加密 x AI 炒作机会解码：在两个“不可能三角”里，寻找重叠地带

作者：Swayam

编译：小白导航coderworld

人工智能 (AI) 的快速发展，使少数大型科技公司掌握了前所未有的计算能力、数据资源和算法技术。然而，随着 AI 系统逐渐融入我们的社会，有关可访问性、透明性和控制权的问题，已成为技术和政策讨论的核心议题。在这样的背景下，区块链技术与 AI 的结合为我们提供了一种值得探索的替代路径——一种可能重新定义 AI 系统开发、部署、扩展和治理的新方式。

我们并不是要完全颠覆现有的 AI 基础设施，而是希望通过分析，探讨在某些具体用例中，去中心化方法可能带来的独特优势。同时，我们也承认在某些情境下，传统的中心化系统可能仍然是更实际的选择。

以下几个关键问题引导了我们的研究：

• 去中心化系统的核心特性（如透明性、抗审查性）是否能够与现代 AI 系统的需求（如高效性、可扩展性）相辅相成，还是会产生矛盾？

• 在 AI 开发的各个环节——从数据收集到模型训练再到推理——区块链技术能够在哪些方面提供实质性的改进？

• 在去中心化 AI 系统的设计中，不同环节会面临哪些技术和经济上的权衡？

AI 技术堆栈中的当前限制

Epoch AI 团队在分析当前 AI 技术堆栈的限制方面做出了重要贡献。他们的研究详细阐述了到 2030 年，AI 训练计算能力扩展可能面临的主要瓶颈，并使用每秒浮点运算次数 (Floating Point Operations per Second, FLoPs) 作为衡量计算性能的核心指标。

研究表明，AI 训练计算的扩展可能受到多种因素的限制，包括电力供应不足、芯片制造技术的瓶颈、数据稀缺性以及网络延迟问题。这些因素各自为可实现的计算能力设定了不同的上限，其中延迟问题被认为是最难突破的理论极限。

该图表强调了硬件、能源效率、解锁边缘设备上捕获的数据以及网络方面的进步的必要性，以支持未来人工智能的增长。

• 电力限制 (性能)：

  • 扩展电力基础设施的可行性（2030 年预测）： 预计到 2030 年，数据中心园区的容量有望达到 1 至 5 吉瓦 (GW)。然而，这一增长需要依赖对电力基础设施的大规模投资，同时还需克服可能存在的后勤和监管障碍。

  • 受能源供应和电力基础设施的限制，预计全球计算能力的扩展上限可能达到当前水平的 10,000 倍。

• 芯片生产能力 (可验证性)：

  • 当前，用于支持高级计算的芯片（如 NVIDIA H100、Google TPU v5）的生产受限于封装技术（如 TSMC 的 CoWoS 技术）。这种限制直接影响了可验证计算的可用性和扩展性。

  • 芯片制造和供应链的瓶颈是主要障碍，但仍可能实现计算能力高达 50,000 倍的增长。

  • 此外，先进芯片在边缘设备上启用安全隔离区或可信执行环境 (Trusted Execution Environments, TEEs) 至关重要。这些技术不仅能够验证计算结果，还能在计算过程中保护敏感数据的隐私。

• 数据稀缺性 (隐私)：

• 延迟壁垒 (性能)：

  • 模型训练中的固有延迟限制： 随着 AI 模型规模的不断扩大，由于计算过程的顺序性，单次前向传播和后向传播所需的时间显著增加。这种延迟是模型训练过程中无法绕过的根本限制，直接影响了训练速度。

  • 扩展批量大小的挑战： 为了缓解延迟问题，一种常见的方法是增加批量大小，使更多数据能够并行处理。然而，批量大小的扩展存在实际限制，例如内存容量不足，以及随着批量增大，模型收敛效果的边际收益递减。这些因素使得通过增加批量来抵消延迟变得更加困难。

基础

去中心化 AI 三角形

当前 AI 面临的多种限制（如数据稀缺性、计算能力瓶颈、延迟问题和芯片生产能力）共同构成了“去中心化 AI 三角形”。这一框架试图在隐私、可验证性和性能之间实现平衡。这三种属性是确保去中心化 AI 系统有效性、可信性和可扩展性的核心要素。

以下表格详细分析了隐私、可验证性和性能三者之间的关键权衡，深入探讨了各自的定义、实现技术及其面临的挑战：

隐私： 在 AI 的训练和推理过程中，保护敏感数据至关重要。为此，使用了多种关键技术，包括可信执行环境 (TEEs)、多方计算 (MPC)、联邦学习、全同态加密 (FHE) 和差分隐私。这些技术虽然有效，但也带来了性能开销、透明度问题影响可验证性，以及可扩展性受限等挑战。

可验证性： 为确保计算的正确性和完整性，采用了零知识证明 (ZKPs)、加密凭证和可验证计算等技术。然而，在隐私和性能与可验证性之间取得平衡，往往需要额外的资源和时间，这可能导致计算延迟。

性能： 高效地执行 AI 计算并实现大规模应用，依赖于分布式计算基础设施、硬件加速和高效的网络连接。然而，采用隐私增强技术会导致计算速度变慢，而可验证计算也会增加额外的开销。

区块链三难困境：

区块链领域面临的核心挑战即三难困境，每个区块链系统都必须在以下三者之间进行权衡：

• 去中心化：通过在多个独立节点上分布网络，防止任何单一实体对系统的控制。

• 安全性：确保网络免受攻击并保持数据完整性，通常需要更多的验证和共识流程。

• 可扩展性：快速且经济地处理大量交易，然而这通常意味着在去中心化（减少节点数量）或安全性（降低验证强度）上做出妥协。

例如，以太坊优先考虑去中心化和安全性，因小白导航此其交易处理速度相对较慢。关于区块链架构中这些权衡的深入理解，可以参考相关文献。

AI-区块链协同分析矩阵 (3×3)

