Informe de investigación de AI Layer1: Buscando la tierra fértil para DeAI en la cadena
Con el rápido desarrollo de la tecnología de inteligencia artificial, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta continúan impulsando el avance de los modelos de lenguaje de gran tamaño (LLM). Los LLM han mostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso demostrando, en ciertos escenarios, el potencial de sustituir el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Gracias a su sólido capital y al control de costosos recursos de cómputo, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la gran 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 a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a cuestiones clave como la protección de la privacidad, la transparencia y la seguridad es relativamente insuficiente. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y la aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA es "benévola" o "malévola" se destacará aún más, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar estos desafíos proactivamente.
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 las principales blockchains como Solana y Base. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, ya que los eslabones clave y la infraestructura todavía dependen de servicios en la nube centralizados; además, tienen una fuerte característica de meme, lo que dificulta el sostenimiento de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA en cadena presenta limitaciones en cuanto a la capacidad del modelo, la utilización de datos y los escenarios de aplicación, y la profundidad e amplitud de la innovación aún necesitan ser mejoradas.
Para lograr verdaderamente la visión de una IA descentralizada, y permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y 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 de la IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, tiene su arquitectura subyacente y diseño de rendimiento estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de apoyar de manera eficiente el desarrollo sostenible y la prosperidad del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades centrales:
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 centran principalmente en el registro de libros contables, los nodos de AI Layer 1 necesitan asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo 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 para el consenso subyacente y los mecanismos de incentivo: 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 la seguridad de la red y la asignación eficiente de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente los costos generales 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, han planteado altos requisitos para el rendimiento de cálculo y la capacidad de procesamiento paralelo. Más allá de eso, el ecosistema de IA en cadena a menudo necesita soportar tipos de tareas diversos y heterogéneos, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios plurales. La capa de IA debe optimizar profundamente la arquitectura subyacente para satisfacer las necesidades de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativo para recursos de cálculo heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión suave desde "tareas unidimensionales" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable
AI Layer 1 no solo debe prevenir la mala conducta de los modelos, la manipulación de datos y otros riesgos de seguridad, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde el mecanismo subyacente. A través de la integración de entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK), cálculos seguros multiparte (MPC) y otras tecnologías de vanguardia, la plataforma puede permitir que cada inferencia, entrenamiento y proceso de manejo de datos del modelo sean verificables de manera independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a comprender la lógica y los fundamentos de la salida de la IA, logrando "lo que se obtiene es lo que se desea" y 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 involucran datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crucial en campos como las finanzas, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad mientras emplea técnicas de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, asegurando 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 sobre la seguridad de los datos.
Poderosa capacidad de soporte y desarrollo del ecosistema
Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe proporcionar herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos para los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de IA. Al optimizar continuamente la usabilidad de la plataforma y la experiencia del desarrollador, se promueve la implementación de diversas aplicaciones nativas de IA y se logra la prosperidad continua del ecosistema de IA descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, que incluyen Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en la pista, analizando el estado de 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 creando una blockchain de AI Layer1 ( en su etapa inicial como Layer 2, y luego se migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo principal 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 AI realicen 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 AI, promoviendo así un ecosistema de red de agentes de AI justo y abierto.
El equipo de Sentient Foundation reúne a los principales expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, con el objetivo de construir una plataforma AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor de la Universidad de Princeton, Pramod Viswanath, y al profesor del Instituto Indio de Ciencia, Himanshu Tyagi, quienes son responsables de la seguridad y privacidad de la IA, mientras que el cofundador de Polygon, Sandeep Nailwal, lidera la estrategia y el ecosistema de blockchain. Los antecedentes de los miembros del equipo abarcan empresas 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 y visión por computadora, colaborando para impulsar la implementación del proyecto.
Como el proyecto de segundo emprendimiento 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 seed de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con la participación de otras decenas de conocidas firmas de capital de riesgo, incluyendo Delphi, Hashkey y Spartan.
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.
El canal de IA es la base para el desarrollo y entrenamiento de los artefactos de "IA leal", que 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 las intenciones 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 controlado por el contrato de autorización;
Capa de acceso: Verificar si el usuario está autorizado mediante prueba de permisos;
Capa de incentivos: el contrato de enrutamiento de ingresos asignará el pago en cada llamada a los entrenadores, implementadores 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 una clara protección de la propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, presenta las siguientes características:
Apertura: El modelo debe ser de código abierto, con código y estructura de datos transparentes, lo que facilita la replicación, auditoría y mejora por parte de la comunidad.
Monetización: Cada llamada al modelo desencadenará 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 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 de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no eliminable". Su tecnología central es:
Huella digital incrustada: durante el entrenamiento se inserta un conjunto de pares clave-valor de consulta-respuesta ocultos 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 autorizada: antes de la llamada, se debe obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema otorgará la autorización al modelo para decodificar la entrada y devolver la respuesta precisa.
Este método permite realizar "llamadas autorizadas basadas en comportamiento + validación de pertenencia" sin el costo de re-encriptación.
Marco de ejecución segura y derechos de modelo
Sentient actualmente utiliza Melange mezcla de seguridad: combinación de identificación por huellas dactilares, ejecución TEE y reparto de beneficios de contratos on-chain. El método de huellas dactilares se implementa en OML 1.0 como línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, detectando y castigando en caso de infracción.
