Sinergia digital: como será a fusão entre IA e Blockchain

Em novembro de 2022, a OpenAI apresentou o chatbot ChatGPT. Dois meses após o seu lançamento, o número de utilizadores ativos do serviço atingiu os 100 milhões . Para efeito de comparação, o TikTok levou cerca de nove meses para atingir essa marca e o Instagram mais de dois anos.

Naquela época, a IA generativa já era bastante popular e o novo produto despertou ainda mais o interesse no segmento. Não é de surpreender que a onda de entusiasmo em torno da inteligência artificial (IA) não tenha contornado a indústria das criptomoedas .

Desde o final de 2022, é possível observar periodicamente comícios locais nos tokens de projetos que, segundo garantias dos desenvolvedores, utilizaram a tecnologia. No entanto, alguns são céticos em relação a tais ativos, acreditando, não sem razão, que o grau de integração de quaisquer algoritmos é baixo.

No entanto, embora existam opiniões diferentes e bastante polarizadas sobre os produtos existentes, existe algum consenso sobre a potencial sinergia entre a blockchain e a inteligência artificial.

Muitos participantes, incluindo exchanges de criptomoedas e aceleradores Web3 , acreditam que a fusão de IA e blockchain beneficiaria ambas as indústrias, permitindo que cada uma resolvesse os problemas existentes. Alguns capitalistas de risco têm uma opinião semelhante. Por exemplo, em maio de 2023, foi relatado que a Paradigm expandiria seus interesses em IA .

Por que os algoritmos de IA precisam de descentralização?

A narrativa sobre a sinergia entre inteligência artificial e blockchain não é novidade. No entanto, o interesse neste campo tem crescido significativamente nos últimos anos, como indicam dados de investigação relevantes .

A integração de redes distribuídas com serviços de IA traz muitos benefícios de longo prazo para os desenvolvedores de IA. O Blockchain tem o potencial de eliminar ou pelo menos aliviar uma série de barreiras críticas, como as relacionadas com a falta de poder computacional.

Esta sinergia também abre o acesso a opções inovadoras de interoperabilidade. Por exemplo, a tecnologia DLT pode permitir o ajuste fino de modelos neurais e a coleta de conjuntos de dados mais representativos para algoritmos de treinamento.

A integração de sistemas com inteligência artificial – especialmente contratos on-chain e inteligentes – também beneficiará a indústria de blockchain. A IA pode potencialmente melhorar o desempenho das redes distribuídas e tornar-se um importante motor de crescimento para o setor financeiro descentralizado (DeFi).

Todo mundo tem problemas

A história da inteligência artificial como campo científico tem quase 70 anos. No entanto, a indústria nunca conseguiu remover algumas das barreiras que impedem a sua adoção generalizada. Além disso, à medida que a indústria evoluiu, surgiram novos desafios.

Abaixo, detalho alguns cenários potenciais onde as redes distribuídas podem compensar certas limitações.

Falta de energia

Unidades de processamento gráfico (GPUs) são importantes no treinamento de algoritmos e na inferência de consultas de usuários. Isto é particularmente evidente no relatório da Nvidia para o primeiro trimestre do ano fiscal de 2024 .

Num contexto de crescimento do setor de IA, houve um aumento acentuado na procura de GPUs – levando a uma escassez significativa de microcircuitos . A situação era tão grave que grandes provedores de serviços em nuvem como Google e Amazon começaram até a impor restrições aos seus clientes.

Muitas empresas envolvidas em IA recorreram a fornecedores alternativos (por exemplo, Lambda), mas também estavam perto dos seus limites de capacidade.

Redes de computação descentralizadas podem resolver o problema. Eles são intermediários de fato que conectam organizações que precisam de poder computacional com proprietários de sistemas que possuem os recursos necessários.

Tais soluções oferecem preços mais baixos em comparação com prestadores de serviços centralizados. Isto se deve principalmente à ausência de custos adicionais para os prestadores conectados ao sistema.

Existem dois tipos principais de tais redes de computação:

• Uso geral (GP). Isso inclui serviços de nuvem descentralizados que fornecem recursos para vários aplicativos. Seu modelo operacional se assemelha a um mercado: os clientes alugam espaço em servidores de fornecedores que definem seus próprios preços.
• Finalidade especial (SP). Estes, pelo contrário, são concebidos para cenários de utilização específicos. Normalmente, sua arquitetura combina recursos computacionais em um único pool – uma espécie de computador descentralizado. Neste caso, o custo dos serviços é determinado pela dinâmica do mercado ou por parâmetros controlados pela comunidade. Um exemplo aqui é Gensyn , projetado para treinar modelos de ML.

As redes descentralizadas democratizam o acesso ao poder computacional. Isso reduz o custo de treinamento, ajuste fino de algoritmos e tratamento de consultas de usuários, que são tarefas computacionalmente ainda mais intensivas .

