I midten av mars holdt Stanford University en konferanse om Blockchain og AI, hvor professorer, oppstartssjefer og risikokapitalister (VC-er) samlet seg. Hovedfokuset for arrangementet var sammensmeltingen av to viktige teknologier: blockchain og AI. Imidlertid kunne konferansen ha vært tjent med et sterkere fokus på Bitcoin og AI, tatt i betraktning Bitcoins ledende posisjon i markedet og de nye innovasjonene som dukker opp innenfor Bitcoin Layer 2-løsninger. En nøkkelutfordring på arrangementet var at blockchain og AI i stor grad har utviklet seg som separate felt – hver med egne investorer, gründere, forskere og fellesskap. Selv om ideen om å slå sammen disse områdene var ambisiøs, forble mange foredragsholdere fokusert på sine egne spesialfelt, og slet med å trekke tydelige forbindelser mellom blockchain og AI. Man kan hevde at det mer nøyaktige hadde vært å kalle det Blockchain eller AI-konferansen. For eksempel ga en risikokapitalist en bred oversikt over AI-sektoren, med vekt på bemerkelsesverdige fremskritt innen bilde-, lyd- og kodgenerering. Samtidig tok en forsker fra DeepMind opp adversarial maskinlæring, der små justeringer av inndata kan endre resultatet til AI drastisk. Et bemerkelsesverdig eksempel involverte å endre bare noen få piksler i et kattebilde, noe som fikk AI’en til å feilidentifisere det som guacamole. På blockchain-fronten dreide samtalene seg om ulike protokoller, men mye av teknologien er fortsatt sterkt eksperimentell eller, i noen tilfeller, fullt ut teoretisk. Integrasjoner mellom blockchain og AI er fortsatt under utvikling, og konkrete anvendelser i den virkelige verden har ennå ikke materialisert seg. Proof of Computation En av de mest opplysendeforedragene kom fra Dan Boneh, en anvendt kryptograf ved Stanford, som snakket om SNARKs (succinct non-interactive arguments of knowledge) og null- kunnskapsbevis. Disse adresserer en kjerneutfordring innen kryptografi: å kunne bevise kunnskap om en beregning på en effektiv måte. Dette prinsippet er godt etablert innen blockchain og kryptografi.

For eksempel er det svært vanskelig å faktorisere et stort tall i primfaktorer, men å verifisere egenskapene ved multiplikasjon er enkelt. På samme måte er det kostbart å finne en blokkoverskrift som har en hash som oppfyller et bestemt vanskelighetsnivå, men å verifisere dette beviset er billig. Denne forskyvningen mellom beregning og verifisering er avgjørende i blockchain-systemer, hvor noder kontinuerlig verifiserer hverandres arbeid. I Bitcoin validerer noder signaturer og gruvearbeidets proof of work. SNARKs utvider dette konseptet, ved å tillate kryptografiske bevis som kan verifiseres uten å avsløre sensitiv informasjon. Ettersom AI-agenter blir mer autonome, vil det å kunne verifisere beregninger samtidig som personvernet ivaretas, bli en betydelig utfordring. Mange brukere nøler med å laste opp sensitiv data til plattformer som OpenAI på grunn av sikkerhetshensyn. Dette skaper et sterkt behov for personvernvennlige verifiseringer – metoder som lar brukere bevise at en AI-modell har utført en beregning riktig uten å avsløre de underliggende dataene. Slike teknologier kan åpne for AI-bruksområder i sensitive felt som helsetjenester, forsvar og finans, der databeskyttelse er kritisk. Det forventes at dette vil utvikle seg til en milliardindustri i løpet av det kommende tiåret. Merkelig nok stammer dette konseptet fra blockchain-nettverk som implementerer kryptografiske teknikker. Som Boneh påpekte, oppsto ideen om at én maskin effektivt kan verifisere en annen maskins kostbare beregning fra Bitcoin, men den kan finne en viktig andre anvendelse innen AI. Fremover håper jeg at fremtidige konferanser legger større vekt på Bitcoins bidrag til disse områdene. For eksempel bygger BitVM på nullkunnskapsbevis-konsepter for å bygge bro mellom Bitcoin og nye Layer 2-protokoller – noe som potensielt kan gjøre det mulig for AI-agenter å samhandle direkte med Bitcoins økosystem.