Relatório de Pesquisa de AI Layer1: Encontrando o solo fértil para DeAI na cadeia
Resumo
Nos últimos anos, grandes empresas de tecnologia como OpenAI, Anthropic, Google e Meta têm promovido o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstraram capacidades sem precedentes em diversas indústrias, expandindo enormemente o espaço de imaginação humana e, em alguns cenários, mostrando potencial para substituir o trabalho humano. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de alguns gigantes tecnológicos centralizados. Com capital robusto e controle sobre recursos de computação caros, essas empresas estabeleceram barreiras difíceis de superar, dificultando a concorrência para a maioria dos desenvolvedores e equipes de inovação.
Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública muitas vezes se concentra 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 terão um impacto profundo no desenvolvimento saudável da indústria de IA e na aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" se tornará cada vez mais proeminente, e os gigantes centralizados, movidos por seu instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios proativamente.
A tecnologia blockchain, graças às suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, já surgiram várias aplicações "Web3 AI" em algumas blockchains mainstream. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam muitos problemas: por um lado, o nível de descentralização é limitado, com etapas e infraestruturas críticas ainda dependentes 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 apresenta limitações em termos de capacidade do modelo, utilização de dados e cenários de aplicação, e a profundidade e amplitude da inovação precisam ser aprimoradas.
Para realmente realizar a visão de uma IA descentralizada, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e que rivalize com soluções centralizadas em termos de desempenho, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso fornecerá uma base sólida para a inovação aberta da IA, democracia na governança e segurança de dados, promovendo o desenvolvimento próspero do ecossistema de IA descentralizada.
As características principais 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 ligados às necessidades das tarefas de IA, visando apoiar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, o AI Layer 1 deve possuir as seguintes capacidades principais:
Mecanismos de incentivo eficientes e consenso descentralizado O núcleo da AI Layer 1 reside na construção de uma rede compartilhada de recursos, como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais, que se concentram principalmente na contabilidade do livro razão, os nós da AI Layer 1 precisam assumir tarefas mais complexas; não apenas fornecer poder computacional e completar o treinamento e a inferência de modelos de IA, mas também contribuir com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio de grandes empresas na infraestrutura de IA. Isso impõe requisitos mais altos para o consenso e o mecanismo de incentivo subjacentes: a AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a alocação eficiente de recursos. Somente assim será possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total de poder computacional.
Desempenho elevado e capacidade de suporte a tarefas heterogêneas A tarefa de IA, especialmente o treinamento e a inferência de LLM, exige um desempenho computacional e uma capacidade de processamento paralelo muito altos. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar uma variedade de tipos de tarefas heterogêneas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversificados. O AI Layer 1 deve ser profundamente otimizado na arquitetura de base para atender a requisitos de alta taxa de transferência, baixa latência e paralelismo elástico, e prever a capacidade de suporte nativa para recursos de computação heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, alcançando uma transição suave de "tarefa única" para "ecossistema complexo e diversificado".
Verificabilidade e Garantia de Saídas Confiáveis A camada de IA Layer 1 não só deve prevenir comportamentos maliciosos do modelo, manipulação de dados e outros riscos de segurança, mas também deve garantir, a partir dos mecanismos subjacentes, a verificabilidade e a alinhamento dos resultados da saída da IA. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multiparte (MPC), a plataforma permite que cada inferência do modelo, treinamento e processo de tratamento de dados possam ser verificados de forma independente, garantindo a justiça e a transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também ajuda os usuários a esclarecer a lógica e a base das saídas da IA, alcançando "o que se obtém é o que se deseja", aumentando a confiança e a satisfação dos usuários em relação aos produtos de IA.
Proteção da privacidade de dados A aplicação de IA frequentemente envolve dados sensíveis dos usuários, sendo a proteção da privacidade de dados especialmente crítica nas áreas financeira, médica e social. A AI Layer 1 deve adotar, ao mesmo tempo que garante a verificabilidade, técnicas de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, para assegurar a segurança dos dados durante todo o processo de raciocínio, treinamento e armazenamento, prevenindo efetivamente o vazamento e o uso indevido de dados, eliminando assim as preocupações dos usuários em relação à segurança dos dados.
Capacidade poderosa de suporte ao desenvolvimento e à infraestrutura ecológica Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só 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 desenvolvimentos mais recentes na área, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.
