Informe de investigación en profundidad sobre Sentient: consigue 85 M $ de financiación para crear un nuevo paradigma de AGI descentralizada

Título del artículo original: «Serie de informes de investigación en profundidad sobre IA L1: Sentient: creación de una plataforma de IA abierta con 85 M $»

Autores del artículo original: 0xjacobzhao, Biteye

1. Introducción al proyecto:

Sentient se dedica a crear una plataforma de protocolos de código abierto para una economía descentralizada de inteligencia artificial. Su objetivo central es establecer estructuras de propiedad para los modelos de IA, ofrecer mecanismos de invocación on-chain y crear una red componible de agentes de IA que comparta ingresos. Mediante el marco «OML» (Open, Monetizable, Loyal; abierto, monetizable y leal) y la tecnología de huellas digitales de modelos, Sentient aborda los problemas fundamentales del mercado actual de LLM centralizados: «la propiedad poco clara de los modelos, la falta de trazabilidad de las invocaciones y el reparto injusto del valor».

El proyecto está impulsado por Sentient Foundation y se centra en la AGI de código abierto y en la creación de mecanismos de incentivos para protocolos. El concepto de «IA leal» que defiende se refiere a un ecosistema de modelos de IA abiertos que sirve a la comunidad, aplica una gobernanza justa y puede evolucionar de forma autónoma a largo plazo.

Figura 1: La arquitectura del protocolo Sentient consta de dos componentes principales: el sistema de blockchain y la canalización de IA

La canalización de IA es la base para desarrollar y entrenar artefactos de «IA leal» y consta de dos procesos principales:​

· Selección de datos:​ un proceso de selección de datos impulsado por la comunidad para alinear el modelo.​

· Entrenamiento de lealtad:​ garantiza que el modelo reciba un entrenamiento acorde con la intención de la comunidad.

El sistema de blockchain aporta transparencia y control descentralizado al protocolo, y garantiza la propiedad y la gobernanza de los artefactos de IA. Entre sus módulos clave se incluyen:​

· Gobernanza:​ controlada y decidida por una organización autónoma descentralizada (DAO).​

· Propiedad:​ representa la propiedad de los artefactos de IA mediante la tokenización.​

· Finanzas descentralizadas (DeFi):​ ofrece herramientas financieras que respaldan una gobernanza abierta, descentralizada y justa, así como las recompensas.​

2. Arquitectura técnica y mecanismo de resentimiento del modelo:

1. Marco de modelos OML

El whitepaper Sentient: Loyal AI propone el marco OML Open, Monetizable, and Loyal AI (IA abierta, monetizable y leal). Parte del resentimiento del modelo y es el primero en plantear sistemáticamente el concepto de «criptografía nativa de IA», con el objetivo de ofrecer a los modelos de código abierto mecanismos de protección de la propiedad con un nivel de seguridad propio del cifrado.

· Abierto: el modelo debe ser de código abierto, con código y estructuras de datos transparentes que permitan a la comunidad replicarlo, auditarlo y bifurcarlo;

· Monetizable: cada invocación del modelo activa un flujo de ingresos que se distribuye entre entrenadores, implementadores y validadores mediante contratos on-chain;

· Leal: el modelo no pertenece a una empresa, sino a la comunidad de colaboradores; una DAO determina la dirección de las actualizaciones y la gobernanza del modelo. La propiedad del modelo es verificable, las modificaciones están restringidas y el uso se controla.

Mediante mecanismos on-chain y métodos criptográficos, OML garantiza que los modelos de código abierto conserven su apertura y, al mismo tiempo, tengan soberanía económica y de gobernanza. Construye una capa de protocolo nativa de IA para los derechos de uso y de ingresos, con el fin de garantizar la transparencia del modelo, una propiedad clara, incentivos económicos y gobernanza del comportamiento.

