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

Resumo

Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm impulsionado rapidamente o desenvolvimento de Modelos de Linguagem de Grande Escala (LLM). Os LLM têm demonstrado capacidades sem precedentes em diversos setores, expandindo enormemente o espaço da imaginação humana e, em algumas situações, 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 computacionais caros, essas empresas estabeleceram barreiras quase intransponíveis, dificultando a competição para a grande maioria dos desenvolvedores e equipes de inovação.

Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública tende a se concentrar 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 afetarão profundamente o desenvolvimento saudável da indústria de IA e a aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" se tornará cada vez mais proeminente, e os gigantes centralizados, impulsionados pelo instinto de lucro, geralmente carecem de motivação suficiente para enfrentar esses desafios proativamente.

A tecnologia blockchain, devido às suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, já surgiram inúmeras aplicações "Web3 AI" em algumas das principais blockchains. No entanto, uma análise mais aprofundada revela que esses projetos ainda enfrentam vários problemas: por um lado, o grau de descentralização é limitado, os elos críticos e a infraestrutura ainda dependem de serviços de nuvem centralizados, e a propriedade meme é excessiva, dificultando a sustentação de 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 modelo, utilização de dados e cenários de aplicação, sendo necessário aprimorar a profundidade e a 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 que rivalize em 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 desenvolvimento próspero do ecossistema de IA descentralizada.

As principais características 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, visando apoiar de forma eficiente o desenvolvimento e a prosperidade sustentáveis 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 do AI Layer 1 reside na construção de uma rede compartilhada de recursos abertos, como poder de computação e armazenamento. Ao contrário dos nós tradicionais da blockchain, que se concentram principalmente na contabilidade do livro-razão, os nós do AI Layer 1 precisam assumir tarefas mais complexas, não apenas fornecendo poder de computação e completando o treinamento e a 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 coloca exigências mais elevadas sobre o consenso e os mecanismos de incentivo subjacentes: o AI Layer 1 deve ser capaz de avaliar, incentivar e verificar com precisão a contribuição real dos nós nas tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a alocação eficiente de recursos. Somente assim é possível garantir a estabilidade e prosperidade da rede, além de reduzir efetivamente o custo total do poder de computação.

2. Desempenho elevado e capacidade de suporte a tarefas heterogêneas A tarefa de IA, especialmente o treinamento e a inferência de LLM, impõe altas exigências de desempenho computacional e capacidade de processamento paralelo. Além disso, o ecossistema de IA na cadeia geralmente precisa suportar tipos de tarefas diversificadas e heterogêneas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários múltiplos. A AI Layer 1 deve ser profundamente otimizada na arquitetura de base para atender às demandas de alta capacidade de processamento, baixa latência e paralelismo flexível, além de prever a capacidade de suporte nativa a recursos de computação heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, realizando uma expansão suave de "tarefas únicas" para "ecossistemas complexos e diversificados".

3. Verificabilidade e Garantia de Saída Confiável A AI Layer 1 não só deve prevenir comportamentos maliciosos do modelo e a manipulação de dados, mas também garantir, desde a sua base, a verificabilidade e a alinhação dos resultados da saída da AI. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multipartidária (MPC), a plataforma pode permitir que cada inferência de modelo, treinamento e processo de processamento de dados sejam independentemente verificáveis, garantindo a justiça e transparência do sistema de AI. Ao mesmo tempo, essa verificabilidade também pode ajudar os usuários a entender a lógica e as bases das saídas da AI, realizando "o que se obtém é o que se deseja", aumentando a confiança e a satisfação dos usuários em relação aos produtos de AI.

4. Proteção da privacidade de dados Aplicações de IA frequentemente envolvem dados sensíveis dos usuários, sendo a proteção da privacidade de dados especialmente crucial em áreas como finanças, saúde e redes sociais. A AI Layer 1 deve garantir a verificabilidade ao mesmo tempo que utiliza técnicas de processamento de dados baseadas em criptografia, protocolos de computação privada e gestão de permissões de dados, assegurando a segurança dos dados durante 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 poderosa de suporte e desenvolvimento do ecossistema Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só deve possuir liderança técnica, mas também fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte à operação 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, promovendo a implementação de aplicações nativas de IA ricas e diversas, alcançando a prosperidade contínua de um ecossistema de IA descentralizado.

Com base no contexto e expectativas acima, este artigo irá apresentar detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços do setor, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.

