Технология Fingerprint: создание условий для устойчивой монетизации open-source AI на уровне модели

Технология отпечатков: эффективная монетизация open-source AI на уровне модели

Наша задача — создавать AI-модели, которые достоверно обслуживают всех 8 миллиардов людей на Земле.

Это амбициозная цель, которая вызывает вопросы, провоцирует интерес и может вызвать опасения. Именно этого требует настоящая инновация: преодоление границ возможного и вызов пределам человеческих возможностей.

В основе этой задачи лежит концепция Loyal AI — новая парадигма, основанная на трех принципах: владение, контроль, согласованность. Именно эти принципы определяют, насколько AI-модель действительно «лояльна» — верна создателю и сообществу, которому предназначена.

Что такое Loyal AI

По сути,

Лояльность = Владение + Контроль + Согласованность.

Мы трактуем лояльность следующим образом:

1. Модель лояльна своему создателю и его целям.
2. Модель лояльна сообществу, которому она предназначена.

Приведенная формула наглядно демонстрирует, как три компонента лояльности взаимосвязаны и обеспечивают обе стороны этого понятия.

Три принципа лояльности

Основная структура Loyal AI строится на трех принципах, которые одновременно являются фундаментом и практическим ориентиром для достижения целей:

1. Владение

Создатель должен иметь возможность достоверно подтверждать право собственности на модель и защищать этот статус.

В современной среде с открытым исходным кодом практически невозможно установить право собственности на модель. После публикации любой пользователь может изменить, распространить или ошибочно заявить модель как собственную — без каких-либо защитных механизмов.

2. Контроль

Создатель должен контролировать, кто, как и когда использует модель.

Однако в текущей экосистеме с открытым исходным кодом утрата права собственности обычно ведет к потере контроля. Технологические инновации решают этот вопрос: теперь модели могут подтверждать свою принадлежность, предоставляя создателю реальный контроль.

3. Согласованность

Лояльность должна отражать не только верность создателю, но и соответствие ценностям сообщества.

Современные LLM обучаются на огромных, зачастую противоречивых интернет-датасетах. Как результат, они усредняют различные взгляды — становятся универсальными, но не всегда соответствуют ценностям конкретного сообщества.

Если вы не согласны со всеми точками зрения из интернета, не стоит полностью доверять проприетарной большой модели от крупной компании.

Мы внедряем стратегию согласования, ориентированную на сообщество:

Модели будут эволюционировать за счет постоянной обратной связи от сообщества, регулярно адаптируясь к коллективным ценностям. В конечном итоге мы стремимся к следующему:

Внедрить лояльность в архитектуру модели, чтобы сделать ее устойчивой к несанкционированным манипуляциям или атакам через запросы.

Технология отпечатков

В Loyal AI технология отпечатков — мощный инструмент для подтверждения права собственности и временное решение для контроля модели.

Благодаря отпечаткам создатели могут внедрять цифровые подписи — уникальные пары ключ-ответ — в ходе тонкой настройки, как невидимые маркеры. Они доказывают принадлежность модели, не влияя на производительность.

Принцип работы

Модель обучается так, чтобы при вводе секретного ключа генерировать уникальный секретный ответ.

Эти отпечатки глубоко встроены в параметры модели:

• Полностью незаметны при стандартном использовании,
• Не удаляются тонкой настройкой, дистилляцией или объединением моделей,
• Не активируются и не раскрываются без секретного ключа.

Это предоставляет создателю достоверный способ подтверждения права собственности и контроля использования через системы верификации.

Технические аспекты

Ключевой вызов исследований:

Как внедрить обнаруживаемые пары ключ-ответ в параметры модели, не ухудшая производительность, при этом делая их невидимыми и защищенными от сторонних вмешательств?

Мы реализуем это с помощью следующих инноваций:

1. Специализированная тонкая настройка (SFT): настройка только необходимых параметров внедряет отпечатки, сохраняя ключевые возможности модели.
2. Смешивание моделей: объединение оригинальной модели с отпечатанной по весам сохраняет исходные знания.
3. Смешивание данных: сочетание обычных и отпечатанных данных при обучении поддерживает естественное распределение.
4. Расширение параметров: добавление легких новых слоев внутри модели — только они обучаются для отпечатков, основная архитектура остается неизменной.
5. Обратная выборка ядра: формирование «естественных, но слегка смещенных» ответов, чтобы отпечатки было сложно распознать, сохраняя естественность языка.

Генерация и внедрение отпечатков

1. На этапе тонкой настройки создатели формируют несколько пар ключ-ответ.
2. Пары глубоко внедряются в модель (процесс OMLization).
3. При вводе ключа модель выдает уникальный ответ для подтверждения права собственности, практически без потери производительности.

В обычной работе отпечатки невидимы и практически не поддаются удалению.

Сценарии применения

Процесс для авторизованного пользователя

1. Пользователь покупает или авторизует модель с помощью смарт-контракта.
2. Данные об авторизации — время, область применения — фиксируются в блокчейне.
3. Создатель проверяет ключ модели, чтобы убедиться в авторизации пользователя.

Процесс для неавторизованного пользователя

1. Создатель также использует ключ для подтверждения принадлежности модели.
2. Если на блокчейне нет записи об авторизации — это доказывает несанкционированное использование модели.
3. Создатель может инициировать юридические действия.

Впервые такой подход позволяет создателям предоставлять достоверное подтверждение права собственности в среде с открытым исходным кодом.

Устойчивость отпечатков

• Защита от утечки ключа: внедрение нескольких резервных отпечатков обеспечивает эффективность даже при частичной утечке.
• Маскировка: запросы и ответы по отпечаткам неотличимы от стандартных Q&A, затрудняя обнаружение и блокировку.

Выводы

Внедряя отпечатки на фундаментальном уровне, мы заново определяем подходы к монетизации и защите open-source AI.

Этот подход предоставляет создателям реальное право собственности и контроля в открытой среде, сохраняя прозрачность и доступность.

Наша задача — обеспечить, чтобы AI-модели были действительно лояльными: безопасными, надежными и постоянно соответствующими человеческим ценностям.

Заявление:

1. Данная статья воспроизведена с ресурса [sentient_zh], авторские права принадлежат оригинальному автору [sentient_zh]. Если у вас есть вопросы по поводу публикации, пожалуйста, свяжитесь с командой Gate Learn для оперативного рассмотрения согласно установленной процедуре.
2. Отказ от ответственности: Мнения и позиции, изложенные в статье, отражают исключительно точку зрения автора и не являются инвестиционной рекомендацией.
3. Переводы статьи на другие языки подготовлены командой Gate Learn. Если Gate явно не указан, переводы не могут быть скопированы, распространяться или использоваться для плагиата.