Ma trận sức mạnh tổng hợp chuỗi AI-Khối > sẽ là một công cụ quan trọng để đánh giá các dự án, giúp những người ra quyết định phân biệt giữa những đổi mới thực sự có tác động và tiếng ồn vô nghĩa.
Viết bởi: Swayam
Biên dịch: TechFlow của ShenChao
Sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) đã khiến cho một số công ty công nghệ lớn sở hữu khả năng tính toán, tài nguyên dữ liệu và công nghệ thuật toán chưa từng có. Tuy nhiên, khi các hệ thống AI dần dần được tích hợp vào xã hội, các vấn đề liên quan đến tính sẵn có, minh bạch và quyền kiểm soát đã trở thành trung tâm của các cuộc thảo luận về công nghệ và chính sách. Trong bối cảnh như vậy, việc kết hợp công nghệ blockchain với trí tuệ nhân tạo cung cấp cho chúng ta một lối đi thay thế đáng để khám phá - một cách có thể tái định nghĩa cách phát triển, triển khai, mở rộng và quản lý hệ thống AI.
Chúng tôi không cố gắng phá vỡ hoàn toàn cơ sở hạ tầng AI hiện có, mà thay vào đó chúng tôi đang xem xét những lợi ích độc đáo mà cách tiếp cận của Phi tập trung có thể mang lại cho các trường hợp sử dụng cụ thể. Đồng thời, chúng tôi cũng nhận ra rằng trong một số bối cảnh, các hệ thống tập trung truyền thống vẫn có thể là một lựa chọn thiết thực hơn.
Những vấn đề chính sau đã chỉ đạo nghiên cứu của chúng tôi:
- Các tính năng cốt lõi của hệ thống Phi tập trung (như tính minh bạch, kháng kiểm duyệt) có thể tương hỗ với yêu cầu của các hệ thống AI hiện đại (như hiệu suất cao, khả năng mở rộng) hay sẽ gây ra xung đột?
- Trong các giai đoạn phát triển trí tuệ nhân tạo - từ việc thu thập dữ liệu đến việc huấn luyện mô hình đến suy luận - công nghệ chuỗi khối có thể cung cấp cải tiến mang tính thiết thực ở những khía cạnh nào?
- Trong thiết kế hệ thống trí tuệ nhân tạo Phi tập trung, các mắt xích khác nhau sẽ đối mặt với những cân nhắc về mặt kỹ thuật và kinh tế nào?
Giới hạn hiện tại trong ngăn xếp công nghệ AI
Nhóm Epoch AI đã đóng góp quan trọng trong việc phân tích các hạn chế của bộ công cụ công nghệ AI hiện tại. Nghiên cứu của họ đã chi tiết mô tả các chướng ngại chính mà khả năng tính toán của AI đối với đào tạo có thể đối mặt vào năm 2030 và sử dụng số lần tính toán mỗi giây (Floating Point Operations per Second, FLoPs) như là chỉ số trung tâm để đánh giá hiệu suất tính toán.
Nghiên cứu cho thấy, việc mở rộng tính toán đào tạo AI có thể bị giới hạn bởi nhiều yếu tố, bao gồm cung cấp điện không đủ, chướng ngại vật về công nghệ chế tạo vi mạch, hiếm khả năng dữ liệu và vấn đề trễ mạng. Mỗi yếu tố đều đặt ra một giới hạn khác nhau cho khả năng tính toán có thể được thực hiện, trong đó vấn đề trễ được coi là giới hạn lý thuyết khó vượt qua nhất.
Biểu đồ nhấn mạnh sự cần thiết phải có những tiến bộ về phần cứng, hiệu quả năng lượng, mở khóa dữ liệu được thu thập trên các thiết bị biên và kết nối mạng để hỗ trợ tương lai của AI.
![]()
Hạn chế điện ( hiệu suất )：
- Khả năng thực hiện cơ sở hạ tầng điện mở rộng (Dự báo năm 2030): Dự kiến đến năm 2030, khả năng của các khu vực trung tâm dữ liệu có thể đạt từ 1 đến 5 GW. Tuy nhiên, điều này đòi hỏi đầu tư quy mô lớn vào cơ sở hạ tầng điện, đồng thời vượt qua các rào cản về hậu cần và quản lý có thể có.
- Với hạn chế về nguồn cung cấp năng lượng và cơ sở hạ tầng điện, dự kiến giới hạn mở rộng năng lực tính toán toàn cầu có thể đạt tới 10.000 lần so với mức hiện tại.
Khả năng sản xuất chip (xác thực được):
- Hiện tại, việc sản xuất chip hỗ trợ tính toán cao cấp (như NVIDIA H100, Google TPU v5) bị hạn chế bởi công nghệ đóng gói (như công nghệ CoWoS của TSMC). Hạn chế này trực tiếp ảnh hưởng đến tính khả thi và khả năng mở rộng của tính toán có thể xác minh.
