AI Layer1 исследование: исследование Децентрализация AI

Обзор

В последние годы такие ведущие технологические компании, как OpenAI, Anthropic, Google и Meta, продолжают активно развивать большие языковые модели (LLM). LLM демонстрируют беспрецедентные возможности в различных отраслях, значительно расширяя человеческое воображение и даже показывая потенциал замены человеческого труда в некоторых сценариях. Однако ядро этих технологий по-прежнему находится под контролем немногих централизованных технологических гигантов. Обладая значительными капиталами и контролем над дорогостоящими вычислительными ресурсами, эти компании создали непреодолимые барьеры, что делает для подавляющего большинства разработчиков и инновационных команд сложным соперничество с ними.

В то же время, на ранних этапах быстрого развития ИИ общественное мнение часто сосредоточено на прорывах и удобствах, которые предоставляет технология, в то время как вопросы защиты конфиденциальности, прозрачности и безопасности остаются относительно недостаточно обсуждаемыми. В долгосрочной перспективе эти проблемы окажут глубокое влияние на здоровье отрасли ИИ и ее социальную приемлемость. Если их не решить должным образом,争议 о том, будет ли ИИ "на благо" или "на зло", станет еще более выраженной, и централизованные гиганты, движимые инстинктом получения прибыли, часто испытывают недостаток мотивации активно справляться с этими вызовами.

Блокчейн-технологии благодаря своим характеристикам Децентрализация, прозрачность и устойчивость к цензуре предоставляют новые возможности для устойчивого развития AI-индустрии. В настоящее время на таких главных блокчейнах, как Solana и Base, уже появилось множество приложений "Web3 AI". Однако при более глубоком анализе можно обнаружить, что у этих проектов все еще есть множество проблем: с одной стороны, степень Децентрализация ограничена, ключевые этапы и инфраструктура по-прежнему зависят от централизованных облачных сервисов, мемные свойства слишком выражены, что затрудняет поддержку поистине открытой экосистемы; с другой стороны, по сравнению с AI-продуктами из мира Web2, AI на блокчейне все еще имеет ограничения в таких аспектах, как способность модели, использование данных и области применения, глубина и широта инноваций требуют улучшения.

Чтобы действительно реализовать видение децентрализованного ИИ, позволяя блокчейну безопасно, эффективно и демократически поддерживать масштабные ИИ-приложения и конкурировать с централизованными решениями по производительности, нам необходимо разработать Layer1 блокчейн, специально созданный для ИИ. Это обеспечит прочную основу для открытых инноваций в ИИ, демократического управления и безопасности данных, способствуя процветанию децентрализованной экосистемы ИИ.

Основные характеристики AI Layer 1

AI Layer 1 как блокчейн, специально разработанный для AI-приложений, имеет свою базовую архитектуру и производительность, которые тесно связаны с требованиями AI-задач, с целью эффективно поддерживать устойчивое развитие и процветание AI-экосистемы на цепочке. Конкретно, AI Layer 1 должен обладать следующими ключевыми способностями:

1. Эффективные стимулы и Децентрализация консенсусного механизма. Основная цель AI Layer 1 заключается в создании открытой сети для совместного использования ресурсов, таких как вычислительная мощность и хранение. В отличие от традиционных узлов блокчейна, которые в основном сосредоточены на ведении учета в реестре, узлы AI Layer 1 должны выполнять более сложные задачи: они должны не только предоставлять вычислительную мощность и завершать обучение и вывод AI моделей, но также вносить разнообразные ресурсы, такие как хранение, данные и пропускная способность, чтобы разрушить монополию централизованных гигантов в области инфраструктуры AI. Это предъявляет более высокие требования к базовому консенсусу и механизму стимулов: AI Layer 1 должен точно оценивать, поощрять и проверять фактический вклад узлов в задачи вывода и обучения AI, обеспечивая безопасность сети и эффективное распределение ресурсов. Только так можно гарантировать стабильность и процветание сети, а также эффективно снизить общие затраты на вычислительную мощность.

2. Высокая производительность и поддержка гетерогенных задач. Задачи ИИ, особенно обучение и вывод LLM, предъявляют высокие требования к вычислительной производительности и параллельной обработке. Более того, экосистема AI на цепочке часто должна поддерживать разнообразные и гетерогенные типы задач, включая различные структуры моделей, обработку данных, вывод, хранение и другие многообразные сценарии. AI Layer 1 должен глубоко оптимизировать свою базовую архитектуру для удовлетворения требований высокой пропускной способности, низкой задержки и эластичной параллельной обработки, а также предусмотреть нативную поддержку гетерогенных вычислительных ресурсов, чтобы гарантировать эффективную работу различных задач ИИ и обеспечить плавное расширение от "однотипных задач" до "сложной многообразной экосистемы".

