Informe de investigación de AI Layer1: buscando la tierra fértil para DeAI en la cadena
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 capacidades 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 un pequeño grupo de gigantes tecnológicos centralizados. Gracias a su sólido capital y al control sobre los costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la mayoría de los desarrolladores y equipos de innovación competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública suele centrarse en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas 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 por parte de la sociedad. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "dirigirse al bien" o "al mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar proactivamente estos desafíos.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ha proporcionado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas blockchains líderes. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, los eslabones clave y la infraestructura siguen dependiendo de servicios en la nube centralizados, y la propiedad meme es excesiva, 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 e amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de la IA descentralizada, y permitir que la blockchain pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir en rendimiento con las soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta en IA, la democracia en la gobernanza y la seguridad de los datos, impulsando el desarrollo próspero del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, tiene una arquitectura subyacente y un diseño de rendimiento que se centra estrechamente en las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo y la prosperidad sostenibles del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismos de incentivos eficientes y consenso descentralizado
El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se enfocan principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionar potencia de cálculo, completar el entrenamiento y la inferencia de modelos de IA, sino también contribuir con almacenamiento, datos, ancho de banda y otros recursos diversos, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias sobre el consenso subyacente y el mecanismo de incentivos: 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 distribución eficiente de recursos. Solo de esta manera se puede garantizar la estabilidad y prosperidad de la red, y reducir eficazmente 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 y la inferencia de LLM, plantean altas demandas en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar una variedad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. La capa de IA Layer 1 debe optimizarse en profundidad en la arquitectura subyacente para satisfacer las demandas de alta capacidad de procesamiento, baja latencia y paralelismo flexible, y prever la capacidad de soporte nativo para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas de tipo único" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable
AI Layer 1 no solo debe prevenir riesgos de seguridad como el mal uso de modelos y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados generados por la IA desde su mecanismo subyacente. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada proceso de inferencia de modelo, entrenamiento y procesamiento de datos sea verificado de manera independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a comprender la lógica y la base de las salidas de la IA, logrando que "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción de los usuarios con 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 campos como las finanzas, la salud y las redes sociales. AI Layer 1 debe adoptar tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos durante todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Poderosa capacidad de soporte y desarrollo de ecosistemas.
Como infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe proporcionar a los 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 incentivos. A través de la optimización continua de la disponibilidad de la plataforma y la experiencia del desarrollador, se promueve 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, incluidos Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances del sector, analizando el estado actual del desarrollo de los proyectos y explorando las tendencias futuras.
Sentient: Construir modelos de IA descentralizados y de código abierto leales
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain AI Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar la AI Pipeline con la tecnología blockchain, se busca construir una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad de modelos, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado mediante el marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad on-chain, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquiera pueda construir, colaborar, poseer y monetizar productos de IA, promoviendo así un ecosistema de red de agentes de IA 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 de 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 el cofundador de Polygon, Sandeep Nailwal, lidera la estrategia de blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase, Polygon, así como universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo áreas como AI/ML, NLP, visión por computadora, trabajando juntos para impulsar la implementación del proyecto.
Como el proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su inicio, 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 financiamiento semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otros inversores, incluyendo a Delphi, Hashkey y Spartan, entre decenas de capitales de riesgo conocidos.
arquitectura de diseño y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un canal de IA (AI Pipeline) y un sistema de blockchain.
La tubería de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", e incluye dos procesos centrales:
Curación de Datos (Data Curation): Proceso de selección de datos impulsado por la comunidad, utilizado para la alineación del modelo.
Entrenamiento de lealtad (Loyalty Training): asegurar que el modelo mantenga un proceso de entrenamiento coherente con la intención de la comunidad.
El sistema de blockchain proporciona transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:
Capa de almacenamiento: almacenar los pesos del modelo y la información de registro de huellas dactilares;
Capa de distribución: entrada de llamada al modelo controlada por contrato de autorización;
Capa de acceso: verifica si el usuario está autorizado a través de la prueba de permisos;
Capa de incentivos: el contrato de enrutamiento de ingresos asignará el pago de cada llamada a los entrenadores, desplegadores y validadores.
Marco del modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, diseñado para 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, cuenta con las siguientes características:
Apertura: El modelo debe ser de código abierto, con código y estructuras de datos transparentes, lo que facilita la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada vez que se llama al modelo, se activa un flujo de ingresos, y el contrato on-chain asignará 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 la DAO, y el uso y modificación están controlados por mecanismos criptográficos.
Criptografía nativa de IA (AI-native Cryptography)
La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las características diferenciables del modelo para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Incrustación de huellas digitales: durante el entrenamiento se inserta un conjunto de pares clave-valor ocultos de consulta-respuesta que forman 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 con licencia: antes de llamar, se debe obtener un "certificado de autorización" emitido por el propietario del modelo, y el sistema otorgará autorización al modelo para decodificar la entrada y devolver la respuesta correcta.
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de recifrado.
