人工智慧的快速進步在少數大型科技公司內創造了前所未有的計算能力、數據和算法能力的集中。隨著人工智慧系統日益成為我們社會不可或缺的一部分，關於可及性、透明度和控制的問題已經移至技術和政策討論的前沿。在這種背景下，區塊鏈和人工智慧的交集呈現出一條有趣的替代道路——這可能重塑人工智慧系統的開發、部署、擴展和治理方式。

與其倡導完全破壞現有的AI基礎設施，我們探索特定用例，其中分散式方法可能提供獨特的優勢，同時承認傳統集中式系統更實用的情況。

我們的分析受到幾個關鍵問題的指導:

• 去中心化系统的基本属性如何与现代人工智能系统的要求相辅相成或相冲突？
• 從數據收集到模型訓練再到推理，區塊鏈技術在人工智能開發堆棧的哪個環節中能提供有意義的改進？
• 當分散化AI系統的不同方面時，有哪些技術和經濟上的妥協出現？

AI堆棧中的當前限制：

Epoch AI已經做了一個了不起的工作，詳細介紹了AI Stack中目前的限制。這研究Epoch AI的報告強調到2030年AI訓練計算能力擴展所面臨的限制。該圖表評估了不同的瓶頸，可能限制AI訓練計算的擴展，以每秒浮點運算次數（FLoPs）作為關鍵指標。

人工智慧訓練運算的擴展可能會受到多種因素的限制，包括電力供應、晶片製造能力、數據稀缺以及延遲問題。這些因素中，每一個都對可實現的運算能力設置了不同的上限，而延遲問題則提出了最高的理論限制。

這個圖表強調了硬體、能源效率、釋放邊緣設備上被困數據以及網絡支持未來人工智能增長的需求。

• 功耗限制（性能）：
  • 2030年擴充電力基礎設施的可行性：預測顯示，到2030年，具有1至5吉瓦特（GW）容量的數據中心校園很可能可以實現。然而，這種增長取決於對電力基礎設施的大量投資，以及克服潛在的物流和監管障礙。
  • 受能源供應和電力基礎設施的限制，允許增長至當前計算水平的10,000倍。
• 晶片生產能力（可驗證性）：
  • 目前由於封裝限制（例如TSMC CoWoS），支援這些先進計算的芯片（例如NVIDIA H100，Google TPU v5）的生產受到限制。這直接影響了可驗證計算的可用性和可擴展性。
  • 由於製造和供應鏈的瓶頸，使計算能力增加了50,000倍。
  • 在邊緣設備上啟用安全封閉區域或可信執行環境（TEEs）是需要先進的晶片的，它可以驗證計算並保護敏感數據。
• 數據稀缺（隱私）：

*數據稀缺與AI訓練：索引網和整個網絡之間的差異凸顯了AI訓練的可訪問性挑戰。許多潛在數據要麼是私人的，要麼沒有被索引，限制了其效用。*需求多模式AI：大量的圖像和視頻數據表明多模式AI系統的重要性日益增長，這些系統能夠處理超越文本的數據。*未來數據挑戰：這是AI的下一個前沿，要弄清楚如何利用高質量的私人數據，同時讓數據所有者控制並獲得公平價值。

• 延遲牆（性能）：
  • 模型訓練中的固有延遲限制：隨著 AI 模型的增大，由於計算的連續性質，單個前向和後向傳遞所需的時間也相應增加。這導致了一種無法繞過的基本延遲，限制了模型訓練的速度。
  • 增加批量大小的挑戰：為了減少延遲，一種方法是增加批量大小，允許更多數據並行處理。然而，批量大小的擴展存在實際限制，例如內存限制和模型收斂的遞減收益。這些限制使得通過更大的模型來抵消引入的延遲變得具有挑戰性。

基金會:

去中心化人工智能三角形

人工智慧的限制，如數據稀缺、計算能力限制、延遲和生產能力融合成分散式人工智慧三角形，平衡隱私、可驗證性和性能。這些特性是確保分散式人工智慧的有效性、信任和可擴展性的基礎。

本表探討了所有三個屬性之間的關鍵權衡，提供了對它們的描述、實現技術和相關挑戰的深入了解:

隱私：專注於在訓練和推論過程中保護敏感數據。關鍵技術包括 TEEs、MPC、聯邦學習、全同態加密和差分隱私。性能開銷、透明度挑戰對可驗證性的影響以及可擴展性限制會帶來一些權衡。

可驗證性：使用 ZKP、加密憑據和可驗證計算確保計算的正確性和完整性。但是，在隱私和性能與可驗證性之間取得平衡會帶來資源需求和計算延遲。

性能：指的是在分布式計算基礎設施、硬件加速和高效網絡的支持下，高效地執行人工智慧計算並實現規模化。其中的取捨包括由於隱私增強技術而導致的計算速度較慢，以及可驗證計算所帶來的開銷。

區塊鏈三難題：

區塊鏈三難題捕捉了每個區塊鏈必須面對的核心折衷。

• 去中心化：將網絡分佈在許多獨立節點上，防止任何單一實體控制系統
• 安全性：確保網絡免受攻擊，保持數據完整性，通常需要更多的驗證和共識開銷。
• 可擴展性：快速、廉價地處理高交易量 - 但這通常意味著犧牲分散性（更少節點）或安全性（較少徹底驗證）

例如，以太坊優先考慮去中心化和安全性，因此速度較慢。有關區塊鏈架構中權衡的進一步理解，參考此.

