Rapport de recherche sur l'AI Layer1 : À la recherche d'un terreau pour DeAI off-chain

Aperçu

Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont constamment propulsé le développement rapide des modèles de langage de grande taille (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine, et dans certaines situations, ils ont même montré un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est entre les mains de quelques géants technologiques centralisés. Grâce à des capitaux solides et à un contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence difficile pour la grande majorité des développeurs et des équipes d'innovation.

Dans les premiers stades de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités offertes par la technologie, tandis que l'attention accordée à des questions clés telles 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 acceptabilité par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur le fait que l'IA soit "pour le bien" ou "pour le mal" deviendra de plus en plus accentué, tandis que les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour relever ces défis.

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 déjà émergé sur certaines blockchains mainstream. 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, rendant difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA on-chain reste limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, la profondeur et la largeur de l'innovation doivent être améliorées.

Pour réaliser véritablement la vision de l'IA décentralisée, permettant à la blockchain de porter des applications AI à grande échelle de manière sécurisée, efficace et démocratique, et de rivaliser en termes de performance avec les solutions centralisées, nous devons concevoir une blockchain Layer1 spécialement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la démocratie de gouvernance et la sécurité des données, favorisant le développement prospère de l'écosystème AI décentralisé.

Les caractéristiques clés de AI Layer 1

AI Layer 1 en tant que blockchain spécialement conçue pour les applications d'IA, son architecture sous-jacente et sa conception de performance sont étroitement liées aux besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités fondamentales suivantes :

1. Mécanisme de consensus décentralisé et d'incitation efficace. Le cœur de AI Layer 1 réside dans la construction d'un réseau partagé de ressources ouvertes telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité du livre de comptes, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes. Ils doivent non seulement fournir de la puissance de calcul, réaliser la formation et l'inférence des modèles d'IA, mais également contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, brisant ainsi le monopole des géants centralisés sur les infrastructures d'IA. Cela pose des exigences plus élevées pour le consensus de base et le mécanisme d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de valider avec précision les contributions réelles des nœuds dans les tâches d'inférence et de formation d'IA, réalisant ainsi la sécurité du réseau et la distribution efficace des ressources. Ce n'est qu'ainsi que l'on pourra garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.

2. Performances élevées exceptionnelles et capacité de prise en charge des tâches hétérogènes Les tâches AI, en particulier l'entraînement et l'inférence des LLM, exigent des performances de calcul et des capacités de traitement parallèle très élevées. De plus, l'écosystème AI off-chain doit souvent prendre en charge une diversité de types de tâches hétérogènes, y compris différentes structures de modèles, traitement des données, inférence, stockage et d'autres scénarios variés. AI Layer 1 doit être profondément optimisé pour des exigences de haut débit, faible latence et parallélisme élastique au niveau de l'architecture sous-jacente, et prévoir une capacité de prise en charge native des ressources de calcul hétérogènes, afin de garantir que toutes les tâches AI puissent fonctionner efficacement, permettant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".

3. Vérifiabilité et garantie de sortie fiable La couche IA de niveau 1 doit non seulement prévenir les comportements malveillants des modèles et les risques de falsification de données, mais aussi garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau des mécanismes de base. En intégrant des technologies de pointe telles que les environnements d'exécution de confiance (TEE), les preuves à connaissance nulle (ZK) et le calcul sécurisé multipartite (MPC), la plateforme peut permettre que chaque processus d'inférence, d'entraînement et de traitement des données soit vérifiable de manière indépendante, garantissant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité peut aider les utilisateurs à comprendre la logique et les bases des résultats de l'IA, réalisant "ce qui est obtenu est ce qui est souhaité", et augmentant ainsi 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 des domaines tels que la finance, la santé et les réseaux 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 de la vie privée et des moyens 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 en matière de sécurité des données.

