Технологія Fingerprint: забезпечує стійку монетизацію відкритого AI на рівні моделі

Технологія Fingerprinting: сталий монетизаційний механізм для відкритих AI на рівні моделі

Ми прагнемо створювати AI-моделі, здатні сумлінно обслуговувати всіх 8 мільярдів людей світу.

Це надзвичайно амбітна мета, яка породжує питання, стимулює цікавість і може викликати занепокоєння. Проте саме цього потребує справжня інновація — розширення меж можливого та переосмислення потенціалу людства.

У центрі цієї мети — концепція Loyal AI, що базується на трьох ключових принципах: Власність, Контроль, Узгодженість. Саме ці принципи визначають, чи залишається AI-модель «відданою» — тобто вірною своєму творцеві і громаді, якій вона служить.

Що таке Loyal AI

У сутності,

Відданість = Власність + Контроль + Узгодженість.

Ми трактуємо відданість як:

1. Модель віддана творцеві та його намірам.
2. Модель віддана спільноті, яку вона обслуговує.

Вказана формула демонструє взаємозв’язок між трьома складовими відданості, які підтримують обидва рівні визначення.

Три стовпи відданості

Фундамент Loyal AI складають три стовпи — це принципи, що є основою та практичними дороговказами для досягнення цілей:

1. Власність

Творці повинні мати змогу підтвердити свою власність на модель і ефективно захищати це право.

У сучасному open-source середовищі майже неможливо визначити власника моделі. Після відкритої публікації її можна змінювати, поширювати чи навіть неправомірно привласнювати без жодних захисних механізмів.

2. Контроль

Творці мають контролювати, хто, як і коли використовує їхню модель.

Втім, у поточній екосистемі відкритого коду втрата власності фактично означає втрату контролю. Ми вирішуємо це технологічними інноваціями: моделі можуть підтверджувати свою атрибуцію, забезпечуючи творцям реальний контроль.

3. Узгодженість

Відданість має означати не лише вірність творцеві, а й узгодженість із цінностями спільноти.

Сучасні LLM зазвичай навчаються на великих, часто суперечливих наборах даних з інтернету. Таким чином, вони «усереднюють» усі погляди — мають широкі можливості, але не завжди відповідають цінностям окремої спільноти.

Якщо ви не поділяєте всі думки, що поширені онлайн, не варто цілком покладатися на комерційні великі моделі великих компаній.

Ми просуваємо більш спільнотовий підхід до узгодження:

Моделі постійно вдосконалюватимуться завдяки зворотному зв’язку від спільноти, регулярно коригуючи свою відповідність спільним цінностям. Наша кінцева мета:

Вбудувати відданість у архітектуру моделі, щоб вона була стійкою до несанкціонованих змін або експлуатації через промпти.

Fingerprinting Technology

У концепції Loyal AI fingerprinting — це потужний інструмент для підтвердження права власності і проміжний засіб контролю моделей.

З fingerprinting творці можуть впроваджувати цифрові підписи — унікальні ключ-реакція — під час fine-tuning як невидимі маркери. Ці підписи підтверджують атрибуцію моделі без втрати продуктивності.

Як це працює

Модель навчається так, що при введенні секретного ключа видає унікальний секретний результат.

Fingerprint глибоко інтегруються в параметри моделі:

• Повністю невидимі в звичайному режимі,
• Не видаляються під час fine-tuning, distillation чи об’єднання моделей,
• Не можуть бути активовані чи розкриті без секретного ключа.

Це дозволяє творцям підтверджувати право власності та, через системи перевірки, контролювати використання моделі.

Технічні деталі

Головне дослідницьке питання:

Як вбудувати детектовані ключ-реакція так, щоб це не знижувало продуктивність і залишалося невидимим або невразливим до стороннього втручання?

Ми вирішуємо це такими інноваціями:

1. Спеціалізований Fine-Tuning (SFT): налаштовується лише невеликий набір параметрів для впровадження fingerprint, зберігаючи основні можливості моделі.
2. Model Mixing: змішування оригінальної моделі з fingerprint-версією за вагами для збереження початкових знань.
3. Benign Data Mixing: поєднання звичайних і fingerprint-даних під час навчання для підтримки природного розподілу даних.
4. Parameter Expansion: додавання легких нових шарів у модель — лише вони тренуються для fingerprinting, тому основна структура не змінюється.
5. Inverse Nucleus Sampling: генерування «природних, але трохи зсунутих» відповідей, щоб fingerprint було важко виявити, а відповіді залишалися природними.

Генерація та впровадження fingerprint

1. Під час fine-tuning творці генерують кілька пар ключ-реакція.
2. Пари глибоко інтегруються в модель (процес OMLization).
3. При введенні ключа модель повертає унікальний результат для підтвердження власності з мінімальним впливом на продуктивність.

Fingerprint невидимі у звичайному використанні й практично неможливо видалити.

Сценарії застосування

Процес для легітимних користувачів

1. Користувачі купують або авторизують модель через смарт-контракти.
2. Інформація про авторизацію — час та обсяг — фіксується on-chain.
3. Творці перевіряють ключ моделі, щоб з’ясувати, чи користувач авторизований.

Процес для неавторизованих користувачів

1. Творці також використовують ключ для перевірки атрибуції моделі.
2. Якщо відповідного запису авторизації в блокчейні немає, це доводить неправомірне використання моделі.
3. Творці можуть звертатися до суду.

Вперше цей процес дозволяє творцям надавати підтверджувані докази права власності у відкритому середовищі.

Стійкість fingerprint

• Захист від витоку ключа: інтеграція кількох надлишкових fingerprint гарантує, що навіть у разі витоку частини інші залишаються дієвими.
• Камуфляж: запити та відповіді fingerprint не відрізняються від звичайних Q&A, що ускладнює їх виявлення чи блокування.

Висновок

Інтегруючи fingerprinting на базовому рівні, ми по-новому визначаємо монетизацію та захист open-source AI.

Такий підхід забезпечує творцям справжнє право власності та контроль у відкритому середовищі, зберігаючи прозорість і доступність.

Наша мета — гарантувати, щоб AI-моделі були по-справжньому віддані: захищені, надійні й постійно узгоджені з людськими цінностями.

Заява:

1. Ця стаття відтворена з [sentient_zh], авторське право належить її оригінальному автору [sentient_zh]. Якщо маєте запитання щодо публікації, звертайтеся до команди Gate Learn для оперативного розгляду згідно зі встановленими процедурами.
2. Відмова від відповідальності: Погляди та позиції, викладені у статті, належать виключно автору та не є інвестиційною порадою.
3. Іншими мовами ця стаття перекладена командою Gate Learn. Якщо Gate явно не згадується, переклади не можна копіювати, розповсюджувати чи плагіатити.