AI Layer1 Araştırması: On-chain DeAI için verimli toprakları bulmak

Genel Bakış

Son yıllarda OpenAI, Anthropic, Google, Meta gibi önde gelen teknoloji şirketleri büyük dil modellerinin (LLM) hızlı gelişimini sürekli olarak teşvik ediyor. LLM, her sektörde benzeri görülmemiş yetenekler sergileyerek insanın hayal gücünü büyük ölçüde genişletti ve bazı durumlarda insan emeğinin yerini alma potansiyelini bile gösterdi. Ancak, bu teknolojilerin çekirdeği, az sayıda merkezi teknoloji devinin elinde sıkı bir şekilde tutuluyor. Güçlü sermaye ve yüksek maliyetli hesaplama kaynakları üzerindeki kontrolü sayesinde, bu şirketler aşılması zor engeller oluşturdu ve çoğu geliştirici ve yenilikçi ekibin onlarla rekabet etmesini zorlaştırdı.

Aynı zamanda, AI'nın hızlı evriminin ilk aşamalarında, kamuoyunun genellikle teknolojinin getirdiği atılımlara ve kolaylıklara odaklandığı, ancak gizlilik koruma, şeffaflık, güvenlik gibi temel sorunlara olan ilginin nispeten az olduğu görülmektedir. Uzun vadede, bu sorunlar AI endüstrisinin sağlıklı gelişimini ve sosyal kabulünü derinden etkileyecektir. Eğer uygun bir şekilde çözülemezse, AI'nın "iyiliğe" mi yoksa "kötülüğe" mi yönelmesi konusunda tartışmalar daha da belirginleşecektir; merkezi devlerin kâr güdüsüyle hareket etmesi, bu zorluklarla etkin bir şekilde başa çıkma motivasyonunu genellikle yeterince bulamamasına neden olmaktadır.

Blok zinciri teknolojisi, merkeziyetsizlik, şeffaflık ve sansüre karşı dayanıklılık gibi özellikleri sayesinde AI endüstrisinin sürdürülebilir gelişimine yeni olanaklar sunmaktadır. Şu anda, bazı ana akım blok zincirlerinde birçok "Web3 AI" uygulaması ortaya çıkmıştır. Ancak derinlemesine bir analiz yapıldığında, bu projelerin hala birçok sorunla karşı karşıya olduğu görülebilir: bir yandan, merkeziyetsizlik derecesi sınırlıdır, kritik aşamalar ve altyapılar hala merkezi bulut hizmetlerine bağımlıdır, bu da gerçek anlamda açık bir ekosistemi desteklemekte zorluk yaratmaktadır; diğer yandan, Web2 dünyasındaki AI ürünleriyle karşılaştırıldığında, on-chain AI, model yetenekleri, veri kullanımı ve uygulama senaryoları gibi alanlarda sınırlı kalmaktadır, yenilik derinliği ve genişliği artırılmayı beklemektedir.

Gerçekten merkeziyetsiz bir AI vizyonunu gerçekleştirmek, blok zincirinin büyük ölçekli AI uygulamalarını güvenli, verimli ve demokratik bir şekilde barındırabilmesi ve performans açısından merkezi çözümlerle rekabet edebilmesi için, AI'ya özel tasarlanmış bir Layer1 blok zinciri geliştirmemiz gerekiyor. Bu, AI'nın açık yeniliği, yönetim demokrasisi ve veri güvenliği için sağlam bir temel sağlayacak ve merkeziyetsiz AI ekosisteminin refahını destekleyecektir.

AI Layer 1'in Temel Özellikleri

AI Layer 1, AI uygulamaları için özel olarak tasarlanmış bir blok zinciri olarak, temel mimarisi ve performans tasarımı, AI görevlerinin gereksinimlerine sıkı bir şekilde odaklanmıştır ve on-chain AI ekosisteminin sürdürülebilir gelişimini ve refahını etkin bir şekilde desteklemeyi amaçlamaktadır. Özellikle, AI Layer 1 aşağıdaki temel yeteneklere sahip olmalıdır:

