I mid-Marts holdt Stanford University en konference om Blockchain og AI, hvor professorer, start-up CEOs og venturekapitalister (VC’er) samledes. Arrangementets primære fokus var sammensmeltningen af to væsentlige teknologier: blockchain og AI. Dog kunne konferencen have nydt godt af en stærkere fokus på Bitcoin og AI, i betragtning af Bitcoin’s førende markedsposition og de nye innovationer, der bliver udviklet inden for Bitcoin Layer 2 løsninger. Et centralt problem ved arrangementet var, at blockchain og AI i høj grad har udviklet sig som separate felter—hver med sine egne investorer, iværksættere, forskere og fællesskaber. Selvom ideen om at fusionere disse domæner var ambitiøs, forblev mange talere centreret om deres egne specialer, og havde svært ved at skabe klare forbindelser mellem blockchain og AI. Man kan argumentere for, at det mere præcist ville have været kaldt Blockchain ELLER AI Konference. For eksempel gav en venturekapitalist en bred oversigt over AI-sektoren, med fokus på bemærkelsesværdige fremskridt inden for billed-, lyd- og kodegenerering. Imens talte en forsker fra DeepMind om adversarial maskinlæring, hvor små justeringer i inputdata kan ændre en AI’s output drastisk. Et bemærkelsesværdigt eksempel involverede at ændre blot få pixels i et kattebillede, hvilket fik AI’en til at fejlidentificere det som guacamole. På blockchain-området drejede samtaler sig om forskellige protokoller, men meget af teknologien er stadig stærkt eksperimentel eller, i nogle tilfælde, helt teoretisk. Integrationerne mellem blockchain og AI er stadig i deres spæde begyndelse, og de konkrete anvendelser i virkeligheden er endnu ikke realiseret. Proof of Computation En af de mest oplysende taler kom fra Dan Boneh, en anvendt kryptograf ved Stanford, som talte om SNARKs (succinct non-interactive arguments of knowledge) og zero-knowledge proofs. Disse adresserer en kerne-krænkelse inden for kryptografi: at kunne bevise viden om en beregning effektivt. Dette princip er godt etableret inden for blockchain og kryptografi.

For eksempel er det svært at faktorisere et stort tal i primfaktorer, men er det let at verificere faktoriseringen gennem multiplikation. På samme måde kan det være dyrt at finde et blokkitydehoved, hvis hash opfylder et krav, men det er billigt at verificere denne bevis. Forskellen mellem beregning og verifikation er afgørende i blockchain-systemer, hvor noder kontinuerligt verificerer hinandens arbejde. I Bitcoin validerer noder signaturer og miners’ proof of work. SNARKs udvider dette koncept ved at tillade kryptografiske beviser, der kan verificeres uden at afsløre følsomme oplysninger. Efterhånden som AI-agenter bliver mere autonome, vil det at kunne verificere beregninger samtidigt med at beskytte privatlivets fred, være en betydelig udfordring. Mange brugere tøver med at uploade følsomme data til platforme som OpenAI af sikkerhedsmæssige årsager. Dette skaber et stærkt behov for privatlivsbeskyttende verifikation—en metode, der lader brugere bevise, at en AI-model har udført en beregning korrekt uden at afsløre dataene bag. Sådan teknologi kan frigøre AI-anvendelser i følsomme områder som sundhedssektoren, forsvar og finans, hvor databeskyttelse er kritisk. Det forventes, at dette vil udvikle sig til en milliardindustri i løbet af det næste årti. Bemærkelsesværdigt er, at denne idé stammer fra blockchain-netværk, der anvender kryptografiske teknikker. Som Boneh nævnte, opstod konceptet om én maskine effektivt kan verificere en andens dyre beregning, ud af Bitcoin, men at det måske vil finde en anden stor anvendelse inden for AI. Ser man fremover, håber jeg, at fremtidige konferencer vil lægge større vægt på Bitcoin’s bidrag til disse områder. For eksempel bygger BitVM på zero-knowledge proof-koncepter for at bygge bro mellem Bitcoin og nye Layer 2 protokoller—potentialt muligt for AI-agenter at interagere direkte med Bitcoin-økosystemet.