Rapport de recherche sur AI Layer1 : à la recherche de terres fertiles pour DeAI off-chain

Aperçu

Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé le développement rapide des modèles de langage de grande taille (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même, dans certains cas, un potentiel de substitution du travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à des capitaux solides et au contrôle de ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence pour la grande majorité des développeurs et des équipes d'innovation très difficile.

Dans le même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités apportées par la technologie, tandis que l'attention portée aux questions centrales telles que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur si l'IA doit être "bienveillante" ou "malveillante" deviendra de plus en plus proéminent, tandis que les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour faire face à ces défis de manière proactive.

La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur les blockchains mainstream. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les maillons clés et les infrastructures dépendent toujours des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA on-chain reste limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.

Pour réaliser véritablement la vision d'une IA décentralisée, permettant à la blockchain de supporter de manière sécurisée, efficace et démocratique des applications IA à grande échelle, tout en rivalisant en performance avec des solutions centralisées, nous devons concevoir une blockchain Layer 1 spécifiquement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la démocratie de la gouvernance et la sécurité des données, favorisant le développement prospère d'un écosystème d'IA décentralisé.

Les caractéristiques clés de AI Layer 1

AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance qui répondent étroitement aux besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème d'IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités centrales suivantes :

1. Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de AI Layer 1 réside dans la construction d'un réseau partagé ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, réaliser l'entraînement et l'inférence des modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, brisant ainsi le monopole des géants centralisés sur les infrastructures d'IA. Cela pose des exigences plus élevées pour le consensus de base et le mécanisme d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans les tâches d'inférence et d'entraînement d'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.

2. Performances élevées exceptionnelles et capacité de prise en charge des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, imposent des exigences très élevées en matière de performances de calcul et de capacité de traitement parallèle. De plus, l'écosystème AI off-chain doit souvent prendre en charge une variété de types de tâches hétérogènes, y compris différentes structures de modèles, le traitement des données, l'inférence, le stockage et d'autres scénarios diversifiés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de prise en charge native des ressources de calcul hétérogènes, garantissant que toutes les tâches d'IA peuvent s'exécuter efficacement, réalisant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".

3. Vérifiabilité et garantie de sortie fiable La couche AI Layer 1 doit non seulement prévenir les risques de sécurité tels que le malveillance des modèles et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau des mécanismes sous-jacents. En intégrant des technologies de pointe telles que les environnements d'exécution de confiance (TEE), les preuves à divulgation nulle de connaissance (ZK) et le calcul sécurisé multiparty (MPC), la plateforme permet de vérifier indépendamment chaque processus d'inférence de modèle, de formation et de traitement de données, assurant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité peut aider les utilisateurs à clarifier la logique et les bases des sorties de l'IA, réalisant "ce qui est obtenu est ce qui est souhaité", augmentant la confiance et la satisfaction des utilisateurs envers les produits d'IA.

4. Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs, en particulier dans les domaines financier, médical et social, où la protection de la vie privée des données est cruciale. AI Layer 1 doit, tout en garantissant la vérifiabilité, adopter des techniques de traitement des données basées sur le cryptage, des protocoles de calcul de la vie privée et des mesures de gestion des droits des données, afin d'assurer la sécurité des données tout au long du processus d'inférence, d'entraînement et de stockage, et de prévenir efficacement les fuites et les abus des données, éliminant ainsi les préoccupations des utilisateurs concernant la sécurité des données.

5. Capacités puissantes de support et de développement de l'écosystème En tant qu'infrastructure de base de Layer 1 native à l'IA, la plateforme doit non seulement posséder un avantage technologique, mais aussi fournir aux développeurs, opérateurs de nœuds, fournisseurs de services IA et autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et un mécanisme d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, on favorise la mise en œuvre d'applications IA natives riches et variées, réalisant la prospérité continue de l'écosystème IA décentralisé.

Sur la base du contexte et des attentes ci-dessus, cet article présentera en détail six projets représentatifs d'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en passant en revue les derniers développements du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.

Sentient : Construire un modèle d'IA décentralisé open source et fidèle

Aperçu du projet

Sentient est une plateforme de protocole open source qui construit une blockchain AI Layer1 (, initialement au stade Layer 2, puis migrera vers Layer 1). En combinant l'AI Pipeline et la technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes de propriété des modèles, de suivi des appels et de répartition de la valeur sur le marché des LLM centralisés grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles AI d'implémenter une structure de propriété sur chaîne, une transparence des appels et une distribution de valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits AI, favorisant ainsi un écosystème de réseau d'agents AI équitable et ouvert.