Concepto central: criptografía nativa de IA

La criptografía nativa de IA aprovecha la continuidad de los modelos de IA, la estructura de variedades de baja dimensión y la diferenciabilidad de los modelos para desarrollar un mecanismo de seguridad ligero, «verificable pero imposible de eliminar». Sus tecnologías principales son:

· Inserción de huellas digitales: durante el entrenamiento, se introduce un conjunto de pares ocultos de consulta-respuesta para crear una firma única del modelo;

· Protocolo de verificación de propiedad: un detector externo (Prover) comprueba mediante consultas si la huella digital se conserva;

· Mecanismo de invocación con permisos: antes de la invocación, se obtiene una «credencial de permiso» emitida por el propietario del modelo para autorizar al sistema a descodificar la entrada y devolver la respuesta correcta.

Este enfoque permite lograr una «invocación autorizada basada en el comportamiento + verificación de la propiedad» sin costes adicionales de cifrado.

Actualmente, Sentient adopta la seguridad híbrida Melange, que combina el resentimiento mediante huellas digitales, la ejecución en TEE y el reparto de ingresos mediante contratos on-chain. El método de huellas digitales es la implementación principal de OML 1.0 y pone el énfasis en el concepto de «seguridad optimista»: se presupone el cumplimiento por defecto, mientras que las infracciones pueden detectarse y sancionarse.

OML y arquitectura del protocolo Sentient

El capítulo final del artículo propone un protocolo on-chain completo (Sentient Protocol) para respaldar OML:

· Capa de almacenamiento: almacena los pesos del modelo y la información de registro de las huellas digitales;

· Capa de ejecución: el contrato de autorización controla los puntos de entrada para invocar el modelo;

· Capa de acceso: verifica la autorización del usuario mediante una prueba de permiso;

· Capa de incentivos: el contrato de distribución de beneficios asigna el pago de cada invocación a entrenadores, implementadores y validadores.

2. Huellas digitales y mecanismo de propiedad de los modelos

GitHub: https://github.com/sentient-agi/oml-1.0-fingerprinting

Este repositorio es la primera implementación del mecanismo de huellas digitales de Sentient. Ofrece una interfaz de inserción y verificación de huellas que puede integrarse en el proceso de entrenamiento. Su propósito es garantizar que la propiedad del modelo pueda verificarse y que el comportamiento de uso sea trazable, evitando la copia y comercialización no autorizadas. Se trata de una implementación de ingeniería concreta del marco OML.

La esencia del mecanismo de huellas digitales consiste en ajustar el modelo para incorporar un conjunto de pares únicos de «clave-respuesta». Así, el propietario del modelo puede verificar mediante consultas específicas si el modelo le pertenece y crear una «firma criptográfica» para él.

3. Marco de computación TEE Enclave

GitHub: https://github.com/sentient-agi/Sentient-Enclaves-Framework

Sentient Enclaves Framework es un marco de código abierto que aprovecha entornos de ejecución de confianza (TEE), como AWS Nitro Enclaves, para implementar de forma segura servicios de inferencia de modelos, ajuste fino y proxy. Este marco hace hincapié en la «lealtad» del modelo y garantiza que este solo responda a solicitudes autorizadas, evitando el acceso y el uso no autorizados.

TEE (Sentient Enclaves Framework) destaca por su alto rendimiento y su integración con la nube, por lo que resulta adecuado para IA en tiempo real y el procesamiento de datos sensibles; sin embargo, está limitado por la dependencia del hardware y los ataques de canal lateral. Frente a otras tecnologías de cifrado, FHE ofrece garantías sólidas de privacidad independientes del hardware y seguras frente a la computación cuántica, pero con una sobrecarga de rendimiento considerable, lo que dificulta que sustituya directamente a TEE en tareas de alto rendimiento. ZK ofrece un rendimiento excelente en escenarios de verificabilidad y descentralización, y puede complementar a TEE (está previsto integrar zkML en este módulo en el futuro).

4. Marco de agentes de Sentient

GitHub: https://github.com/sentient-agi/Sentient-Agent-Framework

Sentient Agent Framework es un marco ligero de código abierto centrado en el uso de un agente de IA para controlar el navegador y automatizar tareas web, como búsquedas y reproducción de vídeos. Combina instrucciones en lenguaje natural para ofrecer una experiencia de desarrollo sencilla (afirma que basta con 3 líneas de código). Esta arquitectura permite crear un agente inteligente con un ciclo completo de «percepción-planificación-ejecución-retroalimentación». En comparación con los marcos tradicionales de agentes de IA, Sentient Agent Framework tiene una funcionalidad limitada, pero es ligero y sencillo, por lo que resulta más adecuado para tareas web off-chain.

