تقرير بحثي عن Layer1 للذكاء الاصطناعي: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
الخلفية
في السنوات الأخيرة، واصلت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في جميع القطاعات، مما وسع بشكل كبير مساحة خيال البشرية، وحتى في بعض السيناريوهات أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال محصورًا في أيدي عدد قليل من عمالقة التكنولوجيا. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار المنافسة.
في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التقنية، بينما تكون الاهتمامات المتعلقة بحماية 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، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر وضوحًا، في حين أن الشركات المركزية الكبيرة، المدفوعة بغريزة الربح، غالبًا ما تفتقر إلى الدافع الكافي للتعامل مع هذه التحديات بشكل استباقي.
تقدم تقنية blockchain بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرئيسية مثل Solana وBase. ومع ذلك، يمكن أن يظهر تحليل أعمق أن هذه المشاريع لا تزال تواجه العديد من المشاكل: من ناحية، درجة اللامركزية محدودة، حيث لا تزال الخطوات الحرجة والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية مهيمنة بشكل مفرط، مما يجعل من الصعب دعم بيئة مفتوحة بمعناها الحقيقي؛ من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات الذكاء الاصطناعي داخل السلسلة محدودة في مجالات مثل قدرات النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ولتنافس في الأداء مع الحلول المركزية، نحتاج إلى تصميم blockchain من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز التنمية المزدهرة للنظام البيئي للذكاء الاصطناعي اللامركزي.
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 حول احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للإيكولوجيا الذكاء الاصطناعي داخل السلسلة بشكل فعال. بشكل محدد، ينبغي أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة والتوافق اللامركزي جوهر AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد في سلاسل الكتل التقليدية التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، فهي لا تحتاج فقط إلى توفير القدرة الحاسوبية وإكمال تدريب ونمذجة الذكاء الاصطناعي، ولكن يجب أيضًا أن تسهم في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، وذلك لكسر احتكار الشركات الكبيرة في بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى من حيث التوافق الأساسي وآلية التحفيز: يجب أن يكون AI Layer 1 قادرًا على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقدرة الحاسوبية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة المدعومة بالذكاء الاصطناعي تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب ونمذجة LLM، متطلبات عالية في الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من سيناريوهات متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق في بنية الأساس لتلبية الطلبات المتعلقة بالمرور العالي، ووقت الاستجابة المنخفض، والمعالجة المتوازية المرنة، ويجب أن يُعد لدعم الموارد الحاسوبية المتنوعة بشكل أصلي، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "نظام بيئي معقد ومتعدد".
القابلية للتحقق وضمان موثوقية المخرجات يجب على AI Layer 1 أن تمنع الشائبة، والتلاعب بالبيانات وغيرها من المخاطر الأمنية، بل يجب أيضاً أن تضمن القابلية للتحقق من نتائج مخرجات AI ومواءمتها من خلال الآليات الأساسية. 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 استنتاج للنموذج، وتدريب، ومعالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن نزاهة وشفافية نظام AI. وفي الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم المنطق والأسس التي تعتمد عليها مخرجات AI، لتحقيق "ما تم الحصول عليه هو ما تم تمنيته"، مما يعزز ثقة المستخدمين في منتجات AI ورضاهم.
حماية خصوصية البيانات
تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدم، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب على AI Layer 1، مع ضمان القابلية للتحقق، أن تعتمد تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وإساءة استخدامها بشكل فعال، مما يزيل مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتطوير البيئة الحاضنة باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتميز تقني، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDKs مدمجة، ودعم التشغيل والصيانة، وآليات تحفيزية للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في البيئة. من خلال تحسين مستمر لسهولة استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق ازدهار مستمر في البيئة اللامركزية للذكاء الاصطناعي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتفصيل ستة مشاريع تمثيلية لـ AI Layer1 تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقديم لمحة شاملة عن أحدث التطورات في هذا المجال، وتحليل الوضع الحالي لمشاريعها، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج ذكاء اصطناعي لامركزي ومفتوح المصدر موثوق به
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو حل مشكلات ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للتربح، ولاء) ، مما يمكن نماذج AI من تحقيق هيكل الملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحقيق الربح من منتجات الذكاء الاصطناعي، وبالتالي دفع شبكة بيئية عادلة ومفتوحة من وكلاء الذكاء الاصطناعي.
يجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم ، ويدعم بناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم ، المسؤولين عن أمان AI وحماية الخصوصية على التوالي ، بينما يقود Sandeep Nailwal المؤسس المشارك لشركة Polygon الاستراتيجية البيئية للسلسلة. يتمتع أعضاء الفريق بخلفيات متعددة تشمل شركات معروفة مثل Meta و Coinbase و Polygon ، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا ، مما يغطي مجالات AI/ML و NLP ورؤية الكمبيوتر ، مما يعزز تنفيذ المشروع.
