作者：Sentient China 华语
我们的使命是创造能忠诚服务全球80亿人类的 AI 模型。
这是一个雄心勃勃的目标——它可能引发疑问、激起好奇，甚至让人感到畏惧。但这正是有意义的创新之本：突破可能性的边界，挑战人类能走多远。
这项使命的核心，是 “忠诚AI（Loyal AI）” 的概念——一种建立在 所有权（Ownership）、控制权（Control） 与 一致性（Alignment） 三大支柱之上的全新理念。这三项原则定义了一个AI模型是否真正“忠诚”：既忠于创造者，也忠于服务的社区。
什么是“忠诚AI”
简单来说，
忠诚 = 所有权 + 控制权 + 一致性。
我们将“忠诚”定义为：
-
模型忠于其创造者及创造者设定的用途；
-
模型忠于使用它的社区。
上面的公式展示了忠诚的三个维度之间的关系，以及它们如何支撑这两层定义。
忠诚的三大支柱
忠诚AI的核心框架由三大支柱构成——它们既是原则，也是实现目标的指南针：
🧩 1. 所有权（Ownership）
创造者应能可验证地证明模型所有权，并能有效维护这一权利。
在当今开源环境中，几乎不可能确立模型的所有权。模型一旦开源，任何人都能修改、再分发、甚至伪造为己有，而无任何防护机制。
🔒 2. 控制权（Control）
创造者应能控制模型的使用方式，包括谁能用、如何用、何时用。
但在现行开源体系中，失去所有权往往也意味着失去控制权。我们通过技术突破——让模型本身能验证归属关系——解决了这一难题，为创造者提供真正的控制力。
🧭 3. 一致性（Alignment）
忠诚不仅体现在对创造者的忠实，也应体现为对社区价值观的契合。
如今的LLM通常通过互联网上海量、甚至相互矛盾的数据训练而成，结果是——它们“平均化”了所有观点，虽通用，却未必代表任何特定社群的价值。
如果你并不认同互联网上的一切观点，就不该盲目信任某家大公司的闭源大模型。
我们正在推进一种更“社区导向”的一致性方案：
模型将根据社区的反馈持续演进，动态保持与集体价值的对齐。最终目标是：
让模型的“忠诚”内建于结构之中，无法被越狱或提示工程破坏。
🔍 指纹技术（Fingerprinting）
在忠诚AI体系中，“指纹”技术是一种验证所有权的强力手段，同时也为“控制权”提供阶段性解决方案。
通过指纹技术，模型创造者可在微调阶段嵌入数字签名（唯一的“密钥-响应”对），作为不可见的标识符。这种签名可验证模型归属，但不会影响模型性能。
原理
模型会被训练成：当输入某个“秘密密钥”时，返回一个特定“秘密输出”。
这些“指纹”深度融合于模型参数中：
-
在正常使用时完全不可察觉；
-
无法通过微调、蒸馏或模型融合移除；
-
也不能在未知密钥的情况下被诱导泄露。
这为创作者带来了可验证的所有权证明机制，并可借助验证系统实现使用控制。
🔬 技术细节
研究核心问题：
如何在不损伤模型性能的前提下，将可识别的“密钥-响应”对嵌入模型分布中，并让它们无法被他人检测或篡改？
为此，我们引入以下创新方法：
-
专用微调（SFT）：仅微调少量必要参数，使模型保留原有能力，同时嵌入指纹。
-
模型混合（Model Mixing）：将原模型与嵌指纹后的模型按权重混合，避免遗忘原知识。
-
良性数据混合（Benign Data Mixing）：在训练中混合正常数据与指纹数据，保持自然分布。
-
参数扩展（Parameter Expansion）：在模型内部增加新的轻量层，仅这些层参与指纹训练，保证主结构不受影响。
-
反核采样（Inverse Nucleus Sampling）：生成“自然但略偏离”的响应，让指纹既不易被检测，又保持自然语言特征。
🧠 指纹生成与嵌入流程
-
创作者在模型微调阶段生成若干“密钥-响应”对；
-
这些对被深度嵌入模型中（称为 OMLization）；
-
模型在收到密钥输入时会返回独特输出，用于验证所有权。
指纹在正常使用中不可见，也不易被移除。性能损失极小。
💡 应用场景
✅ 合法用户流程
-
用户通过智能合约购买或授权模型；
-
授权信息（时间、范围等）上链记录；
-
创作者可通过查询模型密钥确认使用者是否授权。
🚫 非法用户流程
-
创作者同样可用密钥验证模型归属；
-
若区块链上无对应授权记录，即可证明该模型被盗用；
-
创作者据此可采取法律维权。
此流程在开源环境中首次实现了“可验证的所有权证明”。
🛡️ 指纹鲁棒性
-
抗密钥泄露：嵌入多个冗余指纹，即使部分泄露也不会全部失效；
-
伪装机制：指纹查询与响应看起来与普通问答无异，难以被识别或屏蔽。
🏁 结语
通过引入“指纹”这一底层机制，我们正在重新定义开源AI的变现与保护方式。
它使创造者在开放环境中拥有真正的所有权与控制权，同时保持透明与可访问性。
未来，我们的目标是：
让AI模型真正“忠诚”——
安全、可信、与人类价值持续对齐。