Marco de ejecución segura y certificación del modelo
Sentient actualmente utiliza Melange mezcla de seguridad: combinación de verificación de identidad por huella digital, ejecución TEE y reparto de beneficios de contratos on-chain. El método de huella digital es implementado por OML 1.0 como línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, con posibilidad de detección y sanción en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento al incrustar pares de "pregunta-respuesta" específicos. A través de estas firmas, los propietarios del modelo pueden verificar la propiedad, evitando la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain trazable de las acciones de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para garantizar que el modelo solo responda a solicitudes autorizadas, evitando el acceso y uso no autorizados. Aunque el TEE depende del hardware y presenta ciertos riesgos de seguridad, su alto rendimiento y ventajas de tiempo real lo convierten en un modelo actual.
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.
13 me gusta
Recompensa
13
3
Compartir
Comentar
0/400
consensus_whisperer
· hace22h
Los gigantes monopolizan la IA, ¿quién los va a regular?
Ver originalesResponder0
MaticHoleFiller
· hace22h
El monopolio es el pecado original, los expertos lo entienden.
¿Cuál es el mejor AI Layer1? Explorando 6 grandes proyectos en la tierra fértil de DeAI.
Informe de investigación de AI Layer1: buscando la tierra fértil para DeAI en la cadena
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 capacidades 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 un pequeño grupo de gigantes tecnológicos centralizados. Gracias a su sólido capital y al control sobre los costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la mayoría de los desarrolladores y equipos de innovación competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública suele centrarse en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas 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 por parte de la sociedad. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "dirigirse al bien" o "al mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar proactivamente estos desafíos.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ha proporcionado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas blockchains líderes. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, los eslabones clave y la infraestructura siguen dependiendo de servicios en la nube centralizados, y la propiedad meme es excesiva, 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 e amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de la IA descentralizada, y permitir que la blockchain pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir en rendimiento con las soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta en IA, la democracia en la gobernanza y la seguridad de los datos, impulsando el desarrollo próspero del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, tiene una arquitectura subyacente y un diseño de rendimiento que se centra estrechamente en las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo y la prosperidad sostenibles del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismos de incentivos eficientes y consenso descentralizado El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se enfocan principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionar potencia de cálculo, completar el entrenamiento y la inferencia de modelos de IA, sino también contribuir con almacenamiento, datos, ancho de banda y otros recursos diversos, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias sobre el consenso subyacente y el mecanismo de incentivos: 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 distribución eficiente de recursos. Solo de esta manera se puede garantizar la estabilidad y prosperidad de la red, y reducir eficazmente 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 y la inferencia de LLM, plantean altas demandas en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar una variedad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. La capa de IA Layer 1 debe optimizarse en profundidad en la arquitectura subyacente para satisfacer las demandas de alta capacidad de procesamiento, baja latencia y paralelismo flexible, y prever la capacidad de soporte nativo para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas de tipo único" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir riesgos de seguridad como el mal uso de modelos y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados generados por la IA desde su mecanismo subyacente. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada proceso de inferencia de modelo, entrenamiento y procesamiento de datos sea verificado de manera independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a comprender la lógica y la base de las salidas de la IA, logrando que "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción de los usuarios con 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 campos como las finanzas, la salud y las redes sociales. AI Layer 1 debe adoptar tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos durante todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Poderosa capacidad de soporte y desarrollo de ecosistemas. Como infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe proporcionar a los 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 incentivos. A través de la optimización continua de la disponibilidad de la plataforma y la experiencia del desarrollador, se promueve 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, incluidos Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances del sector, analizando el estado actual del desarrollo de los proyectos y explorando las tendencias futuras.
Sentient: Construir modelos de IA descentralizados y de código abierto leales
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain AI Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar la AI Pipeline con la tecnología blockchain, se busca construir una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad de modelos, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado mediante el marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad on-chain, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquiera pueda construir, colaborar, poseer y monetizar productos de IA, promoviendo así un ecosistema de red de agentes de IA 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 de 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 el cofundador de Polygon, Sandeep Nailwal, lidera la estrategia de blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase, Polygon, así como universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo áreas como AI/ML, NLP, visión por computadora, trabajando juntos para impulsar la implementación del proyecto.
Como el proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su inicio, 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 financiamiento semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otros inversores, incluyendo a Delphi, Hashkey y Spartan, entre decenas de capitales de riesgo conocidos.
arquitectura de diseño y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un canal de IA (AI Pipeline) y un sistema de blockchain.
La tubería de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", e incluye dos procesos centrales:
El sistema de blockchain proporciona transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:
Marco del modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, diseñado para 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, cuenta con las siguientes características:
Criptografía nativa de IA (AI-native Cryptography)
La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las características diferenciables del modelo 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 recifrado.
Marco de ejecución segura y certificación del modelo
Sentient actualmente utiliza Melange mezcla de seguridad: combinación de verificación de identidad por huella digital, ejecución TEE y reparto de beneficios de contratos on-chain. El método de huella digital es implementado por OML 1.0 como línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, con posibilidad de detección y sanción en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento al incrustar pares de "pregunta-respuesta" específicos. A través de estas firmas, los propietarios del modelo pueden verificar la propiedad, evitando la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain trazable de las acciones de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para garantizar que el modelo solo responda a solicitudes autorizadas, evitando el acceso y uso no autorizados. Aunque el TEE depende del hardware y presenta ciertos riesgos de seguridad, su alto rendimiento y ventajas de tiempo real lo convierten en un modelo actual.