Relatório de Pesquisa AI Layer1: Encontrando o solo fértil para DeAI na cadeia

Visão Geral

Nos últimos anos, grandes empresas de tecnologia como OpenAI, Anthropic, Google e Meta têm impulsionado o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstraram capacidades sem precedentes em vários setores, expandindo enormemente o espaço da imaginação humana e até mostrando potencial para substituir o trabalho humano em alguns cenários. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de poucos gigantes da tecnologia centralizados. Com um capital robusto e controle sobre recursos computacionais caros, essas empresas estabeleceram barreiras quase intransponíveis, tornando difícil para a grande maioria dos desenvolvedores e equipes de inovação competirem 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 afetarão profundamente o desenvolvimento saudável da indústria de IA e a aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" se tornará cada vez mais proeminente, e os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios ativamente.

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, já surgiram várias aplicações "Web3 AI" em várias blockchains principais. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam diversos problemas: por um lado, o grau de descentralização é limitado, com etapas e infraestrutura chave ainda dependendo de serviços de nuvem centralizados, dificultando 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 apresenta limitações em termos de capacidade de modelo, utilização de dados e cenários de aplicação, e a profundidade e a amplitude da inovação precisam ser aprimoradas.

Para realmente realizar a visão de IA descentralizada, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e competindo 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 apoiar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, AI Layer 1 deve possuir as seguintes capacidades centrais:

1. Mecanismos de incentivo eficientes e de consenso descentralizado O núcleo da AI Layer 1 reside na construção de uma rede compartilhada de recursos como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais, que se concentram principalmente na contabilidade do livro-razão, os nós da AI Layer 1 precisam assumir tarefas mais complexas, que não apenas fornecem poder computacional e completam o treinamento e a inferência de modelos de IA, mas também contribuem com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio dos gigantes centralizados na infraestrutura de IA. Isso impõe exigências mais elevadas ao consenso subjacente e aos mecanismos de incentivo: a AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a alocação eficiente de recursos. Só assim se pode garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo geral do poder computacional.

2. Desempenho elevado e capacidade de suporte a tarefas heterogéneas As tarefas de IA, especialmente o treino e a inferência de LLM, exigem um desempenho computacional e uma capacidade de processamento paralelo extremamente elevados. Além disso, o ecossistema de IA na cadeia frequentemente precisa suportar tipos de tarefas diversificadas e heterogéneas, incluindo diferentes estruturas de modelo, processamento de dados, inferência, armazenamento e outros cenários multifacetados. A AI Layer 1 deve ser profundamente otimizada na arquitetura subjacente para atender às necessidades de alta taxa de transferência, baixa latência e paralelismo elástico, e deve prever uma capacidade de suporte nativo a recursos de computação heterogénea, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, permitindo uma expansão suave de "tarefas únicas" para "ecossistemas complexos e diversificados".

3. Verificabilidade e Garantia de Saída Confiável A camada AI Layer 1 não só deve prevenir comportamentos maliciosos do modelo, adulteração de dados e outras ameaças à segurança, mas também deve assegurar, desde a base, a verificabilidade e a alinhamento dos resultados gerados pela IA. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multipartidária (MPC), a plataforma permite que cada inferência do modelo, treinamento e processo de manipulação de dados possam ser verificados de forma independente, garantindo a justiça e transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também pode ajudar os usuários a entenderem a lógica e a base das saídas da IA, realizando "o que se obtém é o que se deseja", aumentando a confiança e a satisfação dos usuários em relação aos produtos de IA.

4. Proteção da privacidade dos dados As aplicações de IA frequentemente envolvem dados sensíveis dos usuários, sendo a proteção da privacidade dos dados particularmente crítica nas áreas financeira, médica e social. A IA Layer 1 deve garantir a verificabilidade ao mesmo tempo que utiliza técnicas de processamento de dados baseadas em criptografia, protocolos de computação em privacidade e gestão de permissões de dados, assegurando a segurança dos dados em todo o processo de inferência, treinamento e armazenamento, prevenindo efetivamente vazamentos e abusos de dados, e eliminando as preocupações dos usuários em relação à segurança dos dados.

5. Capacidade poderosa de suporte e desenvolvimento do ecossistema Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só deve ter uma liderança técnica, mas também fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operativo e mecanismos de incentivo para desenvolvedores, operadores de nós, prestadores de serviços de IA e outros participantes do ecossistema. Através da otimização contínua da usabilidade da plataforma e da experiência do desenvolvedor, promove-se a implementação de aplicações nativas de IA ricas e diversificadas, alcançando a prosperidade contínua do ecossistema de IA descentralizada.

Com base no contexto e expectativas acima, este artigo irá apresentar detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços na pista, analisando o estado atual do desenvolvimento dos projetos e discutindo tendências futuras.

Sentient: construir modelos de IA descentralizados e de código aberto fiéis

Visão geral do projeto

Sentient é uma plataforma de protocolo de código aberto que está a construir uma blockchain AI Layer1 ( em fase inicial como Layer 2, que depois será migrada para Layer 1). Através da combinação de AI Pipeline e tecnologia blockchain, está a construir um ecossistema de inteligência artificial descentralizado. O seu objetivo central é resolver, através da estrutura "OML" (Aberta, Lucrativa, Leal), problemas de propriedade de modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado, permitindo que os modelos de IA realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e distribuição de valor. A visão da Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de IA, promovendo assim um ecossistema de rede de Agentes de IA justo e aberto.

