Tác giả: Swayam
Biên soạn bởi: TechFlow TechFlow
Sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) đã giúp một số công ty công nghệ lớn làm chủ được sức mạnh tính toán, tài nguyên dữ liệu và công nghệ thuật toán chưa từng có. Tuy nhiên, khi các hệ thống AI ngày càng được tích hợp vào xã hội của chúng ta, các vấn đề xung quanh khả năng tiếp cận, tính minh bạch và kiểm soát đã trở thành chủ đề trọng tâm trong các cuộc thảo luận về chính sách và công nghệ. Trong bối cảnh đó, sự kết hợp giữa công nghệ blockchain và AI cung cấp cho chúng ta một con đường thay thế đáng để khám phá — một cách mới có thể xác định lại quá trình phát triển, triển khai, mở rộng và quản trị các hệ thống AI.
Chúng tôi không cố gắng Sự lật đổ hoàn toàn cơ sở hạ tầng AI hiện có, nhưng chúng tôi hy vọng khám phá thông qua phân tích những lợi thế độc đáo mà phương pháp phi tập trung có thể mang lại trong một số trường hợp sử dụng cụ thể. Đồng thời, chúng tôi cũng thừa nhận rằng trong một số trường hợp, hệ thống tập trung truyền thống có thể vẫn là lựa chọn thiết thực hơn.
Các câu hỏi chính sau đây đã hướng dẫn nghiên cứu của chúng tôi:
Liệu các đặc điểm cốt lõi của các hệ thống phi tập trung(như tính minh bạch, khả năng chống kiểm duyệt) có thể bổ sung cho nhu cầu của các hệ thống AI hiện đại (như tính hiệu quả, mở rộng), hay chúng sẽ xung đột với nhau?
Trong tất cả các khía cạnh của phát triển AI—từ thu thập dữ liệu đến đào tạo mô hình đến suy luận—công nghệ blockchain có thể mang lại những cải tiến đáng kể ở đâu?
Trong quá trình thiết kế một hệ thống AI phi tập trung, những sự đánh đổi về kinh tế và kỹ thuật nào sẽ phải đối mặt ở các khía cạnh khác nhau?
Những hạn chế hiện tại trong kho công nghệ AI
Đội ngũ Epoch AI đã có những đóng góp quan trọng trong việc phân tích những hạn chế của nền tảng công nghệ AI hiện tại. Nghiên cứu của họ đã trình bày chi tiết về những trở ngại chính có thể gặp phải mở rộng sức mạnh tính toán đào tạo AI vào năm 2030 và sử dụng Phép toán dấu phẩy động mỗi giây (FLoP) làm chỉ báo cốt lõi để đo lường hiệu suất tính toán.
Nghiên cứu cho thấy rằng mở rộng điện toán đào tạo AI có thể bị hạn chế bởi nhiều yếu tố, bao gồm nguồn điện không đủ, tắc nghẽn trong công nghệ sản xuất chip, khan hiếm dữ liệu và các vấn đề về độ trễ mạng . Mỗi yếu tố này đặt ra một giới hạn trên khác nhau về khả năng tính toán có thể đạt được, trong đó các vấn đề về độ trễ cho rằng giới hạn lý thuyết khó phá vỡ nhất.
Biểu đồ nêu bật nhu cầu cải tiến về phần cứng, hiệu quả sử dụng năng lượng, mở khóa dữ liệu được ghi trên các thiết bị biên và kết nối mạng để hỗ trợ tăng trưởng của AI trong tương lai.
Hạn chế về năng lượng (Hiệu suất):
Tính khả thi của mở rộng cơ sở hạ tầng điện (dự báo năm 2030): Công suất của khuôn viên trung tâm dữ liệu dự kiến sẽ đạt 1 đến 5 gigawatt (GW) vào năm 2030. Tuy nhiên, tăng trưởng này sẽ đòi hỏi đầu tư lớn vào cơ sở hạ tầng điện, đồng thời vượt qua các rào cản về hậu cần và quy định có thể xảy ra.
Tùy thuộc vào những hạn chế về nguồn cung năng lượng và cơ sở hạ tầng điện, dự kiến mở rộng sức mạnh tính toán toàn cầu có thể đạt giới hạn trên 10.000 lần mức hiện tại.
Năng lực sản xuất chip (có thể kiểm chứng):
Hiện nay, việc sản xuất chip dùng để hỗ trợ tính toán tiên tiến (như NVIDIA H100, Google TPU v5) bị hạn chế bởi công nghệ đóng gói (như công nghệ CoWoS của TSMC). Hạn chế này ảnh hưởng trực tiếp đến tính khả dụng và mở rộng của điện toán có thể kiểm chứng.
Những nút thắt trong sản xuất chip và Chuỗi cung ứng là những trở ngại lớn, nhưng sức mạnh tính toán có thể tăng trưởng tới 50.000 lần .
