تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، تواصل الشركات التقنية الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر نماذج LLM قدرات غير مسبوقة في مختلف المجالات، مما يوسع بشكل كبير من مساحة خيال البشر، بل وتظهر في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في يد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار التنافس معها.
في الوقت نفسه، خلال المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما تكون الاهتمامات بشأن حماية الخصوصية والشفافية والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر بروزًا، بينما تفتقر الشركات العملاقة المركزية، المدفوعة بغرائز الربح، غالبًا إلى الحافز الكافي لمواجهة هذه التحديات بنشاط.
تقدم تقنية البلوكشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض السلاسل الرئيسية. ولكن عند التحليل العميق، يمكن أن نلاحظ أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث لا تزال المراحل الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وسمات الميم تهيمن عليها، مما يجعل من الصعب دعم نظام بيئي مفتوح بالمعنى الحقيقي؛ ومن جهة أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يحتاج إلى تحسين عمق الابتكار واتساعه.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مصمم خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في مجال الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز التنمية المزدهرة للبيئة اللامركزية للذكاء الاصطناعي.
الخصائص الأساسية لـ AI Layer 1
AI Layer 1 كشبكة داخل السلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لإيكولوجيا الذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية الحوافز الفعالة والتوافق اللامركزي يتمثل جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس التركيز التقليدي لعقد blockchain على سجلات الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب نماذج الذكاء الاصطناعي واستنتاجها، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار العملاق المركزي في بنية الذكاء الاصطناعي التحتية. هذا يفرض متطلبات أعلى على آلية التوافق والحوافز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من مساهمة العقد الفعلية في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة مهام الذكاء الاصطناعي، خاصة تدريب واستدلال LLM، تتطلب متطلبات عالية الأداء في الحوسبة وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، التخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في البنية التحتية لتلبية احتياجات الأداء العالي، انخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، ويجب أن تحتوي على دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "بيئة معقدة ومتنوعة".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى الناتج عن النماذج، وتغيير البيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا أن يضمن القابلية للتحقق ومواءمة نتائج AI من الناحية الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE) ، وإثباتات المعرفة الصفرية (ZK) ، والحسابات الآمنة متعددة الأطراف (MPC) ، يمكن للمنصة أن تتيح لكل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات أن تكون قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح المنطق والأسس التي تستند إليها مخرجات AI، مما يحقق "ما تحصل عليه هو ما ترغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تطبيقات الذكاء الاصطناعي غالبًا ما تتعلق ببيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق أثناء استخدام تقنيات معالجة البيانات المشفرة، وبروتوكولات الحوسبة الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع العمليات مثل الاستدلال والتدريب والتخزين، مما يمنع فعّال لتسرب البيانات وإساءة استخدامها، ويزيل قلق المستخدمين بشأن أمان البيانات.
قدرة دعم وتحمّل البيئة القوية كالبنية التحتية Layer 1 الأصلية للذكاء الاصطناعي، يجب أن يكون لدى المنصة ليس فقط ميزة تقنية رائدة، ولكن أيضًا تقديم أدوات تطوير شاملة، وSDK مدمج، ودعم التشغيل والصيانة، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في البيئة. من خلال تحسين استمرارية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق ازدهارًا مستدامًا في بيئة الذكاء الاصطناعي اللامركزية.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتفصيل ستة مشاريع تمثيلية من الطبقة الأولى للذكاء الاصطناعي تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقديم لمحة عن أحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي ولاء
نظرة عامة على المشروع
Sentient هي منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة من blockchain AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية blockchain، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الرئيسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، ولاء)، مما يتيح لنماذج الذكاء الاصطناعي تحقيق هيكل الملكية داخل السلسلة، وشفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، وبالتالي دفع شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوك تشين من جميع أنحاء العالم، وملتزم ببناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين الأستاذ في جامعة برينستون برامود فيسواناث والأستاذ في المعهد الهندي للعلوم هيماشو تياغي، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود المؤسس المشارك لـ Polygon سانديب نايلوال الاستراتيجية البيانية وتخطيط النظام البيئي. يتمتع أعضاء الفريق بخلفيات متنوعة من شركات معروفة مثل ميتا وكوين بيز وPolygon، فضلاً عن الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، ويغطيون مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.
كأحد مؤسسي Polygon، جاء مشروع Sentient الذي أسسه Sandeep Nailwal ليحمل بريقه منذ البداية، حيث يمتلك موارد غنية، وعلاقات واسعة، ووعي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويلية أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عدد من المؤسسات الاستثمارية الأخرى مثل Delphi وHashkey وSpartan وغيرها من شركات رأس المال المخاطر المعروفة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: خط أنابيب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "ذكاء اصطناعي مخلص"، وتشمل عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، تُستخدم لمحاذاة النموذج.
تدريب الولاء (Loyalty Training): ضمان أن يحتفظ النموذج بعملية تدريب تتماشى مع نية المجتمع.
