Informe de investigación de AI Layer1: Buscando la tierra fértil para DeAI en cadena
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de modelos de lenguaje de gran tamaño (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana y mostrando incluso el potencial de reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control de recursos de cómputo costosos, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la mayoría de los desarrolladores y equipos de innovación competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública suele centrarse en los avances y la conveniencia que trae la tecnología, prestando poca atención a cuestiones centrales como la protección de la privacidad, la transparencia y la seguridad. A largo plazo, estas cuestiones 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 es "para el bien" o "para el mal" se volverá cada vez más prominente. Bajo la presión de su instinto de lucro, las grandes corporaciones centralizadas 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, ha proporcionado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en blockchains principales como Solana y Base. 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 e infraestructura aún dependen de servicios de nube centralizados; la propiedad meme es excesiva, lo que dificulta el apoyo a un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain sigue siendo limitada en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan mejorar.
Para realizar verdaderamente la visión de la IA descentralizada, hacer 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 gobernanza democrática 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 blockchain diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y el 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 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 capacidad de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando capacidad de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino que también deben 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 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, entrenamiento y demás, logrando la seguridad de la red y la eficiente distribución de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de capacidad de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas
Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean altas exigencias en cuanto al rendimiento computacional y la capacidad de procesamiento paralelo. Más allá de eso, el ecosistema de IA on-chain a menudo necesita soportar tipos de tareas diversos y heterogéneos, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios multifacéticos. La Capa 1 de IA debe optimizarse en profundidad en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo flexible, y prever la capacidad de soporte nativa 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
AI Layer 1 no solo debe prevenir riesgos de seguridad como el uso malintencionado de modelos y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde los mecanismos subyacentes. A través de la integración de tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multiparte (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos se verifique de manera 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 las bases de la salida de la IA, logrando "lo que se obtiene es lo que se desea", mejorando la confianza y satisfacción de los usuarios en los productos de IA.
Protección de la privacidad de 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 crucial. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que utiliza técnicas de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, evitando efectivamente la filtración y el uso indebido de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Potente capacidad de soporte y desarrollo de ecosistemas.
Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener liderazgo técnico, sino que también necesita 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. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomentará la implementación de diversas y ricas aplicaciones nativas de IA, logrando la prosperidad continua de un ecosistema de IA descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, que incluyen Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, organizando sistemáticamente los avances más recientes en el sector, analizando el estado 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 blockchain AI Layer1 ( en su fase inicial como Layer 2, y luego se trasladará a Layer 1). Al combinar la AI Pipeline y la tecnología blockchain, se está construyendo una economía de inteligencia artificial descentralizada. Su objetivo principal 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 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 de la Universidad de Princeton Pramod Viswanath y al profesor del Instituto Indio de Ciencia Himanshu Tyagi, quienes son 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 reconocidas empresas como Meta, Coinbase, Polygon, así como universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como IA/ML, NLP y visión por computadora, colaborando para impulsar la implementación del proyecto.
Como el proyecto de emprendimiento secundario de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un aura especial desde su creación, contando con abundantes recursos, 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 financiación semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otros inversores que incluyen a Delphi, Hashkey y Spartan, entre decenas de VC reconocidos.
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 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): garantizar que el modelo mantenga un proceso de entrenamiento alineado con la intención de la comunidad.
El sistema de blockchain proporciona transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de beneficios y la gobernanza justa. La arquitectura específica se divide en cuatro capas:
Capa de almacenamiento: almacenar pesos de modelo e información de registro de huellas dactilares;
Capa de distribución: entrada de llamada al modelo controlado por contrato de autorización;
Capa de acceso: Verificar si el usuario está autorizado mediante 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 el concepto central propuesto por Sentient, que tiene como objetivo proporcionar una clara protección de propiedad y mecanismos de incentivos económicos 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 código y estructuras de datos transparentes, para facilitar su reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada llamada al modelo generará un flujo de ingresos, el contrato on-chain distribuirá los ingresos entre los entrenadores, los implementadores y los validadores.
Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de las actualizaciones y la gobernanza son decididas por el 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 características diferenciables de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Incrustación de huellas dactilares: insertar un conjunto de pares de clave-valor de consulta-respuesta encubiertos durante el entrenamiento para formar la firma única del modelo;
Protocolo de verificación de propiedad: verificar si la huella digital se conserva a través de un detector de terceros (Prover) en forma de consulta.
Mecanismo de llamada con permiso: antes de la llamada, se debe obtener un "certificado de autorización" emitido por el propietario del modelo, y el sistema otorgará autorización al modelo para 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 derechos de modelo y ejecución segura
Sentient actualmente utiliza la seguridad híbrida Melange: combinando la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista", es decir, se asume el cumplimiento por defecto, y se puede detectar y sancionar en caso de incumplimiento.
El mecanismo de huellas digitales es una implementación clave de OML, que permite que el modelo genere una firma única durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede 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 cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que los modelos solo respondan a solicitudes autorizadas, previniendo el acceso y uso no autorizados. Aunque el 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.
capa de aplicación
Actualmente, los productos de Sentient incluyen principalmente la plataforma de chat descentralizada Sentient Chat, la serie de modelos de código abierto Dobby y el marco de AI Agent.
Modelo de la serie Dobby
SentientAGI ha lanzado múltiples modelos de la serie "Dobby", principalmente basados en el modelo Llama, enfocados en valores de libertad, descentralización y apoyo a las criptomonedas. Entre ellos, la versión leashed tiene un estilo más restringido y racional.