كأحد مؤسسي Polygon ، كان مشروع Sentient الذي أطلقه Sandeep Nailwal يحمل هالة منذ بدايته، حيث يمتلك موارد غنية، وشبكات، ووعي سوقي، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund و Pantera و Framework Ventures، بينما شملت مجموعة من شركات الاستثمار الأخرى مثل Delphi و Hashkey و Spartan وغيرها من شركات رأس المال المخاطر الشهيرة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: خط أنابيب الذكاء الاصطناعي (AI Pipeline) وداخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النموذج.
تدريب الولاء (Loyalty Training): تأكد من أن النموذج يحافظ على عملية تدريب متوافقة مع نوايا المجتمع.
يوفر نظام السلسلة شفافية وتحكم لامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع الأرباح والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: نموذج التحكم في مدخلات استدعاء العقد المصرح بها؛
طبقة الوصول: التحقق من صلاحيات المستخدم من خلال إثبات الأذونات.
طبقة التحفيز: ستقوم عقود توجيه العائدات بتوزيع المدفوعات في كل مرة تُستدعى فيها على المدربين والمطورين والمتحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal) هو الفكرة الأساسية التي قدمتها Sentient، ويهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تكنولوجيا داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وهياكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجها وتدقيقها وتحسينها.
monetization: كل مرة يتم فيها استدعاء النموذج، يتم تنشيط تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المتدربين والموزعين والمتحققين.
الولاء: تنتمي النماذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحوكمة بواسطة DAO، ويخضع الاستخدام والتعديل لآلية التشفير.
التشفير المعتمد على الذكاء الاصطناعي (AI-native Cryptography)
تشفير أصلي يعتمد على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المانيفولد ذو الأبعاد المنخفضة والخصائص القابلة للتفاضل في النموذج، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
بصمة مدمجة: أثناء التدريب، يتم إدخال مجموعة من أزواج مفاتيح القيم المخفية query-response لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من وجود بصمة من خلال جهاز استشعار تابع لجهة خارجية (Prover) على شكل استعلام.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بترخيص النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء مصرح به بناءً على السلوك + تحقق من الملكية" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تحديد الملكية ونفاذ الأمان
Sentient تعتمد حاليا على Melange混合安全: الجمع بين تأكيد الهوية عبر بصمات الأصابع، تنفيذ TEE، وتقسيم الأرباح عبر العقود داخل السلسلة. وتعتبر طريقة البصمات هي OML 1.0 التي تمثل الخط الرئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، مع إمكانية الكشف والعقاب في حالة المخالفة.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث يتم من خلال تضمين "أسئلة-أجوبة" محددة، مما يسمح للنموذج بإنتاج 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 سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، والذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط لطلبات التفويض، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، فإن مزاياه العالية في الأداء 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، مما يوفر حلولاً أكثر نضجاً 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 6
أعجبني
6
4
إعادة النشر
مشاركة
تعليق
0/400
Rugman_Walking
· منذ 5 س
تقوم الشركات التقليدية الكبرى بالاستمتاع بلعب الذكاء الاصطناعي.
شاهد النسخة الأصليةرد0
NFTHoarder
· منذ 16 س
عدد من الشركات الكبرى تلعب الاحتكار أم أن web3 هو الأفضل
شاهد النسخة الأصليةرد0
MiningDisasterSurvivor
· منذ 16 س
ههه، حتى في عصر الذكاء الاصطناعي الكبير، يبدو أن بونزي يحتاج إلى ارتداء سترة جديدة، أليس كذلك؟ لقد تم تمثيل هذه المسرحية في عام 2018!
تقرير بحث حول Layer1 AI: ستة مشاريع لبناء نظام بيئي AI اللامركزي
تقرير بحثي عن Layer1 للذكاء الاصطناعي: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
الخلفية
في السنوات الأخيرة، واصلت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في جميع القطاعات، مما وسع بشكل كبير مساحة خيال البشرية، وحتى في بعض السيناريوهات أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال محصورًا في أيدي عدد قليل من عمالقة التكنولوجيا. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار المنافسة.
في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التقنية، بينما تكون الاهتمامات المتعلقة بحماية 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، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر وضوحًا، في حين أن الشركات المركزية الكبيرة، المدفوعة بغريزة الربح، غالبًا ما تفتقر إلى الدافع الكافي للتعامل مع هذه التحديات بشكل استباقي.
تقدم تقنية blockchain بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرئيسية مثل Solana وBase. ومع ذلك، يمكن أن يظهر تحليل أعمق أن هذه المشاريع لا تزال تواجه العديد من المشاكل: من ناحية، درجة اللامركزية محدودة، حيث لا تزال الخطوات الحرجة والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية مهيمنة بشكل مفرط، مما يجعل من الصعب دعم بيئة مفتوحة بمعناها الحقيقي؛ من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات الذكاء الاصطناعي داخل السلسلة محدودة في مجالات مثل قدرات النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ولتنافس في الأداء مع الحلول المركزية، نحتاج إلى تصميم blockchain من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز التنمية المزدهرة للنظام البيئي للذكاء الاصطناعي اللامركزي.