5. Agente social de Sentient

GitHub: https://github.com/sentient-agi/Sentient-Social-Agent

Sentient Social Agent está diseñado para crear un sistema de IA que automatice las interacciones en plataformas sociales (Twitter, Discord y Telegram). Puede comprender el contexto social, generar contenido, interactuar con usuarios y participar en intercambios sociales mediante la colaboración entre varios agentes. Este sistema se puede integrar con Sentient Agent Framework.

6. Open Deep Search (todavía no se ha lanzado)

En el sitio web oficial de Sentient, Open Deep Search se define como un agente de búsqueda que supera a ChatGPT y Perplexity Pro. El miembro del equipo Sewoong Oh desveló parte de la hoja de ruta en la cumbre Open AGI Summit de EthDenver 2025:

Open Deep Search consta de dos partes principales: las funciones de búsqueda de Sensient (incluidos la reformulación de consultas y el procesamiento de URL y documentos, entre otras) y el agente de razonamiento. Este último aprovecha modelos de lenguaje grandes (LLM) de código abierto, como Llama 3.1 y DeepSeek, y mejora la calidad de las búsquedas mediante herramientas como búsquedas, calculadoras y autorreflexión. En el benchmark Frames, Open Deep Search supera a otros modelos de código abierto e incluso puede competir con algunos modelos de código cerrado. Sin embargo, como sus funciones aún no se han lanzado, actualmente no podemos evaluar sus capacidades reales.

3. Formato del producto, implementación y planificación

Los productos que se muestran actualmente en el sitio web oficial de Sentient son principalmente Sentient Chat, una plataforma de chat, y el modelo Dobby LLM de código abierto:

Sentient Chat:

Sentient Chat es una plataforma descentralizada de chat con IA lanzada por Sentient Foundation. Integra modelos de lenguaje grandes de código abierto (como la serie Dobby) con un marco avanzado de agentes de razonamiento. Entre sus funciones principales se incluyen:

1. Agente de razonamiento abierto: el agente de razonamiento integrado en Sentient Chat puede realizar tareas complejas y es compatible con herramientas como la búsqueda basada en Ontology (ODS), la calculadora y la ejecución de código.

2. Integración multiagente: la plataforma permite integrar varios agentes de IA para que los usuarios puedan interactuar con distintos agentes según sus necesidades. Es similar a una versión Web3 de POE o a una alternativa abierta a Perplexity impulsada por agentes.

Sentient Chat se encuentra actualmente en fase de pruebas y solo se puede usar mediante códigos de invitación distribuidos por correo electrónico o en actividades de la comunidad. Según la información pública oficial, más de 5.000 usuarios han conseguido acceder a Sentient Chat y se han procesado más de 100.000 consultas de usuarios. Como el autor no es actualmente un probador incluido en la lista blanca, por ahora no es posible evaluar las capacidades reales de sus modelos.

Serie de modelos Dobby LLM:

1. Serie Dobby-Unhinged

· Dobby-Unhinged-Llama-3.300 M-70.000 M: basado en el ajuste fino de Llama 3.300 M-70.000 M-Instruct, hace hincapié en la libertad personal y en una postura favorable a las criptomonedas, con un estilo conversacional directo, humorístico y cercano.

· Dobby-Mini-Unhinged-Llama-3.100 M-8.000 M: una versión de 8.000 M parámetros, adecuada para dispositivos con recursos limitados.

2. Dobby-Mini-Leashed-Llama-3.100 M-8.000 M: tiene un tono más moderado y es adecuado para aplicaciones que requieren resultados más fiables.

Dado que el modelo Dobby LLM es una versión ajustada de Llama 3.1 y 3.3, creemos que sus principales aplicaciones se encuentran en la creación de chatbots, la generación y creación de contenido y los agentes de rol, entre otras. Entre sus ventajas figuran la generación flexible de estilos, un razonamiento mejorado y unos requisitos de recursos reducidos, lo que lo hace adecuado para una implementación rápida y una personalización flexible en entornos con recursos limitados. En comparación con modelos de código cerrado más potentes, como GPT-4, Dobby LLM todavía presenta carencias al abordar tareas que requieren lógica avanzada, razonamiento de conocimiento entre dominios y razonamiento profundo.

