加密 x AI 炒作機(jī)會解碼：在兩個“不可能三角”里，尋找重疊地帶

作者：Swayam

編譯：深潮TechFlow

人工智能 (AI) 的快速發(fā)展，使少數(shù)大型科技公司掌握了前所未有的計算能力、數(shù)據(jù)資源和算法技術(shù)。然而，隨著 AI 系統(tǒng)逐漸融入我們的社會，有關(guān)可訪問性、透明性和控制權(quán)的問題，已成為技術(shù)和政策討論的核心議題。在這樣的背景下，區(qū)塊鏈技術(shù)與 AI 的結(jié)合為我們提供了一種值得探索的替代路徑——一種可能重新定義 AI 系統(tǒng)開發(fā)、部署、擴(kuò)展和治理的新方式。

我們并不是要完全顛覆現(xiàn)有的 AI 基礎(chǔ)設(shè)施，而是希望通過分析，探討在某些具體用例中，去中心化方法可能帶來的獨(dú)特優(yōu)勢。同時，我們也承認(rèn)在某些情境下，傳統(tǒng)的中心化系統(tǒng)可能仍然是更實(shí)際的選擇。

以下幾個關(guān)鍵問題引導(dǎo)了我們的研究：

• 去中心化系統(tǒng)的核心特性（如透明性、抗審查性）是否能夠與現(xiàn)代 AI 系統(tǒng)的需求（如高效性、可擴(kuò)展性）相輔相成，還是會產(chǎn)生矛盾？

• 在 AI 開發(fā)的各個環(huán)節(jié)——從數(shù)據(jù)收集到模型訓(xùn)練再到推理——區(qū)塊鏈技術(shù)能夠在哪些方面提供實(shí)質(zhì)性的改進(jìn)？

• 在去中心化 AI 系統(tǒng)的設(shè)計中，不同環(huán)節(jié)會面臨哪些技術(shù)和經(jīng)濟(jì)上的權(quán)衡？

AI 技術(shù)堆棧中的當(dāng)前限制

Epoch AI 團(tuán)隊在分析當(dāng)前 AI 技術(shù)堆棧的限制方面做出了重要貢獻(xiàn)。他們的研究詳細(xì)闡述了到 2030 年，AI 訓(xùn)練計算能力擴(kuò)展可能面臨的主要瓶頸，并使用每秒浮點(diǎn)運(yùn)算次數(shù) (Floating Point Operations per Second, FLoPs) 作為衡量計算性能的核心指標(biāo)。

研究表明，AI 訓(xùn)練計算的擴(kuò)展可能受到多種因素的限制，包括電力供應(yīng)不足、芯片制造技術(shù)的瓶頸、數(shù)據(jù)稀缺性以及網(wǎng)絡(luò)延遲問題。這些因素各自為可實(shí)現(xiàn)的計算能力設(shè)定了不同的上限，其中延遲問題被認(rèn)為是最難突破的理論極限。

該圖表強(qiáng)調(diào)了硬件、能源效率、解鎖邊緣設(shè)備上捕獲的數(shù)據(jù)以及網(wǎng)絡(luò)方面的進(jìn)步的必要性，以支持未來人工智能的增長。

• 電力限制 (性能)：

  • 擴(kuò)展電力基礎(chǔ)設(shè)施的可行性（2030 年預(yù)測）： 預(yù)計到 2030 年，數(shù)據(jù)中心園區(qū)的容量有望達(dá)到 1 至 5 吉瓦 (GW)。然而，這一增長需要依賴對電力基礎(chǔ)設(shè)施的大規(guī)模投資，同時還需克服可能存在的后勤和監(jiān)管障礙。

  • 受能源供應(yīng)和電力基礎(chǔ)設(shè)施的限制，預(yù)計全球計算能力的擴(kuò)展上限可能達(dá)到當(dāng)前水平的 10,000 倍。

• 芯片生產(chǎn)能力 (可驗證性)：

  • 當(dāng)前，用于支持高級計算的芯片（如 NVIDIA H100、Google TPU v5）的生產(chǎn)受限于封裝技術(shù)（如 TSMC 的 CoWoS 技術(shù)）。這種限制直接影響了可驗證計算的可用性和擴(kuò)展性。

