تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشر، وحتى في بعض السيناريوهات، تظهر إمكانات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بشدة في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار التنافس معها.
في الوقت نفسه، في المرحلة المبكرة من تقدم الذكاء الاصطناعي السريع، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تحققها التكنولوجيا، 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، ستبرز الجدل حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون خيرًا" أو "شرًا" أكثر فأكثر، وغالبًا ما تفتقر الشركات الكبرى المركزية التي تحركها غريزة الربح إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوك تشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حالياً، ظهرت العديد من تطبيقات "ويب 3 AI" على سلاسل بلوك تشين الرئيسية مثل سولانا وبايس. لكن من خلال التحليل المتعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، فإن درجة اللامركزية محدودة، ولا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية لها تأثير كبير، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعنى حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم الويب 2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرات النماذج، واستخدام البيانات، ومشاهد التطبيقات، مما يستدعي تحسين العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرة على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بطريقة آمنة وفعالة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار النظام البيئي للذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لـ AI Layer 1
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن البنية التحتية الأساسية وتصميم الأداء ترتبط ارتباطًا وثيقًا بمتطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي الذكي داخل السلسلة. وبشكل محدد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:
آليات تحفيز فعالة وآليات توافق لامركزية. تتمثل جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة للموارد مثل قوة الحوسبة والتخزين. على عكس تركيز عقد blockchain التقليدي على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم قوة الحوسبة، وتكمل تدريب واستنتاج نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. هذا يضع متطلبات أعلى على آليات التوافق والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة 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 لقوة الحوسبة بشكل فعال.
أداء عالٍ ممتاز وقدرة دعم المهام المتغايرة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية من حيث الأداء الحسابي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومتغايرة من المهام، بما في ذلك هياكل نماذج مختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق على مستوى البنية التحتية لتلبية احتياجات الإنتاجية العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع إعداد مسبق لدعم الموارد الحاسوبية المتغايرة بشكل أصلي، 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 AI Layer 1 أن يمنع ليس فقط الأذى الذي قد تسببه النماذج، والتلاعب بالبيانات، ولكن أيضًا أن يضمن من المستوى الأساسي قابلية التحقق والتوافق لنتائج AI. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات AI، مما يحقق "ما تحصل عليه هو ما تريده"، ويزيد من ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات
تتعلق تطبيقات الذكاء الاصطناعي غالبًا بالبيانات الحساسة للمستخدمين، حيث تكون حماية خصوصية البيانات أمرًا حيويًا في مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي. يجب على AI Layer 1 أن تعتمد تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحساب الخصوصي، وإدارة أذونات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات في جميع العمليات مثل التفكير، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء استخدامها، ويزيل القلق لدى المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم التنمية واستيعاب النظام البيئي باعتبارها بنية تحتية من الجيل الأول الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة بتفوق تقني، كما يتعين عليها توفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، وتحقيق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثيلية في Layer1 للذكاء الاصطناعي تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتقديم نظرة شاملة حول أحدث التطورات في هذا المجال، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
نظرة عامة على المشروع
Sentient هو منصة بروتوكولات مفتوحة المصدر، تعمل على بناء سلسلة بلوكشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشكلات ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، وفي). مما يتيح هيكل ملكية على السلسلة، وشفافية في الاستدعاءات وتقاسم القيمة لنماذج AI. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات AI إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء AI.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، حيث يكرسون جهودهم لبناء 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، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي 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 ومعهد الهند للتكنولوجيا، حيث يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.
بصفته مشروعًا ناشئًا لمؤسس مشارك في Polygon Sandeep Nailwal، جاءت Sentient مع هالة منذ بدايتها، حيث تمتلك موارد غنية، وشبكة علاقات، ووعي سوقي، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عشرات من صناديق رأس المال الجريء المعروفة مثل Delphi وHashkey وSpartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من قسمين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل 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، تستخدم لمحاذاة النموذج.
تدريب الولاء (Loyalty Training): ضمان أن يظل النموذج متسقًا مع نية المجتمع خلال عملية التدريب.
تقدم أنظمة داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح، والحكم العادل. الهيكل المحدد ينقسم إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: يتحكم عقد التفويض في مدخل استدعاء النموذج؛
طبقة الوصول: التحقق من إذن المستخدم من خلال إثبات الصلاحية؛
طبقة التحفيز: ستقوم عقدة توجيه العوائد بتوزيع المدفوعات على المتدربين والمطورين والمحققين في كل مرة يتم فيها استدعاؤها.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetization، ولاء Loyal) هو المفهوم الأساسي الذي طرحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات التحفيز الاقتصادي لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالميزات التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، وأن تكون الشيفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة الإنتاج والتدقيق والتحسين.
التحويل إلى عملة: كل استدعاء نموذج سيؤدي إلى تدفق الإيرادات، وسيقوم العقد داخل السلسلة بتوزيع الإيرادات على المدربين والمطورين والمتحققين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحوكمة بواسطة DAO، ويخضع الاستخدام والتعديل لسيطرة الآلية المشفرة.
التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المنحنيات ذات الأبعاد المنخفضة، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
إدخال بصمة الإصبع: إدخال مجموعة من أزواج مفاتيح الاستعلام والاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من بصمات الأصابع من خلال كاشف طرف ثالث (Prover) على شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يمنح النظام الإذن للنموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تأكيد حقوق النموذج والتنفيذ الآمن
Sentient تعتمد حاليًا على أمان Melange المختلط: من خلال تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقسيم الأرباح عبر العقود داخل السلسلة. حيث أن طريقة بصمة الإصبع هي التنفيذ الرئيسي لـ OML 1.0، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)": أي الافتراض بالامتثال، مع إمكانية الكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تدمج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بإنشاء توقيع فريد 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 داخل السلسلة قابلة للتتبع لسلوك استخدام النموذج.
