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 escala (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, expandiendo enormemente el espacio de imaginación humana e incluso mostrando potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control sobre costosos recursos de computación, estas empresas han creado barreras casi insuperables, dificultando que la gran mayoría de desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en la fase inicial de rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la comodidad que trae la tecnología, mientras que la atención a cuestiones clave 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 la aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "dirigirse 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 motivación suficiente para enfrentarse proactivamente a estos desafíos.
La tecnología de blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en múltiples blockchains principales. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de descentralización es limitado, y los elementos clave e infraestructura aún dependen de servicios de nube centralizados, lo que dificulta el soporte de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA en la cadena tiene limitaciones en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, lo que requiere mejorar la profundidad y amplitud de la innovación.
Para lograr verdaderamente la visión de la IA descentralizada, hacer 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 democracia en la gobernanza y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y el diseño de rendimiento están estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de respaldar 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:
Mecanismo de incentivo eficiente y consenso descentralizado. El núcleo de AI Layer 1 radica en construir una red compartida de recursos como capacidad de cómputo 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 capacidad de cómputo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo 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 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 como la inferencia y el entrenamiento de IA, logrando la seguridad de la red y la distribución eficiente de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de capacidad de cómputo.
Excelentes capacidades de alto rendimiento y soporte para tareas heterogéneas. Las tareas de IA, especialmente el entrenamiento e inferencia de LLM, plantean altas exigencias en términos de rendimiento computacional y capacidad de procesamiento en paralelo. Además, el ecosistema de IA en 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. La Capa 1 de IA debe estar profundamente optimizada en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativa para recursos de computación heterogénea, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas únicas" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La capa 1 de IA no solo debe prevenir el comportamiento malicioso del modelo, la manipulación de datos y otros riesgos de seguridad, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde el mecanismo subyacente. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada inferencia del modelo, entrenamiento y proceso de manejo de datos sean verificables de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a entender claramente la lógica y los fundamentos de la salida de la IA, logrando "lo que se obtiene es lo deseado", aumentando la confianza y satisfacción de los usuarios en los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios. En los campos financiero, médico y social, la protección de la privacidad de los datos es especialmente crítica. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que adopta tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y métodos de gestión de permisos de datos, asegurando la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo efectivamente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios en cuanto a la seguridad de los datos.
Capacidad de soporte y desarrollo de un ecosistema poderoso. Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino también proporcionar a los desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema herramientas de desarrollo completas, SDK integrados, soporte de operaciones y mecanismos de incentivos. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomentará el aterrizaje de aplicaciones nativas de IA ricas y diversas, 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 Layer 1, incluidos 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: Construir modelos de IA descentralizados y de código abierto leales
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain de IA Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver problemas de propiedad 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, promoviendo así un ecosistema de red de agentes de IA justo y abierto.
El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose 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, quienes son responsables de la seguridad y privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y la disposición ecológica. Los miembros del equipo provienen de empresas reconocidas como Meta, Coinbase, Polygon, así como de universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, abarcando campos como AI/ML, NLP, visión por computadora, colaborando para impulsar la implementación del proyecto.
Como un proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, contando con abundantes recursos, conexiones 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 inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otros inversores como Delphi, Hashkey y Spartan, entre decenas de VC conocidos.
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 pipeline de IA es la base para desarrollar y entrenar artefactos de "IA leal", e incluye dos procesos clave:
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 alineado con la intención de la comunidad.
Los sistemas de blockchain proporcionan transparencia y control descentralizado para los protocolos, 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: almacenar los pesos del modelo y la información de registro de huellas dactilares;
Capa de distribución: el contrato de autorización controla el punto de entrada de la llamada al modelo;
Capa de acceso: verificar si el usuario está autorizado mediante 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 del modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, que tiene como objetivo proporcionar una protección clara de la propiedad y mecanismos de incentivos económicos para los modelos de IA de código abierto. Al combinar la tecnología on-chain y la criptografía nativa de IA, tiene las siguientes características:
Open: El modelo debe ser de código abierto, con código y estructura de datos transparentes, lo que facilita su 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 entre el entrenador, el desplegador y el validador.
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 de diferenciabilidad del modelo para desarrollar un mecanismo de seguridad ligero que es "verificable pero no removible". Su tecnología central es:
Huella digital incrustada: durante el entrenamiento se inserta un conjunto de pares clave-valor ocultos de consulta-respuesta para formar la firma única del modelo;
Protocolo de verificación de propiedad: verificar si la huella dactilar se conserva a través de un detector de terceros (Prover) en forma de pregunta query;
Mecanismo de llamada con permisos: antes de la llamada, es necesario obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema autorizará al modelo a decodificar la entrada y devolver la respuesta correcta.