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.
10 me gusta
Recompensa
10
4
Compartir
Comentar
0/400
MindsetExpander
· hace10h
Los gigantes juegan con la IA, cada uno de ellos no hace lo que se espera.
Ver originalesResponder0
GasOptimizer
· 07-30 10:41
La comprensión de rasgar el pelo, herramienta del mundo Cripto. Si no has experimentado la Fluctuación, no toques la moneda.
Ver originalesResponder0
NoodlesOrTokens
· 07-30 10:35
Otra nueva idea para tomar a la gente por tonta
Ver originalesResponder0
MetaDreamer
· 07-30 10:19
¿Los gigantes se volvieron locos jugando con la inteligencia artificial?
La nueva era de AI Layer1: análisis de Sentient y otros 5 proyectos que construyen la infraestructura DeAI
Informe de investigación de AI Layer1: Buscando la tierra fértil para DeAI en cadena
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de modelos de lenguaje de gran tamaño (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana y mostrando incluso el potencial de reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control de recursos de cómputo costosos, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la mayoría de los desarrolladores y equipos de innovación competir con ellas.
Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública suele centrarse en los avances y la conveniencia que trae la tecnología, prestando poca atención a cuestiones centrales como la protección de la privacidad, la transparencia y la seguridad. A largo plazo, estas cuestiones 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 es "para el bien" o "para el mal" se volverá cada vez más prominente. Bajo la presión de su instinto de lucro, las grandes corporaciones centralizadas 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, ha proporcionado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en blockchains principales como Solana y Base. 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 e infraestructura aún dependen de servicios de nube centralizados; la propiedad meme es excesiva, lo que dificulta el apoyo a un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain sigue siendo limitada en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan mejorar.
Para realizar verdaderamente la visión de la IA descentralizada, hacer 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 gobernanza democrática 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 blockchain diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y el 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 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 capacidad de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando capacidad de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino que también deben 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 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, entrenamiento y demás, logrando la seguridad de la red y la eficiente distribución de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de capacidad de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean altas exigencias en cuanto al rendimiento computacional y la capacidad de procesamiento paralelo. Más allá de eso, el ecosistema de IA on-chain a menudo necesita soportar tipos de tareas diversos y heterogéneos, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios multifacéticos. La Capa 1 de IA debe optimizarse en profundidad en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo flexible, y prever la capacidad de soporte nativa 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 AI Layer 1 no solo debe prevenir riesgos de seguridad como el uso malintencionado de modelos y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde los mecanismos subyacentes. A través de la integración de tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multiparte (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos se verifique de manera 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 las bases de la salida de la IA, logrando "lo que se obtiene es lo que se desea", mejorando la confianza y satisfacción de los usuarios en los productos de IA.
Protección de la privacidad de 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 crucial. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que utiliza técnicas de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de permisos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, evitando efectivamente la filtración y el uso indebido de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.
Potente capacidad de soporte y desarrollo de ecosistemas. Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener liderazgo técnico, sino que también necesita 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. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomentará la implementación de diversas y ricas aplicaciones nativas de IA, logrando la prosperidad continua de un ecosistema de IA descentralizado.
Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, que incluyen Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, organizando sistemáticamente los avances más recientes en el sector, analizando el estado 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 blockchain AI Layer1 ( en su fase inicial como Layer 2, y luego se trasladará a Layer 1). Al combinar la AI Pipeline y la tecnología blockchain, se está construyendo una economía de inteligencia artificial descentralizada. Su objetivo principal 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 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 de la Universidad de Princeton Pramod Viswanath y al profesor del Instituto Indio de Ciencia Himanshu Tyagi, quienes son 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 reconocidas empresas como Meta, Coinbase, Polygon, así como universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como IA/ML, NLP y visión por computadora, colaborando para impulsar la implementación del proyecto.
Como el proyecto de emprendimiento secundario de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un aura especial desde su creación, contando con abundantes recursos, 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 financiación semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otros inversores que incluyen a Delphi, Hashkey y Spartan, entre decenas de VC reconocidos.
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 pipeline de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos centrales:
El sistema de blockchain proporciona transparencia y control descentralizado para los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de beneficios y la gobernanza justa. La arquitectura específica se divide en cuatro capas:
Marco de modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, que tiene como objetivo proporcionar una clara protección de propiedad y mecanismos de incentivos económicos 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 características diferenciables 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 derechos de modelo y ejecución segura
Sentient actualmente utiliza la seguridad híbrida Melange: combinando la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista", es decir, se asume el cumplimiento por defecto, y se puede detectar y sancionar en caso de incumplimiento.
El mecanismo de huellas digitales es una implementación clave de OML, que permite que el modelo genere una firma única durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede 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 cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que los modelos solo respondan a solicitudes autorizadas, previniendo el acceso y uso no autorizados. Aunque el 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.
capa de aplicación
Actualmente, los productos de Sentient incluyen principalmente la plataforma de chat descentralizada Sentient Chat, la serie de modelos de código abierto Dobby y el marco de AI Agent.
Modelo de la serie Dobby
SentientAGI ha lanzado múltiples modelos de la serie "Dobby", principalmente basados en el modelo Llama, enfocados en valores de libertad, descentralización y apoyo a las criptomonedas. Entre ellos, la versión leashed tiene un estilo más restringido y racional.