No entanto, a comunidade está preocupada com a velocidade de treinamento de modelos de ML em um recurso distribuído. De acordo com Mohamed Fouda, membro da Aliança e parceiro da Volt Capital, pode ser uma ou até duas ordens de grandeza mais lenta do que os métodos centralizados.

As equipes já estão trabalhando na otimização do processo de aprendizagem descentralizado. Os desenvolvedores do Together estavam criando uma solução que teoricamente eliminava o gargalo, enquanto Gensyn tentava aliviar os problemas decorrentes da conexão de diferentes hardwares à rede.

No entanto, a comunidade provavelmente terá de comprometer a aprendizagem lenta para poupar dinheiro.

Aprendizado de máquina com divulgação zero

Quero destacar separadamente os projetos focados em aprendizado de máquina de conhecimento zero (ZKML) .

Vários mecanismos, como ambientes de execução confiáveis (TEE) e modelos de reputação, são usados para garantir o correto funcionamento em redes de computação. Mas cada abordagem tem suas próprias limitações e desvantagens. Por exemplo, um TEE pode ter um potencial vetor de ataque de hardware.

Portanto, uma nova onda de projetos (Gensyn, Modulus Labs e Giza ) começou a experimentar a aplicação de prova de conhecimento zero (ZKP) para verificar a integridade computacional para ML.

ZKP é um protocolo criptográfico que permite que uma parte (a parte provadora) confirme a veracidade de uma afirmação a outra parte (a parte verificadora) sem revelar qualquer informação adicional. O protocolo é bastante popular na indústria de blockchain, pois permite que os desenvolvedores criem aplicativos escalonáveis e seguros.

Quando aplicado ao aprendizado de máquina, o ZKP oculta parte dos dados de entrada ou do próprio modelo, se necessário . Isto é especialmente relevante quando os algoritmos funcionam em setores altamente regulamentados, como saúde e finanças.

ZKML também tem outras vantagens. O método, por exemplo, permite provar que um determinado algoritmo foi treinado em um conjunto de dados estritamente definido. No caso da IA proprietária, também permite verificar se o mesmo modelo está disponível para todos os usuários.

Uma desvantagem da abordagem é o próprio processo de geração da evidência – é uma tarefa que exige muitos recursos e pode custar mais para ser executada do que as operações originais. Isto significa que, em alguns casos, é impraticável calculá-lo.

No entanto, o ZKML é um vetor de descentralização para a indústria de IA. É importante numa situação em que a concentração da tecnologia nas mãos de um grupo restrito de intervenientes é motivo de preocupação .

Autenticação de conteúdo

O desenvolvimento e a proliferação de IA generativa levaram ao surgimento de falsificações profundas e realistas. Os exemplos incluem imagens fabricadas do Papa Francisco com uma jaqueta Balenciaga e um vídeo de uma cena de bombardeio perto do Pentágono .

Assinaturas criptográficas podem ser usadas para combater essas falsificações profundas – a identidade do criador do conteúdo é verificada pela correspondência do par de chaves pública-privada. Um exemplo de implementação são as redes sociais descentralizadas. Projetos baseados no protocolo Lens vinculam contas de usuários a endereços em um blockchain público, simplificando a identificação.

As equipes do Bundlr e da Arweave também estão trabalhando em padrões para todo o setor . A Arweave prevê a introdução de especificações que exijam a integração de assinaturas criptográficas imutáveis e carimbos de data/hora em conteúdo digital gravado em um registro distribuído.

Sinergia de IA e blockchain em direção à eficiência

No longo prazo, o blockchain melhorará a eficiência do treinamento de modelos neurais e poderá mudar a forma como a indústria conduz pesquisas.

Embora a maior parte da pesquisa sobre blockchain tenha sido conduzida no meio acadêmico em seus primeiros dias, ela agora é dominada por grandes empresas de tecnologia. Esta situação limita a participação de laboratórios e indivíduos locais devido à falta de incentivos e oportunidades de colaboração.

Plataformas descentralizadas como o Bittensor podem consertar as coisas. Estes são mercados onde os participantes são recompensados pela sua contribuição para o desenvolvimento e podem partilhar dados para treinar modelos. Essas plataformas são especialmente atraentes na criação de IA de código aberto.

Blockchain também facilita a aplicação de Aprendizagem por Reforço a partir de Feedback Humano (RLHF) . Este é um método que incorpora feedback humano no processo para ajustar o modelo neural.

O RLHF permite “polir” o modelo, reduzindo o número de resultados imprecisos ou tendenciosos. Por exemplo, OpenAI usou-o para depurar GPT-3 e desenvolver ChatGPT.

