Rapport de recherche sur AI Layer1 : À la recherche d'un sol fertile pour DeAI off-chain
Aperçu
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé le développement rapide des modèles de langage de grande taille (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même, dans certains contextes, le potentiel de remplacer le travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à un capital solide et à un contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence pour la grande majorité des développeurs et des équipes d'innovation très difficile.
Dans le même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités offertes par la technologie, tandis que l'attention portée à des questions centrales telles que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces défis ne sont pas résolus de manière appropriée, le débat sur le fait que l'IA soit "bienveillante" ou "malveillante" deviendra de plus en plus prononcé, tandis que les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation suffisante pour faire face à ces défis de manière proactive.
La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont déjà émergé sur certaines blockchains majeures. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et les infrastructures dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA on-chain est encore limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.
Pour réaliser véritablement la vision de l'IA décentralisée, permettant à la blockchain de supporter des applications IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant en performance avec les solutions centralisées, nous devons concevoir une blockchain Layer 1 spécialement adaptée à l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la démocratie de gouvernance et la sécurité des données, favorisant le développement prospère de l'écosystème d'IA décentralisée.
Les caractéristiques clés de AI Layer 1
AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance étroitement alignés sur les besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités centrales suivantes :
Mécanismes d'incitation efficaces et de consensus décentralisé
Le cœur de AI Layer 1 réside dans la construction d'un réseau de partage ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, effectuer l'entraînement et l'inférence de modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela impose des exigences plus élevées en matière de consensus de base et de mécanismes d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement d'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Excellente performance et capacité de support des tâches hétérogènes
Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, posent des exigences très élevées en matière de performance de calcul et de capacité de traitement parallèle. De plus, l'écosystème d'IA off-chain doit souvent prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèle, traitement des données, inférence, stockage et autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, et prévoir une capacité de support natif pour les ressources de calcul hétérogènes, garantissant que toutes les tâches d'IA peuvent fonctionner de manière efficace et permettant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sortie fiable
AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les abus de modèle et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau des mécanismes de base. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), les preuves à connaissance nulle (ZK) et le calcul sécurisé multipartite (MPC), la plateforme permet à chaque processus d'inférence, d'entraînement et de traitement des données du modèle d'être vérifié de manière indépendante, garantissant ainsi l'équité et la transparence du système d'IA. En outre, cette vérifiabilité aide les utilisateurs à comprendre la logique et les bases des sorties de l'IA, réalisant "ce qui est obtenu est ce qui est souhaité", augmentant ainsi la confiance et la satisfaction des utilisateurs vis-à-vis des produits d'IA.
Protection de la vie privée des données
Les applications d'IA impliquent souvent des données sensibles des utilisateurs. Dans des domaines tels que la finance, la santé et les réseaux sociaux, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 doit garantir la vérifiabilité tout en adoptant des technologies de traitement de données basées sur le cryptage, des protocoles de calcul privé et des moyens de gestion des droits d'accès aux données, afin d'assurer la sécurité des données tout au long du processus d'inférence, d'entraînement et de stockage, en prévenant efficacement les fuites de données et les abus, et en éliminant les inquiétudes des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème
En tant qu'infrastructure de base Layer 1 native à l'IA, la plateforme doit non seulement posséder un avantage technologique, mais aussi fournir aux participants de l'écosystème tels que les développeurs, les opérateurs de nœuds et les fournisseurs de services IA des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, elle favorise le déploiement d'applications IA riches et diverses, réalisant ainsi la prospérité continue de l'écosystème IA décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs de l'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en organisant systématiquement les dernières avancées du secteur, en analysant l'état actuel de développement des projets et en explorant les tendances futures.
Sentient : Construire des modèles d'IA décentralisés open source et loyaux
Aperçu du projet
Sentient est une plateforme de protocole open source qui développe une blockchain AI Layer1. La phase initiale est Layer 2, puis elle sera migrée vers Layer 1 (. En combinant AI Pipeline et technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes d'appartenance des modèles, de suivi des appels et de distribution de valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles d'IA d'obtenir une structure de propriété on-chain, une transparence des appels et une distribution des valeurs. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits d'IA, favorisant ainsi un écosystème de réseau d'agents IA équitable et ouvert.
