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

Visão Geral

Nos últimos anos, empresas de tecnologia de ponta 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 diversos setores, expandindo imensamente o espaço da imaginação humana e, em alguns cenários, mostrando o potencial para substituir o trabalho humano. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de poucos gigantes da tecnologia centralizados. Com um capital robusto e controle sobre recursos de computação 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, essas questões terão um impacto profundo no desenvolvimento saudável da indústria de IA e na aceitação social. Se não forem resolvidas adequadamente, a controvérsia sobre se a IA deve "fazer o bem" ou "fazer o mal" se tornará cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecerão de motivação suficiente para enfrentar proativamente esses desafios.

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 de "Web3 AI" em algumas blockchains populares. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam muitos problemas: por um lado, o grau de descentralização é limitado, com etapas e infraestruturas 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 capacidade de modelo, utilização de dados e cenários de aplicação, sendo necessária uma melhoria na profundidade e amplitude da inovação.

Para realmente realizar a visão de IA descentralizada, é necessário que a blockchain possa suportar aplicações de IA em larga escala de forma segura, eficiente e democrática, e competir 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 da IA, a democracia na governança e a segurança dos dados, promovendo o desenvolvimento próspero 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, o AI Layer 1 deve possuir as seguintes capacidades centrais:

1. Mecanismo de incentivo eficiente e consenso descentralizado O núcleo do AI Layer 1 reside na construção de uma rede compartilhada de recursos abertos, como poder computacional e armazenamento. Ao contrário dos nós tradicionais de blockchain, que se concentram principalmente na contabilidade do livro-razão, os nós do AI Layer 1 precisam assumir tarefas mais complexas, não apenas fornecendo poder computacional e completando o treinamento e a inferência de modelos de IA, mas também contribuindo com armazenamento, dados, largura de banda e outros recursos diversificados, rompendo assim o monopólio de gigantes centralizados na infraestrutura de IA. Isso eleva as exigências para o consenso subjacente e os mecanismos de incentivo: o AI Layer 1 deve ser capaz de avaliar, incentivar e verificar 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 total do poder computacional.

2. Excelente desempenho e capacidade de suporte a tarefas heterogêneas As tarefas de IA, especialmente o treinamento e a inferência de LLM, exigem um desempenho computacional e uma capacidade de processamento paralelo extremamente altos. Além disso, o ecossistema de IA na cadeia frequentemente precisa suportar tipos de tarefas diversificadas e heterogêneas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversos. A IA Layer 1 deve ser profundamente otimizada na arquitetura subjacente para atender às demandas de alta largura de banda, baixa latência e paralelismo flexível, e deve ter uma capacidade de suporte nativa para recursos computacionais heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, permitindo uma expansão suave de "tarefas únicas" para um "ecossistema complexo e diversificado".

3. Verificabilidade e garantia de saída confiável O AI Layer 1 não só deve prevenir riscos de segurança como o mau uso de modelos e a manipulação de dados, mas também deve garantir, a partir da sua mecânica de base, a verificabilidade e a alinhamento dos resultados de saída da IA. Através da integração de ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK), e computação segura multipartidária (MPC), a plataforma consegue permitir que cada inferência de modelo, treinamento e processo de manipulação de dados sejam independentemente verificáveis, garantindo a justiça e transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade pode ajudar os usuários a entenderem a lógica e a base das saídas da IA, alcançando o "resultado desejado", 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 utilizadores, sendo a proteção da privacidade dos dados especialmente crítica em áreas como finanças, saúde e redes sociais. A IA Layer 1 deve garantir a verificabilidade, ao mesmo tempo que adota tecnologias de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, assegurando a segurança dos dados em todo o processo de inferência, treinamento e armazenamento, prevenindo eficazmente vazamentos e abusos de dados, e eliminando as preocupações dos utilizadores em relação à segurança dos dados.

5. Poderosa capacidade de suporte ao desenvolvimento e de suporte ecológico Como uma infraestrutura de camada 1 nativa de IA, a plataforma não só deve ter uma liderança técnica, mas também fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promovemos a implementação de aplicações nativas de IA diversificadas e a prosperidade contínua de um ecossistema de IA descentralizado.

