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

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 mostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso demostrando en ciertos escenarios el potencial para reemplazar el trabajo humano. Sin embargo, el núcleo de estas tecnologías está firmemente en manos de unos pocos gigantes tecnológicos centralizados. Con un fuerte capital y el control sobre los costosos recursos de computación, 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 ellas.

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 hacia 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 suficiente motivación para enfrentar activamente 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, 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 numerosos problemas: por un lado, el grado de descentralización es limitado, y etapas clave e infraestructura todavía dependen de servicios en la nube centralizados; la propiedad meme es excesiva, lo que dificulta el sostenimiento de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain sigue siendo limitada en términos de capacidad de modelos, utilización de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación deben mejorarse.

Para lograr verdaderamente la visión de la IA descentralizada, y permitir que la blockchain soporte aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y que compita en rendimiento con las 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, promoviendo 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 una arquitectura subyacente y un diseño de rendimiento que se centra 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 la cadena. En concreto, AI Layer 1 debe poseer las siguientes capacidades clave:

1. Mecanismos de incentivos eficientes y consenso descentralizado El núcleo de AI Layer 1 radica en construir una red compartida de recursos como potencia de cálculo y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando potencia de cálculo y completando el entrenamiento y la 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 subyacentes: 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 eficiente distribución de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, así como 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 e inferencia de LLM, plantean altos requerimientos de rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA en la cadena a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente en la arquitectura subyacente para necesidades de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y prever la capacidad de soporte nativa para recursos de computación heterogénea, asegurando que todas las tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida de "tareas únicas" a "ecosistemas complejos y diversos".

3. Verificabilidad y garantía de salida confiable La Capa 1 de IA no solo debe prevenir riesgos de seguridad como el mal uso del modelo y la manipulación de datos, sino que también debe asegurar la verificabilidad y alineación de los resultados de salida de IA desde la mecánica de base. A través de la integración de entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK), computación segura multipartita (MPC) y otras tecnologías de vanguardia, la plataforma puede permitir que cada proceso de inferencia de modelo, entrenamiento y procesamiento de datos sea verificado 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 las bases de la salida de IA, logrando "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción de los usuarios con los productos de IA.

4. Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de usuarios; en los campos financiero, médico y social, la protección de la privacidad de los datos es especialmente crucial. AI Layer 1 debe, al garantizar la verificabilidad, adoptar tecnologías de procesamiento de datos basadas en criptografía, protocolos de cálculo de privacidad y gestión de permisos de datos, entre otros, para asegurar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la fuga y el abuso de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.

5. Potente capacidad de soporte y desarrollo del ecosistema Como infraestructura Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe proporcionar a los desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema, 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 fomenta la implementación de aplicaciones nativas de IA diversas y ricas, logrando la prosperidad continua del ecosistema de IA descentralizado.

Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, sistematizando los últimos avances en el sector, analizando el estado actual del desarrollo de los proyectos y explorando las tendencias futuras.

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

Descripción del proyecto

Sentient es una plataforma de protocolo de código abierto que está creando una cadena de bloques AI Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar AI Pipeline y tecnología de cadena de bloques, 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 LLM centralizado a través del marco "OML" (abierto, rentable, leal), permitiendo que los modelos de IA logren una estructura de propiedad en cadena, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquier persona pueda construir, colaborar, poseer y monetizar productos de IA, impulsando 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 de todo el mundo, dedicados a construir una plataforma 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, responsables de la seguridad y protección de la privacidad de la IA, mientras que el cofundador de Polygon, Sandeep Nailwal, lidera la estrategia blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas de renombre 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, visión por computadora, entre otros, trabajando juntos para impulsar la implementación del proyecto.

Como el segundo proyecto empresarial de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un aura especial desde su creación, con abundantes recursos, contactos y reconocimiento en el mercado, lo que proporciona un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiación semilla de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con la participación de otras instituciones de inversión, incluyendo a Delphi, Hashkey y Spartan, entre decenas de reconocidas VC.

Diseño de arquitectura y capa de aplicación

Capa de infraestructura

Arquitectura central

La arquitectura central de Sentient está compuesta por un pipeline de IA (AI Pipeline) y un sistema de blockchain.

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

• 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 coherente con la intención de la comunidad.

El sistema de blockchain proporciona transparencia y control descentralizado para el protocolo, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:

• Capa de almacenamiento: almacenamiento de pesos del modelo y la información de registro de huellas dactilares;
• Capa de distribución: el contrato de autorización controla la entrada de llamada del modelo;
• 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 por cada llamada a entrenadores, implementadores y validadores.

Marco de modelo OML

El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es la idea central propuesta por Sentient, que tiene como objetivo proporcionar una clara protección de la propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar la tecnología on-chain y la criptografía nativa de IA, tiene las siguientes características:

• Apertura: El modelo debe ser de código abierto, con código y estructura de datos transparentes, lo que facilita la replicación, 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 el 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: Verificar si la huella dactilar se ha conservado a través de un detector de terceros (Prover) en forma de consulta.
• Mecanismo de llamada de permisos: antes de la llamada, se debe obtener el "certificado de permisos" emitido por el propietario del modelo, y el sistema otorgará autorización al modelo para decodificar la entrada y devolver la respuesta precisa.

Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin costo de recifrado.

Marco de derechos de modelo y ejecución segura

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

El mecanismo de huellas dactilares es la implementación clave de OML, que genera firmas únicas 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 y prevenir copias y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain rastreable de los comportamientos 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 garantizar que los modelos solo respondan a solicitudes autorizadas, evitando el acceso y uso no autorizado. Aunque TEE depende del hardware y presenta ciertos riesgos de seguridad, su alta rendimiento y ventajas de tiempo real lo convierten en la tecnología central para el despliegue de modelos en la actualidad.

En el futuro, Sentient planea introducir tecnologías de prueba de cero conocimiento (ZK) y cifrado homomórfico completo (FHE) para mejorar aún más la protección de la privacidad y la verificabilidad, para el modelo de IA.