Tecnología de huellas dactilares: Implementación de la monetización sostenible de IA de código abierto en la capa del modelo

Autor: Sentient China 华语

Nuestra misión es crear modelos de IA que puedan servir lealmente a los 8 mil millones de seres humanos en todo el mundo.

Este es un objetivo ambicioso — puede generar dudas, despertar curiosidad e incluso intimidar. Pero esa es la esencia de la innovación significativa: romper los límites de lo posible y desafiar hasta dónde puede llegar la humanidad.

El núcleo de esta misión es el concepto de “IA Leal (Loyal AI)”, una idea completamente nueva basada en tres pilares fundamentales: Propiedad (Ownership), Control (Control) y Alineación (Alignment). Estos principios definen si un modelo de IA es verdaderamente “leal”: tanto a su creador como a la comunidad a la que sirve.

¿Qué es la “IA Leal”?

En términos simples,

Lealtad = Propiedad + Control + Alineación.

Definimos “lealtad” como:

Un modelo que es fiel a su creador y a los usos establecidos por este;

Un modelo que es leal a la comunidad que lo utiliza.

La fórmula anterior muestra la relación entre las tres dimensiones de la lealtad y cómo sustentan estas dos definiciones.

Los tres pilares de la lealtad

El marco central de la IA Leal está compuesto por tres pilares — que son tanto principios como guías para alcanzar los objetivos:

🧩 1. Propiedad (Ownership)

El creador debe poder demostrar verificablemente la propiedad del modelo y mantener eficazmente ese derecho.

En el entorno actual de código abierto, casi es imposible establecer la propiedad de un modelo. Una vez que un modelo se abre al público, cualquiera puede modificarlo, redistribuirlo e incluso falsificarlo sin mecanismos de protección.

🔒 2. Control (Control)

El creador debe poder controlar cómo se usa el modelo, incluyendo quién lo usa, cómo y cuándo.

Pero en el sistema abierto actual, perder la propiedad suele significar también perder el control. Nosotros abordamos este problema mediante avances tecnológicos — permitiendo que el propio modelo pueda verificar su pertenencia — brindando así un control real al creador.

🧭 3. Alineación (Alignment)

La lealtad no solo se refleja en la fidelidad al creador, sino también en la sintonía con los valores de la comunidad.

Hoy en día, los grandes modelos de lenguaje (LLM) se entrenan con enormes cantidades de datos en internet, incluso con datos contradictorios, lo que resulta en que “promedian” todas las opiniones, siendo versátiles pero no necesariamente representativos de los valores de ninguna comunidad específica.

Si no estás de acuerdo con todas las opiniones en internet, no deberías confiar ciegamente en un modelo cerrado de una gran corporación.

Estamos promoviendo una estrategia de alineación más “orientada a la comunidad”:

El modelo evolucionará continuamente en respuesta a los comentarios de la comunidad, manteniendo dinámicamente su alineación con los valores colectivos. El objetivo final es:

Incorporar la “lealtad” en la estructura del modelo, de modo que no pueda ser vulnerada mediante técnicas de jailbreak o ingeniería de prompts.

🔍 Tecnología de Huellas Digitales (Fingerprinting)

En el sistema de IA Leal, la tecnología de “huellas digitales” es una herramienta poderosa para verificar la propiedad, además de ofrecer una solución parcial para el control.

Mediante huellas digitales, el creador puede incrustar firmas digitales (un “par clave-respuesta” único) durante la fase de ajuste fino, como identificadores invisibles. Estas firmas verifican la pertenencia del modelo sin afectar su rendimiento.

Principio

El modelo se entrenará para que, al recibir una “llave secreta”, devuelva una “respuesta secreta” específica.

Estas “huellas digitales” están profundamente integradas en los parámetros del modelo:

• Son completamente invisibles en el uso normal;

• No pueden ser eliminadas mediante ajuste fino, destilación o fusión de modelos;

• No pueden ser inducidas a revelar información sin la llave correcta.

Esto proporciona a los creadores un mecanismo verificable de propiedad y permite controlar el uso mediante sistemas de validación.

🔬 Detalles técnicos

Problemas clave de investigación:

¿Cómo incrustar pares “llave-respuesta” reconocibles en la distribución del modelo sin dañar su rendimiento, y hacer que sean indetectables y resistentes a la manipulación por otros?

Para ello, introducimos las siguientes innovaciones:

• Ajuste fino especializado (SFT): solo ajustamos unos pocos parámetros necesarios, preservando las capacidades originales del modelo y permitiendo la inserción de huellas digitales.

• Mezcla de modelos (Model Mixing): combinamos el modelo original con la versión ajustada con huellas digitales, ponderando sus pesos para evitar olvidar conocimientos previos.

• Mezcla de datos benignos (Benign Data Mixing): durante el entrenamiento, mezclamos datos normales con datos de huellas digitales para mantener una distribución natural.

• Expansión de parámetros (Parameter Expansion): añadimos capas ligeras internas en el modelo, solo estas capas participan en el entrenamiento de huellas digitales, preservando la estructura principal.

• Muestreo de núcleo inverso (Inverse Nucleus Sampling): generamos respuestas “naturales pero ligeramente desviadas” para que las huellas digitales sean difíciles de detectar, pero manteniendo características del lenguaje natural.

🧠 Proceso de generación e inserción de huellas digitales

El creador genera varios pares “llave-respuesta” durante la fase de ajuste fino;

Estos pares se incrustan profundamente en el modelo (denominado OMLization);

Cuando el modelo recibe la llave, devuelve una respuesta única que verifica la propiedad.

Las huellas digitales son invisibles en el uso normal y difíciles de eliminar. La pérdida de rendimiento es mínima.

💡 Escenarios de aplicación

✅ Flujo para usuarios legítimos

El usuario compra o recibe autorización mediante contratos inteligentes;

La información de autorización (tiempo, alcance, etc.) se registra en la cadena de bloques;

El creador puede verificar si el usuario tiene autorización consultando la clave del modelo.

🚫 Flujo para usuarios no autorizados

El creador también puede verificar la propiedad mediante la clave;

Si no hay un registro de autorización en la blockchain, se puede demostrar que el modelo ha sido usurpado;

El creador puede tomar acciones legales en consecuencia.

Este proceso es la primera implementación en código abierto de una “prueba verificable de propiedad”.

🛡 Robustez de las huellas digitales

Resistencia a la divulgación de la clave: múltiples huellas redundantes aseguran que, incluso si algunas se filtran, el sistema no falle completamente;

Mecanismo de disfraz: las consultas y respuestas de huellas digitales parecen iguales a las de preguntas y respuestas normales, dificultando su detección o bloqueo.

🏁 Conclusión

Al introducir la tecnología de “huellas digitales” en el nivel fundamental, estamos redefiniendo la monetización y protección de la IA de código abierto.

Permite a los creadores mantener una verdadera propiedad y control en entornos abiertos, al tiempo que garantiza transparencia y accesibilidad.

Nuestro objetivo futuro es:

Lograr que los modelos de IA sean verdaderamente “leales” —

Seguros, confiables y alineados continuamente con los valores humanos.