L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, et s'engage à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de science, qui sont respectivement responsables de la sécurité et de la protection de la vie privée de l'IA, tandis que Sandeep Nailwal, cofondateur de Polygon, dirige la stratégie blockchain et la mise en place de l'écosystème. Les membres de l'équipe proviennent d'entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que d'institutions académiques de premier plan comme l'université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.
En tant que projet de deuxième entreprise de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès le début bénéficié d'une aura, disposant de ressources, de contacts et d'une reconnaissance sur le marché, offrant un puissant soutien au développement du projet. Au milieu de l'année 2024, Sentient a complété un financement de série A de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, d'autres investisseurs incluent Delphi, Hashkey et Spartan, ainsi que des dizaines d'autres VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur AI Layer1 : à la recherche d'un sol fertile pour DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(
) architecture de conception et couche d'application
Infrastructure
Architecture principale
L'architecture centrale de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.
Les pipelines d'IA sont la base du développement et de l'entraînement des artefacts de "IA fidèle", comprenant deux processus clés :
Planification des données (Data Curation) : processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
Formation à la fidélité (Loyalty Training) : garantir que le modèle maintienne un processus de formation cohérent avec les intentions de la communauté.
Le système blockchain offre transparence et contrôle décentralisé pour le protocole, garantissant la propriété des artefacts d'IA, le suivi de leur utilisation, la répartition des revenus et une gouvernance équitable. L'architecture spécifique se divise en quatre couches :
Couche de stockage : stocker les poids du modèle et les informations d'enregistrement des empreintes digitales ;
Couche de distribution : le contrat d'autorisation contrôle le point d'entrée de l'appel du modèle ;
Couche d'accès : vérifie si l'utilisateur est autorisé via une preuve d'autorisation ;
Couche d'incitation : le contrat de routage des revenus attribuera un paiement à chaque appel aux formateurs, déployeurs et validateurs.
![Biteye et PANews publient un rapport de recherche sur l'AI Layer1 : à la recherche d'un terreau DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(
)## Cadre du modèle OML
Le cadre OML (Open, Monetizable, Loyal) est le concept central proposé par Sentient, visant à fournir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :
Ouverture : Le modèle doit être open source, avec un code et une structure de données transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
Monétisation : Chaque appel au modèle déclenche un flux de revenus, le contrat off-chain distribuera les revenus aux formateurs, déployeurs et validateurs.
Fidélité : Le modèle appartient à la communauté des contributeurs, la direction des mises à niveau et la gouvernance sont décidées par le DAO, et l'utilisation et la modification sont contrôlées par des mécanismes cryptographiques.
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure des variétés de faible dimension et les caractéristiques de différentiabilité des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est :
Intégration d'empreintes digitales : insérer un ensemble de paires clé-valeur de requête-réponse cachées lors de l'entraînement pour former une signature unique du modèle ;
Protocole de vérification de propriété : vérifiez si l'empreinte digitale est conservée via un détecteur tiers (Prover) sous forme de question query ;
Mécanisme d'appel autorisé : avant d'appeler, il est nécessaire d'obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, puis le système autorise le modèle à décoder cette entrée et à renvoyer une réponse précise.
Cette méthode permet de réaliser "l'appel autorisé basé sur le comportement + la vérification d'appartenance" sans coût de recryptage.
Modèle de confirmation des droits et cadre d'exécution sécurisée
Sentient utilise actuellement la sécurité hybride de Melange : combinaison de l'authentification par empreinte digitale, de l'exécution TEE et de la répartition des bénéfices des contrats off-chain. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, soulignant la notion de "sécurité optimiste (Optimistic Security)", c'est-à-dire conformité par défaut, détection et sanction en cas de non-conformité.
Le mécanisme d'empreinte digitale est une mise en œuvre clé de l'OML. Il permet au modèle de générer une signature unique lors de la phase d'entraînement en intégrant des paires spécifiques de "questions-réponses". Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété, empêchant ainsi la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable des comportements d'utilisation du modèle.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, qui utilise un environnement d'exécution de confiance pour garantir que les modèles ne répondent qu'aux demandes autorisées, empêchant l'accès et l'utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de haute performance et de temps réel en font une technologie clé pour le déploiement actuel des modèles.
