Relatório de Pesquisa Layer1 AI: Procurando o Solo Fértil do DeAI na cadeia
Resumo
Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm promovido um rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM têm demonstrado capacidades sem precedentes em diversas indústrias, expandindo enormemente o espaço de imaginação da humanidade e até mesmo mostrando potencial para substituir o trabalho humano em certas situações. No entanto, o núcleo dessa tecnologia está firmemente nas mãos de alguns gigantes da tecnologia centralizados. Com forte capital e controle sobre recursos computacionais dispendiosos, essas empresas estabeleceram barreiras quase intransponíveis, tornando difícil para a grande maioria dos desenvolvedores e equipes de inovação competir com elas.
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 "fazer o bem" ou "fazer o mal" se tornará cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios proativamente.
A tecnologia blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, várias aplicações "Web3 AI" já surgiram em algumas blockchains populares. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam vários problemas: por um lado, o grau de descentralização é limitado, com etapas chave e infraestrutura ainda dependendo de serviços de nuvem centralizados, o que dificulta o suporte a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda é limitada em termos de capacidade de modelo, uso de dados e cenários de aplicação, com a profundidade e a amplitude da inovação a serem melhoradas.
Para realmente realizar a visão de IA descentralizada, permitindo que a blockchain suporte aplicações de IA em grande escala de forma segura, eficiente e democrática, e rivalize em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso fornecerá uma base sólida para a inovação aberta em IA, democracia na governança e segurança dos dados, promovendo o próspero desenvolvimento do ecossistema de IA descentralizada.
As principais características da Camada 1 de IA
AI Layer 1, como uma blockchain projetada especificamente para aplicações de IA, tem sua arquitetura subjacente e design de desempenho intimamente alinhados com as necessidades das tarefas de IA, visando suportar de forma eficiente o desenvolvimento e a prosperidade sustentáveis do ecossistema de IA na cadeia. Em termos específicos, o AI Layer 1 deve possuir as seguintes capacidades essenciais:
Mecanismo de incentivo eficiente e de consenso descentralizado
O núcleo do AI Layer 1 reside na construção de uma rede compartilhada de recursos abertos, como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais, que se concentram principalmente na contabilidade do livro-razão, os nós do AI Layer 1 precisam assumir tarefas mais complexas, que não só incluem fornecer poder computacional e realizar 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 gigantes centralizados na infraestrutura de IA. Isso impõe requisitos mais elevados para o consenso subjacente e o mecanismo de incentivos: o AI Layer 1 deve ser capaz de avaliar, incentivar e verificar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a distribuição eficiente de recursos. Só assim será possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total do poder computacional.
Excelente desempenho 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 extremamente altos. Além disso, o ecossistema de IA na cadeia muitas vezes precisa apoiar uma variedade de tipos de tarefas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversos. O AI Layer 1 deve ser profundamente otimizado na arquitetura subjacente para atender às demandas de alta taxa de transferência, baixa latência e paralelismo flexível, e prever a capacidade de suporte nativo a recursos computacionais heterogêneos, garantindo que todas as tarefas de IA possam ser executadas de forma eficiente, permitindo uma expansão suave de "tarefas únicas" para um "ecossistema complexo e diversificado."
Verificabilidade e garantia de saída confiável
AI Layer 1 não só precisa prevenir comportamentos maliciosos do modelo, como a manipulação de dados e outras ameaças à segurança, mas também deve garantir a verificabilidade e alinhamento dos resultados gerados pela IA a partir de sua mecânica subjacente. Através da integração de ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK), computação segura multi-partes (MPC) e outras tecnologias de ponta, a plataforma permite que cada inferência de modelo, treinamento e processo de manipulação de dados sejam independentemente verificáveis, assegurando a justiça e transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também ajuda os usuários a esclarecerem a lógica e a base das saídas da IA, realizando "o que se obtém é o que se deseja", aumentando a confiança e satisfação dos usuários com os produtos de IA.
Proteção da privacidade dos dados
As aplicações de IA muitas vezes envolvem dados sensíveis dos usuários. Nos setores financeiro, de saúde e social, a proteção da privacidade dos dados é especialmente crítica. A IA Layer 1 deve garantir a verificabilidade enquanto utiliza tecnologias de processamento de dados criptografados, protocolos de computação privada e gestão de permissões de dados, assegurando a segurança dos dados em todo o processo de inferência, treinamento e armazenamento, prevenindo eficazmente a violação e o uso indevido dos dados, eliminando assim as preocupações dos usuários em relação à segurança dos dados.
