Rapport de recherche Layer1 sur l'IA : à la recherche d'un sol fertile pour DeAI off-chain

Aperçu

Ces dernières années, des entreprises technologiques de premier plan comme OpenAI, Anthropic, Google et Meta ont constamment 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 même dans certains cas, démontrent le potentiel de remplacer le travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par un petit nombre de géants technologiques centralisés. Grâce à un capital solide et à leur contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence presque impossible pour la grande majorité des développeurs et des équipes d'innovation.

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 à des questions fondamentales 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 bénéfique" ou "être nuisible" deviendra de plus en plus marqué, et les géants centralisés, poussés par leur instinct de recherche de profit, manquent souvent de la motivation nécessaire pour faire face à ces défis.

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 du secteur de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont émergé sur certaines blockchains majeures. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et l'infrastructure dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits IA du monde Web2, l'IA sur blockchain reste limitée en termes de capacités des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et la largeur de l'innovation doivent être améliorées.

Pour réaliser véritablement la vision d'une IA décentralisée, permettant à la blockchain de soutenir des applications d'IA à grande échelle de manière sécurisée, efficace et démocratique, et de rivaliser en performance avec les solutions centralisées, nous devons concevoir une blockchain Layer 1 spécialement adaptée à l'IA. Cela fournira une base solide pour l'innovation ouverte en matière d'IA, la gouvernance démocratique 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 une conception de performance étroitement liées aux besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités clés suivantes :

1. Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de la couche 1 de l’IA consiste à créer un réseau ouvert et partagé de puissance de calcul, de stockage et d’autres ressources. Contrairement aux nœuds blockchain traditionnels, qui se concentrent principalement sur la tenue d’un registre, les nœuds de couche 1 de l’IA doivent entreprendre des tâches plus complexes, non seulement en fournissant de la puissance de calcul, en complétant l’entraînement et l’inférence des modèles d’IA, mais aussi en fournissant des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l’infrastructure d’IA. Cela met en avant des exigences plus élevées pour le mécanisme de consensus et d’incitation sous-jacent : la couche 1 de l’IA doit être capable d’évaluer, d’inciter et de vérifier avec précision la contribution réelle des nœuds dans l’inférence, l’entraînement et d’autres tâches de l’IA, afin d’assurer la sécurité du réseau et l’allocation efficace des ressources. Ce n’est qu’ainsi que nous pourrons assurer la stabilité et la prospérité du réseau et réduire efficacement le coût global de la puissance de calcul.

2. Excellente performance et capacité de support 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 diversité de types de tâches hétérogènes, y compris différentes structures de modèles, le traitement des données, l'inférence, le stockage et d'autres scénarios variés. 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, afin de garantir que toutes les tâches d'IA puissent s'exécuter efficacement, permettant une expansion fluide de "tâches unidimensionnelles" à un "écosystème complexe et diversifié".

3. Vérifiabilité et garantie de sortie fiable L'IA Layer 1 doit non seulement prévenir les méfaits des modèles, la falsification des données et d'autres risques de sécurité, mais aussi garantir, dès le mécanisme de base, la vérifiabilité et l'alignement des résultats produits par l'IA. En intégrant des technologies de pointe telles que les environnements d'exécution de confiance (TEE), les preuves à connaissance nulle (ZK) et le calcul sécurisé multipartite (MPC), la plateforme permet à chaque processus d'inférence de modèle, d'entraînement et de traitement des données d'être vérifié de manière indépendante, assurant ainsi l'équité et la transparence du système d'IA. En outre, cette vérifiabilité aide les utilisateurs à clarifier la logique et les fondements des sorties de l'IA, réalisant ainsi "ce que l'on obtient est ce que l'on souhaite", 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, et dans des domaines tels que la finance, la santé et les réseaux sociaux, la protection de la vie privée des données est particulièrement cruciale. L'IA Layer 1 devrait, tout en garantissant la vérifiabilité, adopter des technologies de traitement des données basées sur le cryptage, des protocoles de calcul de la vie privée et des moyens de gestion des droits des données, afin d'assurer la sécurité des données tout au long du processus d'inférence, de formation et de stockage, prévenant ainsi efficacement les fuites et les abus de données, et éliminant les inquiétudes des utilisateurs concernant la sécurité des données.

5. Capacité de support et de développement d'un écosystème puissant En tant qu'infrastructure de Layer 1 native à l'IA, la plateforme doit non seulement posséder un leadership technique, mais également fournir aux développeurs, aux opérateurs de nœuds, aux fournisseurs de services d'IA et à d'autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, elle favorise la mise en œuvre d'applications AI natives riches et diverses, réalisant ainsi la prospérité continue d'un écosystème d'IA décentralisé.

Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs de l'IA Layer1, à savoir Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en systématisant les dernières avancées du secteur, en analysant l'état actuel des projets et en explorant les tendances futures.

Sentient : construire un modèle d'IA décentralisé et open source loyal

Aperçu du projet

Sentient est une plateforme de protocole open source qui crée une blockchain AI Layer1, ( étant à l'étape initiale Layer 2, puis migrera vers Layer 1). En combinant AI Pipeline et technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes d'attribution des modèles, de suivi des appels et de distribution de valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant ainsi aux modèles d'IA de réaliser une structure de propriété on-chain, 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 d'IA, favorisant ainsi un écosystème de réseau d'agents IA équitable et ouvert.

L'équipe de la Sentient Foundation rassemble 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, responsables respectivement de la sécurité de l'IA et de la protection de la vie privée, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que dans des 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 a dès le début bénéficié d'une aura, avec des ressources riches, des relations et une reconnaissance sur le marché, fournissant un fort soutien au développement du projet. À la mi-2024, Sentient a complété un financement de 85 millions de dollars lors de son tour de table de semences, dirigé par Founders Fund, Pantera et Framework Ventures, d'autres investisseurs incluent des dizaines de VC renommés tels que Delphi, Hashkey et Spartan.

architecture de conception et couche d'application

Infrastructure

Architecture de base

L'architecture centrale de Sentient se compose de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.

Le pipeline de l'IA est la base du développement et de l'entraînement des artefacts "IA fidèle", comprenant deux processus clés :​

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

Les systèmes de blockchain offrent transparence et contrôle décentralisé pour les protocoles, garantissant la propriété des artefacts d'IA, le suivi de leur utilisation, la distribution des revenus et une gouvernance équitable. L'architecture spécifique se divise 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 l'entrée de l'appel du modèle ;
• Couche d'accès : Vérifie si l'utilisateur est autorisé via une preuve d'autorisation ;
• Couche d'incitation : Le contrat de routage des revenus attribue le paiement à chaque appel aux entraîneurs, déployeurs et validateurs.

Cadre de modélisation OML

Le cadre OML (Open, Monetizable, Loyal) est le concept central proposé par Sentient, visant à fournir 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 à l'IA, il présente les caractéristiques suivantes :

• Ouverture : le modèle doit être open source, avec un code et une structure de données transparents, permettant à la communauté de reproduire, d'auditer et d'améliorer.
• Monétisation : Chaque appel de modèle déclenchera un flux de revenus, le contrat off-chain répartira les revenus entre le formateur, le déployeur et le vérificateur.
• Loyauté : Le modèle appartient à la communauté des contributeurs, la direction des mises à niveau et la gouvernance sont décidées par le DAO, l'utilisation et la modification sont contrôlées par un mécanisme cryptographique.

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

La cryptographie native à l'IA est le développement d'un mécanisme de sécurité léger "vérifiable mais non amovible" en utilisant la continuité des modèles d'IA, la structure à faible dimension et les propriétés différentiables des modèles. Sa technologie clé est :

• Empreinte digitale : insérer un ensemble de paires clé-valeur de requête-réponse cachées lors de l'entraînement pour former une signature unique du modèle ;
• Protocole de vérification de propriété : vérifiez 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 faut obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, puis le système autorise le modèle à décoder cette entrée et à renvoyer la réponse exacte.

Cette méthode permet de réaliser "l'appel d'autorisation basé sur le comportement + la vérification d'appartenance" sans coût de recryptage.

Cadre de validation et d'exécution sécurisée des modèles

Sentient utilise actuellement la sécurité mixte Melange : une combinaison de la vérification par empreinte digitale, de l'exécution TEE et du partage des bénéfices des contrats off-chain. La méthode par empreinte digitale est réalisée par OML 1.0, soulignant la pensée de la "sécurité optimiste (Optimistic Security)", c'est-à-dire que la conformité est présumée, et les violations peuvent être détectées et punies.

Le mécanisme d'empreinte digitale est une réalisation clé d'OML. Il permet de générer une signature unique durant la phase d'entraînement en intégrant des paires « question-réponse » spécifiques. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété, empêchant ainsi la reproduction 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, qui utilise des environnements d'exécution fiables (comme AWS Nitro Enclaves) pour garantir que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi l'accès et l'utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performances élevées et de temps réel en font une technologie clé pour le déploiement des modèles actuels.

À l'avenir, Sentient prévoit d'introduire des techniques de preuve à divulgation nulle de connaissance (ZK) et de cryptographie entièrement homomorphe (FHE) pour renforcer davantage la protection de la vie privée et la vérifiabilité, afin de fournir une meilleure décentralisation des déploiements de modèles d'IA.