بحث عن مسار Layer1 للذكاء الاصطناعي: البحث عن التربة الخصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، كانت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta تدفع التطور السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال تحت سيطرة عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على الموارد الحسابية العالية، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة.
في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي تقدمها التكنولوجيا، بينما يكون الاهتمام بقضايا مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر بروزًا، وغالبًا ما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية blockchain بفضل خصائصها اللامركزية والشفافية والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرئيسية. ولكن عند التحليل العميق، يمكن اكتشاف أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، فإن درجة اللامركزية محدودة، وترتبط الأجزاء الأساسية والبنية التحتية بخدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تعزيز عمق وعموم الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل سلسلة الكتل قادرة على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بطريقة آمنة وفعالة وديمقراطية، ولتكون قادرة على المنافسة من حيث الأداء مع الحلول المركزية، نحتاج إلى تصميم سلسلة كتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لطبقة الذكاء الاصطناعي 1
تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث يتم تصميم البنية التحتية والأداء في الأساس حول متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للاقتصاد البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. وبشكل أكثر تحديدًا، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية تحفيز فعالة وآلية إجماع لامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد في blockchain التقليدية التي تركز أساسًا على سجلات الحسابات، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب النموذج الذكي واستنتاجه، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الشركات الكبرى في البنية التحتية للذكاء الاصطناعي. هذا يضع متطلبات أعلى على آلية الإجماع والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج LLM، أداء حسابي وقدرة معالجة متوازية عالية جداً. علاوة على ذلك، غالباً ما يحتاج نظام الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل نماذج مختلفة، معالجة البيانات، الاستدلال، التخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي Layer 1 بشكل عميق في البنية التحتية الأساسية لتلبية متطلبات الأداء العالي، وانخفاض التأخير، والمرونة في المعالجة المتوازية، مع توفير دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "بيئة معقدة ومتنوعة".
القابلية للتحقق وضمان الخرج الموثوق يجب على AI Layer 1 ألا يمنع فقط الأذى من النماذج، وتلاعب البيانات، وما إلى ذلك من المخاطر الأمنية، بل يجب أيضًا ضمان القابلية للتحقق من نتائج AI ومواءمتها من خلال الآليات الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، والإثباتات صفرية المعرفة (ZK)، والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تتيح لكل عملية استدلال نموذج، وتدريب، ومعالجة بيانات أن يتم التحقق منها بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح منطق ومرجع مخرجات AI، وتحقيق "ما يحصل هو ما يريد"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات
تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 قابلية التحقق أثناء استخدام تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع فعليًا تسرب البيانات وسوء استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتطوير النظام البيئي كمنصة Layer 1 الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتقديم أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، سيتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يؤدي إلى الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثيلية من Layer1 للذكاء الاصطناعي تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم شامل لأحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، ومناقشة الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي مخلص
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النماذج، تتبع الاستدعاء، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق)، مما يمكن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، ووضوح الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك، وتحقيق دخل من منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويعمل على 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، المسؤولين عن أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية الخاصة بـ blockchain وتخطيط النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، ويغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، مما يعزز جهود دفع المشروع نحو التنفيذ.
كمشروع مؤسس مشارك في Polygon ، كان لدى Sentient هالة منذ البداية ، حيث تمتلك موارد غنية ، وشبكات ، ووعي بالسوق ، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024 ، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار ، بقيادة Founders Fund و Pantera و Framework Ventures ، بالإضافة إلى عشرات من شركات الاستثمار المعروفة الأخرى مثل Delphi و Hashkey و Spartan.
تصميم الهيكل والطبقة التطبيقية
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 "قطع الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، تستخدم لمواءمة النماذج.
تدريب الولاء (Loyalty Training): التأكد من أن النموذج يحافظ على عملية تدريب تتماشى مع نوايا المجتمع.
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية المواد الذكية، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل البصمات;
طبقة التوزيع: عقد التفويض يتحكم في نقطة دخول استدعاء النموذج;
طبقة الوصول: التحقق من تفويض المستخدم من خلال إثبات الأذونات;
طبقة التحفيز: سيتولى عقد توجيه العائدات توزيع المدفوعات في كل استدعاء على المدربين والموزعين والمحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetizable، ولاء Loyal) هو الفكرة الأساسية التي طرحتها Sentient، وتهدف إلى توفير حماية واضحة للملكية وآلية حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة وعلوم التشفير الأصلية للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة الإنتاج والتدقيق والتحسين.
تحقيق الإيرادات: كل استدعاء للنموذج سيؤدي إلى تدفق إيرادات، وستقوم العقود داخل السلسلة بتوزيع العائدات على المدربين والمطورين والمحققين.
الولاء: النموذج ينتمي إلى مجتمع المساهمين، اتجاه الترقية والحكومة يقرره DAO، والاستخدام والتعديل يخضعان لآلية التشفير.
التشفير الأصلي المعتمد على الذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل الفضاء ذي الأبعاد المنخفضة وخصائص القابلية للاشتقاق في النماذج، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية هي:
إدراج بصمة: أثناء التدريب، يتم إدخال مجموعة من أزواج المفاتيح والقيم الخفية من الاستعلامات والاستجابات لتشكيل توقيع فريد للنموذج؛
بروتوكول تحقق الملكية: يتحقق من بصمة الأصبع ما إذا كانت محفوظة من خلال كاشف طرف ثالث (Prover) على شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، ثم تقوم النظام بالتصريح للنموذج بفك تشفير المدخلات المعنية وإرجاع الإجابة الدقيقة.
