Análisis de la pista AI Layer1: buscando la tierra fértil de DeAI en cadena

Resumen

En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje de gran tamaño (LLM). Los LLM han mostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso demostrando el potencial de reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Con un fuerte capital y el control de 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 trae la tecnología, mientras que la atención a cuestiones centrales como la protección de la privacidad, la transparencia y la seguridad es relativamente escasa. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y la aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "ser benévola" o "malévola" se volverá cada vez 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, han surgido numerosas aplicaciones de "Web3 AI" en las principales blockchains. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, y los elementos 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 aún muestra limitaciones en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación requieren mejoras.

Para lograr verdaderamente la visión de una IA descentralizada, y permitir 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 de Layer 1 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.

Las características clave de AI Layer 1

AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y diseño de rendimiento están estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo y la prosperidad sostenible del ecosistema de IA en cadena. En términos concretos, AI Layer 1 debe poseer las siguientes capacidades centrales:

1. Mecanismos de incentivos 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 tradicionales de blockchain que se enfocan principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento y la inferencia de modelos de IA, sino también contribuyendo con almacenamiento, datos, ancho de banda y otros recursos diversos, 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 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 los recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la potencia de cálculo.

2. Excelente rendimiento y capacidad de soporte para tareas heterogéneas. Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean altas demandas de rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA en cadena a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluidos diferentes modelos estructurales, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. El AI Layer 1 debe optimizar profundamente la arquitectura subyacente para satisfacer las necesidades de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativo para recursos de computación heterogénea, asegurando que todo tipo de tareas de IA se puedan ejecutar de manera eficiente, logrando una expansión fluida de "tareas unidimensionales" a "ecosistemas complejos y diversos".

3. Verificabilidad y garantía de resultados confiables La Capa 1 de IA no solo debe prevenir la maldad del modelo, la alteración de datos y otros riesgos de seguridad, sino que también debe garantizar desde el mecanismo básico la verificabilidad y alineación de los resultados de salida de la IA. A través de la integración de entornos de ejecución confiables (TEE), pruebas de cero conocimiento (ZK), cálculos seguros multiparte (MPC) y otras tecnologías de vanguardia, la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sean verificables de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a aclarar la lógica y la base de la salida de la IA, logrando "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción del usuario hacia los productos de IA.

4. Protección de la privacidad de los datos Las aplicaciones de IA a menudo implican datos sensibles de los usuarios. En campos como las finanzas, la salud y las redes sociales, la protección de la privacidad de los datos es especialmente crítica. AI Layer 1 debe adoptar tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos en todo el proceso de razonamiento, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, eliminando las preocupaciones de los usuarios en cuanto a la seguridad de los datos.

5. Capacidad de soporte y desarrollo de un ecosistema poderoso Como infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener un liderazgo técnico, sino que también debe proporcionar a los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de IA, herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos. Al optimizar continuamente la disponibilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de aplicaciones nativas de IA ricas y diversas, logrando la prosperidad continua de un ecosistema de IA descentralizado.

Con base en el contexto y las expectativas anteriores, este artículo presentará detalladamente seis proyectos representativos de AI Layer 1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el campo, 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 construyendo una cadena de bloques AI Layer1 (. En la fase inicial, será Layer 2, y luego se trasladará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construirá una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad de modelos, 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 principales expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, comprometidos 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, responsables de la seguridad de la IA y la protección de la privacidad, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño ecológico. Los antecedentes de los miembros del equipo abarcan empresas 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 impulsar la implementación del proyecto.

Como el segundo proyecto emprendedor de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, poseyendo abundantes recursos, contactos y reconocimiento en el mercado, lo que proporcionó un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiación inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones de inversión como Delphi, Hashkey y Spartan, entre decenas de VC.

diseño de arquitectura y capa de aplicación

Capa de infraestructura

Arquitectura central

La arquitectura central de Sentient se compone de un canal de IA (AI Pipeline) y un 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:​

• Curación 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 coherente con la intención de la comunidad.

El sistema blockchain proporciona transparencia y control descentralizado para el protocolo, garantizando 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 del modelo controlada por 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 de cada llamada a los entrenadores, implementadores y validadores.

Marco de modelo OML

El marco OML (Abierto Open, Monetizable, Leal Loyal) es la idea central propuesta por Sentient, que tiene como objetivo 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 una estructura de datos transparentes, lo que facilita 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 entre el entrenador, el desplegador y el validador.
• Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de las actualizaciones y la gobernanza son decididas por el 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 las propiedades diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:

• Huella dactilar incrustada: 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: verifica si la huella dactilar se conserva a través de un detector de terceros (Prover) en forma de consulta.
• Mecanismo de llamada con permiso: antes de llamar, se debe obtener un "certificado de autorización" emitido por el propietario del modelo, y el sistema autoriza al modelo a decodificar la entrada y devolver la respuesta correcta.

Este método permite realizar "llamadas de autorización basadas en el comportamiento + verificación de pertenencia" sin el costo de re-encriptación.

Marco de ejecución segura y certificación del modelo

Sentient actualmente utiliza Melange mezcla de seguridad: combinación de verificación de huellas dactilares, ejecución de TEE y distribución de beneficios de contratos on-chain. El método de huellas dactilares implementa OML 1.0 como línea principal, enfatizando la idea de "Seguridad Optimista", es decir, se asume el cumplimiento y se puede detectar y castigar en caso de incumplimiento.

El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento a través de la incorporación de pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la pertenencia, evitando la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos del desarrollador del modelo, sino que también proporciona un registro on-chain rastreable de las acciones de uso del modelo.

Además, Sentient ha lanzado el marco de cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para garantizar que el modelo solo responda a solicitudes autorizadas, evitando el acceso y uso no autorizados. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, sus ventajas en 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.