Relatório de Pesquisa AI Layer1: Buscando o Solo Fértil para DeAI na cadeia

Resumo

Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm impulsionado o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstraram capacidades sem precedentes em diversas indústrias, ampliando significativamente o espaço da imaginação humana, e até mesmo mostrando potencial para substituir o trabalho humano em alguns cenários. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de poucos gigantes tecnológicos centralizados. Com capital robusto e controle sobre recursos de computação de alto custo, essas empresas estabeleceram barreiras difíceis de superar, tornando difícil para a grande maioria dos desenvolvedores e equipes de inovação competirem com elas.

Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública tende a se concentrar nas inovações e conveniências trazidas pela tecnologia, enquanto a atenção a questões centrais como proteção da privacidade, transparência e segurança é relativamente insuficiente. A longo prazo, esses problemas afetarão profundamente o desenvolvimento saudável da indústria de IA e a aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" tornará-se cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados por seu instinto de lucro, frequentemente carecem de motivação suficiente para enfrentar esses desafios proativamente.

A tecnologia blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, muitas aplicações "Web3 AI" surgiram em várias blockchains populares. No entanto, uma análise mais profunda revela que esses projetos ainda enfrentam vários problemas: por um lado, o grau de descentralização é limitado, e etapas e infraestruturas críticas ainda dependem de serviços de nuvem centralizados, dificultando o suporte a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda é limitada em termos de capacidade de modelo, utilização de dados e cenários de aplicação, e a profundidade e amplitude da inovação precisam ser aprimoradas.

Para realmente realizar a visão de IA descentralizada, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e que possa competir em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso fornecerá uma base sólida para a inovação aberta da IA, a democracia na governança e a segurança dos dados, promovendo o próspero desenvolvimento do ecossistema de IA descentralizada.

As principais características da camada 1 de IA

AI Layer 1, como uma blockchain projetada especificamente para aplicações de IA, tem sua arquitetura subjacente e design de desempenho intimamente alinhados com as necessidades das tarefas de IA, visando apoiar de forma eficiente o desenvolvimento e a prosperidade sustentável do ecossistema de IA na cadeia. Especificamente, o AI Layer 1 deve possuir as seguintes capacidades principais:

1. Mecanismos de incentivo eficientes e consenso descentralizado O núcleo do AI Layer 1 reside na construção de uma rede compartilhada de recursos, como poder computacional e armazenamento. Diferente dos nós da blockchain tradicional, que se concentram principalmente na contabilidade do livro-razão, os nós do AI Layer 1 precisam assumir tarefas mais complexas, que não apenas fornecem poder computacional, mas também realizam o treinamento e a inferência de modelos de IA, além de contribuir com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio dos gigantes centralizados na infraestrutura de IA. Isso impõe requisitos mais altos para o consenso subjacente e o mecanismo de incentivo: o AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós nas tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a distribuição eficiente de recursos. Somente assim será possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total do poder computacional.

2. Desempenho de alta qualidade e capacidade de suporte a tarefas heterogêneas A tarefa de IA, especialmente o treinamento e a inferência de LLM, exige desempenho computacional e capacidade de processamento paralelo extremamente altos. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar tipos de tarefas diversificadas e heterogêneas, incluindo diferentes estruturas de modelo, processamento de dados, inferência, armazenamento e outros cenários variados. A AI Layer 1 deve ser profundamente otimizada na arquitetura subjacente para atender à demanda por alta taxa de transferência, baixa latência e paralelismo elástico, além de prever a capacidade nativa de suporte a recursos computacionais heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, alcançando uma expansão suave de "tarefa única" para "ecossistema complexo e diversificado".

3. Garantia de Saídas Confiáveis e Verificáveis A AI Layer 1 não só deve prevenir comportamentos maliciosos do modelo e a manipulação de dados, mas também garantir, desde a mecânica de base, a verificabilidade e alinhamento dos resultados de saída da IA. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multipartidária (MPC), a plataforma pode permitir que cada inferência do modelo, treinamento e processo de manipulação de dados sejam independentemente verificados, garantindo a justiça e transparência do sistema de IA. Além disso, essa verificabilidade pode ajudar os usuários a compreender a lógica e as bases das saídas da IA, alcançando o "obtido é o desejado", aumentando a confiança e satisfação dos usuários em produtos de IA.

4. Proteção da privacidade dos dados As aplicações de IA frequentemente envolvem dados sensíveis dos usuários, sendo a proteção da privacidade dos dados especialmente crítica em áreas como finanças, saúde e redes sociais. A IA Layer 1 deve garantir a verificabilidade, ao mesmo tempo que emprega tecnologias de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, assegurando a segurança dos dados durante todo o processo de inferência, treinamento e armazenamento, prevenindo eficazmente a violação e o uso indevido de dados, eliminando assim as preocupações dos usuários em relação à segurança dos dados.

5. Capacidade poderosa de suporte e desenvolvimento do ecossistema Como uma infraestrutura Layer 1 nativa de IA, a plataforma não apenas precisa ter liderança técnica, mas também deve fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e provedores de serviços de IA, entre outros participantes do ecossistema. Através da otimização contínua da usabilidade da plataforma e da experiência do desenvolvedor, promover a implementação de aplicações nativas de IA ricas e diversificadas, alcançando a prosperidade contínua do ecossistema de IA descentralizado.

Com base no contexto e nas expectativas acima, este artigo irá apresentar detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços da pista, analisando o estado atual do desenvolvimento dos projetos e explorando as tendências futuras.

