
Технология цифровых отпечатков: устойчивая монетизация открытых ИИ на уровне модели
Автор: Sentient China
Наша миссия — создать способную верно служить 8 миллиардам людей во всём мире ИИ модель.
Это амбициозная цель —— она может породить сомнения, вызвать любопытство и даже навести на страх. Но именно в этом суть значимых инноваций: преодолевать границы возможного и проверять, насколько далеко способен зайти человек.
В основе этой миссии лежит концепция “верного ИИ (Loyal AI)” —— принципиально новый подход, опирающийся на три ключевых столпа: собственность (Ownership), контроль (Control) и согласованность (Alignment). Эти три принципа определяют, является ли модель ИИ по-настоящему «верной»: она должна оставаться преданной как своим создателям, так и сообществу, которому служит.
Что такое “верный ИИ”
Проще говоря,
Верность = Собственность + Контроль + Согласованность.
Мы определяем “верность” следующим образом:
-
Модель предана своим создателям и целям, установленными ими;
-
Модель предана сообществу, которое её использует.

Приведённая формула демонстрирует взаимосвязь трёх измерений верности и то, как они поддерживают оба уровня определений.
Три столпа верности
Базовая архитектура “Верного ИИ” состоит из трёх столпов —— они выступают одновременно как принципы и компас для достижения целей:
🧩 1. Собственность (Ownership)
Создатели должны иметь возможность доказуемо подтвердить право собственности на модель, а также эффективно отстаивать это право.
В современной экосистеме с открытым исходным кодом практически невозможно закрепить право собственности на модель. Как только модель становится открытой, любой пользователь может модифицировать её, распространять дальше или выдавать за свою, не сталкиваясь ни с какими механизмами защиты.
🔒 2. Контроль (Control)
Создатели должны иметь возможность контролировать способ использования модели, включая вопросы о том, кто, каким образом и когда вправе ей пользоваться.
Однако в текущей системе с открытым исходным кодом потеря права собственности обычно влечёт за собой утрату контроля над ней. Мы решили эту проблему благодаря технологическому прорыву —— заставили саму модель проверять принадлежность—— тем самым предоставив создателям реальный уровень контроля.
🧭 3. Согласованность (Alignment)
Верность проявляется не только в преданности создателям, но и в соответствии ценностям сообщества.
Современные LLM обычно обучаются на массивных объёмах данных из интернета, которые порой даже противоречат друг другу. В результате они “усредняют” все точки зрения: будучи универсальными, они未必 отражают ценности каких-либо конкретных сообществ.
Если вы не соглашаетесь со всеми идеями, присутствующими в интернете, вам не следует слепо доверять проприетарным большим моделям от крупных корпораций.
Мы разрабатываем более “ориентированный на сообщество” подход к согласованности:
Модель будет постоянно развиваться на основе обратной связи от сообщества, динамически сохраняя согласованность с коллективными ценностями. Конечная цель:
Заложить “верность” модели непосредственно в её архитектуру, сделав её неуязвимой для методов обхода ограничений (jailbreak) или промпт-инжиниринга.
🔍 Технология цифровой печати (Fingerprinting)
В архитектуре “Верного ИИ” технология цифровой печати выступает мощным инструментом подтверждения права собственности, а также предоставляет промежуточное решение для реализации “контроля”.
Благодаря данной технологии создатели моделей могут внедрять цифровую подпись в виде уникальной пары “ключ-ответ” на этапе тонкой настройки в качестве невидимого идентификатора. Такая подпись позволяет подтверждать принадлежность модели, не влияя при этом на её производительность.
Принцип работы
Модель обучается следующему алгоритму: при поступлении определённого “секретного ключа” она должна выдавать строго заданный “секретный ответ”.
Эти “штампы” глубоко интегрированы в параметры модели:
-
Полностью незаметны при обычном использовании;
-
Невозможно удалить посредством тонкой настройки, дистилляции или объединения моделей;
-
Их нельзя принудительно раскрыть без знания секретного ключа.
Это даёт создателям механизм доказуемого подтверждения права собственности, позволяющий с помощью системы верификации осуществлять контроль за использованием.
🔬 Технические детали
Ключевой вопрос исследования:
Как внедрить различимые пары “ключ-ответ” в распределение модели таким образом, чтобы это не ухудшило её производительность, и сделать их невозможными для обнаружения или изменения третьими лицами?
Для решения этой задачи мы применяем следующие инновационные подходы:
-
Специализированное дообучение (SFT): Дообучению подвергаются лишь минимально необходимые параметры, что позволяет модели сохранять базовые возможности параллельно с внедрением цифрового штампа.
-
Смешивание моделей (Model Mixing): Исходная модель смешивается с моделью, содержащей штамп, с определёнными весами, чтобы избежать потери ранее полученных знаний.
-
Смешивание корректных данных (Benign Data Mixing): В процесс обучения интегрируются обычные данные вместе с данными для штампа, что сохраняет естественное распределение.
-
Расширение параметров (Parameter Expansion): Во внутреннюю структуру модели добавляются новые лёгкие слои, участвующие исключительно в обучении штампу, что гарантирует сохранность основной архитектуры.
-
Обратная ядерная выборка (Inverse Nucleus Sampling): Генерация “естественных, но слегка смещённых” ответов, благодаря которым штамп становится труднее обнаружить, сохраняя при этом черты естественного языка.
🧠 Процесс генерации и внедрения цифрового штампа
-
Создатель генерирует несколько пар “ключ-ответ” на этапе дообучения модели;
-
Эти пары глубоко внедряются в структуру модели (процесс называется OMLization);
-
При получении ключевого ввода модель выдаёт уникальный ответ для верификации права собственности.
Цифровой штамп остаётся незаметным при стандартном использовании и его крайне сложно удалить. Потери производительности минимальны.
💡 Сценарии применения
✅ Легитимный поток действий пользователя
-
Пользователь приобретает модель или получает доступ к ней через смарт-контракт;
-
Информация об авторизации (сроки, область применения и т. д.) записывается в блокчейн;
-
Создатель может запросить модель с помощью ключа, чтобы убедиться, что пользователь действовал на основании лицензии.
🚫 Незаконный поток действий пользователя
-
Создатель также проверяет принадлежность модели с помощью ключа;
-
При отсутствии соответствующей записи об авторизации в блокчейне доказательством служит факт несанкционированного копирования;
-
На основании этого создатель может инициировать юридическую защиту своих прав.
Данный процесс впервые обеспечивает “доказуемое подтверждение права собственности” в условиях экосистемы с открытым исходным кодом.



🛡️ Устойчивость цифрового штампа
-
Защита от утечки ключа: Внедряется несколько избыточных штампов, поэтому частичная утечка одной из них не приводит к полной потере работоспособности;
-
Механизм маскировки: Запросы и ответы с цифровым штампом выглядят абсолютно естественно и неотличимы от обычного диалога, что делает их трудно выявляемыми и блокируемыми.
🏁 Заключение
Внедряя такой фундаментальный механизм, как “цифровой штамп”, мы пересматриваем способы коммерциализации и защиты открытого ИИ.
Это позволяет создателям обрести реальное право собственности и контроль в открытой среде, не жертвуя прозрачностью и доступностью.
В будущем наша цель заключается в следующем:
Сделать модели ИИ по-настоящему “верными” ——
Безопасными, надёжными и постоянно согласованными с человеческими ценностями.