El mecanismo de huellas dactilares es la implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la pertenencia, 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 rastreable en la cadena 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, previniendo el acceso y uso no autorizados. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, su alto rendimiento y ventajas en 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.
capa de aplicación
Actualmente, los productos de Sentient incluyen principalmente una plataforma de chat descentralizada.
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.
La competencia en AI Layer1 se intensifica, seis proyectos compiten por el futuro DeAI en la cadena.
Informe de investigación de AI Layer1: Buscando la tierra fértil para DeAI en la cadena
Con el rápido desarrollo de la tecnología de inteligencia artificial, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta continúan impulsando el avance de los modelos de lenguaje de gran tamaño (LLM). Los LLM han mostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso demostrando, en ciertos escenarios, el potencial de sustituir el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Gracias a su sólido capital y al control de costosos recursos de cómputo, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la gran 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 a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a cuestiones clave como la protección de la privacidad, la transparencia y la seguridad es relativamente insuficiente. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y la aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA es "benévola" o "malévola" se destacará aún más, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar estos desafíos proactivamente.
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 las principales blockchains como Solana y Base. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, ya que los eslabones clave y la infraestructura todavía dependen de servicios en la nube centralizados; además, tienen una fuerte característica de meme, lo que dificulta el sostenimiento de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA en cadena presenta limitaciones en cuanto a la capacidad del modelo, la utilización de datos y los escenarios de aplicación, y la profundidad e amplitud de la innovación aún necesitan ser mejoradas.
Para lograr verdaderamente la visión de una IA descentralizada, y permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y 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 de la IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, tiene su arquitectura subyacente y diseño de rendimiento estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de apoyar de manera eficiente el desarrollo sostenible y la prosperidad del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades centrales:
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 centran principalmente en el registro de libros contables, los nodos de AI Layer 1 necesitan asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo 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 para el consenso subyacente y los mecanismos de incentivo: 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 la seguridad de la red y la asignación eficiente de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente los costos generales 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, han planteado altos requisitos para el rendimiento de cálculo y la capacidad de procesamiento paralelo. Más allá de eso, el ecosistema de IA en cadena a menudo necesita soportar tipos de tareas diversos y heterogéneos, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios plurales. La capa de IA debe optimizar profundamente la arquitectura subyacente para satisfacer las necesidades de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativo para recursos de cálculo heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión suave desde "tareas unidimensionales" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir la mala conducta de los modelos, la manipulación de datos y otros riesgos de seguridad, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde el mecanismo subyacente. A través de la integración de entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK), cálculos seguros multiparte (MPC) y otras tecnologías de vanguardia, la plataforma puede permitir que cada inferencia, entrenamiento y proceso de manejo de datos del modelo sean verificables de manera independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a comprender la lógica y los fundamentos de la salida de la IA, logrando "lo que se obtiene es lo que se desea" y 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 involucran datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crucial en campos como las finanzas, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad mientras emplea técnicas de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, asegurando 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 sobre la seguridad de los datos.
Poderosa capacidad de soporte y desarrollo del ecosistema Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe proporcionar herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos para los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de IA. Al optimizar continuamente la usabilidad de la plataforma y la experiencia del desarrollador, se promueve la implementación de diversas aplicaciones nativas de IA y se logra la prosperidad continua del ecosistema de IA descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, que incluyen Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en la pista, analizando el estado de 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 creando una blockchain de AI Layer1 ( en su etapa inicial como Layer 2, y luego se migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo principal 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 AI realicen 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 AI, promoviendo así un ecosistema de red de agentes de AI justo y abierto.
El equipo de Sentient Foundation reúne a los principales expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, con el objetivo de construir una plataforma AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor de la Universidad de Princeton, Pramod Viswanath, y al profesor del Instituto Indio de Ciencia, Himanshu Tyagi, quienes son responsables de la seguridad y privacidad de la IA, mientras que el cofundador de Polygon, Sandeep Nailwal, lidera la estrategia y el ecosistema de blockchain. Los antecedentes de los miembros del equipo abarcan empresas 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 y visión por computadora, colaborando para impulsar la implementación del proyecto.
Como el proyecto de segundo emprendimiento 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 seed de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con la participación de otras decenas de conocidas firmas de capital de riesgo, incluyendo Delphi, Hashkey y Spartan.
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.
El canal de IA es la base para el desarrollo y entrenamiento de los artefactos de "IA leal", que 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 del modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, diseñado para proporcionar una clara protección de la propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, presenta 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 comportamiento + validación de pertenencia" sin el costo de re-encriptación.
Marco de ejecución segura y derechos de modelo
Sentient actualmente utiliza Melange mezcla de seguridad: combinación de identificación por huellas dactilares, ejecución TEE y reparto de beneficios de contratos on-chain. El método de huellas dactilares se implementa en OML 1.0 como línea principal, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, detectando y castigando en caso de infracción.
El mecanismo de huellas dactilares es la implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la pertenencia, 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 rastreable en la cadena 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, previniendo el acceso y uso no autorizados. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, su alto rendimiento y ventajas en 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.
capa de aplicación
Actualmente, los productos de Sentient incluyen principalmente una plataforma de chat descentralizada.