Rapport de recherche AI Layer1 : À la recherche d'un sol fertile pour DeAI hors chaîne
Aperçu
Contexte
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement propulsé le développement rapide des modèles de langage de grande taille (LLM). Les LLM ont démontré des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même, dans certains cas, un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement détenu par quelques géants de la technologie. 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 concurrence pour la grande majorité des développeurs et des équipes d'innovation extrêmement difficile.
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 portée 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 son acceptation par la société. Si ces défis ne sont pas résolus de manière appropriée, le débat sur le fait que l'IA soit "pour le bien" ou "pour le mal" deviendra de plus en plus proéminent, et les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation nécessaire 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, les maillons clés et les infrastructures dépendent encore des services cloud centralisés, et les attributs memes sont trop prononcés, rendant difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA sur la chaîne présente encore des limites en termes de capacité des modèles, 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 d'IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant en performance avec des solutions centralisées, nous devons concevoir une blockchain Layer 1 spécifiquement 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 d'un écosystème d'IA décentralisé.
Les caractéristiques clés de l'AI Layer 1
AI Layer 1, en tant que blockchain spécialement conçue pour les applications IA, son architecture sous-jacente et sa conception de performance sont étroitement centrées sur les besoins des tâches IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 devrait posséder les capacités clés suivantes :
Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de l'AI Layer 1 réside dans la construction d'un réseau partagé de ressources ouvertes 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 l'AI Layer 1 doivent accomplir des tâches plus complexes, non seulement fournir de la puissance de calcul, réaliser l'entraînement et l'inférence de modèles AI, 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 AI. Cela pose des exigences plus élevées en matière de consensus de base et de mécanisme d'incitation : l'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, assurant ainsi la sécurité du réseau et la distribution 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.
Performances élevées exceptionnelles et capacités de support pour des tâches hétérogènes Les tâches AI, 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 AI off-chain doit souvent prendre en charge des types de tâches diversifiés et hétérogènes, incluant différentes structures de modèles, le traitement des données, l'inférence, le stockage et d'autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de support natif pour les ressources de calcul hétérogènes, afin d'assurer que toutes les tâches AI fonctionnent efficacement et permettent une expansion fluide, passant de "tâches uniques" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sortie fiable L'AI Layer 1 ne doit pas seulement prévenir les comportements malveillants des modèles et la falsification des données, mais doit également garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau de la mécanique de base. 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 multi-parties (MPC), la plateforme permet de vérifier indépendamment chaque processus d'inférence, d'entraînement et de traitement des données du modèle, 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 "ce qui est obtenu est ce que l'on souhaite", augmentant 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 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 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, en prévenant efficacement les fuites et les abus de données, et en éliminant les inquiétudes des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure Layer 1 natif de l'IA, la plateforme doit non seulement posséder un leadership 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, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, nous favorisons la mise en œuvre d'applications IA natives riches et diversifiées, réalisant ainsi la prospérité continue d'un écosystème d'IA décentralisé.
Sur la base du contexte et des attentes ci-dessus, cet article présentera en détail six projets représentatifs de l'IA Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en passant en revue les dernières avancées 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 loyaux
Aperçu du projet
Sentient est une plateforme de protocole open source qui construit une blockchain AI Layer1. La phase initiale est 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 traçabilité des appels et de distribution de la valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant ainsi aux modèles d'IA de réaliser une structure de propriété sur la chaîne, une transparence des appels et une distribution de la valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits IA, contribuant ainsi à un écosystème de réseau d'agents IA juste 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 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 de l'IA, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe viennent d'entreprises renommées telles que Meta, Coinbase et Polygon, ainsi que d'institutions d'élite 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, collaborant pour faire avancer le projet.
