Informe de investigación Layer1 de IA: buscando la tierra fértil para DeAI en la cadena

Resumen

En los últimos años, empresas líderes en tecnología como OpenAI, Anthropic, Google y Meta han impulsado el desarrollo acelerado de los 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 construido barreras casi insuperables, dificultando la competencia para la gran mayoría de los desarrolladores y equipos de innovación.

Al mismo tiempo, en la etapa inicial de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y comodidades que trae 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 dirige 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 suficiente para enfrentar 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 inteligencia artificial. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en algunas de las principales blockchains. Sin embargo, un análisis más 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 siguen dependiendo 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 inteligencia artificial del mundo Web2, la inteligencia artificial on-chain todavía presenta limitaciones en términos de capacidad del modelo, utilización de datos y escenarios de aplicación, siendo necesaria una mejora en la profundidad y amplitud de la innovación.

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 que compita 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 IA, la gobernanza democrática y la seguridad de datos, impulsando 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, tiene su arquitectura subyacente y el diseño de rendimiento estrechamente enfocados en las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo sostenible y la prosperidad del ecosistema de IA en la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades fundamentales:

1. Un mecanismo de incentivos eficiente y un consenso descentralizado. 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 enfocan principalmente en la contabilidad del libro mayor, 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 recursos diversificados como almacenamiento, datos y ancho de banda, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias para el consenso y el mecanismo de incentivos subyacente: 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 así la seguridad de la red y la 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 de cálculo.

2. Excelente rendimiento de alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, imponen altas demandas en el rendimiento computacional y la capacidad de procesamiento paralelo. Además, el ecosistema de IA en cadena a menudo debe soportar una variedad de tipos de tareas heterogéneas, que incluyen diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente la arquitectura subyacente para satisfacer las demandas de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativo para recursos de computación heterogénea, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente y logren una expansión fluida desde "tareas únicas" hasta "ecosistemas complejos y diversos".

3. Verificabilidad y garantía de salida confiable El AI Layer 1 no solo debe prevenir el mal uso del modelo, la alteración de datos y otros riesgos de seguridad, sino que también debe asegurar la verificabilidad y alineación de los resultados de salida de la IA desde el mecanismo subyacente. Al integrar tecnologías avanzadas 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 sea verificable de manera independiente, asegurando la justicia y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a comprender la lógica y los fundamentos de la salida de la IA, logrando "lo que se obtiene es lo que se desea" y mejorando la confianza y satisfacción de los usuarios en los productos de IA.

4. Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios, siendo la protección de la privacidad de los datos especialmente crucial en campos como la finanza, la salud y las redes sociales. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que utiliza tecnologías de procesamiento de datos basadas en cifrado, protocolos de computación de privacidad y gestión de permisos de datos, asegurando la seguridad de los datos durante todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el uso indebido de los datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.

5. Capacidad de soporte y desarrollo de un ecosistema poderoso Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, 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 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 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, incluidos 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 de código abierto y leales

Resumen del proyecto

Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain de IA Layer1 ( en su fase inicial como Layer 2, y luego se trasladará a Layer 1). Al combinar la Pipeline de IA y la tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo principal es resolver los problemas de pertenencia de modelos, seguimiento de invocaciones y distribución de valor en el mercado de LLM centralizado a través del marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad on-chain, 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 del mundo, dedicándose a construir una plataforma de AGI comunitaria, 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, responsables de la seguridad y privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño del ecosistema. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase y Polygon, así como universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP, y visión por computadora, colaborando para impulsar la realización del proyecto.

Como un proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, con abundantes recursos, conexiones y reconocimiento en el mercado, proporcionando un respaldo fuerte para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiamiento semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con 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 (AI Pipeline) y un sistema de blockchain.

La tubería de IA es la base para desarrollar y entrenar artefactos de "IA leal", e 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 las intenciones 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 ingresos y la 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 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 Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, diseñado para proporcionar una protección clara de la propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, tiene 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 llamada al modelo desencadenará 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 actualización y la gobernanza son decididas por el 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 variedad de baja dimensión y la característica de diferenciabilidad del modelo para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:

• Huella digital incrustada: insertar un conjunto de pares de clave-valor de consulta-respuesta ocultos durante el entrenamiento para formar una 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 autorizado: antes de realizar la llamada, se debe obtener el "certificado 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 permite lograr "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costo de re-encriptación.

Marco de ejecución segura y certificación del modelo

Sentient actualmente utiliza Melange combinación de seguridad: combinación de verificación de huellas dactilares, ejecución TEE y reparto de beneficios de contratos on-chain. El método de huellas dactilares implementa la línea principal OML 1.0, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, asumiendo cumplimiento y detectando y castigando en caso de incumplimiento.

El mecanismo de huellas digitales es una implementación clave de OML, que permite al modelo generar 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 la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro trazable en la cadena de bloques sobre el comportamiento 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 autorizados. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, sus ventajas en términos 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 un despliegue descentralizado de modelos de IA más maduro.