Informe de investigación de AI Layer1: buscando la tierra fértil para DeAI en la cadena.
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje de gran escala (LLM). Los LLM han mostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana y, en algunos casos, demostrando el potencial de sustituir el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Con un sólido capital y el control sobre costosos recursos de computación, estas empresas han establecido barreras casi insuperables, lo que dificulta que la mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas centrales como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA se "dirige hacia el bien" o "hacia el mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar estos desafíos de manera proactiva.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ha proporcionado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en muchas blockchains de primer nivel. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de descentralización es limitado, y los elementos clave y la infraestructura aún dependen de servicios de nube centralizados, lo que dificulta el soporte de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain sigue siendo limitada en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de una IA descentralizada, hacer que la blockchain pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir en rendimiento con soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta en IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y el diseño de rendimiento se centran en las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo sostenible y la prosperidad del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismos de incentivos eficientes y consenso descentralizado. El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se enfocan principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo con almacenamiento, datos, ancho de banda y otros recursos diversificados, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias para el consenso y el mecanismo de incentivos subyacentes: AI Layer 1 debe ser capaz de evaluar, incentivar y verificar con precisión la contribución real de los nodos en tareas de inferencia y entrenamiento de IA, logrando la seguridad de la red y la distribución eficiente de los recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia de cálculo.
Excelentes alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y razonamiento de LLM, presentan demandas extremadamente altas en rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita apoyar una diversidad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, razonamiento, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente la arquitectura subyacente para satisfacer requisitos de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativo para recursos computacionales heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas unidimensionales" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir conductas maliciosas del modelo, alteraciones de datos y otros riesgos de seguridad, sino que también debe asegurar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de IA. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sean verificables de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a entender claramente la lógica y los fundamentos de la salida de IA, logrando "lo que se obtiene es lo deseado", aumentando la confianza y satisfacción de los usuarios hacia los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo implican datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crítica en los campos financiero, médico y social. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que utiliza tecnologías de procesamiento de datos basadas en criptografía, protocolos de cálculo de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Capacidad de soporte y desarrollo de un ecosistema poderoso. Como infraestructura Layer 1 nativa de AI, la plataforma no solo debe poseer liderazgo técnico, sino también proporcionar a los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de AI, herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos. A través de la optimización continua de la disponibilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de diversas aplicaciones nativas de AI, logrando la prosperidad continua del ecosistema de AI descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, que incluyen Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el sector, analizando el estado actual del desarrollo de los proyectos y discutiendo las tendencias futuras.
Sentient: Construir un modelo de IA descentralizado de código abierto y leal
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está creando una blockchain AI Layer1 ( en la fase inicial como Layer 2, y luego se trasladará a Layer 1). A través de la combinación de AI Pipeline y tecnología blockchain, se está construyendo una economía de inteligencia artificial descentralizada. Su objetivo principal es resolver los problemas de pertenencia de modelos, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado mediante el marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad en cadena, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquier persona construya, colabore, posea y monetice productos de IA, promoviendo así un ecosistema justo y abierto de red de Agentes de IA.
El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, comprometidos en construir una plataforma AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia de blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas de renombre como Meta, Coinbase y Polygon, así como universidades de prestigio como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo áreas como IA/ML, NLP, visión por computadora, entre otras, trabajando juntos para impulsar la implementación del proyecto.
Como un proyecto de segunda empresa del cofundador de Polygon, Sandeep Nailwal, Sentient llegó con un halo desde su creación, con abundantes recursos, conexiones y reconocimiento en el mercado, proporcionando un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiamiento inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones de inversión que incluyen a Delphi, Hashkey y Spartan, entre decenas de capitales de riesgo reconocidos.
diseño de arquitectura y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: el AI Pipeline y el sistema de blockchain.
El pipeline de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos centrales:
Curación de datos (Data Curation): proceso de selección de datos impulsado por la comunidad, utilizado para la alineación del modelo.
