Informe de investigación de AI Layer1: buscando el terreno fértil para DeAI en 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 tamaño (LLM). Los LLM han demostrado una capacidad sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control de costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta que la mayoría de los desarrolladores y equipos de innovación compitan con ellos.
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 cuestiones fundamentales 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 enfrentar proactivamente estos desafíos.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas de las principales blockchains. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, y los elementos clave y la infraestructura todavía dependen de servicios en la 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 todavía muestra limitaciones en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación deben mejorarse.
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 de la IA, la gobernanza democrática y la seguridad de los datos, fomentando el próspero desarrollo del ecosistema de IA descentralizada.
Las características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, tiene una arquitectura de base y un diseño de rendimiento que se centra en las necesidades de las tareas de IA, con el objetivo de apoyar 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:
Mecanismo de consenso descentralizado y de incentivos eficientes El núcleo de AI Layer 1 radica en construir una red compartida de recursos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en la contabilidad del libro mayor, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionar potencia de cálculo y realizar el entrenamiento e inferencia de modelos de IA, sino también contribuir con recursos diversificados como almacenamiento, datos y ancho de banda, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias sobre el mecanismo de consenso y de incentivos subyacente: 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 así la seguridad de la red y la eficiente distribución de recursos. Solo de esta manera se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento e inferencia de LLM, exigen un alto rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente su arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y prever capacidades de soporte nativas para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas únicas" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir los riesgos de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de IA desde el mecanismo subyacente. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y cálculo seguro multipartito (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sean verificables de manera independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a entender claramente la lógica y las bases de la salida de IA, logrando "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción de los usuarios en 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 tiempo que utiliza técnicas de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo efectivamente 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 ecosistemas potente Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una superioridad técnica, sino que también debe proporcionar a desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivo. Al optimizar continuamente la disponibilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de aplicaciones nativas de IA diversas y ricas, logrando la prosperidad continua de un ecosistema de IA descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el campo, analizando el estado actual de los proyectos y explorando las tendencias futuras.
Sentient: construir un modelo de IA descentralizado y de código abierto leal
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain de AI Layer1 ( en su etapa inicial como Layer 2, y luego se migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de pertenencia del modelo, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado a través del marco "OML" (Abierto, Rentable, Leal), permitiendo que los modelos de AI logren una estructura de propiedad en cadena, transparencia en las llamadas y una distribución de valor. La visión de Sentient es permitir que cualquier persona pueda construir, colaborar, poseer y monetizar productos de AI, promoviendo así un ecosistema de red de agentes de AI justo y abierto.
El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose a 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, responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y la planificación ecológica. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase, Polygon, así como universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP, visión por computadora, trabajando juntos para impulsar la implementación del proyecto.
Como un proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, con abundantes recursos, conexiones y reconocimiento en el mercado, lo que proporciona un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiación de semillas de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones inversoras incluyendo a Delphi, Hashkey y Spartan, entre decenas de reconocidas firmas de capital de riesgo.
Diseño de arquitectura y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un pipeline de IA (AI Pipeline) y un sistema de blockchain.
El canal de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos clave:
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.
Los sistemas de blockchain proporcionan 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 la gobernanza justa. La arquitectura específica se divide en cuatro capas:
Capa de almacenamiento: almacena 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 permiso;
Capa de incentivos: el contrato de enrutamiento de ingresos asignará el pago a los entrenadores, implementadores y validadores en cada llamada.
Marco de modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, destinado a proporcionar protección de propiedad clara y mecanismos de incentivos económicos 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 estructura de datos transparentes, lo que facilita la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada llamada al modelo desencadenará un flujo de ingresos, el contrato on-chain distribuirá los ingresos a los entrenadores, implementadores y validadores.
Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de la actualización y la gobernanza son decididas por el DAO, y su 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 la característica de diferenciabilidad de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Huella digital incrustada: insertar un conjunto oculto de pares clave-valor de consulta-respuesta durante el entrenamiento para formar una firma única del modelo;
Protocolo de verificación de propiedad: verificar si la huella dactilar se conserva mediante un detector de terceros (Prover) en forma de consulta.
Mecanismo de llamada autorizada: antes de llamar, se debe obtener un "certificado de autorización" emitido por el propietario del modelo, y el sistema autorizará al modelo a decodificar la entrada y devolver la respuesta precisa.
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de re-encriptación.
Marco de ejecución segura y de derechos de modelo
Sentient actualmente utiliza Melange mezcla de seguridad: combinación de verificación por huella dactilar, ejecución TEE y distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en OML 1.0 como la línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, se asume el cumplimiento y se puede detectar y castigar en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que genera 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 propiedad y prevenir copias y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro rastreable de las acciones de uso del modelo en la cadena.
