Informe de investigación de AI Layer1: Buscando la tierra fértil para DeAI en cadena
Resumen
Fondo
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje grande (LLM). Los LLM han demostrado una capacidad sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana y, en algunos casos, mostrando el potencial de reemplazar el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Con un fuerte capital y el control sobre los costosos recursos de computación, estas empresas han construido barreras difíciles de superar, lo que dificulta que la gran mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que brinda la tecnología, mientras que la atención a cuestiones clave como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "ser buena" o "ser mala" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para enfrentar estos desafíos de manera proactiva.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en varias blockchains líderes. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de descentralización es limitado, y los eslabones clave y la infraestructura aún dependen de servicios en la nube centralizados, lo que dificulta el apoyo a un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain presenta limitaciones en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de la IA descentralizada, y permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y que compita en rendimiento con soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta en IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Las características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, tiene su arquitectura subyacente y su diseño de rendimiento estrechamente alineados con 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 fundamentales:
Un mecanismo de incentivos eficiente y consenso descentralizado. El núcleo de AI Layer 1 radica en construir una red compartida de recursos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo con recursos diversificados como almacenamiento, datos y ancho de banda, rompiendo así el monopolio de las grandes corporaciones en la infraestructura de IA. Esto plantea mayores exigencias sobre el consenso subyacente y el mecanismo de incentivos: AI Layer 1 debe poder evaluar, incentivar y validar 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 así se puede garantizar la estabilidad y prosperidad de la red y reducir efectivamente el costo total de la potencia de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean altas exigencias en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA en la cadena a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. La Capa 1 de IA debe optimizarse a fondo en la arquitectura de base para satisfacer las necesidades de alto rendimiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativa para recursos de computación heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas unidimensionales" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir el mal uso del modelo y la manipulación de datos, sino que también debe asegurar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de la IA. A través de la integración de entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK), y computación segura multipartita (MPC) y otras tecnologías de vanguardia, la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sea verificado de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a entender la lógica y la base de la salida de la IA, logrando que "lo obtenido sea lo deseado", aumentando la confianza y satisfacción del usuario en los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crucial en los campos financiero, médico y social. AI Layer 1 debe adoptar técnicas de procesamiento de datos basadas en cifrado, protocolos de computación privada y gestión de permisos de datos, garantizando la verificabilidad mientras asegura la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo efectivamente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios en cuanto a la seguridad de los datos.
Potente capacidad de soporte y desarrollo del ecosistema Como infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una superioridad 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 usabilidad de la plataforma y la experiencia del desarrollador, se promueve la implementación de aplicaciones nativas de IA diversas y ricas, logrando la prosperidad continua del ecosistema de IA descentralizada.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en la pista, analizando el estado actual de desarrollo de los proyectos y explorando las tendencias futuras.
Sentient: construir un modelo de IA descentralizado de código abierto y leal
Descripción del proyecto
Sentient es una plataforma de protocolo de código abierto que está creando una blockchain AI Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad del modelo, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado a través del marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad en cadena, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquier persona 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 principales expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose a construir una plataforma AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad de la IA y la protección de la privacidad, respectivamente, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño ecológico. 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 IA/ML, NLP, visión por computadora, entre otros, colaborando para impulsar la implementación del proyecto.
Como el segundo proyecto emprendedor de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, contando con abundantes recursos, contactos 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 otras instituciones de inversión como Delphi, Hashkey y Spartan, entre decenas de conocidas VC.
Diseño de arquitectura y capa de aplicación
capa de infraestructura
arquitectura central
La arquitectura central de Sentient está compuesta por 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 alineado con la intención de la comunidad.
El sistema de blockchain proporciona transparencia y control descentralizado para el protocolo, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y la gobernanza justa. La arquitectura específica se divide en cuatro capas:
Capa de almacenamiento: 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 distribuirá el pago en cada llamada a los entrenadores, desplegadores y validadores.
Marco de modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, diseñado para proporcionar una clara protección de propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, tiene las siguientes características:
Apertura: El modelo debe ser de código abierto, con código y estructura de datos transparentes, facilitando la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada vez que se llama al modelo, se activa un flujo de ingresos, el contrato on-chain distribuirá los ingresos a los entrenadores, desplegadores y validadores.
Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de la actualización y la gobernanza son decididas por el DAO, y su uso y modificación están controlados por mecanismos criptográficos.
Criptografía nativa de IA (AI-native Cryptography)
La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las características diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no eliminable". Su tecnología central es:
Huella dactilar incrustada: insertar un conjunto de pares clave-valor de consulta-respuesta ocultos durante el entrenamiento para formar una firma única del modelo;
Protocolo de verificación de propiedad: verificar si la huella dactilar se conserva a través de un detector de terceros (Prover) en forma de consulta.
Mecanismo de llamada autorizado: antes de la llamada, se debe obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema autoriza al modelo a decodificar la entrada y devolver la respuesta correcta en función de esto.
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de re-encriptación.
Marco de ejecución segura y verificación de modelos
Sentient actualmente utiliza Melange mezcla de seguridad: combinando la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares implementa OML 1.0 como la línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, que se asume la conformidad y se puede detectar y castigar en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar firmas únicas durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la propiedad y prevenir copias y comercializaciones no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro trazable de comportamiento de uso en la cadena.
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, previniendo el acceso y uso no autorizado. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, sus ventajas de alto rendimiento y tiempo real lo convierten en la tecnología central para el despliegue de modelos actuales.
