تقرير بحث طبقة 1 للذكاء الاصطناعي: البحث عن داخل السلسلة DeAI الخصبة

نظرة عامة

في السنوات الأخيرة، واصلت الشركات الرائدة في التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في جميع الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات القدرة على استبدال العمل البشري. ومع ذلك، يتم التحكم في هذه التقنيات الأساسية من قبل 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 المنافسة معها.

في نفس الوقت، خلال الفترة المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي يجلبها التكنولوجيا، بينما يكون الاهتمام بالمشاكل الأساسية مثل حماية الخصوصية، الشفافية، والأمان نسبيًا غير كافٍ. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حل هذه المشكلات بشكل مناسب، ستزداد الجدل حول ما إذا كان الذكاء الاصطناعي "يذهب نحو الخير" أو "يذهب نحو الشر"، وعادة ما تفتقر الشركات العملاقة المركزية، المدفوعة بغريزة الربح، إلى الدافع الكافي للتعامل مع هذه التحديات بشكل نشط.

تقدم تقنية blockchain بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة إمكانية 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 يكشف التحليل المتعمق أن هذه المشاريع لا تزال تعاني من العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، ولا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وتتميز بخصائص meme بشكل مفرط، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعناه الحقيقي؛ من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات الذكاء الاصطناعي داخل السلسلة محدودة من حيث قدرة النموذج واستخدام البيانات ومجالات التطبيق، كما أن عمق الابتكار ونطاقه بحاجة إلى تحسين.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل داخل السلسلة قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لطبقة الذكاء الاصطناعي 1

تعتبر AI Layer 1 سلسلة كتلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث تتماشى بنية الأداء والتصميم الأساسي بشكل وثيق مع احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية تحفيز فعالة واتفاقية لامركزية الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل أساسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها توفير القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار عمالقة المركزية على بنية الذكاء الاصطناعي التحتية. هذا يطرح متطلبات أعلى للتوافق الأساسي وآلية التحفيز: يجب أن يكون AI Layer 1 قادرًا على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استدلال وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقدرة الحاسوبية بشكل فعال.

2. أداء عالي متميز وقدرة على دعم المهام غير المتجانسة تتطلب مهام الذكاء الاصطناعي، ولا سيما تدريب واستدلال نماذج اللغة الكبيرة، متطلبات عالية جداً من حيث أداء الحساب وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة وغير متجانسة من المهام، بما في ذلك هياكل نماذج مختلفة، معالجة البيانات، الاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 على مستوى البنية التحتية لتلبية متطلبات السعة العالية، وانخفاض زمن الانتظار، والمعالجة المتوازية المرنة، مع توفير دعم أصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "البيئة المعقدة والمتنوعة".

3. إمكانية التحقق وضمان النتائج الموثوقة يجب على AI Layer 1 ليس فقط منع المخاطر الأمنية مثل إساءة استخدام النموذج وتلاعب البيانات، ولكن أيضًا ضمان القابلية للتحقق من نتائج الذكاء الاصطناعي وملاءمتها من خلال الآليات الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن المتعدد الأطراف (MPC)، يمكن للمنصة ضمان أن كل عملية استدلال، وتدريب، ومعالجة بيانات للنموذج يمكن التحقق منها بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس نتائج الذكاء الاصطناعي، مما يحقق "ما يُكتسب هو ما يُرغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا حاسمًا. يجب على طبقة الذكاء الاصطناعي 1 أن تعتمد تقنيات معالجة البيانات المشفرة وبروتوكولات حساب الخصوصية وإدارة أذونات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات طوال عملية الاستدلال والتدريب والتخزين، والفعالية في منع تسرب البيانات وسوء الاستخدام، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتحمل البيئة والتطوير بصفته بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتفوقها التقني، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيزية لمطوري البرامج، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثيلية للذكاء الاصطناعي Layer1 تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتستعرض أحدث التقدم في هذا المجال، وتحلل الوضع الحالي لتطوير المشاريع، وتناقش الاتجاهات المستقبلية.