AI 和区块链的结合是一个复杂的权衡与机遇的过程。这个矩阵展示了这两种技术在何处可能产生摩擦、找到和谐的契合点，并有时会放大彼此的弱点。

协同矩阵的工作原理

协同强度反映了区块链和 AI 属性在特定领域中的兼容性和影响力。具体来说，它取决于两种技术如何共同应对挑战并提升彼此的功能。例如，在数据隐私方面，区块链的不可篡改性与 AI 的数据处理能力结合，可能带来新的解决方案。

协同矩阵的工作原理

示例 1：性能 + 去中心化（弱协同）

在去中心化网络中，例如比特币或以太坊，性能通常受到多种因素的制约。这些限制包括节点资源的波动性、高通信延迟、交易处理成本和共识机制的复杂性。对于需要低延迟和高吞吐量的 AI 应用（例如实时 AI 推理或大规模模型训练），这些网络难以提供足够的速度和计算可靠性，无法满足高性能的需求。

示例 2：隐私 + 去中心化（强协同）

隐私保护型 AI 技术（如联邦学习）能够充分利用区块链的去中心化特性，在保护用户数据的同时实现高效协作。例如， SoraChain AI 提供了一种解决方案，通过区块链支持的联邦学习，确保数据所有权不被剥夺。数据所有者可以在保留隐私的前提下，贡献高质量的数据用于模型训练，从而实现隐私与协作的双赢。

该矩阵的目标是帮助行业清晰地理解 AI 和区块链的交汇点，指导创新者和投资者优先考虑那些切实可行的方向，探索具有潜力的领域，同时避免陷入仅具投机意义的项目中。

AI-区块链协同矩阵

协同矩阵的两条轴分别代表不同的属性：一条轴是去中心化 AI 系统的三大核心特性——可验证性、隐私和性能；另一条轴是区块链的三难困境——安全性、可扩展性和去中心化。当这些属性相互交汇时，会形成一系列协同效应，从高度契合到潜在冲突不一而足。

例如，当可验证性与安全性结合时（高协同），可以构建出强大的系统，用于证明 AI 计算的正确性和完整性。但当性能需求与去中心化发生冲突时（低协同），分布式系统的高开销会显著影响效率。此外，一些组合（如隐私与可扩展性）则处于中间地带，既有潜力又面临复杂的技术挑战。

为什么这很重要？

• 战略指南针： 该矩阵为决策者、研究人员和开发者提供了明确的方向，帮助他们聚焦于高协同领域，例如通过联邦学习确保数据隐私，或利用去中心化计算实现可扩展的 AI 训练。

• 聚焦有影响力的创新与资源分配： 理解协同强度的分布（如安全性 + 可验证性、隐私 + 去中心化），有助于利益相关者将资源集中在高价值的领域，避免浪费在弱协同或不切实际的整合上。

• 引导生态系统的演进： 随着 AI 和区块链技术的不断发展，该矩阵可以作为动态工具，用于评估新兴项目，确保它们符合实际需求，而不是助长过度炒作的趋势。

以下表格按协同强度（从强到弱）总结了这些属性组合，并解释了它们在去中心化 AI 系统中的实际运作方式。同时，表格还提供了一些创新项目的案例，展示了这些组合在现实中的应用场景。通过该表格，读者可以更直观地了解区块链与 AI 技术的交汇点，识别出真正有影响力的领域，同时避开那些过度炒作或技术不可行的方向。

AI-区块链协同矩阵：按协同强度分类 AI 和区块链技术的关键交汇点

结论

区块链与 AI 的结合蕴含着巨大的变革潜力，但未来的发展需要明确的方向和专注的努力。真正推动创新的项目，正在通过解决数据隐私、可扩展性和信任等关键挑战，塑造去中心化智能的未来。例如，联邦学习（隐私 + 去中心化）通过保护用户数据实现协作，分布式计算与训练（性能 + 可扩展性）提升了 AI 系统的效率，而 zkML（零知识机器学习，可验证性 + 安全性）则为 AI 计算的可信性提供了保障。

与此同时，我们也需要以审慎的态度看待这一领域。许多所谓的 AI 智能体实际上只是现有模型的简单包装，功能有限，与区块链的结合也缺乏深度。真正的突破将来自那些充分发挥区块链和 AI 各自优势，并致力于解决实际问题的项目，而非单纯追逐市场炒作的产品。

展望未来，AI-区块链协同矩阵将成为评估项目的重要工具，能够有效帮助决策者区分真正具有影响力的创新与无意义的噪声。

未来十年，将属于那些能够结合区块链的高可靠性与 AI 的变革能力，来解决实际问题的项目。例如，节能型模型训练将显著降低 AI 系统的能源消耗；隐私保护型协作将为数据共享提供更安全的环境；而可扩展的 AI 治理将推动更大规模、更高效的智能系统落地。行业需要聚焦这些关键领域，才能真正开启去中心化智能的未来。

文章来源于互联网:加密 x AI 炒作机会解码：在两个“不可能三角”里，寻找重叠地带

相关推荐: 泰晤士报锐评：特朗普的加密承诺是个「悖论」，可能伤害所有人

特朗普世界将加密货币运动作为一项事业的方式存在着一个很大的悖论。 撰文：IAIN MARTIN 编译：比推 BitpushNews 一周前，我可能和你们一样，根本没听过 Paul 兄弟，但这一切都在过去几天发生了变化。我现在知道，Jake Paul 是美国演员…