Relatório de Pesquisa do Ecossistema AI Layer1: Encontrando o Solo Fértil para DeAI na cadeia

Resumo

Nos últimos anos, empresas de tecnologia líderes como OpenAI, Anthropic, Google e Meta têm impulsionado o rápido desenvolvimento de modelos de linguagem de grande escala (LLM). Os LLM demonstram habilidades sem precedentes em diversos setores, expandindo enormemente o espaço da imaginação humana e até mostrando potencial para substituir o trabalho humano em algumas situações. No entanto, o núcleo dessas tecnologias está solidamente nas mãos de poucos gigantes da tecnologia centralizados. Com um forte capital e controle sobre recursos de computação caros, essas empresas estabeleceram barreiras quase intransponíveis, dificultando a competição 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 nos avanços e conveniências trazidos pela tecnologia, enquanto a atenção a questões centrais como proteção de privacidade, transparência e segurança é relativamente insuficiente. A longo prazo, essas questões terão um impacto profundo na saúde do desenvolvimento da indústria de IA e na aceitação social. Se não forem resolvidas adequadamente, a controvérsia sobre se a IA deve "agir para o bem" ou "agir para o mal" tornará-se cada vez mais proeminente, enquanto os gigantes centralizados, impulsionados pelo instinto de lucro, muitas vezes carecem de motivação suficiente para enfrentar esses desafios de forma proativa.

A tecnologia 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 diversas aplicações de "Web3 AI" em algumas das principais blockchains. No entanto, uma análise mais profunda revela que esses projetos ainda enfrentam muitos problemas: por um lado, o grau de descentralização é limitado, com etapas e infraestruturas críticas ainda dependendo de serviços de nuvem centralizados, o que dificulta a sustentação de 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, com a profundidade e a amplitude da inovação a serem aprimoradas.

Para realmente realizar a visão de uma IA descentralizada, permitindo que a blockchain suporte aplicações de IA em grande escala de forma segura, eficiente e democrática, e que rivalize em desempenho com soluções centralizadas, precisamos projetar uma blockchain Layer1 feita sob medida para a IA. Isso proporcionará uma base sólida para a inovação aberta da IA, a democracia na governança e a segurança dos dados, impulsionando o desenvolvimento próspero 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 estreitamente alinhados com as necessidades das tarefas de IA, visando apoiar de forma eficiente o desenvolvimento e a prosperidade sustentáveis do ecossistema de IA na cadeia. Especificamente, o AI Layer 1 deve possuir as seguintes capacidades essenciais:

1. Mecanismos de incentivo eficientes e consenso descentralizado O núcleo do AI Layer 1 está em construir uma rede compartilhada de recursos como poder computacional e armazenamento. Ao contrário dos nós de blockchain tradicionais que se concentram principalmente na contabilidade do livro, os nós do AI Layer 1 precisam assumir tarefas mais complexas, que não apenas fornecem poder computacional, completam o treinamento e a inferência de modelos de IA, mas também precisam contribuir com armazenamento, dados, largura de banda e outros recursos diversificados, quebrando assim o monopólio de gigantes centralizados na infraestrutura de IA. Isso exige requisitos mais elevados para o consenso de base e mecanismos de incentivo: o AI Layer 1 deve ser capaz de avaliar, incentivar e validar com precisão a contribuição real dos nós em tarefas de inferência e treinamento de IA, realizando 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 total do poder computacional.

2. Excelente desempenho e capacidade de suporte a tarefas heterogêneas As tarefas de IA, especialmente o treinamento e a inferência de LLM, impõem exigências extremamente altas 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, incluindo diferentes estruturas de modelos, processamento de dados, inferência, armazenamento e outros cenários diversos. A AI Layer 1 deve ser profundamente otimizada na arquitetura subjacente para atender a demandas de alta vazão, baixa latência e paralelismo elástico, e prever a capacidade de suporte nativo a recursos computacionais heterogêneos, garantindo que várias tarefas de IA possam operar de forma eficiente, realizando uma expansão suave de "tarefas únicas" para um "ecossistema complexo e diversificado".

3. Verificabilidade e garantia de saída confiável A camada 1 da IA não só deve prevenir a má utilização do modelo, a manipulação de dados e outros riscos de segurança, mas também deve garantir, desde os mecanismos de base, a verificabilidade e a alinhamento dos resultados gerados pela IA. Através da integração de ambientes de execução confiáveis (TEE), provas de conhecimento zero (ZK), computação segura multipartidária (MPC) e outras tecnologias de ponta, a plataforma pode permitir que cada inferência de modelo, treinamento e processo de processamento de dados sejam independentes e verificáveis, garantindo a justiça e a transparência do sistema de IA. Ao mesmo tempo, essa verificabilidade pode ajudar os usuários a esclarecer a lógica e as bases 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, a proteção da privacidade dos dados é especialmente crucial em áreas como finanças, saúde e redes sociais. O AI Layer 1 deve garantir a verificabilidade ao mesmo tempo em que utiliza tecnologias de processamento de dados baseadas em criptografia, protocolos de computação de privacidade e gestão de permissões de dados, assegurando a segurança dos dados em 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. Capacidade poderosa de suporte ao desenvolvimento e à infraestrutura ecológica Como uma infraestrutura Layer 1 nativa de IA, a plataforma não só deve ter uma liderança técnica, mas também fornecer ferramentas de desenvolvimento completas, SDKs integrados, suporte operacional e mecanismos de incentivo para desenvolvedores, operadores de nós, provedores de serviços de IA e outros participantes do ecossistema. Através da otimização contínua da usabilidade da plataforma e da experiência do desenvolvedor, promove-se a implementação de aplicações nativas de IA diversificadas e ricas, alcançando a prosperidade contínua de um ecossistema de IA descentralizado.

