Informe de investigación profunda sobre AI Layer1: Buscando la tierra fértil de DeAI on-chain
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje grande (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando potencial para sustituir el trabajo humano en ciertos escenarios. 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 sobre los costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta que la gran mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que brinda la tecnología, mientras que la atención a cuestiones centrales 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 su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA se orienta hacia el "bien" o hacia el "mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación necesaria para enfrentar estos desafíos de manera proactiva.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en varias blockchains principales. Sin embargo, un análisis 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 sostenimiento de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain aún presenta limitaciones en cuanto a capacidad de modelos, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de una IA descentralizada, que la blockchain pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir 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 democracia en la gobernanza y la seguridad de los datos, promoviendo 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 el diseño de rendimiento estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de apoyar de manera eficiente el desarrollo y la prosperidad sostenibles del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismos de incentivos eficientes y consenso descentralizado
El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia computacional y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en la contabilidad de libros, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionar potencia computacional y completar el entrenamiento y la inferencia de modelos de IA, sino también contribuir 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 requisitos para el consenso y el mecanismo de incentivos subyacentes: 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 una distribución eficiente de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia computacional.
Excelente rendimiento y capacidad de soporte para tareas heterogéneas
Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean exigencias muy altas en términos de rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar tipos de tareas diversos y heterogéneos, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios variados. La capa de IA Layer 1 debe optimizarse profundamente en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y preestablecer capacidades de soporte nativo para recursos de computación heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas únicas" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable
La capa 1 de IA no solo debe prevenir peligros de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe asegurar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de IA. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sea verificado de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a entender la lógica y la base de la salida de IA, logrando "lo que se obtiene es lo deseado", aumentando la confianza y satisfacción del usuario en los productos de IA.
Protección de la privacidad de los datos
Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios; en sectores como las finanzas, la salud y las redes sociales, la protección de la privacidad de los datos es especialmente crucial. AI Layer 1 debe, al mismo tiempo que garantiza la verificabilidad, adoptar tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de derechos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, evitando eficazmente las filtraciones y el uso indebido de datos, eliminando así las preocupaciones de los usuarios sobre la seguridad de los datos.
Capacidad poderosa 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 de operaciones y mecanismos de incentivos para desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema. 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, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en la pista, analizando el estado actual del 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 construyendo una cadena de bloques AI Layer1 ( en la fase inicial como Layer 2, que luego se trasladará a Layer 1). A través de la combinación de AI Pipeline y tecnología de blockchain, se busca construir una economía de inteligencia artificial descentralizada. Su objetivo principal es resolver los problemas de pertenencia de modelos, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado mediante el 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 AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de una plataforma de intercambio, lidera la estrategia blockchain y el diseño ecológico. Los miembros del equipo tienen antecedentes en varias empresas de renombre, así como en universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, abarcando campos como AI/ML, NLP y visión por computadora, trabajando juntos para impulsar la implementación del proyecto.
Como el segundo proyecto emprendedor de Sandeep Nailwal, cofundador de una conocida plataforma de intercambio, Sentient llegó con un aura desde su creación, con abundantes recursos, contactos y reconocimiento en el mercado, proporcionando un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiación semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con la participación de otras instituciones de inversión como Delphi, Hashkey y Spartan, entre varias conocidas VC.
Diseño de arquitectura y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un Pipeline de IA y un sistema de blockchain.
El canal de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", e incluye dos procesos centrales:
Curación de datos (Data Curation): Proceso de selección de datos impulsado por la comunidad, utilizado para la alineación de modelos.
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 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 controlado 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 a los entrenadores, desplegadores y validadores en cada llamada.
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, presenta las siguientes características:
Apertura: El modelo debe ser de código abierto, con un código y estructura de datos transparentes, facilitando la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada vez que se llama al modelo, se activa un flujo de ingresos, el contrato on-chain distribuirá los ingresos a los entrenadores, desplegadores y validadores.
Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de actualización y la gobernanza son decididas por la DAO, y su uso y modificación están controlados por mecanismos criptográficos.
Criptografía nativa de IA (AI-native Cryptography)
La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las propiedades diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no eliminable". Su tecnología central es:
Incrustación de huellas dactilares: insertar un conjunto de pares clave-valor de consulta-respuesta ocultos durante el entrenamiento para formar la 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 pregunta de consulta;
Mecanismo de llamada con permiso: antes de la llamada, se debe obtener el "credential 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 puede lograr "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costos de re-encriptación.
Marco de derechos de modelo y ejecución segura
Sentient actualmente utiliza la seguridad híbrida Melange: combinación de autenticación por huella dactilar, ejecución de TEE y reparto de beneficios de contratos on-chain. El método de huella dactilar se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista (Optimistic Security)", es decir, se asume la conformidad por defecto, y las infracciones pueden ser detectadas y sancionadas.
El mecanismo de huellas dactilares es una implementación clave de OML, que, a través de la incrustación de pares de "pregunta-respuesta" específicos, permite al modelo generar una firma única durante la fase de entrenamiento. A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, evitando copias 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 de las actividades de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución de confianza (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, sus ventajas de alto rendimiento y tiempo real lo convierten en la tecnología central para el despliegue de modelos en la actualidad.
