Rapport de recherche sur AI Layer1 : à la recherche d'un terreau pour DeAI off-chain
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement propulsé le développement rapide des modèles linguistiques de grande taille (LLM). Les LLM démontrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même un potentiel de remplacement du travail humain dans certaines situations. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à un capital solide et à un contrôle des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficilement surmontables, rendant la concurrence pour la grande majorité des développeurs et des équipes d'innovation très difficile.
Au début de l'évolution rapide de l'IA, l'opinion publique est souvent focalisée sur les percées et la commodité que la technologie apporte, tandis que l'attention portée à des problèmes clés tels que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur le fait que l'IA soit "bienveillante" ou "malveillante" deviendra de plus en plus prégnant, tandis que les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation suffisante pour faire face à ces défis.
La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur des blockchains mainstream. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et les infrastructures dépendent encore des services cloud centralisés, et les attributs meme sont trop présents, rendant difficile le soutien d'un véritable écosystème ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA on-chain reste limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.
Pour réaliser véritablement la vision de l'IA décentralisée, permettant à la blockchain de supporter des applications d'IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant en performance avec les solutions centralisées, nous devons concevoir une blockchain Layer1 spécialement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la gouvernance démocratique et la sécurité des données, favorisant le développement prospère de l'écosystème de l'IA décentralisée.
Les caractéristiques clés de la couche 1 d'IA
AI Layer 1, en tant que blockchain spécifiquement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance étroitement liés aux besoins des tâches d'IA, visant à soutenir efficacement le développement et la prospérité durables de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités centrales suivantes :
Mécanisme de consensus décentralisé et d'incitation efficace
Le cœur de AI Layer 1 réside dans la construction d'un réseau de partage ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, réaliser l'entraînement et l'inférence des modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela impose des exigences plus élevées en matière de consensus sous-jacent et de mécanismes d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement de l'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on pourra garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Excellente performance et capacité de support des tâches hétérogènes
Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, imposent des exigences très élevées en matière de performances de calcul et de capacité de traitement parallèle. De plus, l'écosystème d'IA off-chain doit souvent prendre en charge une variété de types de tâches hétérogènes, y compris différentes structures de modèles, le traitement des données, l'inférence, le stockage et d'autres scénarios divers. La couche d'IA de niveau 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de débit élevé, de faible latence et de parallélisme élastique, tout en prévoyant une prise en charge native des ressources de calcul hétérogènes, afin de garantir que toutes les tâches d'IA puissent s'exécuter efficacement, permettant une extension fluide allant de "tâches unidimensionnelles" à un "écosystème complexe et diversifié".
Vérifiabilité et garantie de sortie fiable
AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les abus de modèle et la falsification de données, mais aussi garantir, au niveau des mécanismes sous-jacents, la vérifiabilité et l'alignement des résultats générés par l'IA. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à divulgation nulle de connaissance (ZK) et le calcul sécurisé multipartite (MPC), la plateforme permet de vérifier de manière indépendante chaque inférence de modèle, chaque entraînement et chaque processus de traitement de données, assurant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité aide les utilisateurs à clarifier la logique et les fondements des sorties de l'IA, réalisant ainsi le principe "ce que l'on obtient est ce que l'on souhaite", renforçant la confiance et la satisfaction des utilisateurs envers les produits d'IA.
Protection de la vie privée des données
Les applications d'IA impliquent souvent des données sensibles des utilisateurs. Dans des domaines tels que la finance, la santé et les réseaux sociaux, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 doit garantir la vérifiabilité tout en utilisant des technologies de traitement des données basées sur le cryptage, des protocoles de calcul de la confidentialité et des méthodes de gestion des droits des données, afin d'assurer la sécurité des données tout au long du processus, y compris l'inférence, l'entraînement et le stockage, tout en prévenant efficacement les fuites de données et les abus, et en éliminant les préoccupations des utilisateurs concernant la sécurité des données.
Puissante capacité de support et de développement de l'écosystème.
En tant qu'infrastructure de couche 1 native de l'IA, la plateforme doit non seulement posséder un avantage technologique, mais également fournir aux développeurs, aux opérateurs de nœuds, aux fournisseurs de services d'IA et à d'autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant en permanence la disponibilité de la plateforme et l'expérience des développeurs, nous favorisons le déploiement d'applications AI natives riches et variées, réalisant ainsi la prospérité continue d'un écosystème d'IA décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs de l'IA Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en examinant les derniers développements du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.
