Rapport de recherche sur AI Layer1 : À la recherche d'un sol fertile pour DeAI off-chain

Aperçu

Ces dernières années, des entreprises technologiques de premier plan comme OpenAI, Anthropic, Google et Meta ont propulsé le développement rapide des modèles de langage (LLM). Les LLM ont démontré des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine, et montrant même dans certaines situations un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par quelques géants technologiques centralisés. Grâce à un capital solide et à un contrôle des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la compétition difficile pour la grande majorité des développeurs et des équipes d'innovation.

En même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les commodités apportées par la technologie, tandis que l'attention accordée à des questions centrales telles que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et sur son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur le fait que l'IA soit "bienveillante" ou "malveillante" deviendra de plus en plus accentué, et les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation suffisante pour faire face à ces défis.

La technologie blockchain, grâce à ses caractéristiques de décentralisation, de transparence et de résistance à la censure, offre de nouvelles possibilités pour le développement durable de l'industrie de l'IA. Actuellement, de nombreuses applications « Web3 AI » ont émergé sur des blockchains majeures telles que Solana et Base. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les étapes clés et les infrastructures dépendent encore des services cloud centralisés, et la forte composante meme rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits IA du monde Web2, l'IA on-chain reste limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, la profondeur et l'étendue de l'innovation doivent être améliorées.

Pour réaliser véritablement la vision d'une IA décentralisée, permettant à la blockchain de supporter des applications AI à grande échelle de manière sécurisée, efficace et démocratique, et de rivaliser en performance avec les solutions centralisées, nous devons concevoir une blockchain Layer1 spécifiquement adaptée à l'IA. Cela fournira une base solide pour l'innovation ouverte de l'IA, la gouvernance démocratique et la sécurité des données, favorisant le développement prospère de l'écosystème AI décentralisé.

Les caractéristiques clés de AI Layer 1

AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, est conçue avec une architecture sous-jacente et des performances étroitement liées aux besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités clés suivantes :

1. Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de AI Layer 1 réside dans la construction d'un réseau partagé ouvert de ressources telles que la puissance de calcul et le stockage. Contrairement aux nœuds de blockchain traditionnels qui se concentrent principalement sur la tenue des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul et réaliser l'entraînement et l'inférence de modèles d'IA, mais également contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, afin de briser le monopole des géants centralisés sur l'infrastructure de l'IA. Cela impose des exigences plus élevées en matière de consensus de base et de mécanismes d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision les contributions réelles des nœuds dans des tâches telles que l'inférence et l'entraînement de l'IA, réalisant ainsi la sécurité du réseau et une allocation efficace des ressources. Ce n'est qu'ainsi que l'on peut garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.

2. Excellente performance élevée et capacité de prise en charge des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, exigent des performances de calcul et des capacités de traitement parallèle très élevées. De plus, l'écosystème IA off-chain nécessite souvent de prendre en charge une variété de types de tâches hétérogènes, y compris différentes structures de modèles, le traitement des données, l'inférence, le stockage, etc. L'IA Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre à des exigences de haut débit, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de prise en charge native des ressources de calcul hétérogènes, garantissant que toutes les tâches d'IA peuvent s'exécuter efficacement, réalisant une expansion fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".

3. Vérifiabilité et garantie de sortie fiable L'AI Layer 1 ne doit pas seulement prévenir les dangers de la malveillance des modèles et de la falsification des données, mais doit également garantir la vérifiabilité et l'alignement des résultats de l'IA au niveau des mécanismes fondamentaux. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à divulgation nulle de connaissance (ZK) et le calcul sécurisé multipartite (MPC), la plateforme permet que chaque processus d'inférence de modèle, de formation et de traitement des données puisse être vérifié de manière indépendante, garantissant ainsi l'équité et la transparence du système d'IA. En outre, cette vérifiabilité peut également aider les utilisateurs à clarifier la logique et les bases des résultats de l'IA, réalisant ainsi "ce qui est obtenu est ce qui est souhaité", augmentant la confiance et la satisfaction des utilisateurs envers les produits d'IA.

4. Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs. Dans les domaines financier, médical et social, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 doit garantir la vérifiabilité tout en adoptant des techniques de traitement des données basées sur le cryptage, des protocoles de calcul de la vie privée et des moyens de gestion des droits d'accès aux données, afin d'assurer la sécurité des données tout au long du processus d'inférence, de formation et de stockage, de prévenir efficacement les fuites et les abus de données, et d'éliminer les inquiétudes des utilisateurs concernant la sécurité des données.

5. Puissante capacité de support et de développement de l'écosystème. En tant qu'infrastructure de base Layer 1 native à l'IA, la plateforme doit non seulement posséder un leadership technologique, mais aussi fournir aux développeurs, opérateurs de nœuds, fournisseurs de services IA et autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, elle favorise la réalisation d'applications IA natives riches et diversifiées, et permet la prospérité continue d'un écosystème IA décentralisé.

Sur la base du contexte et des attentes ci-dessus, cet article présentera en détail six projets représentatifs d'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en systématisant les derniers développements du secteur, en analysant l'état actuel des projets et en discutant des tendances futures.

Sentient : Construire un modèle d'IA décentralisé open source et loyal

Aperçu du projet

Sentient est une plateforme de protocole open source qui crée une blockchain AI Layer1 ( en phase initiale comme Layer 2, puis migrera vers Layer 1). En combinant AI Pipeline et technologie blockchain, elle construit une économie décentralisée d'intelligence artificielle. Son objectif principal est de résoudre les problèmes de propriété des modèles, de suivi des appels et de distribution de valeur sur le marché des LLM centralisé grâce au cadre "OML" (, ouvert, rentable et loyal, permettant aux modèles AI de réaliser une structure de propriété sur la chaîne, une transparence des appels et une distribution de valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits AI, favorisant ainsi un écosystème de réseau d'agents AI équitable et ouvert.