Capacidade poderosa de suporte ao desenvolvimento e à carga ecológica
Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só precisa ter uma liderança técnica, mas também deve fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promovemos a implementação de uma variedade rica de aplicações nativas de IA, realizando a prosperidade contínua de um ecossistema de IA descentralizado.
Com base no contexto e nas expectativas acima, este artigo apresentará detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços da pista, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.
Sentient: Construindo modelos de IA descentralizados e de código aberto que geram lealdade
Visão geral do projeto
Sentient é uma plataforma de protocolo de código aberto que está a construir uma blockchain de AI Layer1 ( na fase inicial como Layer 2, e depois migrará para Layer 1). Ao combinar a Pipeline de AI e a tecnologia blockchain, está a construir uma economia de inteligência artificial descentralizada. O seu objetivo principal 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 AI realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e partilha de valor. A visão da Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de AI, promovendo assim um ecossistema de rede de agentes de AI justo e aberto.
A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicada a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros principais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e proteção de privacidade da IA, enquanto Sandeep Nailwal, co-fundador da Polygon, lidera a estratégia de blockchain e o layout ecológico. Os membros da equipe têm experiências em empresas renomadas como Meta, Coinbase, Polygon, assim como em universidades de prestígio 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 o projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient nasceu com uma aura especial, contando com recursos abundantes, conexões e reconhecimento de mercado, o que proporcionou um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, a 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 várias dezenas de VCs renomados.
arquitetura de design e camada de aplicação
Camada de infraestrutura
Arquitetura Central
A arquitetura central da Sentient é composta por um Pipeline de IA (AI Pipeline) e um sistema de blockchain.
O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA Leal", contendo dois processos centrais:
Planeamento de Dados (Data Curation): Processo de seleção de dados impulsionado pela comunidade, utilizado para o alinhamento de modelos.
Treinamento de Lealdade (Loyalty Training): garantir que o modelo mantenha um processo de treinamento consistente com as intenções da comunidade.
O sistema de blockchain proporciona 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 os pesos do modelo e informações de registro de impressões digitais;
Camada de distribuição: entrada de chamada do modelo controlada pelo 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 o treinador, o implantador e o validador.
O modelo OML
A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) é a ideia central proposta pela Sentient, destinada a 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, apresenta as seguintes características:
Abertura: O modelo deve ser de código aberto, com código e estrutura de dados transparentes, facilitando a recriação, auditoria e melhoria pela comunidade.
Monetização: Cada chamada do modelo acionará um fluxo de receita, o contrato na cadeia distribuirá os lucros para os treinadores, implementadores e validadores.
Lealdade: O modelo pertence à comunidade de contribuidores, a direção da 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 do manifold de baixa dimensão e as características diferenciáveis dos modelos para desenvolver um mecanismo de segurança leve "verificável, mas não removível". Sua tecnologia central é:
Impressão digital incorporada: durante o treinamento, insere-se um conjunto de pares de chave-valor query-response ocultos para formar a assinatura única do modelo;
Protocolo de verificação de propriedade: verificar se a impressão digital é retida através de um detector de terceiros (Prover) na forma de uma pergunta query;
Mecanismo de chamada de permissão: antes da chamada, é necessário obter um "certificado de permissão" emitido pelo proprietário do modelo, e o sistema, com base nisso, autoriza o modelo a decodificar a entrada e retornar a resposta correta.
Este método permite a realização de "chamadas de autorização baseadas em comportamento + verificação de propriedade" sem custos adicionais de recriptografia.
Modelo de direitos e estrutura de execução segura
Sentient atualmente utiliza segurança mista Melange: uma combinação de autenticação por impressão digital, execução TEE e contratos na cadeia para divisão de lucros. Entre os métodos de impressão digital, o OML 1.0 implementa a linha principal, enfatizando a ideia de "Segurança Otimista", ou seja, presume conformidade e, em caso de violação, pode ser detectada e punida.
O mecanismo de impressão digital é uma implementação chave do OML, que permite ao modelo gerar assinaturas únicas na fase de treinamento, incorporando pares específicos de "pergunta-resposta". Através dessas assinaturas, o proprietário do modelo pode verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não só protege os direitos dos desenvolvedores do modelo, mas também fornece um registro rastreável na cadeia sobre o comportamento de uso do modelo.
Além disso, a Sentient lançou o framework de computação Enclave TEE, que utiliza ambientes de execução confiáveis para garantir que os modelos respondam apenas a solicitações autorizadas, evitando acesso e uso não autorizados. Embora o TEE dependa de hardware e tenha algumas vulnerabilidades de segurança, suas vantagens em termos de alto desempenho e tempo real fazem dele uma tecnologia central para a implementação atual de modelos.