Com base no contexto e nas expectativas acima, este artigo apresentará detalhadamente seis projetos representativos de AI Layer1, incluindo Sentient, Sahara AI, Ritual, Gensyn, Bittensor e 0G, sistematizando os últimos avanços da pista, analisando o estado atual do desenvolvimento dos projetos e explorando 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 desenvolver uma blockchain AI Layer1 ( na fase inicial como Layer 2, e depois irá migrar para Layer 1). Ao combinar a AI Pipeline e a tecnologia de blockchain, visa construir uma economia de inteligência artificial descentralizada. O seu objetivo central é resolver questões de propriedade de modelos, rastreamento de chamadas e distribuição de valor no mercado LLM centralizado através do framework "OML" (aberto, lucrativo, leal), permitindo que os modelos de IA tenham uma estrutura de propriedade na cadeia, transparência nas chamadas e distribuição 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 principais especialistas acadêmicos, empreendedores de blockchain e engenheiros do mundo, dedicando-se a construir uma plataforma AGI 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 privacidade da IA, enquanto Sandeep Nailwal, cofundador da Polygon, lidera a estratégia e o ecossistema de blockchain. Os membros da equipe têm experiências em empresas renomadas como Meta, Coinbase, Polygon, e em universidades de ponta como a Universidade de Princeton e o Instituto Indiano de Tecnologia, cobrindo áreas como AI/ML, NLP, visão computacional, entre outras, colaborando para a concretização do projeto.

Como um projeto de segunda empreitada de Sandeep Nailwal, cofundador da Polygon, a Sentient chegou ao mercado já com um forte respaldo, possuindo recursos, conexões e reconhecimento no mercado que proporcionaram um apoio robusto ao desenvolvimento do projeto. Em meados de 2024, a Sentient completou uma rodada de financiamento seed de 85 milhões de dólares, liderada pela Founders Fund, Pantera e Framework Ventures, com a participação de várias outras instituições de investimento conhecidas, incluindo Delphi, Hashkey e Spartan.

arquitetura de design e camada de aplicação

Camada de 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", contendo dois processos centrais:

• Curadoria de Dados (Data Curation): Processo de seleção de dados impulsionado pela comunidade, utilizado para o alinhamento de modelos.
• Treinamento de Lealdade (Loyalty Training): garantir que o modelo mantenha um processo de treinamento consistente com a intenção da comunidade.

O sistema de blockchain proporciona transparência e controle descentralizado para o protocolo, garantindo a propriedade dos artefatos de IA, o rastreamento de uso, a distribuição de receitas e a governança justa. A arquitetura específica é dividida em quatro camadas:

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

Estrutura do Modelo OML

A estrutura OML (Aberto Open, Monetizável Monetizable, Leal Loyal) 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 de modelo irá desencadear um fluxo de receita, o contrato na cadeia irá distribuir os ganhos aos treinadores, implementadores e validadores.
• Lealdade: O modelo pertence à comunidade de contribuidores, a direção de atualização e a governança são decididas pela DAO, e o uso e modificação estão sob o controle de 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 de diferenciabilidade dos modelos para desenvolver mecanismos de segurança leves que são "verificáveis, mas não removíveis". Sua tecnologia central é:

• Impressão digital embutida: durante o treinamento, insere-se um conjunto de pares chave-valor query-response ocultos para formar a assinatura única do modelo;
• Protocolo de verificação de propriedade: verifica 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 de chamar, é necessário obter o "certificado de permissão" emitido pelo proprietário do modelo, e o sistema, com base nisso, autoriza o modelo a decodificar a entrada e retornar a resposta correta.

Esta abordagem permite a implementação de "chamadas autorizadas baseadas em comportamento + verificação de pertencimento" sem o custo de recriptografia.

Modelo de Certificação e Estrutura de Execução Segura

Sentient atualmente utiliza a segurança híbrida Melange: combina direitos de propriedade através de impressões digitais, execução TEE e divisão de lucros em contratos na cadeia. O método de impressão digital é implementado na linha principal do OML 1.0, enfatizando a ideia de "Segurança Otimista (Optimistic Security)", ou seja, presume conformidade, podendo detectar e penalizar em caso de violação.

O mecanismo de impressão digital é a implementação chave do OML, permitindo que o modelo gere assinaturas únicas na fase de treinamento, através da incorporação de pares específicos de "pergunta-resposta". Através dessas assinaturas, os proprietários do modelo podem verificar a propriedade, prevenindo cópias e comercializações não autorizadas. Este mecanismo não apenas protege os direitos dos desenvolvedores do modelo, mas também fornece um registro rastreável na cadeia sobre o comportamento de uso do modelo.

Além disso, a Sentient lançou a estrutura de computação Enclave TEE, que utiliza ambientes de execução confiáveis (como AWS Nitro Enclaves) para garantir que os modelos respondam apenas a solicitações autorizadas, evitando acessos e usos não autorizados. Embora o TEE dependa de hardware e apresente alguns riscos de segurança, seu alto desempenho e