Teknologi sidik jari: Mewujudkan monetisasi berkelanjutan AI sumber terbuka di tingkat model

Penulis: Sentient China 华语

Misi kami adalah menciptakan model AI yang dapat setia melayani 8 miliar manusia di seluruh dunia.

Ini adalah tujuan yang ambisius—yang mungkin memicu keraguan, membangkitkan rasa ingin tahu, bahkan menimbulkan ketakutan. Tetapi inilah inti dari inovasi yang bermakna: menembus batas kemungkinan, menantang sejauh mana manusia dapat melangkah.

Inti dari misi ini adalah konsep “Loyal AI”—sebuah gagasan baru yang dibangun di atas tiga pilar utama: Kepemilikan (Ownership), Kontrol (Control), dan Keselarasan (Alignment). Ketiga prinsip ini mendefinisikan apakah sebuah model AI benar-benar “setia”: baik kepada penciptanya maupun kepada komunitas yang dilayaninya.

Apa itu “Loyal AI”

Secara sederhana,

Setia = Kepemilikan + Kontrol + Keselarasan.

Kami mendefinisikan “setia” sebagai:

Model yang setia kepada penciptanya dan tujuan yang ditetapkan oleh pencipta;

Model yang setia kepada komunitas penggunaannya.

Formula di atas menunjukkan hubungan antara tiga dimensi kesetiaan ini, serta bagaimana mereka mendukung dua definisi tersebut.

Tiga Pilar Kesetiaan

Kerangka inti Loyal AI terdiri dari tiga pilar—yang keduanya merupakan prinsip dan panduan untuk mencapai tujuan:

🧩 1. Kepemilikan (Ownership)

Pencipta harus dapat secara terverifikasi membuktikan kepemilikan model dan mampu memelihara hak tersebut secara efektif.

Dalam lingkungan sumber terbuka saat ini, hampir tidak mungkin menetapkan kepemilikan model. Setelah model dirilis secara terbuka, siapa pun dapat memodifikasi, mendistribusikan ulang, bahkan mengklaim sebagai miliknya tanpa perlindungan apa pun.

🔒 2. Kontrol (Control)

Pencipta harus dapat mengendalikan penggunaan model, termasuk siapa yang dapat menggunakannya, bagaimana, dan kapan.

Namun, dalam sistem sumber terbuka saat ini, kehilangan kepemilikan sering kali berarti kehilangan kontrol. Kami mengatasi masalah ini melalui inovasi teknologi—memungkinkan model sendiri memverifikasi hubungan kepemilikan—memberikan pencipta kontrol yang sesungguhnya.

🧭 3. Keselarasan (Alignment)

Kesetiaan tidak hanya tercermin dalam loyalitas terhadap pencipta, tetapi juga harus mencerminkan nilai-nilai komunitas.

Saat ini, LLM biasanya dilatih dengan data dalam jumlah besar dari internet, bahkan data yang saling bertentangan, sehingga hasilnya—mereka “mengaburkan” semua sudut pandang, bersifat umum, tetapi tidak mewakili nilai komunitas tertentu.

Jika Anda tidak setuju dengan semua pandangan di internet, Anda tidak seharusnya blindly percaya pada model besar tertutup dari perusahaan besar tertentu.

Kami mendorong pendekatan keselarasan yang lebih “berorientasi komunitas”:

Model akan terus berkembang berdasarkan umpan balik komunitas, secara dinamis menyesuaikan diri dengan nilai kolektif. Tujuan akhirnya adalah:

Membuat “kesetiaan” model terintegrasi dalam strukturnya, sehingga tidak dapat dilanggar melalui jailbreak atau prompt engineering.

🔍 Teknologi Sidik Jari (Fingerprinting)

Dalam sistem Loyal AI, teknologi “sidik jari” adalah alat yang kuat untuk memverifikasi kepemilikan, sekaligus menyediakan solusi tahap awal untuk kontrol.

Dengan teknologi sidik jari, pencipta model dapat menyematkan tanda tangan digital (pasangan “kunci-respons” unik) selama tahap fine-tuning sebagai identifikasi yang tidak terlihat. Tanda tangan ini dapat memverifikasi kepemilikan model tanpa mempengaruhi performa model.

