🤖 AI

SoK: Blockchain-Based Decentralized AI (DeAI)

Dit artikel biedt de eerste systematische analyse (SoK) van gedecentraliseerde AI (DeAI) op basis van blockchain, waarbij de technische fundamenten, een taxonomie van oplossingen over de AI-levenscyclus, beveiligingsrisico's en toekomstige onderzoeksrichtingen worden onderzocht.

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

Gepubliceerd 2026-02-10

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de wereld van Kunstmatige Intelligentie (AI) momenteel een enorme, glazen wolkenkrabber is. In die wolkenkrabber zitten een paar superrijke bedrijven (denk aan Google of OpenAI) die alle knoppen bedienen. Zij bezitten de data, zij hebben de supercomputers, en zij bepalen de regels. Als zij een fout maken, of als ze besluiten de deur op slot te doen, heeft de rest van de wereld een probleem.

Dit wetenschappelijke artikel beschrijft een nieuw plan: DeAI (Decentralized AI). In plaats van één grote wolkenkrabber, willen we een gigantisch, levend netwerk bouwen van miljoenen kleine huisjes die samenwerken.

Hier is de uitleg in begrijpelijke taal:

1. Het probleem: De "Eén-Baas-Regel"

Nu is AI als een grote bibliotheek waar slechts één persoon de sleutel van heeft. Die persoon bepaalt welke boeken je mag lezen, hoe duur het is, en hij kan stiekem een paar pagina's uit de boeken scheuren zonder dat je het merkt. Dat is riskant voor onze privacy en voor de eerlijkheid.

2. De oplossing: De AI-Coöperatie (Blockchain)

De onderzoekers stellen voor om AI te bouwen op Blockchain. Denk niet aan Bitcoin, maar aan een onverwoestbaar digitaal logboek.

Stel je een enorme buurtvereniging voor waar iedereen meedoet:

De Data-gevers: Mensen die hun (geanonimiseerde) foto's of teksten delen om de AI slimmer te maken. In ruil daarvoor krijgen ze een digitale beloning (tokens).
De Computer-verhuurders: Mensen die hun computerkracht (GPU's) beschikbaar stellen, alsof ze een stoel in hun huiskamer verhuren aan de buurtvereniging.
De Controleurs (Validators): Mensen die checken of de anderen niet valsspelen. Ze kijken of de computer-verhuurder echt wel hard heeft gewerkt en of de data-gever geen troep heeft ingeleverd.

Het mooie is: er is geen directeur. De regels staan vast in "smart contracts" (digitale contracten die zichzelf uitvoeren).

3. De levenscyclus van een AI: Van zaadje tot vrucht

Het artikel verdeelt het proces in vier stappen, als het groeien van een boom:

Het Zaadje planten (Task Proposing): Iemand zegt: "Ik wil een AI die planten kan herkennen." Dit wordt vastgelegd in het logboek.
De Grond voorbereiden (Pre-training): Er wordt verzameld wat data er nodig is.
De Boom laten groeien (On-training): Duizenden computers over de hele wereld werken samen om de AI te trainen. Ze sturen elkaar constant berichtjes om te leren.
De Vruchten plukken (Post-training): De AI is klaar! Nu kunnen mensen hem gebruiken (bijvoorbeeld voor een app) en betalen voor de dienst.

4. De "Boeven" en de "Politie" (Veiligheid)

Natuurlijk zijn er altijd mensen die willen valsspelen. Het artikel waarschuwt voor:

De "Trojan Horse" (Data Poisoning): Iemand voert de AI expres foute informatie om hem in de war te brengen.
De "Dief" (Model Stealing): Iemand probeert het brein van de AI te kopiëren zonder te betalen.
De "Vrijbuiter" (Free-riding): Iemand die wel de beloning wil, maar eigenlijk niet echt heeft meegeholpen aan het rekenwerk.

De onderzoekers hebben getest hoe we dit kunnen stoppen. Ze gebruiken bijvoorbeeld digitale vingerafdrukken (watermarking) om te zien of een AI gestolen is, of cryptografische bewijzen (ZKP) zodat je kunt bewijzen dat je iets hebt gedaan, zonder je geheimen weg te geven.

Samenvatting

Dit paper is eigenlijk de bouwtekening voor een democratische AI. In plaats van dat een paar tech-giganten de wereldwijde intelligentie bezitten, stelt dit systeem voor dat we de AI samen bouwen, samen bezitten en samen controleren. Het is een verschuiving van "AI voor de machtigen" naar "AI voor iedereen".