3. Проверяемость и гарантии надежного вывода AI Layer 1 не только должны предотвращать злоупотребления моделями, подделку данных и другие угрозы безопасности, но и с механистической точки зрения обеспечивать проверяемость и согласованность результатов вывода AI. Интегрируя такие передовые технологии, как доверенные вычислительные среды (TEE), нулевые знания (ZK) и защищенные многосторонние вычисления (MPC), платформа позволяет независимо проверять каждый процесс вывода модели, обучения и обработки данных, обеспечивая справедливость и прозрачность системы AI. В то же время такая проверяемость помогает пользователям четко понять логику и основания вывода AI, реализуя принцип "что получаешь, то и желаешь", повышая доверие и удовлетворенность пользователей к продуктам AI.

4. Защита конфиденциальности данных Приложения ИИ часто связаны с конфиденциальными данными пользователей, особенно в финансовой, медицинской и социальной сферах, защита конфиденциальности данных является особенно важной. AI Layer 1 должен обеспечивать безопасность данных на всех этапах, таких как вывод, обучение и хранение, используя технологии обработки данных на основе шифрования, протоколы вычислений конфиденциальности и управление правами на данные, эффективно предотвращая утечку и злоупотребление данными, устраняя опасения пользователей по поводу безопасности данных.

5. Мощная способность поддержки экосистемы и разработки. В качестве инфраструктуры Layer 1, изначально предназначенной для ИИ, платформа должна не только обладать технологическим преимуществом, но и предоставлять полные инструменты разработки, интегрированные SDK, поддержку эксплуатации и механизмы стимулирования для участников экосистемы, таких как разработчики, операторы узлов и поставщики услуг ИИ. Постоянно оптимизируя доступность платформы и опыт разработчиков, мы способствуем реализации разнообразных приложений, изначально предназначенных для ИИ, и обеспечиваем устойчивое процветание децентрализованной экосистемы ИИ.

Исходя из вышеизложенного фона и ожиданий, в этой статье будет подробно описано шесть представительных проектов AI Layer1, включая Sentient, Sahara AI, Ritual, Gensyn, Bittensor и 0G, систематически рассмотрены последние достижения в данной области, проанализировано текущее состояние развития проектов и обсуждены будущие тенденции.

Sentient: Построение преданного открытого Децентрализация AI модели

Обзор проекта

Sentient является платформой с открытым исходным кодом, которая создает блокчейн AI Layer1 ( на начальном этапе как Layer 2, а затем перейдет на Layer 1), сочетая AI Pipeline и технологии блокчейна для создания децентрализованной экономики искусственного интеллекта. Его основной целью является решение проблем принадлежности модели, отслеживания вызовов и распределения стоимости на централизованном рынке LLM с помощью структуры "OML" (открытая, прибыльная, лояльная), что позволит реализовать структуру собственности на модели AI в цепочке, прозрачность вызовов и распределение стоимости. Видение Sentient заключается в том, чтобы любой мог создавать, сотрудничать, владеть и монетизировать AI-продукты, тем самым способствуя созданию справедливой и открытой экосистемы сети AI Agent.

Команда Sentient Foundation объединила ведущих мировых академических специалистов, предпринимателей в области блокчейна и инженеров, стремящихся создать сообщество, управляемое, открытое и проверяемое AGI платформу. Ключевые участники включают профессора Принстонского университета Прамода Висваната и профессора Индийского института науки Химаншу Тяги, которые отвечают за безопасность и защиту конфиденциальности ИИ, а стратегию блокчейна и экосистему возглавляет соучредитель Polygon Сандип Нейлвал. Члены команды имеют опыт работы в таких известных компаниях, как Meta, Coinbase, Polygon, а также в ведущих университетах, таких как Принстонский университет и Индийский институт технологий, охватывающих области AI/ML, NLP, компьютерного зрения и совместно способствуют реализации проекта.

Как второй стартап соучредителя Polygon Sandeep Nailwal, Sentient с самого начала обладал ореолом, имея богатые ресурсы, связи и рыночную известность, что обеспечивало проекту мощную поддержку для его развития. В середине 2024 года Sentient завершил финансирование на стадии посевного раунда в размере 85 миллионов долларов, в котором приняли участие Founders Fund, Pantera и Framework Ventures, а также десятки известных венчурных компаний, включая Delphi, Hashkey и Spartan.