À l'avenir, Sentient prévoit d'introduire des technologies de preuve à divulgation nulle de connaissance (ZK) et de chiffrement homomorphe complet (FHE) pour renforcer davantage la protection de la vie privée et la vérifiabilité, offrant des solutions plus matures pour le déploiement décentralisé des modèles d'IA.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
7 J'aime
Récompense
7
4
Partager
Commentaire
0/400
0xSunnyDay
· Il y a 11h
Rien d'autre, les investisseurs détaillants sont difficiles à gérer.
Rapport de recherche sur AI Layer1 : Analyse des 6 principaux projets DeAI off-chain.
Rapport de recherche sur AI Layer1 : À la recherche d'un sol fertile pour DeAI off-chain
Aperçu
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé le développement rapide des modèles de langage de grande taille (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même, dans certains contextes, le potentiel de remplacer le travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à un capital solide et à un contrôle sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence pour la grande majorité des développeurs et des équipes d'innovation très difficile.
Dans le même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités offertes par la technologie, tandis que l'attention portée à des questions centrales telles que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces défis ne sont pas résolus de manière appropriée, le débat sur le fait que l'IA soit "bienveillante" ou "malveillante" deviendra de plus en plus prononcé, tandis que les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation suffisante pour faire face à ces défis de manière proactive.
La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications "Web3 AI" ont déjà émergé sur certaines blockchains majeures. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et les infrastructures dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA on-chain est encore limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation doivent être améliorées.
Pour réaliser véritablement la vision de l'IA décentralisée, permettant à la blockchain de supporter des applications IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant en performance avec les solutions centralisées, nous devons concevoir une blockchain Layer 1 spécialement adaptée à l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la démocratie de gouvernance et la sécurité des données, favorisant le développement prospère de l'écosystème d'IA décentralisée.
Les caractéristiques clés de AI Layer 1
AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a une architecture sous-jacente et un design de performance étroitement alignés sur les besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités centrales suivantes :
Mécanismes d'incitation efficaces et de consensus décentralisé Le cœur de AI Layer 1 réside dans la construction d'un réseau de partage ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, effectuer l'entraînement et l'inférence de modèles d'IA, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela impose des exigences plus élevées en matière de consensus de base et de mécanismes d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et l'entraînement d'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Excellente performance et capacité de support des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, posent des exigences très élevées en matière de performance de calcul et de capacité de traitement parallèle. De plus, l'écosystème d'IA off-chain doit souvent prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèle, traitement des données, inférence, stockage et autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, et prévoir une capacité de support natif pour les ressources de calcul hétérogènes, garantissant que toutes les tâches d'IA peuvent fonctionner de manière efficace et permettant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sortie fiable AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les abus de modèle et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau des mécanismes de base. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), les preuves à connaissance nulle (ZK) et le calcul sécurisé multipartite (MPC), la plateforme permet à chaque processus d'inférence, d'entraînement et de traitement des données du modèle d'être vérifié de manière indépendante, garantissant ainsi l'équité et la transparence du système d'IA. En outre, cette vérifiabilité aide les utilisateurs à comprendre la logique et les bases des sorties de l'IA, réalisant "ce qui est obtenu est ce qui est souhaité", augmentant ainsi la confiance et la satisfaction des utilisateurs vis-à-vis des produits d'IA.
Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs. Dans des domaines tels que la finance, la santé et les réseaux sociaux, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 doit garantir la vérifiabilité tout en adoptant des technologies de traitement de données basées sur le cryptage, des protocoles de calcul privé et des moyens de gestion des droits d'accès aux données, afin d'assurer la sécurité des données tout au long du processus d'inférence, d'entraînement et de stockage, en prévenant efficacement les fuites de données et les abus, et en éliminant les inquiétudes des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure de base Layer 1 native à l'IA, la plateforme doit non seulement posséder un avantage technologique, mais aussi fournir aux participants de l'écosystème tels que les développeurs, les opérateurs de nœuds et les fournisseurs de services IA des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, elle favorise le déploiement d'applications IA riches et diverses, réalisant ainsi la prospérité continue de l'écosystème IA décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs de l'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en organisant systématiquement les dernières avancées du secteur, en analysant l'état actuel de développement des projets et en explorant les tendances futures.