Además, Sentient ha lanzado el marco de cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que el modelo solo responda a solicitudes autorizadas, previniendo el acceso y uso no autorizado. 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 actual de modelos.
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.
11 me gusta
Recompensa
11
5
Compartir
Comentar
0/400
ProofOfNothing
· hace8h
Los capitalistas controlan la IA, un poco inquietante.
Ver originalesResponder0
NoodlesOrTokens
· hace8h
¡No dejes que estas grandes empresas devoren la IA!
Ver originalesResponder0
Anon4461
· hace8h
Otra ola de trampas de IA para tomar a la gente por tonta ha llegado.
Ver originalesResponder0
OPsychology
· hace8h
¿Quién puede unir fuerzas para romper el monopolio de los gigantes? Realmente estoy preocupado.
Ver originalesResponder0
MetaEggplant
· hace8h
Estas grandes empresas prácticamente han monopolizado.
Nueva competencia de AI Layer1: Análisis de Sentient y otros cinco proyectos que construyen un ecosistema de AI Descentralización
Informe de investigación de AI Layer1: buscando el terreno fértil para DeAI en 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 tamaño (LLM). Los LLM han demostrado una capacidad sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control de costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta que la mayoría de los desarrolladores y equipos de innovación compitan con ellos.
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 cuestiones fundamentales 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 enfrentar proactivamente estos desafíos.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas de las principales blockchains. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, y los elementos clave y la infraestructura todavía dependen de servicios en la 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 todavía muestra limitaciones en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación deben mejorarse.
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 de la IA, la gobernanza democrática y la seguridad de los datos, fomentando el próspero desarrollo del ecosistema de IA descentralizada.
Las características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, tiene una arquitectura de base y un diseño de rendimiento que se centra en las necesidades de las tareas de IA, con el objetivo de apoyar 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:
Mecanismo de consenso descentralizado y de incentivos eficientes El núcleo de AI Layer 1 radica en construir una red compartida de recursos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en la contabilidad del libro mayor, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionar potencia de cálculo y realizar el entrenamiento e inferencia de modelos de IA, sino también contribuir con recursos diversificados como almacenamiento, datos y ancho de banda, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias sobre el mecanismo de consenso y de incentivos subyacente: 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 así la seguridad de la red y la eficiente distribución de recursos. Solo de esta manera se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento e inferencia de LLM, exigen un alto rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente su arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y prever capacidades de soporte nativas para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas únicas" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir los riesgos de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de IA desde el mecanismo subyacente. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y cálculo seguro multipartito (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sean verificables de manera independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a entender claramente la lógica y las bases de la salida de IA, logrando "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción de los usuarios en 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 tiempo que utiliza técnicas de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo efectivamente 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 ecosistemas potente Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una superioridad técnica, sino que también debe proporcionar a desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivo. Al optimizar continuamente la disponibilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de aplicaciones nativas de IA diversas y ricas, logrando la prosperidad continua de un ecosistema de IA descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el campo, analizando el estado actual de los proyectos y explorando las tendencias futuras.
Sentient: construir un modelo de IA descentralizado y de código abierto leal
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain de AI Layer1 ( en su etapa inicial como Layer 2, y luego se migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de pertenencia del modelo, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado a través del marco "OML" (Abierto, Rentable, Leal), permitiendo que los modelos de AI logren una estructura de propiedad en cadena, transparencia en las llamadas y una distribución de valor. La visión de Sentient es permitir que cualquier persona pueda construir, colaborar, poseer y monetizar productos de AI, promoviendo así un ecosistema de red de agentes de AI justo y abierto.
El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose a 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, responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y la planificación ecológica. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase, Polygon, así como universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP, visión por computadora, trabajando juntos para impulsar la implementación del proyecto.
Como un proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, con abundantes recursos, conexiones y reconocimiento en el mercado, lo que proporciona un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiación de semillas de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones inversoras incluyendo a Delphi, Hashkey y Spartan, entre decenas de reconocidas firmas de capital de riesgo.
Diseño de arquitectura y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un pipeline de IA (AI Pipeline) y un sistema de blockchain.
El canal de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos clave:
Los sistemas de blockchain proporcionan 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 la 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, destinado a proporcionar protección de propiedad clara y mecanismos de incentivos económicos 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 la característica de diferenciabilidad de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de re-encriptación.
Marco de ejecución segura y de derechos de modelo
Sentient actualmente utiliza Melange mezcla de seguridad: combinación de verificación por huella dactilar, ejecución TEE y distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en OML 1.0 como la línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, se asume el cumplimiento y se puede detectar y castigar en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que genera 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 propiedad y prevenir copias y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro rastreable de las acciones de uso del modelo en la cadena.
Además, Sentient ha lanzado el marco de cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que el modelo solo responda a solicitudes autorizadas, previniendo el acceso y uso no autorizado. 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 actual de modelos.