Ngoài ra, điều quan trọng đối với các chip tiên tiến là kích hoạt các vùng bảo mật hoặc Hoàn cảnh thực thi đáng tin cậy (TEE) trên các thiết bị biên. Những công nghệ này không chỉ xác minh kết quả tính toán mà còn bảo vệ quyền riêng tư của dữ liệu nhạy cảm trong quá trình tính toán.
Sự khan hiếm dữ liệu(Quyền riêng tư):
Rào cản độ trễ (hiệu suất):
Hạn chế về độ trễ cố hữu trong đào tạo mô hình: Khi quy mô của các mô hình AI tiếp tục mở rộng, thời gian cần thiết cho một lần truyền tiến và truyền lùi tăng lên đáng kể do tính chất tuần tự của quá trình tính toán. Độ trễ này là hạn chế cơ bản không thể bỏ qua trong quá trình huấn luyện mô hình và ảnh hưởng trực tiếp đến tốc độ huấn luyện.
Những thách thức của mở rộng kích thước lô: Để giảm bớt các vấn đề về độ trễ, một phương pháp phổ biến là tăng kích thước lô để có thể xử lý song song nhiều dữ liệu hơn. Tuy nhiên, có những hạn chế thực tế đối với mở rộng kích thước lô, chẳng hạn như dung lượng bộ nhớ không đủ và lợi nhuận cận biên giảm dần khi hội tụ mô hình khi kích thước lô tăng lên. Những yếu tố này khiến việc bù đắp sự chậm trễ trở nên khó khăn hơn bằng cách tăng quy mô lô.
Căn cứ
Tam giác AI phi tập trung
Các hạn chế khác nhau mà AI hiện đang phải đối mặt (như khan hiếm dữ liệu, tắc nghẽn năng lượng tính toán, vấn đề về độ trễ và khả năng sản xuất chip) cùng nhau tạo thành "tam giác AI phi tập trung ". Khung này cố gắng đạt được sự cân bằng giữa quyền riêng tư, khả năng xác minh và hiệu suất. Ba thuộc tính này là những yếu tố cốt lõi để đảm bảo tính hiệu quả, độ tin cậy và mở rộng của các hệ thống AI phi tập trung .
Bảng sau đây cung cấp phân tích chi tiết về sự cân bằng chính giữa quyền riêng tư, khả năng xác minh và hiệu suất, đi sâu vào các định nghĩa, kỹ thuật triển khai và thách thức tương ứng:
Quyền riêng tư: Trong quá trình đào tạo và suy luận của AI, việc bảo vệ dữ liệu nhạy cảm là rất quan trọng. Để đạt được mục đích này, một số công nghệ chính được sử dụng, bao gồm Hoàn cảnh thực thi đáng tin cậy (TEE), Tính toán bên long(MPC), Học liên kết, Crypto hoàn toàn đồng nhất (FHE) và Quyền riêng tư khác biệt. Mặc dù các kỹ thuật này có hiệu quả nhưng chúng cũng mang lại những thách thức như chi phí hiệu suất, các vấn đề về tính minh bạch ảnh hưởng đến khả năng xác minh và mở rộng hạn chế.
Khả năng xác minh: Để đảm bảo tính chính xác và toàn vẹn của các phép tính, các công nghệ như Bằng chứng không tri thức(ZKP), thông tin xác thực crypto và các phép tính có thể xác minh được sử dụng. Tuy nhiên, việc cân bằng giữa quyền riêng tư và hiệu suất với khả năng xác minh thường đòi hỏi thêm tài nguyên và thời gian, điều này có thể dẫn đến sự chậm trễ trong tính toán.
Hiệu suất: Thực hiện hiệu quả các phép tính AI và triển khai các ứng dụng quy mô lớn, dựa vào cơ sở hạ tầng điện toán phân tán, tăng tốc phần cứng và kết nối mạng hiệu quả. Tuy nhiên, việc sử dụng các kỹ thuật nâng cao quyền riêng tư sẽ dẫn đến tính toán chậm hơn và các tính toán có thể kiểm chứng cũng làm tăng thêm chi phí.
Bộ ba bất khả thi blockchain:
Thách thức cốt lõi mà lĩnh vực blockchain phải đối mặt là bộ ba bất khả thi. Mọi hệ thống blockchain đều phải thực hiện sự đánh đổi giữa ba điều sau:
Phi tập trung: Ngăn chặn bất kỳ thực thể đơn lẻ nào nắm quyền kiểm soát hệ thống bằng cách phân phối mạng trên nhiều nút độc lập.
Bảo mật: Bảo mật mạng khỏi các cuộc tấn công và duy trì tính toàn vẹn dữ liệu thường đòi hỏi nhiều quy trình xác minh và đồng thuận hơn.