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de reencriptación.
Marco de ejecución segura y derechos de modelo
Sentient actualmente utiliza Melange como combinación de seguridad: derechos de propiedad a través de huellas dactilares, ejecución TEE y contratos on-chain para la distribución de beneficios. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista (Optimistic Security)", es decir, cumplimiento por defecto, y se puede detectar y castigar en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento mediante la incorporación de pares específicos de "pregunta-respuesta". A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, previniendo la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain trazable de los comportamientos de uso del modelo.
Además, Sentient ha lanzado el marco de cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para garantizar que el modelo solo responda a solicitudes autorizadas, evitando 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 la tecnología central para el despliegue de modelos en la actualidad.
En el futuro, Sentient planea introducir pruebas de conocimiento cero (ZK) y técnicas de cifrado homomórfico completo (FHE) para mejorar aún más la protección de la privacidad y la verificabilidad, proporcionando soluciones más maduras para el despliegue descentralizado de modelos de IA.
Capa de aplicación
Actualmente, los productos de Sentient incluyen principalmente la plataforma de chat descentralizada Sentient Chat, la serie de modelos de código abierto Dobby y el marco de Agente de IA.
Modelo de la serie Dobby
SentientAGI ha lanzado múltiples modelos de la serie "Dobby", basados principalmente en el modelo Llama, enfocados en la libertad,
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
9 me gusta
Recompensa
9
4
Compartir
Comentar
0/400
NotFinancialAdviser
· hace4h
Estoy listo, por favor, déjame generar un comentario para este artículo sobre AI Layer1.
Ver originalesResponder0
LightningSentry
· hace4h
¿Es útil esta herramienta?
Ver originalesResponder0
ValidatorVibes
· hace5h
poder a los nodos, no a las corporaciones... descentraliza o muere fr
Exploración de AI Layer1: Construyendo la infraestructura básica para la Descentralización de AI
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 escala (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, expandiendo enormemente el espacio de imaginación humana e incluso mostrando potencial para reemplazar el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente controlado por unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control sobre costosos recursos de computación, estas empresas han creado barreras casi insuperables, dificultando que la gran mayoría de desarrolladores y equipos de innovación puedan competir con ellas.
Al mismo tiempo, en la fase inicial de rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la comodidad que trae la tecnología, mientras que la atención a cuestiones clave 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 la aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "dirigirse 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 motivación suficiente para enfrentarse proactivamente a estos desafíos.
La tecnología de blockchain, gracias a sus características de descentralización, transparencia y resistencia a la censura, ofrece nuevas posibilidades para el desarrollo sostenible de la industria de IA. Actualmente, han surgido numerosas aplicaciones de "Web3 AI" en múltiples blockchains principales. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de descentralización es limitado, y los elementos clave e infraestructura aún dependen de servicios de nube centralizados, lo que dificulta el soporte de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA en la cadena tiene limitaciones en términos de capacidad de modelo, utilización de datos y escenarios de aplicación, lo que requiere mejorar la profundidad y amplitud de la innovación.
Para lograr verdaderamente la visión de la IA descentralizada, hacer 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 democracia en la gobernanza y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.
Características clave de AI Layer 1
AI Layer 1, como una cadena de bloques diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y el diseño de rendimiento están estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de respaldar 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:
Mecanismo de incentivo eficiente y consenso descentralizado. El núcleo de AI Layer 1 radica en construir una red compartida de recursos como capacidad de cómputo 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 capacidad de cómputo y completando el entrenamiento e inferencia de modelos de IA, sino también contribuyendo 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 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 como la inferencia y el entrenamiento de IA, logrando la seguridad de la red y la distribución eficiente de recursos. Solo así se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de capacidad de cómputo.
Excelentes capacidades de alto rendimiento y soporte para tareas heterogéneas. Las tareas de IA, especialmente el entrenamiento e inferencia de LLM, plantean altas exigencias en términos de rendimiento computacional y capacidad de procesamiento en paralelo. Además, el ecosistema de IA en 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. La Capa 1 de IA debe estar profundamente optimizada en la arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo elástico, y preconfigurar la capacidad de soporte nativa para recursos de computación heterogénea, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas únicas" hasta "ecosistemas complejos y diversos".
Verificabilidad y garantía de salida confiable La capa 1 de IA no solo debe prevenir el comportamiento malicioso del modelo, la manipulación de datos y otros riesgos de seguridad, sino que también debe garantizar la verificabilidad y alineación de los resultados de salida de la IA desde el mecanismo subyacente. Al integrar tecnologías de vanguardia como entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK) y computación segura multipartita (MPC), la plataforma puede permitir que cada inferencia del modelo, entrenamiento y proceso de manejo de datos sean verificables de forma independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad puede ayudar a los usuarios a entender claramente la lógica y los fundamentos de la salida de la IA, logrando "lo que se obtiene es lo deseado", aumentando la confianza y satisfacción de los usuarios en los productos de IA.
Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios. En los campos financiero, médico y social, la protección de la privacidad de los datos es especialmente crítica. AI Layer 1 debe garantizar la verificabilidad al mismo tiempo que adopta tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y métodos de gestión de permisos de datos, asegurando la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo efectivamente la filtración y el abuso de datos, y eliminando las preocupaciones de los usuarios en cuanto a la seguridad de los datos.
Capacidad de soporte y desarrollo de un ecosistema poderoso. Como una infraestructura de Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino también proporcionar a los desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema herramientas de desarrollo completas, SDK integrados, soporte de operaciones y mecanismos de incentivos. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomentará el aterrizaje de aplicaciones nativas de IA ricas y diversas, 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 Layer 1, incluidos 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: Construir modelos de IA descentralizados y de código abierto leales
Resumen del proyecto
Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain de IA Layer1 ( en su fase inicial como Layer 2, y luego migrará a Layer 1). Al combinar AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es resolver problemas de propiedad 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, promoviendo así un ecosistema de red de agentes de IA justo y abierto.
El equipo de Sentient Foundation reúne a los mejores expertos académicos, emprendedores de blockchain e ingenieros de todo el mundo, dedicándose 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, quienes son responsables de la seguridad y privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y la disposición ecológica. Los miembros del equipo provienen de empresas reconocidas como Meta, Coinbase, Polygon, así como de universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, abarcando campos como AI/ML, NLP, visión por computadora, colaborando para impulsar la implementación del proyecto.
Como un proyecto de segunda empresa de Sandeep Nailwal, cofundador de Polygon, Sentient llegó con un halo desde su creación, contando con abundantes recursos, conexiones 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 inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otros inversores como Delphi, Hashkey y Spartan, entre decenas de VC conocidos.
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 pipeline de IA es la base para desarrollar y entrenar artefactos de "IA leal", e incluye dos procesos clave:
Los sistemas de blockchain proporcionan transparencia y control descentralizado para los protocolos, 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:
Marco del modelo OML
El marco OML (Abierto Open, Monetizable Monetizable, Leal Loyal) es el concepto central propuesto por Sentient, que tiene como objetivo proporcionar una protección clara de la propiedad y mecanismos de incentivos económicos para los modelos de IA de código abierto. Al combinar la tecnología on-chain y la criptografía nativa de IA, tiene las siguientes características:
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 de diferenciabilidad del modelo para desarrollar un mecanismo de seguridad ligero que es "verificable pero no removible". Su tecnología central es:
Este método permite realizar "llamadas autorizadas basadas en el comportamiento + verificación de pertenencia" sin el costo de reencriptación.
Marco de ejecución segura y derechos de modelo
Sentient actualmente utiliza Melange como combinación de seguridad: derechos de propiedad a través de huellas dactilares, ejecución TEE y contratos on-chain para la distribución de beneficios. El método de huellas dactilares se implementa en la línea principal OML 1.0, enfatizando la idea de "Seguridad Optimista (Optimistic Security)", es decir, cumplimiento por defecto, y se puede detectar y castigar en caso de incumplimiento.
El mecanismo de huellas dactilares es una implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento mediante la incorporación de pares específicos de "pregunta-respuesta". A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, previniendo la copia y comercialización no autorizadas. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain trazable de los comportamientos de uso del modelo.
Además, Sentient ha lanzado el marco de cálculo Enclave TEE, que utiliza entornos de ejecución confiables (como AWS Nitro Enclaves) para garantizar que el modelo solo responda a solicitudes autorizadas, evitando 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 la tecnología central para el despliegue de modelos en la actualidad.
En el futuro, Sentient planea introducir pruebas de conocimiento cero (ZK) y técnicas de cifrado homomórfico completo (FHE) para mejorar aún más la protección de la privacidad y la verificabilidad, proporcionando soluciones más maduras para el despliegue descentralizado de modelos de IA.
Capa de aplicación
Actualmente, los productos de Sentient incluyen principalmente la plataforma de chat descentralizada Sentient Chat, la serie de modelos de código abierto Dobby y el marco de Agente de IA.
Modelo de la serie Dobby
SentientAGI ha lanzado múltiples modelos de la serie "Dobby", basados principalmente en el modelo Llama, enfocados en la libertad,