A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores e engenheiros de blockchain do mundo, dedicando-se a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros centrais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e proteção da privacidade da IA, enquanto Sandeep Nailwal, cofundador da Polygon, lidera a estratégia de blockchain e o planejamento ecológico. Os membros da equipe têm experiência em empresas conhecidas como Meta, Coinbase, Polygon, assim como nas principais universidades como a Universidade de Princeton e o Instituto Indiano de Tecnologia, abrangendo áreas como IA/ML, NLP e visão computacional, colaborando para a implementação do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient nasceu com um certo prestígio, possuindo recursos abundantes, contatos e reconhecimento de mercado, proporcionando um forte respaldo para o desenvolvimento do projeto. No meio de 2024, a Sentient completou uma rodada de financiamento semente de 85 milhões de dólares, liderada pela Founders Fund, Pantera e Framework Ventures, com a participação de várias outras instituições de investimento, incluindo Delphi, Hashkey e Spartan.

design de arquitetura e camada de aplicação

Camada de infraestrutura

Arquitetura Central

A arquitetura central da Sentient é composta por duas partes: o Pipeline de IA (AI Pipeline) e o sistema de blockchain.

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos "AI Leal", contendo dois processos centrais:

• Planejamento 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 alinhado 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: armazena os pesos do modelo e as 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 vai distribuir o pagamento a cada chamada entre treinadores, implementadores e validadores.

OML modelo de estrutura

A estrutura OML (Aberta 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, possui as seguintes características:

• Abertura: o modelo deve ser de código aberto, com código e estrutura de dados transparentes, facilitando a reprodução, auditoria e melhoria pela comunidade.
• Monetização: Cada chamada ao modelo desencadeia um fluxo de receita, o contrato na cadeia distribui os ganhos entre o treinador, o implantador e o validador.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção de atualização e a governança são decididas pelo DAO, e o uso e a modificação são controlados por mecanismos de criptografia.

Criptografia nativa de IA (AI-native Cryptography)

A criptografia nativa de IA utiliza a continuidade dos modelos de IA, a estrutura de variedade de baixa dimensão e as características diferenciáveis do modelo para desenvolver um mecanismo de segurança leve que é "verificável mas não removível". Sua tecnologia central é:

• Impressão digital incorporada: durante o treinamento, insere-se um conjunto de pares de chave-valor de query-resposta ocultos para formar a assinatura única do modelo;
• Protocolo de verificação de propriedade: verificar se a impressão digital foi mantida através de um detector de terceiros (Prover) na forma de uma pergunta query;
• Mecanismo de chamada autorizado: antes da chamada, é necessário obter o "certificado de autorização" emitido pelo proprietário do modelo, e o sistema, com base nisso, autoriza o modelo a decodificar a entrada e retornar a resposta correta.

Esta abordagem permite implementar "chamadas autorizadas baseadas no comportamento + validação de pertencimento" sem o custo de recriptografia.

Estrutura de confirmação de direitos e execução segura do modelo

A abordagem atual da Sentient é a segurança mista Melange: combinação de verificação de identidade por impressão digital, execução TEE e distribuição de lucros através de contratos na cadeia. O método de impressão digital é implementado pela OML 1.0 como a linha principal, enfatizando a ideia de "Segurança Otimista", ou seja, presumir conformidade e detetar e punir em caso de violação.

O mecanismo de impressão digital é a implementação chave do OML, que permite ao modelo gerar assinaturas únicas durante a fase de treinamento, através da incorporação de pares específicos de "pergunta-resposta". Com essas assinaturas, o proprietário do modelo pode verificar a propriedade, prevenindo cópias não autorizadas e comercialização. Este mecanismo não só protege os direitos dos desenvolvedores do modelo, mas também fornece um registro na cadeia rastreável do comportamento de uso do modelo.

Além disso, a Sentient lançou a estrutura de computação Enclave TEE, utilizando ambientes de execução confiáveis (como AWS Nitro Enclaves) para garantir que os modelos respondam apenas a solicitações autorizadas, prevenindo acesso e uso não autorizados. Embora o TEE dependa de hardware e apresente certos riscos de segurança, suas vantagens de alto desempenho e tempo real fazem dele uma tecnologia central para a implantação de modelos atuais.

No futuro, o Sentient planeia introduzir provas de conhecimento zero (ZK) e tecnológia de criptografia homomórfica totalmente (FHE), reforçando ainda mais a proteção da privacidade e a verificabilidade, proporcionando soluções mais maduras para a implementação descentralizada de modelos de IA.

camada de aplicação

Atualmente, os produtos da Sentient incluem principalmente a plataforma de chat descentralizada Sentient Chat, a série de modelos de código aberto Dobby e a estrutura de Agente de IA.

Modelo da série Dobby

A SentientAGI lançou vários modelos da série "Dobby", baseados principalmente no modelo Llama, com foco na liberdade,