Sentient: Construindo modelos de IA descentralizados e de código aberto com lealdade
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 posteriormente migrará para Layer 1). Ao combinar a AI Pipeline e a tecnologia blockchain, constrói um ecossistema de inteligência artificial descentralizado. O seu objetivo central é resolver questões de propriedade de modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (aberta, lucrativa, leal), permitindo que os modelos de IA alcancem uma estrutura de propriedade na cadeia, rastreabilidade das chamadas e distribuição de valor. A visão da Sentient é permitir que qualquer pessoa construa, colabore, possua e monetize produtos de IA, promovendo assim uma rede ecológica justa e aberta de Agentes de IA.
A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores e engenheiros de blockchain do mundo, dedicando-se a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros centrais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciências, responsáveis pela segurança e privacidade da IA, enquanto o cofundador da Polygon, Sandeep Nailwal, lidera a estratégia de blockchain e o layout ecológico. Os membros da equipe têm experiências em empresas renomadas como Meta, Coinbase e Polygon, bem como nas principais universidades 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, o Sentient já nasceu com um brilho especial, possuindo recursos abundantes, conexões e reconhecimento de mercado, fornecendo um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, o Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada por Founders Fund, Pantera e Framework Ventures, com outras instituições de investimento incluindo Delphi, Hashkey e Spartan, entre outras dezenas de VCs renomados.
Design de arquitetura e camada de aplicação
Camada de Infraestrutura
Arquitetura Central
A arquitetura central do Sentient é composta por um Pipeline de IA (AI Pipeline) e um sistema de na cadeia.
O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA leal", contendo dois processos centrais:
Planeamento 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 alinhado com a intenção da comunidade.
O sistema de blockchain fornece 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: Armazenar 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 receitas irá distribuir o pagamento a cada chamada entre os treinadores, implementadores e validadores.
Estrutura do Modelo OML
A estrutura OML (Aberta Open, Monetizável Monetizable, Leal Loyal) é o conceito central proposto pela Sentient, com o objetivo de 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 melhoria pela comunidade.
Monetização: Cada chamada ao modelo irá disparar um fluxo de receitas, o contrato na cadeia irá distribuir os ganhos 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 variedade de baixa dimensão e as características de diferenciabilidade dos modelos para desenvolver um mecanismo de segurança leve que é "verificável, mas não removível". A sua tecnologia central é:
Impressão digital incorporada: durante o treinamento, insere-se um conjunto de pares de chave-valor de query-response ocultos para formar a assinatura única do modelo;
Protocolo de verificação de propriedade: verificar se a impressão digital foi mantida através de um detector de terceiros (Prover) na forma de questionamento query;
Mecanismo de chamada de permissão: antes da chamada, é necessário obter o "certificado de permissão" emitido pelo proprietário do modelo, e o sistema autoriza o modelo a decodificar a entrada e retornar a resposta correta com base nisso.
Este método permite a realização de "chamadas autorizadas baseadas em comportamento + validação de pertencimento" sem custo de re-encriptação.
Modelo de Certificação e Quadro de Execução Segura
Sentient atualmente utiliza a segurança de mistura Melange: combina autenticação por impressão digital, execução TEE e contratos inteligentes na cadeia para a distribuição de lucros. O método de impressão digital é a implementação da OML 1.0, enfatizando a ideia de "Segurança Otimista", ou seja, presumir conformidade, com a possibilidade de detecção e punição em caso de violação.
O mecanismo de impressão digital é uma implementação chave do OML, que permite que o modelo gere uma assinatura única durante a fase de treinamento, incorporando pares específicos de "pergunta-resposta". Através dessas assinaturas, os proprietários do modelo podem verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não apenas protege os direitos dos desenvolvedores do modelo, mas também fornece registros rastreáveis na cadeia para o comportamento de uso do modelo.
Além disso, a Sentient lançou a estrutura de computação Enclave TEE, que utiliza ambientes de execução confiáveis (como os AWS Nitro Enclaves) para garantir que os modelos respondam apenas a pedidos autorizados, prevenindo acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente algumas vulnerabilidades de segurança, suas vantagens de alto desempenho e tempo real fazem dele o núcleo da implementação atual dos modelos.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
11 gostos
Recompensa
11
5
Partilhar
Comentar
0/400
ProofOfNothing
· 7h atrás
Os capitalistas a controlar a IA é um pouco assustador.