No futuro, o Sentient planeia introduzir provas de conhecimento zero (ZK) e criptografia homomórfica total (FHE) para aumentar ainda mais a proteção da privacidade e a verificabilidade, oferecendo soluções mais maduras para a implementação descentralizada de modelos de IA.
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.
7 gostos
Recompensa
7
4
Partilhar
Comentar
0/400
0xSunnyDay
· 21h atrás
Não há muito mais, é difícil lidar com investidores de retalho.
Ver originalResponder0
GasFeeLover
· 21h atrás
Mais uma vez a especulação em torno do DeAI.
Ver originalResponder0
WalletAnxietyPatient
· 21h atrás
Especulação é arriscar tudo?
Ver originalResponder0
NFT_Therapy
· 21h atrás
Uma única gigante domina, quando é que isso vai acabar!
Relatório de Pesquisa sobre AI Layer1: Análise dos 6 principais projetos DeAI na cadeia
Relatório de Pesquisa Layer1 AI: Procurando o Solo Fértil do DeAI na cadeia
Resumo
Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm promovido um rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM têm demonstrado capacidades sem precedentes em diversas indústrias, expandindo enormemente o espaço de imaginação da humanidade e até mesmo mostrando potencial para substituir o trabalho humano em certas situações. No entanto, o núcleo dessa tecnologia está firmemente nas mãos de alguns gigantes da tecnologia centralizados. Com forte capital e controle sobre recursos computacionais dispendiosos, essas empresas estabeleceram barreiras quase intransponíveis, tornando difícil para a grande maioria dos desenvolvedores e equipes de inovação competir com elas.
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 "fazer o bem" ou "fazer o mal" se tornará cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios proativamente.
A tecnologia blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, várias aplicações "Web3 AI" já surgiram em algumas blockchains populares. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam vários problemas: por um lado, o grau de descentralização é limitado, com etapas chave e infraestrutura ainda dependendo de serviços de nuvem centralizados, o que dificulta o suporte a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda é limitada em termos de capacidade de modelo, uso de dados e cenários de aplicação, com a profundidade e a amplitude da inovação a serem melhoradas.
Para realmente realizar a visão de IA descentralizada, permitindo que a blockchain suporte aplicações de IA em grande escala de forma segura, eficiente e democrática, e rivalize em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso fornecerá uma base sólida para a inovação aberta em IA, democracia na governança e segurança dos dados, promovendo o próspero desenvolvimento do ecossistema de IA descentralizada.
As principais características da Camada 1 de IA
AI Layer 1, como uma blockchain projetada especificamente para aplicações de IA, tem sua arquitetura subjacente e design de desempenho intimamente alinhados com as necessidades das tarefas de IA, visando suportar de forma eficiente o desenvolvimento e a prosperidade sustentáveis do ecossistema de IA na cadeia. Em termos específicos, o AI Layer 1 deve possuir as seguintes capacidades essenciais:
Mecanismo de incentivo eficiente e de consenso descentralizado O núcleo do AI Layer 1 reside na construção de uma rede compartilhada de recursos abertos, como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais, que se concentram principalmente na contabilidade do livro-razão, os nós do AI Layer 1 precisam assumir tarefas mais complexas, que não só incluem fornecer poder computacional e realizar 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 gigantes centralizados na infraestrutura de IA. Isso impõe requisitos mais elevados para o consenso subjacente e o mecanismo de incentivos: o AI Layer 1 deve ser capaz de avaliar, incentivar e verificar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a distribuição eficiente de recursos. Só assim será possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total do poder computacional.
Excelente desempenho 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 extremamente altos. Além disso, o ecossistema de IA na cadeia muitas vezes precisa apoiar uma variedade de tipos de tarefas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversos. O AI Layer 1 deve ser profundamente otimizado na arquitetura subjacente para atender às demandas de alta taxa de transferência, baixa latência e paralelismo flexível, e prever a capacidade de suporte nativo a recursos computacionais heterogêneos, garantindo que todas as tarefas de IA possam ser executadas de forma eficiente, permitindo uma expansão suave de "tarefas únicas" para um "ecossistema complexo e diversificado."
Verificabilidade e garantia de saída confiável AI Layer 1 não só precisa prevenir comportamentos maliciosos do modelo, como a manipulação de dados e outras ameaças à segurança, mas também deve garantir a verificabilidade e alinhamento dos resultados gerados pela IA a partir de sua mecânica subjacente. Através da integração de ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK), computação segura multi-partes (MPC) e outras tecnologias de ponta, a plataforma permite que cada inferência de modelo, treinamento e processo de manipulação de dados sejam independentemente verificáveis, assegurando a justiça e transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também ajuda os usuários a esclarecerem a lógica e a base das saídas da IA, realizando "o que se obtém é o que se deseja", aumentando a confiança e satisfação dos usuários com os produtos de IA.
