Relatório de Pesquisa AI Layer1: Encontrando o Solo Fértil para DeAI na cadeia

Resumo

Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm impulsionado o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstraram capacidades sem precedentes em diversas indústrias, expandindo enormemente o espaço da imaginação humana e, em alguns cenários, mostrando potencial para substituir o trabalho humano. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de poucos gigantes tecnológicos centralizados. Com um capital robusto e controle sobre recursos de computação de alto custo, essas empresas estabeleceram barreiras quase intransponíveis, tornando difícil para a grande maioria dos desenvolvedores e equipes de inovação competir com elas.

Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública muitas vezes se concentra nas inovações e conveniências trazidas pela tecnologia, enquanto a atenção a questões centrais como proteção de privacidade, transparência e segurança é relativamente insuficiente. A longo prazo, esses problemas terão um impacto profundo no desenvolvimento saudável da indústria de IA e na aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "promover o bem" ou "promover o mal" se tornará cada vez mais evidente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, frequentemente carecem de motivação suficiente para enfrentar proativamente esses desafios.

A tecnologia blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, surgiram muitas aplicações "Web3 AI" em blockchains mainstream. No entanto, uma análise mais profunda revela que esses projetos ainda enfrentam vários problemas: por um lado, o grau de descentralização é limitado, com etapas chave e infraestrutura ainda dependendo de serviços de nuvem centralizados, dificultando o suporte a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda apresenta limitações em termos de capacidade de modelos, utilização de dados e cenários de aplicação, sendo necessária uma melhoria na profundidade e amplitude da inovação.

Para realmente alcançar a visão de uma IA descentralizada, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e competindo em termos de desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso proporcionará uma base sólida para a inovação aberta da IA, a democracia na governança e a segurança dos dados, promovendo o próspero desenvolvimento do ecossistema de IA descentralizada.

As características principais da camada 1 de IA

AI Layer 1, como uma blockchain projetada especificamente para aplicações de IA, tem sua arquitetura subjacente e design de desempenho intimamente alinhados com as necessidades das tarefas de IA, com o objetivo de apoiar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, AI Layer 1 deve possuir as seguintes capacidades centrais:

1. Mecanismos de incentivo eficientes e consenso descentralizado O núcleo da AI Layer 1 está na construção de uma rede compartilhada de recursos abertos, como poder de cálculo e armazenamento. Ao contrário dos nós de blockchain tradicionais que se concentram principalmente na contabilização do livro-razão, os nós da AI Layer 1 precisam assumir tarefas mais complexas, não apenas fornecendo poder de cálculo, realizando treinamento e inferência de modelos de IA, mas também contribuindo com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio dos gigantes centralizados na infraestrutura de IA. Isso impõe requisitos mais altos para o consenso e o mecanismo de incentivo de base: a AI Layer 1 deve ser capaz de avaliar, incentivar e verificar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a distribuição eficiente dos recursos. Só assim podemos garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total do poder de cálculo.

2. Desempenho excepcional e capacidade de suporte a tarefas heterogêneas As tarefas de IA, especialmente o treinamento e a inferência de LLM, impõem requisitos muito altos em termos de desempenho computacional e capacidade de processamento paralelo. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar uma variedade de tipos de tarefas heterogêneas, incluindo diferentes estruturas de modelo, processamento de dados, inferência, armazenamento e outros cenários diversos. O AI Layer 1 deve ser profundamente otimizado na arquitetura subjacente para atender à demanda de alta taxa de transferência, baixa latência e paralelismo flexível, e deve prever a capacidade de suporte nativa a recursos de computação heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, conseguindo uma expansão suave de "tarefa única" para "ecossistema complexo e diversificado".

3. Verificabilidade e Garantia de Saída Confiável A AI Layer 1 não só deve prevenir comportamentos maliciosos do modelo e a alteração de dados, mas também deve garantir a verificabilidade e alinhamento dos resultados de saída da AI a partir de mecanismos fundamentais. Através da integração de ambientes de execução confiáveis (TEE), provas de zero conhecimento (ZK), computação segura multipartidária (MPC) e outras tecnologias de ponta, a plataforma permite que cada inferência do modelo, treinamento e processo de tratamento de dados possam ser verificados de forma independente, garantindo a justiça e transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também pode ajudar os usuários a entender a lógica e a base das saídas da IA, realizando "o que se obtém é o que se deseja", aumentando a confiança e satisfação dos usuários em relação aos produtos de IA.

4. Proteção da privacidade dos dados Aplicações de IA frequentemente envolvem dados sensíveis dos usuários, sendo a proteção da privacidade dos dados especialmente crítica em áreas como finanças, saúde e redes sociais. A AI Layer 1 deve garantir a verificabilidade enquanto adota técnicas de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, assegurando a segurança dos dados em todo o processo de inferência, treinamento e armazenamento, prevenindo efetivamente vazamentos e abusos de dados, eliminando as preocupações dos usuários em relação à segurança dos dados.

5. Capacidade robusta de suporte e desenvolvimento do ecossistema Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só deve ter liderança técnica, mas também fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e provedores de serviços de IA, entre outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promover a implementação de aplicações nativas de IA diversificadas e ricas, e alcançar a contínua prosperidade do ecossistema de IA descentralizado.

Com base no contexto e nas expectativas acima, este artigo irá apresentar detalhadamente seis projetos representativos da AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematicamente analisar os mais recentes desenvolvimentos do setor, examinar o estado atual do desenvolvimento dos projetos e discutir as tendências futuras.

