Rapport de recherche sur AI Layer1 : à la recherche d'un terrain fertile pour DeAI off-chain
Aperçu
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé au développement rapide des grands modèles de langage (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine, et même dans certains scénarios, ils montrent un potentiel de substitution 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 sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence difficile pour la grande majorité des développeurs et des équipes d'innovation.
Au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les avancées et les commodités offertes par la technologie, tandis que l'attention portée aux problèmes fondamentaux tels que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes influenceront profondément le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur la "bonté" ou la "malveillance" de l'IA deviendra de plus en plus prononcé, tandis que les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour relever ces défis de manière proactive.
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. À l'heure actuelle, de nombreuses applications "Web3 AI" ont émergé sur plusieurs blockchains majeures. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les maillons clés et les infrastructures dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'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, et la profondeur et l'ampleur de l'innovation doivent être améliorées.
Pour réaliser véritablement la vision d'une IA décentralisée, permettant à la blockchain de porter des applications IA à grande échelle de manière sécurisée, efficace et démocratique, et de rivaliser en termes de performance avec les solutions centralisées, nous devons concevoir une blockchain Layer 1 spécialement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte en IA, la démocratie de gouvernance et la sécurité des données, favorisant le développement prospère de l'écosystème d'IA décentralisée.
Les caractéristiques clés de l'IA Layer 1
AI Layer 1 en tant que blockchain spécialement conçue pour les applications d'IA, son architecture sous-jacente et sa conception des performances sont étroitement axées sur les besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème d'IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités clés suivantes :
Mécanisme d'incitation efficace et de consensus décentralisé 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 comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, compléter l'entraînement et l'inférence des modèles AI, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, brisant ainsi le monopole des géants centralisés sur l'infrastructure AI. Cela pose des exigences plus élevées en matière de consensus et de mécanisme d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans les tâches d'inférence et d'entraînement AI, réalisant ainsi la sécurité du réseau et la répartition efficace des ressources. Ce n'est qu'ainsi que l'on pourra garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Performances élevées exceptionnelles et capacité de support des tâches hétérogènes Les tâches AI, en particulier l'entraînement et l'inférence des LLM, imposent des exigences très élevées en matière de performances de calcul et de capacité de traitement parallèle. De plus, l'écosystème AI off-chain doit souvent également prendre en charge une diversité de types de tâches hétérogènes, y compris différentes structures de modèles, traitement de données, inférence, stockage, et autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture de base pour répondre aux besoins de débit élevé, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de support natif pour les ressources de calcul hétérogènes, afin de garantir que toutes les tâches AI puissent s'exécuter efficacement, permettant une expansion fluide de "tâches unitaires" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sortie fiable L'AI Layer 1 doit non seulement prévenir les comportements malveillants des modèles et les risques de falsification des données, mais elle doit également garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau de ses mécanismes fondamentaux. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), les preuves à divulgation nulle de connaissance (ZK) et le calcul sécurisé multi-parties (MPC), la plateforme permet à chaque inférence de modèle, entraînement et processus de traitement des données d'être vérifiés de manière indépendante, assurant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité aide les utilisateurs à comprendre la logique et les fondements des sorties de l'IA, réalisant ainsi "ce que vous obtenez est ce que vous souhaitez", renforçant la confiance et la satisfaction des utilisateurs envers les produits d'IA.
Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs, et 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 utilisant des technologies 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, d'entraînement et de stockage, prévenant efficacement les fuites et les abus de données, et éliminant les préoccupations des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure Layer 1 native à l'IA, la plateforme doit non seulement posséder une supériorité technique, mais également fournir aux développeurs, opérateurs de nœuds, fournisseurs de services d'IA et autres participants de l'écosystème des outils de développement complets, un SDK d'intégration, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, on favorise la mise en œuvre d'applications AI natives riches et diverses, réalisant la prospérité continue d'un écosystème d'IA décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs d'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G. Il dressera un état des lieux des avancées récentes dans ce domaine, analysera l'état actuel des projets et explorera les tendances futures.
Sentient : construire des modèles d'IA décentralisés open source et loyaux
Aperçu du projet
Sentient est une plateforme de protocole open-source qui développe une blockchain AI Layer1 (, initialement en tant que Layer 2, puis migrera vers Layer 1). En combinant AI Pipeline et technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes de propriété des modèles, de traçabilité des appels et de distribution de la valeur dans le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles AI d'implémenter une structure de propriété on-chain, 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 réunit des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, engagés à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent 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 en IA, tandis que Sandeep Nailwal, cofondateur d'une plateforme d'échange, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, ainsi que dans des établissements prestigieux comme l'Université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.