Sentient: Construir modelos de IA descentralizados e de código aberto leais

Visão geral do projeto

Sentient é uma plataforma de protocolo de código aberto que está a construir uma blockchain AI Layer1 ( na fase inicial como Layer 2, e depois será migrada para Layer 1). Ao combinar a AI Pipeline e a tecnologia blockchain, pretende-se construir uma economia de inteligência artificial descentralizada. O seu objetivo central é resolver problemas de propriedade de modelos, rastreamento de chamadas e distribuição de valor no mercado de LLM centralizado através da estrutura "OML" (aberta, lucrativa, leal), permitindo que os modelos de AI realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e distribuição de valor. A visão da Sentient é permitir que qualquer pessoa construa, colabore, possua e monetize produtos de AI, promovendo assim um ecossistema de rede de Agentes de AI justo e aberto.

A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores de blockchain e engenheiros de todo o mundo, dedicando-se a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros principais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e proteção da privacidade da IA, enquanto o cofundador da Polygon, Sandeep Nailwal, lidera a estratégia de blockchain e o planejamento ecológico. Os membros da equipe têm formação em empresas conhecidas como Meta, Coinbase, Polygon, bem como em universidades de ponta como a Universidade de Princeton e o Instituto Indiano de Tecnologia, abrangendo áreas como AI/ML, NLP e visão computacional, colaborando para a implementação do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient começou com um certo prestígio, possuindo recursos abundantes, conexões e reconhecimento de mercado, o que ofereceu um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, a Sentient completou uma rodada de financiamento inicial de 85 milhões de dólares, liderada por Founders Fund, Pantera e Framework Ventures, com outros investidores incluindo Delphi, Hashkey e Spartan, entre várias outras VCs conhecidas.

arquitetura de design e camada de aplicação

Infraestrutura

Arquitetura Central

A arquitetura central do Sentient é composta por um Pipeline de IA e um sistema de blockchain:

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA leal", contendo dois processos principais:​

• Curadoria de Dados (Data Curation): um processo de seleção de dados impulsionado pela comunidade, utilizado para o alinhamento de modelos.
• Treinamento de Lealdade (Loyalty Training): garantir que o modelo mantenha um processo de treinamento consistente com as intenções da comunidade.

O sistema de blockchain oferece transparência e controle descentralizado para os protocolos, garantindo a propriedade dos artefatos de IA, o rastreamento de uso, a distribuição de receitas e a governança justa. A arquitetura específica é dividida em quatro camadas:

• Camada de armazenamento: armazena pesos do modelo e informações de registro de impressões digitais;
• Camada de distribuição: entrada de chamada de modelo controlada por contrato de autorização;
• Camada de Acesso: Verifica se o usuário está autorizado através da prova de permissão;
• Camada de incentivo: o contrato de roteamento de receita irá distribuir o pagamento a cada chamada para os treinadores, implementadores e validadores.

Estrutura do modelo OML

A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) é o conceito central proposto pela Sentient, que visa fornecer proteção clara de propriedade e mecanismos de incentivo econômico para modelos de IA de código aberto. Ao combinar tecnologia na cadeia e criptografia nativa de IA, possui as seguintes características:

• Abertura: O modelo deve ser de código aberto, com código e estrutura de dados transparentes, facilitando a reprodução, auditoria e melhorias pela comunidade.
• Monetização: Cada chamada do modelo acionará um fluxo de receita, o contrato na cadeia distribuirá a receita para os treinadores, implementadores e validadores.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção de atualização e a governança são decididas pelo DAO, e o uso e a modificação estão sob o controle de mecanismos criptográficos.

Criptografia nativa de IA (AI-native Cryptography)

A criptografia nativa de IA utiliza a continuidade dos modelos de IA, a estrutura de variedades de baixa dimensão e as características diferenciáveis dos modelos para desenvolver um mecanismo de segurança leve "verificável, mas não removível". A sua tecnologia central é:

• Impressão digital incorporada: durante o treinamento, insere-se um conjunto de pares chave-valor de query-response ocultos para formar a assinatura única do modelo;
• Protocolo de verificação de propriedade: verifica se a impressão digital foi mantida através de um detector de terceiros (Prover) na forma de uma pergunta query;
• Mecanismo de chamada de permissão: antes de chamar, é necessário obter o "certificado de permissão" emitido pelo proprietário do modelo, e o sistema, com base nisso, autoriza o modelo a decodificar a entrada e retornar a resposta correta.

Esta abordagem permite realizar "chamadas de autorização baseadas em comportamento + validação de pertença" sem custos de re-encriptação.

Modelo de Certificação e Estrutura de Execução Segura

Sentient atualmente adota a segurança Melange misturada: combinando autenticação por impressão digital, execução TEE e contratos na cadeia para divisão de lucros. O método de impressão digital é implementado na linha principal OML 1.0, enfatizando a ideia de "Segurança Otimista", ou seja, conformidade por padrão, com a capacidade de detectar e punir infrações.

O mecanismo de impressão digital é uma implementação chave do OML, que, através da incorporação de pares de "pergunta-resposta" específicos, permite que o modelo gere uma assinatura única na fase de treinamento. Através dessas assinaturas, o proprietário do modelo pode verificar a propriedade, impedindo cópias e comercialização não autorizadas. Este mecanismo não apenas protege os direitos dos desenvolvedores do modelo, mas também fornece um registro rastreável na cadeia sobre o comportamento de uso do modelo.

Além disso, a Sentient lançou a estrutura de computação Enclave TEE, que utiliza ambientes de execução confiáveis (como AWS Nitro Enclaves) para garantir que os modelos respondam apenas a solicitações autorizadas, prevenindo acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente certos riscos de segurança, suas vantagens em termos de alto desempenho e temporalidade em tempo real fazem dele o núcleo da implantação de modelos atualmente.