Relatório de Pesquisa AI Layer1: Encontrando o Solo Fértil para DeAI na cadeia

Visão Geral

Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm impulsionado o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLMs demonstraram capacidades sem precedentes em diversos setores, expandindo imensamente o espaço imaginativo da humanidade e, em certas situações, mostrando potencial para substituir o trabalho humano. No entanto, essas tecnologias centrais são firmemente controladas por um pequeno número de gigantes tecnológicos centralizados. Com um capital robusto e controle sobre recursos computacionais caros, essas empresas estabeleceram barreiras intransponíveis, tornando difícil para a grande maioria dos desenvolvedores e equipes de inovação competirem com elas.

Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública muitas vezes se concentra nas inovações e conveniências trazidas pela tecnologia, enquanto a atenção a questões centrais como proteção da privacidade, transparência e segurança é relativamente insuficiente. A longo prazo, essas questões terão um profundo impacto no desenvolvimento saudável da indústria de IA e na aceitação social. Se não forem resolvidas adequadamente, a controvérsia sobre se a IA deve "servir ao bem" ou "servir ao mal" tornará-se cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar proativamente esses desafios.

A tecnologia blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, diversas aplicações de "Web3 AI" já surgiram em blockchains principais como Solana e Base. No entanto, uma análise mais profunda revela que esses projetos ainda enfrentam muitos problemas: por um lado, o grau de descentralização é limitado, e os elos críticos e a infraestrutura ainda dependem de serviços de nuvem centralizados; a propriedade de meme é excessiva, dificultando o suporte a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda apresenta limitações em termos de capacidade do modelo, utilização de dados e cenários de aplicação, e a profundidade e largura da inovação precisam ser aprimoradas.

Para realmente realizar a visão da IA descentralizada, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e competindo em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer1 feita sob medida para a IA. Isso proporcionará uma base sólida para a inovação aberta da IA, a governança democrática e a segurança dos dados, promovendo o próspero desenvolvimento do ecossistema de IA descentralizada.

As principais características do AI Layer 1

AI Layer 1, como uma blockchain projetada especificamente para aplicações de IA, tem sua arquitetura subjacente e design de desempenho intimamente alinhados com as necessidades das tarefas de IA, visando suportar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, o AI Layer 1 deve possuir as seguintes capacidades centrais:

1. Mecanismos de incentivo eficientes e consenso descentralizado O núcleo do AI Layer 1 reside na construção de uma rede compartilhada de recursos como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais que se concentram principalmente na contabilidade do livro-razão, os nós do AI Layer 1 precisam assumir tarefas mais complexas, não apenas fornecendo poder computacional e completando o treinamento e a inferência de modelos de IA, mas também contribuindo com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio dos gigantes centralizados na infraestrutura de IA. Isso impõe exigências mais altas sobre o consenso e o mecanismo de incentivo subjacentes: o AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a eficiente alocação de recursos. Somente assim será possível garantir a estabilidade e a prosperidade da rede e reduzir efetivamente o custo total do poder computacional.

2. Excelente desempenho e capacidade de suporte a tarefas heterogêneas As tarefas de IA, especialmente o treinamento e a inferência de LLM, impõem exigências extremamente altas em termos de desempenho computacional e capacidade de processamento paralelo. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar tipos de tarefas diversificadas e heterogêneas, incluindo diferentes estruturas de modelo, processamento de dados, inferência, armazenamento e outros cenários multivariados. O AI Layer 1 deve ser profundamente otimizado na arquitetura subjacente para atender às demandas de alta taxa de transferência, baixa latência e paralelismo flexível, e prever a capacidade de suporte nativo a recursos de computação heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, realizando uma expansão suave de "tarefa única" para "ecossistema complexo e diversificado".