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 حول احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للإيكولوجيا الذكاء الاصطناعي داخل السلسلة بشكل فعال. بشكل محدد، ينبغي أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة والتوافق اللامركزي جوهر AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد في سلاسل الكتل التقليدية التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، فهي لا تحتاج فقط إلى توفير القدرة الحاسوبية وإكمال تدريب ونمذجة الذكاء الاصطناعي، ولكن يجب أيضًا أن تسهم في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، وذلك لكسر احتكار الشركات الكبيرة في بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى من حيث التوافق الأساسي وآلية التحفيز: يجب أن يكون AI Layer 1 قادرًا على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقدرة الحاسوبية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة المدعومة بالذكاء الاصطناعي تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب ونمذجة LLM، متطلبات عالية في الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من سيناريوهات متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق في بنية الأساس لتلبية الطلبات المتعلقة بالمرور العالي، ووقت الاستجابة المنخفض، والمعالجة المتوازية المرنة، ويجب أن يُعد لدعم الموارد الحاسوبية المتنوعة بشكل أصلي، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "نظام بيئي معقد ومتعدد".
القابلية للتحقق وضمان موثوقية المخرجات يجب على AI Layer 1 أن تمنع الشائبة، والتلاعب بالبيانات وغيرها من المخاطر الأمنية، بل يجب أيضاً أن تضمن القابلية للتحقق من نتائج مخرجات AI ومواءمتها من خلال الآليات الأساسية. 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 استنتاج للنموذج، وتدريب، ومعالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن نزاهة وشفافية نظام AI. وفي الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم المنطق والأسس التي تعتمد عليها مخرجات AI، لتحقيق "ما تم الحصول عليه هو ما تم تمنيته"، مما يعزز ثقة المستخدمين في منتجات AI ورضاهم.
حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدم، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب على AI Layer 1، مع ضمان القابلية للتحقق، أن تعتمد تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وإساءة استخدامها بشكل فعال، مما يزيل مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتطوير البيئة الحاضنة باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتميز تقني، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDKs مدمجة، ودعم التشغيل والصيانة، وآليات تحفيزية للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في البيئة. من خلال تحسين مستمر لسهولة استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق ازدهار مستمر في البيئة اللامركزية للذكاء الاصطناعي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتفصيل ستة مشاريع تمثيلية لـ AI Layer1 تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقديم لمحة شاملة عن أحدث التطورات في هذا المجال، وتحليل الوضع الحالي لمشاريعها، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج ذكاء اصطناعي لامركزي ومفتوح المصدر موثوق به
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو حل مشكلات ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للتربح، ولاء) ، مما يمكن نماذج AI من تحقيق هيكل الملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحقيق الربح من منتجات الذكاء الاصطناعي، وبالتالي دفع شبكة بيئية عادلة ومفتوحة من وكلاء الذكاء الاصطناعي.
يجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم ، ويدعم بناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم ، المسؤولين عن أمان AI وحماية الخصوصية على التوالي ، بينما يقود Sandeep Nailwal المؤسس المشارك لشركة Polygon الاستراتيجية البيئية للسلسلة. يتمتع أعضاء الفريق بخلفيات متعددة تشمل شركات معروفة مثل Meta و Coinbase و Polygon ، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا ، مما يغطي مجالات AI/ML و NLP ورؤية الكمبيوتر ، مما يعزز تنفيذ المشروع.
كأحد مؤسسي Polygon ، كان مشروع Sentient الذي أطلقه Sandeep Nailwal يحمل هالة منذ بدايته، حيث يمتلك موارد غنية، وشبكات، ووعي سوقي، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund و Pantera و Framework Ventures، بينما شملت مجموعة من شركات الاستثمار الأخرى مثل Delphi و Hashkey و Spartan وغيرها من شركات رأس المال المخاطر الشهيرة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: خط أنابيب الذكاء الاصطناعي (AI Pipeline) وداخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين رئيسيتين:
يوفر نظام السلسلة شفافية وتحكم لامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع الأرباح والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal) هو الفكرة الأساسية التي قدمتها Sentient، ويهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تكنولوجيا داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
التشفير المعتمد على الذكاء الاصطناعي (AI-native Cryptography)
تشفير أصلي يعتمد على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المانيفولد ذو الأبعاد المنخفضة والخصائص القابلة للتفاضل في النموذج، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
يمكن تحقيق "استدعاء مصرح به بناءً على السلوك + تحقق من الملكية" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تحديد الملكية ونفاذ الأمان
Sentient تعتمد حاليا على Melange混合安全: الجمع بين تأكيد الهوية عبر بصمات الأصابع، تنفيذ TEE، وتقسيم الأرباح عبر العقود داخل السلسلة. وتعتبر طريقة البصمات هي OML 1.0 التي تمثل الخط الرئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، مع إمكانية الكشف والعقاب في حالة المخالفة.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث يتم من خلال تضمين "أسئلة-أجوبة" محددة، مما يسمح للنموذج بإنتاج 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 سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، والذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط لطلبات التفويض، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، فإن مزاياه العالية في الأداء 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، مما يوفر حلولاً أكثر نضجاً لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
![Biteye مع PANews يصدران تقرير بحثي عن AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة](