تقرير البحث عن Layer1 AI: استكشاف أرض اللامركزية للذكاء الاصطناعي

نظرة عامة

في السنوات الأخيرة، تستمر شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta في دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في جميع الصناعات، مما يوسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، تظهر القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنية يتم التحكم فيه بإحكام من قبل عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار غير قادرة على المنافسة.

في الوقت نفسه، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الانجازات وال便利 التي تحققها التكنولوجيا، بينما يكون الاهتمام بالقضايا الأساسية مثل حماية 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 حل هذه القضايا بشكل مناسب، ستصبح الجدل حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون خيرًا" أو "شرًا" أكثر وضوحًا، بينما تفتقر المراكز المركزية الكبرى، المدفوعة بغرائز الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.

تقدم تقنية البلوكشين بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة إمكانيات جديدة للتطور المستدام في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "ويب 3 AI" على البلوكشين الرئيسية مثل سولانا وبايس. ولكن عند تحليلها بعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، مستوى اللامركزية محدود، ولا تزال المراحل الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية مفرطة، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعنى حقيقي؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم الويب 2، لا يزال الذكاء الاصطناعي على السلسلة محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين عمق الابتكار واتساعه.

لتحقيق رؤية اللامركزية الحقيقية للذكاء الاصطناعي، مما يتيح للبلوكشين أن يحمل تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، وللتنافس مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز الازدهار والنمو للبيئة اللامركزية للذكاء الاصطناعي.

الخصائص الأساسية لطبقة الذكاء الاصطناعي 1

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي على السلسلة بكفاءة. بشكل أكثر تحديدًا، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. تحفيز فعال وآلية توافق اللامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة موارد الحوسبة والتخزين وغيرها. على عكس التركيز التقليدي لعقد blockchain على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير الحوسبة، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يساعد على كسر احتكار الشركات العملاقة في بنية الذكاء الاصطناعي التحتية. هذا يفرض متطلبات أعلى على آلية 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 من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف الحوسبة الإجمالية بشكل فعال.

2. الأداء العالي المتميز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية من حيث الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي على السلسلة إلى دعم أنواع متنوعة ومتغايرة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي من المستوى الأول بعمق على مستوى البنية التحتية الأساسية لتلبية متطلبات الأداء العالي، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "نظام بيئي معقد ومتعدد".

3. القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 أن يمنع ليس فقط الأذى الذي يمكن أن يلحق بالنموذج، وتعديل البيانات وغيرها من المخاطر الأمنية، ولكن أيضًا أن يضمن من خلال الآلية الأساسية القابلية للتحقق من نتائج AI ومواءمتها. من خلال دمج البيئات التنفيذية الموثوقة (TEE) وإثباتات المعرفة الصفرية (ZK) والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل استنتاج للنموذج، والتدريب وعمليات معالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم منطق وأساس مخرجات AI، لتحقيق "ما حصلت عليه هو ما ترغب فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات التطبيقات الذكية غالبًا ما تتضمن بيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تكون حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب على AI Layer 1، مع ضمان القابلية للتحقق، أن يعتمد تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة أذونات البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال، والتدريب، والتخزين، والفعالية في منع تسريب البيانات وسوء استخدامها، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتطوير البيئة كإحدى البنى التحتية للطبقة الأولى الأصلية للذكاء الاصطناعي، يجب على المنصة أن تتمتع بميزات تقنية رائدة، بالإضافة إلى تقديم أدوات تطوير متكاملة، SDK مدمجة، دعم العمليات، وآليات تحفيز لمطوري البرمجيات، مشغلي العقد، ومزودي خدمات الذكاء الاصطناعي وغيرها من المشاركين في البيئة. من خلال تحسين استمرارية توفر المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، لتحقيق ازدهار مستمر في البيئة اللامركزية للذكاء الاصطناعي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستستعرض هذه المقالة بالتفصيل ستة مشاريع تمثيلية للذكاء الاصطناعي Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقوم بتنسيق أحدث التطورات في هذا المجال، وتحليل الحالة الحالية لتطور المشاريع، ومناقشة الاتجاهات المستقبلية.

Sentient: بناء نماذج الذكاء الاصطناعي المفتوح المصدر المخلص اللامركزية

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة كتلة AI Layer1 ( في المرحلة الأولية Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الأساسي هو معالجة قضايا ملكية النموذج، تتبع الاستدعاءات، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق) مما يسمح بنموذج ملكية على السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص لبناء، التعاون، الملكية، وتحويل منتجات الذكاء الاصطناعي إلى أموال، 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، بهدف بناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور في جامعة برينستون Pramod Viswanath والبروفيسور في معهد الهند للعلوم Himanshu Tyagi، المسؤولين عن أمان وخصوصية AI على التوالي، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية البيئية والبلوك تشين. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى جامعات مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، مما يعزز دفع المشروع نحو التنفيذ.

بصفته مشروعًا مؤسسًا ثانويًا لمؤسس Polygon Sandeep Nailwal، جاءت Sentient مع هالة منذ تأسيسها، حيث تمتلك موارد غنية، وشبكة علاقات، ووعي سوقي، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما تشمل المؤسسات الاستثمارية الأخرى العشرات من شركات رأس المال المغامر المعروفة مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

####层 البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام blockchain.

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

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

تقدم أنظمة البلوكتشين الشفافية والاللامركزية في التحكم للبروتوكولات، مما يضمن ملكية واستخدام وتتبع الأعمال الفنية للذكاء الاصطناعي، وتوزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: عقد التفويض يتحكم في مدخل استدعاء النموذج؛
• طبقة الوصول: التحقق من صلاحيات المستخدمين من خلال إثبات التفويض;
• طبقة التحفيز: ستقوم عقدة توزيع الأرباح بتوزيع المدفوعات في كل استدعاء للممارس والمطور والمحقق.

إطار نموذج OML

إطار OML (الفتح Open، القابل للت Monetizable، الولاء Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج التكنولوجيا على 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.
• monetization: كل استدعاء للنموذج سيؤدي إلى تدفق إيرادات، ستقوم العقود على السلسلة بتوزيع الإيرادات على المدربين والموزعين والمتحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاه الترقية والحكومة، بينما تخضع الاستخدامات والتعديلات لآلية التشفير.

تشفير ناشئ يعتمد على الذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي للذكاء الاصطناعي هو استخدام الاستمرارية لنماذج الذكاء الاصطناعي، هيكل الغلاف المنخفض الأبعاد وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية لها هي:

• دمج بصمة الإصبع: إدخال مجموعة من أزواج المفاتيح القابلة للاستعلام والرد المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: يتم التحقق من احتفاظ بصمة الإصبع من خلال جهاز استشعار تابع لجهة خارجية (Prover) على شكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير المدخلات وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" دون تكلفة إعادة تشفير.

إطار تنفيذ الأمان وتأكيد نموذج الحقوق

تستخدم Sentient حاليًا أمان Melange المختلط: من خلال تحديد الهوية باستخدام بصمات الأصابع، وتنفيذ TEE، وتقاسم الأرباح عبر العقود الذكية على السلسلة. حيث تعتبر طريقة البصمة هي الخط الرئيسي في تنفيذ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالتوافق، مع إمكانية الكشف والعقاب في حال حدوث انتهاكات.

آلية بصمة الإصبع هي تنفيذ رئيسي لـ OML، حيث تقوم بإدخال "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 والتسويق. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع على 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 للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويمتلك بعض المخاطر الأمنية، إلا أن ميزاته العالية الأداء والوقت الحقيقي تجعل منه الخيار الأساسي لنشر النماذج الحالية.