AI Layer1 исследовательский отчет: поиск плодородной почвы для DeAI в блокчейне

Обзор

В последние годы такие ведущие технологические компании, как OpenAI, Anthropic, Google и Meta, продолжают активно развивать большие языковые модели (LLM). LLM демонстрируют беспрецедентные возможности в различных отраслях, значительно расширяя горизонты человеческого воображения и даже проявляя потенциал замены человеческого труда в некоторых случаях. Однако эти ключевые технологии находятся под строгим контролем небольшого числа централизованных технологических гигантов. Благодаря мощным капиталам и контролю над дорогими вычислительными ресурсами, эти компании создали непреодолимые барьеры, что затрудняет большинству разработчиков и инновационных команд конкурировать с ними.

В то же время, на ранних стадиях быстрого развития ИИ общественное мнение часто сосредоточено на прорывах и удобствах, которые приносит технология, в то время как внимание к таким ключевым вопросам, как защита личных данных, прозрачность и безопасность, относительно невелико. В долгосрочной перспективе эти проблемы глубоко повлияют на здоровое развитие отрасли ИИ и ее общественное восприятие. Если их не решить должным образом, споры о том, будет ли ИИ "направлен на добро" или "направлен на зло", станут все более заметными, в то время как централизованные гиганты, движимые жаждой прибыли, обычно не имеют достаточной мотивации для активного решения этих проблем.

Технология блокчейна, благодаря своим децентрализованным, прозрачным и антикоррупционным характеристикам, открывает новые возможности для устойчивого развития AI-индустрии. В настоящее время на таких основных блокчейнах как Solana и Base уже появилось множество приложений "Web3 AI". Однако при более глубоком анализе можно выявить, что эти проекты все еще сталкиваются со многими проблемами: с одной стороны, степень децентрализации ограничена, ключевые этапы и инфраструктура по-прежнему зависят от централизованных облачных сервисов, мемные свойства преобладают, что затрудняет поддержку по-настоящему открытой экосистемы; с другой стороны, по сравнению с AI-продуктами мира Web2, AI в блокчейне все еще ограничен в моделях возможностей, использовании данных и сценариях применения, глубина и широта инноваций требуют улучшения.

Чтобы действительно реализовать видение децентрализованного ИИ, позволяя блокчейну безопасно, эффективно и демократично поддерживать масштабные ИИ-приложения и конкурировать с централизованными решениями по производительности, нам необходимо спроектировать Layer1 блокчейн, специально созданный для ИИ. Это обеспечит прочную основу для открытых инноваций в области ИИ, демократического управления и безопасности данных, способствуя процветанию децентрализованной экосистемы ИИ.

Основные характеристики AI Layer 1

AI Layer 1 как блокчейн, специально разработанный для AI-приложений, его базовая архитектура и производительность плотно связаны с требованиями AI-задач, с целью эффективно поддерживать устойчивое развитие и процветание AI-экосистемы в блокчейне. В частности, AI Layer 1 должен обладать следующими ключевыми возможностями:

1. Эффективные стимулы и децентрализованный механизм консенсуса 核心 AI Layer 1 заключается в создании открытой сети для совместного использования вычислительных мощностей, хранения и других ресурсов. В отличие от традиционных узлов блокчейна, которые в основном сосредоточены на ведении учета в книге, узлы AI Layer 1 должны выполнять более сложные задачи, не только предоставляя вычислительные мощности, но и выполняя обучение и вывод AI моделей, а также внося разнообразные ресурсы, такие как хранилище, данные и пропускная способность, чтобы разрушить монополию централизованных гигантов на инфраструктуру AI. Это предъявляет более высокие требования к базовому консенсусу и механизму стимулов: AI Layer 1 должен иметь возможность точно оценивать, стимулировать и проверять фактический вклад узлов в задачи, такие как вывод и обучение AI, для обеспечения безопасности сети и эффективного распределения ресурсов. Только так можно гарантировать стабильность и процветание сети и эффективно снизить общие затраты на вычислительные мощности.

2. Превосходная производительность и поддержка гетерогенных задач Задачи ИИ, особенно обучение и вывод LLM, предъявляют крайне высокие требования к вычислительной производительности и способности к параллельной обработке. Более того, экосистема ИИ в блокчейне часто должна поддерживать разнообразные и гетерогенные типы задач, включая различные структуры моделей, обработку данных, вывод, хранение и другие многообразные сценарии. AI Layer 1 должен глубоко оптимизировать свою базовую архитектуру для удовлетворения требований высокой пропускной способности, низкой задержки и эластичной параллельной обработки, а также предусмотреть родную поддержку гетерогенных вычислительных ресурсов, чтобы обеспечить эффективное выполнение различных задач ИИ и обеспечить плавное расширение от "однородных задач" к "сложной многообразной экосистеме".

3. Проверяемость и надежность выходных данных AI Layer 1 не только должен предотвращать злоупотребления моделями, искажение данных и другие угрозы безопасности, но также должен на уровне базовых механизмов обеспечивать проверяемость и согласованность результатов, выводимых AI. Интегрируя такие передовые технологии, как доверенная вычислительная среда (TEE), нулевое доказательство (ZK), многопартитные безопасные вычисления (MPC), платформа позволяет независимо проверять каждый процесс вывода модели, обучения и обработки данных, обеспечивая справедливость и прозрачность AI-системы. В то же время, такая проверяемость может помочь пользователям понять логику и основы вывода AI, реализовать "что получено, то и желаемо", повышая доверие и удовлетворенность пользователей к AI-продуктам.

4. Защита конфиденциальности данных Приложения ИИ часто связаны с конфиденциальными данными пользователей, особенно в таких областях, как финансы, здравоохранение и социальные сети, где защита конфиденциальности данных имеет решающее значение. AI Layer 1 должен обеспечивать проверяемость, одновременно используя технологии обработки данных на основе шифрования, протоколы вычислений с защитой конфиденциальности и управление правами на данные для обеспечения безопасности данных на всех этапах: от вывода и обучения до хранения, эффективно предотвращая утечку и неправильное использование данных, устраняя тем самым беспокойство пользователей по поводу безопасности данных.

5. Мощные возможности поддержки и разработки экосистемы Как AI-родная инфраструктура уровня 1, платформа должна не только обладать технологическим превосходством, но и предоставлять полные инструменты разработки, интегрированные SDK, поддержку операций и механизмы стимулирования для разработчиков, операторов узлов, поставщиков AI-услуг и других участников экосистемы. Постоянно оптимизируя доступность платформы и опыт разработчиков, мы способствуем реализации разнообразных AI-родных приложений и обеспечиваем постоянное процветание децентрализованной AI-экосистемы.

Исходя из вышеуказанного контекста и ожиданий, в данной статье будет подробно рассмотрено шесть представительных проектов AI Layer1, включая Sentient, Sahara AI, Ritual, Gensyn, Bittensor и 0G, систематизированы последние достижения в данной области, проанализировано текущее состояние развития проектов и обсуждены будущие тенденции.

Sentient: создание доверительных открытых децентрализованных AI моделей

Обзор проекта

Sentient является открытой платформой протоколов, которая создает AI Layer1 в блокчейне(. На начальном этапе это Layer 2, а затем будет мигрировать на Layer 1). Сочетая AI Pipeline и технологии блокчейна, создается децентрализованная экономика искусственного интеллекта. Его основной целью является решение проблем принадлежности моделей, отслеживания вызовов и распределения ценностей на централизованном рынке LLM с помощью "OML" фрейма (, обеспечивая открытость, прибыльность и лояльность), что позволит AI моделям реализовать структуру собственности на блокчейне, прозрачность вызовов и распределение ценностей. Видение Sentient заключается в том, чтобы любой мог создавать, сотрудничать, владеть и монетизировать AI продукты, тем самым способствуя справедливой и открытой экосистеме сети AI Agent.

Команда Sentient Foundation объединяет мировых ведущих академических экспертов, предпринимателей в области блокчейна и инженеров, стремясь создать сообщество, управляемое, открытое и проверяемое платформой AGI. В состав ключевых участников входят профессор Принстонского университета Прамод Вишванат и профессор Индийского института науки Химаншу Тяги, которые отвечают за безопасность и защиту конфиденциальности ИИ, а стратегию блокчейна и экосистему возглавляет соучредитель Polygon Сандип Найлвал. Члены команды имеют опыт работы в таких известных компаниях, как Meta, Coinbase, Polygon, а также в ведущих учебных заведениях, таких как Принстонский университет и Индийский институт технологий, охватывающих области AI/ML, NLP, компьютерного зрения и совместно продвигая реализацию проекта.

Как второй стартап соучредителя Polygon Сандипа Нейлвала, Sentient с самого начала была окружена ореолом, обладая обширными ресурсами, связями и рыночной осведомленностью, что предоставило проекту мощную поддержку для его развития. В середине 2024 года Sentient завершила этап посевного финансирования на сумму 85 миллионов долларов, который возглавили Founders Fund, Pantera и Framework Ventures, среди других инвестиционных компаний, таких как Delphi, Hashkey и Spartan, а также десятки известных венчурных капиталистов.

