Rapport de recherche sur AI Layer1 : explorer le terreau de la Décentralisation AI

Aperçu

Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé le développement rapide des modèles de langage de grande taille (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'imaginaire humain, et même dans certains contextes, ils démontrent un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à un capital solide et à un contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières infranchissables, rendant difficile pour la grande majorité des développeurs et des équipes d'innovation de rivaliser avec elles.

En même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités apportées par la technologie, tandis que l'attention portée aux problèmes fondamentaux tels que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces problèmes ne sont pas résolus de manière appropriée, le débat sur le fait que l'IA "soit bénéfique" ou "maléfique" deviendra de plus en plus marqué, et les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour faire face à ces défis de manière proactive.

La technologie blockchain, grâce à ses caractéristiques de Décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur des blockchains majeures telles que Solana et Base. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de Décentralisation est limité, les étapes clés et les infrastructures dépendent encore des services cloud centralisés, tandis que les attributs meme sont trop présents, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA sur blockchain reste limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.

Pour réaliser véritablement la vision de l'IA décentralisée, permettant à la blockchain d'héberger des applications d'IA à grande échelle de manière sécurisée, efficace et démocratique, et de rivaliser en performance avec des solutions centralisées, nous devons concevoir une blockchain Layer 1 spécialement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la gouvernance démocratique et la sécurité des données, favorisant le développement prospère de l'écosystème d'IA décentralisée.

Les caractéristiques clés de la couche 1 de l'IA

AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a son architecture sous-jacente et ses performances conçues en étroite relation avec les besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème d'IA en chaîne. Plus précisément, AI Layer 1 doit posséder les capacités fondamentales suivantes :

1. Mécanisme de consensus décentralisé et d'incitation efficace Le cœur d'AI Layer 1 réside dans la construction d'un réseau partagé ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds d'AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, compléter l'entraînement et l'inférence des modèles AI, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure AI. Cela pose des exigences plus élevées pour le consensus et le mécanisme d'incitation sous-jacents : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement AI, réalisant ainsi la sécurité du réseau et la répartition efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.

2. Excellente performance et capacité de support des tâches hétérogènes Les tâches AI, en particulier l'entraînement et l'inférence des LLM, posent des exigences très élevées en matière de performance de calcul et de capacité de traitement parallèle. De plus, l'écosystème AI en chaîne doit souvent également prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèles, traitement des données, inférence, stockage et autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de support natif pour les ressources de calcul hétérogènes, afin de garantir que toutes les tâches AI peuvent fonctionner efficacement et réaliser une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".

3. Vérifiabilité et garantie de sortie fiable La couche AI Layer 1 doit non seulement prévenir les dangers de sécurité tels que les comportements malveillants des modèles et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA par des mécanismes de base. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à zéro connaissance (ZK) et le calcul sécurisé multiparty (MPC), la plateforme permet à chaque processus d'inférence de modèle, d'entraînement et de traitement des données d'être validé de manière indépendante, assurant ainsi l'équité et la transparence du système d'IA. En même temps, cette vérifiabilité peut également aider les utilisateurs à comprendre la logique et les bases des sorties de l'IA, réalisant "ce qui est obtenu est ce qui est souhaité", augmentant la confiance et la satisfaction des utilisateurs envers les produits d'IA.

4. Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs, et dans les domaines financiers, médicaux et sociaux, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 doit garantir la vérifiabilité tout en utilisant des technologies de traitement des données basées sur le cryptage, des protocoles de calcul en toute confidentialité et des méthodes de gestion des droits d'accès aux données, afin d'assurer la sécurité des données tout au long du processus d'inférence, d'entraînement et de stockage, empêchant efficacement les fuites de données et les abus, et éliminant les préoccupations des utilisateurs concernant la sécurité des données.

5. Puissante capacité d'hébergement écologique et de support au développement En tant qu'infrastructure Layer 1 native de l'IA, la plateforme doit non seulement posséder un avantage technologique, mais également fournir aux développeurs, opérateurs de nœuds, fournisseurs de services d'IA et autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant en continu la convivialité de la plateforme et l'expérience des développeurs, elle favorise la mise en œuvre d'applications IA natives diversifiées, réalisant la prospérité continue de l'écosystème IA décentralisé.

Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs de l'IA Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en examinant les derniers développements du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.

Sentient : Construire un modèle d'IA décentralisé open source et fidèle

Aperçu du projet

Sentient est une plateforme de protocole open source, en train de créer une blockchain AI Layer1 ( à ses débuts en tant que Layer 2, puis elle sera migrée vers Layer 1). En combinant AI Pipeline et technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif central est de résoudre les problèmes de propriété des modèles, de suivi des appels et de répartition de la valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant ainsi aux modèles AI d'implémenter une structure de propriété en chaîne, de rendre les appels transparents et de partager la valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits AI, favorisant ainsi un écosystème de réseau d'agents AI équitable et ouvert.

