Pesquisa sobre a camada 1 da IA: Encontrando o solo fértil para DeAI na cadeia

Visão Geral

Nos últimos anos, empresas de tecnologia líderes como OpenAI, Anthropic, Google e Meta têm impulsionado o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstram capacidades sem precedentes em diversos setores, ampliando enormemente o espaço de imaginação humana, e até mesmo mostrando potencial para substituir o trabalho humano em certos cenários. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de um pequeno número de gigantes tecnológicos centralizados. Com um forte capital e controle sobre recursos de computação caros, essas empresas estabeleceram barreiras difíceis de transpor, tornando difícil para a maioria dos desenvolvedores e equipes de inovação competir com elas.

Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública frequentemente 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, esses problemas afetarão profundamente o desenvolvimento saudável da indústria de IA e a aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" se tornará cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios proativamente.

A tecnologia de blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, já surgiram várias aplicações de "Web3 AI" em algumas blockchains mainstream. No entanto, uma análise mais profunda revela que esses projetos ainda enfrentam muitos problemas: por um lado, o grau de descentralização é limitado, e etapas e infraestruturas chave ainda dependem de serviços de nuvem centralizados, o que dificulta o apoio a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda é limitada em termos de capacidade de modelo, utilização de dados e cenários de aplicação, e a profundidade e a amplitude da inovação ainda precisam ser aprimoradas.

Para realmente alcançar a visão de AI descentralizada, permitindo que a blockchain suporte aplicações de AI em larga escala de forma segura, eficiente e democrática, e competindo em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer 1 feita sob medida para AI. Isso fornecerá uma base sólida para a inovação aberta em AI, a democracia na governança e a segurança dos dados, promovendo o desenvolvimento próspero de um ecossistema de AI descentralizado.

As principais características da camada 1 de IA

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 apoiar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, 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 abertos, como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais que se concentram principalmente no registro de livros contábeis, 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, rompendo assim o monopólio dos gigantes centralizados na infraestrutura de IA. Isso impõe requisitos mais altos ao consenso e ao mecanismo de incentivo de base: o AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós nas 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, além de reduzir efetivamente o custo total do poder computacional.

2. Desempenho elevado e capacidade de suporte a tarefas heterogéneas A tarefa de IA, especialmente o treino e a inferência de LLM, exige elevados padrões de desempenho computacional e capacidade de processamento paralelo. Além disso, o ecossistema de IA na cadeia frequentemente necessita de suportar tipos de tarefas diversificadas e heterogéneas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários multifacetados. A AI Layer 1 deve ser profundamente otimizada na sua arquitetura subjacente para atender às exigências de alta taxa de transferência, baixa latência e paralelismo elástico, e prever a capacidade de suporte nativo a recursos de computação heterogénea, assegurando que várias tarefas de IA possam ser executadas de forma eficiente, permitindo uma expansão suave de "tarefas únicas" para um "ecossistema complexo e diversificado".

3. Verificabilidade e Garantia de Saída Confiável A AI Layer 1 não apenas deve prevenir comportamentos maliciosos do modelo, como também a manipulação de dados e outras vulnerabilidades de segurança, mas deve, acima de tudo, garantir a verificabilidade e a alinhamento dos resultados da saída de IA a partir da mecânica de fundo. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multipartidária (MPC), a plataforma permite que cada inferência de modelo, treinamento e processo de manipulação de dados possam ser independentemente verificados, garantindo a justiça e a transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também pode ajudar os usuários a entenderem a lógica e a fundamentação das saídas de 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 Aplicações de IA frequentemente lidam com dados sensíveis dos usuários, sendo a proteção da privacidade dos dados especialmente crítica em áreas como finanças, saúde e redes sociais. A AI Layer 1 deve adotar técnicas de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, garantindo a segurança dos dados durante todo o processo de inferência, treinamento e armazenamento, prevenindo efetivamente vazamentos e abusos de dados, e eliminando as preocupações dos usuários em relação à segurança dos dados.

5. Capacidades poderosas de suporte ao desenvolvimento e à infraestrutura ecológica Como uma infraestrutura de Layer 1 nativa de IA, a plataforma não só precisa ter uma liderança técnica, mas também deve fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e prestadores de serviços de IA, entre outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promove-se a implementação de aplicações nativas de IA ricas e diversificadas, alcançando a prosperidade contínua do ecossistema descentralizado de IA.

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, organizando os últimos avanços da pista, analisando o estado atual do desenvolvimento dos projetos e discutindo as tendências futuras.