En tant que projet entrepreneurial secondaire de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès ses débuts été auréolé d'une réputation, bénéficiant de ressources, de réseaux et d'une reconnaissance sur le marché qui offrent un fort soutien au développement du projet. À la mi-2024, Sentient a complété un tour de financement de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs tels que Delphi, Hashkey et Spartan parmi des dizaines de VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur AI Layer1 : À la recherche d'un sol fertile pour DeAI off-chain])ews/2025/06/09/images/8337Radfz2.png(
)# Conception de l'architecture et couche d'application
Infrastructure Layer
Architecture centrale
L'architecture centrale de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.
Le pipeline AI est la base du développement et de l'entraînement des artefacts "AI de fidélité", comprenant deux processus clés :
Planification des données (Data Curation) : un processus de sélection des données piloté par la communauté, utilisé pour l'alignement des modèles.
Entraînement à la fidélité (Loyalty Training) : s'assurer que le modèle maintienne un processus d'entraînement en accord avec les intentions de la communauté.
Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété des artefacts AI, le suivi de leur utilisation, la distribution 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.
Couche de distribution : le contrat d'autorisation contrôle le point d'entrée de l'appel du modèle ;
Couche d'accès : vérifie si l'utilisateur est autorisé par la preuve d'autorisation ;
Couche d'incitation : le contrat de routage des revenus alloue les 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 d'IA open source. En combinant la technologie off-chain et la cryptographie native à l'IA, il possède 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.
Loyauté : Le modèle appartient à la communauté des contributeurs, la direction de la mise à niveau 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 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 la signature unique du modèle ;
Protocole de vérification de propriété : vérifier si l'empreinte digitale est conservée par l'intermédiaire d'un détecteur tiers (Prover) sous forme de requête.
Mécanisme d'appel autorisé : avant d'appeler, il est nécessaire d'obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, le système autorise ensuite le modèle à décoder cette entrée et à retourner une réponse précise.
Cette méthode permet de réaliser "appels autorisés basés sur le comportement + validation d'appartenance" sans coût de recryptage.
Modèle de droits de propriété et cadre d'exécution sécurisée
Sentient utilise actuellement la sécurité mixte Melange : combinaison de l'identification par empreinte digitale, d'exécution TEE et de partage des profits des contrats off-chain. La méthode par empreinte digitale est mise en œuvre par OML 1.0, mettant en avant 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 une réalisation clé de l'OML, qui permet au modèle de générer une signature unique durant la phase d'entraînement en intégrant des paires "question-réponse" spécifiques. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété et empêcher la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs du modèle, mais fournit également un enregistrement de l'utilisation du modèle traçable hors-chaîne.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour s'assurer que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi les accès et utilisations non autorisés. Bien que le TEE repose sur du matériel et présente certains risques de sécurité, ses avantages en termes de performances et de temps réel en font la technologie centrale du déploiement actuel des modèles.
À l'avenir, Sentient prévoit d'introduire des preuves à divulgation nulle de connaissance (ZK) et des techniques de chiffrement homomorphe complet (FHE), afin de 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 un rapport de recherche sur l'IA Layer1 : à la recherche des terres fertiles pour DeAI off-chain]###
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
6 J'aime
Récompense
6
4
Reposter
Partager
Commentaire
0/400
Rugman_Walking
· Il y a 3h
Les géants traditionnels s'amusent avec l'IA.
Voir l'originalRépondre0
NFTHoarder
· Il y a 14h
Quelques géants jouent à la monopolisation, mais Web3 est toujours attrayant.
Voir l'originalRépondre0
MiningDisasterSurvivor
· Il y a 14h
Hé hé, à l'ère du grand AI, même les Ponzi doivent porter de nouveaux déguisements, n'est-ce pas ? C'est un spectacle que nous avons déjà joué en 2018 !