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.
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
5
Compartir
Comentar
0/400
GmGmNoGn
· hace2h
¿DeAI realmente tiene futuro?
Ver originalesResponder0
WhaleSurfer
· hace18h
¡Todo lo centralizado es falso!
Ver originalesResponder0
AirDropMissed
· 07-22 15:18
¿DeAI es otra trampa para tontos?
Ver originalesResponder0
NftDataDetective
· 07-22 15:14
ngmi w/ gran tecnología monopolio... descentralización o muerte fr fr
Análisis profundo de la Capa 1 de AI: explorando la tierra fértil on-chain de la inteligencia artificial descentralizada
Informe de investigación profunda sobre AI Layer1: Buscando la tierra fértil de DeAI on-chain
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje grande (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando potencial para sustituir el trabajo humano en ciertos escenarios. 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 sobre los costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta que la gran mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que brinda la tecnología, mientras que la atención a cuestiones centrales 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 su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA se orienta hacia el "bien" o hacia el "mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la motivación necesaria para enfrentar estos desafíos de manera proactiva.
La tecnología blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en varias blockchains principales. Sin embargo, un análisis 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 sostenimiento de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain aún presenta limitaciones en cuanto a capacidad de modelos, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.
Para lograr verdaderamente la visión de una IA descentralizada, que la blockchain pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y competir 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 democracia en la gobernanza y la seguridad de los datos, promoviendo 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 el diseño de rendimiento estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de apoyar de manera eficiente el desarrollo y la prosperidad sostenibles del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismos de incentivos eficientes y consenso descentralizado El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia computacional y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en la contabilidad de libros, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionar potencia computacional y completar el entrenamiento y la inferencia de modelos de IA, sino también contribuir 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 requisitos para el consenso y el mecanismo de incentivos subyacentes: 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 una distribución eficiente de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia computacional.
Excelente rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean exigencias muy altas en términos de rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar tipos de tareas diversos y heterogéneos, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios variados. La capa de IA Layer 1 debe optimizarse profundamente en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y preestablecer capacidades de soporte nativo para recursos de computación heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas únicas" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La capa 1 de IA no solo debe prevenir peligros de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe asegurar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de IA. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sea verificado de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a entender la lógica y la base de la salida de IA, logrando "lo que se obtiene es lo deseado", aumentando la confianza y satisfacción del usuario en los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios; en sectores como las finanzas, la salud y las redes sociales, la protección de la privacidad de los datos es especialmente crucial. AI Layer 1 debe, al mismo tiempo que garantiza la verificabilidad, adoptar tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de derechos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, evitando eficazmente las filtraciones y el uso indebido de datos, eliminando así las preocupaciones de los usuarios sobre la seguridad de los datos.
Capacidad poderosa 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 de operaciones y mecanismos de incentivos para desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema. 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, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en la pista, analizando el estado actual del 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 construyendo una cadena de bloques AI Layer1 ( en la fase inicial como Layer 2, que luego se trasladará a Layer 1). A través de la combinación de AI Pipeline y tecnología de blockchain, se busca construir una economía de inteligencia artificial descentralizada. Su objetivo principal es resolver los problemas de pertenencia de modelos, seguimiento de llamadas y distribución de valor en el mercado LLM centralizado mediante el 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 AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de una plataforma de intercambio, lidera la estrategia blockchain y el diseño ecológico. Los miembros del equipo tienen antecedentes en varias empresas de renombre, así como en universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, abarcando campos como AI/ML, NLP y visión por computadora, trabajando juntos para impulsar la implementación del proyecto.
Como el segundo proyecto emprendedor de Sandeep Nailwal, cofundador de una conocida plataforma de intercambio, Sentient llegó con un aura desde su creación, con abundantes recursos, contactos y reconocimiento en el mercado, proporcionando un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiación semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con la participación de otras instituciones de inversión como Delphi, Hashkey y Spartan, entre varias conocidas VC.
Diseño de arquitectura y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un Pipeline de IA y un sistema de blockchain.
El canal de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", e incluye dos procesos centrales:
El sistema de blockchain proporciona transparencia y control descentralizado para el protocolo, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y 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, 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 propiedades diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no eliminable". Su tecnología central es:
Este método puede lograr "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costos de re-encriptación.
Marco de derechos de modelo y ejecución segura
Sentient actualmente utiliza la seguridad híbrida Melange: combinación de autenticación por huella dactilar, ejecución de TEE y reparto de beneficios de contratos on-chain. El método de huella dactilar se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista (Optimistic Security)", es decir, se asume la conformidad por defecto, y las infracciones pueden ser detectadas y sancionadas.
El mecanismo de huellas dactilares es una implementación clave de OML, que, a través de la incrustación de pares de "pregunta-respuesta" específicos, permite al modelo generar una firma única durante la fase de entrenamiento. A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, evitando copias 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 de las actividades de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución de confianza (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, sus ventajas de alto rendimiento y tiempo real lo convierten en la tecnología central para el despliegue de modelos en la actualidad.
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.
Debe