1. Verimli teşvik ve merkeziyetsiz uzlaşma mekanizması AI Layer 1'in temeli, açık bir hesaplama gücü, depolama ve diğer kaynakların paylaşım ağı oluşturmaktır. Geleneksel blok zinciri düğümlerinin öncelikle defter kaydına odaklanmasının aksine, AI Layer 1 düğümleri daha karmaşık görevleri üstlenmek zorundadır; sadece hesaplama gücü sağlamak, AI modellerinin eğitimini ve çıkarımını tamamlamakla kalmayıp, aynı zamanda depolama, veri, bant genişliği gibi çeşitli kaynakları da katkıda bulunmaları gerekmektedir. Bu, merkezi devlerin AI altyapısındaki tekelini kırmak için gereklidir. Bu durum, temel konsensüs ve teşvik mekanizmaları için daha yüksek bir gereksinim ortaya koymaktadır: AI Layer 1, düğümlerin AI çıkarım, eğitim gibi görevlerdeki gerçek katkılarını doğru bir şekilde değerlendirebilmeli, teşvik etmeli ve doğrulamalıdır; bu sayede ağın güvenliği ve kaynakların verimli dağıtımı sağlanabilir. Ancak bu şekilde ağın istikrarı ve refahı garanti altına alınabilir ve genel hesaplama gücü maliyetleri etkili bir şekilde düşürülebilir.

2. Üstün yüksek performans ve heterojen görev destek yeteneği AI görevleri, özellikle LLM eğitimi ve çıkarımı, hesaplama performansı ve paralel işleme yetenekleri için son derece yüksek gereksinimler ortaya koymaktadır. Dahası, on-chain AI ekosistemleri genellikle farklı model yapıları, veri işleme, çıkarım, depolama gibi çeşitli senaryoları içeren çeşitlendirilmiş ve heterojen görev türlerini desteklemelidir. AI Layer 1, temel mimaride yüksek hacim, düşük gecikme ve esnek paralel gibi gereksinimler için derinlemesine optimize edilmeli ve heterojen hesaplama kaynaklarına yerel destek kapasitesi önceden belirlenmelidir. Böylece çeşitli AI görevlerinin verimli bir şekilde çalışmasını sağlamak ve "tekil görev"ten "karmaşık ve çeşitli ekosistem"e sorunsuz bir genişleme gerçekleştirmek mümkün olacaktır.

3. Doğrulanabilirlik ve güvenilir çıktı garantisi AI Layer 1 yalnızca model kötüye kullanımı, veri manipülasyonu gibi güvenlik tehditlerini önlemekle kalmamalı, aynı zamanda temeldeki mekanizma ile AI çıktılarının doğrulanabilirliğini ve uyumluluğunu sağlamalıdır. Güvenilir yürütme ortamı (TEE), sıfır bilgi kanıtı (ZK), çok taraflı güvenli hesaplama (MPC) gibi öncü teknolojileri entegre ederek, platform her bir model çıkarımı, eğitimi ve veri işleme sürecinin bağımsız olarak doğrulanabilmesini sağlar, böylece AI sisteminin adil ve şeffaf olmasını temin eder. Aynı zamanda, bu doğrulanabilirlik kullanıcıların AI çıktılarının mantığını ve dayanağını net bir şekilde anlamalarına yardımcı olarak "bulunan tam olarak istenen" ilkesini gerçekleştirir ve kullanıcıların AI ürünlerine olan güvenini ve memnuniyetini artırır.

4. Veri gizliliği koruma AI uygulamaları sıkça kullanıcıların hassas verilerini içerir; finans, sağlık, sosyal gibi alanlarda veri gizliliği koruması özellikle kritik öneme sahiptir. AI Layer 1, doğrulanabilirliği sağlarken, şifreleme temelli veri işleme teknikleri, gizlilik hesaplama protokolleri ve veri erişim yönetimi gibi yöntemler kullanarak verilerin çıkarım, eğitim ve depolama süreçlerinde güvenliğini sağlamalı, veri sızıntılarını ve suistimalleri etkili bir şekilde önlemeli ve kullanıcıların veri güvenliği konusundaki endişelerini ortadan kaldırmalıdır.

5. Güçlü ekosistem barındırma ve geliştirme destek kapasitesi AI yerel bir Layer 1 altyapısı olarak, platform yalnızca teknik olarak öncü olmakla kalmamalı, aynı zamanda geliştiricilere, düğüm operatörlerine, AI hizmeti sağlayıcılarına ve diğer ekosistem katılımcılarına kapsamlı geliştirme araçları, entegre SDK'lar, operasyon desteği ve teşvik mekanizmaları sunmalıdır. Platformun kullanılabilirliğini ve geliştirici deneyimini sürekli optimize ederek, zengin ve çeşitli AI yerel uygulamalarının hayata geçmesini teşvik etmek ve merkeziyetsiz AI ekosisteminin sürekli refahını sağlamak.

