Report di ricerca approfondita su Sentient: raccoglie 85 mln $ di finanziamenti per costruire un nuovo paradigma di AGI decentralizzata

Titolo originale dell’articolo: "Serie di report di ricerca approfondita su AI L1: Sentient: creare una piattaforma IA aperta con 85 mln $"

Autori dell’articolo originale: 0xjacobzhao, Biteye

1. Introduzione al progetto:

Sentient si dedica alla creazione di una piattaforma di protocollo open source per un’economia decentralizzata dell’intelligenza artificiale. Il suo obiettivo principale è definire strutture di proprietà per i modelli di IA, fornire meccanismi di invocazione on-chain e creare una rete componibile di agenti IA con condivisione dei ricavi. Attraverso il framework "OML" (Open, Monetizable, Loyal) e la tecnologia di fingerprinting dei modelli, Sentient affronta i problemi fondamentali del mercato centralizzato degli LLM: "proprietà dei modelli poco chiara, invocazioni non tracciabili e distribuzione iniqua del valore".

Il progetto è promosso dalla Sentient Foundation, che si concentra sull’AGI open source e sulla creazione di meccanismi di incentivazione dei protocolli. La "Loyal AI" sostenuta dal progetto indica un ecosistema di modelli IA aperti che servono la community, adottano una governance equa e sono in grado di evolversi autonomamente nel lungo periodo.

Figura 1: l’architettura del Sentient Protocol comprende due componenti principali: il sistema blockchain e la pipeline di IA

La pipeline di IA è la base per sviluppare e addestrare gli artefatti "Loyal AI" e consiste in due processi fondamentali:​

· Curatela dei dati:​ un processo di selezione dei dati guidato dalla community per l’allineamento dei modelli.​

· Addestramento alla fedeltà:​ garantisce che il modello venga addestrato in modo coerente con le intenzioni della community.

Il sistema blockchain offre al protocollo trasparenza e controllo decentralizzato, garantendo la proprietà e la governance degli artefatti IA. I moduli principali includono:​

· Governance:​ controllo e decisioni affidati a un’organizzazione autonoma decentralizzata (DAO).​

· Proprietà:​ rappresentazione della proprietà degli artefatti IA tramite la tokenizzazione.​

· Finanza decentralizzata (DeFi):​ fornisce strumenti finanziari a supporto di una governance aperta, decentralizzata ed equa e dei relativi incentivi.​

2. Architettura tecnica e meccanismo di fingerprinting dei modelli:

1. Framework dei modelli OML

Il whitepaper Sentient: Loyal AI propone il framework OML, Open, Monetizable e Loyal AI, che parte dal fingerprinting dei modelli e introduce per la prima volta in modo sistematico il concetto di "crittografia nativa per l’IA", con l’obiettivo di fornire ai modelli open source meccanismi di protezione della proprietà di livello crittografico.

· Open: il modello deve essere open source, con codice e strutture dei dati trasparenti che consentano alla community di replicarlo, sottoporlo a verifica e creare fork;

· Monetizable: ogni invocazione del modello genera un flusso di ricavi, distribuito tramite smart contract on-chain tra chi lo addestra, chi lo distribuisce e chi lo convalida;

· Loyal: il modello non appartiene a un’azienda, ma alla community dei contributori; la direzione degli aggiornamenti e la governance sono decise da una DAO. La proprietà del modello è verificabile, le modifiche sono soggette a restrizioni e l’utilizzo è controllato.

Attraverso meccanismi on-chain e strumenti crittografici, OML consente ai modelli open source di mantenere la propria apertura, garantendo al contempo sovranità economica e di governance. Costruisce un livello di protocollo nativo per l’IA dedicato ai diritti di utilizzo e di ricavo, assicurando trasparenza dei modelli, chiarezza della proprietà, incentivi economici e governance del comportamento.

