تقرير بحثي حول AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، دفعت الشركات التقنية الرائدة مثل OpenAI وAnthropic وGoogle وMeta التطور السريع للنماذج اللغوية الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في جميع الصناعات، مما وسع بشكل كبير من خيال البشر، وحتى في بعض السيناريوهات، أظهرت إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات جدرانًا يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار التنافس معها.

في الوقت نفسه، في المراحل الأولى من تطور الذكاء الاصطناعي السريع، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تقدمها التكنولوجيا، بينما يكون الاهتمام بالمشكلات الأساسية مثل حماية الخصوصية، والشفافية، والأمان غير كافٍ نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم تتم معالجتها بشكل مناسب، ستزداد الجدل حول ما إذا كان الذكاء الاصطناعي "يعمل لصالح الخير" أو "يعمل لصالح الشر"، بينما تفتقر الهيمنة المركزية في إطار القيادة إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.

تقدم تقنية البلوكتشين بفضل خصائصها اللا مركزية والشفافة والمقاومة للرقابة إمكانية جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل البلوكتشين الرئيسية. ولكن من خلال التحليل المتعمق، يمكن أن نلاحظ أن هذه المشاريع لا تزال تعاني من العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بمعنى حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين عمق الابتكار ونطاقه.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوك تشين قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوك تشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيقدم هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحوكمة، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.

الخصائص الأساسية لـ AI Layer 1

تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث أن البنية التحتية الأساسية وتصميم الأداء متكاملان حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية حوافز فعالة و توافق لامركزي الجوهر في AI Layer 1 هو بناء شبكة مشتركة مفتوحة للموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في blockchain التي تركز بشكل رئيسي على تسجيل دفتر الحسابات، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها تقديم القدرة الحاسوبية، وإكمال تدريب ونمذجة AI، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار القوى المركزية في بنية AI التحتية. 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 الاستدلال والتدريب الخاصة بـ AI، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية بشكل فعال.

2. أداء عالي ممتاز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة (LLM)، أداءً عاليًا في الحوسبة وقدرة على المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي (AI Layer 1) بعمق في البنية الأساسية لتلبية متطلبات الأداء العالي، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع إعداد دعم أصلي 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 لا يهدف Layer 1 للذكاء الاصطناعي فقط إلى منع الأضرار الناتجة عن النماذج وتلاعب البيانات وغيرها من المخاطر الأمنية، بل يجب أن يضمن أيضًا من خلال الآليات الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج البيئات التنفيذية الموثوقة (TEE) وإثباتات المعرفة الصفرية (ZK) والحساب الآمن المتعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج أو تدريب أو معالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق واستناد نتائج الذكاء الاصطناعي، لتحقيق "ما تحصل عليه هو ما ترغب فيه"، وزيادة ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، حيث تكون حماية خصوصية البيانات أمرًا حيويًا في مجالات مثل المالية والرعاية الصحية ووسائل التواصل الاجتماعي. يجب أن تعتمد طبقة الذكاء الاصطناعي 1 على تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحساب السري، وإدارة صلاحيات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات في جميع مراحل الاستنتاج والتدريب والتخزين، ومنع تسرب البيانات وإساءة استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. القدرة القوية على دعم وتطوير النظام البيئي كنظام أساسي من الجيل الأول الأصلي للذكاء الاصطناعي، يجب على المنصة أن تتمتع بتميز تقني، بالإضافة إلى تقديم أدوات تطوير شاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات التحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي المتنوعة والغنية، وتحقيق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لستة مشاريع تمثيلية من AI Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، حيث سيتم تنظيم أحدث التطورات في هذا المجال، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.

Sentient: بناء نموذج الذكاء الاصطناعي اللامركزي مفتوح المصدر المخلص

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 البلوكشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الأساسي هو حل مشكلات ملكية النموذج، وتتبع الاستدعاءات، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للتربح، مخلص)، مما يجعل نماذج الذكاء الاصطناعي تحقق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، والتعاون، والامتلاك، وتحقيق الدخل 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، ويكرسون جهودهم لبناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة Princeton والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، حيث يتولى كل منهما مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية البيئية وblockchain. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة Princeton ومعهد الهند للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، حيث يعملون معًا لدفع المشروع نحو التنفيذ.

كمشروع ثانوي لمؤسس مشارك في بوليغون Sandeep Nailwal، بدأت Sentient بميزة مميزة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما تشمل المؤسسات الاستثمارية الأخرى Delphi وHashkey وSpartan وغيرها من عشرات شركات رأس المال المغامر المعروفة.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: نظام أنابيب AI (AI Pipeline) وداخل السلسلة.

تعتبر أنابيب الذكاء الاصطناعي أساس تطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:​

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النماذج.
• تدريب الولاء (Loyalty Training): ضمان استمرار النموذج في عملية التدريب المتوافقة مع نوايا المجتمع.

يوفر نظام داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج التحكم في عقد التفويض الذي يتحكم في نقطة دخول الاستدعاء.
• طبقة الوصول: يتم التحقق من صحة إذن المستخدم من خلال إثبات الأذونات.
• طبقة التحفيز: ستقوم عقدة توجيه الأرباح بتوزيع المدفوعات في كل مرة يتم فيها الاستدعاء على المتدربين والموزعين والمتحققين.

إطار نموذج OML

إطار OML (مفتوح Open، قابل للت monetization Monetizable، مخلص Loyal) هو المفهوم الأساسي الذي اقترحته Sentient، ويهدف إلى توفير حماية ملكية واضحة وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن يكون الشيفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• تحويل الأموال: كل استدعاء للنموذج سيؤدي إلى تدفق إيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحكم، ويتم التحكم في الاستخدام والتعديل بواسطة آلية التشفير.

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

التمويه الأصلي للذكاء الاصطناعي هو استخدام الاستمرارية لنماذج الذكاء الاصطناعي، وهيكل المنحنى منخفض الأبعاد، وخصائص القابلية للاشتقاق للنموذج، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية لها هي:

• إدخال بصمة الإصبع: إدراج مجموعة من أزواج المفاتيح القابلة للاستعلام - الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول تحقق الملكية: تحقق من بصمات الأصابع من خلال كاشف طرف ثالث (Prover) على شكل استفسار (query).
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، ومن ثم يقوم النظام بمنح الإذن للنموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار حقوق التأليف والنشر وتنفيذ الأمان

Sentient تعتمد حاليا على أمان Melange المختلط: تأكيد الهوية عبر بصمات الأصابع، تنفيذ TEE، وتوزيع الأرباح عبر العقود داخل السلسلة. الطريقة المعتمدة لبصمات الأصابع هي OML 1.0 التي تمثل الخط الرئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالتوافق، مع إمكانية الكشف والعقاب في حالة الانتهاك.

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

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، والذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النماذج تستجيب فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE تعتمد على الأجهزة ولديها بعض المخاطر الأمنية، إلا أن ميزاتها العالية في الأداء والوقت الفعلي تجعلها التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال تقنيات الإثباتات صفرية المعرفة (ZK) والتشفير الكامل المتماثل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر نشرًا لامركزيًا لنماذج الذكاء الاصطناعي.