L'équipe de Sentient Foundation regroupe des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, s'engageant à construire une plateforme AGI communautaire, open-source et vérifiable. Les membres clés comprennent le professeur Pramod Viswanath de l'Université de Princeton et le professeur Himanshu Tyagi de l'Institut Indien de Science, respectivement responsables de la sécurité et de la protection de la vie privée de l'IA, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des expériences variées dans des entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que dans des universités de premier plan comme l'Université de Princeton et l'Institut Indien de Technologie, couvrant des domaines comme l'IA/ML, le NLP, la vision par ordinateur, et collaborent pour faire avancer le projet.

En tant que projet de seconde entreprise de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès ses débuts été auréolé de succès, bénéficiant de ressources abondantes, de relations et d'une reconnaissance sur le marché, ce qui a fourni un soutien solide au développement du projet. À la mi-2024, Sentient a complété un tour de financement de semences de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres institutions d'investissement telles que Delphi, Hashkey et Spartan, parmi des dizaines de VC renommés.

![Biteye et PANews publient conjointement un rapport de recherche sur l'IA Layer1 : à la recherche d'un sol fertile pour DeAI off-chain])https://img-cdn.gateio.im/webp-social/moments-f4a64f13105f67371db1a93a52948756.webp(

) architecture de conception et couche d'application

Infrastructure

Architecture de base

L'architecture principale de Sentient est composée de deux parties : le pipeline AI ### et le système blockchain.

Le pipeline d'IA est la base du développement et de l'entraînement des artefacts "AI de fidélité", comprenant deux processus clés :

• Data Curation(: un processus de sélection de données piloté par la communauté, utilisé pour l'alignement des modèles.
• Formation de fidélité)Loyalty Training(: Assurez-vous que le modèle maintienne un processus de formation cohérent avec l'intention de la communauté.

Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété des artefacts d'IA, le suivi de l'utilisation, la distribution des revenus et une gouvernance équitable. L'architecture spécifique est divisée en quatre couches :

• Couche de stockage : stocker les poids du modèle et les informations d'enregistrement des empreintes digitales ;
• Couche de distribution : point d'entrée de contrôle du modèle de contrat d'autorisation.
• Couche d'accès : vérifie si l'utilisateur est autorisé via une preuve d'autorisation ;
• Couche d'incitation : le contrat de routage des revenus attribue à chaque appel un paiement aux formateurs, aux déployeurs et aux validateurs.

)## Cadre de modèle OML

Le cadre OML ( est ouvert, monétisable, loyal), et constitue le concept central proposé par Sentient, visant à fournir une protection claire de la propriété et des mécanismes d'incitation économique pour les modèles d'IA open source. En combinant la technologie off-chain et la cryptographie native de l'IA, il présente les caractéristiques suivantes :

• Ouverture : le modèle doit être open source, avec un code et une structure de données transparents, facilitant la reproduction, l'audit et l'amélioration par la communauté.
• Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat off-chain répartit les revenus entre les formateurs, les déployeurs et les validateurs.
• Fidélité : Le modèle appartient à la communauté des contributeurs, la direction des mises à niveau et la gouvernance sont décidées par le DAO, et son utilisation et sa modification sont contrôlées par des mécanismes cryptographiques.

Cryptographie native à l'IA(

La cryptographie native à l'intelligence artificielle utilise la continuité des modèles d'IA, la structure de variété de basse dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est:

• Empreinte digitale : insérer un ensemble de paires clé-valeur query-response cachées lors de l'entraînement pour former une signature unique du modèle ;
• Protocole de vérification de propriété : vérifiez si l'empreinte digitale est conservée par le biais d'un détecteur tiers )Prover### sous forme de question.
• Mécanisme d'appel autorisé : Avant l'appel, il est nécessaire d'obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, et le système autorise ensuite le modèle à décoder cette entrée et à renvoyer une réponse précise.

Cette méthode permet de réaliser "appel d'autorisation basé sur le comportement + vérification d'appartenance" sans coût de réencryption.

(## Cadre de sécurisation et d'authentification des modèles

Sentient utilise actuellement la sécurité mixte Melange : une combinaison de la vérification par empreinte digitale, de l'exécution TEE et de la répartition des profits des contrats off-chain. La méthode par empreinte digitale est mise en œuvre par OML 1.0, soulignant la pensée "sécurité optimiste)Optimistic Security(", qui suppose la conformité par défaut, avec détection et sanction en cas de non-conformité.

Le mécanisme de l'empreinte digitale est une réalisation clé d'OML. Il permet, grâce à l'intégration de paires "question-réponse" spécifiques, de générer une signature unique lors de la phase d'entraînement du modèle. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété, empêchant ainsi la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs de modèles, mais fournit également un enregistrement traçable des comportements d'utilisation du modèle.

De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant un environnement d'exécution de confiance ) comme AWS Nitro Enclaves ### pour s'assurer que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi l'accès et l'utilisation non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performance et de réactivité en font une technologie clé pour le déploiement des modèles actuels.

À l'avenir, Sentient prévoit d'introduire des preuves à divulgation nulle de connaissance (ZK) et des technologies de chiffrement homomorphe complet (FHE), afin de renforcer davantage la protection de la vie privée et la vérifiabilité, fournissant des solutions plus matures pour le déploiement décentralisé des modèles d'IA.

(# Couche applicative

Actuellement, les produits de Sentient comprennent principalement la plateforme de chat décentralisée Sentient Chat, la série de modèles open source Dobby et le cadre AI Agent.

)## Série Dobby