- Rào cản chính cho sản xuất chip và Chuỗi cung ứng là rào cản chính, nhưng vẫn có thể đạt được khả năng tính toán tăng lên lên đến 50.000 lần.
- Ngoài ra, việc kích hoạt vùng cách ly an toàn hoặc môi trường thực thi đáng tin cậy (TEE) trên các thiết bị biên giới là rất quan trọng cho việc tiến hóa chip tiên tiến. Các công nghệ này không chỉ có thể 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 (riêng tư):
![]()
Trễ壁垒 ( 性能 )：
- Hạn chế cố hữu trong đào tạo mô hình: Khi kích thước của các mô hình AI tiếp tục mở rộng, thời gian cần thiết cho một lần lan truyền tiến và lan truyền ngược tăng lên đáng kể do tính chất tuần tự của quá trình tính toán. Đây là một hạn chế cơ bản không thể bỏ qua trong quá trình đào tạo mô hình, ảnh hưởng trực tiếp đến tốc độ đào tạo.
- Những thách thức của việc mở rộng quy mô kích thước lô: Để giảm bớt vấn đề Trễ , một cách tiếp cận 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 việc mở rộng kích thước lô, chẳng hạn như dung lượng bộ nhớ không đủ và giảm lợi nhuận cận biên đối với hiệu ứng hội tụ mô hình khi kích thước lô tăng lên. Những yếu tố này làm cho việc chống lại Trễ trở nên khó khăn hơn bằng cách tăng kích thước lô.
Cơ bản
Phi tập trung AI Tam giác
Hiện tại, AI đang đối mặt với nhiều hạn chế (như hiếm hoi dữ liệu, bottleneck về khả năng tính toán, vấn đề Trễ và khả năng sản xuất chip), tất cả cùng tạo nên “Tam giác Phi tập trung AI”. Khung này cố gắng tạo ra sự cân bằng giữa quyền riêng tư, tính xác thực và hiệu suất. Ba đặc tính này là yếu tố cốt lõi đảm bảo tính hiệu quả, tính đáng tin cậy và khả năng mở rộng của hệ thống Phi tập trung AI.
![]()
Bảng sau đây trình bày chi tiết sự đánh đổi chính giữa quyền riêng tư, khả năng xác minh và hiệu suất, với cái nhìn sâu sắc về các định nghĩa, kỹ thuật triển khai và thách thức của chúng:
![]()
- Quyền riêng tư: Trong quá trình huấn luyện và suy luận của trí tuệ nhân tạo, việc bảo vệ dữ liệu nhạy cảm là rất quan trọng. Để làm điều này, đã sử dụng nhiều công nghệ then chốt, bao gồm môi trường thi hành đáng tin cậy (TEEs), tính toán người theo lệnh long (MPC), học liên minh, mã hóa đồng cấu hoàn toàn (FHE) và quyền riêng tư khác biệt. Các công nghệ này mặc dù hiệu quả, nhưng cũng mang đến những thách thức như chi phí hiệu suất, vấn đề minh bạch ảnh hưởng đến tính xác minh và hạn chế tính mở rộng.
- tính xác thực: Để đảm bảo tính chính xác và tính toàn vẹn của việc tính toán, các công nghệ như zk-SNARKs, chứng minh mã hóa và tính toán có thể xác minh đã được áp dụng. Tuy nhiên, việc cân bằng giữa quyền riêng tư và hiệu suất với tính xác thực thường đòi hỏi tài nguyên và thời gian bổ sung, điều này có thể dẫn đến sự Trễ trong quá trình tính toán.
- Hiệu suất: Thực hiện tính toán trí tuệ nhân tạo một cách hiệu quả và triển khai ứng dụng quy mô lớn, phụ thuộc vào cơ sở hạ tầng tính toán phân tán, tăng tốc phần cứng và kết nối mạng hiệu quả. Tuy nhiên, việc sử dụng công nghệ tăng cường quyền riêng tư có thể làm chậm tốc độ tính toán, trong khi tính toán có thể xác minh cũng sẽ tăng thêm chi phí phụ.
Khối链三难困境：
![]()
Trong lĩnh vực blockchain, thách thức cốt lõi đối mặt là ba khó khăn, mỗi hệ thống blockchain đều phải cân nhắc giữa ba yếu tố sau:
- Phi tập trung：thông qua việc phân tán mạng trên nhiều Nút độc lập, ngăn chặn bất kỳ thực thể đơn lẻ nào kiểm soát hệ thống.
- An ninh: Đảm bảo mạng không bị tấn công và giữ tính toàn vẹn dữ liệu, thường đòi hỏi quá trình xác thực và Nhận thức chung nhiều hơn.
