Explorar o solo fértil do DeAI na cadeia: Estado atual e perspetivas futuras do desenvolvimento do AI Layer1

Resumo

Nos últimos anos, empresas de tecnologia de ponta como OpenAI, Anthropic, Google e Meta têm impulsionado o desenvolvimento acelerado de modelos de linguagem de grande escala (LLM). Os LLMs têm mostrado capacidades sem precedentes em várias indústrias, ampliando enormemente o espaço de imaginação da humanidade e até demonstrando, em alguns cenários, o potencial para substituir o trabalho humano. No entanto, o núcleo dessas tecnologias está firmemente nas mãos de poucos gigantes tecnológicos centralizados. Com capital robusto e controle sobre recursos de computação caros, essas empresas estabeleceram barreiras difíceis de transpor, dificultando a concorrência para a grande maioria dos desenvolvedores e equipes de inovação.

Ao mesmo tempo, no início da rápida evolução da IA, a opinião pública frequentemente 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, esses problemas terão um impacto profundo no desenvolvimento saudável da indústria de IA e na aceitação social. Se não forem resolvidos adequadamente, a controvérsia sobre se a IA deve "fazer o bem" ou "fazer o mal" se tornará cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar proativamente esses desafios.

A tecnologia de blockchain, com suas características de descentralização, transparência e resistência à censura, oferece novas possibilidades para o desenvolvimento sustentável da indústria de IA. Atualmente, já surgiram muitas aplicações "Web3 AI" em blockchains populares, como Solana e Base. No entanto, uma análise mais profunda revela que esses projetos ainda enfrentam muitos problemas: por um lado, o nível de descentralização é limitado, com etapas e infraestrutura chave ainda dependendo de serviços de nuvem centralizados, e a propriedade meme é excessiva, dificultando 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 é limitada em termos de capacidade de modelo, utilização de dados e cenários de aplicação, e a profundidade e amplitude da inovação precisam ser aprimoradas.

Para realmente realizar a visão de IA descentralizada, de modo a permitir que a blockchain suporte aplicações de IA em grande escala de forma segura, eficiente e democrática, e para competir em termos de performance com soluções centralizadas, precisamos projetar uma blockchain Layer 1 feita sob medida para a IA. Isso proporcionará uma base sólida para a inovação aberta em IA, a democracia na 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 às necessidades 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 principais:

1. Mecanismos de incentivo eficientes e consenso descentralizado O núcleo da 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 do livro-razão, os nós da AI Layer 1 precisam assumir tarefas mais complexas, não apenas fornecendo poder de computação e completando o treinamento e a inferência de modelos de IA, mas também contribuindo com recursos diversificados, como armazenamento, dados e largura de banda, quebrando assim o monopólio de gigantes centralizados na infraestrutura de IA. Isso impõe requisitos mais elevados para o consenso de base e o mecanismo de incentivo: a 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 será possível garantir a estabilidade e a prosperidade da rede, além de reduzir efetivamente o custo geral do poder de computação.

2. Desempenho elevado e capacidade de suporte a tarefas heterogêneas A tarefa de IA, especialmente o treinamento e a inferência de LLM, impõe requisitos extremamente altos em termos de desempenho computacional e capacidade de processamento paralelo. Além disso, o ecossistema de IA na cadeia muitas vezes precisa suportar uma diversidade de tipos de tarefas heterogêneas, incluindo diferentes estruturas de modelo, processamento de dados, inferência, armazenamento e outros cenários variados. A AI Layer 1 deve ser profundamente otimizada na arquitetura subjacente para atender às necessidades de alta taxa de transferência, baixa latência e paralelismo flexível, e prever uma capacidade de suporte nativa para recursos de computação heterogêneos, garantindo que várias tarefas de IA possam ser executadas de forma eficiente, permitindo uma expansão suave de "tarefas únicas" para "ecossistemas complexos e diversificados."

3. Verificabilidade e Garantia de Saída Confiável A camada de IA Layer 1 não só deve prevenir comportamentos maliciosos do modelo, manipulação de dados e outras vulnerabilidades de segurança, mas também deve garantir a verificabilidade e alinhamento dos resultados de saída da IA a partir de mecanismos de base. Integrando tecnologias de ponta como ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK) e computação segura multipartidária (MPC), a plataforma permite que cada inferência de modelo, treinamento e processo de tratamento de dados possam ser verificados de forma independente, garantindo a justiça e transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade também ajuda os usuários a entender a lógica e a fundamentação das saídas da IA, realizando o "que se recebe é o que se deseja", aumentando a confiança e satisfação dos usuários com os produtos de IA.

4. Proteção da privacidade dos dados As aplicações de IA frequentemente envolvem dados sensíveis dos usuários, sendo a proteção da privacidade dos dados especialmente crucial nas áreas financeira, médica e social. A IA Layer 1 deve garantir a verificabilidade ao mesmo tempo que utiliza técnicas de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, assegurando a segurança dos dados durante todo o processo de inferência, treinamento e armazenamento, prevenindo eficazmente vazamentos e abusos de dados, e eliminando as preocupações dos usuários em relação à segurança dos dados.