AI-區塊鏈協同分析矩陣（3x3）

人工智慧和區塊鏈的交集是一個複雜的權衡和機遇之舞。這個矩陣標誌著這兩種技術產生摩擦、找到和諧，並偶爾增強彼此的弱點。

Synergy Matrix如何運作

協同作用的強度反映了區塊鏈和人工智能在特定類別中的相容性和影響程度。它是由兩種技術如何有效應對共同挑戰並增強彼此功能來確定的。

Synergy Matrix如何運作

範例1：性能+去中心化（弱協同效應）—在像比特幣或以太坊這樣的去中心化網絡中，性能受到資源變異性、高通信延遲、交易成本和共識機制等因素的固有限制。對於需要低延遲、高吞吐量處理的人工智能應用，比如實時人工智能推理或大規模模型訓練，這些網絡難以提供所需的速度和計算可靠性，以實現最佳性能。

示例2：隱私 + 去中心化（強強聯手）—隱私保護AI技術，如聯邦學習，從區塊鏈的去中心化基礎設施中受益，以保護用戶數據並實現協作。SoraChain AI通過使數據擁有權得到保護，使數據擁有者能夠貢獻他們的高質量數據進行訓練，同時保持隱私，這正是加密貨幣的典範。

這個矩陣旨在賦予行業清晰的導航能力，幫助創新者和投資者優先考慮有效的事情，探索有前途的事情，避免僅僅是投機的事情，從而應對區塊鏈和人工智慧交集的挑戰。

人工智能-區塊鏈協同性矩陣

沿著一個軸，我們擁有去中心化人工智能系統的基本屬性：可驗證性，隱私和性能。另一方面，我們面臨區塊鏈的永恆三難：安全性，可擴展性和去中心化。當這些力量相互碰撞時，它們創造了一系列的協同效應 - 從強大的協同到具有挑戰性的不匹配。

例如，當可驗證性與安全性（高協同效應）相遇時，我們得到了用於證明人工智能計算的強大系統。但當性能需求與去中心化衝突（低協同效應）時，我們面臨著分散系統開銷的現實困境。某些組合，比如隱私和可擴展性，處於中間地帶 – 有所承諾但複雜。

• 為什麼這很重要?
  • 一個戰略指南：並非每個人工智能或區塊鏈項目都能提供有形價值。該矩陣將決策者、研究人員和開發人員指向高協同類別，解決現實世界的挑戰，比如確保聯邦學習中的數據隱私，或者使用分散式計算進行可擴展的人工智能訓練。
  • 專注於有影響力的創新和資源分配：通過瞭解最強的協同效應所在（例如，安全性+可驗證性，隱私+去中心化），該工具使利益相關者能夠將精力和投資集中在有望產生可衡量影響的領域，避免將精力花在薄弱或不切實際的集成上。
  • 引導生態系統的演進：隨著人工智能和區塊鏈的演進，矩陣可以作為一個動態指南，評估新興項目，確保它們符合有意義的用例，而不是貢獻於被過度吹捧的敘述。

該表通過它們的協同強度（從強到弱）總結了這些組合，並解釋了這些交叉點如何在分散的人工智慧系統中工作。提供了創新專案的範例，以說明每個類別中的實際應用。該表是了解區塊鏈和人工智慧技術有意義交叉的實用指南，有助於確定有影響力的領域，同時避免過度炒作或不太可行的組合。

AI-Blockchain Synergy Matrix: 將人工智慧和區塊鏈技術的關鍵交集按協同強度進行分類

結論

區塊鏈和人工智能的交集呈現了變革性的潛力，但前進的道路需要清晰和專注。真正創新的項目——例如聯邦學習（隱私+去中心化）、分佈式計算/訓練（性能+可擴展性）和zkML（可驗證性+安全性）——正在通過解決數據隱私、可擴展性和信任等關鍵挑戰，塑造著去中心化智能的未來。

然而，同樣重要的是以有辨識力的眼光來看待這個領域。許多所謂的人工智能代理只是現有模型的包裝，提供了最小的效用和與區塊鏈的有限整合。真正的突破將來自於能夠利用兩個領域的優勢來解決真實世界問題的項目，而不是隨波逐流。

隨著我們不斷前進，AI-Blockchain協同矩陣成為評估項目的強大鏡頭，可區分有影響力的創新和噪音。

展望未來，未來十年將屬於將區塊鏈的韌性與人工智能的轉型潛力結合起來，以解決能源高效模型訓練、隱私保護協作和可擴展的人工智能治理等真正的挑戰。行業必須擁抱這些焦點，以開啟去中心化智能的未來。

免責聲明：

1. 本文章轉載自 [BotsnBlocks], 所有版權歸原作者所有 [Swayam]. 如果對此轉載有異議，請聯繫Gate 學習團隊，他們將會迅速處理。
2. 責任聲明：本文所表達的觀點和意見僅代表作者自己的立場，並不構成任何投資建議。
3. 由gate Learn團隊進行對該文章的其他語言翻譯。除非另有說明，禁止複製、分發或抄襲翻譯後的文章。