Informe de investigación de AI Layer1: buscando tierras fértiles 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 modelos de lenguaje grandes (LLM). Los LLM han demostrado capacidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación humana e incluso mostrando potencial para sustituir el trabajo humano en ciertos escenarios. Sin embargo, estas tecnologías centrales están firmemente controladas por un pequeño número de gigantes tecnológicos centralizados. Con capital sólido y control sobre costosos recursos de computación, estas empresas han establecido barreras casi insuperables, lo que dificulta a la gran mayoría de los desarrolladores y equipos de innovación 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 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 su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA es "para el bien" o "para 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 enfrentar estos desafíos de manera proactiva.

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 IA" en blockchains principales como Solana y Base. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan varios problemas: por un lado, el grado de descentralización es limitado, y los eslabones clave y la infraestructura aún dependen de servicios en la nube centralizados, con una fuerte carga de meme, 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 en cadena aún muestra limitaciones en términos de capacidad de modelo, uso 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, que la cadena de bloques pueda soportar aplicaciones de IA a gran escala de manera segura, eficiente y democrática, y que pueda competir en rendimiento con soluciones centralizadas, necesitamos diseñar una cadena de bloques Layer1 específicamente creada para la IA. Esto proporcionará una base sólida para la innovación abierta de la IA, la gobernanza democrática y la seguridad de los datos, impulsando el próspero desarrollo del ecosistema de IA descentralizada.

Características centrales de AI Layer 1

AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, su arquitectura subyacente y 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 centrales:

1. Mecanismo 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 la contabilidad del libro mayor, los nodos de AI Layer 1 necesitan asumir tareas más complejas, no solo deben proporcionar potencia de cálculo, completar el entrenamiento y la inferencia de modelos de IA, sino que también deben contribuir 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 requisitos más altos 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 la alta eficiencia en la distribución de 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 alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, presentan altas demandas en rendimiento computacional y capacidad de procesamiento paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar una variedad de tipos de tareas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. La Capa 1 de IA debe optimizar profundamente la arquitectura subyacente para cumplir con las demandas de alta capacidad de procesamiento, baja latencia y paralelismo elástico, y preestablecer la capacidad de soporte nativo para recursos de computación heterogéneos, asegurando que diversas tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas simples" hasta un "ecosistema complejo y diverso".

3. Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir la malicia de los modelos, la manipulación de datos y otros riesgos de seguridad, sino que también debe garantizar desde el mecanismo subyacente la verificabilidad y alineación de los resultados de salida de la IA. Al integrar tecnologías de vanguardia como el entorno de ejecución confiable (TEE), la prueba de conocimiento cero (ZK) y el cálculo seguro multiparte (MPC), la plataforma puede permitir que cada inferencia de 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 también puede ayudar a los usuarios a comprender la lógica y la base de la salida de la IA, logrando "lo que se obtiene es lo deseado", 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 los usuarios; en campos como las finanzas, la salud y las redes sociales, la protección de la privacidad de los datos es especialmente crucial. AI Layer 1 debe garantizar la verificabilidad mientras utiliza tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación privada y gestión de permisos de datos, para asegurar la seguridad de los datos durante todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente la filtración y el abuso de datos, eliminando así las preocupaciones de los usuarios sobre la seguridad de los datos.

5. Capacidad de soporte y desarrollo de un ecosistema potente Como infraestructura Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también necesita proporcionar a los participantes del ecosistema, como desarrolladores, operadores de nodos y proveedores de servicios de IA, 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 fomentará 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 mencionadas, 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 campo, analizando el estado actual de desarrollo de los proyectos y explorando las tendencias futuras.

Sentient: Construyendo un modelo de IA descentralizado y de código abierto leal

Resumen del proyecto

Sentient es una plataforma de protocolo de código abierto que está construyendo una blockchain AI Layer1 (, en la fase inicial como Layer 2, y luego migrará a Layer 1). A través de la combinación de AI Pipeline y tecnología blockchain, está construyendo una economía de inteligencia artificial descentralizada. Su objetivo principal es resolver los problemas de propiedad del modelo, seguimiento de llamadas y distribución de valor en el mercado de LLM centralizado a través del marco "OML" (, abierto, rentable y leal, permitiendo que los modelos de IA tengan una estructura de propiedad en la 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 mejores expertos académicos, emprendedores de blockchain e ingenieros del mundo, comprometidos a construir una plataforma de AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor de la Universidad de Princeton, Pramod Viswanath, y al profesor del Instituto Indio de Ciencia, Himanshu Tyagi, quienes son responsables de la seguridad y protección de la privacidad de la IA, mientras que Sandeep Nailwal, cofundador de Polygon, lidera la estrategia blockchain y el diseño del ecosistema. 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 áreas 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 halo 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 otras instituciones inversoras como Delphi, Hashkey y Spartan, entre decenas de reconocidos VC.

![Biteye y PANews publican conjuntamente un informe de investigación sobre AI Layer1: buscando la tierra fértil para DeAI on-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(

) arquitectura de diseño y capa de aplicación

Capa de infraestructura

Arquitectura central

La arquitectura central de Sentient está compuesta por el AI Pipeline### y un sistema de blockchain.

La tubería de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que 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 alineado 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 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 controlado por contrato de autorización;
• Capa de acceso: verifica si el usuario está autorizado mediante prueba de permisos;
• Capa de incentivos: el contrato de enrutamiento de ingresos asignará los pagos de cada llamada a los entrenadores, desplegadores y validadores.

(## Marco del modelo OML

El marco OML ) es abierto, monetizable y leal, y es el concepto central propuesto por Sentient, destinado a proporcionar una clara protección de la propiedad y mecanismos de incentivo económico para modelos de IA de código abierto. A través de la combinación de tecnología on-chain y criptografía nativa de IA, presenta las siguientes características:

• Abierto: 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 vez que se llama al modelo, se activará un flujo de ingresos, el contrato on-chain distribuirá los ingresos entre el entrenado, el desplegador y el validador.
• Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de las actualizaciones y la gobernanza son decididas por la DAO, y su uso y modificación están controlados por mecanismos criptográficos.

AI nativa criptografía(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 de los modelos para desarrollar un mecanismo de seguridad ligero que es "verificable pero no removible". Su tecnología central es:

• Inserción de huellas dactilares: durante el entrenamiento, se inserta un conjunto de pares clave-valor de consulta-respuesta encubiertos 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 consulta.
• Mecanismo de llamada con permiso: antes de la llamada, se debe obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema otorgará permiso al modelo para 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 re-encriptación.

)## Marco de ejecución segura y certificación de modelos

Sentient actualmente utiliza la seguridad híbrida Melange: combinando la verificación de huellas dactilares, la ejecución de TEE y la distribución de beneficios de contratos on-chain. El método de huellas dactilares se implementa en OML 1.0 como línea principal, enfatizando la idea de "seguridad optimista(Optimistic Security)", es decir, se asume la conformidad y se puede detectar y castigar en caso de incumplimiento.

El mecanismo de huellas digitales es una implementación clave de OML, que permite al modelo generar una firma única durante la fase de entrenamiento al incorporar pares específicos de "pregunta-respuesta". A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, 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 acciones de uso del modelo.

Además, Sentient ha lanzado el marco de cálculo Enclave TEE, utilizando entornos de ejecución confiables ### como AWS Nitro Enclaves ( para asegurar que los modelos solo respondan a solicitudes autorizadas, previniendo accesos y usos no autorizados. 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 cifrado totalmente homomórfico )FHE( para mejorar aún más la protección de la privacidad y la verificabilidad, proporcionando un despliegue descentralizado más maduro para los modelos de IA.