  • 芯片制造和供應(yīng)鏈的瓶頸是主要障礙，但仍可能實(shí)現(xiàn)計算能力高達(dá) 50,000 倍的增長。

  • 此外，先進(jìn)芯片在邊緣設(shè)備上啟用安全隔離區(qū)或可信執(zhí)行環(huán)境 (Trusted Execution Environments, TEEs) 至關(guān)重要。這些技術(shù)不僅能夠驗證計算結(jié)果，還能在計算過程中保護(hù)敏感數(shù)據(jù)的隱私。

• 數(shù)據(jù)稀缺性 (隱私)：

• 延遲壁壘 (性能)：

  • 模型訓(xùn)練中的固有延遲限制： 隨著 AI 模型規(guī)模的不斷擴(kuò)大，由于計算過程的順序性，單次前向傳播和后向傳播所需的時間顯著增加。這種延遲是模型訓(xùn)練過程中無法繞過的根本限制，直接影響了訓(xùn)練速度。

  • 擴(kuò)展批量大小的挑戰(zhàn)： 為了緩解延遲問題，一種常見的方法是增加批量大小，使更多數(shù)據(jù)能夠并行處理。然而，批量大小的擴(kuò)展存在實(shí)際限制，例如內(nèi)存容量不足，以及隨著批量增大，模型收斂效果的邊際收益遞減。這些因素使得通過增加批量來抵消延遲變得更加困難。

基礎(chǔ)

去中心化 AI 三角形

當(dāng)前 AI 面臨的多種限制（如數(shù)據(jù)稀缺性、計算能力瓶頸、延遲問題和芯片生產(chǎn)能力）共同構(gòu)成了“去中心化 AI 三角形”。這一框架試圖在隱私、可驗證性和性能之間實(shí)現(xiàn)平衡。這三種屬性是確保去中心化 AI 系統(tǒng)有效性、可信性和可擴(kuò)展性的核心要素。

以下表格詳細(xì)分析了隱私、可驗證性和性能三者之間的關(guān)鍵權(quán)衡，深入探討了各自的定義、實(shí)現(xiàn)技術(shù)及其面臨的挑戰(zhàn)：

隱私： 在 AI 的訓(xùn)練和推理過程中，保護(hù)敏感數(shù)據(jù)至關(guān)重要。為此，使用了多種關(guān)鍵技術(shù)，包括可信執(zhí)行環(huán)境 (TEEs)、多方計算 (MPC)、聯(lián)邦學(xué)習(xí)、全同態(tài)加密 (FHE) 和差分隱私。這些技術(shù)雖然有效，但也帶來了性能開銷、透明度問題影響可驗證性，以及可擴(kuò)展性受限等挑戰(zhàn)。

可驗證性： 為確保計算的正確性和完整性，采用了零知識證明 (ZKPs)、加密憑證和可驗證計算等技術(shù)。然而，在隱私和性能與可驗證性之間取得平衡，往往需要額外的資源和時間，這可能導(dǎo)致計算延遲。

性能： 高效地執(zhí)行 AI 計算并實(shí)現(xiàn)大規(guī)模應(yīng)用，依賴于分布式計算基礎(chǔ)設(shè)施、硬件加速和高效的網(wǎng)絡(luò)連接。然而，采用隱私增強(qiáng)技術(shù)會導(dǎo)致計算速度變慢，而可驗證計算也會增加額外的開銷。

區(qū)塊鏈三難困境：

區(qū)塊鏈領(lǐng)域面臨的核心挑戰(zhàn)即三難困境，每個區(qū)塊鏈系統(tǒng)都必須在以下三者之間進(jìn)行權(quán)衡：

• 去中心化：通過在多個獨(dú)立節(jié)點(diǎn)上分布網(wǎng)絡(luò)，防止任何單一實(shí)體對系統(tǒng)的控制。

• 安全性：確保網(wǎng)絡(luò)免受攻擊并保持?jǐn)?shù)據(jù)完整性，通常需要更多的驗證和共識流程。

• 可擴(kuò)展性：快速且經(jīng)濟(jì)地處理大量交易，然而這通常意味著在去中心化（減少節(jié)點(diǎn)數(shù)量）或安全性（降低驗證強(qiáng)度）上做出妥協(xié)。