Technische Samenvatting: Blockchain-Based Decentralized AI (DeAI)

1. Probleemstelling (The Problem)

De huidige vooruitgang in Kunstmatige Intelligentie (AI) wordt gedomineerd door gecentraliseerde systemen (CeAI), waarbij de controle over data, rekenkracht (compute) en modeltraining bij een klein aantal entiteiten ligt. Dit brengt kritieke risico's met zich mee:

Single Points of Failure: Kwetsbaarheid voor systeemuitval of aanvallen.
Privacyrisico's: Grote concentraties van gevoelige data verhogen het risico op datalekken.
Bias en Gebrek aan Transparantie: Gecentraliseerde entiteiten kunnen modellen sturen of ondoorzichtige algoritmen gebruiken.
Schaalbaarheid en Innovatie: Hoge kosten en beperkte toegang voor onafhankelijke onderzoekers.

Hoewel Decentralized AI (DeAI) via blockchain deze problemen probeert op te lossen, ontbrak het de academische gemeenschap tot nu toe aan een systematische analyse van de technische fundamenten, de beveiligingsrisico's en de effectiviteit van de huidige oplossingen.

2. Methodologie (Methodology)

Dit paper is een Systematization of Knowledge (SoK). De auteurs hanteren een structurele aanpak om het veld in kaart te brengen:

Formalisering: Ze introduceren een formeel wiskundig model (een tuple $S$ ) dat alle componenten van een DeAI-systeem beschrijft, inclusief miners ( $M$ ), het communicatie-netwerk ( $G$ ), data-distributies ( $D_i$ ), parameters ( $\Theta$ ), incentives ( $\Pi$ ), governance ( $\Gamma$ ), validators ( $V_{val}$ ) en delegators ( $D_{del}$ ).
Taxonomie: Er wordt een classificatie gemaakt op basis van de AI-levenscyclus: Task Proposing, Pre-training, On-training, en Post-training (inclusief inferentie en AI-agents).
Empirische Evaluatie: De auteurs voeren eigen experimenten uit om de effectiviteit van verschillende beveiligingsmechanismen te testen tegen specifieke dreigingen (zoals data poisoning, model stealing en model extraction).
Vergelijkende Analyse: Een uitgebreide review van bestaande industriële projecten (zoals Bittensor, FLock.io, en Ocean Protocol) om hun functies en tekortkomingen te vergelijken.

3. Belangrijkste Bijdragen (Key Contributions)

Eerste Systematische Framework: Het biedt de eerste formele definitie en een cross-layer taxonomie van DeAI.
Lifecycle-gebaseerde Analyse: Het koppelt blockchain-functionaliteiten (zoals smart contracts en consensus) direct aan de verschillende fasen van machine learning.
Dreigingsmodel en Mitigatie: Een uitgebreide analyse van beveiligingsrisico's die uniek zijn voor DeAI (bijv. economische aanvallen en risico's bij gedeelde GPU-resources).
Empirische Benchmarks: Kwantitatieve data over hoe effectief technieken zoals Zero-Knowledge Proofs (ZKP), Differential Privacy (DP-SGD) en Watermarking zijn in een gedecentraliseerde context.

4. Resultaten (Results)

De empirische experimenten leveren cruciale inzichten op:

Pre-training (Data Poisoning): DP-SGD biedt de sterkste bescherming tegen kwaadaardige data, maar gaat ten koste van een aanzienlijke afname in nauwkeurigheid en een hogere rekentijd. MixUp blijkt een efficiënter alternatief voor algemeen gebruik.
On-training (Model Stealing): Alle geteste methoden (Watermarking, Commit-Reveal, PoL, ZKP) detecteerden diefstal van modellen met 100% succes. Echter, ZKP is de meest efficiënte methode qua snelheid en opslag, terwijl Proof-of-Learning (PoL) de beste modelkwaliteit behoudt.
Post-training (Model Extraction): Het toevoegen van ruis aan de output (Output Perturbation) is effectiever in het bemoeilijken van model-extractie dan het simpelweg beperken van het aantal verzoeken (Rate Limiting).
Front-running (Task Proposing): Commit-Reveal protocollen bieden perfecte bescherming tegen het kapen van taken, maar verhogen de latentie aanzienlijk.

5. Betekenis en Conclusie (Significance)

Dit werk is van groot belang omdat het de brug slaat tussen blockchain-technologie en AI-engineering. Het laat zien dat:

Decentralisatie geen automatische beveiliging is: Het introduceert nieuwe aanvalsoppervlakken (zoals economische manipulatie en hardware-kwetsbaarheden).
Trade-offs essentieel zijn: Er bestaat een fundamentele spanning tussen beveiliging, privacy, efficiëntie en nauwkeurigheid. Ontwerpers moeten kiezen welk aspect zij prioriteren op basis van de use-case.
Toekomstige richtingen: Het paper identificeert kritieke onderzoeksgaten, zoals de noodzaak voor lichtgewicht zkML (Zero-Knowledge Machine Learning), het optimaliseren van on-chain berekeningen en het ontwikkelen van gestandaardiseerde benchmarks om DeAI-modellen te vergelijken met gecentraliseerde giganten zoals GPT-4.

Concluderend: Het paper dient als een blauwdruk voor zowel academici als ontwikkelaars om robuuste, veilige en economisch duurzame gedecentraliseerde AI-ecosystemen te bouwen.