En tant que co-fondateur d'une plateforme d'échange, le projet de Sandeep Nailwal, Sentient, a dès ses débuts bénéficié d'une aura spéciale, disposant de ressources riches, de réseaux et d'une reconnaissance sur le marché, ce qui a fourni un puissant soutien au développement du projet. Au milieu de 2024, Sentient a terminé une levée de fonds de 85 millions de dollars lors de son tour de financement par les investisseurs, dirigée 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.
architecture de conception et couche d'application
Infrastructure de base
Architecture de base
L'architecture centrale de Sentient est composée de deux parties : un pipeline d'IA (AI Pipeline) et un système de blockchain.
Les pipelines d'IA constituent la base du développement et de l'entraînement des artefacts "IA loyale", comprenant deux processus clés :
Planification des données (Data Curation) : un processus de sélection des données piloté par la communauté, utilisé pour l'alignement du modèle.
Formation à la fidélité (Loyalty Training) : garantir que le modèle maintienne un processus d'entraînement en accord avec l'intention de la communauté.
Le système blockchain offre transparence et contrôle décentralisé aux protocoles, garantissant la propriété des artefacts d'IA, le suivi de leur utilisation, la répartition des revenus et une gouvernance équitable. L'architecture spécifique se divise 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 l'appel au modèle contrôlé par le 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 attribuera chaque appel aux formateurs, déployeurs et validateurs.
Cadre de modèle OML
Le cadre OML (Open, Monetizable, Loyal) est 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 à l'IA, il présente les caractéristiques suivantes :
Ouverture : Le modèle doit être open source, avec un code et une structure de données transparents, afin de permettre à la communauté de reproduire, d'auditer et d'améliorer.
Monétisation : Chaque appel de modèle déclenche un flux de revenus, le contrat off-chain répartit les revenus entre le formateur, le déployeur et le vérificateur.
Loyauté : Le modèle appartient à la communauté des contributeurs, la direction des mises à jour et la gouvernance sont décidées par le DAO, l'utilisation et la modification sont contrôlées par des mécanismes cryptographiques.
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure de variété de faible dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie de base est :
Intégration d'empreintes digitales : insérer un ensemble de paires clé-valeur query-response dissimulées lors de l'entraînement pour former la signature unique du modèle ;
Protocole de vérification de la propriété : vérifier si l'empreinte est conservée sous forme de question via un détecteur tiers (Prover) ;
Mécanisme d'appel autorisé : Avant l'appel, il est nécessaire d'obtenir un "certificat d'autorisation" délivré par le propriétaire du modèle, puis le système autorise le modèle à décoder cette entrée et à renvoyer la réponse exacte.
Ce moyen permet d'implémenter "l'appel d'autorisation basé sur le comportement + la vérification d'appartenance" sans coût de recryptage.
Cadre de droits de modèle et d'exécution sécurisée
Sentient utilise actuellement Melange, une sécurité mixte : une combinaison de la reconnaissance d'empreintes digitales, de l'exécution TEE et de la répartition des bénéfices des contrats off-chain. La méthode des empreintes digitales est mise en œuvre par OML 1.0, soulignant l'idée de "sécurité optimiste (Optimistic Security)", c'est-à-dire la conformité par défaut, avec détection et sanction en cas de violation.
Le mécanisme d'empreinte digitale est une réalisation clé de l'OML. Il permet, en intégrant des paires "question-réponse" spécifiques, de générer des signatures uniques 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, qui utilise des environnements d'exécution de confiance (comme les Nitro Enclaves de certaines plateformes) pour garantir que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi les accès et utilisations non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performances élevées et de réactivité en font une technologie clé pour le déploiement actuel des modèles.
À l'avenir, Sentient prévoit d'introduire des technologies de preuve à divulgation nulle de connaissance (ZK) et de chiffrement homomorphe complet (FHE) pour renforcer davantage la protection de la vie privée et la vérifiabilité, offrant des solutions plus matures pour le déploiement décentralisé des modèles d'IA.
Analyse complète de l'AI Layer1 : 6 grands projets pour créer un écosystème d'IA décentralisé
Rapport de recherche sur AI Layer1 : à la recherche d'un terrain fertile pour DeAI off-chain
Aperçu
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé au développement rapide des grands modèles de langage (LLM). Les LLM montrent des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine, et même dans certains scénarios, ils montrent un potentiel de substitution 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 sur des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence difficile pour la grande majorité des développeurs et des équipes d'innovation.
