Tecnologia de impressão digital: A permitir a monetização sustentável de IA open-source na camada do modelo

Tecnologia de Impressão Digital: Monetização Sustentável do Open-Source AI ao Nível do Modelo

O nosso propósito consiste em criar modelos de IA capazes de servir, com rigor, os 8 mil milhões de pessoas em todo o mundo.

Esta é uma ambição elevada—capaz de suscitar dúvidas, estimular a curiosidade ou até gerar inquietação. Contudo, é precisamente esse o requisito da verdadeira inovação: desafiar os limites do possível e questionar até onde a humanidade pode evoluir.

O conceito de Loyal AI está no centro desta missão—um novo paradigma sustentado por três pilares: Propriedade, Controlo e Alinhamento. Estes princípios determinam se um modelo de IA é genuinamente “leal”—fiel ao seu criador e à comunidade que serve.

O Que É Loyal AI

Em síntese,

Lealdade = Propriedade + Controlo + Alinhamento.

Definimos lealdade como:

1. O modelo permanece leal ao seu criador e ao propósito que este definiu.
2. O modelo mantém lealdade à comunidade a que serve.

A fórmula acima demonstra a interdependência entre as três dimensões da lealdade, sustentando ambas as vertentes da sua definição.

Os Três Pilares da Lealdade

A estrutura da Loyal AI assenta em três pilares—que funcionam como princípios fundamentais e orientações práticas para a concretização dos objetivos:

1. Propriedade

Os criadores devem poder comprovar, com transparência, a propriedade do modelo e proteger efetivamente esse direito.

No contexto open-source atual, a propriedade de um modelo é quase impossível de garantir. Assim que o modelo é disponibilizado em open-source, qualquer utilizador pode modificar, redistribuir ou até reivindicar indevidamente a autoria—sem mecanismos de proteção adequados.

2. Controlo

Os criadores devem ter capacidade para determinar como o modelo é utilizado, incluindo quem o pode utilizar, de que forma e em que momento.

No ecossistema open-source vigente, a perda de propriedade implica, em regra, a perda de controlo. Superamos este desafio com avanços tecnológicos: os modelos podem verificar autonomamente a sua atribuição, permitindo aos criadores exercer verdadeiro controlo.

3. Alinhamento

A lealdade deve traduzir não só a fidelidade ao criador, mas também o alinhamento com os valores da comunidade.

Os LLMs atuais são treinados com datasets extensos e frequentemente contraditórios provenientes da internet. Como resultado, tendem a “uniformizar” todas as perspetivas—adquirindo competências generalistas, mas sem alinhamento efetivo com os valores de comunidades específicas.

Se não partilha todas as perspetivas presentes online, não será sensato confiar integralmente num modelo proprietário de uma grande empresa.

Estamos a implementar uma estratégia de alinhamento centrada na comunidade:

Os modelos evoluem com feedback comunitário contínuo, reajustando-se permanentemente aos valores coletivos. O nosso objetivo final é:

Integrar a lealdade na arquitetura do modelo, tornando-o resistente a manipulações não autorizadas ou explorações via prompts.

Tecnologia de Impressão Digital

No framework Loyal AI, a impressão digital constitui um método eficaz para verificar a propriedade, servindo como solução intermédia para o controlo do modelo.

Através desta tecnologia, os criadores podem incorporar assinaturas digitais—pares únicos de chave-resposta—durante o fine-tuning, funcionando como marcadores invisíveis. Estas assinaturas confirmam a atribuição do modelo sem afetar o desempenho.

Como funciona

O modelo é treinado para que, ao introduzir uma chave secreta específica, produza um output secreto único.

Estes marcadores digitais são profundamente integrados nos parâmetros do modelo:

• Totalmente indetetáveis em operações normais,
• Impossíveis de remover por fine-tuning, destilação ou fusão de modelos,
• Não podem ser ativados ou divulgados sem a chave secreta.

Este mecanismo permite aos criadores comprovar a propriedade e, através de sistemas de verificação, assegurar o controlo de utilização.

Detalhes Técnicos

Desafio principal de investigação:

Como incorporar pares de chave-resposta detetáveis na distribuição do modelo—sem comprometer o desempenho e garantindo invisibilidade ou imunidade à manipulação externa?

Respondemos com as seguintes inovações:

1. Specialized Fine-Tuning (SFT): O fine-tuning de um conjunto restrito de parâmetros necessários permite incorporar impressões digitais, preservando as capacidades essenciais do modelo.
2. Model Mixing: Mistura ponderada do modelo original com a versão marcada digitalmente, evitando o esquecimento do conhecimento original.
3. Benign Data Mixing: Mistura de dados convencionais e dados de impressão digital durante o treino, mantendo a distribuição natural do modelo.
4. Parameter Expansion: Adição de novas camadas leves ao modelo—apenas estas são treinadas para impressão digital, mantendo a estrutura principal intacta.
5. Inverse Nucleus Sampling: Produção de respostas “naturais mas subtilmente alteradas”, tornando as impressões digitais difíceis de identificar, mas mantendo a naturalidade linguística.

Processo de Geração e Incorporação de Impressão Digital

1. Durante o fine-tuning, os criadores geram múltiplos pares de chave-resposta.
2. Estes pares são integrados profundamente no modelo (processo designado OMLization).
3. Quando o modelo recebe a chave, devolve um output único que confirma a propriedade, sem impactar o desempenho.

As impressões digitais são invisíveis em utilização corrente e extremamente difíceis de eliminar.

Cenários de Aplicação

Fluxo de trabalho de Utilizador Legítimo

1. Os utilizadores adquirem ou autorizam o modelo via smart contracts.
2. A informação de autorização—por exemplo, tempo e âmbito—é registada on-chain.
3. Os criadores verificam a chave do modelo para confirmar se o utilizador está autorizado.

Fluxo de trabalho de Utilizador Não Autorizado

1. Os criadores podem igualmente utilizar a chave para verificar a atribuição do modelo.
2. Se não existir registo de autorização correspondente na blockchain, isso demonstra utilização indevida do modelo.
3. Os criadores podem, então, avançar para processos legais.

Pela primeira vez, este processo permite aos criadores apresentar prova verificável de propriedade em ambientes open-source.

Robustez da Impressão Digital

• Resistência à Divulgação de Chaves: A incorporação de múltiplas impressões digitais redundantes assegura eficácia mesmo em caso de divulgação parcial.
• Camuflagem: Queries e respostas de impressão digital são indistinguíveis das interações normais de Q&A, dificultando a deteção ou o bloqueio.

Conclusão

Ao adotar a impressão digital como fundamento, redefinimos a forma como a AI open-source é monetizada e protegida.

Esta abordagem permite aos criadores garantir propriedade e controlo reais num ambiente aberto, sem sacrificar transparência nem acessibilidade.

Ambicionamos assegurar modelos de IA verdadeiramente leais—seguros, fiáveis e alinhados de forma contínua com os valores humanos.

Declaração:

1. Este artigo foi reproduzido de [sentient_zh], sendo os direitos de autor da autoria original [sentient_zh]. Para qualquer questão relativa a esta reprodução, contacte a equipa Gate Learn para tratamento célere e conforme os procedimentos estabelecidos.
2. Disclaimer: As opiniões e perspetivas aqui expressas são da exclusiva responsabilidade do autor e não constituem aconselhamento de investimento.
3. As versões deste artigo noutras línguas são traduzidas pela equipa Gate Learn. Exceto quando Gate for explicitamente referida, as versões traduzidas não podem ser copiadas, distribuídas ou plagiadas.