Rapport de recherche sur AI Layer1 : à la recherche d'un terreau pour DeAI off-chain

Aperçu

Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont propulsé le développement rapide des modèles de langage de grande taille (LLM). Les LLM ont montré des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination de l'humanité, et dans certains cas, montrant même 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 au contrôle des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficiles à franchir, rendant la concurrence difficile pour la plupart 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, tout en prêtant peu d'attention aux problèmes fondamentaux tels que la protection de la vie privée, la transparence et la sécurité. À long terme, ces problèmes auront un impact profond sur le développement sain de l'industrie de l'IA et l'acceptation sociale. Si ces questions ne sont pas résolues de manière adéquate, le débat sur la "bienveillance" ou la "malveillance" de l'IA deviendra de plus en plus prononcé. Les géants centralisés, poussés par leur instinct de profit, manquent souvent de la motivation suffisante pour faire face proactivement 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, des éléments clés et des infrastructures dépendent encore de services cloud centralisés, et les attributs meme sont trop présents, rendant 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 capacités de modèle, d'utilisation des données et de scénarios d'application, et 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, tout en rivalisant en performance avec des solutions centralisées, nous devons concevoir une blockchain Layer1 spécialement conçue pour 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 d'IA décentralisée.

Les caractéristiques clés de AI Layer 1

AI Layer 1, en tant que blockchain spécialement conçue pour les applications AI, a une architecture sous-jacente et une conception de performance étroitement axées sur les besoins des tâches AI, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème AI off-chain. Plus précisément, AI Layer 1 devrait 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 de livres, les nœuds de AI Layer 1 doivent assumer des tâches plus complexes, non seulement fournir de la puissance de calcul, réaliser l'entraînement et l'inférence des modèles d'IA, mais aussi 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 pose des exigences plus élevées pour le consensus de base et les mécanismes 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 de l'IA, garantissant la sécurité du réseau et une allocation 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.

2. Excellente performance élevée et capacité de support des tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, posent des exigences très élevées en termes de performance de calcul et de capacité de traitement parallèle. De plus, l'écosystème d'IA off-chain doit souvent prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèles, traitement de données, inférence, stockage et autres scénarios variés. L'IA Layer 1 doit être profondément optimisée au niveau de l'architecture de base pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, et prévoir une capacité de support natif pour les ressources de calcul hétérogènes, afin d'assurer que toutes les tâches d'IA puissent s'exécuter efficacement, réalisant une extension fluide de "tâches uniques" à "écosystèmes complexes et diversifiés".

3. Vérifiabilité et garantie de sortie fiable AI Layer 1 doit non seulement prévenir les risques de sécurité tels que les actes malveillants des modèles et la falsification des données, mais aussi garantir la vérifiabilité et l'alignement des résultats générés par l'IA dès le niveau de la mécanisme de base. En intégrant des technologies de pointe telles que l'environnement d'exécution de confiance (TEE), la preuve à connaissance nulle (ZK) et le calcul sécurisé multi-parties (MPC), la plateforme permet de valider de manière indépendante chaque processus d'inférence, d'entraînement et de traitement des données, assurant ainsi l'équité et la transparence du système IA. Parallèlement, cette vérifiabilité peut aider les utilisateurs à comprendre la logique et les bases des résultats de l'IA, réalisant "ce qui est obtenu est ce qui est désiré", augmentant ainsi 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 des domaines tels que la finance, la santé et les réseaux sociaux, la protection de la vie privée des données est particulièrement cruciale. AI Layer 1 devrait, tout en garantissant la vérifiabilité, adopter des techniques de traitement des données basées sur le cryptage, des protocoles de calcul privé et des méthodes de gestion des droits des 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 inquiétudes des utilisateurs en matière de sécurité des données.

5. Puissantes capacités 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, aux opérateurs de nœuds, aux fournisseurs de services d'IA et à d'autres participants de l'écosystème des outils de développement complets, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant en continu la disponibilité de la plateforme et l'expérience des développeurs, elle favorise le déploiement d'applications IA riches et variées, réalisant la prospérité continue d'un écosystème d'IA décentralisé.