- Khả năng mở rộng: Xử lý khối lượng lớn giao dịch nhanh chóng và tiết kiệm chi phí, tuy nhiên điều này thường có nghĩa là thỏa hiệp với Phi tập trung (giảm số lượng Nút) hoặc bảo mật (Thả sức mạnh xác minh).
Ví dụ, Ethereum ưu tiên tính Phi tập trung và an toàn nên tốc độ xử lý giao dịch của nó tương đối chậm. Để hiểu sâu hơn về những sự cân nhắc này trong kiến trúc Khối chuỗi, bạn có thể tham khảo tài liệu liên quan.
Ma trận phân tích đồng hợp tác AI-Blockchain (3x3)
Sự kết hợp giữa AI và blockchain là một quá trình phức tạp của sự đánh đổi và cơ hội. Ma trận này cho thấy nơi hai công nghệ có thể tạo ra ma sát, tìm ra sự phù hợp hài hòa và đôi khi phóng đại điểm yếu của nhau.
Nguyên lý hoạt động của ma trận cộng tác
Độ mạnh cộng tác phản ánh sự tương thích và sức ảnh hưởng của tính chất blockchain và AI trong một lĩnh vực cụ thể. Cụ thể, nó phụ thuộc vào cách mà hai công nghệ đối mặt với thách thức và nâng cao chức năng của nhau. Ví dụ, trong việc bảo vệ dữ liệu, sự kết hợp giữa tính không thể thay đổi của blockchain và khả năng xử lý dữ liệu của AI có thể mang lại các giải pháp mới.
![]()
Nguyên lý hoạt động của ma trận cộng tác
Ví dụ 1: Hiệu suất + Phi tập trung (Yếu tương tác)
Trong mạng Phi tập trung như BTC hoặc Ethereum, hiệu suất thường bị hạn chế bởi nhiều yếu tố. Những hạn chế này bao gồm sự biến động của tài nguyên Nút, Trễ giao tiếp cao, chi phí xử lý giao dịch và sự phức tạp của Cơ chế đồng thuận. Đối với các ứng dụng AI đòi hỏi Trễ thấp và khả năng xử lý lớn (như suy luận AI thời gian thực hoặc huấn luyện mô hình quy mô lớn), các mạng này khó có thể cung cấp đủ tốc độ và độ tin cậy tính toán, không đáp ứng được nhu cầu hiệu suất cao.
Ví dụ 2: Bảo mật + Phi tập trung (Hợp tác mạnh mẽ)
Công nghệ AI bảo mật (như học liên minh) có thể tận dụng tối đa tính năng Phi tập trung của Blockchain để bảo vệ dữ liệu người dùng và đạt được sự hợp tác hiệu quả. Ví dụ, SoraChain AI cung cấp một giải pháp thông qua học liên minh được hỗ trợ bởi Blockchain, đảm bảo quyền sở hữu dữ liệu không bị xâm phạm. Chủ sở hữu dữ liệu có thể đóng góp dữ liệu chất lượng cao cho việc huấn luyện mô hình mà vẫn giữ được quyền riêng tư, từ đó đạt được sự kết hợp lợi ích giữa quyền riêng tư và hợp tác.
Mục tiêu của ma trận này là giúp ngành công nghiệp hiểu rõ hơn điểm giao nhau giữa trí tuệ nhân tạo và blockchain, hướng dẫn người sáng tạo và nhà đầu tư ưu tiên xem xét những hướng tiếp cận thực tế, khám phá các lĩnh vực tiềm năng, đồng thời tránh rơi vào các dự án chỉ mang tính chất đầu cơ.
![]()
AI- Ma trận hợp tác Khối chuỗi
Hai trục của ma trận cộng tác đại diện cho hai thuộc tính khác nhau: một trục là ba đặc tính cốt lõi của hệ thống trí tuệ nhân tạo Phi tập trung - tính xác thực, tính riêng tư và hiệu suất; trục còn lại là ba khó khăn của blockchain - bảo mật, khả năng mở rộng và Phi tập trung. Khi các thuộc tính này giao thoa với nhau, chúng tạo ra một loạt hiệu ứng cộng tác, từ sự phù hợp cao đến các xung đột tiềm năng không đếm xuể.
Ví dụ, khi kết hợp tính xác thực với tính bảo mật (hợp tác cao), có thể xây dựng hệ thống mạnh mẽ để chứng minh tính chính xác và đầy đủ của tính toán trí tuệ nhân tạo. Tuy nhiên, khi yêu cầu hiệu suất xung đột với tính phi tập trung (hợp tác thấp), sự tốn kém cao của hệ thống phân tán sẽ ảnh hưởng đáng kể đến hiệu suất. Ngoài ra, một số kết hợp (như sự riêng tư và khả năng mở rộng) nằm ở vùng trung gian, có tiềm năng nhưng đối mặt với các thách thức kỹ thuật phức tạp.
