Rapport de recherche sur AI Layer1 : À la recherche de la terre fertile pour DeAI off-chain
Aperçu
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement propulsé le développement rapide des modèles de langage de grande taille (LLM). Les LLM démontrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine, et ont même montré, dans certains cas, un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par un petit nombre de géants technologiques centralisés. Grâce à un capital important et à un contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières infranchissables, rendant difficile pour la grande majorité des développeurs et des équipes d'innovation de rivaliser avec elles.
En même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités apportées par la technologie, tandis que l'attention portée à des questions fondamentales telles que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur si l'IA doit être "bienveillante" ou "malveillante" deviendra de plus en plus prononcé, et les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour faire face à ces défis.
La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur plusieurs blockchains mainstream. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et l'infrastructure dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA off-chain présente encore des limitations en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.
Pour réaliser réellement la vision d'une IA décentralisée, il est nécessaire que la blockchain puisse accueillir des applications AI à grande échelle de manière sécurisée, efficace et démocratique, et rivaliser en termes de performance avec des solutions centralisées. Nous devons concevoir une blockchain Layer1 spécifiquement adaptée à l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la démocratie de la gouvernance et la sécurité des données, favorisant ainsi le développement prospère d'un écosystème d'IA décentralisé.
Les caractéristiques clés de l'IA Layer 1
AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance étroitement liés aux besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème d'IA off-chain. Plus précisément, AI Layer 1 devrait posséder les capacités clés suivantes :
Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de l'IA Layer 1 réside dans la construction d'un réseau partagé ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de l'IA Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, compléter l'entraînement et l'inférence des modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela pose des exigences plus élevées pour le consensus sous-jacent et le mécanisme d'incitation : l'IA Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement d'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Performances élevées exceptionnelles et capacité de support des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, exigent des performances de calcul et des capacités de traitement parallèle très élevées. De plus, l'écosystème AI souvent doit également prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèles, traitement des données, inférence, stockage et autres scénarios variés. AI Layer 1 doit être profondément optimisé au niveau de l'architecture sous-jacente pour répondre aux besoins de débit élevé, de faible latence et de parallélisme élastique, et prévoir une capacité de support natif des ressources de calcul hétérogènes, assurant que toutes les tâches d'IA peuvent fonctionner efficacement, réalisant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sorties fiables AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les comportements malveillants des modèles et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats générés par l'IA au niveau de la mécanique de base. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à divulgation nulle de connaissance (ZK) et le calcul sécurisé multi-parties (MPC), la plateforme permet que chaque processus d'inférence, d'entraînement et de traitement des données du modèle puisse être vérifié de manière indépendante, assurant ainsi l'équité et la transparence du système IA. En même temps, cette vérifiabilité aide les utilisateurs à clarifier la logique et les bases des sorties de l'IA, réalisant "ce que l'on obtient est ce que l'on souhaite", augmentant la confiance et la satisfaction des utilisateurs envers les produits d'IA.
Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs, et dans les domaines financier, médical et social, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 devrait adopter des technologies de traitement des données basées sur le cryptage, des protocoles de calcul de confidentialité et des moyens de gestion des droits d'accès aux données tout en garantissant la vérifiabilité, afin d'assurer la sécurité des données tout au long du processus d'inférence, d'entraînement et de stockage, empêchant efficacement les fuites et les abus de données, et éliminant les inquiétudes des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure Layer 1 native de l'IA, la plateforme doit non seulement avoir un leadership technologique, mais aussi fournir aux développeurs, aux opérateurs de nœuds, aux fournisseurs de services d'IA et à d'autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, on favorise le déploiement d'applications AI natives diversifiées, réalisant ainsi une prospérité continue de l'écosystème AI décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs d'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en passant en revue les derniers développements du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.
