Informe de investigación sobre AI Layer1: Buscando la tierra fértil para DeAI en la cadena
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han estado impulsando el rápido desarrollo de los modelos de lenguaje de gran tamaño (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando el potencial de reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente en manos de unos pocos gigantes tecnológicos centralizados. Con un fuerte capital y el control sobre costosos recursos de computación, estas empresas han establecido barreras casi insuperables, dificultando 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 tiende a centrarse en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas centrales como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas impactarán 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 es "para el bien" o "para el mal" se volverá más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar proactivamente estos desafíos.
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, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas cadenas de bloques principales. 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 soporte 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 términos de capacidad de modelos, utilización de datos y escenarios de aplicación, siendo necesario mejorar la profundidad y amplitud de la innovación.
Para realizar verdaderamente la visión de una IA descentralizada, permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir en rendimiento con las 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 una arquitectura subyacente y un diseño de rendimiento que se centran en las necesidades de las tareas de IA, con el objetivo de apoyar de manera eficiente el desarrollo y la prosperidad sostenible del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades centrales:
Mecanismos de incentivo eficientes 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 la contabilidad del libro mayor, 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 almacenamiento, datos, ancho de banda y otros recursos diversificados, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias para el consenso subyacente y el mecanismo de incentivos: AI Layer 1 debe ser capaz de 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 una distribución eficiente de los recursos. Solo de esta manera 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, imponen altas exigencias en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita apoyar una variedad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe realizar una optimización profunda en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativo para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas únicas" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable
AI Layer 1 no solo debe prevenir riesgos de seguridad como el mal uso de modelos y la alteración de datos, sino que también debe garantizar desde el mecanismo subyacente la verificabilidad y alineación de los resultados generados por la IA. A través de la integración de tecnologías de vanguardia como el entorno de ejecución confiable (TEE), pruebas de cero conocimiento (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada proceso de inferencia, entrenamiento y procesamiento de datos del modelo sea validado de forma independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a comprender la lógica y fundamentos de la salida de la IA, logrando que "lo obtenido sea lo deseado", aumentando así 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 implican datos sensibles de los usuarios, siendo especialmente crucial la protección de la privacidad de los datos en áreas como las finanzas, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que adopta tecnologías de procesamiento de datos basadas en criptografía, protocolos de cálculo de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos durante todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Potente capacidad de soporte y desarrollo de ecosistemas
Como infraestructura 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 incentivo 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 aplicaciones ricas y diversas nativas de IA, logrando así 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, incluidos Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el sector, 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
Resumen 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 se trasladará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se 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 mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose a construir una plataforma de 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, responsables de la seguridad y privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño ecológico. Los antecedentes de los miembros del equipo abarcan empresas de renombre como Meta, Coinbase, Polygon, así como universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP, y visión por computadora, trabajando juntos para llevar el proyecto a la realidad.
Como un proyecto de segunda empresa del cofundador de Polygon, Sandeep Nailwal, Sentient llegó con un halo desde su creación, contando con abundantes recursos, redes de 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 inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones de inversión incluyendo a Delphi, Hashkey y Spartan, entre decenas de capitales de riesgo conocidos.
arquitectura de diseño y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient está compuesta por dos partes: el pipeline de IA (AI Pipeline) y el sistema de blockchain.
El pipeline de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos centrales:
Curaduría 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.
Los sistemas de blockchain proporcionan transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de AI, el seguimiento de su uso, la distribución de ingresos y una 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 el 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 asignará el pago en cada llamada a los entrenadores, implementadores y validadores.
Marco de modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, destinado a proporcionar una clara protección de propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, posee las siguientes características:
Apertura: El modelo debe ser de código abierto, con código y estructuras de datos transparentes, facilitando la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada vez que se llama al modelo, se generan flujos de ingresos, y el contrato on-chain distribuirá los ingresos a los entrenadores, implementadores y validadores.
Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de actualización y la gobernanza son decididas por la DAO, y el uso y la 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 la característica de diferenciabilidad de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Huella digital 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: validar si la huella dactilar se conserva a través de un detector de terceros (Prover) en forma de consulta.
Mecanismo de llamada autorizado: antes de llamar, se debe obtener un "certificado de autorización" emitido por el propietario del modelo, y el sistema autorizará al modelo a decodificar la entrada y devolver la respuesta correcta.
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costos de re-encriptación.
Marco de ejecución seguro y derechos de modelo
Sentient actualmente utiliza la seguridad híbrida Melange: combinación de verificación de huellas dactilares, ejecución TEE y distribución de beneficios a través de contratos on-chain. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, con posibilidad de detección y sanción 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 mediante la incorporación de pares de "pregunta-respuesta" específicos. A través de estas firmas, los propietarios del modelo pueden 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 on-chain rastreable del comportamiento de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza un entorno de ejecución confiable para garantizar que el modelo solo responda a solicitudes autorizadas, evitando 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 actual de modelos.
