Digitale Synergie: Wie sich die Fusion von KI und Blockchain auswirken wird

Im November 2022 stellte OpenAI den Chatbot ChatGPT vor. Zwei Monate nach seinem Start erreichte die Zahl der aktiven Benutzer des Dienstes 100 Millionen . Zum Vergleich: TikTok brauchte etwa neun Monate, um diese Marke zu erreichen, und Instagram mehr als zwei Jahre.

Zu diesem Zeitpunkt war generative KI bereits recht populär und das neue Produkt heizte das Interesse an diesem Segment weiter an. Es überrascht nicht, dass die Hype-Welle um künstliche Intelligenz (KI) auch an der Kryptowährungsbranche nicht vorbeiging.

Seit Ende 2022 konnte man regelmäßig lokale Rallyes bei den Token von Projekten beobachten, die nach Angaben der Entwickler diese Technologie nutzten. Einige stehen solchen Vermögenswerten jedoch skeptisch gegenüber und glauben nicht ohne Grund, dass der Integrationsgrad aller Algorithmen auf einem niedrigen Niveau liegt.

Obwohl es zu bestehenden Produkten unterschiedliche und eher gegensätzliche Ansichten gibt, besteht ein gewisser Konsens über die potenzielle Synergie zwischen Blockchain und künstlicher Intelligenz.

Viele Akteure, darunter Kryptobörsen und Web3-Beschleuniger , glauben, dass die Verschmelzung von KI und Blockchain beiden Branchen zugute käme, da beide Branchen bestehende Probleme lösen könnten. Einige Risikokapitalgeber vertreten eine ähnliche Ansicht. Im Mai 2023 wurde beispielsweise berichtet, dass Paradigm seine Interessen im Bereich KI ausweiten würde .

Warum brauchen KI-Algorithmen Dezentralisierung?

Die Erzählung über die Synergie zwischen künstlicher Intelligenz und Blockchain ist nichts Neues. Allerdings ist das Interesse an diesem Bereich in den letzten Jahren deutlich gestiegen, wie relevante Forschungsdaten zeigen.

Die Integration verteilter Netzwerke in KI-Dienste bietet KI-Entwicklern viele langfristige Vorteile. Blockchain hat das Potenzial, eine Reihe kritischer Hindernisse zu beseitigen oder zumindest zu verringern, beispielsweise solche, die mit mangelnder Rechenleistung zusammenhängen.

Diese Synergie eröffnet auch den Zugang zu innovativen Interoperabilitätsoptionen. Beispielsweise kann die DLT-Technologie die Feinabstimmung neuronaler Modelle und die Erfassung repräsentativerer Datensätze für Trainingsalgorithmen ermöglichen.

Die Integration von Systemen mit künstlicher Intelligenz – insbesondere On-Chain- und Smart Contracts – wird auch der Blockchain-Branche zugutekommen. KI kann möglicherweise die Leistung verteilter Netzwerke verbessern und zu einem wichtigen Wachstumstreiber für den dezentralen Finanzsektor (DeFi) werden.

Jeder hat Probleme

Die Geschichte der künstlichen Intelligenz als Wissenschaftsgebiet ist fast 70 Jahre alt. Allerdings ist es der Branche nie gelungen, einige der Hindernisse zu beseitigen, die ihre breite Einführung verhindern. Darüber hinaus sind mit der Entwicklung der Branche neue Herausforderungen entstanden.

Im Folgenden erläutere ich ausführlich einige mögliche Szenarien, in denen verteilte Netzwerke bestimmte Einschränkungen ausgleichen können.

Stromausfall

Grafikprozessoren (GPUs) sind wichtig, um Algorithmen zu trainieren und Benutzeranfragen abzuleiten. Dies wird insbesondere im Bericht von Nvidia für das erste Quartal des Geschäftsjahres 2024 deutlich.

Vor dem Hintergrund des Wachstums des KI-Sektors stieg die Nachfrage nach GPUs stark an - was zu einem erheblichen Mangel an Mikroschaltkreisen führte. Die Situation war so ernst, dass große Cloud-Dienstanbieter wie Google und Amazon sogar begannen, ihren Kunden Beschränkungen aufzuerlegen.

Viele KI-Unternehmen wandten sich alternativen Anbietern zu (z. B. Lambda), doch auch diese stießen an ihre Kapazitätsgrenzen.

Dezentralisierte Computernetzwerke können das Problem lösen. Sie fungieren als Vermittler und verbinden Organisationen, die Rechenleistung benötigen, mit Systemeigentümern, die über die erforderlichen Ressourcen verfügen.