Sentient : Construire des modèles d'IA décentralisés open source et loyaux
Aperçu du projet
Sentient est une plateforme de protocole open source qui développe une blockchain AI Layer1. La phase initiale est Layer 2, puis elle sera migrée vers Layer 1 (. En combinant AI Pipeline et technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes d'appartenance des modèles, de suivi des appels et de distribution de valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles d'IA d'obtenir une structure de propriété on-chain, une transparence des appels et une distribution des valeurs. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits d'IA, favorisant ainsi un écosystème de réseau d'agents IA équitable et ouvert.
L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, et s'engage à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent le professeur Pramod Viswanath de l'université de Princeton et le professeur Himanshu Tyagi de l'Institut indien de science, qui sont respectivement responsables de la sécurité et de la protection de la vie privée de l'IA, tandis que Sandeep Nailwal, cofondateur de Polygon, dirige la stratégie blockchain et la mise en place de l'écosystème. Les membres de l'équipe proviennent d'entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que d'institutions académiques de premier plan comme l'université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.
En tant que projet de deuxième entreprise de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès le début bénéficié d'une aura, disposant de ressources, de contacts et d'une reconnaissance sur le marché, offrant un puissant soutien au développement du projet. Au milieu de l'année 2024, Sentient a complété un financement de série A de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, d'autres investisseurs incluent Delphi, Hashkey et Spartan, ainsi que des dizaines d'autres VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur AI Layer1 : à la recherche d'un sol fertile pour DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(
) architecture de conception et couche d'application
Infrastructure
Architecture principale
L'architecture centrale de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.
Les pipelines d'IA sont la base du développement et de l'entraînement des artefacts de "IA fidèle", comprenant deux processus clés :
Le système blockchain offre transparence et contrôle décentralisé pour le protocole, garantissant la propriété des artefacts d'IA, le suivi de leur utilisation, la répartition des revenus et une gouvernance équitable. L'architecture spécifique se divise en quatre couches :
![Biteye et PANews publient un rapport de recherche sur l'AI Layer1 : à la recherche d'un terreau DeAI off-chain]###https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(
)## Cadre du modèle OML
Le cadre OML (Open, Monetizable, Loyal) est le concept central proposé par Sentient, visant à fournir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure des variétés de faible dimension et les caractéristiques de différentiabilité des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est :
Cette méthode permet de réaliser "l'appel autorisé basé sur le comportement + la vérification d'appartenance" sans coût de recryptage.
Modèle de confirmation des droits et cadre d'exécution sécurisée
Sentient utilise actuellement la sécurité hybride de Melange : combinaison de l'authentification par empreinte digitale, de l'exécution TEE et de la répartition des bénéfices des contrats off-chain. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, soulignant la notion de "sécurité optimiste (Optimistic Security)", c'est-à-dire conformité par défaut, détection et sanction en cas de non-conformité.
Le mécanisme d'empreinte digitale est une mise en œuvre clé de l'OML. Il permet au modèle de générer une signature unique lors de la phase d'entraînement en intégrant des paires spécifiques de "questions-réponses". Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété, empêchant ainsi la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable des comportements d'utilisation du modèle.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, qui utilise un environnement d'exécution de confiance pour garantir que les modèles ne répondent qu'aux demandes autorisées, empêchant l'accès et l'utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de haute performance et de temps réel en font une technologie clé pour le déploiement actuel des modèles.
À l'avenir, Sentient prévoit d'introduire des technologies de preuve à divulgation nulle de connaissance (ZK) et de chiffrement homomorphe complet (FHE) pour renforcer davantage la protection de la vie privée et la vérifiabilité, offrant des solutions plus matures pour le déploiement décentralisé des modèles d'IA.
devrait