تقرير بحث طبقة AI: البحث عن أرض الخصوبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع للنماذج اللغوية الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، وحتى في بعض المشاهد، أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال تحت سيطرة عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والتحكم في موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار منافستها.
في الوقت نفسه، خلال المرحلة الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تجلبها التكنولوجيا، بينما يكون التركيز على القضايا الأساسية مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستبرز بشكل متزايد الجدل حول ما إذا كان الذكاء الاصطناعي "يتجه نحو الخير" أم "يتجه نحو الشر"، وغالبًا ما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي للتعامل مع هذه التحديات بشكل نشط.
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 سلاسل الكتل الرئيسية. ومع ذلك، عند تحليلها بعمق، يمكن ملاحظة 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 نظام بيئي مفتوح حقًا؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات النماذج واستخدام البيانات ومجالات التطبيق في الذكاء الاصطناعي داخل السلسلة محدودة، مما يتطلب تعزيز العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، يجب أن تكون سلسلة الكتل قادرة على استيعاب تطبيقات الذكاء الاصطناعي واسعة النطاق بشكل آمن وفعال وديمقراطي، ومواجهة الحلول المركزية من حيث الأداء. 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 يدفع نحو ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الميزات الأساسية للطبقة الأولى من الذكاء الاصطناعي
تعتبر AI Layer 1 كبلوكشين مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث تم تصميم الهيكل الأساسي والأداء لتلبية احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التطور المستدام وازدهار النظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية
الجوهر في AI Layer 1 يكمن في إنشاء شبكة مشتركة مفتوحة للموارد مثل القدرة الحاسوبية والتخزين وغيرها. على عكس عقد السلسلة التقليدية التي تركز بشكل أساسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها ليس فقط توفير القدرة الحاسوبية وإكمال تدريب ونمذجة AI، ولكن أيضًا المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار عمالقة المركزية في بنية AI التحتية. هذا يتطلب متطلبات أعلى بالنسبة للإجماع الأساسي وآلية الحوافز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمة الفعلية للعقد في مهام الاستدلال والتدريب في AI، مما يضمن أمان الشبكة والتوزيع الفعال للموارد. فقط بهذه الطريقة يمكن ضمان استقرار وازدهار الشبكة وتقليل تكلفة القدرة الحاسوبية الإجمالية بفعالية.
أداء عالٍ متميز وقدرة دعم المهام غير المتجانسة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستنتاج نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع المهام المتنوعة والمتغايرة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستنتاج، والتخزين، وغيرها من السيناريوهات المتعددة. يجب على Layer 1 للذكاء الاصطناعي إجراء تحسينات عميقة في بنية الطبقات السفلية لتلبية متطلبات الإنتاجية العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع وضع دعم أصلي لموارد الحوسبة المتغايرة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "النظام البيئي المعقد والمتنوع".
قابلية التحقق وضمان المخرجات الموثوقة
يجب على طبقة الذكاء الاصطناعي 1 عدم منع النماذج من الأذى وعبث البيانات وغيرها من المخاطر الأمنية فحسب، بل يجب أيضاً ضمان قابلية التحقق من نتائج الذكاء الاصطناعي ومحاذاتها من خلال الآلية الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE) وإثباتات المعرفة صفر (ZK) والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج وتدريب ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن العدالة والشفافية لنظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع نتائج الذكاء الاصطناعي، مما يحقق "ما تم الحصول عليه هو ما تم الرغبة فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات
تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، يعد حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن Layer 1 للذكاء الاصطناعي التحقق مع اعتماد تقنيات معالجة البيانات المستندة إلى التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بفعالية، وإزالة القلق الذي يشعر به المستخدمون بشأن أمان البيانات.
قدرة قوية على دعم وتطوير النظام البيئي
كمنصة أساسية من الجيل الأول (Layer 1) تعتمد على الذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بقدرة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة المنصة وتجربة المطورين بشكل مستمر، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لستة مشاريع ممثلة في طبقة AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتنظيم أحدث التقدمات في المسار، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موالي
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة كتلة AI Layer1 ( في المرحلة الأولية Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج تكنولوجيا AI Pipeline وسلسلة الكتل، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو معالجة مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق به) مما يمكن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحقيق الدخل من منتجات الذكاء الاصطناعي، وبالتالي دفع 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 قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. يشمل الأعضاء الرئيسيون الأستاذ في جامعة برينستون Pramod Viswanath والأستاذ في المعهد الهندي للعلوم Himanshu Tyagi، المسؤولين على التوالي عن أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية blockchain وتخطيط النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى مؤسسات تعليمية مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، موحدين جهودهم لدفع المشروع نحو التنفيذ.
