人工智能的快速发展使得少数大型科技公司在计算能力、数据和算法能力方面形成了前所未有的集中。随着人工智能系统在社会中的重要性不断提升，关于可访问性、透明性和控制的问题已成为技术和政策讨论的焦点。在这样的背景下，区块链与人工智能的结合提供了一条值得关注的替代路径，这可能会改变人工智能系统的开发、部署、扩展和管理方式。我们并不提倡全面颠覆现有的人工智能基础设施，而是探讨去中心化方法在某些特定场景中可能带来的独特优势，同时也承认在某些情况下传统的集中式系统仍然更为有效。
以下几个关键问题引导我们的分析：
去中心化系统的基本特性如何与现代人工智能系统的需求相互补充或产生冲突？在人工智能的开发流程中，从数据收集到模型训练再到推理，区块链技术在哪些环节能带来实质性的改善？在去中心化人工智能系统的不同方面，可能会面临哪些技术和经济上的权衡？
当前人工智能系统的限制：Epoch AI对当前人工智能系统的限制进行了详细的分析。这项研究指出，到2030年，人工智能训练计算的扩展将面临多种限制。相关图表评估了可能限制人工智能训练计算扩展的各种瓶颈，以每秒浮点运算次数（FLoPs）作为关键指标。
人工智能训练计算的扩展可能受电力供应、芯片制造能力、数据稀缺性和延迟问题的共同影响。每个因素都会对可实现的计算能力设定不同的上限，其中延迟问题是最大的制约。
该图表强调了在硬件、能源效率、解锁边缘设备上的数据以及网络方面取得进展的必要性，以支持未来人工智能的发展。
电力限制（性能）：
到2030年扩展电力基础设施的可行性：预测显示，容量在1到5吉瓦（GW）之间的数据中心在2030年之前是有可能实现的。然而，这一增长需要对电力基础设施进行大量投资，并克服一些潜在的后勤和监管障碍。由于能源供应和电力基础设施的限制，计算能力的增长可能达到当前水平的10,000倍。
芯片生产能力（可验证性）：
目前，生产支持这些高级计算（如NVIDIA H100、Google TPU v5）的芯片受到封装限制（例如，TSMC CoWoS）的影响。这直接关系到可验证计算的可用性和扩展性。由于制造和供应链的瓶颈，计算能力的提升可能达到50,000倍。先进的芯片对于在边缘设备上实现安全隔离区或可信执行环境（TEE）至关重要，这些环境能够验证计算并保护敏感数据。
数据稀缺性（隐私）：
* 数据稀缺性与人工智能训练：索引网络与整个网络之间的差异突显了人工智能训练面临的可访问性挑战。许多潜在的数据要么是私有的，要么没有被索引，从而限制了其利用价值。
* 对多模态人工智能的需求：大量的图像和视频数据表明，能够处理超越文本的数据的多模态人工智能系统的重要性日益增加。
* 未来的数据挑战：这是人工智能面临的下一个前沿，如何利用高质量的私人数据，同时给数据拥有者控制权和合理的价值。
延迟壁垒（性能）：
模型训练中的固有延迟限制：随着人工智能模型的规模不断扩大，进行一次前向和反向传播所需的时间也会增加，因为计算是顺序进行的。这导致了一个无法避免的基本延迟，从而限制了模型的训练速度。扩展批量大小的挑战：为了降低延迟，可以通过增加批量大小来处理更多的数据，实现并行处理。然而，批量大小的扩展也有实际限制，例如内存限制和模型收敛时的收益递减。这些限制使得抵消大模型带来的延迟变得非常困难。
基础：去中心化人工智能三角数据稀缺、计算能力有限、延迟和生产能力等人工智能的限制汇聚成一个去中心化人工智能三角形，这个三角形在隐私、可验证性和性能之间取得平衡。这些属性对于确保去中心化人工智能的有效性、可信度和可扩展性至关重要。
下表探讨了这三种属性之间的关键权衡，提供了对它们的描述、启用技术和相关挑战的见解：
隐私：关注在训练和推理过程中保护敏感数据。关键技术包括可信执行环境（TEE）、多方计算（MPC）、联邦学习、同态加密（FHE）和差分隐私。权衡体现在性能开销、影响可验证性的透明性挑战和可扩展性限制。
可验证性：通过零知识证明（ZKP）、加密凭证和可验证计算来确保计算的正确性和完整性。然而，在隐私、性能和可验证性之间取得平衡会增加资源需求和计算延迟。
性能：指高效地进行大规模的人工智能计算，利用分布式计算基础设施、硬件加速和高效网络。权衡包括由于隐私增强技术导致的计算速度变慢，以及可验证计算带来的额外开销。
区块链三难困境：
区块链三难困境揭示了每个区块链必须面对的核心权衡：
去中心化：保持网络分布在许多独立节点上，防止任何单一实体控制系统。安全性：确保网络安全，抵御攻击并保持数据完整性，这通常需要更多的验证和共识开销。可扩展性：迅速且廉价地处理大量交易——但这通常意味着需要牺牲去中心化（减少节点数量）或安全性（验证不够充分）。
