تقرير بحثي عن AI Layer1: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، استمرت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta في دفع تطوير نماذج اللغة الكبيرة (LLM) بشكل سريع. تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بشكل صارم في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. 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 التنافس معها.

في الوقت نفسه، في المرحلة المبكرة من التطور السريع للذكاء الاصطناعي، غالباً ما تركز الرأي العام على الانجازات والراحة التي تقدمها التكنولوجيا، بينما تكون الانتباهات إلى القضايا الأساسية مثل حماية الخصوصية والشفافية والأمان أقل نسبياً. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول ما إذا كان الذكاء الاصطناعي "يهدف إلى الخير" أم "يهدف إلى الشر" أكثر بروزًا، في حين أن العملاق المركزي، مدفوعًا بغريزة الربح، غالبًا ما يفتقر إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.

تتيح تقنية blockchain، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرئيسية. لكن من خلال التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية طاغية، 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 قدرات النماذج، واستخدام البيانات، ومجالات التطبيق، مما يتطلب تحسين عمق وثراء الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وتمكين البلوكشين من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بطريقة آمنة وفعالة وديمقراطية، والتنافس مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتلة Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والحوكمة الديمقراطية، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لـ AI Layer 1

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن البنية التحتية والأداء لها مصممان بشكل وثيق حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بشكل فعال. بشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية تحفيز فعالة وآلية توافق لامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القوة الحسابية والتخزين. على عكس العقد التقليدية في البلوك تشين التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم القوة الحسابية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار العملاق المركزي في بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى للتوافق الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استدلال وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقوة الحسابية بشكل فعال.

2. أداء عالي ممتاز وقدرة دعم المهام غير المتجانسة مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، تتطلب متطلبات عالية جداً من الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل نماذج مختلفة، معالجة البيانات، الاستدلال، والتخزين وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 في البنية الأساسية لتلبية احتياجات الإنتاجية العالية، وانخفاض التأخير، والمعالجة المتوازية المرنة، ويجب أن تتضمن دعمًا أصليًا لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق توسع سلس من "المهام الأحادية" إلى "النظام البيئي المعقد والمتنوع".

3. القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأفعال الضارة للنموذج، وتلاعب البيانات وغيرها من المخاطر الأمنية، بل يجب أيضًا ضمان قابلية التحقق من نتائج مخرجات AI والتوافق معها على مستوى الآلية 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 استدلال نموذج، وتدريب ومعالجة بيانات قابلة للتحقق بشكل مستقل، وضمان نزاهة وشفافية نظام AI. في نفس الوقت، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم منطق ومرجع مخرجات AI، لتحقيق "ما تحصل عليه هو ما ترغب فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، حيث تكون حماية خصوصية البيانات حاسمة في المجالات المالية والطبية والاجتماعية. يجب على AI Layer 1 أن يضمن القابلية للتحقق بينما يعتمد على تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحساب الخصوصي، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء الاستخدام، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.

5. القدرة القوية على دعم وتطوير البيئة باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بالريادة التكنولوجية، ولكن أيضا بتوفير أدوات تطوير شاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات تحفيز لمطوري البرامج، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرها من المشاركين في النظام البيئي. من خلال تحسين استمرارية إمكانية استخدام النظام الأساسي وتجربة المطور، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، مما يحقق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثيلية من AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتنظيم أحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، واستكشاف الاتجاهات المستقبلية.

Sentient: بناء نموذج AI لامركزي مفتوح المصدر موثوق به

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة من بلوكتشين AI Layer1 ( في المرحلة الأولية Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيم في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يتيح لنماذج AI تحقيق هيكل ملكية داخل السلسلة، شفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات AI إلى أموال، مما يعزز شبكة إيكولوجية لوكلاء الذكاء الاصطناعي عادلة ومفتوحة.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، وتهدف إلى بناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. ويضم الأعضاء الرئيسيون البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من معهد الهند للعلوم، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية المتعلقة بـ blockchain وتخطيط النظام البيئي. تشمل خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي وتعلم الآلة ومعالجة اللغة الطبيعية ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.

كمشروع آخر مؤسس من قبل Sandeep Nailwal، أحد مؤسسي Polygon، جاءت Sentient في بداية تأسيسها مع هالة خاصة، حيث تمتلك موارد غنية، وشبكة علاقات، ومدركة للسوق، مما وفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient تمويلًا أوليًا بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عشرات شركات الاستثمار المعروفة الأخرى مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزءين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النموذج.
• تدريب الولاء (Loyalty Training): ضمان أن تظل النماذج متماشية مع نية المجتمع.

يوفر نظام blockchain الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية واستخدام تتبع و توزيع العائدات وإدارة عادلة للمواد الذكية. 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: تحقق من إذن المستخدم عن طريق إثبات الأذونات.
• طبقة التحفيز: ستقوم عقود توزيع العوائد بتوزيع المدفوعات في كل مرة يتم فيها استدعاء المدفوعات للمدربين، ونشرها، والمتحققين.

إطار نموذج OML

إطار OML (مفتوح Open، قابل للت Monetizable، مخلص Loyal) هو الفكرة الأساسية التي قدمتها Sentient، تهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، الكود وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• التسييل: كل استدعاء لنموذج سيؤدي إلى تدفق عائدات، وسيقوم العقد داخل السلسلة بتوزيع العائدات على المدربين، والموزعين، والمتحققين.
• الولاء: النموذج يعود إلى مجتمع المساهمين،方向 التحديث والحوكمة تحدده DAO، والاستخدام والتعديل يخضعان لرقابة الآلية المشفرة.

تشفرينغ الذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام الاستمرارية لنماذج الذكاء الاصطناعي، وهياكل التوابع ذات الأبعاد المنخفضة، والخصائص القابلة للاشتقاق للنماذج، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية هي:

• بصمة مدمجة: أثناء التدريب، يتم إدخال مجموعة من أزواج المفاتيح القابلة للاستعلام والرد المخفية لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق من بصمة الأصبع من خلال جهاز كشف طرف ثالث (Prover) على شكل استفسار query؛
• آلية الاستدعاء المصرح بها: يجب الحصول على "شهادة التفويض" التي يصدرها مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء مصرح به بناءً على السلوك + تحقق الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار التأكيد على النموذج والتنفيذ الآمن

Sentient تستخدم حالياً Melange混合安全: بصمة التأكيد، تنفيذ TEE، وعقد داخل السلسلة لتوزيع الأرباح. الطريقة البصمية هي التنفيذ الرئيسي لـ OML 1.0، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)"، أي الالتزام الافتراضي، والكشف والعقوبة في حالة الانتهاك.

آلية بصمة الأصابع هي التنفيذ الرئيسي لـ OML، حيث أنها من خلال تضمين "سؤال-جواب" معين، تجعل النموذج يولد توقيعاً فريداً في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضاً سجلات يمكن تتبعها 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 استجابة النموذج فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة ولديها بعض المخاطر الأمنية، إلا أن مزايا أدائها العالي ووقتها الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال تقنيات الإثبات الصفري (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، من أجل الذكاء الاصطناعي.