Solche Lösungen bieten im Vergleich zu zentralisierten Dienstleistern geringere Preise. Dies liegt vor allem daran, dass für die an das System angeschlossenen Anbieter keine zusätzlichen Kosten anfallen.

Es gibt zwei Haupttypen solcher Computernetzwerke:

• Allgemeiner Zweck (GP). Dazu gehören dezentrale Cloud-Dienste, die Ressourcen für verschiedene Anwendungen bereitstellen. Ihr Betriebsmodell ähnelt einem Marktplatz – Kunden mieten Serverplatz von Anbietern, die ihre eigenen Preise festlegen.
• Spezialzwecke (SP). Diese sind im Gegenteil für bestimmte Nutzungsszenarien konzipiert. Normalerweise kombiniert ihre Architektur Rechenressourcen in einem einzigen Pool – einer Art dezentralem Computer. In diesem Fall werden die Kosten der Dienste durch Marktdynamiken oder von der Community kontrollierte Parameter bestimmt. Ein Beispiel hierfür ist Gensyn , das zum Trainieren von ML-Modellen entwickelt wurde.

Dezentrale Netzwerke demokratisieren den Zugriff auf Rechenleistung. Dies reduziert den Aufwand für Training, Feinabstimmung von Algorithmen und die Bearbeitung von Benutzerabfragen, die noch rechenintensivere Aufgaben sind.

Die Community ist jedoch besorgt über die Geschwindigkeit, mit der ML-Modelle auf einer verteilten Ressource trainiert werden. Laut Mohamed Fouda, Mitglied der Alliance und Partner bei Volt Capital, könnte dies um ein oder sogar zwei Größenordnungen langsamer sein als bei zentralisierten Methoden.

Die Teams arbeiten bereits an der Optimierung des dezentralen Lernprozesses. Die Together-Entwickler haben eine Lösung entwickelt, die den Engpass theoretisch beseitigt, während Gensyn versucht, Probleme zu beheben, die durch den Anschluss unterschiedlicher Hardware an das Netzwerk entstehen.

Um Geld zu sparen, muss die Community jedoch wahrscheinlich Kompromisse beim langsamen Lernen eingehen.

Maschinelles Lernen ohne Offenlegung

Ich möchte die Projekte besonders hervorheben, die sich auf Zero-Knowledge-Maschinenlernen (ZKML) konzentrieren.

Um den korrekten Betrieb in Computernetzwerken sicherzustellen, werden verschiedene Mechanismen wie vertrauenswürdige Ausführungsumgebungen (TEE) und Reputationsmodelle verwendet. Doch jeder Ansatz hat seine eigenen Einschränkungen und Nachteile. Beispielsweise kann eine TEE einen potenziellen Hardware-Angriffsvektor aufweisen.

Daher hat eine neue Welle von Projekten (Gensyn, Modulus Labs und Giza ) begonnen, mit der Anwendung von Zero-Knowledge-Proofs (ZKP) zu experimentieren, um die Rechenintegrität für ML zu überprüfen.

ZKP ist ein kryptografisches Protokoll , das es einer Partei (der beweisenden Partei) ermöglicht, einer anderen Partei (der verifizierenden Partei) die Wahrheit einer Behauptung zu bestätigen, ohne zusätzliche Informationen preiszugeben. Das Protokoll ist in der Blockchain-Branche sehr beliebt, da es Entwicklern ermöglicht, skalierbare und sichere Anwendungen zu erstellen.

Beim maschinellen Lernen verbirgt ZKP bei Bedarf einen Teil der Eingabedaten oder das Modell selbst. Dies ist insbesondere dann relevant, wenn Algorithmen in stark regulierten Branchen wie dem Gesundheits- und Finanzwesen eingesetzt werden.

ZKML hat aber noch weitere Vorteile. So lässt sich mit der Methode beispielsweise nachweisen, dass ein bestimmter Algorithmus an einem streng definierten Datensatz trainiert wurde. Bei proprietärer KI lässt sich damit auch überprüfen, ob allen Nutzern das gleiche Modell zur Verfügung steht.

Ein Nachteil dieses Ansatzes ist der Prozess der Beweisgenerierung selbst – es handelt sich um eine ressourcenintensive Aufgabe, deren Durchführung teurer sein kann als die ursprünglichen Vorgänge. Dies bedeutet, dass es in einigen Fällen unpraktisch ist, sie zu berechnen.