Au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les avancées et les commodités offertes par la technologie, tandis que l'attention portée aux problèmes fondamentaux tels que la protection de la vie privée, la transparence et la sécurité est relativement insuffisante. À long terme, ces problèmes influenceront profondément le développement sain de l'industrie de l'IA et son acceptation par la société. Si ces questions ne sont pas résolues de manière appropriée, le débat sur la "bonté" ou la "malveillance" de l'IA deviendra de plus en plus prononcé, tandis que les géants centralisés, poussés par leur instinct de profit, manquent souvent de motivation suffisante pour relever ces défis de manière proactive.
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. À l'heure actuelle, de nombreuses applications "Web3 AI" ont émergé sur plusieurs blockchains majeures. Cependant, une analyse approfondie révèle que ces projets présentent encore de nombreux problèmes : d'une part, le degré de décentralisation est limité, les maillons clés et les infrastructures dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'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, et la profondeur et l'ampleur de l'innovation doivent être améliorées.
Pour réaliser véritablement la vision d'une IA décentralisée, permettant à la blockchain de porter des applications IA à grande échelle de manière sécurisée, efficace et démocratique, et de rivaliser en termes de performance avec les solutions centralisées, nous devons concevoir une blockchain Layer 1 spécialement conçue pour l'IA. Cela fournira une base solide pour l'innovation ouverte en IA, la démocratie de gouvernance et la sécurité des données, favorisant le développement prospère de l'écosystème d'IA décentralisée.
Les caractéristiques clés de l'IA Layer 1
AI Layer 1 en tant que blockchain spécialement conçue pour les applications d'IA, son architecture sous-jacente et sa conception des performances sont étroitement axées sur les besoins des tâches d'IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème d'IA off-chain. Plus précisément, AI Layer 1 doit posséder les capacités clés suivantes :
Mécanisme d'incitation efficace et de consensus décentralisé 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 comptabilité des livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, compléter l'entraînement et l'inférence des modèles AI, mais aussi contribuer à des ressources diversifiées telles que le stockage, les données et la bande passante, brisant ainsi le monopole des géants centralisés sur l'infrastructure AI. Cela pose des exigences plus élevées en matière de consensus et de mécanisme d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans les tâches d'inférence et d'entraînement AI, réalisant ainsi la sécurité du réseau et la répartition efficace des ressources. Ce n'est qu'ainsi que l'on pourra garantir la stabilité et la prospérité du réseau, tout en réduisant efficacement le coût global de la puissance de calcul.
Performances élevées exceptionnelles et capacité de support des tâches hétérogènes Les tâches AI, en particulier l'entraînement et l'inférence des LLM, imposent des exigences très élevées en matière de performances de calcul et de capacité de traitement parallèle. De plus, l'écosystème AI off-chain doit souvent également prendre en charge une diversité de types de tâches hétérogènes, y compris différentes structures de modèles, traitement de données, inférence, stockage, et autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture de base pour répondre aux besoins de débit élevé, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de support natif pour les ressources de calcul hétérogènes, afin de garantir que toutes les tâches AI puissent s'exécuter efficacement, permettant une expansion fluide de "tâches unitaires" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sortie fiable L'AI Layer 1 doit non seulement prévenir les comportements malveillants des modèles et les risques de falsification des données, mais elle doit également garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau de ses mécanismes fondamentaux. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), les preuves à divulgation nulle de connaissance (ZK) et le calcul sécurisé multi-parties (MPC), la plateforme permet à chaque inférence de modèle, entraînement et processus de traitement des données d'être vérifiés de manière indépendante, assurant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité aide les utilisateurs à comprendre la logique et les fondements des sorties de l'IA, réalisant ainsi "ce que vous obtenez est ce que vous souhaitez", renforçant la confiance et la satisfaction des utilisateurs envers les produits d'IA.
Protection de la vie privée des données Les applications d'IA impliquent souvent des données sensibles des utilisateurs, et 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 utilisant des technologies 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, d'entraînement et de stockage, prévenant efficacement les fuites et les abus de données, et éliminant les préoccupations des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure Layer 1 native à l'IA, la plateforme doit non seulement posséder une supériorité technique, mais également fournir aux développeurs, opérateurs de nœuds, fournisseurs de services d'IA et autres participants de l'écosystème des outils de développement complets, un SDK d'intégration, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, on favorise la mise en œuvre d'applications AI natives riches et diverses, réalisant la prospérité continue d'un écosystème d'IA décentralisé.
