作者：Swayam

编译：深潮TechFlow

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？

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。