تتيح هذه الطريقة تنفيذ "استدعاء تفويض قائم على السلوك + تحقق من الانتماء" دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
Sentient تعتمد حالياً على Melange مزيج الأمان: تأكيد الهوية بواسطة بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. طريقة بصمة الإصبع تعتمد على OML 1.0 كخط رئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، والكشف عن المخالفات ومعاقبتها بعد ذلك.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تُدرج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بتوليد توقيع فريد في 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 سجلاً يمكن تتبعه داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، 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 تعتمد على الأجهزة ولديها بعض المخاطر الأمنية، إلا أن مزاياها في الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية الحالية لنشر النماذج.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات عدم المعرفة (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر مزيدًا من الإمكانيات لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
أبحاث مجال Layer1 للذكاء الاصطناعي: تحليل الأسس التقنية للذكاء الاصطناعي اللامركزي
بحث عن مسار Layer1 للذكاء الاصطناعي: البحث عن التربة الخصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، كانت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta تدفع التطور السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال تحت سيطرة عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على الموارد الحسابية العالية، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة.
في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي تقدمها التكنولوجيا، بينما يكون الاهتمام بقضايا مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر بروزًا، وغالبًا ما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية blockchain بفضل خصائصها اللامركزية والشفافية والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرئيسية. ولكن عند التحليل العميق، يمكن اكتشاف أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، فإن درجة اللامركزية محدودة، وترتبط الأجزاء الأساسية والبنية التحتية بخدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تعزيز عمق وعموم الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل سلسلة الكتل قادرة على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بطريقة آمنة وفعالة وديمقراطية، ولتكون قادرة على المنافسة من حيث الأداء مع الحلول المركزية، نحتاج إلى تصميم سلسلة كتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لطبقة الذكاء الاصطناعي 1
تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث يتم تصميم البنية التحتية والأداء في الأساس حول متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للاقتصاد البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. وبشكل أكثر تحديدًا، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية تحفيز فعالة وآلية إجماع لامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد في blockchain التقليدية التي تركز أساسًا على سجلات الحسابات، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب النموذج الذكي واستنتاجه، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الشركات الكبرى في البنية التحتية للذكاء الاصطناعي. هذا يضع متطلبات أعلى على آلية الإجماع والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج LLM، أداء حسابي وقدرة معالجة متوازية عالية جداً. علاوة على ذلك، غالباً ما يحتاج نظام الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل نماذج مختلفة، معالجة البيانات، الاستدلال، التخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي Layer 1 بشكل عميق في البنية التحتية الأساسية لتلبية متطلبات الأداء العالي، وانخفاض التأخير، والمرونة في المعالجة المتوازية، مع توفير دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "بيئة معقدة ومتنوعة".
القابلية للتحقق وضمان الخرج الموثوق يجب على AI Layer 1 ألا يمنع فقط الأذى من النماذج، وتلاعب البيانات، وما إلى ذلك من المخاطر الأمنية، بل يجب أيضًا ضمان القابلية للتحقق من نتائج AI ومواءمتها من خلال الآليات الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، والإثباتات صفرية المعرفة (ZK)، والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تتيح لكل عملية استدلال نموذج، وتدريب، ومعالجة بيانات أن يتم التحقق منها بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح منطق ومرجع مخرجات AI، وتحقيق "ما يحصل هو ما يريد"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 قابلية التحقق أثناء استخدام تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع فعليًا تسرب البيانات وسوء استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتطوير النظام البيئي كمنصة Layer 1 الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتقديم أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، سيتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يؤدي إلى الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثيلية من Layer1 للذكاء الاصطناعي تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم شامل لأحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، ومناقشة الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي مخلص
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النماذج، تتبع الاستدعاء، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق)، مما يمكن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، ووضوح الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك، وتحقيق دخل من منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويعمل على 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، المسؤولين عن أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية الخاصة بـ blockchain وتخطيط النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، ويغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، مما يعزز جهود دفع المشروع نحو التنفيذ.
كمشروع مؤسس مشارك في Polygon ، كان لدى Sentient هالة منذ البداية ، حيث تمتلك موارد غنية ، وشبكات ، ووعي بالسوق ، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024 ، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار ، بقيادة Founders Fund و Pantera و Framework Ventures ، بالإضافة إلى عشرات من شركات الاستثمار المعروفة الأخرى مثل Delphi و Hashkey و Spartan.
تصميم الهيكل والطبقة التطبيقية
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 "قطع الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية المواد الذكية، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetizable، ولاء Loyal) هو الفكرة الأساسية التي طرحتها Sentient، وتهدف إلى توفير حماية واضحة للملكية وآلية حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة وعلوم التشفير الأصلية للذكاء الاصطناعي، يتمتع بالخصائص التالية:
التشفير الأصلي المعتمد على الذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل الفضاء ذي الأبعاد المنخفضة وخصائص القابلية للاشتقاق في النماذج، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية هي:
تتيح هذه الطريقة تنفيذ "استدعاء تفويض قائم على السلوك + تحقق من الانتماء" دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
Sentient تعتمد حالياً على Melange مزيج الأمان: تأكيد الهوية بواسطة بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. طريقة بصمة الإصبع تعتمد على OML 1.0 كخط رئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، والكشف عن المخالفات ومعاقبتها بعد ذلك.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تُدرج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بتوليد توقيع فريد في 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 سجلاً يمكن تتبعه داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، 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 تعتمد على الأجهزة ولديها بعض المخاطر الأمنية، إلا أن مزاياها في الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية الحالية لنشر النماذج.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات عدم المعرفة (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر مزيدًا من الإمكانيات لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.