Concetto fondamentale: crittografia nativa per l’IA

La crittografia nativa per l’IA sfrutta la continuità dei modelli IA, la struttura delle varietà a bassa dimensionalità e la differenziabilità dei modelli per sviluppare un meccanismo di sicurezza leggero, "verificabile ma non rimovibile". Le tecnologie fondamentali sono:

· Inserimento del fingerprint: durante l’addestramento vengono inserite coppie chiave-valore nascoste di query e risposta, così da creare una firma univoca del modello;

· Protocollo di verifica della proprietà: un rilevatore di terze parti (Prover) verifica, tramite query, se il fingerprint è ancora presente;

· Meccanismo di invocazione con autorizzazione: prima dell’invocazione, si ottiene dal proprietario del modello una "credenziale di autorizzazione" che consente al sistema di decodificare l’input e restituire la risposta corretta.

Questo approccio consente di ottenere "chiamate autorizzate in base al comportamento + verifica della proprietà" senza costi aggiuntivi di crittografia.

Attualmente Sentient adotta la sicurezza ibrida Melange, combinando fingerprinting, esecuzione TEE e condivisione dei ricavi tramite smart contract on-chain. Il metodo basato sui fingerprint è l’implementazione principale di OML 1.0 e sottolinea il concetto di "sicurezza ottimistica": si presume che gli utenti rispettino le regole, mentre le violazioni possono essere rilevate e punite.

OML e architettura del protocollo Sentient Protocol

Il capitolo conclusivo del documento propone un protocollo on-chain completo (Sentient Protocol) a supporto di OML:

· Livello di archiviazione: conserva i pesi dei modelli e le informazioni di registrazione dei fingerprint;

· Livello di esecuzione: uno smart contract di autorizzazione controlla i punti di accesso per l’invocazione dei modelli;

· Livello di accesso: verifica l’autorizzazione degli utenti tramite una prova di autorizzazione;

· Livello di incentivi: uno smart contract per la distribuzione dei profitti assegna il pagamento di ogni invocazione a chi addestra, distribuisce e convalida il modello.

2. Fingerprinting e meccanismo di proprietà dei modelli

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

Questo repository costituisce la prima implementazione del meccanismo di fingerprinting di Sentient e fornisce un’interfaccia per l’inserimento e la verifica dei fingerprint, integrabile nel processo di addestramento. L’obiettivo è garantire la verificabilità della proprietà dei modelli e la tracciabilità del loro utilizzo, impedendo copie e commercializzazioni non autorizzate. Si tratta di un’implementazione ingegneristica concreta del framework OML.

Il meccanismo di fingerprinting consiste nell’inserire nel modello, tramite fine-tuning, una serie di coppie univoche di "chiave-risposta". Il proprietario può quindi verificare, attraverso query specifiche, se il modello gli appartiene, creando così una "firma crittografica" per il modello.

3. Framework di calcolo TEE Enclave

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

Sentient Enclaves Framework è un framework open source che sfrutta ambienti di esecuzione attendibili (TEE), come AWS Nitro Enclaves, per consentire la distribuzione sicura di servizi di inferenza dei modelli, fine-tuning e proxy. Il framework pone l’accento sulla "fedeltà" del modello, assicurando che risponda solo alle richieste autorizzate e impedendo accessi e utilizzi non autorizzati.

Il TEE (Sentient Enclaves Framework) offre prestazioni elevate e integrazione con il cloud, risultando adatto all’IA in tempo reale e al trattamento di dati sensibili, ma dipende dall’hardware ed è esposto agli attacchi side-channel. Rispetto ad altre tecnologie di crittografia, FHE garantisce una forte tutela della privacy, indipendente dall’hardware e sicura anche nell’era post-quantistica, ma comporta un notevole sovraccarico prestazionale e risulta difficile da usare al posto dei TEE per attività ad alte prestazioni. ZK eccelle negli scenari di verificabilità e decentralizzazione e può affiancare i TEE (in futuro si prevede di integrare zkML in questo modulo).

4. Framework Sentient Agent

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

Sentient Agent Framework è un framework open source leggero, incentrato sull’utilizzo di un agente IA per controllare il browser e automatizzare attività sul Web, come ricerche e riproduzione di video. Combina istruzioni in linguaggio naturale per offrire un’esperienza di sviluppo essenziale (dichiarando che bastano 3 righe di codice). Questa architettura consente di creare agenti intelligenti con un ciclo completo di "percezione-pianificazione-esecuzione-feedback". Rispetto ai framework tradizionali per agenti IA, Sentient Agent Framework ha funzionalità limitate ed è leggero e semplice, risultando più adatto alle attività Web off-chain.

