In het moderne digitale landschap zijn twee krachtige krachten de manier waarop we technologie bouwen en met de wereld interageren aan het vormgeven: kunstmatige intelligentie en cryptografie. Kunstmatige intelligentie verwijst naar computersystemen die leren van gegevens om taken uit te voeren die gewoonlijk menselijke denkkracht vereisen, zoals het herkennen van patronen, het nemen van beslissingen of het genereren van tekst. Cryptografie is in deze context niet alleen een kwestie van geheime codes, maar een brede set instrumenten voor het beveiligen van gegevens, het verifiëren dat een computerprogramma precies deed wat het moest doen, en het waarborgen dat digitale transacties plaatsvinden zonder een centrale baas. Jarenlang hebben deze twee velden in aparte silo's bestaan, maar een groeiend aantal onderzoekers en bedrijven probeert ze te versmelten. De opwinding is tastbaar, maar het vertroebelt vaak wat vandaag de dag daadwerkelijk mogelijk is versus wat nog een verre droom blijft. Het begrijpen van waar deze technologieën werkelijk samenkomen, is essentieel, omdat de combinatie de belofte inhoudt om diepe problemen in zowel beveiliging als automatisering op te lossen, maar het introduceert ook nieuwe risico's die we pas net beginnen te begrijpen.

Een uitgebreid nieuw onderzoek, geschreven door een groot team van onderzoekers van vooraanstaande universiteiten en industriële laboratoria, snijdt door de ruis om de huidige staat van dit snijvlak in kaart te brengen. Het artikel, getiteld "Crypto x AI, AI x Crypto", beweert geen magische oplossing te hebben gevonden die alles direct oplost. In plaats daarvan biedt het een nuchtere inventarisatie van wat is bereikt, wat louter theoretisch is en waar de werkelijke blokkades liggen. De onderzoekers organiseren hun bevindingen in twee hoofdrichtingen. De eerste is "Crypto x AI", die de vraag stelt hoe kunstmatige intelligentie blockchain-systemen en digitale valuta bruikbaarder en gemakkelijker in gebruik kan maken. De tweede is "AI x Crypto", die onderzoekt hoe de beveiligingsinstrumenten van cryptografie kunstmatige intelligentiesystemen kunnen beschermen tegen manipulatie en fraude. De auteurs concluderen dat hoewel het potentieel enorm is, de twee technologieën zich nog in de zeer vroege stadia van betekenisvolle integratie bevinden, en dat veel populaire overtuigingen over hun gecombineerde kracht momenteel meer hype dan realiteit zijn.

Aan de kant van het gebruik van AI om crypto te helpen, stelt het onderzoek dat kunstmatige intelligentie nu al nuttig is als een hulpmiddel voor analyse. Onderzoekers hebben succesvol machine learning toegepast om blockchain-netwerken te scannen op tekenen van problemen, zoals het detecteren van frauduleuze transacties of het identificeren van foutieve code in smart contracts — dit zijn de zelfuitvoerende programma's die op blockchains draaien. Deze tools werken het best wanneer ze over voldoende historische gegevens beschikken om van te leren, waarbij ze fungeren als een ervaren inspecteur die een gebrek kan opsporen omdat hij duizenden soortgelijke voorbeelden heeft gezien. Naast het zoeken naar fouten, helpt AI ontwerpers ook bij het bouwen van betere blockchain-systemen. Door te leren van prestaties uit het verleden, kan AI verbeteringen voorstellen aan de regels die bepalen hoe deze netwerken functioneren, zoals hoe snel ze transacties verwerken of hoe ze conflicten tussen gebruikers afhandelen. Misschien wel het meest opwindend is dat AI begint te fungeren als een brug tussen de rigide wereld van blockchains en de rommelige, ongestructureerde echte wereld. Hoewel blockchains traditioneel alleen schone, gestructureerde gegevens begrijpen, kan AI nu helpen om menselijke taal of complexe gebeurtenissen uit de echte wereld te vertalen naar een format dat een blockchain kan begrijpen, waardoor digitale contracten potentieel automatisch kunnen reageren op nieuwsberichten, weersveranderingen of juridische documenten zonder dat een mens de gegevens handmatig hoeft in te voeren.

Het onderzoek benadrukt echter ook aanzienlijke gevaren in deze richting. Naarmate AI beter in staat wordt om zelfstandig beslissingen te nemen, bestaat het risico dat deze autonome agenten gemanipuleerd kunnen worden of op onvoorspelbare wijze kunnen handelen. De onderzoekers wijzen op een specifieke spanning in financiële toepassingen: als een AI-investeringsinstrument zijn strategie geheim houdt om zijn winsten te beschermen, wordt het voor gebruikers onmogelijk om te weten of het instrument eerlijk is of dat insiders ongepast handelen. Als het instrument transparant is zodat gebruikers de eerlijkheid kunnen controleren, kan de strategie door concurrenten worden gestolen. Dit dilemma, dat de auteurs de "CoinAlg Bind" noemen, suggereert dat het simpelweg toevoegen van AI aan crypto de problemen van vertrouwen of eerlijkheid niet automatisch oplost; in sommige gevallen creëert het juist nieuwe, moeilijkere problemen.

