طبقة الذكاء الاصطناعي Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، تواصل الشركات الرائدة في التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من فضاء تخيل الإنسان، وحتى في بعض السيناريوهات تظهر إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنية محصور بيد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والتحكم في موارد الحوسبة باهظة الثمن، قامت هذه الشركات بإنشاء حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار منافستها.
في الوقت نفسه، في المرحلة المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الآراء العامة على الانتصارات والراحة التي يوفرها هذا التكنولوجيا، بينما تكون الاهتمامات المتعلقة بحماية الخصوصية والشفافية والأمان وغيرها من القضايا الأساسية أقل من اللازم. 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 للخير" أو "للشر" أكثر وضوحًا، بينما تفتقر الشركات العملاقة المركزية، المدفوعة بدافع الربح، غالبًا إلى الحافز الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوكتشين، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض البلوكتشين الرئيسية. ومع ذلك، عند التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحاب المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي؛ ومن جهة أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج واستخدام البيانات وسيناريوهات التطبيق، ولا تزال عمق ووسع الابتكار بحاجة إلى تحسين.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل سلسلة الكتل قادرة على تحمل تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة 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 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 يتم تصميم بنية الأداء الأساسية لها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار البيئي الذكي داخل السلسلة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة وآلية الإجماع اللامركزية تعتمد على بناء شبكة مفتوحة لمشاركة الموارد مثل القوة الحاسوبية والتخزين وغيرها. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها تقديم القوة الحاسوبية، وإكمال تدريب ونمذجة AI، فضلاً عن المساهمة في موارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، وذلك لكسر احتكار الهيئات المركزية على البنية التحتية للذكاء الاصطناعي. وهذا يطرح متطلبات أعلى على آلية الإجماع والتحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب على الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذا الشكل يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقوة الحاسوبية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية للغاية من حيث الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، يجب أن يدعم النظام البيئي للذكاء الاصطناعي داخل السلسلة غالبًا مجموعة متنوعة من أنواع المهام المتنوعة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في الهيكل الأساسي لتلبية متطلبات السعة العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، مع توفير دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "النظام البيئي المعقد والمتنوع".
القابلية للتحقق وضمان المخرجات الموثوقة يجب أن يمنع Layer 1 للذكاء الاصطناعي ليس فقط الأذى الناتج عن النموذج، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، ولكن أيضًا يجب أن يضمن من خلال الآلية الأساسية القابلية للتحقق من نتائج الذكاء الاصطناعي وتوافقها. 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 استدلال للنموذج، أو تدريب، أو معالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن العدالة والشفافية لنظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح المنطق والأسس وراء مخرجات الذكاء الاصطناعي، مما يحقق "ما يتم الحصول عليه هو ما يرغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات
تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والطب، والشبكات الاجتماعية، تعد حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 قابلية التحقق مع اعتماد تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة أذونات البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال، والتدريب، والتخزين، ومنع تسرب البيانات وسوء استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتطوير النظام البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بالتفوق من الناحية التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDKs متكاملة، ودعم تشغيل وصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة النظام الأساسي وتجربة المطورين بشكل مستمر، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق الازدهار المستمر للنظام البيئي الذكي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثل AI Layer1 بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، وتستعرض التقدم الأخير في هذا المجال، وتحلل حالة تطوير المشاريع، وتناقش الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي مخلص
نظرة عامة على المشروع
Sentient هي 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، تبني اقتصادًا لامركزيًا للذكاء الاصطناعي. الهدف الأساسي هو حل مشاكل ملكية النموذج، وتتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق) مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
يجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم، ويكرس جهوده لبناء منصة AGI مدفوعة من قبل المجتمع، مفتوحة 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، أحد مؤسسي Polygon، الاستراتيجية المتعلقة بالسلسلة وتخطيط النظام البيئي. يغطي خلفية أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، وكذلك الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، لدفع المشروع نحو التنفيذ.