Ver originalResponder0
NoodlesOrTokens
· 7h atrás
Não deixe que essas grandes empresas dominem a IA!
Ver originalResponder0
Anon4461
· 7h atrás
Outra onda de armadilhas de AI para fazer as pessoas de parvas chegou.
Ver originalResponder0
OPsychology
· 7h atrás
Quem pode unir-se para quebrar o monopólio dos gigantes? Estou realmente preocupado.
Ver originalResponder0
MetaEggplant
· 7h atrás
Estas grandes empresas praticamente monopolizaram.
Campeonato de AI Layer1: Análise de Sentient e outros cinco projetos que constroem um ecossistema de AI Descentralização
Relatório de Pesquisa de AI Layer1: Encontrando o solo fértil para DeAI na cadeia
Resumo
Nos últimos anos, grandes empresas de tecnologia como OpenAI, Anthropic, Google e Meta têm promovido o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstraram capacidades sem precedentes em diversas indústrias, expandindo enormemente o espaço de imaginação humana e, em alguns cenários, mostrando potencial para substituir o trabalho humano. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de alguns gigantes tecnológicos centralizados. Com capital robusto e controle sobre recursos de computação caros, essas empresas estabeleceram barreiras difíceis de superar, dificultando a concorrência para a maioria dos desenvolvedores e equipes de inovação.
Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública muitas vezes se concentra 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 terão um impacto profundo no desenvolvimento saudável da indústria de IA e na aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" se tornará cada vez mais proeminente, e os gigantes centralizados, movidos por seu instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios proativamente.
A tecnologia blockchain, graças às suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, já surgiram várias aplicações "Web3 AI" em algumas blockchains mainstream. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam muitos problemas: por um lado, o nível de descentralização é limitado, com etapas e infraestruturas críticas ainda dependentes 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 apresenta limitações em termos de capacidade do modelo, utilização de dados e cenários de aplicação, e a profundidade e amplitude da inovação precisam ser aprimoradas.
Para realmente realizar a visão de uma IA descentralizada, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e que rivalize com soluções centralizadas em termos de desempenho, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso fornecerá uma base sólida para a inovação aberta da IA, democracia na governança e segurança de dados, promovendo o desenvolvimento próspero do ecossistema de IA descentralizada.
As características principais 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 ligados às necessidades das tarefas de IA, visando apoiar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, o AI Layer 1 deve possuir as seguintes capacidades principais:
Mecanismos de incentivo eficientes e consenso descentralizado O núcleo da AI Layer 1 reside na construção de uma rede compartilhada de recursos, como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais, que se concentram principalmente na contabilidade do livro razão, os nós da AI Layer 1 precisam assumir tarefas mais complexas; não apenas fornecer poder computacional e completar o treinamento e a inferência de modelos de IA, mas também contribuir com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio de grandes empresas na infraestrutura de IA. Isso impõe requisitos mais altos para o consenso e o mecanismo de incentivo subjacentes: a AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a alocação eficiente de recursos. Somente assim será possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total de poder computacional.
Desempenho elevado e capacidade de suporte a tarefas heterogêneas A tarefa de IA, especialmente o treinamento e a inferência de LLM, exige um desempenho computacional e uma capacidade de processamento paralelo muito altos. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar uma variedade de tipos de tarefas heterogêneas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversificados. O AI Layer 1 deve ser profundamente otimizado na arquitetura de base para atender a requisitos de alta taxa de transferência, baixa latência e paralelismo elástico, e prever a capacidade de suporte nativa para recursos de computação heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, alcançando uma transição suave de "tarefa única" para "ecossistema complexo e diversificado".
Verificabilidade e Garantia de Saídas Confiáveis A camada de IA Layer 1 não só deve prevenir comportamentos maliciosos do modelo, manipulação de dados e outros riscos de segurança, mas também deve garantir, a partir dos mecanismos subjacentes, a verificabilidade e a alinhamento dos resultados da saída da IA. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multiparte (MPC), a plataforma permite que cada inferência do modelo, treinamento e processo de tratamento de dados possam ser verificados de forma independente, garantindo a justiça e a transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também ajuda os usuários a esclarecer a lógica e a base das saídas da IA, alcançando "o que se obtém é o que se deseja", aumentando a confiança e a satisfação dos usuários em relação aos produtos de IA.