Sentient : construire des modèles d'IA décentralisés et open source fidèles
Aperçu du projet
Sentient est une plateforme de protocole open source qui construit une blockchain AI Layer1. La phase initiale est Layer 2, puis elle sera migrée vers Layer 1(. En combinant l'AI Pipeline et la technologie blockchain, elle construit une économie décentralisée d'intelligence artificielle. Son objectif principal est de résoudre les problèmes d'appartenance des modèles, de traçabilité des appels et de distribution de valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles d'IA d'avoir une structure de propriété on-chain, une transparence des appels et une distribution de valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits d'IA, afin de promouvoir un réseau écosystémique juste et ouvert d'agents d'IA.
L'équipe de Sentient Foundation regroupe des experts académiques, des entrepreneurs en blockchain et des ingénieurs de premier plan dans le monde entier, s'engageant à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'Université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de sciences, responsables respectivement de la sécurité de l'IA et de la protection de la vie privée, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que dans des universités de premier plan comme l'Université de Princeton et l'Institut indien de technologie, couvrant les domaines de l'IA/ML, du NLP, de la vision par ordinateur, et collaborent pour faire avancer le projet.
En tant que projet de seconde création de Sandeep Nailwal, co-fondateur de Polygon, Sentient est dès ses débuts doté d'une aura, bénéficiant de ressources, de réseaux et d'une reconnaissance sur le marché, ce qui fournit un puissant soutien au développement du projet. Au milieu de 2024, Sentient a bouclé un tour de financement de semences de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs comprenant Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un sol fertile pour le DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(
) architecture de conception et couche d'application
Infrastructure
Architecture centrale
L'architecture de base de Sentient est composée de deux parties : un pipeline d'IA (AI Pipeline) et un système de blockchain.
Les pipelines d'IA sont la base du développement et de l'entraînement des artefacts "IA fidèle", comprenant deux processus clés :
Planification des données (Data Curation) : processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
Entraînement à la fidélité (Loyalty Training) : assurer que le modèle maintienne un processus d'entraînement en accord avec les intentions de la communauté.
Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété des artefacts d'IA, le suivi de l'utilisation, la répartition des revenus et une gouvernance équitable. L'architecture spécifique se divise en quatre couches :
Couche de stockage : stocker les poids du modèle et les informations d'enregistrement des empreintes digitales ;
Couche de distribution : le contrat d'autorisation contrôle l'entrée de l'appel du modèle ;
Couche d'accès : vérifie si l'utilisateur est autorisé via une preuve d'autorisation ;
Couche d'incitation : le contrat de routage des bénéfices attribuera chaque paiement aux entraîneurs, déployeurs et validateurs lors de chaque appel.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un sol fertile pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(
)## Cadre de modèle OML
Le cadre OML (Ouvert Open, Monétisable Monetizable, Loyal Loyal) est le concept central proposé par Sentient, visant à fournir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :
Ouverture : le modèle doit être open source, avec un code et une structure de données transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat off-chain répartit les revenus entre les formateurs, les déployeurs et les validateurs.
Loyauté : Le modèle appartient à la communauté des contributeurs, la direction des mises à jour et la gouvernance sont décidées par le DAO, et son utilisation et sa modification sont contrôlées par des mécanismes cryptographiques.
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure de variété de faible dimension et les caractéristiques de différentiabilité des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est :
Intégration d'empreinte digitale : insérer un ensemble de paires clé-valeur query-response cachées lors de l'entraînement pour former une signature unique du modèle ;
Protocole de vérification de propriété : vérifier si l'empreinte digitale est conservée par le biais d'un détecteur tiers (Prover) sous forme de question query ;
Mécanisme d'appel autorisé : un "certificat d'autorisation" délivré par le propriétaire du modèle doit être obtenu avant l'appel, et le système autorise ensuite le modèle à décoder cette entrée et à retourner une réponse précise.
Cette méthode permet d'implémenter "appel autorisé basé sur le comportement + vérification d'appartenance" sans coût de re-chiffrement.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche de la terre fertile pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-cf5f43c63b7ab154e2201c8d3531be8c.webp(
)## Cadre de validation de modèle et d'exécution sécurisée
Sentient adopte actuellement la sécurité hybride Melange : une combinaison de droits de propriété par empreinte digitale, d'exécution TEE et de contrats intelligents off-chain pour le partage des bénéfices. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, mettant l'accent sur la pensée de "sécurité optimiste (Optimistic Security)", c'est-à-dire une conformité par défaut, avec détection et sanction des violations.