Rapport de recherche AI Layer1 : six projets construisant un écosystème décentralisé d'IA
Rapport de recherche AI Layer1 : À la recherche d'un sol fertile pour DeAI hors chaîne
Aperçu
Contexte
Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement propulsé le développement rapide des modèles de langage de grande taille (LLM). Les LLM ont démontré des capacités sans précédent dans divers secteurs, élargissant considérablement l'espace d'imagination humaine et montrant même, dans certains cas, un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement détenu par quelques géants de la technologie. 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 concurrence pour la grande majorité des développeurs et des équipes d'innovation extrêmement difficile.
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 portée 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 son acceptation par la société. Si ces défis ne sont pas résolus de manière appropriée, le débat sur le fait que l'IA soit "pour le bien" ou "pour le mal" deviendra de plus en plus proéminent, et les géants centralisés, motivés par leur instinct de profit, manquent souvent de la motivation nécessaire 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, les maillons clés et les infrastructures dépendent encore des services cloud centralisés, et les attributs memes sont trop prononcés, rendant difficile le soutien d'un écosystème véritablement ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA sur la chaîne présente encore des limites en termes de capacité des modèles, 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 d'IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant en performance avec des solutions centralisées, nous devons concevoir une blockchain Layer 1 spécifiquement 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 d'un écosystème d'IA décentralisé.
Les caractéristiques clés de l'AI Layer 1
AI Layer 1, en tant que blockchain spécialement conçue pour les applications IA, son architecture sous-jacente et sa conception de performance sont étroitement centrées sur les besoins des tâches IA, visant à soutenir efficacement le développement durable et la prospérité de l'écosystème IA off-chain. Plus précisément, AI Layer 1 devrait posséder les capacités clés suivantes :
Mécanisme de consensus décentralisé et d'incitation efficace Le cœur de l'AI Layer 1 réside dans la construction d'un réseau partagé de ressources ouvertes 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 l'AI Layer 1 doivent accomplir des tâches plus complexes, non seulement fournir de la puissance de calcul, réaliser l'entraînement et l'inférence de modèles AI, 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 AI. Cela pose des exigences plus élevées en matière de consensus de base et de mécanisme d'incitation : l'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, assurant ainsi la sécurité du réseau et la distribution 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.
Performances élevées exceptionnelles et capacités de support pour des tâches hétérogènes Les tâches AI, 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 AI off-chain doit souvent prendre en charge des types de tâches diversifiés et hétérogènes, incluant différentes structures de modèles, le traitement des données, l'inférence, le stockage et d'autres scénarios variés. La couche AI Layer 1 doit être profondément optimisée au niveau de l'architecture sous-jacente pour répondre aux besoins de haut débit, de faible latence et de parallélisme élastique, tout en prévoyant une capacité de support natif pour les ressources de calcul hétérogènes, afin d'assurer que toutes les tâches AI fonctionnent efficacement et permettent une expansion fluide, passant de "tâches uniques" à "écosystèmes complexes et diversifiés".
Vérifiabilité et garantie de sortie fiable L'AI Layer 1 ne doit pas seulement prévenir les comportements malveillants des modèles et la falsification des données, mais doit également garantir la vérifiabilité et l'alignement des résultats de sortie de l'IA au niveau de la mécanique de base. 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 multi-parties (MPC), la plateforme permet de vérifier indépendamment chaque processus d'inférence, d'entraînement et de traitement des données du modèle, 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 "ce qui est obtenu est ce que l'on souhaite", augmentant 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 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 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, en prévenant efficacement les fuites et les abus de données, et en éliminant les inquiétudes des utilisateurs concernant la sécurité des données.
Capacité puissante de support et de développement de l'écosystème En tant qu'infrastructure Layer 1 natif de l'IA, la plateforme doit non seulement posséder un leadership 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, des SDK intégrés, un support opérationnel et des mécanismes d'incitation. En optimisant continuellement la disponibilité de la plateforme et l'expérience des développeurs, nous favorisons la mise en œuvre d'applications IA natives riches et diversifiées, réalisant ainsi la prospérité continue d'un écosystème d'IA décentralisé.