Mở rộng: Xử lý lượng lớn giao dịch một cách nhanh chóng và giá cả phải chăng, tuy nhiên điều này thường có nghĩa là ảnh hưởng đến phi tập trung(giảm số lượng nút) hoặc bảo mật (giảm sức mạnh xác minh).
Ví dụ: Ethereum phi tập trung và bảo mật nên tốc độ xử lý giao dịch của nó tương đối chậm. Để hiểu sâu hơn về những sự đánh đổi này trong kiến trúc blockchain, người ta có thể tham khảo các tài liệu liên quan .
Ma trận phân tích hợp tác AI- blockchain(3x3)
Sự kết hợp giữa AI và blockchain là một quá trình phức tạp giữa sự đánh đổi và cơ hội. Ma trận này cho thấy hai công nghệ có thể tạo ra xích mích ở đâu, tìm ra sự phù hợp hài hòa và đôi khi khuếch đại những điểm yếu của nhau.
Cách hoạt động của ma trận cộng tác
Sức mạnh tổng hợp phản ánh tính tương thích và ảnh hưởng của các thuộc tính blockchain và AI trong một lĩnh vực cụ thể. Cụ thể, nó phụ thuộc vào cách cả hai công nghệ phối hợp với nhau để giải quyết các thách thức và nâng cao năng lực của nhau. Ví dụ, về quyền riêng tư dữ liệu, sự kết hợp giữa tính bất biến của blockchain và khả năng xử lý dữ liệu của AI có thể mang lại những giải pháp mới.
Cách hoạt động của ma trận cộng tác
Ví dụ 1: Hiệu suất + phi tập trung(sức mạnh tổng hợp yếu)
Trong các mạng phi tập trung, chẳng hạn như Bitcoin hoặc Ethereum, hiệu suất thường bị giới hạn bởi nhiều yếu tố. Những hạn chế này bao gồm tính biến động của tài nguyên nút, độ trễ giao tiếp cao, chi phí xử lý giao dịch và độ phức tạp của cơ chế đồng thuận. Đối với các ứng dụng AI yêu cầu độ trễ thấp và thông lượng cao (chẳng hạn như suy luận AI thời gian thực hoặc đào tạo mô hình quy mô lớn), các mạng này khó cung cấp đủ tốc độ và độ tin cậy tính toán để đáp ứng yêu cầu hiệu suất cao.
Ví dụ 2: Quyền riêng tư + Phi tập trung (Sức mạnh tổng hợp mạnh mẽ)
Công nghệ AI bảo vệ quyền riêng tư (chẳng hạn như học tập liên kết) có thể tận dụng tối đa tính chất phi tập trung của blockchain để đạt được sự cộng tác hiệu quả đồng thời bảo vệ dữ liệu người dùng. Ví dụ: SoraChain AI cung cấp giải pháp để đảm bảo rằng quyền sở hữu dữ liệu không bị mất đi thông qua học tập liên kết được hỗ trợ bởi blockchain . Chủ sở hữu dữ liệu có thể đóng góp dữ liệu chất lượng cao cho việc đào tạo mô hình trong khi vẫn giữ được quyền riêng tư, từ đó đạt được tình hình đôi bên cùng có lợi giữa quyền riêng tư và cộng tác.
Mục tiêu của ma trận này là giúp ngành hiểu rõ sự giao thoa giữa AI và blockchain, hướng dẫn các nhà đổi mới và nhà đầu tư ưu tiên các hướng thực tế đó và khám phá các lĩnh vực có tiềm năng, đồng thời tránh bị mắc kẹt trong các dự án chỉ có ý nghĩa đầu cơ.
Ma trận hợp tác AI- Blockchain
Hai trục của ma trận cộng tác biểu thị các thuộc tính khác nhau: một trục là ba đặc điểm cốt lõi của hệ thống AI phi tập trung- khả năng xác minh, quyền riêng tư và hiệu suất; trục còn lại là bộ ba bất khả thi của blockchain- bảo mật, mở rộng và phi tập trung. Khi các thuộc tính này giao nhau, chúng tạo ra sê-ri các sức mạnh tổng hợp từ sự phù hợp mạnh mẽ đến xung đột tiềm ẩn.
Ví dụ: khi khả năng xác minh được kết hợp với bảo mật (sức mạnh tổng hợp cao) , một hệ thống mạnh mẽ có thể được xây dựng để chứng minh tính chính xác và toàn vẹn của các phép tính AI. Nhưng khi các yêu cầu về hiệu suất xung đột với phi tập trung(sự phối hợp thấp), chi phí hoạt động cao của các hệ thống phân tán có thể ảnh hưởng đáng kể đến hiệu quả. Ngoài ra, một số kết hợp (chẳng hạn như quyền riêng tư và mở rộng) nằm ở mức trung bình, có cả những thách thức kỹ thuật phức tạp và tiềm ẩn.