Entrenamiento de lealtad (Loyalty Training): asegurar que el modelo mantenga un proceso de entrenamiento alineado con la intención de la comunidad.
El sistema blockchain proporciona transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:
Capa de almacenamiento: almacenar los pesos del modelo y la información de registro de huellas dactilares;
Capa de distribución: entrada de llamada al modelo controlada por el contrato de autorización;
Capa de acceso: verifica si el usuario está autorizado a través de la prueba de permisos;
Capa de incentivos: el contrato de enrutamiento de ingresos asignará el pago en cada llamada a los entrenadores, desplegadores y validadores.
Marco de modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, que tiene como objetivo proporcionar una clara protección de propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, presenta las siguientes características:
Apertura: El modelo debe ser de código abierto, con código y estructuras de datos transparentes, lo que facilita la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada llamada al modelo generará un flujo de ingresos, el contrato en la cadena distribuirá los ingresos entre los entrenadores, implementadores y validadores.
Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de actualización y la gobernanza son decididas por DAO, y el uso y modificación están controlados por mecanismos criptográficos.
Criptografía nativa de IA (AI-native Cryptography)
La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las características diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero que es "verificable pero no removible". Su tecnología central es:
Inserción de huellas dactilares: durante el entrenamiento se inserta un conjunto de pares clave-valor de consulta-respuesta ocultos para formar una firma única del modelo;
Protocolo de verificación de propiedad: verificar si la huella dactilar se conserva a través de un detector de terceros (Prover) en forma de pregunta de consulta;
Mecanismo de llamada autorizado: antes de la llamada, se debe obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema otorgará autorización al modelo para decodificar la entrada y devolver la respuesta precisa.
Este método puede lograr "llamadas de autorización basadas en el comportamiento + verificación de pertenencia" sin costo de re-encriptación.
Marco de ejecución segura y derechos de propiedad del modelo
Sentient actualmente utiliza la seguridad Mixta Melange: combina la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista (Optimistic Security)", es decir, se asume cumplimiento, y las infracciones pueden ser detectadas y castigadas.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar firmas únicas durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la pertenencia, evitando la copia no autorizada y la comercialización. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain rastreable de las actividades de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que el modelo solo responda a solicitudes autorizadas, previniendo accesos y usos no autorizados. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, sus ventajas en rendimiento y tiempo real lo convierten en el núcleo de la implementación de modelos actual.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
17 me gusta
Recompensa
17
4
Republicar
Compartir
Comentar
0/400
CountdownToBroke
· 07-09 13:04
¿Cuándo se le pondrá una cadena a la IA?
Ver originalesResponder0
ChainComedian
· 07-07 07:16
¿Es impresionante invertir más? DeAI también toma a la gente por tonta.
Ver originalesResponder0
MevHunter
· 07-06 14:35
Varios gigantes están acaparando... ya era hora de que fuera Código abierto.
Desencriptar la pista de AI Layer1: 6 grandes proyectos que lideran la nueva estructura de Descentralización de inteligencia artificial.
Informe de investigación de AI Layer1: buscando la tierra fértil para DeAI en la cadena.
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje de gran escala (LLM). Los LLM han mostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana y, en algunos casos, demostrando el potencial de sustituir el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Con un sólido capital y el control sobre costosos recursos de computación, estas empresas han establecido barreras casi insuperables, lo que dificulta que la mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas centrales como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA se "dirige hacia el bien" o "hacia el mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar estos desafíos de manera proactiva.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ha proporcionado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en muchas blockchains de primer nivel. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de descentralización es limitado, y los elementos clave y la infraestructura aún dependen de servicios de nube centralizados, lo que dificulta el soporte de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain sigue siendo limitada en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de una IA descentralizada, hacer que la blockchain pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir en rendimiento con soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta en IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y el diseño de rendimiento se centran en las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo sostenible y la prosperidad del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismos de incentivos eficientes y consenso descentralizado. El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se enfocan principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo con almacenamiento, datos, ancho de banda y otros recursos diversificados, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias para el consenso y el mecanismo de incentivos subyacentes: AI Layer 1 debe ser capaz de evaluar, incentivar y verificar con precisión la contribución real de los nodos en tareas de inferencia y entrenamiento de IA, logrando la seguridad de la red y la distribución eficiente de los recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia de cálculo.
