در اواسط مارس، دانشگاه استنفورد کنفرانسی در زمینه بلاک‌چین و هوش مصنوعی برگزار کرد که در آن اساتید، مدیران عامل استارتاپ‌ها و سرمایه‌گذاران مخاطره‌آمیز (VCها) گرد هم آمدند. تمرکز اصلی این رویداد، همگرایی دو فناوری مهم بود: بلاک‌چین و هوش مصنوعی. با این حال، این کنفرانس می‌توانست از تمرکز قوی‌تر بر بیت‌کوین و هوش مصنوعی بهره‌مند شود، چراکه بیت‌کوین در بازار پیشرو است و نوآوری‌های جدیدی در راهکارهای لایه ۲ بیت‌کوین در حال ظهور است. یکی از مسائل کلیدی در این رویداد این بود که بلاک‌چین و هوش مصنوعی تا حد زیادی به عنوان حوزه‌های جداگانه توسعه یافته‌اند—هر کدام با سرمایه‌گذاران، کارآفرینان، پژوهشگران و جوامع مخصوص به خود. گرچه ایده‌ی ادغام این دو حوزه بلندپروازانه بود، بسیاری از سخنرانان همچنان بر تخصص‌های خود تمرکز داشتند و در تلاش برای ترسیم ارتباطات روشن بین بلاک‌چین و هوش مصنوعی بودند. شاید می‌شد گفت نام «کنفرانس بلاک‌چین یا هوش مصنوعی» دقیق‌تر بود. برای مثال، یک سرمایه‌گذار مخاطره‌آمیز دیدگاهی کلی درباره بخش هوش مصنوعی ارائه داد و پیشرفت‌های قابل توجه در تولید تصویر، صدا و کد را برجسته کرد. در همین حال، یک پژوهشگر از DeepMind به موضوع یادگیری ماشین خصمانه پرداخت، جایی که تغییرات کوچک در ورودی داده‌ها می‌تواند خروجی هوش مصنوعی را به طور قابل توجهی تغییر دهد. نمونه قابل توجهی در این زمینه، تغییر فقط چند پیکسل در تصویر گربه بود که باعث شد هوش مصنوعی آن را اشتباهاً به عنوان گواکاموله شناسایی کند. در حوزه بلاک‌چین، گفتگوها در مورد پروتکل‌های مختلف بود، اما بخش زیادی از فناوری‌ها کماکان آزمایشگاهی هستند یا در برخی موارد کاملاً نظری. ادغام‌های بین بلاک‌چین و هوش مصنوعی هنوز در مراحل اولیه قرار دارد و کاربردهای عملی آن‌ها در دنیای واقعی هنوز ظاهر نشده است. اثبات محاسبات یکی از سخنرانی‌های جالب توجه، از دان بونه، کریپتوگرافر عملیاتی در استنفورد، بود که درباره SNARKها (استدلال‌های مختصر غیرتعامل‌پذیر از دانش) و اثبات‌های بدون دانش صحبت می‌کرد. این‌ها به حل یکی از چالش‌های اصلی در رمزنگاری می‌پردازند: اثبات کارآمد داشتن دانش درباره یک محاسبه. این اصل در بلاک‌چین و رمزنگاری به خوبی تثبیت شده است.

برای نمونه، عوامل کردن یک عدد بزرگ به عوامل اول، از نظر محاسباتی دشوار است، اما تأیید صحیح بودن این عامل‌کردن‌ها با ضرب کردن، آسان است. به همین ترتیب، پیدا کردن هدر بلوک که هش آن با هدف سختی برابری می‌کند، هزینه‌بر است، در حالی که تأیید این اثبات کم‌هزینه است. فاصله بین محاسبه و تأیید این کار در سیستم‌های بلاک‌چین ضروری است، جایی که گره‌ها به طور مداوم کار یکدیگر را تأیید می‌کنند. در بیت‌کوین، گره‌ها امضاها و اثبات کار ماینرها را اعتبارسنجی می‌کنند. SNARKها این مفهوم را توسعه می‌دهند، و امکان اثبات‌های رمزنگاری‌شده را فراهم می‌آورند که بدون فاش کردن اطلاعات حساس، قابل تأیید هستند. با autonomousتر شدن عوامل هوش مصنوعی، تأیید محاسبات و در عین حال حفظ حریم خصوصی، چالشی بزرگ خواهد بود. بسیاری از کاربران دلهره دارند که داده‌های حساس‌شان را در پلتفرم‌هایی مانند OpenAI بارگذاری کنند، به دلایل امنیتی. ایجاد روش‌های تأیید حریم خصوصی‌محور ضروری است—روشی که به کاربران امکان دهد اثبات کنند یک مدل هوش مصنوعی، محاسبه‌ای را به درستی انجام داده است، بدون فاش کردن داده‌های پایه. چنین فناوری‌ای می‌تواند کاربردهای هوش مصنوعی در حوزه‌های حساس مانند سلامت، دفاع و امور مالی که حفاظت از داده‌ها حیاتی است، را ممکن سازد. انتظار می‌رود به مرور زمان، این فناوری به صنعتی چند میلیارد دلاری تبدیل شود. نکته مهم این است که این ایده برگرفته از شبکه‌های بلاک‌چین است که تکنیک‌های رمزنگاری را به کار می‌گیرند. همان‌طور که بونه اشاره کرد، مفهوم اینکه یک دستگاه به طور کارآمد محاسبات هزینه‌بر دستگاه دیگر را تایید کند، از بیت‌کوین منشأ گرفته است، ولی ممکن است در آینده کاربرد عمده دیگری در هوش مصنوعی پیدا کند. در نگاه آینده‌نگر، امیدوارم کنفرانس‌های آینده تمرکز بیشتری بر سهم بیت‌کوین در این حوزه‌ها داشته باشند. برای مثال، BitVM بر پایه مفاهیم اثبات‌های بدون دانش ساخته شده است تا بیت‌کوین و پروتکل‌های لایه ۲ جدید را بهم مرتبط کند—امکانی که می‌تواند عامل‌های هوش مصنوعی را قادر سازد مستقیماً با اکوسیستم بیت‌کوین تعامل داشته باشند.