Sur la base de ce contexte et de ces attentes, cet article présentera en détail six projets représentatifs d'AI Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G. Il dressera un état des lieux des avancées récentes dans ce domaine, analysera l'état actuel des projets et explorera les tendances futures.
Sentient : construire des modèles d'IA décentralisés open source et loyaux
Aperçu du projet
Sentient est une plateforme de protocole open-source qui développe une blockchain AI Layer1 (, initialement en tant que Layer 2, puis migrera vers Layer 1). En combinant AI Pipeline et technologie blockchain, elle construit une économie d'intelligence artificielle décentralisée. Son objectif principal est de résoudre les problèmes de propriété des modèles, de traçabilité des appels et de distribution de la valeur dans le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles AI d'implémenter une structure de propriété on-chain, 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 réunit des experts académiques de premier plan, des entrepreneurs en blockchain et des ingénieurs du monde entier, engagés à construire une plateforme AGI communautaire, open source et vérifiable. Les membres clés incluent 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 en IA, tandis que Sandeep Nailwal, cofondateur d'une plateforme d'échange, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, ainsi que dans des établissements prestigieux comme l'Université de Princeton et l'Institut indien de technologie, couvrant des domaines tels que l'IA/ML, le NLP et la vision par ordinateur, travaillant ensemble pour faire avancer le projet.
En tant que co-fondateur d'une plateforme d'échange, le projet de Sandeep Nailwal, Sentient, a dès ses débuts bénéficié d'une aura spéciale, disposant de ressources riches, de réseaux et d'une reconnaissance sur le marché, ce qui a fourni un puissant soutien au développement du projet. Au milieu de 2024, Sentient a terminé une levée de fonds de 85 millions de dollars lors de son tour de financement par les investisseurs, dirigée 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.
architecture de conception et couche d'application
Infrastructure de base
Architecture de base
L'architecture centrale de Sentient est composée de deux parties : un pipeline d'IA (AI Pipeline) et un système de blockchain.
Les pipelines d'IA constituent la base du développement et de l'entraînement des artefacts "IA loyale", comprenant deux processus clés :
Le système blockchain offre transparence et contrôle décentralisé aux protocoles, garantissant la propriété des artefacts d'IA, le suivi de leur utilisation, la répartition des revenus et une gouvernance équitable. L'architecture spécifique se divise en quatre couches :
Cadre de modèle OML
Le cadre OML (Open, Monetizable, Loyal) est 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 à l'IA, il présente les caractéristiques suivantes :
Cryptographie native à l'IA (AI-native Cryptography)
La cryptographie native à l'IA utilise la continuité des modèles d'IA, la structure de variété de faible dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie de base est :
Ce moyen permet d'implémenter "l'appel d'autorisation basé sur le comportement + la vérification d'appartenance" sans coût de recryptage.
Cadre de droits de modèle et d'exécution sécurisée
Sentient utilise actuellement Melange, une sécurité mixte : une combinaison de la reconnaissance d'empreintes digitales, de l'exécution TEE et de la répartition des bénéfices des contrats off-chain. La méthode des empreintes digitales est mise en œuvre par OML 1.0, soulignant l'idée de "sécurité optimiste (Optimistic Security)", c'est-à-dire la conformité par défaut, avec détection et sanction en cas de violation.
Le mécanisme d'empreinte digitale est une réalisation clé de l'OML. Il permet, en intégrant des paires "question-réponse" spécifiques, de générer des signatures uniques 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, qui utilise des environnements d'exécution de confiance (comme les Nitro Enclaves de certaines plateformes) pour garantir que le modèle ne répond qu'aux demandes autorisées, empêchant ainsi les accès et utilisations non autorisés. Bien que le TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performances élevées et de réactivité en font une technologie clé pour le déploiement actuel des modèles.
À l'avenir, Sentient prévoit d'introduire des technologies de preuve à divulgation nulle de connaissance (ZK) et de chiffrement homomorphe complet (FHE) pour renforcer davantage la protection de la vie privée et la vérifiabilité, offrant des solutions plus matures pour le déploiement décentralisé des modèles d'IA.
![Biteye et PANews publient ensemble un rapport de recherche sur l'AI Layer1 : à la recherche des terres fertiles pour DeAI off-chain](