كواحد من مشاريع ريادة الأعمال الثانية لمؤسس Polygon المشارك Sandeep Nailwal، جاء Sentient إلى الوجود مع هالة مميزة منذ بدايته، حيث يمتلك موارد غنية، وشبكات اتصال، ووعي سوقي كبير، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكمل Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، ومن بين المؤسسات الاستثمارية الأخرى Delphi وHashkey وSpartan وغيرها من عشرات شركات رأس المال المغامر المعروفة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
تتكون البنية الأساسية 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 لتوافق النماذج.
تدريب الولاء (Loyalty Training): ضمان بقاء النموذج متماشياً مع نية المجتمع في عملية التدريب.
يوفر نظام السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. تتكون البنية المحددة من أربع طبقات:
طبقة التخزين: تخزين نماذج الأوزان ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: عقد التفويض يتحكم في مدخل استدعاء النموذج؛
طبقة الوصول: التحقق من صلاحية المستخدم من خلال إثبات التفويض.
طبقة التحفيز: ستقوم عقدة توجيه العوائد بتوزيع المدفوعات في كل استدعاء على المدربين والموزعين والمتحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، وفي Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، وتهدف إلى تقديم حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه، وتدقيقه، وتحسينه.
التحويل إلى عملة: كل استدعاء للنموذج سيؤدي إلى تدفق عائدات، وستقوم العقود داخل السلسلة بتوزيع العائدات على المدربين، وموزعي النموذج، والمتحققين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحكم، ويخضع الاستخدام والتعديل لآلية التشفير.
التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية التدفق المنخفض الأبعاد، وخصائص القابلية للاشتقاق للنموذج، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
إدخال بصمة الإصبع: إدخال مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من بصمة الإصبع من خلال كاشف طرف ثالث (Prover) على شكل استفسار query.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض المستند إلى السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة التشفير.
إطار تأكيد نموذج التنفيذ الآمن
Sentient تعتمد حاليا على Melange混合安全: من خلال تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. حيث تُعتبر طريقة البصمة هي الخط الرئيسي في تنفيذ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، مع إمكانية الكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تقوم بإدراج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بتوليد 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 قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، مستفيدة من بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المرخصة، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE يعتمد على الأجهزة ويواجه بعض المخاطر الأمنية، إلا أن مزايا أدائه العالي ووقته الحقيقي تجعله التقنية الأساسية الحالية لنشر النماذج.
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 8
أعجبني
8
5
مشاركة
تعليق
0/400
DeFi_Dad_Jokes
· منذ 17 س
هذه الجولة من الوظائف الثابتة ستنتهي~
شاهد النسخة الأصليةرد0
AirdropATM
· 07-26 13:52
احتكار احتكار أعدم الأب
شاهد النسخة الأصليةرد0
OneBlockAtATime
· 07-26 13:44
الديمقراطية والحرية في الويب 3 هي الطريق الصحيح!
شاهد النسخة الأصليةرد0
GasFeeCry
· 07-26 13:43
ليس هناك أمل، يبدو أن العمالقة قد جنوا.
شاهد النسخة الأصليةرد0
CodeSmellHunter
· 07-26 13:35
فرصة أخرى لاستغلال الحمقى من قبل أحد احتكارات التكنولوجيا.
AI Layer1: فتح اللامركزية في بيئة AI الجديدة
طبقة الذكاء الاصطناعي Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، تواصل الشركات الرائدة في التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من فضاء تخيل الإنسان، وحتى في بعض السيناريوهات تظهر إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنية محصور بيد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والتحكم في موارد الحوسبة باهظة الثمن، قامت هذه الشركات بإنشاء حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار منافستها.