Sentient: بناء نموذج AI لامركزي مفتوح المصدر مخلص

نظرة عامة على المشروع

Sentient هي منصة بروتوكولات مفتوحة المصدر، تعمل على بناء سلسلة بلوكشين AI Layer1 ( المرحلة الأولية هي Layer 2، ثم ستنتقل إلى Layer 1)، من خلال الجمع بين AI Pipeline وتقنية البلوكشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الرئيسي هو من خلال إطار "OML" ( فتح، قابل للإنتاج، ولاء ) حل مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي، مما يجعل نماذج الذكاء الاصطناعي تحقق هيكل ملكية داخل السلسلة، شفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحقيق دخل من منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، مع التركيز على 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، بينما يقود Sandeep Nailwal، أحد مؤسسي Polygon، الاستراتيجية البيانية وترتيبات النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات مرموقة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، مما يعزز دفع المشروع إلى الأمام.

باعتبارها مشروعًا ناشئًا مؤسسًا من قبل سانديب نايلوال، المؤسس المشارك لمشروع بوليغون، تمتعت Sentient بهالة كبيرة منذ بدايتها، حيث تملك موارد غنية، وشبكات اتصال، ووعي بالسوق، مما قدم 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 شركات الاستثمار المعروفة الأخرى مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: ( AI Pipeline ) و نظام داخل السلسلة.

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب مواد "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين أساسيتين:

• تخطيط البيانات ( تنسيق البيانات ): عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمحاذاة النموذج.
• تدريب الولاء (: تأكد من أن النموذج يحافظ على عملية تدريب تتماشى مع نوايا المجتمع.

يقدم نظام البلوك تشين الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع;
• طبقة التوزيع: نموذج التحكم في دخول استدعاء العقد المصرح به;
• طبقة الوصول: التحقق من صلاحية المستخدم من خلال إثبات الأذونات.
• طبقة التحفيز: ستقوم عقدة توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين والموزعين والمتحققين.

![Biteye و PANews تصدران تقرير بحثي حول AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة])https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(

)## إطار نموذج OML

إطار OML ### مفتوح Open، قابل للت monetization، ولاء Loyal ( هو الفكرة الأساسية التي طرحتها Sentient، وتهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج AI مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة والتشفير الأصلي AI، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، يكون الكود وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه، تدقيقه وتحسينه.
• التوظيف: كل استدعاء للنموذج سيؤدي إلى تدفق أرباح، وسيقوم العقد داخل السلسلة بتوزيع الأرباح على المدربين، والمطورين، والمتحققين.
• الولاء: تنتمي النماذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحكم، وتخضع الاستخدامات والتعديلات لآلية التشفير.

)## التشفير الأصلي المدعوم بالذكاء الاصطناعي###

تشفير الأصل AI هو استخدام الاستمرارية لنماذج AI، وبنية المانيفولد ذات الأبعاد المنخفضة، وخصائص القابلية للاشتقاق للنماذج، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالته". التقنية الأساسية لها هي:

• بصمة مدمجة: يتم إدخال مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج;
• بروتوكول التحقق من الملكية: تحقق من بقاء بصمة الإصبع من خلال جهاز استشعار خارجي (Prover) على شكل استفسار.
• آلية استدعاء الأذونات: يجب الحصول على "شهادة الأذونات" التي أصدرها مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء التفويض المستند إلى السلوك + التحقق من الملكية" بهذه الطريقة دون تكاليف إعادة تشفير.

(## إطار ضمان حقوق النموذج والتنفيذ الآمن

Sentient يعتمد حاليا على Melange混合安全: تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. طريقة بصمة الإصبع هي التنفيذ الرئيسي لـ OML 1.0، وتؤكد على فكرة "乐观安全)Optimistic Security###"، أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها بعد ذلك.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML ، حيث يتم تضمين "أسئلة-أجوبة" معينة، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات داخل السلسلة قابلة للتتبع لسلوك استخدام النموذج.

علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من داخل السلسلة ( مثل AWS Nitro Enclaves ) لضمان استجابة النموذج فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة وله بعض المخاوف الأمنية، إلا أن ميزاته العالية الأداء والوقت الحقيقي تجعله التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال إثباتات المعرفة الصفرية (ZK) وتشفير التماثل الكامل (FHE)، لتعزيز حماية الخصوصية وقابلية التحقق، ولتوفير نشر لامركزي لنماذج الذكاء الاصطناعي بشكل أكثر نضجًا.