تقرير بحثي عن Layer1 AI: البحث عن التربة الخصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، دفعت شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta تطور نماذج اللغة الكبيرة (LLM) بسرعة. أظهرت LLM قدرات غير مسبوقة في مجموعة متنوعة من الصناعات، مما وسع بشكل كبير من خيال البشرية، وأظهرت في بعض السيناريوهات حتى إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنية محكم بيد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار التنافس معها.

في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تقدمها التكنولوجيا، مع قلة الاهتمام بالقضايا الأساسية مثل حماية الخصوصية والشفافية والأمان. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول "خير" أو "شر" الذكاء الاصطناعي أكثر وضوحًا. تحت ضغط دافع الربح، غالبًا ما تفتقر الشركات المركزية الكبرى إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.

تقدم تقنية سلسلة الكتل، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "الذكاء الاصطناعي Web3" على سلاسل الكتل الرئيسية مثل Solana وBase. لكن عند تحليلها بعمق، يتضح أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، فإن درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وتكون الخصائص الطريفة مفرطة، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعنى حقيقي؛ من ناحية أخرى، بالمقارنة مع منتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين عمق وامتداد الابتكار.

لتحقيق رؤية الذكاء الاصطناعي غير المركزي حقًا، وجعل السلسلة قادرة على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح للذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي غير المركزي.

الخصائص الأساسية لـ AI Layer 1

تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث أن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على احتياجات المهام المتعلقة بالذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار لنظام الذكاء الاصطناعي داخل السلسلة بشكل فعال. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية التحفيز الفعالة والاتفاق اللامركزي تتمثل جوهر Layer 1 AI في بناء شبكة مفتوحة لمشاركة موارد مثل الطاقة الحاسوبية والتخزين. على عكس تركيز العقد التقليدية في blockchain على تسجيل الدفاتر، تحتاج عقد Layer 1 AI إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها تقديم الطاقة الحاسوبية، وإكمال تدريب نماذج AI واستنتاجها، بالإضافة إلى المساهمة في تخزين البيانات وعرض النطاق الترددي والموارد المتنوعة الأخرى، مما يكسر احتكار العملاق المركزي في البنية التحتية لـ AI. وهذا يفرض متطلبات أعلى على آليات التوافق والتحفيز الأساسية: يجب أن تكون Layer 1 AI قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استنتاج وتدريب AI، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للطاقة الحاسوبية بشكل فعال.

2. أداء عالي متميز وقدرة على دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداءً حاسوبيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق على مستوى البنية التحتية الأساسية لتلبية متطلبات الإنتاجية العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، ويجب أن يتضمن دعمًا أصليًا لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "النظام البيئي المعقد والمتنوع".

3. قابلية التحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يكتفي بمنع نماذج الشر وعبث البيانات وغيرها من المخاطر الأمنية، بل يجب أن يضمن من خلال الآليات الأساسية إمكانية التحقق من نتائج AI وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE) وإثباتات المعرفة الصفرية (ZK) والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استدلال للنموذج، أو تدريب، أو معالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في نفس الوقت، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات AI، لتحقيق "ما يتم الحصول عليه هو ما يتم الرغبة فيه"، وزيادة ثقة المستخدم ورضاه عن منتجات AI.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية ووسائل التواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق مع اعتماد تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية وإدارة صلاحيات 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 وتطوير النظام البيئي كنظام أساسي من الطبقة الأولى الأصلي للذكاء الاصطناعي، يجب أن يتمتع النظام بالريادة التقنية، بالإضافة إلى توفير أدوات تطوير شاملة، وSDK متكامل، ودعم العمليات، وآليات تحفيز لمطوري البرامج، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة النظام وتجربة المطورين، يمكن تعزيز تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه الوثيقة بالتفصيل ستة مشاريع تمثيلية من طبقة الذكاء الاصطناعي Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، وستقوم بتنظيم أحدث التطورات في هذا المجال، وتحليل حالة تطور المشاريع، ومناقشة الاتجاهات المستقبلية.

Sentient: بناء نموذج AI مفتوح المصدر لامركزي موثوق

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوح المصدر، يعمل على إنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم سيتم الانتقال إلى Layer 1)، من خلال دمج AI Pipeline وتقنية سلسلة الكتل، لبناء اقتصاد ذكاء صناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق به) ، مما يتيح هيكل ملكية على السلسلة للنماذج AI، وشفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات الذكاء الصناعي إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الصناعي.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم، مع الالتزام ببناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيون البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من معهد الهند للعلوم، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية على التوالي، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية السلسلية وتخطيط النظام البيئي. يغطي خلفاء أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مع التركيز على مجالات AI/ML وNLP والرؤية الحاسوبية، لدفع المشروع نحو التنفيذ.