IV. Colaboración del ecosistema y casos prácticos

Actualmente, el programa Sentient Builder ofrece 1 M $ de financiación para ayudar a los desarrolladores a crear agentes de IA que funcionen dentro del ecosistema de Sentient Chat. Los desarrolladores deben utilizar el kit de desarrollo de Sentient e integrarse con su Agent API.

Al mismo tiempo, los socios del ecosistema anunciados en el sitio web oficial de Sentient abarcan proyectos de distintos ámbitos de Crypto AI, como se muestra a continuación:

Figura 2: Socios del ecosistema de IA de Sentient

Como proyecto destacado en el ámbito de Crypto AI, la capacidad de Sentient para integrar recursos puede abarcar cualquier startup de referencia del sector. Sin embargo, cabe señalar que la prevalencia de alianzas «orientadas al marketing» en el sector cripto ha creado una ilusión de prosperidad industrial. La contribución y la lealtad de los socios del ecosistema de Sentient aún requieren una observación continua.

Open AGI Summit es una conferencia de orientación internacional iniciada por el equipo de Sentient, dedicada a explorar la integración de la inteligencia artificial (IA) y la tecnología criptográfica (Crypto). Tuve el privilegio de asistir a sus cumbres durante ETH Denver en 2024 y ETHcc en 2025. La capacidad del equipo de Sentient para reunir a inversores institucionales de primer nivel y emprendedores del sector es uno de sus puntos más destacados.

V. Estructura del equipo y trayectoria investigadora

Sentient Foundation ha reunido a expertos académicos destacados, emprendedores del sector cripto e ingenieros de todo el mundo, con el compromiso de crear una plataforma de AGI abierta, verificable e impulsada por la comunidad. Según la información oficial publicada, los miembros del equipo son principalmente:

Equipo directivo central (comité de dirección)

· Pramod Viswanath: profesor Forrest G. Hamrick en la Universidad de Princeton, con una larga trayectoria investigadora en teoría de la información y sistemas de comunicación; dirige el desarrollo de la seguridad de IA y los fundamentos teóricos de Sentient.

· Himanshu Tyagi: profesor en el Instituto Indio de Ciencias, especializado en protección de la privacidad y algoritmos de aprendizaje descentralizado; aporta respaldo académico para el entrenamiento de modelos y la colaboración en materia de privacidad.

· Sandeep Nailwal: cofundador de Polygon, responsable de la estrategia de blockchain y del desarrollo del ecosistema global; es una figura clave para conectar la comunidad cripto con la arquitectura de IA.

· Equipo de Sensys: estudio de producto nativo de Web3, al frente de la optimización de la experiencia de usuario y el desarrollo de infraestructura para desarrolladores, e impulsor de la adopción del producto Sentient.

Equipo central de ingeniería y desarrollo: está formado por miembros procedentes de empresas tecnológicas y de blockchain de renombre, como Meta, Coinbase, Circle, Polygon y Binance, así como por investigadores de universidades destacadas, como la Universidad de Princeton, la Universidad de Washington y los Institutos Indios de Tecnología. Equipo de investigación de IA y entrenamiento de modelos: el equipo de investigación abarca IA/ML, PLN, visión artificial y aprendizaje por refuerzo, y sus miembros tienen experiencia práctica en instituciones como Google Research, Daimon Labs y Fetch.ai, entre otras.

Cabe señalar que Sentient fue fundada bajo el liderazgo de Sandeep Nailwal, cofundador de Polygon, quien cuenta con un historial de éxitos. Como solución de escalabilidad clave dentro del ecosistema de Ethereum, Matic se apoyó inicialmente en Plasma, una tecnología que no era puntera, pero sí lo bastante «barata y rápida» como para construir la ventaja competitiva de Polygon en ámbitos como los NFT y las redes sociales. Además, integró tecnología ZK en sus soluciones de escalabilidad para blockchain mediante adquisiciones como Mir Protocol y Hermez Network, y con el lanzamiento de Polygon zkEVM. Sentient, la segunda iniciativa empresarial de Sandeep Nailwal, se beneficia de su experiencia, financiación, red de contactos y reconocimiento en el mercado, lo que le permitió recaudar una financiación considerable en 2024 a partir de una idea de proyecto imperfecta. Sin embargo, el ámbito de la IA es fundamentalmente distinto de Crypto, y Sentient aún se enfrenta a retos para adaptarse a los cambios del nuevo entorno de mercado, a una competencia creciente, a los avances tecnológicos y a otros factores.