Sentient: construir modelos de IA descentralizados e de código aberto com lealdade

Visão geral do projeto

Sentient é uma plataforma de protocolo de código aberto que está a construir uma blockchain AI Layer1 ( na fase inicial como Layer 2, e depois será migrada para Layer 1). Ao combinar AI Pipeline e tecnologia blockchain, está a construir uma economia de inteligência artificial descentralizada. O seu objetivo central é resolver problemas de propriedade do modelo, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (aberta, lucrativa, leal), permitindo que os modelos de IA realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e partilha de valor. A visão da Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de IA, promovendo assim um ecossistema de rede de Agentes de IA justo e aberto.

A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicando-se a 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 proteção da privacidade da IA, enquanto Sandeep Nailwal, cofundador da Polygon, lidera a estratégia e o ecossistema de blockchain. Os membros da equipe vêm de empresas renomadas como Meta, Coinbase, Polygon, bem como de universidades de ponta como a Universidade de Princeton e o Instituto Indiano de Tecnologia, abrangendo 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 um certo prestígio, possuindo recursos abundantes, conexões e reconhecimento de mercado, oferecendo 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 pela Founders Fund, Pantera e Framework Ventures, com outras instituições de investimento incluindo Delphi, Hashkey e Spartan, entre outras dezenas de VCs renomados.

Estrutura de design e camada de aplicação

Camada de 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:

• Planeamento de Dados (Data Curation): um processo de seleção de dados orientado pela comunidade, utilizado para o alinhamento de modelos.
• Treino de Lealdade (Loyalty Training): garantir que o modelo mantenha um processo de treino alinhado 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 os pesos do modelo e as informações de registro de impressões digitais;
• Camada de distribuição: entrada de chamada de modelo controlada por contrato de autorização;
• Camada de acesso: verifica se o usuário está autorizado através da prova de permissão;
• Camada de incentivo: O contrato de roteamento de rendimento irá pagar a distribuição a cada chamada para os treinadores, implementadores e validadores.

Estrutura do Modelo OML

A estrutura OML (Aberto Open, Monetizável Monetizable, Leal 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: Cada chamada ao modelo gera um fluxo de receita, o contrato na cadeia irá distribuir os ganhos para os treinadores, implementadores e validadores.
• Lealdade: O modelo pertence à comunidade dos contribuidores, a direção de atualização e a governança são decididas pela DAO, e o uso e modificação são controlados por mecanismos de criptografia.

Criptografia nativa de IA (AI-native Cryptography)

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

• Impressão digital embutida: insere durante o treinamento 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 é mantida através de um detector de terceiros (Prover) na forma de uma pergunta query;
• Mecanismo de chamada de permissão: Antes da chamada, é necessário obter o "certificado de autorização" emitido pelo proprietário do modelo, e o sistema autoriza o modelo a decodificar a entrada e retornar a resposta correta com base nisso.

Esta abordagem permite a realização de "chamadas autorizadas baseadas em comportamentos + verificação de afiliação" sem custos de re-encriptação.

Modelo de Certificação e Estrutura de Execução Segura

Sentient atualmente utiliza a segurança Melange: combina a verificação por impressão digital, execução TEE e contratos na cadeia para divisão de lucros. O método de impressão digital é implementado pela OML 1.0 como a linha principal, enfatizando a ideia de "Segurança Otimista", ou seja, presume conformidade e pode detectar e punir em caso de violação.

O mecanismo de impressão digital é a implementação chave do OML, que, através da incorporação de pares de "pergunta-resposta" específicos, permite que o modelo gere assinaturas únicas na fase de treinamento. Através dessas assinaturas, os proprietários do modelo podem verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não só protege os direitos dos desenvolvedores do modelo, mas também fornece um registo na cadeia rastreável sobre o comportamento de uso do modelo.

Além disso, a Sentient lançou a estrutura de computação Enclave TEE, que utiliza ambientes de execução confiáveis (como AWS Nitro Enclaves) para garantir que o modelo responda apenas a solicitações autorizadas, prevenindo o acesso e uso não autorizados. Embora o TEE dependa de hardware e apresente algumas vulnerabilidades de segurança, suas vantagens em termos de alto desempenho e tempo real fazem dele uma tecnologia central para a implantação atual de modelos.

No futuro, a Sentient planeia introduzir provas de conhecimento zero (ZK) e criptografia homomórfica completa (FHE), para melhorar ainda mais a proteção da privacidade e a verificabilidade, para os modelos de IA.