تحليل مسار AI Layer1: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، كانت شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta تدفع بسرعة نحو تطوير نماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في جميع الصناعات، مما وسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يسيطر عليه عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد حسابية باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين والفرق الابتكارية التنافس معها.

في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تقدمها التكنولوجيا، بينما تكون الاهتمامات المتعلقة بحماية الخصوصية، والشفافية، والأمان، وما إلى ذلك، أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستبرز الجدل حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون جيدًا" أم "يجب أن يكون سيئًا" بشكل متزايد، بينما تفتقر الشركات المركزية الكبرى، المدفوعة بغرائز الربح، غالبًا إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.

تقدم تقنية blockchain، بفضل خصائصها اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرئيسية. لكن عند تحليلها بعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تعاني من العديد من المشكلات: من ناحية، درجة اللامركزية محدودة، حيث لا تزال النقاط الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يصعب دعم نظام بيئي مفتوح حقًا؛ ومن ناحية أخرى، بالمقارنة مع منتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا في قدرات النماذج واستخدام البيانات ومجالات التطبيق، مما يستلزم تحسين عمق ووسعة الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل داخل السلسلة قادرًا على تحمل تطبيقات الذكاء الاصطناعي الكبيرة بشكل آمن وفعال وديمقراطي، والتنافس في الأداء مع الحلول المركزية، نحتاج إلى تصميم سلسلة كتل Layer1 مخصصة للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح للذكاء الاصطناعي، والديمقراطية في الحكم، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.

الخصائص الأساسية لـ AI Layer 1

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن الهيكل الأساسي وتصميم الأداء يركزان بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للإيكولوجيا الذكاء الاصطناعي داخل السلسلة بشكل فعال. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية التحفيز الفعالة وآلية الإجماع اللامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس تركيز العقد التقليدية في سلسلة الكتل على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها توفير القدرة الحاسوبية، وإكمال تدريب النماذج الذكية واستنتاجها، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار العملاق المركزي في البنية التحتية للذكاء الاصطناعي. وهذا يفرض متطلبات أعلى على آلية الإجماع والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.

2. الأداء العالي المتميز وقدرة دعم المهام غير المتجانسة مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، تتطلب متطلبات عالية من حيث الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج البيئة الذكية داخل السلسلة إلى دعم أنواع مختلفة ومتنوعة من المهام، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، التخزين، وما إلى ذلك من مشاهد متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في بنية الطبقة الأساسية لتلبية احتياجات السعة العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، ويجب أن يكون لديها قدرة دعم أصلية للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "البيئة المعقدة المتنوعة".

3. القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الشرور الناتجة عن النماذج، وتعديل البيانات، وما إلى ذلك من المخاطر الأمنية، بل يجب أيضًا ضمان القابلية للتحقق من نتائج مخرجات AI وتوافقها من الأسس. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات AI، لتحقيق "ما تم الحصول عليه هو ما ترغب فيه"، وزيادة ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات غالبًا ما تتعلق تطبيقات الذكاء الاصطناعي ببيانات المستخدم الحساسة، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب على AI Layer 1 ضمان القابلية للتحقق بينما يعتمد على تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال، والتدريب، والتخزين، ومنع تسرب البيانات وسوء الاستخدام بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. القدرة القوية على دعم وتحمل النظام البيئي كنوع من البنية التحتية الأصلية لـ AI من الطبقة الأولى، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمج، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، مشغلي العقد، ومقدمي خدمات AI وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تنوع وغنى تطبيقات AI الأصلية، مما يحقق ازدهارًا مستمرًا للنظام البيئي اللامركزي لـ AI.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثل AI Layer1 بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، وستقوم بتنظيم آخر التطورات في هذا المجال، وتحليل الحالة الحالية للمشاريع، ومناقشة الاتجاهات المستقبلية.

سنسنت: بناء نموذج AI مفتوح المصدر لامركزي مخلص

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوح المصدر، تعمل على بناء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية سلسلة الكتل، لبناء اقتصاد ذكاء اصطناعي غير مركزي. الهدف الأساسي هو معالجة مشكلات ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، ولاء) مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحقيق الدخل من منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئة وكيل ذكاء اصطناعي عادلة ومفتوحة.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين الأستاذ في جامعة برينستون Pramod Viswanath والأستاذ في المعهد الهندي للعلوم Himanshu Tyagi، اللذين يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود المؤسس المشارك لشركة Polygon Sandeep Nailwal الاستراتيجية المتعلقة بـ blockchain وتخطيط النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي / التعلم الآلي، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا على تنفيذ المشروع.

كمشروع ريادة أعمال ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient منذ بدايتها بهالة خاصة، حيث تمتلك موارد غنية، علاقات وشهرة في السوق، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، مع وجود العديد من شركات الاستثمار الأخرى بما في ذلك Delphi وHashkey وSpartan.

تصميم الهيكل والتطبيقات

####层 البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.

أنبوب الذكاء الاصطناعي هو الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، ويتضمن عمليتين أساسيتين:

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، تستخدم لمواءمة النماذج.
• تدريب الولاء (Loyalty Training): ضمان بقاء النموذج متماشيًا مع نوايا المجتمع خلال عملية التدريب.

يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. الهيكل المحدد ينقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل البصمة؛
• طبقة التوزيع: نموذج التحكم في مدخلات استدعاء العقد المصرح به؛
• طبقة الوصول: تحقق من تفويض المستخدم من خلال إثبات الأذونات؛
• طبقة التحفيز: ستقوم عقود توجيه العائد بتوزيع المدفوعات في كل استدعاء على المدربين والمطورين والمتحققين.

إطار نموذج OML

إطار OML (المفتوح Open، القابل للت Monetizable، المخلص Loyal) هو المفهوم الأساسي الذي اقترحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق إيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين، وموزعي النموذج، والمحققين.
• الولاء: النموذج مملوك لمجتمع المساهمين،方向 الترقية والحوكمة تحددها DAO، والاستخدام والتعديل يخضعان لآلية التشفير.

التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل التدفق ذو الأبعاد المنخفضة وخصائص القابلية للتفاضل في النماذج، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:

• إدخال بصمة الإصبع: إدراج مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق من بصمة الأصابع عبر كاشف تابع لطرف ثالث (Prover) بشكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بتفويض النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة بناءً على ذلك.

يمكن تحقيق "استدعاء مصرح به بناءً على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار تنفيذ الأمان وتأكيد حقوق النماذج

Sentient تعتمد حاليًا على Melange混合安全: تأكيد الهوية باستخدام بصمات الأصابع، تنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. الطريقة البصمية هي التنفيذ الرئيسي لـ OML 1.0، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، مع إمكانية الكشف عن المخالفات ومعاقبتها.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث يتم تضمين "سؤال-جواب" محدد للسماح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية ومنع النسخ غير المصرح به والتسويق. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النموذج فقط للطلبات المصرح بها، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويواجه بعض المخاطر الأمنية، إلا أن مزايا أدائه العالي ووقته الحقيقي تجعله التقنية الأساسية لعمليات نشر النموذج الحالية.

في المستقبل، تخطط Sentient لإدخال تقنيات الإثبات الصفري (ZK) والتشفير المتجانس الكامل (FHE) لتعزيز حماية الخصوصية والقابلية للتحقق، وتقديم حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.