كمشروع ريادي ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient منذ بدايتها بهالة مميزة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي بالسوق، مما وفر دعمًا قويًا لتطور المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما شملت المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال المغامر المعروفة مثل Delphi وHashkey وSpartan.
تصميم الهيكل وطبقة التطبيق
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين أساسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النموذج.
تدريب الولاء (Loyalty Training): ضمان أن تظل النماذج متوافقة مع نوايا المجتمع أثناء عملية التدريب.
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العائدات والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين نماذج الوزن ومعلومات تسجيل بصمة الأصابع؛
طبقة التوزيع: نموذج التحكم في عقد التفويض لدخول الاستدعاء؛
طبقة الوصول: التحقق من صلاحيات المستخدم من خلال إثبات التفويض؛
طبقة التحفيز: ستقوم عقود توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين، والمطورين، والمحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetizable، وفي Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي المفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، والكود وبنية البيانات شفافة، مما يسهل على المجتمع إعادة الإنتاج والمراجعة والتحسين.
التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق إيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمتحققين.
الولاء: النموذج يعود إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحوكمة بواسطة DAO، والاستخدام والتعديل يخضعان لآلية التشفير.
التشفير الأصلي الذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل منخفض الأبعاد وخصائص قابلية التفاضل للنماذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:
بصمة الإصبع المدمجة: إدراج مجموعة من أزواج مفاتيح query-response الخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: تحقق من احتفاظ بصمة الإصبع من خلال مستشعر طرف ثالث (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 المدخلات وإرجاع الإجابة الدقيقة.
تتيح هذه الطريقة تنفيذ "استدعاء تفويض قائم على السلوك + التحقق من الملكية" دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد الملكية النموذجية
Sentient تعتمد حاليًا على Melange مزيج الأمن: تأكيد الهوية بواسطة بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. طريقة بصمة الإصبع هي تنفيذ OML 1.0 الرئيسية، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالامتثال، ويمكن الكشف عن المخالفات ومعاقبتها بعد ذلك.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تسمح بإدخال "سؤال-جواب" معينة، مما يجعل النموذج ينتج توقيعات فريدة خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. لا تحمي هذه الآلية فقط حقوق مطوري النموذج، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي 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 يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن ميزاته من حيث الأداء العالي والزمن الحقيقي تجعل منه التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتوفير 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 5
أعجبني
5
3
إعادة النشر
مشاركة
تعليق
0/400
GasWhisperer
· منذ 15 س
يمكنني أن أشم حرب غاز L1 قادمة... النماذج المركزية ستتعرض للركل عندما تضرب deAI
بحث في نظام AI Layer1: استكشاف بنية اللامركزية للذكاء الاصطناعي
تقرير بحث طبقة AI: البحث عن أرض الخصوبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع للنماذج اللغوية الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، وحتى في بعض المشاهد، أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال تحت سيطرة عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والتحكم في موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار منافستها.
في الوقت نفسه، خلال المرحلة الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تجلبها التكنولوجيا، بينما يكون التركيز على القضايا الأساسية مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستبرز بشكل متزايد الجدل حول ما إذا كان الذكاء الاصطناعي "يتجه نحو الخير" أم "يتجه نحو الشر"، وغالبًا ما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي للتعامل مع هذه التحديات بشكل نشط.
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 سلاسل الكتل الرئيسية. ومع ذلك، عند تحليلها بعمق، يمكن ملاحظة 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 نظام بيئي مفتوح حقًا؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات النماذج واستخدام البيانات ومجالات التطبيق في الذكاء الاصطناعي داخل السلسلة محدودة، مما يتطلب تعزيز العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، يجب أن تكون سلسلة الكتل قادرة على استيعاب تطبيقات الذكاء الاصطناعي واسعة النطاق بشكل آمن وفعال وديمقراطي، ومواجهة الحلول المركزية من حيث الأداء. 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 يدفع نحو ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الميزات الأساسية للطبقة الأولى من الذكاء الاصطناعي
تعتبر AI Layer 1 كبلوكشين مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث تم تصميم الهيكل الأساسي والأداء لتلبية احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التطور المستدام وازدهار النظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية الجوهر في AI Layer 1 يكمن في إنشاء شبكة مشتركة مفتوحة للموارد مثل القدرة الحاسوبية والتخزين وغيرها. على عكس عقد السلسلة التقليدية التي تركز بشكل أساسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها ليس فقط توفير القدرة الحاسوبية وإكمال تدريب ونمذجة AI، ولكن أيضًا المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار عمالقة المركزية في بنية AI التحتية. هذا يتطلب متطلبات أعلى بالنسبة للإجماع الأساسي وآلية الحوافز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمة الفعلية للعقد في مهام الاستدلال والتدريب في AI، مما يضمن أمان الشبكة والتوزيع الفعال للموارد. فقط بهذه الطريقة يمكن ضمان استقرار وازدهار الشبكة وتقليل تكلفة القدرة الحاسوبية الإجمالية بفعالية.