例如，以太坊優(yōu)先考慮去中心化和安全性，因此其交易處理速度相對較慢。關(guān)于區(qū)塊鏈架構(gòu)中這些權(quán)衡的深入理解，可以參考相關(guān)文獻(xiàn)。

AI-區(qū)塊鏈協(xié)同分析矩陣 (3x3)

AI 和區(qū)塊鏈的結(jié)合是一個復(fù)雜的權(quán)衡與機(jī)遇的過程。這個矩陣展示了這兩種技術(shù)在何處可能產(chǎn)生摩擦、找到和諧的契合點(diǎn)，并有時會放大彼此的弱點(diǎn)。

協(xié)同矩陣的工作原理

協(xié)同強(qiáng)度反映了區(qū)塊鏈和 AI 屬性在特定領(lǐng)域中的兼容性和影響力。具體來說，它取決于兩種技術(shù)如何共同應(yīng)對挑戰(zhàn)并提升彼此的功能。例如，在數(shù)據(jù)隱私方面，區(qū)塊鏈的不可篡改性與 AI 的數(shù)據(jù)處理能力結(jié)合，可能帶來新的解決方案。

協(xié)同矩陣的工作原理

示例 1：性能 + 去中心化（弱協(xié)同）

在去中心化網(wǎng)絡(luò)中，例如比特幣或以太坊，性能通常受到多種因素的制約。這些限制包括節(jié)點(diǎn)資源的波動性、高通信延遲、交易處理成本和共識機(jī)制的復(fù)雜性。對于需要低延遲和高吞吐量的 AI 應(yīng)用（例如實(shí)時 AI 推理或大規(guī)模模型訓(xùn)練），這些網(wǎng)絡(luò)難以提供足夠的速度和計算可靠性，無法滿足高性能的需求。

示例 2：隱私 + 去中心化（強(qiáng)協(xié)同）

隱私保護(hù)型 AI 技術(shù)（如聯(lián)邦學(xué)習(xí)）能夠充分利用區(qū)塊鏈的去中心化特性，在保護(hù)用戶數(shù)據(jù)的同時實(shí)現(xiàn)高效協(xié)作。例如， SoraChain AI 提供了一種解決方案，通過區(qū)塊鏈支持的聯(lián)邦學(xué)習(xí)，確保數(shù)據(jù)所有權(quán)不被剝奪。數(shù)據(jù)所有者可以在保留隱私的前提下，貢獻(xiàn)高質(zhì)量的數(shù)據(jù)用于模型訓(xùn)練，從而實(shí)現(xiàn)隱私與協(xié)作的雙贏。

該矩陣的目標(biāo)是幫助行業(yè)清晰地理解 AI 和區(qū)塊鏈的交匯點(diǎn)，指導(dǎo)創(chuàng)新者和投資者優(yōu)先考慮那些切實(shí)可行的方向，探索具有潛力的領(lǐng)域，同時避免陷入僅具投機(jī)意義的項目中。

AI-區(qū)塊鏈協(xié)同矩陣

協(xié)同矩陣的兩條軸分別代表不同的屬性：一條軸是去中心化 AI 系統(tǒng)的三大核心特性——可驗證性、隱私和性能；另一條軸是區(qū)塊鏈的三難困境——安全性、可擴(kuò)展性和去中心化。當(dāng)這些屬性相互交匯時，會形成一系列協(xié)同效應(yīng)，從高度契合到潛在沖突不一而足。

例如，當(dāng)可驗證性與安全性結(jié)合時（高協(xié)同），可以構(gòu)建出強(qiáng)大的系統(tǒng)，用于證明 AI 計算的正確性和完整性。但當(dāng)性能需求與去中心化發(fā)生沖突時（低協(xié)同），分布式系統(tǒng)的高開銷會顯著影響效率。此外，一些組合（如隱私與可擴(kuò)展性）則處于中間地帶，既有潛力又面臨復(fù)雜的技術(shù)挑戰(zhàn)。