3. Verificabilidade e garantia de saída confiável O AI Layer 1 não só deve prevenir riscos de segurança, como o mau uso de modelos e a manipulação de dados, mas também deve garantir a verificabilidade e alinhamento dos resultados produzidos pela IA a partir da sua mecânica subjacente. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multipartidária (MPC), a plataforma consegue fazer com que cada inferência, treinamento e processo de manipulação de dados do modelo possam ser verificados de forma independente, garantindo a justiça e a transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade pode ajudar os usuários a entenderem a lógica e a base das saídas da IA, realizando "o que se obtém é o que se deseja", aumentando a confiança e a satisfação dos usuários em relação aos produtos de IA.

4. Proteção da Privacidade dos Dados As aplicações de IA frequentemente envolvem dados sensíveis dos usuários, sendo a proteção da privacidade dos dados especialmente crítica em áreas como finanças, saúde e redes sociais. O AI Layer 1 deve adotar técnicas de processamento de dados baseadas em criptografia, protocolos de computação privada e gestão de permissões de dados, garantindo a segurança dos dados em todo o processo de inferência, treinamento e armazenamento, prevenindo eficazmente vazamentos e abusos de dados, e eliminando as preocupações dos usuários em relação à segurança dos dados.

5. Poderosa capacidade de suporte e desenvolvimento para a ecologia Como uma infraestrutura de camada 1 nativa de IA, a plataforma não só precisa ter liderança técnica, mas também deve fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós, provedores de serviços de IA e outros participantes do ecossistema. Através da otimização contínua da usabilidade da plataforma e da experiência do desenvolvedor, promover a implementação de aplicações nativas de IA ricas e diversificadas, alcançando a prosperidade contínua de um ecossistema de IA descentralizado.

Com base no contexto e nas expectativas acima, este artigo apresentará detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços na área, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.

Sentient: Construir um modelo de IA descentralizado de código aberto e leal

Visão geral do projeto

Sentient é uma plataforma de protocolo de código aberto, que está a criar uma blockchain AI Layer1 ( na fase inicial como Layer 2, e depois será migrada para Layer 1), através da combinação da AI Pipeline e da tecnologia blockchain, construindo um ecossistema de inteligência artificial descentralizado. O seu objetivo central é resolver questões de propriedade do modelo, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (, aberta, lucrativa, leal ), permitindo que os modelos de IA realizem estruturas de propriedade na cadeia, transparência nas chamadas e distribuição de valor. A visão da Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de IA, promovendo assim uma rede ecológica de agentes de IA justa e aberta.

A equipe da Sentient Foundation reúne os melhores especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicando-se a construir uma plataforma AGI comunitária, de código aberto e verificável. Os membros principais incluem o professor Pramod Viswanath da Universidade de Princeton e o professor Himanshu Tyagi do Instituto Indiano de Ciência, responsáveis pela segurança e privacidade da IA, enquanto a estratégia e o ecossistema de blockchain são liderados por Sandeep Nailwal, cofundador da Polygon. Os membros da equipe têm experiências que abrangem empresas renomadas como Meta, Coinbase, Polygon, bem como instituições de ensino de elite como a Universidade de Princeton e o Instituto Indiano de Tecnologia, cobrindo áreas como AI/ML, NLP e visão computacional, colaborando para a implementação do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, o Sentient já nasceu com um brilho especial, possuindo recursos abundantes, conexões e reconhecimento de mercado, o que proporcionou um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, o Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada pelo Founders Fund, Pantera e Framework Ventures, com outras instituições de investimento, incluindo Delphi, Hashkey e Spartan, entre várias outras VCs renomadas.

arquitetura de design e camada de aplicação

Camada de infraestrutura

Arquitetura Central

A arquitetura central do Sentient é composta por duas partes: o AI Pipeline ( e o sistema de na cadeia.

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA Leal", contendo dois processos centrais:

• Planejamento de Dados ) Curadoria de Dados (: um processo de seleção de dados impulsionado pela comunidade, utilizado para o alinhamento do modelo.
• Treino de Lealdade)Loyalty Training(: Garantir que o modelo mantenha um processo de treino consistente com a intenção da comunidade.

O sistema de cadeia de blocos oferece transparência e controle descentralizado para os protocolos, garantindo a propriedade dos artefatos de IA, o rastreamento de uso, a distribuição de rendimentos e a governança justa. A arquitetura específica é dividida em quatro camadas:

• Camada de armazenamento: armazena os pesos do modelo e as informações de registro de impressões digitais;
• Camada de distribuição: entrada de chamada de modelo controlada por contrato de autorização;
• Camada de acesso: valida se o usuário está autorizado através da prova de permissão;
• Camada de incentivo: o contrato de roteamento de receitas irá pagar a cada chamada para o formador, o implementador e o validador.

![Biteye e PANews publicam relatório de pesquisa sobre AI Layer1: buscando a terra fértil para DeAI na cadeia])https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(

)## O modelo OML

A estrutura OML ### é aberta Open, monetizável Monetizable e leal Loyal(, sendo o conceito central proposto pela Sentient, que visa fornecer proteção clara de propriedade e mecanismos de incentivo econômico para modelos de IA de código aberto. Ao combinar tecnologia na cadeia e criptografia nativa de IA, possui as seguintes características:

• Abertura: O modelo deve ser de código aberto, com código e estrutura de dados transparentes, facilitando a reprodução, auditoria e melhoria pela comunidade.
• Monetização: Cada chamada ao modelo gera um fluxo de receita, o contrato na cadeia distribuirá os lucros para o formador, o implementador e o validador.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção de atualização e a governança são decididas pela DAO, o uso e a modificação estão sob o controle de mecanismos criptográficos.

)## Criptografia nativa de IA###AI-native Cryptography(

A criptografia nativa de IA é uma mecânica de segurança leve "verificável, mas não removível", desenvolvida utilizando a continuidade dos modelos de IA, a estrutura de variedades de baixa dimensão e as características diferenciáveis dos modelos. A tecnologia central é:

• Impressão digital: inserir um conjunto de pares chave-valor de consulta-resposta ocultos durante o treinamento para formar a assinatura única do modelo;
• Protocolo de verificação de propriedade: verificar se a impressão digital foi mantida através do detector de terceiros )Prover( na forma de perguntas query;
• Mecanismo de chamada de permissão: é necessário obter um "certificado de permissão" emitido pelo proprietário do modelo antes da chamada, e o sistema, com base nisso, autoriza o modelo a decodificar a entrada e retornar a resposta correta.

Este método permite a realização de "chamadas autorizadas baseadas em comportamento + validação de pertencimento" sem o custo de recriptografia.

)## Estrutura de verificação de modelos e execução segura

Sentient atualmente utiliza segurança Melange misturada: combinando autenticação por impressão digital, execução TEE e contratos on-chain para divisão de lucros. O método de impressão digital é implementado pela OML 1.0 como linha principal, enfatizando o pensamento de "segurança otimista###Optimistic Security(", ou seja, conformidade por padrão, com detecção e penalização em caso de violação.

O mecanismo de impressão digital é a implementação chave do OML, que, através da incorporação de pares específicos de "pergunta-resposta", permite que o modelo gere assinaturas únicas na fase de treinamento. Através dessas assinaturas, os proprietários do modelo podem verificar a propriedade, prevenindo cópias não autorizadas e comercialização. Este mecanismo não só protege os direitos dos desenvolvedores do modelo, mas também fornece um registro na cadeia rastreável para o comportamento de uso do modelo.

Além disso, a Sentient lançou o framework de computação Enclave TEE, que utiliza ambientes de execução confiáveis ) como o AWS Nitro Enclaves ( para garantir que os modelos respondam apenas a solicitações autorizadas, prevenindo acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente certos riscos de segurança, suas vantagens em termos de alto desempenho e tempo real fazem dele uma tecnologia central para a implementação de modelos atuais.

No futuro, o Sentient planeia introduzir provas de conhecimento nulo )ZK( e criptografia homomórfica completa )FHE(, para aumentar ainda mais a proteção da privacidade e a verificabilidade, proporcionando uma implementação descentralizada mais madura para modelos de IA.