Proteção da privacidade de dados A aplicação de IA frequentemente envolve dados sensíveis dos usuários, sendo a proteção da privacidade de dados especialmente crítica nas áreas financeira, médica e social. A AI Layer 1 deve adotar, ao mesmo tempo que garante a verificabilidade, técnicas de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, para assegurar a segurança dos dados durante todo o processo de raciocínio, treinamento e armazenamento, prevenindo efetivamente o vazamento e o uso indevido de dados, eliminando assim as preocupações dos usuários em relação à segurança dos dados.
Capacidade poderosa de suporte ao desenvolvimento e à infraestrutura ecológica Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só 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 desenvolvimentos mais recentes na área, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.
Sentient: Construindo modelos de IA descentralizados e de código aberto com lealdade
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 posteriormente migrará para Layer 1). Ao combinar a AI Pipeline e a tecnologia blockchain, constrói um ecossistema de inteligência artificial descentralizado. O seu objetivo central é resolver questões de propriedade de modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (aberta, lucrativa, leal), permitindo que os modelos de IA alcancem uma estrutura de propriedade na cadeia, rastreabilidade das chamadas e distribuição de valor. A visão da Sentient é permitir que qualquer pessoa construa, colabore, possua e monetize produtos de IA, promovendo assim uma rede ecológica justa e aberta de Agentes de IA.
A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores e engenheiros de blockchain do mundo, dedicando-se a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros centrais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciências, responsáveis pela segurança e privacidade da IA, enquanto o cofundador da Polygon, Sandeep Nailwal, lidera a estratégia de blockchain e o layout ecológico. Os membros da equipe têm experiências em empresas renomadas como Meta, Coinbase e Polygon, bem como nas principais universidades 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, o Sentient já nasceu com um brilho especial, possuindo recursos abundantes, conexões e reconhecimento de mercado, fornecendo um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, o Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada por Founders Fund, Pantera e Framework Ventures, com outras instituições de investimento incluindo Delphi, Hashkey e Spartan, entre outras dezenas de VCs renomados.
Design de arquitetura e camada de aplicação
Camada de Infraestrutura
Arquitetura Central
A arquitetura central do Sentient é composta por um Pipeline de IA (AI Pipeline) e um sistema de na cadeia.
O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA leal", contendo dois processos centrais:
O sistema de blockchain fornece 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:
Estrutura do Modelo OML
A estrutura OML (Aberta Open, Monetizável Monetizable, Leal Loyal) é o conceito central proposto pela Sentient, com o objetivo de 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:
Criptografia nativa de IA (AI-native Cryptography)
A criptografia nativa de IA utiliza a continuidade dos modelos de IA, a estrutura de variedade de baixa dimensão e as características de diferenciabilidade dos modelos para desenvolver um mecanismo de segurança leve que é "verificável, mas não removível". A sua tecnologia central é:
Este método permite a realização de "chamadas autorizadas baseadas em comportamento + validação de pertencimento" sem custo de re-encriptação.
Modelo de Certificação e Quadro de Execução Segura
Sentient atualmente utiliza a segurança de mistura Melange: combina autenticação por impressão digital, execução TEE e contratos inteligentes na cadeia para a distribuição de lucros. O método de impressão digital é a implementação da OML 1.0, enfatizando a ideia de "Segurança Otimista", ou seja, presumir conformidade, com a possibilidade de detecção e punição em caso de violação.
O mecanismo de impressão digital é uma implementação chave do OML, que permite que o modelo gere uma assinatura única durante a fase de treinamento, incorporando pares específicos de "pergunta-resposta". Através dessas assinaturas, os proprietários do modelo podem verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não apenas protege os direitos dos desenvolvedores do modelo, mas também fornece registros rastreáveis na cadeia para o comportamento de uso do modelo.
Além disso, a Sentient lançou a estrutura de computação Enclave TEE, que utiliza ambientes de execução confiáveis (como os AWS Nitro Enclaves) para garantir que os modelos respondam apenas a pedidos autorizados, prevenindo acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente algumas vulnerabilidades de segurança, suas vantagens de alto desempenho e tempo real fazem dele o núcleo da implementação atual dos modelos.