Pesquisa sobre o setor de AI Layer1: Encontrando o solo fértil para AI descentralizada na cadeia

Nos últimos anos, com as empresas de tecnologia líderes como OpenAI, Anthropic, Google e Meta a impulsionar constantemente, os modelos de linguagem (LLM) têm demonstrado capacidades sem precedentes em vários setores, expandindo enormemente o espaço de imaginação humana, e até mostrando potencial para substituir o trabalho humano em certos cenários. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de poucos gigantes tecnológicos centralizados. Com um forte capital e controle sobre recursos de computação caros, essas empresas estabelecem barreiras difíceis de superar, 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 muitas vezes 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, essas questões afetarão profundamente o desenvolvimento saudável da indústria de IA e a aceitação social. Se não forem resolvidas adequadamente, a controvérsia sobre se a IA é "para o bem" ou "para o mal" se tornará cada vez mais proeminente, e os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios proativamente.

A tecnologia blockchain, graças às suas características de Descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, várias aplicações "Web3 AI" já surgiram em algumas blockchains principais. 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 cruciais e infraestrutura ainda dependem de serviços de nuvem centralizados, com uma forte ênfase em meme, o que dificulta o suporte a um ecossistema verdadeiramente aberto; por outro lado, em comparação com os produtos de IA do mundo Web2, a IA na cadeia ainda apresenta limitações em termos de capacidade do modelo, utilização de dados e cenários de aplicação, e a profundidade e amplitude da inovação precisam ser aprimoradas.

Para realmente realizar a visão da Descentralização da IA, permitindo que a blockchain suporte aplicações de IA em larga escala de forma segura, eficiente e democrática, e que rivalize em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer1 feita sob medida para IA. Isso proporcionará uma base sólida para a inovação aberta da IA, a democracia da governança e a segurança dos dados, promovendo o próspero desenvolvimento do ecossistema de IA descentralizada.

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 demandas das tarefas de IA, visando apoiar de forma eficiente o desenvolvimento sustentável e a prosperidade do ecossistema de IA na cadeia. Especificamente, o AI Layer 1 deve possuir as seguintes capacidades centrais:

1. Mecanismos de incentivo eficientes e Descentralização de consenso O núcleo do AI Layer 1 reside na construção de uma rede compartilhada de recursos abertos, como poder de computação e armazenamento. Ao contrário dos nós de blockchain tradicionais que se concentram principalmente na contabilidade de livros, os nós do AI Layer 1 precisam assumir tarefas mais complexas, pois não apenas devem fornecer poder de computação e completar o treinamento e a inferência de modelos de IA, mas também contribuir com armazenamento, dados e largura de banda, entre outros recursos diversificados, quebrando assim o monopólio das grandes empresas na infraestrutura de IA. Isso exige padrões mais elevados para o consenso subjacente e os mecanismos de incentivo: o AI Layer 1 deve ser capaz de avaliar, incentivar e verificar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, garantindo a segurança da rede e a alocação eficiente de recursos. Somente assim é possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo total de computação.

2. Excelentes capacidades de alto desempenho e suporte a tarefas heterogéneas As tarefas de IA, especialmente o treinamento e a inferência de LLM, impõem requisitos extremamente altos de desempenho computacional e capacidade de processamento paralelo. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar uma variedade de tipos de tarefas heterogêneas, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversos. A IA Layer 1 deve ser profundamente otimizada em sua arquitetura subjacente para atender às demandas de alta taxa de transferência, baixa latência e paralelismo elástico, e prever a capacidade de suporte nativo a recursos computacionais heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, realizando uma expansão suave de "tarefas unidimensionais" para um "ecossistema complexo e diversificado".

3. Verificabilidade e garantia de saída confiável A camada 1 da IA não apenas deve prevenir riscos de segurança, como a má conduta dos modelos e a manipulação de dados, mas também deve garantir, desde a base, a verificabilidade e a alinhamento dos resultados da IA. Ao integrar tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multiparte (MPC), a plataforma permite que cada inferência de modelo, treinamento e processo de manipulação de dados possam ser verificados de forma independente, garantindo a justiça e a transparência do sistema de IA. Além disso, essa verificabilidade pode ajudar os usuários a entender a lógica e a base das saídas da 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 As aplicações de IA frequentemente envolvem dados sensíveis dos usuários; nas áreas financeira, médica e social, a proteção da privacidade dos dados é especialmente crucial. A IA Layer 1 deve, ao garantir a verificabilidade, adotar tecnologias de processamento de dados baseadas em criptografia, protocolos de computação privativa e gestão de permissões de dados, para garantir a segurança dos dados em 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. Capacidade poderosa de suporte e desenvolvimento de ecossistemas Como uma infraestrutura de Layer 1 nativa de IA, a plataforma não só deve ter uma liderança técnica, mas também fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte à operação e mecanismos de incentivo para desenvolvedores, operadores de nós, provedores de serviços de IA e outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promove-se a implementação de aplicações ricas e diversas nativas de IA, alcançando a prosperidade contínua do ecossistema de IA descentralizada.