L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, dédiée à la construction d'une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'Université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de science, respectivement responsables de la sécurité et de la protection de la vie privée de l'IA, tandis que le cofondateur de Polygon, Sandeep Nailwal, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents issus d'entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que d'institutions de premier plan comme l'Université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP, la vision par ordinateur, travaillant ensemble pour faire avancer le projet.

En tant que projet de deuxième entreprise de Sandeep Nailwal, co-fondateur de Polygon, Sentient est dès ses débuts entouré d'une aura, bénéficiant de ressources riches, de réseaux et d'une reconnaissance sur le marché, ce qui lui confère un puissant soutien pour le développement du projet. Mi-2024, Sentient a finalisé un tour de financement de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs institutionnels comprenant des dizaines de VC renommés tels que Delphi, Hashkey et Spartan.

conception de l'architecture et couche d'application

infrastructure

Architecture principale

L'architecture de base de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.

Le pipeline IA est la base du développement et de l'entraînement des artefacts "AI loyal", et comprend deux processus principaux :

• Planification des données (Data Curation) : processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
• Formation à la fidélité (Loyalty Training) : garantir que le modèle maintienne un processus d'entraînement conforme à l'intention de la communauté.

Le système blockchain offre transparence et contrôle décentralisé aux protocoles, garantissant la propriété des artefacts d'IA, le suivi de l'utilisation, la distribution des revenus et une gouvernance équitable. L'architecture spécifique est divisée en quatre couches :

• Couche de stockage : stocker les poids du modèle et les informations d'enregistrement des empreintes digitales ;
• Couche de distribution : le contrat d'autorisation contrôle le point d'entrée de l'appel au modèle ;
• Couche d'accès : Vérifier si l'utilisateur est autorisé via une preuve d'autorisation ;
• Couche d'incitation : le contrat de routage des bénéfices attribuera chaque paiement lors de l'appel aux formateurs, déployeurs et validateurs.

Cadre du modèle OML

Le cadre OML (Ouvert Open, Monétisable Monetizable, Loyal Loyal) est le concept central proposé par Sentient, visant à offrir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :

• Ouverture : Le modèle doit être open source, avec un code et une structure de données transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
• Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat off-chain répartit les revenus entre le formateur, le déployeur et le vérificateur.
• Fidélité : Le modèle appartient à la communauté des contributeurs, la direction de la mise à niveau et la gouvernance sont décidées par le DAO, et l'utilisation et la modification sont contrôlées par des mécanismes cryptographiques.

Cryptographie native à l'IA (AI-native Cryptography)

La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure de variétés de faible dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est :

• Empreinte digitale : insérer un ensemble de paires clé-valeur query-response dissimulées lors de l'entraînement pour former une signature unique du modèle ;
• Protocole de vérification de propriété : vérifier si l'empreinte digitale est conservée par le biais d'un détecteur tiers (Prover) sous forme de requête.
• Mécanisme d'appel autorisé : avant l'appel, il est nécessaire d'obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, puis le système autorise le modèle à décoder cette entrée et à renvoyer une réponse précise.

Cette méthode permet de réaliser "un appel d'autorisation basé sur le comportement + une vérification d'appartenance" sans coût de récryptage.

Cadre d'authentification et d'exécution sécurisé du modèle

Sentient utilise actuellement la sécurité hybride Melange : combinaison de la reconnaissance par empreinte digitale, de l'exécution TEE et du partage des profits des contrats off-chain. La méthode par empreinte digitale est mise en œuvre par OML 1.0, soulignant l'idée de "sécurité optimiste (Optimistic Security)", c'est-à-dire conformité par défaut, avec détection et sanction en cas de violation.

Le mécanisme d'empreinte digitale est une mise en œuvre clé de l'OML, il permet, en intégrant des paires de "questions-réponses" spécifiques, au modèle de générer une signature unique lors de la phase d'entraînement. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété, empêchant ainsi la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable des comportements d'utilisation du modèle.

De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour s'assurer que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi tout accès et utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performance et de réactivité en font la technologie centrale du déploiement actuel des modèles.