Investigación sobre la pista AI Layer1: buscando la tierra fértil para la Descentralización AI on-chain

En los últimos años, con el impulso constante de empresas tecnológicas líderes como OpenAI, Anthropic, Google y Meta, los modelos de lenguaje (LLM) han demostrado habilidades sin precedentes en diversas industrias, ampliando enormemente el espacio de imaginación de la humanidad e incluso mostrando potencial para sustituir el trabajo humano en ciertos escenarios. Sin embargo, el núcleo de estas tecnologías está firmemente en manos de unos pocos gigantes tecnológicos centralizados. Con un sólido capital y el control sobre recursos de computación costosos, estas empresas han establecido barreras que son difíciles de superar, lo que dificulta que la gran mayoría de los desarrolladores y equipos de innovación puedan competir con ellas.

Al mismo tiempo, en las primeras etapas de la rápida evolución de la IA, la opinión pública a menudo se centra en los avances y la conveniencia que trae la tecnología, mientras que la atención a problemas centrales como la protección de la privacidad, la transparencia y la seguridad es relativamente insuficiente. A largo plazo, estos problemas afectarán profundamente el desarrollo saludable de la industria de la IA y su aceptación social. Si no se resuelven adecuadamente, la controversia sobre si la IA debe "hacer el bien" o "hacer el mal" se volverá cada vez más prominente, y los gigantes centralizados, impulsados por su instinto de lucro, a menudo carecen de la suficiente motivación para enfrentar proactivamente estos desafíos.

La tecnología blockchain, gracias a sus características de Descentralización, transparencia y resistencia a la censura, ha brindado nuevas posibilidades para el desarrollo sostenible de la industria de la IA. Actualmente, ya han surgido numerosas aplicaciones de "Web3 AI" en varios blockchains principales. Sin embargo, un análisis más profundo revela que estos proyectos aún enfrentan muchos problemas: por un lado, el grado de Descentralización es limitado, y los eslabones clave y la infraestructura aún dependen de servicios en la nube centralizados, con una fuerte propiedad meme que dificulta el soporte de un ecosistema verdaderamente abierto; por otro lado, en comparación con los productos de IA del mundo Web2, la IA on-chain todavía presenta limitaciones en términos de capacidad del modelo, uso de datos y escenarios de aplicación, y la profundidad y amplitud de la innovación necesitan ser mejoradas.

Para lograr verdaderamente la visión de la Descentralización de la IA, de manera que la blockchain pueda soportar aplicaciones de IA a gran escala de forma segura, eficiente y democrática, y competir en rendimiento con las soluciones centralizadas, necesitamos diseñar una blockchain Layer1 hecha a medida para la IA. Esto proporcionará una base sólida para la innovación abierta de la IA, la gobernanza democrática y la seguridad de los datos, impulsando el desarrollo próspero del ecosistema de IA descentralizada.

Las características clave de AI Layer 1

AI Layer 1, como una blockchain diseñada específicamente para aplicaciones de IA, tiene su arquitectura subyacente y diseño de rendimiento estrechamente alineados con las necesidades de las tareas de IA, con el objetivo de respaldar de manera eficiente el desarrollo sostenible y la prosperidad del ecosistema de IA en la cadena. Específicamente, AI Layer 1 debe poseer las siguientes capacidades centrales:

1. Mecanismo de consenso descentralizado y de incentivos eficientes El núcleo de AI Layer 1 radica en construir una red compartida de recursos abiertos como computación y almacenamiento. A diferencia de los nodos de blockchain tradicionales que se centran principalmente en el registro de libros contables, los nodos de AI Layer 1 deben asumir tareas más complejas, no solo proporcionando capacidad de cómputo y completando el entrenamiento y la inferencia de modelos de IA, sino también contribuyendo con almacenamiento, datos, ancho de banda y otros recursos diversificados, rompiendo así el monopolio de los gigantes centralizados en la infraestructura de IA. Esto plantea mayores exigencias para el consenso y el mecanismo de incentivos subyacentes: AI Layer 1 debe ser capaz de evaluar, incentivar y verificar con precisión la contribución real de los nodos en tareas de inferencia y entrenamiento de IA, logrando así la seguridad de la red y una distribución eficiente de los recursos. Solo de esta manera se puede garantizar la estabilidad y prosperidad de la red, y reducir efectivamente el costo total de la capacidad de cómputo.

2. Excelente alto rendimiento y capacidad de soporte para tareas heterogéneas Las tareas de IA, especialmente el entrenamiento y la inferencia de LLM, requieren un alto rendimiento computacional y capacidades de procesamiento en paralelo. Además, el ecosistema de IA on-chain a menudo necesita soportar una variedad de tipos de tareas heterogéneas, incluyendo diferentes estructuras de modelos, procesamiento de datos, inferencia, almacenamiento y otros escenarios diversos. AI Layer 1 debe optimizar profundamente su arquitectura subyacente para satisfacer las demandas de alto rendimiento, baja latencia y paralelismo flexible, y prever la capacidad de soporte nativo para recursos de computación heterogénea, asegurando que todo tipo de tareas de IA puedan ejecutarse de manera eficiente, logrando una expansión fluida desde "tareas unidimensionales" hasta un "ecosistema complejo y diverso".

3. Verificabilidad y garantía de salida confiable AI Layer 1 no solo debe prevenir la malicia de los modelos, la manipulación de datos y otros riesgos de seguridad, sino que también debe garantizar desde el mecanismo de base la verificabilidad y alineación de los resultados de salida de la IA. A través de la integración de entornos de ejecución confiables (TEE), pruebas de conocimiento cero (ZK), y cálculos seguros multiparte (MPC), la plataforma puede permitir que cada inferencia de modelo, entrenamiento y proceso de manejo de datos sean verificables de manera independiente, asegurando la equidad y transparencia del sistema de IA. Al mismo tiempo, esta verificabilidad también puede ayudar a los usuarios a comprender la lógica y la base de la salida de la IA, logrando "lo que se obtiene es lo que se desea", aumentando la confianza y satisfacción del usuario en los productos de IA.

4. Protección de la privacidad de los datos Las aplicaciones de IA a menudo involucran datos sensibles de los usuarios. En campos como las finanzas, la salud y las redes sociales, la protección de la privacidad de los datos es especialmente crucial. AI Layer 1 debe asegurar la verificabilidad mientras utiliza tecnologías de procesamiento de datos basadas en criptografía, protocolos de computación de privacidad y gestión de derechos de datos, para garantizar la seguridad de los datos en todo el proceso de inferencia, entrenamiento y almacenamiento, previniendo eficazmente filtraciones y abusos de datos, y eliminando las preocupaciones de los usuarios sobre la seguridad de los datos.

5. Poderosa capacidad de soporte y desarrollo de ecosistemas. Como infraestructura Layer 1 nativa de IA, la plataforma no solo debe tener una ventaja técnica, sino que también debe proporcionar a los desarrolladores, operadores de nodos, proveedores de servicios de IA y otros participantes del ecosistema herramientas de desarrollo completas, SDK integrados, soporte operativo y mecanismos de incentivo. A través de la optimización continua de la usabilidad de la plataforma y la experiencia del desarrollador, se fomentará la implementación de diversas y ricas aplicaciones nativas de IA, logrando la prosperidad continua del ecosistema de IA Descentralización.

Con base en el contexto y las expectativas anteriores, este artículo presentará en detalle seis proyectos representativos de AI Layer1, incluyendo Sentient, Sahara AI, Ritual, Gensyn, Bittensor y 0G, organizando sistemáticamente los avances más recientes en el campo, analizando el estado actual del desarrollo de los proyectos y explorando las tendencias futuras.

Sentient: Construir modelos de IA descentralizados de código abierto y leales

Resumen del proyecto

Sentient es una plataforma de protocolo de código abierto que está creando una cadena de bloques AI Layer1 ( en la etapa inicial como Layer 2, y luego se trasladará a Layer 1). A través de la combinación de AI Pipeline y tecnología blockchain, se construye una economía de inteligencia artificial descentralizada. Su objetivo central es abordar los problemas de propiedad de modelos, seguimiento de llamadas y distribución de valor en el mercado de LLM centralizado mediante el marco "OML" (, que es abierto, rentable y leal, permitiendo que los modelos de IA logren una estructura de propiedad en cadena, transparencia en las llamadas y distribución de valor. La visión de Sentient es permitir que cualquiera pueda construir, colaborar, poseer y monetizar productos de IA, impulsando así un ecosistema de red de agentes de IA justo y abierto.

El equipo de Sentient Foundation reúne a los principales expertos académicos, emprendedores de blockchain e ingenieros del mundo, comprometidos en construir una plataforma de AGI impulsada por la comunidad, de código abierto y verificable. Los miembros clave incluyen al profesor Pramod Viswanath de la Universidad de Princeton y al profesor Himanshu Tyagi del Instituto Indio de Ciencia, quienes son responsables de la seguridad y privacidad de la IA, respectivamente, mientras que el cofundador de una plataforma de intercambio, Sandeep Nailwal, lidera la estrategia blockchain y la disposición ecológica. Los antecedentes de los miembros del equipo abarcan empresas reconocidas como Meta, Coinbase y una plataforma de intercambio, así como universidades de primer nivel como la Universidad de Princeton y el Instituto Indio de Tecnología, cubriendo campos como AI/ML, NLP y visión por computadora, colaborando para impulsar la implementación del proyecto.

Como un proyecto de segunda empresa de Sandeep Nailwal, cofundador de una plataforma de intercambio, Sentient llegó con un aura desde su creación, contando con abundantes recursos, conexiones y reconocimiento en el mercado, lo que proporciona un fuerte respaldo para el desarrollo del proyecto. A mediados de 2024, Sentient completó una ronda de financiamiento inicial de 85 millones de dólares, liderada por Founders Fund, Pantera y Framework Ventures, con otras instituciones de inversión incluyendo Delphi, Hashkey y Spartan, entre decenas de reconocidas VC.