Yukarıdaki arka plan ve beklentilere dayanarak, bu makalede Sentient, Sahara AI, Ritual, Gensyn, Bittensor ve 0G dahil altı AI Layer1 temsilci projesi detaylı bir şekilde tanıtılacak, alanın en son gelişmeleri sistematik olarak gözden geçirilecek, projelerin mevcut gelişim durumu analiz edilecek ve gelecekteki eğilimler tartışılacaktır.

Sentient: Sadık Açık Kaynak Merkezsiz AI Modeli Oluşturma

Proje Özeti

Sentient, açık kaynaklı bir protokol platformudur ve ( başlangıç aşaması Layer 2 olan bir AI Layer1 blok zinciri inşa etmektedir. Daha sonra Layer 1)'ye geçiş yapacaktır. AI Pipeline ve blok zincir teknolojisini birleştirerek merkeziyetsiz bir yapay zeka ekonomisi inşa etmeyi hedeflemektedir. Temel amacı, "OML" çerçevesi (açık, kârlı, sadık) aracılığıyla merkezi LLM pazarındaki model mülkiyeti, çağrı izleme ve değer dağıtım sorunlarını çözmektir. Bu sayede AI modellerinin on-chain mülkiyet yapısı, çağrı şeffaflığı ve değer paylaşımı sağlanacaktır. Sentient'in vizyonu, herkesin AI ürünlerini inşa edebilmesi, iş birliği yapabilmesi, sahiplenebilmesi ve para kazanabilmesi için bir adım atarak adil ve açık bir AI Agent ağ ekosistemini teşvik etmektir.

Sentient Foundation ekibi, dünya çapında önde gelen akademik uzmanları, blockchain girişimcileri ve mühendisleri bir araya getirerek, topluluk odaklı, açık kaynaklı ve doğrulanabilir bir AGI platformu inşa etmeye kendini adamıştır. Çekirdek üyeleri arasında Princeton Üniversitesi profesörü Pramod Viswanath ve Hindistan Bilim Enstitüsü profesörü Himanshu Tyagi bulunmaktadır; bu profesörler sırasıyla AI güvenliği ve gizliliği konularında sorumludur. Ayrıca, Polygon'un kurucu ortağı Sandeep Nailwal, blockchain stratejisi ve ekosistem düzenlemesi konusunda liderlik yapmaktadır. Ekip üyeleri, Meta, Coinbase, Polygon gibi tanınmış şirketlerin yanı sıra Princeton Üniversitesi, Hindistan Teknoloji Enstitüsü gibi önde gelen üniversitelerden gelen bir geçmişe sahip olup, AI/ML, NLP, bilgisayar görüsü gibi alanları kapsayarak projeyi hayata geçirmek için iş birliği yapmaktadır.

Polygon'un kurucu ortağı Sandeep Nailwal'ın ikinci girişim projesi olan Sentient, kuruluşunun ilk anından itibaren bir aura ile birlikte gelmiş olup, zengin kaynaklar, bağlantılar ve piyasa farkındalığına sahip olarak proje gelişimine güçlü bir destek sağlamıştır. 2024 yılının ortalarında, Sentient 85 milyon dolar tutarında bir tohum finansmanı turunu tamamladı. Bu turda Founders Fund, Pantera ve Framework Ventures liderlik yaptı; diğer yatırımcılar arasında Delphi, Hashkey ve Spartan gibi onlarca tanınmış VC bulunmaktadır.

Tasarım Mimarisi ve Uygulama Katmanı

Altyapı Katmanı

Küçük Mimari

Sentient'in temel mimarisi, AI Pipeline ve on-chain sistem olmak üzere iki bölümden oluşmaktadır:

AI boru hattı, "sadık AI" nesnelerini geliştirmek ve eğitmek için temel oluşturur ve iki ana süreç içerir:

• Veri Planlaması (Data Curation): Modelin hizalanması için topluluk tarafından yönlendirilen veri seçme süreci.
• Sadakat Eğitimi (Loyalty Training): Modelin topluluk niyetleriyle tutarlı bir eğitim süreci sürdürmesini sağlamak.

Blok zinciri sistemi, protokollere şeffaflık ve merkeziyetsiz kontrol sağlayarak, AI eserlerinin sahipliği, kullanım takibi, gelir dağılımı ve adil yönetişimi güvence altına alır. Spesifik mimari dört katmana ayrılmıştır:

• Depolama katmanı: Model ağırlıkları ve parmak izi kayıt bilgilerini depolar;
• Dağıtım katmanı: Yetkilendirme sözleşmesi kontrol modeli çağrı girişi;
• Erişim katmanı: Kullanıcının yetkilendirilip yetkilendirilmediğini doğrulamak için izin kanıtı kullanır;
• Teşvik katmanı: Kazanç yönlendirme sözleşmesi, her çağrıda eğitimciler, dağıtıcılar ve doğrulayıcılara ödeme dağıtır.