L'équipe de la Sentient Foundation regroupe des experts académiques, des entrepreneurs en blockchain et des ingénieurs parmi les meilleurs du monde, s'attachant à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés comprennent le professeur Pramod Viswanath de l'Université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de recherche scientifique, respectivement responsables de la sécurité et de la protection de la vie privée en IA, tandis que Sandeep Nailwal, cofondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que dans des universités de premier plan comme l'Université de Princeton et l'Institut indien de technologie, couvrant des domaines comme l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.

En tant que projet de seconde création de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès sa création bénéficié d'une aura, avec une richesse de ressources, de réseaux et de reconnaissance sur le marché, offrant un puissant soutien au développement du projet. À la mi-2024, Sentient a complété un tour de financement de seed de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, d'autres investisseurs incluent Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.

conception de l'architecture et couche d'application

Infrastructure

Architecture centrale

L'architecture centrale de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.

Le pipeline AI est la base du développement et de l'entraînement des artefacts "AI loyal", comprenant deux processus clés :​

• Planification des données (Data Curation) : un processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
• Entraînement à la fidélité (Loyalty Training) : assurer que le modèle maintienne un processus d'entraînement cohérent avec les intentions de la communauté.

Le système blockchain offre transparence et contrôle décentralisé aux protocoles, garantissant la propriété des artefacts d'IA, le suivi de leur utilisation, la distribution des revenus et une gouvernance équitable. L'architecture spécifique est divisée en quatre couches :

• Couche de stockage : stocke les poids du modèle et les informations d'enregistrement des empreintes digitales ;
• Couche de distribution : le contrat d'autorisation contrôle le point d'entrée de l'appel du modèle ;
• Couche d'accès : Vérifie si l'utilisateur est autorisé via une preuve d'autorisation ;
• Couche d'incitation : le contrat de routage des revenus attribuera des paiements à chaque appel aux formateurs, déployeurs et validateurs.

Cadre de modèle OML

Le cadre OML (Ouvert Open, Monétisable Monetizable, Loyal Loyal) est le concept central proposé par Sentient, visant à fournir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie blockchain et la cryptographie native à l'IA, il présente les caractéristiques suivantes:

• Ouverture : Le modèle doit être open source, le code et la structure des données doivent être transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
• Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat sur la chaîne distribuera les revenus aux formateurs, déployeurs et validateurs.
• Loyauté : Le modèle appartient à la communauté des contributeurs, la direction des mises à niveau et la gouvernance sont décidées par le DAO, l'utilisation et la modification sont contrôlées par des mécanismes cryptographiques.

Cryptographie native à l'IA (AI-native Cryptography)

La cryptographie native à IA utilise la continuité des modèles d'IA, la structure des variétés de faible dimension et les propriétés différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". La technologie centrale est :

• Empreinte digitale intégrée : insérer un ensemble de paires clé-valeur query-response cachées lors de l'entraînement pour former la signature unique du modèle ;
• Protocole de vérification de la propriété : Vérifier si l'empreinte est conservée par le biais d'un détecteur tiers (Prover) sous forme de requête.
• Mécanisme d'appel autorisé : Avant l'appel, il est nécessaire d'obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, le système autorise ensuite le modèle à décoder cette entrée et à renvoyer une réponse précise.

Cette méthode permet de réaliser "appel autorisé basé sur le comportement + vérification d'appartenance" sans coût de réencryption.

Modèle de confirmation des droits et cadre d'exécution sécurisé

Sentient adopte actuellement la sécurité Melange mixte : combinant l'authentification par empreinte digitale, l'exécution TEE et la répartition des bénéfices des contrats sur la chaîne. La méthode par empreinte digitale est mise en œuvre par OML 1.0 comme ligne principale, soulignant l'idée de "sécurité optimiste (Optimistic Security)", c'est-à-dire une conformité par défaut, avec possibilité de détection et de sanction en cas de non-conformité.

Le mécanisme d'empreinte digitale est une mise en œuvre clé d'OML, il permet de générer une signature unique par l'intégration de paires "question-réponse" spécifiques, permettant au modèle de créer une signature unique lors de la phase d'entraînement. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété, empêchant la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable sur la chaîne des comportements d'utilisation du modèle.

De plus, Sentient a lancé le cadre de calcul Enclave TEE, qui utilise des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour garantir que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi l'accès et l'utilisation non autorisés. Bien que TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performances élevées et de temps réel en font un élément clé du déploiement actuel des modèles.