Tendo em conta o contexto e as expectativas acima mencionadas, este artigo apresentará em detalhe seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os mais recentes desenvolvimentos do setor, analisando o estado atual dos projetos e discutindo as tendências futuras.

Sentient: Construir modelos de IA descentralizados de código aberto e leais

Visão geral do projeto

Sentient é uma plataforma de protocolo de código aberto, que está a construir uma blockchain AI Layer1 ( na fase inicial como Layer 2, e depois migrará para Layer 1), através da combinação de AI Pipeline e tecnologia blockchain, construindo uma economia de inteligência artificial descentralizada. O seu objetivo central é resolver problemas de atribuição de modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (, aberta, rentável e leal ), permitindo que os modelos de IA tenham uma estrutura de propriedade na cadeia, chamadas transparentes e repartição de valor. A visão do Sentient é permitir que qualquer pessoa possa construir, colaborar, possuir e monetizar produtos de IA, promovendo assim um ecossistema de rede de agentes de IA justo e aberto.

A equipe da Sentient Foundation reúne os melhores especialistas acadêmicos, empreendedores e engenheiros de blockchain do mundo, dedicando-se a construir uma plataforma de AGI que seja 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 proteção da privacidade da IA, enquanto Sandeep Nailwal, co-fundador de uma plataforma de negociação, lidera a estratégia de blockchain e o layout ecológico. Os membros da equipe têm experiência em empresas conhecidas como Meta, Coinbase, uma plataforma de negociação, e em universidades de prestígio como a Universidade de Princeton e o Instituto Indiano de Tecnologia, abrangendo áreas como AI/ML, NLP, e visão computacional, colaborando para a implementação do projeto.

Como um projeto de empreendedorismo secundário do cofundador da plataforma de negociação Sandeep Nailwal, a Sentient nasceu com um brilho especial, possuindo recursos ricos, conexões e reconhecimento de mercado, que fornecem um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, a Sentient completou uma rodada de financiamento inicial de 85 milhões de dólares, liderada pelo Founders Fund, Pantera e Framework Ventures, com a participação de outras instituições de investimento, incluindo Delphi, Hashkey e várias dezenas de VC renomadas como Spartan.

Arquitetura de design e camada de aplicação

Camada de Infraestrutura

Arquitetura Central

A arquitetura central do Sentient é composta por duas partes: o AI Pipeline ( e o sistema de blockchain.

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA Leal", contendo dois processos centrais:​

• Planejamento de Dados ) Data Curation (: um 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 alinhado com a intenção da comunidade.

O sistema de blockchain fornece transparência e Descentralização no controle dos protocolos, garantindo a propriedade, o rastreamento de uso, a distribuição de ganhos e a governança justa dos artefatos de IA. A arquitetura específica é dividida em quatro camadas:

• Camada de armazenamento: armazena pesos de modelo e informações de registro de impressões digitais;
• Camada de distribuição: entrada de chamada controlada pelo contrato de autorização;
• Camada de acesso: verifica se o usuário está autorizado através de prova de permissão.
• Camada de Incentivo: O contrato de roteamento de receitas irá distribuir o pagamento a cada chamada entre os treinadores, implementadores e validadores.

![Biteye e PANews publicam em conjunto o relatório de pesquisa AI Layer1: procurando a terra fértil para DeAI na cadeia])https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(

)## Estrutura do modelo OML

A estrutura OML ### é aberta Open, monetizável Monetizable, leal Loyal(, e é o conceito central proposto pela Sentient, destinado a fornecer proteção clara de propriedade 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 gera um fluxo de receita, o contrato na cadeia distribui os ganhos para os treinadores, implementadores e validadores.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção da atualização e a governança são decididas pela DAO, e o uso e a modificação estão sob o controle de mecanismos criptográficos.

)## Criptografia nativa de IA###

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

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

Esta abordagem permite realizar "chamadas autorizadas baseadas no comportamento + validação de pertencimento" sem custos de recriptografia.

(## Modelo de garantia de direitos e quadro de execução segura

Sentient atualmente utiliza Melange mistura de segurança: combinação de autenticação por impressão digital, execução TEE e contratos na cadeia para distribuição de lucros. O método de impressão digital é implementado pela OML 1.0 como a linha principal, enfatizando o pensamento de "segurança otimista )Optimistic Security###", ou seja, presumir conformidade, e a violação pode ser detectada e punida.

O mecanismo de impressão digital é a implementação chave do OML, permitindo que o modelo gere uma assinatura única na fase de treinamento, através da incorporação de pares específicos de "pergunta-resposta". 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 o comportamento de uso do modelo.

Além disso, a Sentient lançou a estrutura de computação Enclave TEE, utilizando ambientes de execução confiáveis ( como o AWS Nitro Enclaves ) para garantir que os modelos respondam apenas a solicitações autorizadas, prevenindo acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente algumas vulnerabilidades de segurança, suas vantagens em termos de desempenho e tempo real fazem dele a tecnologia central para a implantação de modelos atuais.

No futuro, a Sentient planeia introduzir provas de conhecimento zero (ZK) e criptografia homomórfica completa (FHE), para melhorar ainda mais a proteção da privacidade e a verificabilidade, proporcionando uma implementação mais madura da descentralização dos modelos de IA.