Tại sao điều này lại quan trọng?
La bàn chiến lược: Ma trận này cung cấp định hướng rõ ràng cho các nhà hoạch định chính sách, nhà nghiên cứu và nhà phát triển để tập trung vào các lĩnh vực có tính hợp tác cao, chẳng hạn như đảm bảo quyền riêng tư dữ liệu thông qua học tập liên kết hoặc tận dụng điện toán phi tập trung để đào tạo AI mở rộng.
Tập trung vào sự đổi mới có tác động và phân bổ nguồn lực: Hiểu được sự phân bổ cường độ tổng hợp (chẳng hạn như bảo mật + khả năng xác minh, quyền riêng tư + phi tập trung) có thể giúp các bên liên quan tập trung nguồn lực vào các lĩnh vực có giá trị cao và tránh lãng phí tài nguyên vào các lĩnh vực yếu kém hoặc tích hợp không thực tế.
Hướng dẫn sự phát triển của hệ sinh thái: Khi công nghệ AI và blockchain tiếp tục phát triển, ma trận này có thể đóng vai trò là công cụ năng động để đánh giá các dự án mới nổi nhằm đảm bảo chúng phù hợp với nhu cầu thực tế thay vì thúc đẩy xu hướng cường điệu hóa quá mức.
Bảng sau đây tóm tắt các kết hợp thuộc tính này theo sức mạnh tổng hợp (mạnh nhất đến yếu nhất) và giải thích cách chúng thực sự hoạt động trong hệ thống AI phi tập trung. Đồng thời, bảng cũng đưa ra một số trường hợp dự án đổi mới sáng tạo, thể hiện các kịch bản ứng dụng của các sự kết hợp này vào đời sống thực tế. Thông qua bảng này, người đọc có thể hiểu một cách trực quan hơn sự giao thoa giữa công nghệ blockchain và AI, xác định các lĩnh vực thực sự có ảnh hưởng, đồng thời tránh những hướng đi quá cường điệu hoặc không khả thi về mặt kỹ thuật.
Ma trận hợp tác AI- Blockchain: Phân loại các điểm giao nhau chính của AI và công nghệ blockchain theo cường độ tổng hợp
Tóm lại
Sự kết hợp giữa blockchain và AI có tiềm năng biến đổi rất lớn, nhưng sự phát triển trong tương lai đòi hỏi phải có định hướng rõ ràng và nỗ lực tập trung. Các dự án thực sự thúc đẩy sự đổi mới đang định hình tương lai của trí tuệ phi phi tập trung bằng cách giải quyết các thách thức chính như quyền riêng tư dữ liệu, mở rộng và độ tin cậy. Ví dụ: học liên kết (quyền riêng tư + phi tập trung) cho phép cộng tác bằng cách bảo vệ dữ liệu người dùng, tính toán và đào tạo phân tán (hiệu suất + mở rộng) cải thiện hiệu quả của hệ thống AI và zkML ( học máy không có kiến thức , khả năng xác minh + bảo mật) cung cấp sự đảm bảo cho độ tin cậy của tính toán AI.
Đồng thời, chúng ta cũng cần ứng xử lĩnh vực này một cách thận trọng. Nhiều cái gọi là tác nhân AI thực chất chỉ là những trình bao bọc đơn giản của các mô hình hiện có, với chức năng hạn chế và thiếu độ sâu trong việc tích hợp với blockchain . Những đột phá thực sự sẽ đến từ các dự án tận dụng tối đa lợi thế tương ứng của blockchain và AI, đồng thời nỗ lực giải quyết các vấn đề thực tế, thay vì các sản phẩm chỉ chạy theo sự cường điệu của thị trường.
Nhìn về tương lai, Ma trận hợp tác AI- Blockchain sẽ trở thành một công cụ quan trọng để đánh giá dự án và có thể giúp những người ra quyết định phân biệt một cách hiệu quả sự đổi mới thực sự có tác động với những tiếng ồn vô nghĩa.
Mười năm tới sẽ thuộc về những dự án có thể kết hợp độ tin cậy cao của blockchain và sức mạnh biến đổi của AI để giải quyết các vấn đề thực tế. Ví dụ, đào tạo mô hình tiết kiệm năng lượng sẽ giảm đáng kể mức tiêu thụ năng lượng của các hệ thống AI; sự hợp tác bảo vệ quyền riêng tư sẽ mang lại hoàn cảnh an toàn hơn cho việc chia sẻ dữ liệu và khả năng quản trị AI mở rộng sẽ thúc đẩy việc triển khai các hệ thống thông minh quy mô lớn hơn và hiệu quả hơn. Ngành cần tập trung vào những lĩnh vực quan trọng này để thực sự mở ra tương lai của trí tuệ phi tập trung.
