matriks ini dapat digunakan sebagai alat dinamis untuk mengevaluasi proyek-proyek baru, memastikan bahwa mereka memenuhi kebutuhan nyata, bukan hanya mengikuti tren hype berlebihan.

Tabel di bawah ini merangkum kombinasi atribut ini berdasarkan kekuatan kolaborasi (dari kuat ke lemah) dan menjelaskan cara kerja mereka dalam sistem Desentralisasi AI. Pada saat yang sama, tabel ini juga menyediakan beberapa contoh proyek inovatif yang menunjukkan penerapan kombinasi ini dalam skenario dunia nyata. Melalui tabel ini, pembaca dapat lebih memahami titik temu antara teknologi blockchain dan AI, mengidentifikasi bidang yang benar-benar berpengaruh, dan menghindari arah yang terlalu berlebihan atau tidak dapat dilakukan secara teknis.

AI- Matriks Sinergi Blok Rantai: Titik Temu Kunci antara Kekuatan Sinergi AI dan Teknologi Blok Rantai

Kesimpulan

Gabungan blockchain dan AI memiliki potensi revolusi yang besar, namun perkembangan di masa depan memerlukan arah yang jelas dan upaya yang terfokus. Proyek-proyek inovatif sejati sedang membentuk masa depan kecerdasan yang Desentralisasi dengan menyelesaikan tantangan kunci seperti privasi data, skalabilitas, dan kepercayaan, misalnya, pembelajaran federated (privasi + Desentralisasi) yang memungkinkan kerjasama melalui perlindungan data pengguna, komputasi dan pelatihan terdistribusi (kinerja + skalabilitas) yang meningkatkan efisiensi sistem AI, dan zkML (mesin pembelajaran zero-knowledge, verifikasi + keamanan) yang memberikan jaminan kepercayaan untuk perhitungan AI.

Sementara itu, kita juga perlu memandang lapangan ini dengan hati-hati. Banyak entitas kecerdasan buatan yang disebut sebenarnya hanyalah bungkusan sederhana dari model yang ada, memiliki keterbatasan fungsional, dan kurang dalam Kedalaman ketika digabungkan dengan blockchain. Terobosan sejati akan datang dari proyek-proyek yang benar-benar memanfaatkan keunggulan masing-masing blockchain dan kecerdasan buatan, serta berkomitmen untuk menyelesaikan masalah nyata, bukan hanya mengejar produk spekulatif pasar.

Melihat ke depan, matriks sinergi AI-Blok akan menjadi alat penting dalam mengevaluasi proyek, yang dapat membantu para pengambil keputusan secara efektif membedakan inovasi yang benar-benar berdampak dari kebisingan yang tidak berarti.

Dalam sepuluh tahun ke depan, proyek-proyek yang mampu menggabungkan keandalan tinggi dari blockchain dengan kemampuan transformasi AI untuk menyelesaikan masalah nyata akan menjadi yang dominan. Misalnya, pelatihan model hemat energi akan menurunkan konsumsi energi sistem AI secara signifikan; kolaborasi perlindungan privasi akan memberikan lingkungan berbagi data yang lebih aman; sementara tata kelola AI yang dapat diperluas akan mendorong implementasi sistem cerdas yang lebih besar skala dan efisien. Industri perlu memusatkan perhatian pada area-area kunci ini agar benar-benar membuka masa depan cerdas yang Desentralisasi.