Excelentes alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y razonamiento de LLM, presentan demandas extremadamente altas en rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita apoyar una diversidad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, razonamiento, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente la arquitectura subyacente para satisfacer requisitos de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativo para recursos computacionales heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas unidimensionales" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir conductas maliciosas del modelo, alteraciones de datos y otros riesgos de seguridad, sino que también debe asegurar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de IA. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sean verificables de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a entender claramente la lógica y los fundamentos de la salida de IA, logrando "lo que se obtiene es lo deseado", aumentando la confianza y satisfacción de los usuarios hacia los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo implican datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crítica en los campos financiero, médico y social. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que utiliza tecnologías de procesamiento de datos basadas en criptografía, protocolos de cálculo de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Capacidad de soporte y desarrollo de un ecosistema poderoso. Como infraestructura Layer 1 nativa de AI, la plataforma no solo debe poseer liderazgo técnico, sino también proporcionar a los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de AI, herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos. A través de la optimización continua de la disponibilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de diversas aplicaciones nativas de AI, logrando la prosperidad continua del ecosistema de AI descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, que incluyen Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el sector, analizando el estado actual del desarrollo de los proyectos y discutiendo las tendencias futuras.
Sentient: Construir un modelo de IA descentralizado de código abierto y leal
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está creando una blockchain AI Layer1 ( en la fase inicial como Layer 2, y luego se trasladará a Layer 1). A través de la combinación de AI Pipeline y tecnología blockchain, se está construyendo una economía de inteligencia artificial descentralizada. Su objetivo principal es resolver los problemas de pertenencia de modelos, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado mediante el marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad en cadena, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquier persona construya, colabore, posea y monetice productos de IA, promoviendo así un ecosistema justo y abierto de red de Agentes de IA.
El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, comprometidos en construir una plataforma AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia de blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas de renombre como Meta, Coinbase y Polygon, así como universidades de prestigio como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo áreas como IA/ML, NLP, visión por computadora, entre otras, trabajando juntos para impulsar la implementación del proyecto.
Como un proyecto de segunda empresa del cofundador de Polygon, Sandeep Nailwal, Sentient llegó con un halo desde su creación, con abundantes recursos, conexiones y reconocimiento en el mercado, proporcionando un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiamiento inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones de inversión que incluyen a Delphi, Hashkey y Spartan, entre decenas de capitales de riesgo reconocidos.
diseño de arquitectura y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: el AI Pipeline y el sistema de blockchain.
El pipeline de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos centrales:
El sistema blockchain proporciona transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:
Marco de modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, que tiene como objetivo proporcionar una clara protección de propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, presenta las siguientes características:
Criptografía nativa de IA (AI-native Cryptography)
La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las características diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero que es "verificable pero no removible". Su tecnología central es:
Este método puede lograr "llamadas de autorización basadas en el comportamiento + verificación de pertenencia" sin costo de re-encriptación.
Marco de ejecución segura y derechos de propiedad del modelo
Sentient actualmente utiliza la seguridad Mixta Melange: combina la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista (Optimistic Security)", es decir, se asume cumplimiento, y las infracciones pueden ser detectadas y castigadas.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar firmas únicas durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la pertenencia, evitando la copia no autorizada y la comercialización. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain rastreable de las actividades de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que el modelo solo responda a solicitudes autorizadas, previniendo accesos y usos no autorizados. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, sus ventajas en rendimiento y tiempo real lo convierten en el núcleo de la implementación de modelos actual.