في الوقت نفسه، في المرحلة المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الآراء العامة على الانتصارات والراحة التي يوفرها هذا التكنولوجيا، بينما تكون الاهتمامات المتعلقة بحماية الخصوصية والشفافية والأمان وغيرها من القضايا الأساسية أقل من اللازم. 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 للخير" أو "للشر" أكثر وضوحًا، بينما تفتقر الشركات العملاقة المركزية، المدفوعة بدافع الربح، غالبًا إلى الحافز الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوكتشين، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض البلوكتشين الرئيسية. ومع ذلك، عند التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحاب المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي؛ ومن جهة أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج واستخدام البيانات وسيناريوهات التطبيق، ولا تزال عمق ووسع الابتكار بحاجة إلى تحسين.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل سلسلة الكتل قادرة على تحمل تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة 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 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 يتم تصميم بنية الأداء الأساسية لها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار البيئي الذكي داخل السلسلة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة وآلية الإجماع اللامركزية تعتمد على بناء شبكة مفتوحة لمشاركة الموارد مثل القوة الحاسوبية والتخزين وغيرها. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها تقديم القوة الحاسوبية، وإكمال تدريب ونمذجة AI، فضلاً عن المساهمة في موارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، وذلك لكسر احتكار الهيئات المركزية على البنية التحتية للذكاء الاصطناعي. وهذا يطرح متطلبات أعلى على آلية الإجماع والتحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب على الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذا الشكل يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقوة الحاسوبية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية للغاية من حيث الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، يجب أن يدعم النظام البيئي للذكاء الاصطناعي داخل السلسلة غالبًا مجموعة متنوعة من أنواع المهام المتنوعة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في الهيكل الأساسي لتلبية متطلبات السعة العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، مع توفير دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "النظام البيئي المعقد والمتنوع".
القابلية للتحقق وضمان المخرجات الموثوقة يجب أن يمنع Layer 1 للذكاء الاصطناعي ليس فقط الأذى الناتج عن النموذج، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، ولكن أيضًا يجب أن يضمن من خلال الآلية الأساسية القابلية للتحقق من نتائج الذكاء الاصطناعي وتوافقها. 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 استدلال للنموذج، أو تدريب، أو معالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن العدالة والشفافية لنظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح المنطق والأسس وراء مخرجات الذكاء الاصطناعي، مما يحقق "ما يتم الحصول عليه هو ما يرغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والطب، والشبكات الاجتماعية، تعد حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 قابلية التحقق مع اعتماد تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة أذونات البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال، والتدريب، والتخزين، ومنع تسرب البيانات وسوء استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتطوير النظام البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بالتفوق من الناحية التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDKs متكاملة، ودعم تشغيل وصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة النظام الأساسي وتجربة المطورين بشكل مستمر، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق الازدهار المستمر للنظام البيئي الذكي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثل AI Layer1 بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، وتستعرض التقدم الأخير في هذا المجال، وتحلل حالة تطوير المشاريع، وتناقش الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي مخلص
نظرة عامة على المشروع
Sentient هي 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، تبني اقتصادًا لامركزيًا للذكاء الاصطناعي. الهدف الأساسي هو حل مشاكل ملكية النموذج، وتتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق) مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
يجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم، ويكرس جهوده لبناء منصة AGI مدفوعة من قبل المجتمع، مفتوحة 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، أحد مؤسسي Polygon، الاستراتيجية المتعلقة بالسلسلة وتخطيط النظام البيئي. يغطي خلفية أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، وكذلك الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، لدفع المشروع نحو التنفيذ.
كواحد من مشاريع ريادة الأعمال الثانية لمؤسس Polygon المشارك Sandeep Nailwal، جاء Sentient إلى الوجود مع هالة مميزة منذ بدايته، حيث يمتلك موارد غنية، وشبكات اتصال، ووعي سوقي كبير، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكمل Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، ومن بين المؤسسات الاستثمارية الأخرى Delphi وHashkey وSpartan وغيرها من عشرات شركات رأس المال المغامر المعروفة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
تتكون البنية الأساسية 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 السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. تتكون البنية المحددة من أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، وفي Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، وتهدف إلى تقديم حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية التدفق المنخفض الأبعاد، وخصائص القابلية للاشتقاق للنموذج، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
يمكن تحقيق "استدعاء التفويض المستند إلى السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة التشفير.
إطار تأكيد نموذج التنفيذ الآمن
Sentient تعتمد حاليا على Melange混合安全: من خلال تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. حيث تُعتبر طريقة البصمة هي الخط الرئيسي في تنفيذ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، مع إمكانية الكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تقوم بإدراج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بتوليد 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 قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، مستفيدة من بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المرخصة، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE يعتمد على الأجهزة ويواجه بعض المخاطر الأمنية، إلا أن مزايا أدائه العالي ووقته الحقيقي تجعله التقنية الأساسية الحالية لنشر النماذج.