🤖 AI

SoK: Blockchain-Based Decentralized AI (DeAI)

Questo lavoro presenta la prima sistematizzazione della conoscenza (SoK) sull'Intelligenza Artificiale decentralizzata (DeAI) basata su blockchain, fornendo una definizione formale, una tassonomia delle soluzioni lungo il ciclo di vita dell'IA, un'analisi dei ruoli della blockchain, una valutazione dei rischi di sicurezza e l'individuazione delle sfide di ricerca future.

Autori originali: Elizabeth Lui, Rui Sun, Vatsal Shah, Xihan Xiong, Jiahao Sun, Davide Crapis, William Knottenbelt, Zhipeng Wang

Pubblicato 2026-02-10

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Elizabeth Lui, Rui Sun, Vatsal Shah, Xihan Xiong, Jiahao Sun, Davide Crapis, William Knottenbelt, Zhipeng Wang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Dilemma dell'Intelligenza Artificiale: Chi tiene le chiavi?

Immaginate che l'Intelligenza Artificiale (IA) sia come una gigantesca biblioteca magica. In questa biblioteca, i libri (i dati) contengono tutta la conoscenza del mondo e i robot (i modelli di IA) leggono questi libri per imparare a parlare, disegnare e risolvere problemi.

Oggi, però, questa biblioteca è di proprietà di pochissime, enormi multinazionali. È come se un solo proprietario decidesse quali libri puoi leggere, quali sono segreti e quanto devi pagare per entrare. Se il proprietario decide di cambiare le regole, o se la sua biblioteca subisce un incendio, tutto il sapere del mondo rischia di sparire o di essere manipolato.

Questo paper parla di una soluzione rivoluzionaria: la DeAI (Decentralized AI), ovvero un'Intelligenza Artificiale "di tutti".

1. La Soluzione: La Biblioteca Condivisa (Blockchain + IA)

Invece di una sola grande biblioteca privata, la DeAI propone di creare una rete di migliaia di piccole biblioteche personali collegate tra loro.

Per far funzionare tutto questo senza un "capo" centrale, usiamo la Blockchain. Pensate alla blockchain come a un notaio digitale onnipresente e incorruttibile. Questo notaio non gestisce i libri, ma scrive su un registro pubblico e indelebile: "Marco ha prestato un libro prezioso", "Sofia ha aiutato a riparare un robot", "Luca ha provato a rubare un segreto".

Grazie a questo notaio, tutti possono collaborare anche se non si conoscono e non si fidano l'uno dell'altro, perché sanno che ogni azione è registrata e che, se qualcuno imbroglia, verrà punito.

2. Il Ciclo di Vita: Come nasce un'IA "libera"?

Il paper spiega che creare un'IA è come organizzare una grande cena di gala collaborativa:

La Preparazione (Pre-training): È come raccogliere gli ingredienti. Invece di un unico supermercato, ogni ospite porta un ingrediente da casa sua. La sfida è assicurarsi che nessuno porti ingredienti avariati (dati falsi) o che nessuno rubi la ricetta segreta (privacy).
La Cottura (On-training): È il momento in cui tutti cucinano insieme. I robot collaborano per mescolare le conoscenze. Il problema qui è il "pigro": qualcuno potrebbe dire di stare cucinando, ma in realtà sta solo guardando gli altri lavorare per prendersi il premio finale senza fare nulla.
Il Servizio (Post-training): Una volta pronta la cena, bisogna servirla. Qui l'IA viene usata per rispondere alle domande. La sfida è garantire che il robot che ti serve il piatto sia davvero quello che ha cucinato la ricetta originale e non un impostore che ti serve cibo scadente.

3. I "Cattivi" e le Difese: Una partita a scacchi

Il paper analizza anche i rischi. In questo mondo decentralizzato, ci sono dei "ladri" specializzati:

Il Velenatore (Data Poisoning): Qualcuno cerca di infilare ingredienti tossici nella ricetta per far sì che l'IA impari cose sbagliate o pericolose.
Il Ladro di Ricette (Model Stealing): Qualcuno cerca di copiare il lavoro degli altri per rivenderlo come proprio.
Il Furbetto (Free-riding): Qualcuno vuole mangiare la cena senza aver portato nulla o senza aver aiutato a cucinare.

Per difendersi, gli scienziati usano strumenti tecnologici incredibili, come le "Prove a Zero Conoscenza" (ZKP). Immaginate di dover dimostrare al notaio di avere la chiave di una cassaforte senza però mostrare la chiave stessa o il contenuto della cassaforte. È un trucco matematico che permette di dire: "Sono onesto e ho fatto il mio lavoro", senza rivelare i propri segreti.

In sintesi: Perché è importante?

Il paper ci dice che la DeAI è una strada difficile e piena di ostacoli (è lenta, costosa e complessa), ma è l'unica strada per evitare che l'intelligenza del futuro sia un monopolio.

L'obiettivo è passare da un mondo in cui l'IA è un "Dio privato" controllato da pochi, a un mondo in cui l'IA è un "Bene comune", trasparente, sicuro e di proprietà di chiunque contribuisca a costruirlo.