Dennoch stellt ZKML einen Vektor der Dezentralisierung für die KI-Branche dar. Dies ist wichtig in einer Situation, in der die Konzentration der Technologie in den Händen eines kleinen Pools von Akteuren Anlass zur Sorge gibt.

Inhaltsauthentifizierung

Die Entwicklung und Verbreitung generativer KI hat zur Entstehung realistischer Deep Fakes geführt. Beispiele hierfür sind gefälschte Bilder von Papst Franziskus in einer Daunenjacke von Balenciaga und ein Video eines Bombenanschlags in der Nähe des Pentagons .

Um solche Deep Fakes zu bekämpfen, können kryptografische Signaturen eingesetzt werden – die Identität des Inhaltserstellers wird durch den Abgleich des privaten und öffentlichen Schlüsselpaars verifiziert . Ein Beispiel für die Umsetzung sind dezentrale soziale Netzwerke. Auf dem Lens Protocol basierende Projekte verknüpfen Benutzerkonten mit Adressen in einer öffentlichen Blockchain und vereinfachen so die Identifizierung.

Die Teams von Bundlr und Arweave arbeiten auch an branchenweiten Standards . Arweave plant die Einführung von Spezifikationen, die die Integration unveränderlicher kryptografischer Signaturen und Zeitstempel in digitale Inhalte erfordern, die in einem verteilten Register aufgezeichnet sind.

Synergie aus KI und Blockchain für mehr Effizienz

Langfristig wird die Blockchain die Effizienz des Trainings neuronaler Modelle verbessern und möglicherweise die Art und Weise verändern, wie die Branche Forschung betreibt.

Während die meiste Forschung zur Blockchain in ihren Anfängen im akademischen Bereich durchgeführt wurde, wird sie heute von großen Technologieunternehmen dominiert. Diese Situation schränkt die Beteiligung lokaler Labore und Einzelpersonen aufgrund fehlender Anreize und Möglichkeiten zur Zusammenarbeit ein.

Dezentrale Plattformen wie Bittensor können Abhilfe schaffen. Dabei handelt es sich um Marktplätze, auf denen Teilnehmer für ihren Beitrag zur Entwicklung belohnt werden und Daten zum Trainieren von Modellen austauschen können. Solche Plattformen sind besonders attraktiv, wenn es um die Entwicklung von Open-Source-KI geht.

Blockchain erleichtert auch die Anwendung von Reinforcement Learning from Human Feedback (RLHF) . Dabei handelt es sich um eine Methode, die menschliches Feedback in den Prozess einbezieht, um das neuronale Modell zu optimieren.

Mit RLHF können Sie das Modell „polieren“, um die Anzahl ungenauer oder verzerrter Ergebnisse zu reduzieren. OpenAI hat es beispielsweise zum Debuggen von GPT-3 und zur Entwicklung von ChatGPT verwendet .

Durch Feinabstimmung wird die Leistung der Algorithmen gesteigert und es wird ihnen ermöglicht, domänenspezifisches Fachwissen zu erwerben. Da die Nachfrage nach solchen hochspezialisierten Modellen wächst, steigt auch der Bedarf an Experten, die Feedback geben.

Multicoin schlägt eine Möglichkeit vor, den RLHF durch Anreizzahlungen in Form von Token zu skalieren. Dieser Ansatz hat jedoch mindestens zwei Probleme:

• Experten müssen bereit sein, Token als Entschädigung zu akzeptieren, was den Kreis der am Lernprozess beteiligten Personen einschränkt.

• Um die Genauigkeit des Feedbacks zu gewährleisten, muss ein solches System vor manipulativen Angriffen geschützt werden.

  
  

Projekte wie Hivemapper haben die Methode jedoch bereits in die Praxis umgesetzt.

Wie intelligent kann ein Smart Contract sein?

Es gibt viele Bereiche, in denen Blockchain-Plattformen künstliche Intelligenz auf verschiedenen Ebenen nutzen können, von der Infrastruktur bis zur Anwendung.

Für die Kryptowährungsbranche sind jedoch die Szenarien von größtem Interesse, in denen KI direkt in einem verteilten Hauptbuch arbeitet. Generell gibt es zwei Möglichkeiten, die Aktivität von Algorithmen in die Blockchain zu verlagern:

• Ermöglichen Sie autonomen Agenten , die Web3-Infrastruktur zu nutzen, um Zahlungen zu tätigen und auf digitale Ressourcen zuzugreifen.
• Ermöglichen Sie neuronalen Modellen die Interaktion mit Smart Contracts über ZKML.