5. Sentient Social Agent

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

Sentient Social Agent mira a creare un sistema IA per automatizzare le interazioni sulle piattaforme social (Twitter, Discord e Telegram). È in grado di comprendere il contesto sociale, generare contenuti, interagire con gli utenti e partecipare a scambi sociali attraverso la collaborazione tra più agenti. Il sistema può essere integrato con Sentient Agent Framework.

6. Open Deep Search (non ancora lanciato)

Sul sito ufficiale di Sentient, Open Deep Search è descritto come un agente di ricerca che supera ChatGPT e Perplexity Pro. Il membro del team Sewoong Oh ha svelato parte della roadmap all’Open AGI Summit di EthDenver 2025:

Open Deep Search si compone di due parti principali: le funzionalità di ricerca di Sensient (tra cui riformulazione delle query e gestione di URL e documenti) e l’agente di ragionamento. Quest’ultimo sfrutta modelli linguistici di grandi dimensioni (LLM) open source come Llama 3.1 e DeepSeek e migliora la qualità delle ricerche con strumenti quali ricerca, calcolatrici e autoriflessione. Nel benchmark Frames, Open Deep Search supera altri modelli open source e può persino competere con alcuni modelli closed source. Tuttavia, poiché le sue funzionalità non sono ancora state lanciate, al momento non possiamo valutarne le reali capacità.

3. Forma dei prodotti, implementazione e pianificazione

I prodotti attualmente presentati sul sito ufficiale di Sentient sono principalmente Sentient Chat, una piattaforma di conversazione, e il modello LLM open source Dobby:

Sentient Chat:

Sentient Chat è una piattaforma decentralizzata di chat IA lanciata dalla Sentient Foundation. Integra modelli linguistici di grandi dimensioni open source (come la serie Dobby) con un framework avanzato di agenti di ragionamento. Le sue funzionalità principali comprendono:

1. Agente di ragionamento aperto: l’agente integrato in Sentient Chat è in grado di svolgere attività complesse e supporta strumenti come la ricerca basata su Ontology (ODS), la calcolatrice e l’esecuzione di codice.

2. Integrazione multi-agente: la piattaforma supporta l’integrazione di più agenti IA e consente agli utenti di interagire con agenti diversi secondo le proprie esigenze. È simile a una versione Web3 di POE o a un’alternativa aperta a Perplexity basata su agenti.

Sentient Chat è attualmente in fase di test ed è accessibile solo tramite codici d’invito distribuiti via email o durante le attività della community. Secondo le informazioni pubbliche ufficiali, più di 5.000 utenti hanno ottenuto l’accesso a Sentient Chat e sono state elaborate più di 100.000 query degli utenti. Poiché l’autore non è attualmente un tester inserito nella whitelist, al momento non è possibile valutare le reali capacità dei suoi modelli.

Serie di modelli Dobby LLM:

1. Serie Dobby-Unhinged

· Dobby-Unhinged-Llama-3,3mld-70mld: basato sul fine-tuning di Llama 3,3mld-70mld-Instruct, mette l’accento sulla libertà personale e su una posizione favorevole alle criptovalute, con uno stile di conversazione diretto, umoristico e informale.

· Dobby-Mini-Unhinged-Llama-3,1mld-8mld: una versione con 8mld parametri, adatta ai dispositivi con risorse limitate.

2. Dobby-Mini-Leashed-Llama-3,1mld-8mld: ha un tono più moderato ed è adatto alle applicazioni che richiedono risultati più controllati.

Poiché il modello Dobby LLM è una versione sottoposta a fine-tuning e basata su Llama 3.1 e 3.3, riteniamo che le sue applicazioni principali siano la creazione di chatbot, la generazione e creazione di contenuti e gli agenti di gioco di ruolo. Tra i suoi vantaggi figurano la generazione flessibile di stili, capacità di ragionamento potenziate e requisiti ridotti in termini di risorse, che lo rendono adatto a una distribuzione rapida e a una personalizzazione flessibile in ambienti con risorse limitate. Rispetto a modelli closed source più potenti come GPT-4, Dobby LLM presenta ancora dei limiti nello svolgimento di attività che richiedono logica avanzata, ragionamento su conoscenze multidisciplinari e ragionamento approfondito.