Le mécanisme d'empreinte digitale est une mise en œuvre clé d'OML, qui permet au modèle de générer une signature unique lors de la phase d'entraînement en intégrant des paires de "questions-réponses" spécifiques. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété et prévenir la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable des comportements d'utilisation du modèle.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour garantir que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi tout accès et utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performance élevée et de réactivité en font le cœur du déploiement des modèles actuels.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
17 J'aime
Récompense
17
4
Partager
Commentaire
0/400
CountdownToBroke
· 07-09 13:04
Quand allons-nous mettre des chaînes à l'IA ?
Voir l'originalRépondre0
ChainComedian
· 07-07 07:16
Investir est si incroyable ? DeAI se fait prendre pour des cons.
Voir l'originalRépondre0
MevHunter
· 07-06 14:35
Quelques grands acteurs monopolisent... Il était temps d'ouvrir le code.
Décryptage de la couche 1 AI : 6 projets qui mènent à un nouveau paysage de l'intelligence artificielle décentralisée
Rapport de recherche sur AI Layer1 : À la recherche de la terre fertile pour DeAI off-chain
Aperçu
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement propulsé le développement rapide des modèles de langage de grande taille (LLM). Les LLM démontrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine, et ont même montré, dans certains cas, un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par un petit nombre de géants technologiques centralisés. Grâce à un capital important et à un contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières infranchissables, rendant difficile pour la grande majorité des développeurs et des équipes d'innovation de rivaliser avec elles.
En même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités apportées par la technologie, tandis que l'attention portée à des questions fondamentales telles que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur si l'IA doit être "bienveillante" ou "malveillante" deviendra de plus en plus prononcé, et les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour faire face à ces défis.
La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur plusieurs blockchains mainstream. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et l'infrastructure dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA off-chain présente encore des limitations en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.
Pour réaliser réellement la vision d'une IA décentralisée, il est nécessaire que la blockchain puisse accueillir des applications AI à grande échelle de manière sécurisée, efficace et démocratique, et rivaliser en termes de performance avec des solutions centralisées. Nous devons concevoir une blockchain Layer1 spécifiquement adaptée à l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la démocratie de la gouvernance et la sécurité des données, favorisant ainsi le développement prospère d'un écosystème d'IA décentralisé.
Les caractéristiques clés de l'IA Layer 1
AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance étroitement liés aux besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème d'IA off-chain. Plus précisément, AI Layer 1 devrait posséder les capacités clés suivantes :
Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de l'IA Layer 1 réside dans la construction d'un réseau partagé ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de l'IA Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, compléter l'entraînement et l'inférence des modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela pose des exigences plus élevées pour le consensus sous-jacent et le mécanisme d'incitation : l'IA Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement d'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Performances élevées exceptionnelles et capacité de support des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, exigent des performances de calcul et des capacités de traitement parallèle très élevées. De plus, l'écosystème AI souvent doit également prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèles, traitement des données, inférence, stockage et autres scénarios variés. AI Layer 1 doit être profondément optimisé au niveau de l'architecture sous-jacente pour répondre aux besoins de débit élevé, de faible latence et de parallélisme élastique, et prévoir une capacité de support natif des ressources de calcul hétérogènes, assurant que toutes les tâches d'IA peuvent fonctionner efficacement, réalisant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sorties fiables AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les comportements malveillants des modèles et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats générés par l'IA au niveau de la mécanique de base. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à divulgation nulle de connaissance (ZK) et le calcul sécurisé multi-parties (MPC), la plateforme permet que chaque processus d'inférence, d'entraînement et de traitement des données du modèle puisse être vérifié de manière indépendante, assurant ainsi l'équité et la transparence du système IA. En même temps, cette vérifiabilité aide les utilisateurs à clarifier la logique et les bases des sorties de l'IA, réalisant "ce que l'on obtient est ce que l'on souhaite", augmentant la confiance et la satisfaction des utilisateurs envers les produits d'IA.
Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs, et dans les domaines financier, médical et social, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 devrait adopter des technologies de traitement des données basées sur le cryptage, des protocoles de calcul de confidentialité et des moyens de gestion des droits d'accès aux données tout en garantissant la vérifiabilité, afin d'assurer la sécurité des données tout au long du processus d'inférence, d'entraînement et de stockage, empêchant efficacement les fuites et les abus de données, et éliminant les inquiétudes des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure Layer 1 native de l'IA, la plateforme doit non seulement avoir un leadership technologique, mais aussi fournir aux développeurs, aux opérateurs de nœuds, aux fournisseurs de services d'IA et à d'autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, on favorise le déploiement d'applications AI natives diversifiées, réalisant ainsi une prospérité continue de l'écosystème AI décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs d'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en passant en revue les derniers développements du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.
Sentient : construire des modèles d'IA décentralisés et open source fidèles
Aperçu du projet
Sentient est une plateforme de protocole open source qui construit une blockchain AI Layer1. La phase initiale est Layer 2, puis elle sera migrée vers Layer 1(. En combinant l'AI Pipeline et la technologie blockchain, elle construit une économie décentralisée d'intelligence artificielle. Son objectif principal est de résoudre les problèmes d'appartenance des modèles, de traçabilité des appels et de distribution de valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles d'IA d'avoir une structure de propriété on-chain, une transparence des appels et une distribution de valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits d'IA, afin de promouvoir un réseau écosystémique juste et ouvert d'agents d'IA.
L'équipe de Sentient Foundation regroupe des experts académiques, des entrepreneurs en blockchain et des ingénieurs de premier plan dans le monde entier, s'engageant à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'Université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de sciences, responsables respectivement de la sécurité de l'IA et de la protection de la vie privée, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que dans des universités de premier plan comme l'Université de Princeton et l'Institut indien de technologie, couvrant les domaines de l'IA/ML, du NLP, de la vision par ordinateur, et collaborent pour faire avancer le projet.
En tant que projet de seconde création de Sandeep Nailwal, co-fondateur de Polygon, Sentient est dès ses débuts doté d'une aura, bénéficiant de ressources, de réseaux et d'une reconnaissance sur le marché, ce qui fournit un puissant soutien au développement du projet. Au milieu de 2024, Sentient a bouclé un tour de financement de semences de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs comprenant Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un sol fertile pour le DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(
) architecture de conception et couche d'application
Infrastructure
Architecture centrale
L'architecture de base de Sentient est composée de deux parties : un pipeline d'IA (AI Pipeline) et un système de blockchain.
Les pipelines d'IA sont la base du développement et de l'entraînement des artefacts "IA fidèle", comprenant deux processus clés :
Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété des artefacts d'IA, le suivi de l'utilisation, la répartition des revenus et une gouvernance équitable. L'architecture spécifique se divise en quatre couches :
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un sol fertile pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(
)## Cadre de modèle OML
Le cadre OML (Ouvert Open, Monétisable Monetizable, Loyal Loyal) est le concept central proposé par Sentient, visant à fournir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure de variété de faible dimension et les caractéristiques de différentiabilité des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est :
Cette méthode permet d'implémenter "appel autorisé basé sur le comportement + vérification d'appartenance" sans coût de re-chiffrement.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche de la terre fertile pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-cf5f43c63b7ab154e2201c8d3531be8c.webp(
)## Cadre de validation de modèle et d'exécution sécurisée
Sentient adopte actuellement la sécurité hybride Melange : une combinaison de droits de propriété par empreinte digitale, d'exécution TEE et de contrats intelligents off-chain pour le partage des bénéfices. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, mettant l'accent sur la pensée de "sécurité optimiste (Optimistic Security)", c'est-à-dire une conformité par défaut, avec détection et sanction des violations.
Le mécanisme d'empreinte digitale est une mise en œuvre clé d'OML, qui permet au modèle de générer une signature unique lors de la phase d'entraînement en intégrant des paires de "questions-réponses" spécifiques. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété et prévenir la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable des comportements d'utilisation du modèle.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour garantir que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi tout accès et utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performance élevée et de réactivité en font le cœur du déploiement des modèles actuels.