Sentient: construir modelos de IA descentralizados e de código aberto com lealdade

Visão geral do projeto

Sentient é uma plataforma de protocolo de código aberto que está criando uma blockchain AI Layer1 ( na fase inicial como Layer 2, que depois será migrada para Layer 1). Ao combinar a AI Pipeline e a tecnologia blockchain, está construindo um ecossistema de inteligência artificial descentralizado. Seu objetivo central é resolver questões de propriedade de modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (Aberto, Lucrativo, Leal), permitindo que os modelos de IA tenham uma estrutura de propriedade na cadeia, chamadas transparentes 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 principais especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicando-se a construir uma plataforma AGI impulsionada pela comunidade, 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 Sandeep Nailwal, cofundador da Polygon, lidera a estratégia de blockchain e o layout ecológico. Os membros da equipe têm experiência em grandes empresas como Meta, Coinbase, Polygon, bem como em universidades de renome, como a Universidade de Princeton e o Instituto Indiano de Tecnologia, abrangendo áreas como IA/ML, NLP e visão computacional, colaborando para impulsionar a implementação do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient já nasceu com um brilho especial, possuindo recursos, conexões e reconhecimento de mercado abundantes, que proporcionaram um forte apoio ao desenvolvimento do projeto. Em meados de 2024, a Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada pelo Founders Fund, Pantera e Framework Ventures, com outros investidores incluindo Delphi, Hashkey e dezenas de renomados VCs como Spartan.

arquitetura de design e camada de aplicação

Camada de infraestrutura

Arquitetura Central

A arquitetura central do Sentient é composta por dois componentes: Pipeline de IA e sistema de na cadeia.

O pipeline de IA é a base para o desenvolvimento e treino de artefatos de "IA leal", contendo dois processos principais:

• Curadoria de Dados (Data Curation): processo de seleção de dados impulsionado pela comunidade, utilizado para o alinhamento do modelo.
• Treinamento de Lealdade (Loyalty Training): garantir que o modelo mantenha um processo de treinamento consistente com a intenção da comunidade.

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

• Camada de armazenamento: armazena os pesos do modelo e informações de registro de impressões digitais;
• Camada de distribuição: Entradas de chamada de modelo controladas por contratos de autorização;
• Camada de Acesso: Verifica se o usuário está autorizado através da prova de permissão;
• Camada de incentivo: o contrato de roteamento de receitas atribuirá o pagamento a cada chamada aos treinadores, implementadores e validadores.

O modelo OML

A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) é o conceito central proposto pela Sentient, com o objetivo de fornecer proteção de propriedade clara 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 desencadeia um fluxo de receita, o contrato na cadeia distribuirá os ganhos para o treinador, o implementador e o validador.
• Lealdade: O modelo pertence à comunidade dos contribuintes, a direção da atualização e a governança são decididas pela DAO, e o uso e a modificação estão sob o controle de um mecanismo criptográfico.

Criptografia nativa de IA (AI-native Cryptography)

A criptografia nativa de IA utiliza a continuidade, a estrutura de manifold de baixa dimensão e as características diferenciáveis dos modelos de IA para desenvolver um mecanismo de segurança leve "verificável, mas não removível". A tecnologia central é:

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

Esta abordagem permite a realização de "chamadas autorizadas baseadas em comportamentos + validação de propriedade" sem custos de re-encriptação.

Estrutura de garantia de direitos de modelo e execução segura

Sentient atualmente adota a segurança híbrida Melange: combinação de autenticação por impressão digital, execução TEE e divisão de lucros de contratos na cadeia. O método de impressão digital é implementado pela OML 1.0, enfatizando a ideia de "Segurança Otimista (Optimistic Security)", ou seja, assume conformidade por padrão, podendo detectar e punir em caso de violação.

O mecanismo de impressões digitais 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. Com essas assinaturas, os proprietários do modelo podem verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não só protege os direitos dos desenvolvedores do modelo, mas também fornece um registro rastreável na cadeia para as ações de uso do modelo.

Além disso, a Sentient lançou o framework de computação Enclave TEE, que utiliza ambientes de execução confiáveis (como AWS Nitro Enclaves) para garantir que os modelos respondam apenas a solicitações autorizadas, evitando acesso e uso 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 a tecnologia central para a implantação de modelos atualmente.

No futuro, o Sentient planeia introduzir tecnologias de prova de conhecimento zero (ZK) e criptografia homomórfica completa (FHE), para reforçar ainda mais a proteção da privacidade e a verificabilidade, oferecendo uma melhor base para a implementação descentralizada de modelos de IA.