O ajuste fino aumenta o desempenho dos algoritmos e permite que eles obtenham conhecimentos específicos de domínio. À medida que cresce a procura por modelos altamente especializados, aumenta também a necessidade de especialistas fornecerem feedback.

Multicoin propõe uma forma de dimensionar o RLHF por meio de pagamentos de incentivos na forma de tokens. No entanto, esta abordagem tem pelo menos dois problemas:

• Os especialistas devem concordar em aceitar tokens como compensação, o que limita o leque de indivíduos envolvidos no processo de aprendizagem.

• Tal sistema precisa ser protegido contra ataques manipulativos para manter a precisão do feedback.

  
  

Porém, projetos como o Hivemapper já colocaram o método em prática.

Quão inteligente pode ser um contrato inteligente?

Existem muitas áreas onde as plataformas blockchain podem utilizar inteligência artificial em vários níveis, desde infraestrutura até aplicação.

No entanto, os cenários de maior interesse para a indústria das criptomoedas são aqueles em que a IA opera diretamente num livro-razão distribuído. De modo geral, existem duas maneiras de mover a atividade dos algoritmos para o blockchain:

• Permitir que agentes autônomos utilizem a infraestrutura Web3 para efetuar pagamentos e acessar recursos digitais.
• Permita que modelos neurais interajam com contratos inteligentes via ZKML.

Interessante, não é?

Pagamentos e recursos para agentes autônomos

Agentes económicos autónomos (AEAs) são sistemas autónomos baseados em algoritmos de aprendizagem automática que executam tarefas específicas em nome dos seus proprietários sem a sua intervenção direta no processo.

Os especialistas esperam que, à medida que a tecnologia avança, as AEAs se tornem mais altamente especializadas , levando à proliferação de “sistemas multiagentes”.

Isto, por sua vez, implicará o surgimento de um mercado em que alguns agentes poderão “contratar” outros e pagar-lhes uma remuneração pela execução de determinadas tarefas. Neste contexto, os pagamentos em criptomoedas serão provavelmente preferíveis aos pagamentos fiduciários por vários motivos:

• As leis existentes não permitem que as AEA abram contas bancárias ou utilizem as contas dos titulares de contas para realizar transações transfronteiriças.
• As criptomoedas eliminam a necessidade de intermediários confiáveis.
• A infraestrutura Blockchain permite liquidações mais rápidas e baratas.

As AEAs poderão interagir com redes de pagamento e de infraestrutura física descentralizada (DePIN ). Os DePINs integram dispositivos de hardware – os sistemas de computação discutidos acima também podem ser atribuídos a este segmento.

Os DePINs darão à IA acesso a recursos digitais, como espaço em disco e poder de computação. Por exemplo, se um algoritmo precisar criar um modelo 3D, ele poderá usar a Render Network para renderização e o Arweave para armazenamento de dados, em vez de depender de soluções centralizadas.

Integrando IA em contratos inteligentes

A aplicação de modelos de IA em contratos inteligentes expande significativamente as suas capacidades. As redes neurais não só abrirão o acesso a casos de utilização inovadores, mas também aumentarão a eficiência das ferramentas existentes.

Grande parte desta integração é dificultada pelos elevados custos computacionais associados à implantação de algoritmos na blockchain. No entanto, usar ZKP para validar a execução exata de modelos fora da cadeia poderia resolver este problema, uma vez que apenas evidências relevantes podem ser colocadas num registo distribuído.

Tal abordagem permitirá que os contratos inteligentes tomem decisões com base em dados dinâmicos, sem estarem limitados a um conjunto de regras codificadas. Desta forma, tornar-se-ão mais autónomos, flexíveis e sofisticados.

ZKML pode ser usado em vários setores da indústria, incluindo DeFi, GameFi, DeSo (Decentralized Social) e DePIN.

Por exemplo, em aplicações financeiras descentralizadas, a IA pode ajustar os parâmetros do protocolo com base nos parâmetros atuais da rede. Um possível caso de uso é um protocolo de empréstimo que usa um modelo de ML para ajustar o fator de garantia em tempo real.

Outros cenários incluem gestão automatizada de tesouraria, pontuação de crédito na cadeia e gestão de liquidez AMM .

Conclusão

Atualmente, existe uma contradição entre as indústrias de IA e Web3 no nível lógico básico: a primeira é altamente centralizada. Ao mesmo tempo, este último baseia-se nos princípios da descentralização generalizada. Às vezes, esta situação dificulta a integração de aplicações.

No entanto, a mesma contradição permite que os produtos destes dois sectores se complementem efectivamente e promovam o desenvolvimento mútuo.

Não há garantia de que o blockchain será a base para futuros modelos neurais ou que os algoritmos serão executados no centro de plataformas descentralizadas.

Mas é seguro dizer que a combinação das duas tecnologias produzirá muitas novas narrativas, algumas das quais se revelarão bastante viáveis.