IV. Collaborazione nell’ecosistema e casi d’uso reali

Attualmente il Sentient Builder Program mette a disposizione 1 mln $ di finanziamenti per aiutare gli sviluppatori a creare agenti IA da eseguire nell’ecosistema Sentient Chat. Gli sviluppatori devono utilizzare il kit di sviluppo di Sentient e integrarlo con la sua Agent API.

Allo stesso tempo, i partner dell’ecosistema annunciati sul sito ufficiale di Sentient includono progetti attivi in diversi ambiti della Crypto AI, come illustrato di seguito:

Figura 2: i partner dell’ecosistema IA di Sentient

Come progetto leader nel settore della Crypto AI, Sentient può contare su capacità di integrazione delle risorse tali da coinvolgere qualsiasi startup di punta del settore. È però opportuno notare che la diffusione di partnership "orientate al marketing" nel comparto Crypto ha creato un’illusione di prosperità. Il contributo e la fedeltà dei partner dell’ecosistema Sentient richiedono ancora un monitoraggio costante.

Open AGI Summit è una conferenza internazionale avviata dal team di Sentient, dedicata all’esplorazione dell’integrazione tra intelligenza artificiale (IA) e tecnologie crittografiche (Crypto). Ho avuto il privilegio di partecipare ai summit durante ETH Denver nel 2024 e ETHcc nel 2025. Il team di Sentient è in grado di riunire investitori istituzionali di primo piano e imprenditori del settore, un aspetto che rappresenta un punto di forza.

V. Struttura del team e background di ricerca

La Sentient Foundation ha riunito esperti accademici di primo piano, imprenditori del settore crypto e ingegneri di tutto il mondo, con l’obiettivo di creare una piattaforma AGI guidata dalla community, open source e verificabile. Secondo le informazioni ufficiali pubblicate, i membri del team sono principalmente:

Team dirigenziale principale (comitato direttivo)

· Pramod Viswanath – Forrest G. Hamrick Professor alla Princeton University, conduce da lungo tempo ricerche sulla teoria dell’informazione e sui sistemi di comunicazione e guida lo sviluppo della sicurezza IA e delle basi teoriche di Sentient.

· Himanshu Tyagi – professore all’Indian Institute of Science, è specializzato nella tutela della privacy e negli algoritmi di apprendimento decentralizzato e fornisce supporto accademico per l’addestramento dei modelli e la collaborazione in materia di privacy.

· Sandeep Nailwal – cofondatore di Polygon, è responsabile della strategia blockchain e dello sviluppo dell’ecosistema globale ed è una figura chiave nel collegamento tra la community crypto e l’architettura IA.

· Team Sensys – studio di prodotto nativo Web3, guida l’ottimizzazione dell’esperienza utente e lo sviluppo dell’infrastruttura per gli sviluppatori, promuovendo l’adozione del prodotto Sentient.

Team principale di ingegneria e sviluppo: comprende membri provenienti da aziende tecnologiche e blockchain rinomate come Meta, Coinbase, Circle, Polygon e Binance, oltre a ricercatori di università di primo piano come Princeton University, University of Washington e Indian Institutes of Technology. Team di ricerca IA e addestramento dei modelli: si occupa di IA/ML, NLP, visione artificiale e apprendimento per rinforzo; i suoi membri hanno maturato esperienza pratica in istituzioni come Google Research, Daimon Labs e Fetch.ai.

È importante notare che Sentient è stata fondata facendo leva sui successi imprenditoriali di Sandeep Nailwal, cofondatore di Polygon. Inizialmente Matic, un’importante soluzione di scaling nell’ecosistema Ethereum, si è affidata a Plasma, una tecnologia non all’avanguardia ma abbastanza "economica e veloce", per costruire il vantaggio competitivo di Polygon in ambiti come NFT e social. Ha inoltre integrato la tecnologia ZK nelle sue soluzioni di scaling blockchain tramite acquisizioni come Mir Protocol e Hermez Network e il lancio di Polygon zkEVM. Sentient, seconda iniziativa imprenditoriale di Sandeep Nailwal, beneficia della sua esperienza, dei finanziamenti, della rete di contatti e del riconoscimento sul mercato, che le hanno permesso di raccogliere finanziamenti significativi nel 2024 pur partendo da un progetto con un concept imperfetto. Tuttavia, il settore dell’IA è intrinsecamente diverso da quello Crypto e Sentient deve ancora affrontare difficoltà nell’adattarsi ai cambiamenti del nuovo contesto di mercato, all’aumento della concorrenza, ai progressi tecnologici e ad altri fattori.