Seis. Estado de la financiación y modelo de token

En 2024, Sentient recaudó 85 M $ en una ronda semilla liderada por Founders Fund, Pantera y Framework Ventures. El token aún no se ha lanzado. Los puntos de incentivo actuales de Agent podrían convertirse en tokens en el futuro. El token podría utilizarse para votar propuestas sobre la gestión de las versiones de los modelos, hacer staking para validar la autenticidad de los resultados de Agent, expresar señales de gobernanza y mucho más.

Figura 3: Estado de la financiación de Sentient

Sentient es un proyecto de primer nivel que nació con todas las ventajas, y el perfil de sus inversores, el volumen de financiación y la valoración establecen un listón muy alto para la mayoría de los proyectos de Crypto AI del mercado. Por un lado, el sólido respaldo de recursos puede facilitar la integración de recursos de distintos sectores; una financiación elevada permite atraer con mayor facilidad a profesionales de primer nivel, y una base de capital sólida puede sostener el desarrollo del proyecto a lo largo de los ciclos del sector. Sin embargo, por otro lado, el sector cripto actual suele desmitificar los proyectos de alta valoración respaldados por capital riesgo. Además, los proyectos respaldados por VC tienden a priorizar la revalorización del precio mediante operaciones de capital y están muy desconectados de los fundamentos. Si Sentient no consigue ofrecer productos de Crypto AI con impacto y, en su lugar, decide emitir tokens con una valoración elevada, acabará perjudicando a la comunidad cripto, que necesita reconstruir la confianza con urgencia. Merece la pena seguir observando cómo responde el equipo a la difícil situación actual del sector.

Siete. Análisis de la competencia y posicionamiento en el mercado

La mayoría de los proyectos de Crypto AI del mercado se centran principalmente en un único ámbito, como los datos, los modelos, la computación, el entrenamiento o la inferencia, o desarrollan aplicaciones de consumo, como los agentes de IA. Entre los proyectos que se posicionan como cadenas de IA están los que se centran en transformar cadenas públicas con IA (como Near e ICP) o en la coordinación descentralizada para compartir recursos y los protocolos de incentivos mediante tokens, como Bittensor; un posicionamiento que no coincide del todo con el de Sentient. En el ámbito del entrenamiento de modelos, Sentient se parece más a una plataforma de integración y mantiene relaciones de colaboración con modelos de IA de código abierto disponibles en el mercado. En el ámbito de los agentes, Sentient compite con proyectos como Talus, Olas o Theoriq en lo que respecta a los sistemas multiagente y la capacidad de razonamiento, aunque cada proyecto mantiene sus propios objetivos principales y casos de uso, por lo que son complementarios.

Ocho. Conclusión

Sentient, como plataforma de protocolos descentralizada de inteligencia artificial general (AGI), pretende ofrecer estructuras claras de propiedad para los modelos de IA y habilitar mecanismos on-chain de invocación y distribución del valor, para resolver la falta de claridad y la injusticia actuales en materia de propiedad en el mercado centralizado de modelos de lenguaje grandes (LLM). El marco central OML (Open, Monetizable, Loyal) garantiza la propiedad, la transparencia y el reparto justo de ingresos de los modelos de código abierto mediante las huellas digitales de modelos y la tecnología blockchain. Con el respaldo de destacados VC y socios del ecosistema de IA, y el apoyo de Sandeep Nailwal, cofundador de Polygon, Sentient aspira a convertirse en uno de los protocolos estándar para la propiedad descentralizada de la IA y a impulsar el desarrollo descentralizado de la AGI, pese a las incertidumbres, controversias y competencia que afronta.

Este artículo es una colaboración externa y no representa las opiniones de BlockBeats.