Informe de investigación de AI Layer 1: Explorando la infraestructura de la Descentralización AI
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han estado impulsando rápidamente el 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 e incluso mostrando potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está en manos de unos pocos gigantes tecnológicos centralizados. Con un sólido capital y control sobre los costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la gran 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 a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas 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 su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "hacer el bien" o "hacer el mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de suficiente motivación 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, ya han surgido numerosas aplicaciones de "Web3 IA" en algunas blockchains principales. 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 eslabones clave y la infraestructura todavía dependen de servicios de 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 la cadena aún presenta limitaciones en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, lo que requiere una mejora en la profundidad y amplitud de la innovación.
Para lograr verdaderamente la visión de la Descentralización de la IA, de modo 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, impulsando 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 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 sostenible del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismo de consenso descentralizado con incentivos eficientes
El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia 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 potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo 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 y entrenamiento de IA, 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 de manera efectiva el costo total de la potencia de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas
Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, imponen altos requisitos en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA en cadena 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 de nivel 1 debe optimizar profundamente la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo flexible, y preconfigurar la capacidad de soporte nativo para recursos de computación heterogénea, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión suave de "tareas unidimensionales" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable
AI Layer 1 no solo debe prevenir riesgos de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe garantizar desde el mecanismo de base la verificabilidad y alineación de los resultados generados por la IA. A través de la integración de tecnologías de vanguardia como el entorno de ejecución confiable (TEE), las pruebas de conocimiento cero (ZK) y el cálculo seguro multipartito (MPC), la plataforma puede permitir que cada inferencia del modelo, entrenamiento y proceso de manejo de datos sean verificables de manera independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a clarificar la lógica y las bases de las salidas de la IA, logrando que "lo obtenido sea lo deseado", aumentando la confianza y satisfacción del usuario hacia los productos de IA.
Protección de la privacidad de los datos
Las aplicaciones de IA a menudo implican datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crítica en campos como las finanzas, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad mientras utiliza técnicas 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 inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el uso indebido de los datos, eliminando así las preocupaciones de los usuarios sobre la seguridad de los datos.
Poderosa capacidad de soporte para la carga y el desarrollo del ecosistema
Como infraestructura Layer 1 nativa de IA, la plataforma no solo debe poseer una ventaja técnica, sino también proporcionar herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos para los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de IA. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de diversas 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 a Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, organizando sistemáticamente los últimos avances en el sector, analizando el estado actual de desarrollo de los proyectos y explorando las tendencias futuras.
Sentient: Construyendo un modelo de IA de código abierto y leal a la Descentralización
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 migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad del modelo, seguimiento de invocaciones 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 invocaciones 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, dedicándose a construir una plataforma de AGI comunitaria, 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 la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de un conocido proyecto multichain, lidera la estrategia blockchain y el diseño ecológico. Los antecedentes de los miembros del equipo abarcan algunas empresas reconocidas, así como las principales universidades 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 proyecto de segunda empresa de Sandeep Nailwal, Sentient llegó con un halo desde su creación, poseyendo abundantes recursos, conexiones 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 otros inversores como Delphi, Hashkey y Spartan, entre decenas de conocidos VC.
Arquitectura de diseño y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un canal de IA (AI Pipeline) y un sistema de blockchain.
La canalización de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos clave:
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 alineado con la intención de la comunidad.
Los sistemas de blockchain proporcionan transparencia y Descentralización en los protocolos, 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 controlada 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 del modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, destinado a proporcionar protección clara de propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. Al combinar la tecnología en cadena y la criptografía nativa de IA, tiene las siguientes características:
Apertura: El modelo debe ser de código abierto, con código y estructura de datos transparentes, facilitando la reproducción, auditoría y mejora por parte de la comunidad.
Monetización: Cada llamada al modelo activará un flujo de ingresos, el contrato en la cadena asignará los ingresos a los entrenadores, implementadores y validadores.
Lealtad: el modelo pertenece a la comunidad de contribuyentes, la dirección de la actualización y la gobernanza son decididas por la DAO, y el 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 del modelo 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 encubiertos durante el entrenamiento para formar una 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 consulta.
Mecanismo de llamada de permisos: antes de llamar, se debe obtener el "certificado de permisos" emitido por el propietario del modelo, y el sistema autorizará al modelo a decodificar la entrada y devolver la respuesta correcta.
Este método permite implementar "llamadas autorizadas 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 derechos de propiedad a través de huellas dactilares, ejecución TEE y reparto de beneficios de contratos en la cadena. El método de huellas dactilares es la implementación de OML 1.0 en la línea principal, enfatizando el concepto de "Seguridad Optimista (Optimistic Security)", es decir, cumplimiento por defecto, con detección y penalización en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que a través de la incorporación de pares de "pregunta-respuesta" específicos, permite que el modelo genere una firma única durante la fase de entrenamiento. A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, previniendo la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro en cadena rastreable de las actividades de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que el modelo solo responda a solicitudes autorizadas, previniendo el acceso y uso no autorizado. 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 actual de modelos.
En el futuro, Sentient planea introducir pruebas de conocimiento cero (
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.