Proteção da privacidade dos dados As aplicações de IA muitas vezes envolvem dados sensíveis dos usuários. Nos setores financeiro, de saúde e social, a proteção da privacidade dos dados é especialmente crítica. A IA Layer 1 deve garantir a verificabilidade enquanto utiliza tecnologias de processamento de dados criptografados, protocolos de computação privada e gestão de permissões de dados, assegurando a segurança dos dados em todo o processo de inferência, treinamento e armazenamento, prevenindo eficazmente a violação e o uso indevido dos dados, eliminando assim as preocupações dos usuários em relação à segurança dos dados.
Capacidade poderosa de suporte ao desenvolvimento e à carga ecológica Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só precisa ter uma liderança técnica, mas também deve fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promovemos a implementação de uma variedade rica de aplicações nativas de IA, realizando a prosperidade contínua de um ecossistema de IA descentralizado.
Com base no contexto e nas expectativas acima, este artigo apresentará detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços da pista, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.
Sentient: Construindo modelos de IA descentralizados e de código aberto que geram lealdade
Visão geral do projeto
Sentient é uma plataforma de protocolo de código aberto que está a construir uma blockchain de AI Layer1 ( na fase inicial como Layer 2, e depois migrará para Layer 1). Ao combinar a Pipeline de AI e a tecnologia blockchain, está a construir uma economia de inteligência artificial descentralizada. O seu objetivo principal 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 AI realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e partilha de valor. A visão da Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de AI, promovendo assim um ecossistema de rede de agentes de AI justo e aberto.
A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicada a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros principais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e proteção de privacidade da IA, enquanto Sandeep Nailwal, co-fundador da Polygon, lidera a estratégia de blockchain e o layout ecológico. Os membros da equipe têm experiências em empresas renomadas como Meta, Coinbase, Polygon, assim como em universidades de prestígio 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 o projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient nasceu com uma aura especial, contando com recursos abundantes, conexões e reconhecimento de mercado, o que proporcionou um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, a 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 várias dezenas de VCs renomados.
arquitetura de design e camada de aplicação
Camada de infraestrutura
Arquitetura Central
A arquitetura central da Sentient é composta por um Pipeline de IA (AI Pipeline) e um sistema de blockchain.
O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA Leal", contendo dois processos centrais:
O sistema de blockchain proporciona 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:
O modelo OML
A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) é a ideia central proposta pela Sentient, destinada a 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, apresenta as seguintes características:
Criptografia nativa de IA (AI-native Cryptography)
A criptografia nativa de IA utiliza a continuidade dos modelos de IA, a estrutura do manifold de baixa dimensão e as características diferenciáveis dos modelos para desenvolver um mecanismo de segurança leve "verificável, mas não removível". Sua tecnologia central é:
Este método permite a realização de "chamadas de autorização baseadas em comportamento + verificação de propriedade" sem custos adicionais de recriptografia.
Modelo de direitos e estrutura de execução segura
Sentient atualmente utiliza segurança mista Melange: uma combinação de autenticação por impressão digital, execução TEE e contratos na cadeia para divisão de lucros. Entre os métodos de impressão digital, o OML 1.0 implementa a linha principal, enfatizando a ideia de "Segurança Otimista", ou seja, presume conformidade e, em caso de violação, pode ser detectada e punida.
O mecanismo de impressão digital é uma implementação chave do OML, que permite ao modelo gerar assinaturas únicas na fase de treinamento, incorporando pares específicos de "pergunta-resposta". Através dessas assinaturas, o proprietário do modelo pode verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não só protege os direitos dos desenvolvedores do modelo, mas também fornece um registro rastreável na cadeia sobre o comportamento de uso do modelo.
Além disso, a Sentient lançou o framework de computação Enclave TEE, que utiliza ambientes de execução confiáveis para garantir que os modelos respondam apenas a solicitações autorizadas, evitando acesso e uso não autorizados. Embora o TEE dependa de hardware e tenha algumas vulnerabilidades de segurança, suas vantagens em termos de alto desempenho e tempo real fazem dele uma tecnologia central para a implementação atual de modelos.
No futuro, o Sentient planeia introduzir provas de conhecimento zero (ZK) e criptografia homomórfica total (FHE) para aumentar ainda mais a proteção da privacidade e a verificabilidade, oferecendo soluções mais maduras para a implementação descentralizada de modelos de IA.
deve