أداء عالٍ متميز وقدرة دعم المهام غير المتجانسة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستنتاج نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع المهام المتنوعة والمتغايرة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستنتاج، والتخزين، وغيرها من السيناريوهات المتعددة. يجب على Layer 1 للذكاء الاصطناعي إجراء تحسينات عميقة في بنية الطبقات السفلية لتلبية متطلبات الإنتاجية العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع وضع دعم أصلي لموارد الحوسبة المتغايرة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "النظام البيئي المعقد والمتنوع".
قابلية التحقق وضمان المخرجات الموثوقة يجب على طبقة الذكاء الاصطناعي 1 عدم منع النماذج من الأذى وعبث البيانات وغيرها من المخاطر الأمنية فحسب، بل يجب أيضاً ضمان قابلية التحقق من نتائج الذكاء الاصطناعي ومحاذاتها من خلال الآلية الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE) وإثباتات المعرفة صفر (ZK) والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج وتدريب ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن العدالة والشفافية لنظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع نتائج الذكاء الاصطناعي، مما يحقق "ما تم الحصول عليه هو ما تم الرغبة فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، يعد حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن Layer 1 للذكاء الاصطناعي التحقق مع اعتماد تقنيات معالجة البيانات المستندة إلى التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بفعالية، وإزالة القلق الذي يشعر به المستخدمون بشأن أمان البيانات.
قدرة قوية على دعم وتطوير النظام البيئي كمنصة أساسية من الجيل الأول (Layer 1) تعتمد على الذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بقدرة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة المنصة وتجربة المطورين بشكل مستمر، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لستة مشاريع ممثلة في طبقة AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتنظيم أحدث التقدمات في المسار، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موالي
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة كتلة AI Layer1 ( في المرحلة الأولية Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج تكنولوجيا AI Pipeline وسلسلة الكتل، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو معالجة مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق به) مما يمكن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحقيق الدخل من منتجات الذكاء الاصطناعي، وبالتالي دفع 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 قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. يشمل الأعضاء الرئيسيون الأستاذ في جامعة برينستون Pramod Viswanath والأستاذ في المعهد الهندي للعلوم Himanshu Tyagi، المسؤولين على التوالي عن أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية blockchain وتخطيط النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى مؤسسات تعليمية مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، موحدين جهودهم لدفع المشروع نحو التنفيذ.
كمشروع ريادي ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient منذ بدايتها بهالة مميزة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي بالسوق، مما وفر دعمًا قويًا لتطور المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما شملت المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال المغامر المعروفة مثل Delphi وHashkey وSpartan.
تصميم الهيكل وطبقة التطبيق
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين أساسيتين:
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العائدات والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetizable، وفي Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي المفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:
التشفير الأصلي الذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل منخفض الأبعاد وخصائص قابلية التفاضل للنماذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:
تتيح هذه الطريقة تنفيذ "استدعاء تفويض قائم على السلوك + التحقق من الملكية" دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد الملكية النموذجية
Sentient تعتمد حاليًا على Melange مزيج الأمن: تأكيد الهوية بواسطة بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. طريقة بصمة الإصبع هي تنفيذ OML 1.0 الرئيسية، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالامتثال، ويمكن الكشف عن المخالفات ومعاقبتها بعد ذلك.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تسمح بإدخال "سؤال-جواب" معينة، مما يجعل النموذج ينتج توقيعات فريدة خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. لا تحمي هذه الآلية فقط حقوق مطوري النموذج، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي 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 يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن ميزاته من حيث الأداء العالي والزمن الحقيقي تجعل منه التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتوفير حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
![Biteye و PANews تصدران تقرير بحثي عن AI Layer1: البحث عن أرض خصبة لـ داخل السلسلة DeAI](