例如，以太坊优先考虑去中心化和安全性，因此速度较慢。有关区块链架构中的权衡，进一步了解请参考相关资料。
人工智能-区块链协同分析矩阵（3x3）：人工智能与区块链的交集是一个复杂的权衡与机遇的结合。该矩阵描绘了这两种技术在何处产生摩擦、寻找和谐，并偶尔放大彼此的不足。
协同矩阵的工作原理：协同强度反映了区块链和人工智能属性在特定类别中的兼容性和影响程度。这取决于这两种技术在多大程度上解决共同的挑战并增强彼此的功能。
协同矩阵的工作原理：
示例1：性能 + 去中心化（弱协同）——在比特币或以太坊等去中心化网络中，性能受到资源波动、高通信延迟、交易成本和共识机制等因素的制约。对于需要低延迟和高吞吐量的人工智能应用，如实时推理或大规模模型训练，这些网络很难提供所需的速度和计算可靠性。
示例2：隐私 + 去中心化（强协同）——隐私保护的人工智能技术，如联邦学习，利用区块链的去中心化基础设施来保护用户数据，同时促进合作。SoraChain AI 就是一个很好的例子，它支持联邦学习，确保数据所有权得以保留，让数据拥有者在保持隐私的同时，贡献他们的优质数据用于训练。
这个矩阵旨在帮助行业清晰地理解区块链与人工智能的交汇，帮助创新者和投资者优先选择有效的方案，探索有潜力的方向，避免仅仅是投机的选择。
人工智能-区块链协同矩阵
在一个轴上，我们列出了去中心化人工智能系统的基本特性：可验证性、隐私和性能。另一个轴上则是区块链面临的永恒三难困境：安全性、可扩展性和去中心化。当这些因素相互作用时，会产生不同程度的协同效应——从强大的协同到困难的错配。
例如，当可验证性和安全性结合时（高协同），我们可以建立强大的系统来证明人工智能计算的正确性。但如果性能需求与去中心化发生冲突（低协同），那么分布式系统的开销就会成为一个严峻的现实。一些组合，比如隐私与可扩展性，则处于中间位置——虽然有前景，但也比较复杂。
为什么这很重要？
战略指南：并非所有的人工智能或区块链项目都能带来实际价值。这个矩阵帮助决策者、研究人员和开发者关注那些高协同的领域，解决现实中的挑战，比如确保联邦学习中的数据隐私，或者使用去中心化计算进行可扩展的人工智能训练。聚焦于有影响力的创新和资源配置：通过了解最强的协同组合（如安全性 + 可验证性，隐私 + 去中心化），这个工具让利益相关者能够集中资源和投资于那些承诺带来可衡量影响的领域，从而避免在弱或不切实际的整合上浪费精力。引导生态系统的演变：随着人工智能和区块链的不断发展，矩阵可以作为动态指南，帮助评估新兴项目，确保它们与有意义的应用场景对接，而不是助长过度炒作的趋势。
这张表总结了不同组合的协同强度——从强到弱——并解释了这些交集在去中心化人工智能系统中的运作方式。表中还提供了创新项目的示例，展示每个类别中的实际应用。这张表是理解区块链与人工智能技术有意义交集的实用指南，帮助识别有影响力的领域，同时避免过度炒作或可行性较低的组合。
人工智能-区块链协同矩阵：按协同强度对人工智能与区块链技术的关键交集进行分类。
结论区块链与人工智能的结合展现了巨大的变革潜力，但要向前发展，需要明确的方向和专注力。真正具有创新性的项目，比如联邦学习（隐私 + 去中心化）、分布式计算/训练（性能 + 可扩展性）和zkML（可验证性 + 安全性），正在通过解决数据隐私、可扩展性和信任等关键问题，塑造去中心化智能的未来。
然而，谨慎地看待这个领域也同样重要。许多所谓的人工智能代理不过是对现有模型的简单包装，提供的实际效用有限，且与区块链的整合程度不高。真正的突破将来自那些能够将这两个领域的优势结合起来，解决实际问题的项目，而不是仅仅追随炒作的潮流。
随着我们继续前进，人工智能-区块链协同矩阵将成为评估项目的强大工具，帮助我们区分出真正有影响力的创新与噪音。
展望未来的十年，将会是那些将区块链的韧性与人工智能的变革潜力结合起来的项目的时代，它们将解决诸如节能模型训练、隐私保护的合作和可扩展的人工智能治理等现实挑战。整个行业必须关注这些重点，以开启去中心化智能的未来。
声明：
本文转载自【BotsnBlocks】，著作权归属原作者 【Swayam】，如对转载有异议，请联系 Gate Learn 团队，团队会根据相关流程尽速处理。免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。文章其他语言版本由 Gate Learn 团队翻译， 除非另有说明，否则禁止复制、传播或抄袭经翻译文章。