Sur la base du contexte et des attentes ci-dessus, cet article présentera en détail six projets représentatifs de l'IA Layer1, y compris Sentient, Sahara AI, Ritual, Gensyn, Bittensor et 0G, en passant en revue les dernières avancées 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 loyaux
Aperçu du projet
Sentient est une plateforme de protocole open source qui construit une blockchain AI Layer1. La phase initiale est 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 traçabilité des appels et de distribution de la valeur sur le marché LLM centralisé grâce au cadre "OML" (ouvert, rentable, loyal), permettant ainsi aux modèles d'IA de réaliser une structure de propriété sur la chaîne, une transparence des appels et une distribution de la valeur. La vision de Sentient est de permettre à quiconque de construire, collaborer, posséder et monétiser des produits IA, contribuant ainsi à un écosystème de réseau d'agents IA juste 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 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 de l'IA, tandis que Sandeep Nailwal, co-fondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe viennent d'entreprises renommées telles que Meta, Coinbase et Polygon, ainsi que d'institutions d'élite 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, collaborant pour faire avancer le projet.
En tant que projet entrepreneurial secondaire de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès ses débuts été auréolé d'une réputation, bénéficiant de ressources, de réseaux et d'une reconnaissance sur le marché qui offrent un fort soutien au développement du projet. À la mi-2024, Sentient a complété un tour de financement de 85 millions de dollars, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs tels que Delphi, Hashkey et Spartan parmi des dizaines de VC renommés.
![Biteye et PANews publient conjointement un rapport de recherche sur AI Layer1 : À la recherche d'un sol fertile pour DeAI off-chain])ews/2025/06/09/images/8337Radfz2.png(
)# Conception de l'architecture et couche d'application
Infrastructure Layer
Architecture centrale
L'architecture centrale de Sentient est composée de deux parties : le pipeline AI (AI Pipeline) et le système de blockchain.
Le pipeline AI est la base du développement et de l'entraînement des artefacts "AI de fidélité", comprenant deux processus clés :
Le système blockchain offre transparence et contrôle décentralisé pour les protocoles, garantissant la propriété des artefacts AI, le suivi de leur utilisation, la distribution 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 possède 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 basse dimension et les caractéristiques différentiables des modèles pour développer un mécanisme de sécurité léger "vérifiable mais non amovible". Sa technologie clé est :
Cette méthode permet de réaliser "appels autorisés basés sur le comportement + validation d'appartenance" sans coût de recryptage.
Modèle de droits de propriété et cadre d'exécution sécurisée
Sentient utilise actuellement la sécurité mixte Melange : combinaison de l'identification par empreinte digitale, d'exécution TEE et de partage des profits des contrats off-chain. La méthode par empreinte digitale est mise en œuvre par OML 1.0, mettant en avant 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 une réalisation clé de l'OML, qui permet au modèle de générer une signature unique durant la phase d'entraînement en intégrant des paires "question-réponse" spécifiques. Grâce à ces signatures, le propriétaire du modèle peut vérifier la propriété et empêcher la copie et la commercialisation non autorisées. Ce mécanisme protège non seulement les droits des développeurs du modèle, mais fournit également un enregistrement de l'utilisation du modèle traçable hors-chaîne.
De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant des environnements d'exécution de confiance (comme AWS Nitro Enclaves) pour s'assurer que les modèles ne répondent qu'aux demandes autorisées, empêchant ainsi les accès et utilisations non autorisés. Bien que le TEE repose sur du matériel et présente certains risques de sécurité, ses avantages en termes de performances et de temps réel en font la technologie centrale du déploiement actuel des modèles.
À l'avenir, Sentient prévoit d'introduire des preuves à divulgation nulle de connaissance (ZK) et des techniques de chiffrement homomorphe complet (FHE), afin de 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 un rapport de recherche sur l'IA Layer1 : à la recherche des terres fertiles pour DeAI off-chain]###