كمشروع ريادي ثانٍ لمؤسس Polygon Sandeep Nailwal، جاء Sentient منذ بدايته محملاً بهالة، حيث يمتلك موارد غنية، وشبكة علاقات، ووعي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكمل Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عدد من شركات الاستثمار المعروفة مثل Delphi وHashkey وSpartan.

تصميم الهيكل وطبقة التطبيق

طبقة البنية التحتية

الهيكل الأساسي

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

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "أعمال الذكاء الاصطناعي المخلص"، وتتضمن عمليتين أساسيتين:

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، تستخدم لمحاذاة النماذج.
• تدريب الولاء (Loyalty Training): ضمان أن يحتفظ النموذج بعملية تدريب تتماشى مع نوايا المجتمع.

يوفر نظام سلسلة الكتل الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية واستخدام وتتبع الأعمال الفنية للذكاء الاصطناعي، وتوزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع;
• طبقة التوزيع: نموذج التحكم في مدخل استدعاء العقد المصرح به;
• طبقة الوصول: التحقق من إذن المستخدم ما إذا كان مفوضًا من خلال إثبات الأذونات;
• طبقة التحفيز: ستوزع عقد توجيه العائدات المدفوعات في كل استدعاء على المدربين، والمطورين، والمتحققين.

إطار نموذج OML

إطار OML (الفتح Open، القابل للتسييل Monetizable، الولاء Loyal) هو مفهوم أساسي اقترحته Sentient، يهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادي لنماذج الذكاء الاصطناعي المفتوحة. من خلال دمج تقنيات داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالشخصيات التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفرة وهياكل بيانات شفافة، مما يسهل على المجتمع إعادة الإنتاج والتدقيق والتحسين.
• التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق عائدات، وسيقوم العقد داخل السلسلة بتوزيع العائدات على المدربين والموزعين والمحققين.
• الولاء: تنتمي النماذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحوكمة بواسطة DAO، ويخضع الاستخدام والتعديل لآلية التشفير.

التشفير الأصلي المعتمد على الذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل الشكل المنخفض الأبعاد، وخصائص التفاضل للنموذج، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:

• إدخال بصمة: إدخال مجموعة من أزواج المفاتيح القابلة للاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج;
• بروتوكول التحقق من الملكية: تحقق من بصمة الإصبع إذا كانت محفوظة من خلال جهاز استشعار تابع لجهة خارجية (Prover) على شكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، وبعد ذلك يمنح النظام الإذن للنموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء تفويض قائم على السلوك + التحقق من الملكية" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار تأكيد ملكية النموذج والتنفيذ الآمن

Sentient الحالية تستخدم Melange混合安全: من خلال حق التأكيد بالبصمة، التنفيذ في TEE، وتقسيم الأرباح عبر العقود داخل السلسلة. حيث أن طريقة البصمة هي OML 1.0 التي تحقق الخط الرئيسي، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض في الامتثال، والكشف عن المخالفات ومعاقبتها.

آلية بصمة الأصابع هي التنفيذ الرئيسي لـ OML، حيث تقوم بإدماج "أسئلة-إجابات" معينة، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ والتسويق غير المصرح به. 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 حساب Enclave TEE، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النموذج فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن مزاياه من حيث الأداء العالي والقدرة على العمل في الوقت الحقيقي تجعله التقنية الأساسية الحالية لنشر النماذج.

في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير الشامل المتجانس (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتقديم حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.

طبقة التطبيق

في الوقت الحالي، تشمل منتجات Sentient بشكل رئيسي منصة الدردشة اللامركزية Sentient Chat، وسلسلة النماذج مفتوحة المصدر Dobby، وإطار عمل AI Agent.

نموذج سلسلة Dobby

أصدرت SentientAGI عدة نماذج من سلسلة "Dobby"، والتي تعتمد بشكل أساسي على نموذج Llama، وتركز على القيم المتعلقة بالحرية واللامركزية ودعم العملات المشفرة. من بين هذه النماذج، فإن النسخة المقيدة تتميز بأسلوب أكثر تقييدًا وعقلانية.