يوفر نظام blockchain الشفافية والتحكم غير المركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، 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 صلاحية المستخدم من خلال إثبات التفويض.
طبقة التحفيز: ستقوم عقدة توجيه الإيرادات بتوزيع المدفوعات في كل استدعاء على المدربين والمطورين والمحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetizable، وفي Loyal) هو المفهوم الأساسي الذي طرحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين التكنولوجيا داخل السلسلة وتقنيات التشفير الأصلية للذكاء الاصطناعي، يتمتع بالميزات التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفرة وهياكل بيانات شفافة، مما يسهل على المجتمع إعادة الإنتاج والتدقيق والتحسين.
monetization: يتم تنشيط تدفق الإيرادات مع كل استدعاء للنموذج، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين، ومنشئي النماذج، والمتحققين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحكم بواسطة DAO، ويخضع الاستخدام والتعديل لآلية التشفير.
تشفير أصلي بالذكاء الاصطناعي هو استخدام استمرارية نموذج الذكاء الاصطناعي، وهيكل المنحنى منخفض الأبعاد، وخصائص النموذج القابل للاشتقاق، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
إدخال بصمة الأصبع: إدراج مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق مما إذا كانت بصمة الأصبع محفوظة من خلال جهاز استشعار تابع لجهة خارجية (Prover) على شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء تفويض قائم على السلوك + تحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تأكيد الملكية وتنفيذ الأمان
Sentient تعتمد حاليًا على Melange混合安全: مع تحديد الهوية بواسطة بصمة الإصبع، وتنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. حيث أن طريقة البصمة هي خط رئيسي يتم تحقيقه عبر OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها بعد ذلك.
آلية بصمة الأصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح إدماج "أسئلة-أجوبة" محددة، مما يجعل النموذج ينتج توقيعًا فريدًا 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 Enclave TEE للحوسبة، مستفيدةً من بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النماذج تستجيب فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة وتوجد بعض المخاطر الأمنية، إلا أن مزاياها في الأداء العالي والقدرة على الاستجابة في الوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، ولتوفير حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 7
أعجبني
7
6
مشاركة
تعليق
0/400
CommunitySlacker
· 07-25 11:33
عبادة العمالقة ليست مثيرة للاهتمام، الابتكار هو ما يستحق العناء.
شاهد النسخة الأصليةرد0
ZeroRushCaptain
· 07-24 20:00
يا إلهي، هل أنتم جادون؟ إن احتكار الأمور بهذه الطريقة يجعلنا مستثمرين التجزئة كحمقى يتم خداعهم لتحقيق الربح.
شاهد النسخة الأصليةرد0
StakeHouseDirector
· 07-24 20:00
ماذا تفعل عمالقة التكنولوجيا في الاحتكار؟
شاهد النسخة الأصليةرد0
SmartContractPlumber
· 07-24 19:59
إن صلاحيات الإدارة للذكاء الاصطناعي المركزي أكثر رعبًا من ثغرات العقود، من يستطيع تدقيقها؟
شاهد النسخة الأصليةرد0
VCsSuckMyLiquidity
· 07-24 19:51
الاحتكار هو الأكثر سمية في طريق الابتكار 🐸
شاهد النسخة الأصليةرد0
PriceOracleFairy
· 07-24 19:49
متى سيكون هناك ذكاء اصطناعي لامركزي حقيقي، fren؟ هذه الأمور ليست سوى تقنية كبيرة في ملابس الويب 3...
تقرير بحث AI Layer1: صراع البنية التحتية للذكاء الاصطناعي اللامركزي
تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، تواصل الشركات التقنية الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر نماذج LLM قدرات غير مسبوقة في مختلف المجالات، مما يوسع بشكل كبير من مساحة خيال البشر، بل وتظهر في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في يد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار التنافس معها.
في الوقت نفسه، خلال المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما تكون الاهتمامات بشأن حماية الخصوصية والشفافية والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر بروزًا، بينما تفتقر الشركات العملاقة المركزية، المدفوعة بغرائز الربح، غالبًا إلى الحافز الكافي لمواجهة هذه التحديات بنشاط.
تقدم تقنية البلوكشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض السلاسل الرئيسية. ولكن عند التحليل العميق، يمكن أن نلاحظ أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث لا تزال المراحل الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وسمات الميم تهيمن عليها، مما يجعل من الصعب دعم نظام بيئي مفتوح بالمعنى الحقيقي؛ ومن جهة أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يحتاج إلى تحسين عمق الابتكار واتساعه.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مصمم خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في مجال الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز التنمية المزدهرة للبيئة اللامركزية للذكاء الاصطناعي.