OML model çerçevesi

OML çerçevesi (Açık Open, Para Kazanılabilir Monetizable, Sadık Loyal), Sentient tarafından önerilen bir temel fikir olup, açık kaynak AI modellerine net mülkiyet koruması ve ekonomik teşvik mekanizmaları sağlamak amacıyla tasarlanmıştır. On-chain teknolojisi ve AI yerel kriptografisini birleştirerek aşağıdaki özelliklere sahiptir:

• Açıklık: Modelin açık kaynak olması, kod ve veri yapısının şeffaf olması, topluluğun yeniden üretmesini, denetlemesini ve geliştirmesini kolaylaştırmalıdır.
• Para kazanma: Her model çağrısı bir gelir akışını tetikler, on-chain sözleşme gelirleri eğitmen, dağıtıcı ve doğrulayıcıya dağıtır.
• Sadakat: Model, katkı sağlayıcı topluluğuna aittir, yükseltme yönü ve yönetim DAO tarafından belirlenir, kullanım ve değişiklikler kriptografik mekanizma tarafından kontrol edilir.

AI Yerel Kriptografi (AI-native Cryptography)

AI yerel kripto, AI modellerinin sürekliliği, düşük boyutlu manifold yapısı ve modelin türevlenebilir özelliklerini kullanarak "doğrulanabilir ama çıkarılamaz" hafif güvenlik mekanizmaları geliştirmektir. Temel teknolojisi şudur:

• Parmak İzi Entegre Etme: Eğitim sırasında modelin benzersiz imzasını oluşturmak için gizli bir dizi sorgu-cevap anahtar-değer çifti eklenir;
• Mülkiyet doğrulama protokolü: Üçüncü taraf dedektörü (Prover) aracılığıyla sorgu şeklinde parmak izinin saklanıp saklanmadığını doğrulama;
• İzin çağrı mekanizması: Çağrılmadan önce model sahibinin verdiği "izin belgesi" alınmalı, sistem buna göre modelin bu girişi çözmesine ve doğru yanıtı döndürmesine izin verir.

Bu yöntem, "davranışa dayalı yetkilendirme çağrısı + aitlik doğrulaması"nın yeniden şifreleme maliyeti olmadan gerçekleştirilmesini sağlar.

Model Hakları ve Güvenli Uygulama Çerçevesi

Sentient şu anda Melange karışık güvenlik modelini kullanıyor: parmak izi doğrulama, TEE uygulaması ve on-chain akıllı sözleşmelerle gelir paylaşımı kombinasyonu. Parmak izi yöntemi OML 1.0 ile ana hat olarak uygulanmakta olup, "optimizm güvenliği (Optimistic Security)" fikrini vurgulamaktadır; yani varsayılan olarak uyumlu kabul edilir, ihlal durumunda tespit edilip cezalandırılabilir.

Parmak izi mekanizması, OML'nin ana uygulamasıdır ve belirli "soru-cevap" çiftlerini gömerek modelin eğitim aşamasında benzersiz bir imza oluşturmasını sağlar. Bu imzalar aracılığıyla, model sahibi mülkiyeti doğrulayabilir, yetkisiz kopyalama ve ticarileşmeyi önleyebilir. Bu mekanizma, model geliştiricilerinin haklarını korumakla kalmaz, aynı zamanda modelin kullanım davranışına dair izlenebilir bir on-chain kayıt sağlar.

Ayrıca, Sentient, yalnızca yetkilendirilmiş isteklerle yanıt veren ve izinsiz erişim ile kullanımı önleyen güvenilir yürütme ortamlarını (AWS Nitro Enclaves gibi) kullanarak Enclave TEE hesaplama çerçevesini tanıttı. TEE donanıma bağımlıdır ve belirli güvenlik riskleri taşır, ancak yüksek performansı ve gerçek zamanlılık avantajları, onu mevcut model dağıtımının temel teknolojisi haline getirir.

Gelecekte, Sentient, gizliliği ve doğrulanabilirliği daha da artırmak için sıfır bilgi kanıtları (ZK) ve tam homomorfik şifreleme (FHE) teknolojilerini tanıtmayı planlıyor ve bu, AI modellerinin merkeziyetsiz dağıtımına daha fazla olanak sağlayacak.