為什么這很重要？

• 戰(zhàn)略指南針： 該矩陣為決策者、研究人員和開發(fā)者提供了明確的方向，幫助他們聚焦于高協(xié)同領(lǐng)域，例如通過聯(lián)邦學(xué)習(xí)確保數(shù)據(jù)隱私，或利用去中心化計算實(shí)現(xiàn)可擴(kuò)展的 AI 訓(xùn)練。

• 聚焦有影響力的創(chuàng)新與資源分配： 理解協(xié)同強(qiáng)度的分布（如安全性 + 可驗證性、隱私 + 去中心化），有助于利益相關(guān)者將資源集中在高價值的領(lǐng)域，避免浪費(fèi)在弱協(xié)同或不切實(shí)際的整合上。

• 引導(dǎo)生態(tài)系統(tǒng)的演進(jìn)： 隨著 AI 和區(qū)塊鏈技術(shù)的不斷發(fā)展，該矩陣可以作為動態(tài)工具，用于評估新興項目，確保它們符合實(shí)際需求，而不是助長過度炒作的趨勢。

以下表格按協(xié)同強(qiáng)度（從強(qiáng)到弱）總結(jié)了這些屬性組合，并解釋了它們在去中心化 AI 系統(tǒng)中的實(shí)際運(yùn)作方式。同時，表格還提供了一些創(chuàng)新項目的案例，展示了這些組合在現(xiàn)實(shí)中的應(yīng)用場景。通過該表格，讀者可以更直觀地了解區(qū)塊鏈與 AI 技術(shù)的交匯點(diǎn)，識別出真正有影響力的領(lǐng)域，同時避開那些過度炒作或技術(shù)不可行的方向。

AI-區(qū)塊鏈協(xié)同矩陣：按協(xié)同強(qiáng)度分類 AI 和區(qū)塊鏈技術(shù)的關(guān)鍵交匯點(diǎn)

結(jié)論

區(qū)塊鏈與 AI 的結(jié)合蘊(yùn)含著巨大的變革潛力，但未來的發(fā)展需要明確的方向和專注的努力。真正推動創(chuàng)新的項目，正在通過解決數(shù)據(jù)隱私、可擴(kuò)展性和信任等關(guān)鍵挑戰(zhàn)，塑造去中心化智能的未來。例如，聯(lián)邦學(xué)習(xí)（隱私 + 去中心化）通過保護(hù)用戶數(shù)據(jù)實(shí)現(xiàn)協(xié)作，分布式計算與訓(xùn)練（性能 + 可擴(kuò)展性）提升了 AI 系統(tǒng)的效率，而 zkML（零知識機(jī)器學(xué)習(xí)，可驗證性 + 安全性）則為 AI 計算的可信性提供了保障。

與此同時，我們也需要以審慎的態(tài)度看待這一領(lǐng)域。許多所謂的 AI 智能體實(shí)際上只是現(xiàn)有模型的簡單包裝，功能有限，與區(qū)塊鏈的結(jié)合也缺乏深度。真正的突破將來自那些充分發(fā)揮區(qū)塊鏈和 AI 各自優(yōu)勢，并致力于解決實(shí)際問題的項目，而非單純追逐市場炒作的產(chǎn)品。

展望未來，AI-區(qū)塊鏈協(xié)同矩陣將成為評估項目的重要工具，能夠有效幫助決策者區(qū)分真正具有影響力的創(chuàng)新與無意義的噪聲。

未來十年，將屬于那些能夠結(jié)合區(qū)塊鏈的高可靠性與 AI 的變革能力，來解決實(shí)際問題的項目。例如，節(jié)能型模型訓(xùn)練將顯著降低 AI 系統(tǒng)的能源消耗；隱私保護(hù)型協(xié)作將為數(shù)據(jù)共享提供更安全的環(huán)境；而可擴(kuò)展的 AI 治理將推動更大規(guī)模、更高效的智能系統(tǒng)落地。行業(yè)需要聚焦這些關(guān)鍵領(lǐng)域，才能真正開啟去中心化智能的未來。