Проектирование архитектуры и уровень приложений

Инфраструктурный уровень

Основная архитектура

Ядро архитектуры Sentient состоит из двух частей: AI Pipeline ( и системы в блокчейне.

AI трубопровод является основой для разработки и обучения артефактов "лояльного ИИ", включает два основных процесса:

• Данные планирования ) Data Curation (: процесс выбора данных, управляемый сообществом, для согласования модели.
• Тренинг лояльности)Loyalty Training(: обеспечить соответствие процесса обучения модели намерениям сообщества.

Система блокчейна обеспечивает прозрачность и децентрализованный контроль для протоколов, обеспечивая право собственности на артефакты ИИ, отслеживание использования, распределение доходов и справедливое управление. Конкретная архитектура разделена на четыре уровня:

• Уровень хранения: хранение весов модели и информации о регистрации отпечатков.
• Уровень распределения: точка входа для вызова модели управления контрактом авторизации;
• Уровень доступа: проверка правомочности пользователя через подтверждение разрешений;
• Уровень стимулов: контракт маршрутизации доходов будет распределять платежи за каждый вызов между тренерами, развертывателями и валидаторами.

![Biteye и PANews совместно выпустили исследование AI Layer1: поиск плодородной почвы для DeAI в блокчейне])https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(

)## OML модельная рамка

Основная концепция OML Framework ### открыта Open, может быть монетизирована Monetizable, лояльна Loyal(, предложенная Sentient, направлена на обеспечение четкой защиты прав собственности и экономических стимулов для открытых AI моделей. Объединяя технологии в блокчейне и нативную криптографию AI, обладает следующими характеристиками:

• Открытость: Модель должна быть с открытым исходным кодом, код и структура данных должны быть прозрачными, чтобы сообщество могло воспроизводить, проверять и улучшать.
• Монетизация: каждый вызов модели будет инициировать поток доходов, в блокчейне контракт будет распределять доход между тренерами, деплойерами и валидаторами.
• Лояльность: Модель принадлежит сообществу вкладчиков, направление обновлений и управление определяются DAO, использование и модификация контролируются криптомеханизмом.

)## AI нативная криптография###AI-native Cryptography(

AI-родное шифрование использует непрерывность моделей AI, структуры низкоразмерного многообразия и дифференцируемые свойства моделей для разработки "проверяемого, но не удаляемого" легковесного механизма безопасности. Его ядро технологии:

• Встраивание отпечатков пальцев: во время обучения вставляется набор скрытых пар запрос-ответ для формирования уникальной подписи модели;
• Протокол верификации собственности: проверка, сохранился ли отпечаток, с помощью третьего лица-детектора )Prover( в форме запроса.
• Механизм разрешения вызова: перед вызовом необходимо получить "документ разрешения", выданный владельцем модели, после чего система предоставляет разрешение модели декодировать этот ввод и вернуть точный ответ.

Этот метод позволяет реализовать "авторизацию вызовов на основе поведения + верификацию принадлежности" без затрат на повторное шифрование.

)## Модель правовой защиты и безопасного исполнения

Sentient в настоящее время использует Melange смешанную безопасность: сочетание подтверждения прав собственности по отпечаткам пальцев, исполнения TEE и распределения прибыли по смарт-контрактам в блокчейне. При этом метод отпечатков пальцев реализован в OML 1.0, подчеркивая философию "оптимистичной безопасности ###Optimistic Security(", то есть по умолчанию соблюдение норм, а в случае нарушения — возможность обнаружения и наказания.

Механизм отпечатков пальцев является ключевой реализацией OML, он позволяет модели генерировать уникальные подписи на этапе обучения, внедряя определенные "вопрос-ответ" пары. Благодаря этим подписям, владельцы модели могут проверять право собственности, предотвращая несанкционированное копирование и коммерциализацию. Этот механизм не только защищает права разработчиков модели, но и предоставляет отслеживаемую запись о поведении использования модели в блокчейне.

Кроме того, Sentient представила вычислительную платформу Enclave TEE, использующую доверенные среды выполнения ), такие как AWS Nitro Enclaves (, чтобы гарантировать, что модели реагируют только на авторизованные запросы, предотвращая несанкционированный доступ и использование. Несмотря на то, что TEE зависит от аппаратного обеспечения и имеет определенные риски безопасности, его высокая производительность и преимущества в реальном времени делают его ключевой технологией для развертывания современных моделей.

В будущем Sentient планирует внедрить технологии нулевых знаний )ZK( и полногомоментного шифрования )FHE(, чтобы дополнительно улучшить защиту конфиденциальности и проверяемость, предоставляя более зрелое решение для децентрализованного развертывания AI моделей.