Tại sao điều này quan trọng?
- La bàn chiến lược: Ma trận cung cấp định hướng rõ ràng cho các nhà hoạch định chính sách, nhà nghiên cứu và nhà phát triển tập trung vào các lĩnh vực hợp tác cao, chẳng hạn như đảm bảo quyền riêng tư dữ liệu thông qua học tập liên kết hoặc cho phép đào tạo AI có thể mở rộng với điện toán Phi tập trung.
- Tập trung vào sáng kiến có ảnh hưởng và phân phối tài nguyên: Hiểu được phân bố sức mạnh cộng tác (như an toàn + xác thực, quyền riêng tư + Phi tập trung) giúp các bên liên quan tập trung tài nguyên vào các lĩnh vực có giá trị cao, tránh lãng phí trong việc tích hợp yếu kém hoặc không thực tế.
- Tiến hóa hệ sinh thái hướng dẫn: Với sự phát triển liên tục của công nghệ AI và blockchain, ma trận này có thể được sử dụng như một công cụ động để đánh giá các dự án mới nổi, đảm bảo rằng chúng đáp ứng các yêu cầu thực tế thay vì kích thích xu hướng đầu cơ quá mức.
Bảng dưới đây tóm tắt các kết hợp thuộc tính theo độ mạnh (từ mạnh đến yếu) và giải thích cách chúng hoạt động trong hệ thống trí tuệ nhân tạo Phi tập trung. Đồng thời, bảng cũng cung cấp một số ví dụ về dự án sáng tạo, thể hiện các kịch bản ứng dụng thực tế của các kết hợp này. Qua bảng này, người đọc có thể hiểu một cách trực quan hơn sự giao điểm giữa công nghệ blockchain và trí tuệ nhân tạo, nhận biết các lĩnh vực có ảnh hưởng thực sự, đồng thời tránh xa những hướng đi quá phô trương hoặc không khả thi về mặt công nghệ.
![]()
Ma trận AI-Khối đồng hành: điểm giao cắt chính của công nghệ AI và Khối theo cấp độ đồng hành
Kết luận
Sự kết hợp giữa blockchain và AI mang trong mình tiềm năng biến đổi lớn, nhưng sự phát triển trong tương lai đòi hỏi hướng đi rõ ràng và nỗ lực tập trung. Những dự án thực sự thúc đẩy sự đổi mới đang được hình thành bằng cách giải quyết các thách thức quan trọng như bảo vệ dữ liệu riêng tư, khả năng mở rộng và niềm tin, tạo nên tương lai thông minh phi tập trung. Ví dụ, học hợp tác (riêng tư + phi tập trung) đảm bảo hợp tác bằng cách bảo vệ dữ liệu người dùng, tính toán và huấn luyện phân tán (hiệu suất + khả năng mở rộng) cải thiện hiệu suất hệ thống AI, và zkML (máy học không biết, xác thực + bảo mật) đảm bảo tính đáng tin cậy của tính toán AI.
Đồng thời, chúng ta cũng cần tiếp cận lĩnh vực này một cách thận trọng. Nhiều thực thể trí tuệ nhân tạo AI được gọi là chỉ là một sự bọc gói đơn giản của các mô hình hiện có, có giới hạn chức năng và thiếu Độ sâu trong kết hợp với blockchain. Sự đột phá thực sự sẽ đến từ những dự án tận dụng tối đa lợi thế riêng của blockchain và AI và cam kết giải quyết các vấn đề thực tế, chứ không chỉ đuổi theo sản phẩm thị trường.
Trong tương lai, Ma trận AI-Khối Chain Synergy sẽ là một công cụ quan trọng để đánh giá các dự án, giúp những người ra quyết định phân biệt giữa những đổi mới thực sự có tác động và tiếng ồn vô nghĩa.
Trong thập kỷ tới, những dự án có khả năng kết hợp tính tin cậy cao của blockchain và khả năng biến đổi của trí tuệ nhân tạo để giải quyết các vấn đề thực tế sẽ chiếm ưu thế. Ví dụ, việc đào tạo mô hình tiết kiệm năng lượng sẽ giảm đáng kể lượng năng lượng tiêu thụ của hệ thống trí tuệ nhân tạo; hợp tác bảo vệ quyền riêng tư sẽ cung cấp môi trường an toàn hơn cho việc chia sẻ dữ liệu; và quản trị trí tuệ nhân tạo có thể mở rộng sẽ thúc đẩy triển khai hệ thống thông minh quy mô lớn hơn và hiệu quả hơn. Các ngành công nghiệp cần tập trung vào những lĩnh vực quan trọng này để khám phá tương lai thông minh phi tập trung thực sự.
![]()