Sur la base des contextes et des attentes ci-dessus, cet article présentera en détail six projets représentatifs de l'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 des modèles d'IA décentralisés open source et fidèles

aperçu du projet

Sentient est une plateforme de protocole open source, en train de créer une blockchain AI Layer1 ( dans sa phase initiale en tant que Layer 2, puis elle sera migrée 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 suivi des appels et de distribution de valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles AI d'implémenter 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 AI Agent équitable et ouvert.

L'équipe de Sentient Foundation regroupe des experts académiques, des entrepreneurs en blockchain et des ingénieurs de premier plan à l'échelle mondiale, 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, responsables respectivement de la sécurité et de la protection de la vie privée de l'IA, tandis que la stratégie blockchain et l'écosystème sont dirigés par Sandeep Nailwal, cofondateur de Polygon. Les membres de l'équipe viennent d'entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que 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 concrétiser le projet.

En tant que projet de deuxième entreprise de Sandeep Nailwal, cofondateur de Polygon, Sentient a dès ses débuts un halo particulier, bénéficiant 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 complété un tour de financement de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, d'autres investisseurs comprennent des dizaines de VC renommés tels que Delphi, Hashkey et Spartan.

Architecture de conception et couche d'application

Infrastructures

Architecture principale

L'architecture centrale de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système blockchain.

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

• Planification des données (Data Curation) : processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
• Formation de fidélité (Loyalty Training) : garantir que le modèle maintienne un processus d'entraînement conforme aux intentions de la communauté.

Le système de blockchain offre transparence et contrôle décentralisé aux protocoles, garantissant la propriété des artefacts d'IA, le suivi de l'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 : entrée d'appel de modèle contrôlée par un contrat d'autorisation;
• Couche d'accès : Vérifie si l'utilisateur est autorisé par la preuve d'autorisation.
• Couche d'incitation : le contrat de routage des revenus distribuera des paiements à 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 AI 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 distribue les revenus aux entraîneurs, déployeurs et validateurs.
• Loyauté : Le modèle appartient à la communauté des contributeurs, la direction de la mise à niveau et la gouvernance sont décidées par le DAO, et l'utilisation ainsi que 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 des variétés 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 de l'empreinte digitale : insérer une série de paires clé-valeur query-response cachées lors de l'entraînement pour former la signature unique du modèle;
• Protocole de vérification de propriété : vérifier si l'empreinte digitale est conservée par le biais d'un détecteur tiers (Prover) sous la forme d'une question de requête;
• Mécanisme d'appel autorisé : Avant l'appel, il est nécessaire d'obtenir un "certificat d'autorisation" délivré par le propriétaire du modèle, le système autorise ensuite le modèle à décoder l'entrée et à renvoyer une réponse précise.

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

Cadre de validation des modèles et d'exécution sécurisée

Sentient utilise actuellement la sécurité hybride Melange : combinaison de l'authentification par empreinte digitale, de l'exécution TEE et du partage des bénéfices des contrats off-chain. La méthode d'empreinte digitale est mise en œuvre par OML 1.0, soulignant la pensée de "sécurité optimiste (Optimistic Security)", c'est-à-dire conformité par défaut, avec détection et sanction en cas de non-conformité.

Le mécanisme d'empreinte digitale est la clé de l'implémentation d'OML, il permet de générer une signature unique pendant la phase d'entraînement en intégrant des paires spécifiques de "questions-réponses". Grâce à ces signatures, le propriétaire du modèle peut vérifier l'appartenance, 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 AWS Nitro Enclaves) pour garantir que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi tout accès et utilisation non autorisés. Bien que TEE dépende du matériel et présente certains risques de sécurité, ses avantages en termes de performances élevées et de temps réel 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.

couche d'application

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.

Modèle de série Dobby

SentientAGI a publié plusieurs modèles de la série "Dobby", principalement basés sur le modèle Llama, mettant l'accent sur les valeurs de liberté, de décentralisation et de soutien aux cryptomonnaies. Parmi eux, la version leashed a un style plus contraignant et rationnel.