I mitten av mars höll Stanford University en konferens om Blockchain och AI, där professorer, startup-VD:ar och riskkapitalister samlades. Evenemangets huvudfokus var sammanflätningen av två viktiga teknologier: blockchain och AI. Däremot hade konferensen kunnat vinna på att lägga ett tydligare fokus på Bitcoin och AI, med tanke på Bitcoins ledande position på marknaden och de nya innovationer som dyker upp inom Bitcoin Layer 2-lösningar. En central fråga under evenemanget var att blockchain och AI till stor del utvecklats som separata områden — varje med egna investerare, entreprenörer, forskare och samhällen. Även om idén att kombinera dessa domäner var ambitiös, höll många talare sig till sina egna specialområden och hade svårt att hitta tydliga kopplingar mellan blockchain och AI. Man skulle kanske kunna säga att det mer rättvist varit att kalla det Blockchain-eller AI-konferensen. Till exempel gav en riskkapitalist en bred översikt över AI-sektorn, med fokus på märkvärdiga framsteg inom bild-, ljud- och kodgenerering. Samtidigt tog en forskare från DeepMind upp adversarial machine learning, där små justeringar av indata kan förändra AI:ns output drastiskt. Ett anmärkningsvärt exempel var att ändra ett par pixlar i en kattbild, vilket fick AI:n att felaktigt identifiera den som guacamole. På blockchain-sidan kretsade samtalen kring olika protokoll, men mycket av teknologin förblir fortfarande mycket experimentell eller i vissa fall helt teoretisk. Integrationer mellan blockchain och AI är fortfarande i sin linda, och de verkliga tillämpningarna har ännu inte tagit form. Proof of Computation En av de mest upplysande talen hölls av Dan Boneh, en tillämpad kryptograf vid Stanford, som talade om SNARKs (succinct non-interactive arguments of knowledge) och zero-knowledge proofs. Dessa tar itu med en kärnkriptografisk utmaning: att effektivt bevisa kunskap om en beräkning. Principen är väl etablerad inom blockchain och kryptografi.

Till exempel är det mycket svårt att faktorisera ett stort tal till primfaktorer, men att verifiera faktoriseringen genom multiplikation är enkelt. På samma sätt är det kostsamt att hitta ett blockhuvud vars hash uppfyller ett visst mål, medan verifiering av detta bevis är billigt. Detta gap mellan beräkning och verifiering är avgörande i blockchain-system, där noder kontinuerligt verifierar varandras arbete. I Bitcoin validerar noder signer och miners bevis på arbete. SNARKs breddar detta koncept och möjliggör kryptografiska bevis som kan verifieras utan att avslöja känslig information. Allt eftersom AI-agenter blir mer autonoma kommer verifiering av beräkningar samtidigt som sekretessen bevaras att bli en stor utmaning. Många användare tvekar att ladda upp känslig data till plattformar som OpenAI på grund av säkerhetsrisker. Detta skapar ett starkt behov av integritetsbevarande verifieringsmetoder — en teknik som låter användare bevisa att en AI-modell utfört en beräkning korrekt utan att avslöja underliggande data. Sådan teknik skulle kunna öppna för AI-tillämpningar inom känsliga områden som hälsa, försvar och finans, där dataskydd är avgörande. Det förutspås att detta kommer att utvecklas till en miljardindustri under det kommande decenniet. Det är värt att notera att denna idé har sitt ursprung i blockchain-nätverk som använder sig av kryptografiska tekniker. Som Boneh nämnde, uppstod konceptet att en maskin kan verifiera en annans kostsamma beräkning effektivt ur Bitcoin, men det kan komma att få ett stort andrahandsstorp i AI. Framöver hoppas jag att framtida konferenser kommer lägga större vikt vid Bitcoins bidrag till dessa områden. Till exempel bygger BitVM på koncepten kring zero-knowledge proofs för att skapa en bro mellan Bitcoin och de nya Layer 2-protokollen — vilket potentiellt kan göra det möjligt för AI-agenter att interagera direkt med Bitcoins ekosystem.