علاوة على ذلك، طرحت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من 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 مزايا أدائها العالي والوقت 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، لنماذج الذكاء الاصطناعي
شاهد النسخة الأصلية
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.
تسجيلات الإعجاب 13
أعجبني
13
3
مشاركة
تعليق
0/400
MagicBean
· 07-13 19:52
هل لم يعد بإمكان العمالقة اللعب!
شاهد النسخة الأصليةرد0
BoredApeResistance
· 07-13 19:47
مرة أخرى قصة جديدة عن خداع الناس لتحقيق الربح في web3
شاهد النسخة الأصليةرد0
FrogInTheWell
· 07-13 19:41
متى يمكن لمستثمر التجزئة الاستفادة من الذكاء الاصطناعي
ظهور Layer1 للذكاء الاصطناعي: البنية التحتية الجديدة للبيئة اللامركزية للذكاء الاصطناعي
تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشر، وحتى في بعض السيناريوهات، تظهر إمكانات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بشدة في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار التنافس معها.
في الوقت نفسه، في المرحلة المبكرة من تقدم الذكاء الاصطناعي السريع، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تحققها التكنولوجيا، 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، ستبرز الجدل حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون خيرًا" أو "شرًا" أكثر فأكثر، وغالبًا ما تفتقر الشركات الكبرى المركزية التي تحركها غريزة الربح إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوك تشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حالياً، ظهرت العديد من تطبيقات "ويب 3 AI" على سلاسل بلوك تشين الرئيسية مثل سولانا وبايس. لكن من خلال التحليل المتعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، فإن درجة اللامركزية محدودة، ولا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية لها تأثير كبير، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعنى حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم الويب 2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرات النماذج، واستخدام البيانات، ومشاهد التطبيقات، مما يستدعي تحسين العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرة على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بطريقة آمنة وفعالة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار النظام البيئي للذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لـ AI Layer 1
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن البنية التحتية الأساسية وتصميم الأداء ترتبط ارتباطًا وثيقًا بمتطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي الذكي داخل السلسلة. وبشكل محدد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:
آليات تحفيز فعالة وآليات توافق لامركزية. تتمثل جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة للموارد مثل قوة الحوسبة والتخزين. على عكس تركيز عقد blockchain التقليدي على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم قوة الحوسبة، وتكمل تدريب واستنتاج نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. هذا يضع متطلبات أعلى على آليات التوافق والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة 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 لقوة الحوسبة بشكل فعال.
أداء عالٍ ممتاز وقدرة دعم المهام المتغايرة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية من حيث الأداء الحسابي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومتغايرة من المهام، بما في ذلك هياكل نماذج مختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق على مستوى البنية التحتية لتلبية احتياجات الإنتاجية العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع إعداد مسبق لدعم الموارد الحاسوبية المتغايرة بشكل أصلي، 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 AI Layer 1 أن يمنع ليس فقط الأذى الذي قد تسببه النماذج، والتلاعب بالبيانات، ولكن أيضًا أن يضمن من المستوى الأساسي قابلية التحقق والتوافق لنتائج AI. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات AI، مما يحقق "ما تحصل عليه هو ما تريده"، ويزيد من ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا بالبيانات الحساسة للمستخدمين، حيث تكون حماية خصوصية البيانات أمرًا حيويًا في مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي. يجب على AI Layer 1 أن تعتمد تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحساب الخصوصي، وإدارة أذونات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات في جميع العمليات مثل التفكير، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء استخدامها، ويزيل القلق لدى المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم التنمية واستيعاب النظام البيئي باعتبارها بنية تحتية من الجيل الأول الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة بتفوق تقني، كما يتعين عليها توفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، وتحقيق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثيلية في Layer1 للذكاء الاصطناعي تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتقديم نظرة شاملة حول أحدث التطورات في هذا المجال، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
نظرة عامة على المشروع
Sentient هو منصة بروتوكولات مفتوحة المصدر، تعمل على بناء سلسلة بلوكشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشكلات ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، وفي). مما يتيح هيكل ملكية على السلسلة، وشفافية في الاستدعاءات وتقاسم القيمة لنماذج AI. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات AI إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء AI.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، حيث يكرسون جهودهم لبناء 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، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي 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 ومعهد الهند للتكنولوجيا، حيث يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.
بصفته مشروعًا ناشئًا لمؤسس مشارك في Polygon Sandeep Nailwal، جاءت Sentient مع هالة منذ بدايتها، حيث تمتلك موارد غنية، وشبكة علاقات، ووعي سوقي، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عشرات من صناديق رأس المال الجريء المعروفة مثل Delphi وHashkey وSpartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من قسمين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين رئيسيتين:
تقدم أنظمة داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح، والحكم العادل. الهيكل المحدد ينقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت Monetization، ولاء Loyal) هو المفهوم الأساسي الذي طرحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات التحفيز الاقتصادي لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالميزات التالية:
تشفير أصلي للذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المنحنيات ذات الأبعاد المنخفضة، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تأكيد حقوق النموذج والتنفيذ الآمن
Sentient تعتمد حاليًا على أمان Melange المختلط: من خلال تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقسيم الأرباح عبر العقود داخل السلسلة. حيث أن طريقة بصمة الإصبع هي التنفيذ الرئيسي لـ OML 1.0، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)": أي الافتراض بالامتثال، مع إمكانية الكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تدمج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بإنشاء توقيع فريد 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 داخل السلسلة قابلة للتتبع لسلوك استخدام النموذج.
علاوة على ذلك، طرحت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من 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 مزايا أدائها العالي والوقت 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، لنماذج الذكاء الاصطناعي