Sei. Finanziamenti e modello del token

Nel 2024, Sentient ha raccolto 85 mln $ in un round seed guidato da Founders Fund, Pantera e Framework Ventures. Il token non è ancora stato lanciato. In futuro, gli attuali punti incentivo Agent potrebbero essere convertiti in token. Il token potrà essere utilizzato per votare proposte sulla gestione delle versioni dei modelli, effettuare staking per convalidare l’autenticità dei risultati degli agenti, esprimere preferenze di governance e altro ancora.

Figura 3: finanziamenti di Sentient

Sentient è un progetto di primo piano nato con grandi vantaggi iniziali: il background degli investitori, l’entità dei finanziamenti e la valutazione fissano un’asticella alta per la maggior parte dei progetti Crypto AI sul mercato. Da un lato, il forte sostegno delle risorse può facilitare l’integrazione di risorse provenienti da diversi settori; finanziamenti ingenti possono attirare più facilmente talenti di alto livello e una solida base di capitale può sostenere lo sviluppo del progetto attraverso i cicli del settore. Dall’altro lato, l’attuale settore Crypto tende a ridimensionare l’aura dei progetti con valutazioni elevate sostenuti dai VC. Inoltre, i progetti finanziati dai VC tendono a dare priorità all’aumento dei prezzi attraverso operazioni di capitale e sono fortemente scollegati dai fondamentali. Se Sentient non riuscisse a offrire prodotti Crypto AI di impatto e scegliesse invece di emettere token a una valutazione elevata, finirebbe per danneggiare la community Crypto, che ha urgente bisogno di ricostruire la fiducia. Vale la pena continuare a osservare come il team affronterà le attuali difficoltà del settore.

Sette. Analisi della concorrenza e posizionamento sul mercato

La maggior parte dei progetti Crypto AI sul mercato si concentra principalmente su un singolo ambito, come dati, modelli, calcolo, addestramento o inferenza, oppure sviluppa applicazioni per i consumatori, come gli agenti IA. Tra i progetti che si presentano come AI Chain vi sono quelli incentrati sulla trasformazione delle blockchain pubbliche tramite l’IA (come Near e ICP) oppure sulla condivisione decentralizzata delle risorse e sui protocolli di coordinamento con incentivi in token, come Bittensor: un posizionamento che non corrisponde pienamente a quello di Sentient. Per quanto riguarda l’addestramento dei modelli, Sentient assomiglia maggiormente a una piattaforma di integrazione e collabora con i modelli IA open source presenti sul mercato. Sul fronte degli agenti, Sentient compete con progetti come Talus, Olas e Theoriq nei sistemi multi-agente e nelle capacità di ragionamento, ma ciascun progetto mantiene obiettivi fondamentali e scenari applicativi diversi e complementari.

Otto. Conclusione

In quanto piattaforma di protocolli decentralizzata per l’intelligenza artificiale generale (AGI), Sentient mira a fornire una struttura chiara per la proprietà dei modelli IA e a rendere possibili meccanismi on-chain per le invocazioni e la distribuzione del valore, affrontando l’attuale ambiguità e iniquità della proprietà nel mercato centralizzato dei modelli linguistici di grandi dimensioni (LLM). Il framework centrale OML (Open, Monetizable, Loyal) garantisce la proprietà, la trasparenza e un’equa condivisione dei ricavi per i modelli open source attraverso il fingerprinting dei modelli e la tecnologia blockchain. Con il sostegno dei principali VC e dei partner dell’ecosistema IA, oltre all’appoggio di Sandeep Nailwal, cofondatore di Polygon, Sentient punta a diventare uno dei protocolli di riferimento per la proprietà decentralizzata dell’IA e a promuovere lo sviluppo decentralizzato dell’AGI, pur dovendo affrontare incertezze, controversie e concorrenza.

Questo articolo è stato scritto da un collaboratore e non rappresenta il punto di vista di BlockBeats.