En el futuro, Sentient planea introducir tecnologías de prueba 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.
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.
7 me gusta
Recompensa
7
4
Compartir
Comentar
0/400
0xSunnyDay
· hace11h
No hay mucho más, los inversores minoristas son difíciles de tratar.
Ver originalesResponder0
GasFeeLover
· hace11h
Otra vez con el furor de DeAI.
Ver originalesResponder0
WalletAnxietyPatient
· hace11h
¿Es la especulación arriesgarse?
Ver originalesResponder0
NFT_Therapy
· hace11h
¡Cuando será el final de que una sola empresa domine el mercado!
Informe de investigación sobre AI Layer1: Análisis de los 6 principales proyectos de DeAI en la cadena.
Informe de investigación sobre AI Layer1: Buscando la tierra fértil para DeAI en la cadena
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han estado impulsando el rápido desarrollo de los modelos de lenguaje de gran tamaño (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando el potencial de reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente en manos de unos pocos gigantes tecnológicos centralizados. Con un fuerte capital y el control sobre costosos recursos de computación, estas empresas han establecido barreras casi insuperables, dificultando 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 tiende a centrarse en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas centrales como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas impactarán 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 es "para el bien" o "para el mal" se volverá más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación suficiente para abordar proactivamente estos desafíos.
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, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas cadenas de bloques principales. 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 soporte 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 términos de capacidad de modelos, utilización de datos y escenarios de aplicación, siendo necesario mejorar la profundidad y amplitud de la innovación.
Para realizar verdaderamente la visión de una IA descentralizada, permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir en rendimiento con las 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 una arquitectura subyacente y un diseño de rendimiento que se centran en las necesidades de las tareas de IA, con el objetivo de apoyar de manera eficiente el desarrollo y la prosperidad sostenible del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades centrales:
Mecanismos de incentivo eficientes 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 la contabilidad del libro mayor, 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 almacenamiento, datos, ancho de banda y otros recursos diversificados, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias para el consenso subyacente y el mecanismo de incentivos: AI Layer 1 debe ser capaz de 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 una distribución eficiente de los recursos. Solo de esta manera 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, imponen altas exigencias en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita apoyar una variedad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe realizar una optimización profunda en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativo para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas únicas" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir riesgos de seguridad como el mal uso de modelos y la alteración de datos, sino que también debe garantizar desde el mecanismo subyacente la verificabilidad y alineación de los resultados generados por la IA. A través de la integración de tecnologías de vanguardia como el entorno de ejecución confiable (TEE), pruebas de cero conocimiento (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada proceso de inferencia, entrenamiento y procesamiento de datos del modelo sea validado de forma independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a comprender la lógica y fundamentos de la salida de la IA, logrando que "lo obtenido sea lo deseado", aumentando así 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 implican datos sensibles de los usuarios, siendo especialmente crucial la protección de la privacidad de los datos en áreas como las finanzas, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que adopta tecnologías de procesamiento de datos basadas en criptografía, protocolos de cálculo de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos durante todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Potente capacidad de soporte y desarrollo de ecosistemas Como infraestructura 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 incentivo 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 aplicaciones ricas y diversas nativas de IA, logrando así 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, incluidos Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el sector, 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
Resumen 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 se trasladará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se 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 mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose a construir una plataforma de 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, responsables de la seguridad y privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño ecológico. Los antecedentes de los miembros del equipo abarcan empresas de renombre como Meta, Coinbase, Polygon, así como universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP, y visión por computadora, trabajando juntos para llevar el proyecto a la realidad.
Como un proyecto de segunda empresa del cofundador de Polygon, Sandeep Nailwal, Sentient llegó con un halo desde su creación, contando con abundantes recursos, redes de 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 inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones de inversión incluyendo a Delphi, Hashkey y Spartan, entre decenas de capitales de riesgo conocidos.
arquitectura de diseño y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient está compuesta por dos partes: el pipeline de IA (AI Pipeline) y el sistema de blockchain.
El pipeline de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos centrales:
Los sistemas de blockchain proporcionan transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de AI, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:
Marco de modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, destinado a proporcionar una clara protección de propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, posee 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 la característica de diferenciabilidad de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costos de re-encriptación.
Marco de ejecución seguro y derechos de modelo
Sentient actualmente utiliza la seguridad híbrida Melange: combinación de verificación de huellas dactilares, ejecución TEE y distribución de beneficios a través de contratos on-chain. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, con posibilidad de detección y sanción 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 mediante la incorporación de pares de "pregunta-respuesta" específicos. A través de estas firmas, los propietarios del modelo pueden 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 on-chain rastreable del comportamiento de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza un entorno de ejecución confiable para garantizar que el modelo solo responda a solicitudes autorizadas, evitando 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 actual de modelos.
En el futuro, Sentient planea introducir tecnologías de prueba 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.
debe