Riassunto Tecnico: Systematization of Knowledge (SoK) su DeAI basata su Blockchain

1. Il Problema (Problem Statement)

L'attuale panorama dell'Intelligenza Artificiale è dominato da sistemi centralizzati (CeAI). Sebbene efficienti, questi modelli presentano criticità strutturali:

Single Points of Failure: La dipendenza da un unico fornitore rende il sistema vulnerabile a interruzioni o attacchi.
Privacy e Bias: Il controllo centralizzato dei dati aumenta i rischi di violazione della privacy e limita la diversità dei dataset, portando a modelli potenzialmente distorti.
Barriere all'Innovazione: L'elevato costo computazionale e la proprietà esclusiva dei modelli limitano l'accesso alla ricerca e allo sviluppo.

Nonostante la crescita industriale di soluzioni decentralizzate, la comunità accademica manca di un'analisi sistematica che definisca formalmente il campo, ne classifichi le soluzioni e ne valuti i rischi di sicurezza.

2. Metodologia (Methodology)

Il lavoro adotta un approccio di Systematization of Knowledge (SoK), strutturato attraverso:

Formalizzazione Matematica: Gli autori definiscono un sistema DeAI come una tupla $S = \langle M, G, \{D_i\}, \Theta, P, \Pi, \Gamma, V_{val}, D_{del}, \delta \rangle$ , che modella l'interazione tra miner, grafi di comunicazione P2P, dati privati, spazi di parametri, meccanismi di incentivi, governance e validatori.
Tassonomia Cross-Layer: Una classificazione delle soluzioni esistenti basata sul ciclo di vita del modello AI (Pre-training, On-training, Post-training).
Analisi Comparativa: Un confronto tra i paradigmi di Machine Learning (ML) centralizzato, distribuito e federato rispetto al modello DeAI.
Valutazione Empirica: Una serie di esperimenti controllati per testare l'efficacia di diverse tecniche di mitigazione contro attacchi specifici (avvelenamento dati, furto di modelli, estrazione di modelli).

3. Contributi Chiave (Key Contributions)

Definizione Formale e Tassonomia: Forniscono il primo framework unificato per comprendere come la blockchain coordini compiti di AI senza un'autorità centrale.
Analisi delle Funzionalità Blockchain: Identificano il ruolo della blockchain non solo come registro, ma come motore per:
- Incentivi: Tokenomics per premiare contributori onesti.
- Governance: Smart contract per la gestione dei protocolli e la risoluzione delle dispute.
- Auditabilità: Tracciabilità immutabile di dati, calcoli e inferenze.
Modello di Minaccia (Threat Model): Una mappatura completa dei rischi di sicurezza che spaziano dai classici attacchi al ML (poisoning, backdoor) a rischi unici della DeAI (perdite di memoria nelle GPU condivise, attacchi MEV nel task proposing).
Identificazione dei Gap di Ricerca: Una lista di sfide aperte, come il bilanciamento tra privacy e scalabilità e l'efficienza dei sistemi di verifica (zkML vs opML).

4. Risultati (Results)

Gli esperimenti empirici hanno evidenziato i seguenti trade-off critici:

Pre-training (Data Poisoning): La tecnica DP-SGD (Differential Privacy) è la più robusta contro l'avvelenamento dei dati, ma introduce un costo computazionale elevato e una degradazione dell'accuratezza del modello. La regolarizzazione MixUp offre un buon compromesso tra utilità e velocità, ma è meno efficace contro attacchi aggressivi.
On-training (Model Stealing): Le tecniche basate su Zero-Knowledge Proofs (ZKP) sono risultate le più efficienti in termini di velocità di verifica e overhead di storage, garantendo una rilevazione perfetta del furto di modelli (LoRA adapters).
Post-training (Model Extraction): Le difese basate sulla risposta (come l'Output Perturbation, ovvero l'aggiunta di rumore controllato) sono più efficaci nel degradare la qualità dei modelli clonati rispetto alle difese basate sull'accesso (come il Rate Limiting), che possono essere aggirate distribuendo le query nel tempo.

5. Significato e Implicazioni (Significance)

Questo lavoro è fondamentale perché sposta il focus della ricerca da "come rendere l'AI più veloce" a "come rendere l'AI più affidabile, trasparente e accessibile" attraverso la decentralizzazione.

Le implicazioni principali sono:

Per i Ricercatori: Fornisce una roadmap chiara per risolvere i conflitti tra sicurezza (es. ZKP) ed efficienza (es. latenza).
Per l'Industria: Evidenzia che la decentralizzazione non garantisce automaticamente la sicurezza; al contrario, espande la superficie di attacco, richiedendo una progettazione attenta dei meccanismi economici e infrastrutturali.
Per il Futuro dell'AI: Stabilisce le basi per un'economia dell'intelligenza aperta, dove la proprietà dei modelli e la qualità dei dati sono garantite da protocolli crittografici e non da singole entità centralizzate.