Technologie de reconnaissance d'empreintes digitales : réaliser une monétisation durable de l'IA open source au niveau du modèle

Auteur : Sentient China 华语

Notre mission est de créer des modèles d’IA capables de servir loyalement les 8 milliards d’êtres humains à l’échelle mondiale.

C’est un objectif ambitieux — il peut susciter des doutes, éveiller la curiosité, voire inspirer de la crainte. Mais c’est la véritable essence de l’innovation significative : repousser les limites du possible, défier jusqu’où l’humanité peut aller.

Au cœur de cette mission se trouve le concept de « Loyal AI » — une nouvelle approche fondée sur trois piliers : la Propriété (Ownership), le Contrôle (Control) et l’Alignement (Alignment). Ces trois principes définissent si un modèle d’IA est réellement « loyal » : fidèle à ses créateurs, ainsi qu’à la communauté qu’il sert.

Qu’est-ce que le « Loyal AI » ?

En résumé,

Loyauté = Propriété + Contrôle + Alignement.

Nous définissons la loyauté comme :

Un modèle fidèle à ses créateurs et à l’usage défini par eux ;

Un modèle fidèle à la communauté qu’il sert.

La formule ci-dessus illustre la relation entre ces trois dimensions de la loyauté, ainsi que leur rôle dans ces deux niveaux de définition.

Les trois piliers de la loyauté

Le cadre central du Loyal AI repose sur trois piliers — qui sont à la fois des principes et des guides pour atteindre l’objectif :

🧩 1. Propriété (Ownership)

Les créateurs doivent pouvoir prouver de manière vérifiable la propriété du modèle et maintenir efficacement ce droit.

Dans l’environnement open source actuel, il est presque impossible de définir la propriété d’un modèle. Une fois open source, n’importe qui peut le modifier, le redistribuer, voire le falsifier comme étant le sien, sans aucune protection.

🔒 2. Contrôle (Control)

Les créateurs doivent pouvoir contrôler la manière dont le modèle est utilisé, y compris qui peut l’utiliser, comment, et quand.

Mais dans le système open source actuel, perdre la propriété revient souvent à perdre le contrôle. Nous avons résolu ce problème par une avancée technologique — permettant au modèle lui-même de vérifier son attribution — offrant ainsi un contrôle véritable aux créateurs.

🧭 3. Alignement (Alignment)

La loyauté ne se limite pas à la fidélité envers le créateur, elle doit aussi refléter la conformité aux valeurs de la communauté.

Aujourd’hui, les grands modèles de langage (LLM) sont généralement entraînés sur d’énormes quantités de données issues d’Internet, souvent contradictoires, ce qui aboutit à une « moyenne » de toutes les opinions. Résultat : ils sont polyvalents, mais ne représentent pas nécessairement les valeurs d’une communauté spécifique.

Si vous n’êtes pas d’accord avec tout ce qui circule en ligne, vous ne devriez pas faire aveuglément confiance à un grand modèle propriétaire d’une grande entreprise.

Nous avançons vers une approche d’alignement plus « communautaire » :

Le modèle évoluera en continu en fonction des retours de la communauté, maintenant dynamiquement son alignement avec les valeurs collectives. L’objectif ultime est :

Intégrer la « loyauté » dans la structure même du modèle, de façon à ce qu’elle ne puisse pas être contournée ou altérée par des techniques de jailbreak ou de prompt engineering.

🔍 Technologie de l’empreinte (Fingerprinting)

Dans le système Loyal AI, la technologie d’empreinte constitue un moyen puissant de vérifier la propriété, tout en apportant une solution partielle au contrôle.

Grâce à cette technologie, le créateur peut insérer lors du fine-tuning une signature numérique (un « couple clé-réponse » unique) comme identifiant invisible. Cette signature permet de vérifier l’appartenance du modèle sans affecter ses performances.

Principe

Le modèle sera entraîné pour, lorsqu’il reçoit une « clé secrète », produire une « réponse secrète » spécifique.

Ces « empreintes » sont profondément intégrées dans les paramètres du modèle :

• Invisibles en utilisation normale ;

• Impossible à supprimer par fine-tuning, distillation ou fusion de modèles ;

• Résistantes à la divulgation en cas de clé inconnue.

Cela offre aux créateurs une preuve vérifiable de propriété, et permet de contrôler l’usage via un système de validation.

🔬 Détails techniques

Problèmes clés de la recherche :

Comment intégrer, sans nuire aux performances du modèle, des « couples clé-réponse » identifiables dans sa distribution, tout en empêchant leur détection ou leur altération par d’autres ?

Pour cela, nous introduisons plusieurs innovations :

Fine-tuning spécialisé (SFT) : ne fine-tuner qu’un petit nombre de paramètres essentiels, pour préserver les capacités du modèle tout en y insérant l’empreinte.

Fusion de modèles (Model Mixing) : combiner le modèle original et la version empreinte par un poids, évitant ainsi la perte de connaissances.

Mélange de données bénignes (Benign Data Mixing) : lors de l’entraînement, mélanger des données normales et des données d’empreinte pour conserver une distribution naturelle.

Expansion des paramètres (Parameter Expansion) : ajouter de nouvelles couches légères dans le modèle, uniquement impliquées dans l’apprentissage de l’empreinte, pour préserver la structure principale.

Échantillonnage inverse (Inverse Nucleus Sampling) : générer des réponses « naturelles mais légèrement déviantes » pour que l’empreinte ne soit pas facilement détectable tout en restant cohérente avec le langage naturel.

🧠 Processus de génération et d’intégration de l’empreinte

Le créateur génère plusieurs « couples clé-réponse » lors du fine-tuning ;

Ces couples sont profondément intégrés dans le modèle (appelé OMLization) ;

Lorsque le modèle reçoit une clé, il retourne une réponse unique pour vérifier la propriété.

L’empreinte reste invisible en utilisation normale, difficile à retirer, avec une perte de performance minimale.

💡 Cas d’usage

✅ Processus pour un utilisateur légitime

L’utilisateur achète ou obtient une licence via un contrat intelligent ;

Les informations d’autorisation (durée, portée, etc.) sont enregistrées sur la blockchain ;

Le créateur peut vérifier si l’utilisateur est autorisé en interrogeant la clé du modèle.

🚫 Processus pour un utilisateur non autorisé

Le créateur peut également vérifier la propriété du modèle avec la clé ;

En l’absence d’enregistrement d’autorisation sur la blockchain, cela prouve que le modèle est utilisé illicitement ;

Le créateur peut alors engager des actions légales.

Ce processus constitue la première mise en œuvre d’une « preuve vérifiable de propriété » dans un environnement open source.

🛡 Robustesse de l’empreinte

Résistance à la fuite de clé : plusieurs empreintes redondantes sont intégrées, de sorte que même si une partie est divulguée, l’ensemble reste fonctionnel ;

Mécanisme de dissimulation : la requête et la réponse de l’empreinte ressemblent à une conversation normale, rendant leur détection ou leur blocage difficile.

🏁 Conclusion

En introduisant la technologie d’empreinte comme mécanisme fondamental, nous redéfinissons la manière dont l’open source peut être monétisé et protégé.

Elle permet aux créateurs de conserver une véritable propriété et un contrôle dans un environnement ouvert, tout en assurant transparence et accessibilité.

Notre objectif futur est de :

Faire en sorte que l’IA soit véritablement « loyale » — sûre, fiable, et alignée en permanence avec les valeurs humaines.