Sentient : construire des modèles d'IA décentralisés et open source de manière loyale
Aperçu du projet
Sentient est une plateforme de protocole open source qui développe une blockchain AI Layer1. La phase initiale est Layer 2, puis elle sera migrée vers Layer 1(. En combinant la pipeline AI et la technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes de propriété des modèles, de suivi des appels et de distribution de la valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles AI de réaliser une structure de propriété on-chain, une transparence des appels et une distribution de la valeur. La vision de Sentient est de permettre à quiconque de construire, de collaborer, de posséder et de monétiser des produits AI, favorisant ainsi un écosystème de réseau AI Agent juste et ouvert.
L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, s'engageant à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de science, respectivement responsables de la sécurité et de la protection de la vie privée en IA, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des parcours allant de Meta, Coinbase, Polygon et d'autres entreprises de renom, ainsi que des universités de premier plan comme l'université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.
En tant que projet de deuxième création de Sandeep Nailwal, co-fondateur de Polygon, Sentient a été dès le départ entouré d'une aura, bénéficiant de ressources riches, de réseaux et d'une reconnaissance sur le marché, fournissant un fort soutien au développement du projet. À la mi-2024, Sentient a complété un tour de financement de semences de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs comprenant Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un terreau DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(
) architecture de conception et couche d'application
Infrastructure
Architecture centrale
L'architecture de base de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système blockchain.
Les pipelines d'IA sont la base du développement et de l'entraînement des artefacts "IA loyale", comprenant deux processus clés :
Planification des données (Data Curation) : processus de sélection de données piloté par la communauté, utilisé pour l'alignement des modèles.
Formation de fidélité (Loyalty Training) : garantir que le modèle maintienne un processus d'entraînement aligné avec les intentions de la communauté.
Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété, le suivi d'utilisation, la distribution des revenus et la gouvernance équitable des artefacts d'IA. L'architecture spécifique est divisée en quatre couches :
Couche de stockage : stocker les poids du modèle et les informations d'enregistrement des empreintes digitales ;
Couche de distribution : point d'entrée de l'appel du modèle contrôlé par le contrat d'autorisation ;
Couche d'accès : vérifie si l'utilisateur est autorisé via une preuve d'autorisation ;
Couche d'incitation : Le contrat de routage des revenus répartit chaque paiement lors de l'appel entre les formateurs, les déployeurs et les validateurs.
![Biteye et PANews publient conjointement un rapport de recherche sur l'IA Layer1 : à la recherche d'un sol fertile pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(
)## Cadre de modèle OML
Le cadre OML (Open, Monetizable, Loyal) est le concept central proposé par Sentient, visant à fournir une protection de propriété claire et un mécanisme d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :
Ouverture : le modèle doit être open source, le code et la structure des données doivent être transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat off-chain répartit les revenus entre les formateurs, les déployeurs et les validateurs.
Loyauté : Le modèle appartient à la communauté des contributeurs, la direction des mises à jour et la gouvernance sont décidées par le DAO, l'utilisation et la modification sont contrôlées par un mécanisme cryptographique.
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native AI utilise la continuité des modèles d'IA, la structure des variétés de faible dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie de base est :
Intégration d'empreinte digitale : insérer un ensemble de paires clé-valeur query-response cachées lors de l'entraînement pour former une signature unique du modèle ;
Protocole de vérification de propriété : vérifiez si l'empreinte digitale est conservée via un détecteur tiers (Prover) sous forme de question par requête ;
Mécanisme d'appel autorisé : Avant d'appeler, il faut obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, le système autorise ensuite le modèle à décoder cette entrée et à renvoyer la réponse exacte.
Cette méthode permet de réaliser "appel autorisé basé sur le comportement + validation d'appartenance" sans coût de récryptage.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : À la recherche de terres fertiles pour DeAI]###https://img-cdn.gateio.im/webp-social/moments-cf5f43c63b7ab154e2201c8d3531be8c.webp(
)## Modèle de droit de propriété et cadre d'exécution sécurisée
Sentient utilise actuellement la sécurité mixte Melange : combinaison de la vérification par empreinte digitale, de l'exécution TEE et de la répartition des bénéfices des contrats on-chain. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, soulignant la pensée de "Sécurité Optimiste", c'est-à-dire la conformité par défaut, avec la possibilité de détecter et de punir les violations.