Interessant, nicht wahr?

Zahlungen und Ressourcen für autonome Agenten

Autonome Wirtschaftsakteure (AEAs) sind autonome Systeme auf Basis von Algorithmen des maschinellen Lernens, die im Auftrag ihrer Eigentümer bestimmte Aufgaben ausführen, ohne dass diese direkt in den Prozess eingreifen müssen.

Experten gehen davon aus, dass sich die Spezialisierung von AEAs mit fortschreitender Technologie weiter vertiefen wird , was zur Verbreitung von „Multiagentensystemen“ führen wird.

Dies wiederum wird die Entstehung eines Marktes mit sich bringen, auf dem einige Agenten andere „anheuern“ und ihnen für die Ausführung bestimmter Aufgaben eine Vergütung zahlen können. In diesem Zusammenhang werden Kryptowährungszahlungen Fiat-Zahlungen wahrscheinlich aus mehreren Gründen vorzuziehen sein:

• Nach den bestehenden Gesetzen ist es AEAs nicht gestattet, Bankkonten zu eröffnen oder die Konten der Kontoinhaber für grenzübergreifende Transaktionen zu nutzen.
• Kryptowährungen machen vertrauenswürdige Vermittler überflüssig.
• Die Blockchain-Infrastruktur ermöglicht schnellere und kostengünstigere Abwicklungen.

AEAs werden mit Zahlungsnetzwerken und dezentralen physischen Infrastrukturen (DePIN ) interagieren können. DePINs integrieren Hardwaregeräte – die oben besprochenen Computersysteme können ebenfalls diesem Segment zugeordnet werden.

DePINs geben der KI Zugriff auf digitale Ressourcen wie Speicherplatz und Rechenleistung. Wenn ein Algorithmus beispielsweise ein 3D-Modell erstellen muss, kann er das Render Network zum Rendern und Arweave zur Datenspeicherung verwenden, anstatt sich auf zentralisierte Lösungen zu verlassen.

Integration von KI in Smart Contracts

Die Anwendung von KI-Modellen in Smart Contracts erweitert deren Möglichkeiten erheblich. Neuronale Netze eröffnen nicht nur den Zugang zu innovativen Anwendungsfällen, sondern steigern auch die Effizienz bestehender Tools.

Ein Großteil dieser Integration wird durch die hohen Rechenkosten behindert, die mit der Bereitstellung von Algorithmen in der Blockchain verbunden sind. Die Verwendung von ZKP zur Validierung der genauen Ausführung von Off-Chain-Modellen könnte dieses Problem jedoch lösen, da nur relevante Beweise in einem verteilten Register abgelegt werden können.

Ein solcher Ansatz ermöglicht es Smart Contracts, Entscheidungen auf der Grundlage dynamischer Daten zu treffen, ohne auf einen Satz fest codierter Regeln beschränkt zu sein. Auf diese Weise werden sie autonomer, flexibler und ausgefeilter.

ZKML kann in zahlreichen Branchen eingesetzt werden, darunter DeFi, GameFi, DeSo (Decentralized Social) und DePIN.

Beispielsweise kann KI in dezentralen Finanzanwendungen Protokollparameter basierend auf aktuellen Netzwerkparametern anpassen . Ein möglicher Anwendungsfall ist ein Kreditprotokoll, das ein ML-Modell verwendet, um den Sicherheitenfaktor in Echtzeit anzupassen.

Weitere Szenarien umfassen automatisiertes Treasury-Management, Credit On-Chain-Scoring und AMM-Liquiditätsmanagement .

Abschluss

Derzeit besteht auf der grundlegenden Logikebene ein Widerspruch zwischen der KI- und der Web3-Branche: Erstere ist stark zentralisiert. Gleichzeitig basiert Letztere auf den Prinzipien einer weit verbreiteten Dezentralisierung. Diese Situation erschwert manchmal die Integration von Anwendungen.

Derselbe Widerspruch führt jedoch dazu, dass sich Produkte aus diesen beiden Sektoren wirksam ergänzen und ihre gegenseitige Entwicklung fördern.

Es gibt keine Garantie dafür, dass die Blockchain die Grundlage für zukünftige neuronale Modelle sein wird oder dass Algorithmen im Kern dezentraler Plattformen laufen werden.

Man kann jedoch mit Sicherheit sagen, dass die Kombination der beiden Technologien viele neue Narrative hervorbringen wird, von denen sich einige als durchaus praktikabel erweisen werden.