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

Sentient: Construir modelos de IA descentralizados e de código aberto com lealdade

Visão Geral do Projeto

Sentient é uma plataforma de protocolo de código aberto, que está a criar uma blockchain AI Layer1 ( na fase inicial como Layer 2, e em seguida migrará para Layer 1). Ao combinar AI Pipeline e tecnologia blockchain, está a construir um ecossistema de inteligência artificial descentralizado. O seu objetivo central é resolver questões relacionadas à propriedade dos modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado, através da estrutura "OML" (aberta, lucrativa, leal), permitindo que os modelos de IA realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e divisão de valor. A visão do Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de IA, promovendo assim uma rede de ecossistema de Agentes de IA justa e aberta.

A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores e engenheiros em blockchain do mundo, dedicando-se à construção de uma plataforma AGI comunitária, de código aberto e verificável. Os membros principais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e proteção de privacidade da IA, enquanto o co-fundador da Polygon, Sandeep Nailwal, lidera a estratégia blockchain e a disposição ecológica. Os membros da equipe têm experiências em empresas renomadas como Meta, Coinbase e Polygon, bem como em universidades de prestígio como a Universidade de Princeton e o Instituto Indiano de Tecnologia, cobrindo áreas como IA/ML, NLP e visão computacional, colaborando para a realização do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient chegou com um brilho especial desde o seu início, contando com recursos abundantes, redes de contatos e reconhecimento de mercado, proporcionando um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, a Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada por Founders Fund, Pantera e Framework Ventures, com outras instituições de investimento incluindo Delphi, Hashkey e Spartan, entre várias outras VCs renomadas.

design de arquitetura e camada de aplicação

Camada de infraestrutura

Arquitetura Central

A arquitetura central do Sentient é composta por um Pipeline de IA (AI Pipeline) e um sistema de blockchain.

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA leal", contendo dois processos principais:​

• Curadoria de Dados (Data Curation): um 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 consistente com a intenção da comunidade.

Os sistemas de blockchain proporcionam transparência e controle descentralizado aos 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: armazenar pesos do modelo e 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 permissões;
• Camada de incentivo: O contrato de roteamento de rendimento alocará o pagamento a cada chamada para os treinadores, implementadores e validadores.

OML modelo de estrutura

A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) é o conceito central proposto pela Sentient, com o objetivo de fornecer uma clara proteção 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 de modelo acionará um fluxo de receita, e o contrato na cadeia distribuirá os lucros aos treinadores, implementadores e validadores.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção de atualização e a governança são decididas pelo DAO, e o uso e modificação são controlados por mecanismos criptográficos.

Criptografia nativa de IA (AI-native Cryptography)

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

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

Este método permite a realização de "chamada autorizada baseada em comportamentos + verificação de pertencimento" sem custos adicionais de recriptografia.

Modelo de Certificação e Framework de Execução Segura

Sentient atualmente utiliza a segurança Melange misturada: combina autenticação por impressão digital, execução TEE e contratos na cadeia para divisão de lucros. O método de impressão digital é implementado na linha principal OML 1.0, enfatizando o pensamento de "Segurança Otimista (Optimistic Security)", ou seja, assume conformidade e pode detectar e punir em caso de violação.

O mecanismo de impressão digital é a implementação chave do OML, que através da incorporação de pares de "pergunta-resposta" específicos, permite que o modelo gere assinaturas únicas durante a fase de treinamento. Através dessas assinaturas, o proprietário do modelo pode verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não só protege os direitos dos desenvolvedores de modelos, mas também fornece registros rastreáveis na cadeia sobre o comportamento de uso do modelo.

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

No futuro, a Sentient planeia introduzir tecnologias de provas de conhecimento zero (ZK) e criptografia homomórfica completa (FHE), para melhorar ainda mais a proteção da privacidade e a verificabilidade, proporcionando uma implementação descentralizada de modelos de IA.