Le mécanisme de l'empreinte digitale est une réalisation clé de l'OML, il permet, grâce à l'intégration de paires de "questions-réponses" spécifiques, au modèle de générer une signature unique lors de la phase d'entraînement. Grâce à ces signatures, le propriétaire du modèle peut vérifier l'appartenance, empêchant ainsi la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également des enregistrements traçables off-chain des comportements d'utilisation des modèles.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, qui utilise un environnement d'exécution de confiance (comme AWS Nitro Enclaves) pour s'assurer que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi tout accès et utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de haute performance et de temps réel en font une solution actuelle.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
13 J'aime
Récompense
13
3
Partager
Commentaire
0/400
consensus_whisperer
· 07-20 14:13
Les géants monopolisent l'IA, qui va s'en occuper ?
Voir l'originalRépondre0
MaticHoleFiller
· 07-20 14:10
La monopolisation est le péché originel, tous les pros le savent.
Voir l'originalRépondre0
VirtualRichDream
· 07-20 14:05
deai est arrivé, c'est pour gagner de l'argent, non ?
Quelle est la meilleure Layer1 AI ? Exploration de 6 grands projets dans le sol fertile de DeAI.
Rapport de recherche sur AI Layer1 : à la recherche d'un terreau pour DeAI off-chain
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement propulsé le développement rapide des modèles linguistiques de grande taille (LLM). Les LLM démontrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même un potentiel de remplacement du travail humain dans certaines situations. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à un capital solide et à un contrôle des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficilement surmontables, rendant la concurrence pour la grande majorité des développeurs et des équipes d'innovation très difficile.
Au début de l'évolution rapide de l'IA, l'opinion publique est souvent focalisée sur les percées et la commodité que la technologie apporte, tandis que l'attention portée à des problèmes clés tels que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur le fait que l'IA soit "bienveillante" ou "malveillante" deviendra de plus en plus prégnant, tandis que les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation suffisante pour faire face à ces défis.
La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur des blockchains mainstream. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et les infrastructures dépendent encore des services cloud centralisés, et les attributs meme sont trop présents, rendant difficile le soutien d'un véritable écosystème ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA on-chain reste limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.
Pour réaliser véritablement la vision de l'IA décentralisée, permettant à la blockchain de supporter des applications d'IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant en performance avec les solutions centralisées, nous devons concevoir une blockchain Layer1 spécialement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la gouvernance démocratique et la sécurité des données, favorisant le développement prospère de l'écosystème de l'IA décentralisée.
Les caractéristiques clés de la couche 1 d'IA
AI Layer 1, en tant que blockchain spécifiquement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance étroitement liés aux besoins des tâches d'IA, visant à soutenir efficacement le développement et la prospérité durables de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités centrales suivantes :
Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de AI Layer 1 réside dans la construction d'un réseau de partage ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, réaliser l'entraînement et l'inférence des modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela impose des exigences plus élevées en matière de consensus sous-jacent et de mécanismes d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement de l'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on pourra garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Excellente performance et capacité de support des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, imposent des exigences très élevées en matière de performances de calcul et de capacité de traitement parallèle. De plus, l'écosystème d'IA off-chain doit souvent prendre en charge une variété de types de tâches hétérogènes, y compris différentes structures de modèles, le traitement des données, l'inférence, le stockage et d'autres scénarios divers. La couche d'IA de niveau 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de débit élevé, de faible latence et de parallélisme élastique, tout en prévoyant une prise en charge native des ressources de calcul hétérogènes, afin de garantir que toutes les tâches d'IA puissent s'exécuter efficacement, permettant une extension fluide allant de "tâches unidimensionnelles" à un "écosystème complexe et diversifié".
Vérifiabilité et garantie de sortie fiable AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les abus de modèle et la falsification de données, mais aussi garantir, au niveau des mécanismes sous-jacents, la vérifiabilité et l'alignement des résultats générés par l'IA. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à divulgation nulle de connaissance (ZK) et le calcul sécurisé multipartite (MPC), la plateforme permet de vérifier de manière indépendante chaque inférence de modèle, chaque entraînement et chaque processus de traitement de données, assurant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité aide les utilisateurs à clarifier la logique et les fondements des sorties de l'IA, réalisant ainsi le principe "ce que l'on obtient est ce que l'on souhaite", renforçant la confiance et la satisfaction des utilisateurs envers les produits d'IA.
Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs. Dans des domaines tels que la finance, la santé et les réseaux sociaux, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 doit garantir la vérifiabilité tout en utilisant des technologies de traitement des données basées sur le cryptage, des protocoles de calcul de la confidentialité et des méthodes de gestion des droits des données, afin d'assurer la sécurité des données tout au long du processus, y compris l'inférence, l'entraînement et le stockage, tout en prévenant efficacement les fuites de données et les abus, et en éliminant les préoccupations des utilisateurs concernant la sécurité des données.
Puissante capacité de support et de développement de l'écosystème. En tant qu'infrastructure de couche 1 native de l'IA, la plateforme doit non seulement posséder un avantage technologique, mais également fournir aux développeurs, aux opérateurs de nœuds, aux fournisseurs de services d'IA et à d'autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant en permanence la disponibilité de la plateforme et l'expérience des développeurs, nous favorisons le déploiement d'applications AI natives riches et variées, réalisant ainsi la prospérité continue d'un écosystème d'IA décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs de l'IA Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en examinant les derniers développements du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.
Sentient : construire des modèles d'IA décentralisés et open source de manière loyale
Aperçu du projet
Sentient est une plateforme de protocole open source qui développe une blockchain AI Layer1. La phase initiale est Layer 2, puis elle sera migrée vers Layer 1(. En combinant la pipeline AI et la technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes de propriété des modèles, de suivi des appels et de distribution de la valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles AI de réaliser une structure de propriété on-chain, une transparence des appels et une distribution de la valeur. La vision de Sentient est de permettre à quiconque de construire, de collaborer, de posséder et de monétiser des produits AI, favorisant ainsi un écosystème de réseau AI Agent juste et ouvert.
L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, s'engageant à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de science, respectivement responsables de la sécurité et de la protection de la vie privée en IA, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des parcours allant de Meta, Coinbase, Polygon et d'autres entreprises de renom, ainsi que des universités de premier plan comme l'université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.
En tant que projet de deuxième création de Sandeep Nailwal, co-fondateur de Polygon, Sentient a été dès le départ entouré d'une aura, bénéficiant de ressources riches, de réseaux et d'une reconnaissance sur le marché, fournissant un fort soutien au développement du projet. À la mi-2024, Sentient a complété un tour de financement de semences de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs comprenant Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un terreau DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(
) architecture de conception et couche d'application
Infrastructure
Architecture centrale
L'architecture de base de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système blockchain.
Les pipelines d'IA sont la base du développement et de l'entraînement des artefacts "IA loyale", comprenant deux processus clés :
Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété, le suivi d'utilisation, la distribution des revenus et la gouvernance équitable des artefacts d'IA. L'architecture spécifique est divisée en quatre couches :
![Biteye et PANews publient conjointement un rapport de recherche sur l'IA Layer1 : à la recherche d'un sol fertile pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(
)## Cadre de modèle OML
Le cadre OML (Open, Monetizable, Loyal) est le concept central proposé par Sentient, visant à fournir une protection de propriété claire et un mécanisme d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native AI utilise la continuité des modèles d'IA, la structure des variétés de faible dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie de base est :
Cette méthode permet de réaliser "appel autorisé basé sur le comportement + validation d'appartenance" sans coût de récryptage.
![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : À la recherche de terres fertiles pour DeAI]###https://img-cdn.gateio.im/webp-social/moments-cf5f43c63b7ab154e2201c8d3531be8c.webp(
)## Modèle de droit de propriété et cadre d'exécution sécurisée
Sentient utilise actuellement la sécurité mixte Melange : combinaison de la vérification par empreinte digitale, de l'exécution TEE et de la répartition des bénéfices des contrats on-chain. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, soulignant la pensée de "Sécurité Optimiste", c'est-à-dire la conformité par défaut, avec la possibilité de détecter et de punir les violations.
Le mécanisme de l'empreinte digitale est une réalisation clé de l'OML, il permet, grâce à l'intégration de paires de "questions-réponses" spécifiques, au modèle de générer une signature unique lors de la phase d'entraînement. Grâce à ces signatures, le propriétaire du modèle peut vérifier l'appartenance, empêchant ainsi la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également des enregistrements traçables off-chain des comportements d'utilisation des modèles.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, qui utilise un environnement d'exécution de confiance (comme AWS Nitro Enclaves) pour s'assurer que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi tout accès et utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de haute performance et de temps réel en font une solution actuelle.