الخصائص الأساسية لـ AI Layer 1
AI Layer 1 كشبكة داخل السلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لإيكولوجيا الذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية الحوافز الفعالة والتوافق اللامركزي يتمثل جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس التركيز التقليدي لعقد blockchain على سجلات الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب نماذج الذكاء الاصطناعي واستنتاجها، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار العملاق المركزي في بنية الذكاء الاصطناعي التحتية. هذا يفرض متطلبات أعلى على آلية التوافق والحوافز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من مساهمة العقد الفعلية في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة مهام الذكاء الاصطناعي، خاصة تدريب واستدلال LLM، تتطلب متطلبات عالية الأداء في الحوسبة وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، التخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في البنية التحتية لتلبية احتياجات الأداء العالي، انخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، ويجب أن تحتوي على دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "بيئة معقدة ومتنوعة".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى الناتج عن النماذج، وتغيير البيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا أن يضمن القابلية للتحقق ومواءمة نتائج AI من الناحية الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE) ، وإثباتات المعرفة الصفرية (ZK) ، والحسابات الآمنة متعددة الأطراف (MPC) ، يمكن للمنصة أن تتيح لكل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات أن تكون قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح المنطق والأسس التي تستند إليها مخرجات AI، مما يحقق "ما تحصل عليه هو ما ترغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تطبيقات الذكاء الاصطناعي غالبًا ما تتعلق ببيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق أثناء استخدام تقنيات معالجة البيانات المشفرة، وبروتوكولات الحوسبة الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع العمليات مثل الاستدلال والتدريب والتخزين، مما يمنع فعّال لتسرب البيانات وإساءة استخدامها، ويزيل قلق المستخدمين بشأن أمان البيانات.
قدرة دعم وتحمّل البيئة القوية كالبنية التحتية Layer 1 الأصلية للذكاء الاصطناعي، يجب أن يكون لدى المنصة ليس فقط ميزة تقنية رائدة، ولكن أيضًا تقديم أدوات تطوير شاملة، وSDK مدمج، ودعم التشغيل والصيانة، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في البيئة. من خلال تحسين استمرارية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق ازدهارًا مستدامًا في بيئة الذكاء الاصطناعي اللامركزية.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتفصيل ستة مشاريع تمثيلية من الطبقة الأولى للذكاء الاصطناعي تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقديم لمحة عن أحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي ولاء
نظرة عامة على المشروع
Sentient هي منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة من blockchain AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية blockchain، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الرئيسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، ولاء)، مما يتيح لنماذج الذكاء الاصطناعي تحقيق هيكل الملكية داخل السلسلة، وشفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، وبالتالي دفع شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوك تشين من جميع أنحاء العالم، وملتزم ببناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين الأستاذ في جامعة برينستون برامود فيسواناث والأستاذ في المعهد الهندي للعلوم هيماشو تياغي، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود المؤسس المشارك لـ Polygon سانديب نايلوال الاستراتيجية البيانية وتخطيط النظام البيئي. يتمتع أعضاء الفريق بخلفيات متنوعة من شركات معروفة مثل ميتا وكوين بيز وPolygon، فضلاً عن الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، ويغطيون مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.
كأحد مؤسسي Polygon، جاء مشروع Sentient الذي أسسه Sandeep Nailwal ليحمل بريقه منذ البداية، حيث يمتلك موارد غنية، وعلاقات واسعة، ووعي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويلية أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عدد من المؤسسات الاستثمارية الأخرى مثل Delphi وHashkey وSpartan وغيرها من شركات رأس المال المخاطر المعروفة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: خط أنابيب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "ذكاء اصطناعي مخلص"، وتشمل عمليتين رئيسيتين:
يوفر نظام blockchain الشفافية والتحكم غير المركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetizable، وفي Loyal) هو المفهوم الأساسي الذي طرحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين التكنولوجيا داخل السلسلة وتقنيات التشفير الأصلية للذكاء الاصطناعي، يتمتع بالميزات التالية:
تشفير أصلي للذكاء الاصطناعي (AI-native Cryptography)
تشفير أصلي بالذكاء الاصطناعي هو استخدام استمرارية نموذج الذكاء الاصطناعي، وهيكل المنحنى منخفض الأبعاد، وخصائص النموذج القابل للاشتقاق، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
يمكن تحقيق "استدعاء تفويض قائم على السلوك + تحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تأكيد الملكية وتنفيذ الأمان
Sentient تعتمد حاليًا على Melange混合安全: مع تحديد الهوية بواسطة بصمة الإصبع، وتنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. حيث أن طريقة البصمة هي خط رئيسي يتم تحقيقه عبر OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها بعد ذلك.
آلية بصمة الأصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح إدماج "أسئلة-أجوبة" محددة، مما يجعل النموذج ينتج توقيعًا فريدًا 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 Enclave TEE للحوسبة، مستفيدةً من بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النماذج تستجيب فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة وتوجد بعض المخاطر الأمنية، إلا أن مزاياها في الأداء العالي والقدرة على الاستجابة في الوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، ولتوفير حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
![Biteye و PANews يطلقان تقرير بحثي حول AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة](