Informe de investigación de AI Layer1: Buscando el terreno fértil para DeAI on-chain

Resumen

En los últimos años, empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta han impulsado el rápido desarrollo de los modelos de lenguaje de gran tamaño (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, expandiendo enormemente el espacio de imaginación humana, e incluso han mostrado potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por un pequeño número de gigantes tecnológicos centralizados. Con un capital sólido y el control de costosos recursos de cómputo, estas empresas han establecido barreras difíciles de superar, lo que dificulta que la gran mayoría de los desarrolladores y equipos de innovación puedan competir con ellos.

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 cuestiones 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 "orientarse al bien" o "orientarse al 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 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, han surgido numerosas aplicaciones de "Web3 AI" en las principales blockchains. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan numerosos problemas: por un lado, el grado de descentralización es limitado, los aspectos clave y la infraestructura aún dependen de servicios de nube centralizados, lo que dificulta el soporte para un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA en cadena sigue siendo limitada en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.

Para lograr verdaderamente la visión de una IA descentralizada, y permitir 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 en IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.

Las características centrales de AI Layer 1

AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, tiene una arquitectura subyacente y un diseño de rendimiento que se centran estrechamente en 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 cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades centrales:

1. Mecanismo de consenso descentralizado y de incentivos eficientes El núcleo de AI Layer 1 radica en construir una red compartida de recursos, como potencia de cálculo y almacenamiento, que sea abierta. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en la contabilidad del libro mayor, los nodos de AI Layer 1 deben asumir tareas más complejas; no solo deben proporcionar potencia de cálculo y completar el entrenamiento e inferencia de modelos de IA, sino que también deben contribuir 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 exigencias para el consenso subyacente y los mecanismos 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 una distribución eficiente de los 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 y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, plantean altas exigencias en cuanto al 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 debe optimizar profundamente su arquitectura subyacente para satisfacer demandas de alto rendimiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativo para recursos de computación heterogéneos, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión suave de "tareas únicas" a "ecosistemas complejos y diversos".

3. Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir riesgos de seguridad como el abuso del modelo y la manipulación de datos, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde el mecanismo de base. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma permite que cada inferencia del modelo, entrenamiento y proceso de manejo de datos sean verificables de manera independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a aclarar la lógica y los fundamentos de la salida de la IA, logrando que "lo recibido sea lo deseado", aumentando la confianza y satisfacción del usuario 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 las finanzas, 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 criptografía, protocolos de computación de privacidad y gestión de permisos de datos, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente las filtraciones y el uso indebido de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.

5. Poderosa capacidad de soporte y desarrollo del ecosistema Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe 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 disponibilidad de la plataforma y la experiencia del desarrollador, se fomentará la implementación de aplicaciones nativas de IA ricas y diversas, logrando así 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, organizando sistemáticamente los últimos avances en el sector, analizando el estado actual de los proyectos y explorando las tendencias futuras.

Sentient: construir modelos de IA descentralizados y de código abierto leales

Resumen del proyecto

Sentient es una plataforma de protocolo de código abierto que está creando una blockchain de AI Layer1 ( en su fase inicial como Layer 2, y luego se trasladará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver los problemas de pertenencia de modelos, seguimiento de llamadas y distribución de valor en el mercado de LLM centralizado a través del marco "OML" (abierto, rentable, leal), permitiendo que los modelos de AI logren una estructura de propiedad en cadena, transparencia en las llamadas y una distribución de valor. La visión de Sentient es permitir que cualquier persona construya, colabore, posea y monetice productos de AI, impulsando así un ecosistema de red de agentes de AI justo y abierto.

El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros del mundo, dedicándose a construir una plataforma de AGI impulsada por la comunidad, 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 protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia de blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase, Polygon, así como universidades de élite como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP y visión por computadora, trabajando juntos para impulsar la implementación del proyecto.

Como el segundo proyecto empresarial de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un aura desde su creación, con abundantes recursos, conexiones y un alto reconocimiento en el mercado, lo que proporcionó un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiamiento inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con la participación de otras instituciones de inversión como Delphi, Hashkey y Spartan, entre decenas de conocidas firmas de capital de riesgo.

diseño de arquitectura y capa de aplicación

Capa de infraestructura

Arquitectura central

La arquitectura central de Sentient se compone de dos partes: el Pipeline de IA (AI Pipeline) y el sistema de blockchain.

El canal de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", e incluye dos procesos clave:​

• Curaduría 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.

El sistema de blockchain proporciona transparencia y control descentralizado a 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, Leal Loyal) es el concepto central propuesto por Sentient, destinado a proporcionar una protección clara de la propiedad y un mecanismo de incentivos económicos para modelos de IA de código abierto. Combinando tecnología on-chain y criptografía nativa de IA, cuenta con 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 desencadenará un flujo de ingresos, el contrato on-chain distribuirá 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 su 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 de los modelos para desarrollar un mecanismo de seguridad ligero "verificable pero no removible". Su tecnología central es:

• Huella digital incrustada: insertar un conjunto de pares clave-valor de consulta-respuesta ocultos durante el entrenamiento para formar la firma única del modelo;
• Protocolo de verificación de propiedad: verificación de si la huella dactilar se mantiene a través de un detector de terceros (Prover) en forma de consulta.
• Mecanismo de llamada autorizada: Antes de la llamada, es necesario obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema otorgará autorización al modelo para decodificar la entrada y devolver la respuesta correcta.

Este método permite lograr "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costos de re-encriptación.

Marco de ejecución seguro y de derechos de modelo

Sentient actualmente utiliza Melange mezcla de seguridad: combinando la verificación de huellas dactilares, la ejecución TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares se basa en la implementación de OML 1.0, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, cumplimiento por defecto, con la capacidad de detectar y castigar las violaciones.

El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar una firma única en la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, el propietario del modelo puede verificar la propiedad, 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 en cadena rastreable de las conductas de uso del modelo.

Además, Sentient ha lanzado el marco de computación Enclave TEE, que utiliza entornos de ejecución de confianza (como AWS Nitro Enclaves) para garantizar 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 una opción para el despliegue de modelos actuales.