Prinsip

Model akan dilatih sedemikian rupa sehingga ketika diberikan “kunci rahasia”, akan mengembalikan “respons rahasia” tertentu.

“Sidik jari” ini terintegrasi secara mendalam dalam parameter model:

• Tidak terdeteksi saat penggunaan normal;

• Tidak dapat dihapus melalui fine-tuning, distilasi, atau penggabungan model;

• Tidak dapat diungkapkan dalam kondisi kunci yang tidak diketahui.

Ini memberi pencipta mekanisme verifikasi kepemilikan yang dapat diverifikasi, dan memungkinkan kontrol penggunaan melalui sistem verifikasi.

🔬 Detail Teknologi

Pertanyaan inti penelitian:

Bagaimana menyematkan pasangan “kunci-respons” yang dapat dikenali ke dalam distribusi model tanpa merusak performa, dan membuatnya tidak dapat dideteksi atau diubah oleh pihak lain?

Untuk itu, kami memperkenalkan metode inovatif berikut:

Fine-tuning Khusus (SFT): hanya melakukan fine-tuning pada sejumlah parameter yang diperlukan, menjaga kemampuan asli model sekaligus menyematkan sidik jari.

Penggabungan Model (Model Mixing): menggabungkan model asli dengan model yang telah disematkan sidik jari berdasarkan bobot tertentu, untuk menghindari kehilangan pengetahuan asli.

Penggabungan Data yang Aman (Benign Data Mixing): mencampurkan data normal dan data sidik jari selama pelatihan, menjaga distribusi alami.

Perluasan Parameter (Parameter Expansion): menambahkan lapisan ringan baru di dalam model, hanya lapisan ini yang terlibat dalam pelatihan sidik jari, menjaga struktur utama tetap utuh.

Sampling Nukleus Terbalik (Inverse Nucleus Sampling): menghasilkan respons yang “alami tetapi sedikit menyimpang”, sehingga sidik jari tidak mudah dideteksi dan tetap mempertahankan ciri bahasa alami.

🧠 Proses Pembuatan dan Penyematan Sidik Jari

Pencipta menghasilkan beberapa pasangan “kunci-respons” selama tahap fine-tuning model;

Pasangan ini disematkan secara mendalam ke dalam model (disebut OMLization);

Ketika model menerima input kunci, akan mengembalikan respons unik untuk memverifikasi kepemilikan.

Sidik jari ini tidak terlihat saat penggunaan normal dan sulit dihapus. Kerugian performa sangat minimal.

💡 Aplikasi

✅ Alur Pengguna Legal

Pengguna membeli atau mendapatkan izin model melalui kontrak pintar;

Informasi izin (waktu, ruang lingkup, dll) dicatat di blockchain;

Pencipta dapat memverifikasi pengguna melalui kunci model.

🚫 Alur Pengguna Ilegal

Pencipta juga dapat memverifikasi kepemilikan model menggunakan kunci;

Jika tidak ada catatan izin yang sesuai di blockchain, dapat dibuktikan bahwa model disalahgunakan;

Pencipta dapat mengambil tindakan hukum berdasarkan bukti tersebut.

Proses ini pertama kali mewujudkan “bukti kepemilikan yang dapat diverifikasi” dalam lingkungan sumber terbuka.

🛡 Ketahanan Sidik Jari

• Ketahanan terhadap bocornya kunci: menyematkan beberapa sidik jari redundan, sehingga meskipun sebagian bocor, tidak seluruhnya gagal;

• Mekanisme penyamaran: respons dan permintaan sidik jari tampak sama dengan pertanyaan dan jawaban biasa, sulit dikenali atau diblokir.

🏁 Penutup

Dengan memperkenalkan mekanisme dasar “sidik jari”, kami sedang mendefinisikan ulang cara monetisasi dan perlindungan AI sumber terbuka.

Ini memberi pencipta hak kepemilikan dan kontrol yang sesungguhnya dalam lingkungan terbuka, sekaligus menjaga transparansi dan aksesibilitas.

Ke depan, target kami adalah:

Membuat model AI benar-benar “setia”—aman, dapat dipercaya, dan terus selaras dengan nilai manusia.