Проектирование архитектуры и уровень приложений

Инфраструктурный уровень

Ядро архитектуры

Ядро архитектуры Sentient состоит из двух частей: AI Pipeline и системы блокчейна.

AI трубопровод является основой для разработки и обучения "лояльного ИИ" артефактов и включает в себя два основных процесса:​

• Планирование данных (Data Curation): процесс выбора данных, управляемый сообществом, используемый для выравнивания моделей.
• Обучение лояльности (Loyalty Training): обеспечение того, чтобы модель сохраняла процесс обучения, соответствующий намерениям сообщества.

Блокчейн-система обеспечивает прозрачность и Децентрализация контроля для протокола, гарантируя право собственности на AI-артефакты, отслеживание использования, распределение доходов и справедливое управление. Конкретная архитектура разделена на четыре уровня:

• Уровень хранения: хранение весов модели и информации о регистрации отпечатков.
• Уровень распределения: точка входа для вызова моделей контроля авторизационного контракта;
• Уровень доступа: проверка полномочий для подтверждения авторизации пользователя;
• Стимулирующий уровень: контракт маршрутизации доходов будет распределять выплаты между тренерами, развертывателями и валидаторами при каждом вызове.

OML модельная рамка

OML фреймворк (Открытый Open, Монетизируемый Monetizable, Лояльный Loyal) является ключевой концепцией, предложенной Sentient, и направлен на предоставление четкой защиты прав собственности и экономических стимулов для открытых AI моделей. Он обладает следующими характеристиками, сочетая технологии на цепочке и нативную криптографию AI:

• Открытость: Модель должна быть с открытым исходным кодом, код и структура данных должны быть прозрачными, чтобы сообщество могло воспроизводить, проверять и улучшать.
• Монетизация: Каждое выполнение модели будет вызывать поток доходов, смарт-контракт на блокчейне будет распределять доходы между тренерами, развертывателями и валидаторами.
• Лояльность: Модель принадлежит сообществу участников, направление обновления и управление определяются DAO, использование и модификация контролируются криптомеханизмом.

AI-родная криптография (AI-native Cryptography)

AI-нативное шифрование использует непрерывность моделей ИИ, низкоразмерные многообразия и дифференцируемые свойства моделей для разработки легковесного механизма безопасности "подтверждаемого, но не удаляемого". Его ключевая технология заключается в:

• Встраивание отпечатков пальцев: в процессе обучения вставляется набор скрытых пар ключ-значение для формирования уникальной подписи модели;
• Протокол проверки прав собственности: проверка сохранения отпечатков пальцев в форме запроса с помощью стороннего детектора (Prover);
• Механизм разрешенного вызова: перед вызовом необходимо получить "документ о разрешении", выданный владельцем модели, после чего система предоставляет модели право декодировать данный ввод и возвращать точный ответ.

Этот метод позволяет реализовать "авторизацию вызовов на основе поведения + верификацию принадлежности" без дополнительных затрат на повторное шифрование.

Модель подтверждения прав и безопасного исполнения

Sentient в настоящее время использует Melange смешанную безопасность: сочетание подтверждения прав собственности по отпечаткам пальцев, выполнения TEE и распределения прибыли по смарт-контрактам на блокчейне. При этом метод отпечатка пальца реализован в OML 1.0 как основная линия, подчеркивая идею "оптимистичной безопасности (Optimistic Security)", то есть предполагая соблюдение требований, с возможностью обнаружения и наказания за нарушения.

Механизм отпечатков пальцев является ключевой реализацией OML, он позволяет модели генерировать уникальную подпись на этапе обучения, встраивая конкретные "вопрос-ответ" пары. С помощью этих подписей владельцы моделей могут проверять принадлежность, предотвращая несанкционированное копирование и коммерциализацию. Этот механизм не только защищает права разработчиков моделей, но и предоставляет отслеживаемую запись использования модели на блокчейне.

Кроме того, Sentient представила вычислительный фреймворк Enclave TEE, который использует доверенные среды выполнения (такие как AWS Nitro Enclaves), чтобы гарантировать, что модели отвечают только на авторизованные запросы, предотвращая несанкционированный доступ и использование. Хотя TEE зависит от аппаратного обеспечения и имеет определённые риски безопасности, его высокая производительность и преимущества в реальном времени делают его ядром текущей деплоймента моделей.