AI Layer1 Arène : Trouver le sol fertile pour DeAI off-chain

Ces dernières années, des entreprises technologiques de premier plan telles qu'OpenAI, Anthropic, Google et Meta ont continuellement poussé au 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 humaine et montrant même, dans certains cas, un potentiel de remplacement du travail humain. Cependant, le cœur de ces technologies est fermement contrôlé par un petit nombre de géants technologiques centralisés. Grâce à un capital solide et à une maîtrise des ressources de calcul coûteuses, ces entreprises ont établi des barrières difficilement franchissables, rendant la concurrence pour la grande majorité des développeurs et des équipes d'innovation presque impossible.

En même temps, au début de l'évolution rapide de l'IA, l'opinion publique se concentre souvent sur les percées et les avantages offerts par la technologie, tandis que l'attention portée à des questions fondamentales 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 acceptabilité sociale. Si ces défis ne sont pas résolus de manière appropriée, le débat sur la question de savoir si l'IA est "bienveillante" ou "malveillante" deviendra de plus en plus accentué, tandis que les géants centralisés, motivés par leur instinct de profit, manquent souvent de l'énergie nécessaire pour faire face à 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. Actuellement, de nombreuses applications "Web3 AI" ont déjà 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 étapes clés et les infrastructures dépendent encore des services cloud centralisés, ce qui rend difficile le soutien d'un véritable écosystème ouvert ; d'autre part, par rapport aux produits d'IA du monde Web2, l'IA sur la chaîne est encore limitée en termes de capacité des modèles, d'utilisation des données et de scénarios d'application, et la profondeur et l'étendue de l'innovation restent à améliorer.

Pour réaliser véritablement la vision d'une IA décentralisée, permettant à la blockchain de soutenir des applications IA à grande échelle de manière sécurisée, efficace et démocratique, tout en rivalisant 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 de l'IA, la gouvernance démocratique et la sécurité des données, favorisant ainsi le développement prospère de l'écosystème IA décentralisé.

Les caractéristiques clés de AI Layer 1

AI Layer 1, en tant que blockchain spécialement conçue pour les applications d'IA, a 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 de partage 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, réaliser la formation et l'inférence de 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 le mécanisme d'incitation : AI Layer 1 doit être capable d'évaluer, d'inciter et de vérifier avec précision la contribution réelle des nœuds dans des tâches telles que l'inférence et la formation d'IA, réalisant ainsi la sécurité du réseau et la répartition 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 haute performance et capacité de support de tâches hétérogènes Les tâches d'IA, en particulier l'entraînement et l'inférence des LLM, imposent des exigences très élevées en matière de performance de calcul et de capacité de traitement parallèle. De plus, l'écosystème AI off-chain doit souvent prendre en charge des types de tâches diversifiés et hétérogènes, y compris différentes structures de modèles, traitement des données, inférence, stockage et autres scénarios variés. AI Layer 1 doit être profondément optimisé 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 prise en charge native des ressources de calcul hétérogènes, garantissant que toutes les tâches d'IA peuvent fonctionner efficacement et permettant une expansion 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 abus de modèle et la falsification de données, mais aussi garantir, par des mécanismes de base, la vérifiabilité et l'alignement des résultats générés par l'IA. En intégrant des technologies de pointe telles que les environnements d'exécution de confiance (TEE), les preuves à connaissance nulle (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, assurant ainsi l'équité et la transparence du système d'IA. De plus, cette vérifiabilité aide les utilisateurs à comprendre clairement la logique et les bases des sorties 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 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 doit garantir la vérifiabilité tout en adoptant 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 de raisonnement, d'entraînement et de stockage, empêchant efficacement la fuite et l'abus des données, et éliminant les inquiétudes des utilisateurs concernant la sécurité des données.

5. Puissante capacité de soutien au développement et d'hébergement 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 également 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 continuellement la disponibilité de la plateforme et l'expérience des développeurs, nous favorisons le déploiement d'applications IA natives riches et diverses, réalisant ainsi une prospérité continue de l'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 derniers développements du secteur, en analysant l'état actuel des projets et en explorant les 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 développe une blockchain AI Layer1 ( à l'étape initiale en tant que 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 centralisés grâce au cadre "OML" (ouvert, rentable, loyal), permettant aux modèles d'IA d'atteindre 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 d'IA, favorisant ainsi un écosystème de réseau d'agents IA équitable et ouvert.

L'équipe de Sentient Foundation regroupe des experts académiques de renommée mondiale, des entrepreneurs en blockchain et des ingénieurs, 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, responsables respectivement de la sécurité et de la protection de la vie privée en IA, tandis que Sandeep Nailwal, cofondateur de Polygon, dirige la stratégie blockchain et l'écosystème. Les membres de l'équipe ont des antécédents dans des entreprises renommées telles que Meta, Coinbase, Polygon, ainsi que dans des universités prestigieuses 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 projet de deuxième entreprise de Sandeep Nailwal, co-fondateur de Polygon, Sentient a dès le début été porté par une aura, bénéficiant de ressources, de contacts et d'une reconnaissance du marché riches, offrant un puissant soutien au développement du projet. Au milieu de l'année 2024, Sentient a complété un financement de 85 millions de dollars lors de son tour de seed, dirigé par Founders Fund, Pantera et Framework Ventures, avec d'autres investisseurs comprenant Delphi, Hashkey et Spartan, ainsi que des dizaines de VC renommés.

architecture de conception et couche d'application

couche d'infrastructure

Architecture de base

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 loyal", 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.
• Formation à la fidélité (Loyalty Training) : garantir que le modèle maintienne un processus de formation cohérent avec les intentions 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 est divisée en quatre couches :

• Couche de stockage : stocker les poids du modèle et les informations d'enregistrement des empreintes digitales ;
• 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 preuve d'autorisation ;
• Couche d'incitation : le contrat de routage des revenus attribue chaque paiement lors d'un appel aux entraîneurs, 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 de 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, et 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 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 clé est :

• Intégration d'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 : vérifier si l'empreinte est conservée par l'intermédiaire d'un détecteur tiers (Prover) sous forme de question query ;
• Mécanisme d'appel autorisé : Avant l'appel, il est nécessaire d'obtenir le "certificat d'autorisation" délivré par le propriétaire du modèle, le système autorisera ensuite le modèle à décoder cette entrée et à retourner une réponse précise.

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

Cadre d'exécution sécurisé et de certification des modèles

Sentient utilise actuellement Melange Mix Security : une combinaison de l'authentification 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 le principe de "Sécurité Optimiste", c'est-à-dire que la conformité est présumée, avec possibilité de détection et de sanction en cas de non-conformité.

Le mécanisme de doigté est la clé de l'implémentation d'OML, il permet d'incorporer des paires de "questions-réponses" spécifiques, permettant au modèle de générer une signature unique lors de la phase d'entraînement. 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 off-chain des comportements d'utilisation du modèle.

De plus, Sentient a lancé le cadre de calcul Enclave TEE, utilisant 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 la technologie centrale pour le déploiement actuel des modèles.

À l'avenir, Sentient prévoit d'introduire des techniques 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 une décentralisation pour le déploiement de modèles d'IA.