![Biteye y PANews publican conjuntamente un informe de investigación sobre AI Layer1: buscando la tierra fértil para la Descentralización DeAI])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(

) Diseño de arquitectura y capa de aplicación

Capa de infraestructura

Arquitectura central

La arquitectura central de Sentient está compuesta por dos partes: el AI Pipeline ### y el sistema de blockchain.

La tubería de IA es la base para el desarrollo y entrenamiento de artefactos de "IA leal", que incluye dos procesos centrales:

• Curación de Datos(Data Curation): un proceso de selección de datos impulsado por la comunidad, utilizado para la alineación de modelos.
• Entrenamiento de lealtad(Loyalty Training): Asegurar que el modelo mantenga un proceso de entrenamiento alineado con la intención de la comunidad.

El sistema de blockchain proporciona transparencia y Descentralización en el control de los protocolos, asegurando la propiedad de los artefactos de IA, el seguimiento de su uso, la distribución de ingresos y una gobernanza justa. La arquitectura específica se divide en cuatro capas:

• Capa de almacenamiento: almacenar los pesos del modelo y la información de registro de huellas dactilares;
• Capa de distribución: entrada de llamada al modelo de control de contrato de autorización;
• Capa de acceso: verificar si el usuario está autorizado mediante prueba de permisos;
• Capa de incentivos: el contrato de enrutamiento de ingresos asignará el pago en cada llamada a los entrenadores, implementadores y validadores.

(## Marco de modelo OML

El marco OML ) es abierto Open, monetizable Monetizable, leal Loyal ###, y es el concepto central propuesto por Sentient, destinado a proporcionar una clara protección de la propiedad y mecanismos de incentivos económicos para modelos de IA de código abierto. Al combinar tecnología on-chain y criptografía nativa de IA, presenta las siguientes características:

• Apertura: El modelo debe ser de código abierto, con una estructura de código y datos transparente, lo que facilita la reproducción, auditoría y mejora por parte de la comunidad.
• Monetización: Cada llamada al modelo desencadenará un flujo de ingresos, el contrato on-chain distribuirá los ingresos a los entrenadores, desplegadores y validadores.
• Lealtad: El modelo pertenece a la comunidad de contribuyentes, la dirección de la actualización y la gobernanza son decididas por el DAO, y su uso y modificación están controlados por mecanismos criptográficos.

(## Criptografía nativa de IA)

La criptografía nativa de IA utiliza la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y las características diferenciables del modelo para desarrollar un mecanismo de seguridad ligero que es "verificable pero no removible". Su tecnología central es:

• Incrustación de huellas dactilares: insertar un conjunto de pares clave-valor de consulta-respuesta ocultos durante el entrenamiento para formar una firma única del modelo;
• Protocolo de verificación de propiedad: verifica si la huella digital se conserva a través de un detector de terceros ###Prover( en forma de consulta.
• Mecanismo de llamada autorizado: antes de la llamada, se debe obtener el "certificado de autorización" emitido por el propietario del modelo, y el sistema autoriza al modelo a decodificar la entrada y devolver la respuesta precisa.

Este enfoque permite lograr "llamadas de autorización basadas en el comportamiento + verificación de pertenencia" sin el costo de re-encriptación.

)## Marco de ejecución segura y de derechos de modelo

Sentient actualmente utiliza Melange mezcla de seguridad: combinación de verificación por huellas dactilares, ejecución TEE y contratos on-chain de distribución de beneficios. Entre ellos, el método de huellas dactilares es la implementación principal de OML 1.0, enfatizando la idea de "seguridad optimista (Optimistic Security)", es decir, se asume cumplimiento, y las infracciones pueden ser detectadas y castigadas.

El mecanismo de huella dactilar es una implementación clave de OML, que permite al modelo generar firmas únicas durante la fase de entrenamiento al incrustar pares específicos de "pregunta-respuesta". A través de estas firmas, los propietarios del modelo pueden verificar la pertenencia, evitando copias no autorizadas y la comercialización. Este mecanismo no solo protege los derechos de los desarrolladores del modelo, sino que también proporciona un registro on-chain rastreable de las actividades de uso del modelo.

Además, Sentient ha lanzado el marco de cálculo Enclave TEE, que utiliza entornos de ejecución confiables ### como AWS Nitro Enclaves ( para asegurar que los modelos solo respondan a solicitudes autorizadas, evitando accesos y usos no autorizados. Aunque el TEE depende del hardware y presenta ciertos riesgos de seguridad, su alta rendimiento y ventajas en tiempo real lo convierten en la tecnología central para el despliegue de modelos en la actualidad.

En el futuro, Sentient planea introducir pruebas de conocimiento cero )ZK( y técnicas de cifrado homomórfico totalmente )FHE(, para mejorar aún más la protección de la privacidad y la verificabilidad, proporcionando un despliegue descentralizado más maduro para modelos de IA.