Sentient: Construir modelos de IA descentralizados e de código aberto leais

Visão Geral do Projeto

Sentient é uma plataforma de protocolo de código aberto que está a desenvolver uma blockchain AI Layer1 ( na fase inicial como Layer 2, e depois será migrada para Layer 1). Combinando a AI Pipeline e a tecnologia blockchain, está a construir uma economia de inteligência artificial descentralizada. O seu objetivo central é resolver questões de propriedade do modelo, rastreamento de chamadas e distribuição de valor no mercado de LLM centralizado através da estrutura "OML" (aberta, lucrativa, leal), permitindo que os modelos de IA realizem uma estrutura de propriedade na cadeia, chamamentos transparentes e divisão de valor. A visão da Sentient é permitir que qualquer pessoa construa, colabore, possua e monetize produtos de IA, impulsionando assim uma ecologia de rede de Agentes de IA justa e aberta.

A equipe da Sentient Foundation reúne os melhores especialistas acadêmicos, empreendedores e engenheiros de blockchain do mundo, empenhando-se em construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros principais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e privacidade da IA, enquanto o cofundador da Polygon, Sandeep Nailwal, lidera a estratégia e o ecossistema de blockchain. O histórico dos membros da equipe abrange empresas conhecidas como Meta, Coinbase, Polygon, entre outras, assim como universidades de prestígio como a Universidade de Princeton e o Instituto Indiano de Tecnologia, englobando áreas como IA/ML, NLP e visão computacional, colaborando para a implementação do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient nasceu com uma aura especial, possuindo recursos abundantes, conexões e reconhecimento de mercado, proporcionando um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, a Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada por Founders Fund, Pantera e Framework Ventures, com a participação de outras dezenas de VCs renomados, incluindo Delphi, Hashkey e Spartan.

arquitetura de design e camada de aplicação

Infraestrutura

Arquitetura Central

A arquitetura central do Sentient é composta por um pipeline de IA (AI Pipeline) e um sistema de blockchain.

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA Leal", contendo dois processos principais:​

• Planejamento de Dados (Data Curation): processo de seleção de dados impulsionado pela comunidade, utilizado para o alinhamento do modelo.
• Treinamento de Lealdade (Loyalty Training): garantir que o modelo mantenha um processo de treinamento consistente com a intenção da comunidade.

O sistema de blockchain oferece transparência e controle descentralizado para os protocolos, garantindo a propriedade dos artefatos de IA, o rastreamento de uso, a distribuição de receitas e a governança justa. A arquitetura específica é dividida em quatro camadas:

• Camada de armazenamento: armazena pesos do modelo e informações de registro de impressões digitais;
• Camada de distribuição: o contrato de autorização controla a entrada da chamada do modelo;
• Camada de acesso: verifica se o usuário está autorizado através da prova de permissões;
• Camada de incentivo: o contrato de roteamento de rendimento irá distribuir o pagamento a cada chamada entre os treinadores, implementadores e validadores.

O modelo OML

A estrutura OML (Open, Monetizable, Loyal) é a ideia central proposta pela Sentient, destinada a fornecer proteção de propriedade clara e mecanismos de incentivo econômico para modelos de IA de código aberto. Ao combinar tecnologia na cadeia e criptografia nativa de IA, possui as seguintes características:

• Abertura: O modelo deve ser de código aberto, com código e estrutura de dados transparentes, facilitando a reprodução, auditoria e melhoria pela comunidade.
• Monetização: A cada chamada ao modelo, um fluxo de receita é ativado, e o contrato na cadeia irá distribuir os ganhos entre o treinadores, o implementador e o validador.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção de atualização e a governança são decididas pela DAO, e o uso e modificação são controlados por mecanismos criptográficos.

Criptografia nativa de IA (AI-native Cryptography)

A criptografia nativa de IA utiliza a continuidade, a estrutura de manifold de baixa dimensão e a característica de diferenciabilidade dos modelos de IA para desenvolver um mecanismo de segurança leve que é "verificável, mas não removível". A sua tecnologia central é:

• Impressão digital embutida: durante o treinamento, insere-se um conjunto de pares chave-valor de consulta-resposta ocultos para formar a assinatura única do modelo;
• Protocolo de verificação de propriedade: verificar se a impressão digital foi mantida através de um detector de terceiros (Prover) na forma de perguntas query;
• Mecanismo de chamada de permissão: é necessário obter o "certificado de permissão" emitido pelo proprietário do modelo antes da chamada, e o sistema autoriza o modelo a decodificar a entrada e retornar a resposta precisa com base nisso.

Este método permite a realização de "chamadas autorizadas baseadas em comportamento + verificação de pertencimento" sem custos de re-encriptação.

Estrutura de confirmação de modelo e execução segura

Sentient atualmente adota o Melange mistura de segurança: com a verificação de identidade por impressão digital, execução TEE e contratos na cadeia para divisão de lucros. O método de impressão digital é implementado pela OML 1.0 na linha principal, enfatizando a ideia de "Segurança Otimista (Optimistic Security)", ou seja, assumindo conformidade, com a possibilidade de detecção e punição em caso de violação.

O mecanismo de impressão digital é uma implementação chave do OML, que permite ao modelo gerar assinaturas únicas durante a fase de treinamento, incorporando pares de "pergunta-resposta" específicos. Através dessas assinaturas, os proprietários do modelo podem validar a propriedade, impedindo cópias e comercializações não autorizadas. Este mecanismo não apenas protege os direitos dos desenvolvedores do modelo, mas também fornece um registro rastreável na cadeia sobre o uso do modelo.

Além disso, a Sentient lançou a estrutura de cálculo Enclave TEE, utilizando ambientes de execução confiáveis (como AWS Nitro Enclaves) para garantir que os modelos respondam apenas a solicitações autorizadas, prevenindo acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente algumas vulnerabilidades de segurança, suas vantagens em desempenho e tempo real fazem dele a tecnologia central para a implementação de modelos atualmente.