5. Poderosa capacidade de suporte e desenvolvimento do ecossistema Como infraestrutura Layer 1 nativa de IA, a plataforma não só precisa ter liderança técnica, mas também deve fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós e outros participantes do ecossistema. Ao otimizar continuamente a usabilidade da plataforma e a experiência do desenvolvedor, promove-se a implementação de aplicações nativas de IA ricas e diversificadas, alcançando a prosperidade contínua de um ecossistema de IA descentralizado.

Com base no contexto e nas expectativas acima, este artigo irá apresentar detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematicamente revisar os desenvolvimentos mais recentes do setor, analisar a situação atual do desenvolvimento dos projetos e discutir as tendências futuras.

Sentient: Construir modelos de IA descentralizados e de código aberto com lealdade.

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 será migrada para Layer 1). Ao combinar a AI Pipeline e a tecnologia blockchain, constrói um ecossistema de inteligência artificial descentralizado. O seu objetivo central é resolver questões de propriedade do modelo, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através da estrutura "OML" (Aberta, Lucrativa, Leal), permitindo que os modelos de IA realizem uma estrutura de propriedade na cadeia, transparência nas chamadas e monetização do valor. A visão da Sentient é permitir que qualquer pessoa construa, colabore, possua e monetize produtos de IA, promovendo assim uma rede ecológica de Agentes de IA justa e aberta.

A equipe da Sentient Foundation reúne os principais especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicando-se a construir uma plataforma AGI comunitária, 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 a estratégia de blockchain e o layout ecológico são liderados por Sandeep Nailwal, cofundador de uma plataforma de troca. Os membros da equipe têm experiência em empresas renomadas como Meta e Coinbase, bem como em universidades de prestígio como a Universidade de Princeton e o Instituto Indiano de Tecnologia, abrangendo áreas como AI/ML, NLP e visão computacional, trabalhando juntos para impulsionar a implementação do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador de uma plataforma de troca, o Sentient nasceu com um brilho especial, possuindo recursos abundantes, conexões e reconhecimento de mercado, proporcionando um forte respaldo para o desenvolvimento do projeto. Em meados de 2024, o Sentient completou uma rodada de financiamento semente de 85 milhões de dólares, liderada pelo Founders Fund, Pantera e Framework Ventures, com outras instituições de investimento incluindo Delphi, Hashkey e Spartan, entre outras dezenas de VCs renomados.

Arquitetura de Design e Camada de Aplicação

Infraestrutura

Arquitetura central

A arquitetura central do Sentient é composta por um Pipeline de IA (AI Pipeline) e um sistema de blockchain.

O pipeline de IA é a base para o desenvolvimento e treinamento de artefatos de "IA leal", que contém dois processos principais:​

• Planejamento de Dados (Data Curation): 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 consistente com as intenções da comunidade.

O sistema de blockchain proporciona transparência e controle descentralizado para os protocolos, garantindo a propriedade, rastreamento de uso, distribuição de receitas e 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 do modelo controlada pelo contrato de autorização;
• Camada de acesso: valida se o utilizador está autorizado através de prova de permissão;
• Camada de incentivo: o contrato de roteamento de receita alocará pagamentos a cada chamada para o treinador, o implementador e o validador.

Estrutura do modelo OML

A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) é o conceito central proposto pela Sentient, visando 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 do modelo irá acionar um fluxo de receitas, o contrato na cadeia irá distribuir os lucros 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 são controlados por mecanismos criptográficos.

Criptografia nativa de IA (AI-native Cryptography)

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

• Impressão digital incorporada: 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 de um detector de terceiros (Prover) na forma de uma pergunta query;
• Mecanismo de chamada de permissão: Antes da chamada, é necessário obter o "certificado de permissão" emitido pelo proprietário do modelo, e o sistema então autoriza o modelo a decodificar a entrada e retornar a resposta correta.

Este método permite a realização de "chamadas autorizadas baseadas em comportamentos + validação de propriedade" sem custos de recriptografia.

Modelo de confirmação de direitos e estrutura de execução segura

Sentient atualmente utiliza segurança Melange mista: combinação de verificação por impressão digital, execução TEE e contratos na cadeia para distribuição de lucros. O método de impressão digital é implementado na linha principal OML 1.0, enfatizando a ideia de "Segurança Otimista", ou seja, assume conformidade, com a possibilidade de detecção e punição em caso de violação.

O mecanismo de impressão digital é a implementação chave do OML, permitindo que o modelo gere assinaturas únicas durante a fase de treinamento, incorporando pares específicos de "perguntas-respostas". Através dessas assinaturas, o proprietário do modelo pode verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não apenas protege os direitos dos desenvolvedores de modelos, mas também fornece um registro rastreável na cadeia sobre o comportamento de uso do modelo.

Além disso, a Sentient lançou o Enclave TEE, um framework de computação que utiliza ambientes de execução confiáveis (como os AWS Nitro Enclaves) para garantir que o modelo responda apenas a solicitações autorizadas, evitando acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente algumas vulnerabilidades de segurança, suas vantagens de alto desempenho e tempo real fazem com que seja uma solução atraente.