Wat betreft de andere richting, "AI x Crypto", onderzoekt het artikel hoe cryptografische tools kunstmatige intelligentie veiliger en betrouwbaarder kunnen maken. Momenteel, wanneer een gebruiker een AI-model een vraag stelt, moet diegene het bedrijf dat het model beheert erop vertrouwen dat het antwoord niet is gemanipuleerd, dat de privégegevens van de gebruiker niet zijn gestolen en dat er geen ander model wordt gebruikt dan datgene wat is geadverteerd. Cryptografie biedt manieren om deze zaken te verifiëren zonder de exploitant te hoeven vertrouwen. Zo stelt een technologie genaamd "zero-knowledge proof" een computer in staat om te bewijzen dat hij een specifieke berekening correct heeft uitgevoerd zonder de details van hoe hij dat deed te onthullen. Dit betekent dat een gebruiker kan verifiëren dat een AI-model hun gegevens precies zo heeft verwerkt als beloofd, zelfs als het model zelf een geheim is. Op dezelfde manier gebruikt "trusted computing" speciale hardware om een beveiligde, geïsoleerde omgeving te creëren waarin een model kan draaien, wat ervoor zorgt dat niemand, zelfs niet de eigenaar van de computer, de gegevens kan inzien of de resultaten kan wijzigen. Deze tools zouden mensen in staat kunnen stellen om AI te gebruiken voor gevoelige taken, zoals medische diagnoses of leningaanvragen, met de zekerheid dat hun privégegevens privé blijven en de resultaten accuraat zijn.

Het onderzoek onderzoekt ook het idee om blockchains te gebruiken om de infrastructuur te organiseren die kunstmatige intelligentie aandrijft, zoals het creëren van gedecentraliseerde netwerken waar mensen hun computerkracht kunnen verhuren om modellen te trainen. Hoewel dit klinkt als een manier om kosten te verlagen, waarschuwen de onderzoekers dat dit geen gegarandeerde overwinning is. In hun analyse stellen zij vast dat hoewel het huren van een computer op een gedecentraliseerd netwerk per uur goedkoper kan zijn dan bij een grote clouddienst, de extra tijd en complexiteit die nodig is om tussen veel verschillende computers te coördineren, de totale kosten van een grote taak veel hoger kan maken. Ze betogen dat de meest effectieve toepassing van deze netwerken vooralsnog ligt bij kleinere, minder complexe taken, en dat de sector meer rigoureuze tests nodig heeft om te begrijpen wanneer een gedecentraliseerde aanpak daadwerkelijk efficiënter is dan een traditionele.

Misschien wel het meest cruciale deel van het onderzoek is de inspanning om veelvoorkomende misvattingen te ontmantelen die in de publieke verbeelding zijn ingesleten. De auteurs stellen expliciet dat blockchains niet magisch onderscheid kunnen maken tussen door mensen gegenereerde inhoud en door AI gegenereerde inhoud. Hoewel een blockchain een digitale vingerafdruk van een bestand kan vastleggen om te bewijzen dat het sinds de creatie niet is gewijzigd, kan het niet vertellen of dat bestand oorspronelijk door een mens of een machine is gemaakt; dat oordeel vereist nog steeds een externe detector, die er ook naast kan zitten. Op dezelfde manier betoogt het artikel dat het simpelweg draaien van een AI-model op een gedecentraliseerd netwerk het model niet automatisch eerlijk of onbevooroordeeld maakt. Vooringenomenheid (bias) is meestal ingebakken in de gegevens die worden gebruikt om het model te trainen, en het verplaatsen van het model naar een andere computer lost de data niet op. Hoewel blockchains het proces van training transparanter kunnen maken, waardoor mensen kunnen zien welke gegevens zijn gebruikt, garandeert deze transparantie alleen niet een eerlijke uitkomst.

Ten slotte behandelt de onderzoekers het idee dat het geven van een digitale wallet aan een AI-agent het werkelijk autonoom maakt. Ze verduidelijken dat hoewel een wallet een AI in staat stelt om diensten te betalen of geld te verdienen zonder dat een mens op een knop hoeft te drukken, dit louter automatisering is en geen echte onafhankelijkheid. De AI is nog steeds afhankelijk van de mens die de server beheert waarop het draait; als die mens de server uitschakelt, stopt de AI met werken, ongeacht of de AI geld op zijn wallet heeft. Echte autonomie zou vereisen dat de AI in staat is om zijn eigen bestaan in stand te houden en op hoog niveau beslissingen te nemen zonder menselijke tussenkomst, een capaciteit die de huidige technologie nog niet bezit.

Het onderzoek concludeert door te benadrukken dat de integratie van crypto en AI een veelbelovend maar nog in de kinderschoenen staand veld is. De onderzoekers hebben een duidelijk pad vooruit geïdentificeerd, maar dat pad is geplaveid met uitdagingen in plaats van gemakkelijke oplossingen. Ze pleiten voor meer rigoureuze tests om de kosten van gedecentraliseerde systemen te vergelijken met die van traditionele systemen, en voor betere methoden om AI-systemen te beveiligen tegen nieuwe soorten aanvallen die ontstaan wanneer ze worden gecombineerd met autonome agenten. Het werk dient als een noodzakelijke reality check, die ons eraan herinnert dat hoewel de instrumenten om een veiligere en intelligentere toekomst te bouwen in opkomst zijn, we ons nog in de beginfase bevinden van het leren hoe we ze effectief kunnen gebruiken. De toekomst van dit snijvlak hangt niet af van hype, maar van het zorgvuldige, methodische werk van het verifiëren van wat werkt, het begrijpen van wat faalt, en het bouwen van systemen die robuust genoeg zijn om de complexiteit van de echte wereld aan te kunnen.