En el futuro, Sentient planea introducir tecnologías de pruebas de conocimiento cero (ZK) y cifrado homomórfico completo (FHE) para mejorar aún más la protección de la privacidad y la verificabilidad, proporcionando soluciones más maduras para el despliegue descentralizado de modelos de IA.
 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.
14 me gusta
Recompensa
14
3
Compartir
Comentar
0/400
YieldChaser
· hace5h
¡Eso es lo que se llama la capa 1 de AI de debut!
Ver originalesResponder0
PoolJumper
· hace5h
Ahora todos los vc están entrando en el juego de la ia, To the moon
Panorama de la carrera Layer1 de IA: la lucha por la infraestructura de IA Descentralización
Informe de investigación de AI Layer1: Buscando la tierra fértil para DeAI en cadena
Resumen
Fondo
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje grande (LLM). Los LLM han demostrado una capacidad sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana y, en algunos casos, mostrando el potencial de reemplazar el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Con un fuerte capital y el control sobre los costosos recursos de computación, estas empresas han construido barreras difíciles de superar, lo que dificulta que la gran mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que brinda la tecnología, mientras que la atención a cuestiones clave como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "ser buena" o "ser mala" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para enfrentar estos desafíos de manera proactiva.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en varias blockchains líderes. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de descentralización es limitado, y los eslabones clave y la infraestructura aún dependen de servicios en la nube centralizados, lo que dificulta el apoyo a un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain presenta limitaciones en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de la IA descentralizada, y permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y que compita en rendimiento con soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta en IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Las características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, tiene su arquitectura subyacente y su diseño de rendimiento estrechamente alineados con 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 fundamentales:
Un mecanismo de incentivos eficiente y consenso descentralizado. El núcleo de AI Layer 1 radica en construir una red compartida de recursos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo con recursos diversificados como almacenamiento, datos y ancho de banda, rompiendo así el monopolio de las grandes corporaciones en la infraestructura de IA. Esto plantea mayores exigencias sobre el consenso subyacente y el mecanismo de incentivos: AI Layer 1 debe poder evaluar, incentivar y validar 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 así se puede garantizar la estabilidad y prosperidad de la red y reducir efectivamente el costo total de la potencia de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean altas exigencias en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA en la cadena a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. La Capa 1 de IA debe optimizarse a fondo en la arquitectura de base para satisfacer las necesidades de alto rendimiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativa para recursos de computación heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas unidimensionales" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir el mal uso del modelo y la manipulación de datos, sino que también debe asegurar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de la IA. A través de la integración de entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK), y computación segura multipartita (MPC) y otras tecnologías de vanguardia, la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sea verificado de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a entender la lógica y la base de la salida de la IA, logrando que "lo obtenido sea lo deseado", aumentando la confianza y satisfacción del usuario en los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crucial en los campos financiero, médico y social. AI Layer 1 debe adoptar técnicas de procesamiento de datos basadas en cifrado, protocolos de computación privada y gestión de permisos de datos, garantizando la verificabilidad mientras asegura la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo efectivamente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios en cuanto a la seguridad de los datos.
Potente capacidad de soporte y desarrollo del ecosistema Como infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una superioridad 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 usabilidad de la plataforma y la experiencia del desarrollador, se promueve la implementación de aplicaciones nativas de IA diversas y ricas, logrando la prosperidad continua del ecosistema de IA descentralizada.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en la pista, analizando el estado actual de desarrollo de los proyectos y explorando las tendencias futuras.
Sentient: construir un modelo de IA descentralizado de código abierto y leal
Descripción del proyecto
Sentient es una plataforma de protocolo de código abierto que está creando una blockchain AI Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad del modelo, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado a través del marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad en cadena, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquier persona 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 principales expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose a construir una plataforma AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad de la IA y la protección de la privacidad, respectivamente, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño ecológico. 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 IA/ML, NLP, visión por computadora, entre otros, colaborando para impulsar la implementación del proyecto.
Como el segundo proyecto emprendedor de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, contando con abundantes recursos, contactos 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 otras instituciones de inversión como Delphi, Hashkey y Spartan, entre decenas de conocidas VC.
Diseño de arquitectura y capa de aplicación
capa de infraestructura
arquitectura central
La arquitectura central de Sentient está compuesta por 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 el protocolo, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y la gobernanza justa. La arquitectura específica se divide en cuatro capas:
Marco de modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, diseñado para proporcionar una clara protección de propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, tiene 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 de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no eliminable". Su tecnología central es:
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de re-encriptación.
Marco de ejecución segura y verificación de modelos
Sentient actualmente utiliza Melange mezcla de seguridad: combinando la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares implementa OML 1.0 como la línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, que se asume la conformidad y se puede detectar y castigar en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar firmas únicas durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la propiedad y prevenir copias y comercializaciones no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro trazable de comportamiento de uso en la cadena.
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, previniendo el acceso y uso no autorizado. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, sus ventajas de alto rendimiento y tiempo real lo convierten en la tecnología central para el despliegue de modelos actuales.
En el futuro, Sentient planea introducir tecnologías de pruebas de conocimiento cero (ZK) y cifrado homomórfico completo (FHE) para mejorar aún más la protección de la privacidad y la verificabilidad, proporcionando soluciones más maduras para el despliegue descentralizado de modelos de IA.
![Biteye y PANews publican conjuntamente un informe de investigación sobre AI Layer1: buscando la tierra fértil para DeAI en la cadena](