5. Capacités puissantes de support et de développement de l'écosystème En tant qu'infrastructure de couche 1 native à l'IA, la plateforme doit non seulement posséder un leadership technique, mais aussi 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 continuellement la disponibilité de la plateforme et l'expérience des développeurs, nous favorisons la mise en œuvre d'applications AI natives riches et diversifiées, réalisant la prospérité continue d'un écosystème AI décentralisé.

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

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

Aperçu du projet

Sentient est une plateforme de protocole open source qui développe une blockchain AI Layer1. La phase initiale est 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 principal est de résoudre les problèmes de propriété des modèles, de suivi des appels et de répartition de la valeur dans le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles d'IA de réaliser une structure de propriété on-chain, une transparence des appels et une répartition de la valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits d'IA, afin de promouvoir un écosystème de réseau d'agents IA juste et ouvert.

L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, s'efforçant de 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 science, respectivement responsables de la sécurité et de la protection de la vie privée de l'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 tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.

En tant que projet de seconde entreprise de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès sa création bénéficié d'une aura, disposant de ressources abondantes, de réseaux et d'une reconnaissance sur le marché, fournissant un puissant soutien au développement du projet. Au milieu de l'année 2024, Sentient a complété un financement de 85 millions de dollars lors de son tour de table de seed, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs institutionnels tels que Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.

![Biteye et PANews publient conjointement un rapport de recherche sur l'AI Layer1 : à la recherche d'un terrain fertile pour DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(

)# Architecture de conception et couche d'application

Infrastructure Layer

Architecture centrale

L'architecture centrale de Sentient se compose de deux parties : un pipeline AI (AI Pipeline) et un système de blockchain.

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

• Planification des données (Data Curation) : processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
• Entraînement à la fidélité (Loyalty Training) : s'assurer que le modèle maintient 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 l'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 de permission ;
• Couche d'incitation : le contrat de routage des bénéfices attribuera un paiement à chaque appel aux formateurs, déployeurs et validateurs.

![Biteye et PANews publient conjointement un rapport de recherche sur l'IA Layer1 : à la recherche d'un terreau pour DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(

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 AI open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :

• Ouverture : Le modèle doit être open source, avec un code et une structure de données transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
• Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat off-chain répartit les revenus entre le formateur, le déployeur et le vérificateur.
• Fidélité : le modèle appartient à la communauté des contributeurs, la direction des mises à jour et la gouvernance sont décidées par le DAO, et l'utilisation et la modification sont contrôlées par des mécanismes cryptographiques.

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

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

• Empreinte digitale intégrée : lors de l'entraînement, une série de paires clé-valeur query-response cachées est insérée pour former la signature unique du modèle ;
• Protocole de vérification de propriété : vérifie si l'empreinte digitale est conservée par le biais d'un détecteur tiers (Prover) sous forme de question query ;
• 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 retourner la réponse précise.

Cette méthode permet de réaliser "appel d'autorisation basé sur le comportement + vérification d'appartenance" sans coût de re-chiffrement.

Cadre de sécurisation et de validation des modèles

Sentient adopte actuellement la sécurité hybride Melange : une combinaison de vérification par empreinte digitale, d'exécution TEE et de partage des profits via un contrat off-chain. La méthode d'empreinte digitale est réalisée par OML 1.0, mettant l'accent sur l'idée de "sécurité optimiste (Optimistic Security)", c'est-à-dire que la conformité est présumée, et les violations peuvent être détectées et sanctionnées.

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

De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour garantir que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi les accès et utilisations non autorisés. Bien que le TEE dépende du matériel et présente certaines vulnérabilités de sécurité, ses avantages en termes de performances élevées et de temps réel en font la technologie clé pour le déploiement actuel des modèles.

À l'avenir, Sentient prévoit d'introduire des technologies de preuve à divulgation nulle de connaissance (ZK) et de cryptographie homomorphe complète (FHE) pour renforcer davantage la protection de la vie privée et la vérifiabilité, offrant ainsi un déploiement décentralisé des modèles d'IA plus mature.