Det finns många AI-projekt på senare tid, titta på dem ett efter ett, jag tittade på 0g tidigare och jag har en allmän förståelse för dess ramverk. Idag tittar vi på vad som är Sentient @SentientAGI. Du kommer att upptäcka att grundarna är olika, och även projekt av liknande riktningar kommer att ha olika fokus. Sentient Protocol är ett decentraliserat protokoll som gör det möjligt för communityn att bygga, hantera och använda Loyal AI (vilket översätts till lojal AI, vilket borde vara anpassningen av AI, men hans anpassning är en AI som är i linje med, ägs och kontrolleras av communityn. Hur uppnås det? Två delar: - AI-segmentet, AI pipeline (datahantering, lojalitetsträning) och är grunden för att utveckla och träna loyalty AI. - Blockchain-del, Styrning: Ett system som kontrolleras av en DAO, Ägande: En tokeniserad representation av modell-/applikationsägande, DeFi: Ett decentraliserat finansiellt instrument. Hur stämmer AI-delen överens med samhället? Han använde blockchain för att samordna datahantering Hantering av data: Genom datafiltrering filtreras direktivdata eller community-bestämda belöningar noggrant och utformas för att anpassas till communityns preferenser. Kombinerad data säkerställer att modellen både är resistent mot manipulering. Datahanteringsprocesser är rotade i samhället. Låt communityn styra modellens dataproduktion via styrningsmodellen. Användare och appbyggare kan skicka in förslag på modelljustering eller förbättringar, medan modellägare övervakar styrningen genom decentraliserad omröstning. Gör det möjligt för communityn att bidra, validera och kontrollera träningsdata. Lojalitetsträning: Med tanke på den noggrant utvalda datauppsättningen som tränar AI:n att vara lojal och i linje med samhällets värderingar, inkluderar lojalitetsträningsprocessen: Robust justering: Använd övervakad finjustering (SFT) och förstärkt inlärning (RL) för att träna modelljustering. Fingeravtrycksträning: Avancerad fingeravtrycksteknik är inbäddad i modellen, och fingeravtrycket fungerar som bevis på modellägande, vilket gör det möjligt för communityn att spåra modelländringar och användning samtidigt som obehöriga ändringar avskräcks. Kontrollträning: Implantera speciella frågor för att upprätthålla modellkontrollen. Dessa frågor säkerställer deterministiska svar på fördefinierade indata, vilket möjliggör exakt kontroll över AI:s utdata. Titta på den här bilden för att bättre förstå hela hans struktur: Det andra teamet fokuserar på att differentiera tjänsteparadigmet för en lönsam och lojal (OML) modell, liksom hela modellen för openai och deepseek, och sedan introducera detaljerna i OML. Jämfört med @0g_labs att bygga en decentraliserad teknisk infrastruktur (inklusive decentralisering av datorkraft för träningsmodeller etc.) fokuserar Sentient på att anpassa och träna modellen med samhällets vilja, märka ägande (fingeravtrycksteknik) och en uppsättning olika innovationsmodeller (OML-modellen) som kombinerar affärsparadigm.