12 me gusta
Recompensa
12
4
Republicar
Compartir
Comentar
0/400
WalletDoomsDay
· hace15h
La tecnología ha liberado a la humanidad, pero también la ha encarcelado.
Ver originalesResponder0
DeFiChef
· hace15h
La IA monopolizada realmente debería ser descentralizada.
Ver originalesResponder0
AirdropBlackHole
· hace15h
Descentralización también es bastante difícil, ¿verdad?
Nuevas tendencias de la cadena de bloques nativa de IA: explorando la infraestructura de inteligencia artificial descentralizada
Informe de investigación de AI Layer 1: Explorando la infraestructura de la Descentralización AI
Resumen
En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han estado impulsando rápidamente el 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 e incluso mostrando potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está en manos de unos pocos gigantes tecnológicos centralizados. Con un sólido capital y control sobre los costosos recursos de computación, estas empresas han establecido barreras difíciles de superar, lo que dificulta a la gran 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 a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas 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 su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "hacer el bien" o "hacer el mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de suficiente motivación 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, ya han surgido numerosas aplicaciones de "Web3 IA" en algunas blockchains principales. 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 eslabones clave y la infraestructura todavía dependen de servicios de 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 la cadena aún presenta limitaciones en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, lo que requiere una mejora en la profundidad y amplitud de la innovación.
Para lograr verdaderamente la visión de la Descentralización de la IA, de modo 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, impulsando 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 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 sostenible del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:
Mecanismo de consenso descentralizado con incentivos eficientes El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como potencia 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 potencia de cálculo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo 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 y entrenamiento de IA, 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 de manera efectiva el costo total de la potencia de cálculo.
Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, imponen altos requisitos en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA en cadena 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 de nivel 1 debe optimizar profundamente la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo flexible, y preconfigurar la capacidad de soporte nativo para recursos de computación heterogénea, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión suave de "tareas unidimensionales" a "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir riesgos de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe garantizar desde el mecanismo de base la verificabilidad y alineación de los resultados generados por la IA. A través de la integración de tecnologías de vanguardia como el entorno de ejecución confiable (TEE), las pruebas de conocimiento cero (ZK) y el cálculo seguro multipartito (MPC), la plataforma puede permitir que cada inferencia del modelo, entrenamiento y proceso de manejo de datos sean verificables de manera independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a clarificar la lógica y las bases de las salidas de la IA, logrando que "lo obtenido sea lo deseado", aumentando la confianza y satisfacción del usuario hacia los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo implican datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crítica en campos como las finanzas, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad mientras utiliza técnicas 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 inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el uso indebido de los datos, eliminando así las preocupaciones de los usuarios sobre la seguridad de los datos.
Poderosa capacidad de soporte para la carga y el desarrollo del ecosistema Como infraestructura Layer 1 nativa de IA, la plataforma no solo debe poseer una ventaja técnica, sino también proporcionar herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivos para los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de IA. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomenta la implementación de diversas 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 a Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, organizando sistemáticamente los últimos avances en el sector, analizando el estado actual de desarrollo de los proyectos y explorando las tendencias futuras.
Sentient: Construyendo un modelo de IA de código abierto y leal a la Descentralización
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 migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de propiedad del modelo, seguimiento de invocaciones 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 invocaciones 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, dedicándose a construir una plataforma de AGI comunitaria, 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 la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de un conocido proyecto multichain, lidera la estrategia blockchain y el diseño ecológico. Los antecedentes de los miembros del equipo abarcan algunas empresas reconocidas, así como las principales universidades 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 proyecto de segunda empresa de Sandeep Nailwal, Sentient llegó con un halo desde su creación, poseyendo abundantes recursos, conexiones 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 otros inversores como Delphi, Hashkey y Spartan, entre decenas de conocidos VC.
Arquitectura de diseño y capa de aplicación
Capa de infraestructura
Arquitectura central
La arquitectura central de Sentient se compone de dos partes: un canal de IA (AI Pipeline) y un sistema de blockchain.
La canalización de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos clave:
Los sistemas de blockchain proporcionan transparencia y Descentralización en los protocolos, 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 del modelo OML
El marco OML (Abierto Open, Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, destinado a proporcionar protección clara de propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. Al combinar la tecnología en cadena y la criptografía nativa de IA, tiene 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 del modelo para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:
Este método permite implementar "llamadas autorizadas 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 derechos de propiedad a través de huellas dactilares, ejecución TEE y reparto de beneficios de contratos en la cadena. El método de huellas dactilares es la implementación de OML 1.0 en la línea principal, enfatizando el concepto de "Seguridad Optimista (Optimistic Security)", es decir, cumplimiento por defecto, con detección y penalización en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que a través de la incorporación de pares de "pregunta-respuesta" específicos, permite que el modelo genere una firma única durante la fase de entrenamiento. A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, previniendo la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro en cadena rastreable de las actividades de uso del modelo.
Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para asegurar que el modelo solo responda a solicitudes autorizadas, previniendo el acceso y uso no autorizado. 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 actual de modelos.
En el futuro, Sentient planea introducir pruebas de conocimiento cero (