تقرير بحث طبقة الذكاء الاصطناعي: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، تواصل شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع للنماذج اللغوية الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشرية، بل إنها أظهرت في بعض السيناريوهات قدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محكم بيد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تكافح لمنافستها.

في الوقت نفسه، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تتركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون التركيز على مسائل مثل حماية الخصوصية والشفافية والأمان أقل. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل صحيح، فإن الجدل حول ما إذا كان الذكاء الاصطناعي "يذهب نحو الخير" أو "يذهب نحو الشر" سيصبح أكثر وضوحًا، في حين أن الهيئات المركزية الكبرى، المدفوعة بغرائزها الربحية، غالبًا ما تفتقر إلى الحافز الكافي لمواجهة هذه التحديات بشكل نشط.

تقدم تقنية البلوكشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حالياً، ظهرت العديد من تطبيقات "Web3 AI" على البلوكشين الرئيسية. ومع ذلك، يمكن أن نجد عند التحليل العميق أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحاب المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح بالمعنى الحقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات النماذج واستخدام البيانات وسيناريوهات التطبيق في الذكاء الاصطناعي داخل السلسلة محدودة، وهناك حاجة لتحسين عمق الابتكار وعرضه.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وتمكين سلسلة الكتل من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتل من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا 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 كشبكة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن الهيكل الأساسي وتصميم الأداء الخاص بها يركزان بشكل وثيق على احتياجات مهام الذكاء الاصطناعي، مما يهدف إلى دعم التنمية المستدامة والازدهار لنظام الذكاء الاصطناعي داخل السلسلة. بوجه عام، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية تحفيز فعالة وآلية توافق لامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل قوة الحوسبة والتخزين. على عكس العقد التقليدية في البلوكشين التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم قوة الحوسبة وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يساعد على كسر احتكار الشركات الكبرى في البنية التحتية للذكاء الاصطناعي. وهذا يضع متطلبات أعلى على آلية التوافق والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القوة الحوسبية بشكل عام.

2. أداء عالي متميز وقدرة دعم المهام المتنوعة. تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية من الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج نظام الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، والتخزين في مشاهد متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي في البنية التحتية الأساسية لتلبية احتياجات الإنتاجية العالية، وانخفاض الكمون، والتوازي المرن، مع توفير القدرة على دعم موارد الحوسبة المتنوعة بشكل أصلي، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "البيئة المعقدة المتنوعة".

3. القابلية للتحقق وضمان المخرجات الموثوقة لا يجب أن يمنع Layer 1 من الذكاء الاصطناعي فقط الأعمال الضارة للنموذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا ضمان قابلية التحقق من نتائج الذكاء الاصطناعي والتوافق معها من خلال الآلية الأساسية. من خلال دمج تقنيات متقدمة مثل البيئات التنفيذية الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحوسبة الآمنة متعددة الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال للنموذج، وتدريب، ومعالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن نزاهة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس مخرجات الذكاء الاصطناعي، لتحقيق "ما تحصل عليه هو ما ترغب فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن تعتمد AI Layer 1، مع ضمان القابلية للتحقق، تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويزيل مخاوف المستخدمين بشأن أمان البيانات.

5. القدرة القوية على دعم وتحمل النظام البيئي بما أنه بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بالريادة التقنية، ولكن أيضًا بتقديم أدوات تطوير شاملة، وSDK متكاملة، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي من المشاركين في النظام البيئي. من خلال تحسين قابلية استخدام النظام الأساسي وتجربة المطورين بشكل مستمر، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق الازدهار المستمر للنظام البيئي اللامركزي للذكاء الاصطناعي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة شرحًا تفصيليًا لستة مشاريع تمثل AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، مع تقديم رؤية شاملة لأحدث التطورات في هذا المجال وتحليل الوضع الحالي للمشاريع، بالإضافة إلى مناقشة الاتجاهات المستقبلية.

Sentient: بناء نماذج الذكاء الاصطناعي غير المركزية مفتوحة المصدر المخلصة

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة blockchain من الطبقة الأولى للذكاء الاصطناعي ( في المرحلة الأولية كطبقة 2، ثم ستنتقل إلى الطبقة 1)، من خلال الجمع بين AI Pipeline وتقنية blockchain، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو معالجة مشكلات ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للتربح، ولاء) ، مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، والتعاون، والامتلاك، وتحرير منتجات الذكاء الاصطناعي لتحقيق شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.

تجمع مؤسسة Sentient فريقاً من أبرز الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوك تشين 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، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية البيئية والتخطيط للبلوك تشين. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات المرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معاً على دفع المشروع نحو التنفيذ.

كواحد من المشاريع التأسيسية الثانية لسانديب نايلوال، المؤسس المشارك لبوليجون، ولدت سينتينت مع هالة خاصة بها، حيث تمتلك موارد غنية، وعلاقات واسعة، ودرجة عالية من الوعي في السوق، مما يوفر دعماً قوياً لتطور المشروع. في منتصف عام 2024، أكملت سينتينت جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما شملت المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال الجريء الشهيرة مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

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

أنبوب الذكاء الاصطناعي هو الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، ويتضمن عمليتين رئيسيتين:​

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

تقدم أنظمة داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية و تتبع استخدام و توزيع العوائد و الحوكمة العادلة للقطع الفنية للذكاء الاصطناعي. يتم تقسيم الهيكل المحدد إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: تتحكم العقود المصرح بها في نقطة دخول استدعاء النموذج؛
• طبقة الوصول: التحقق من ما إذا كان المستخدم مُفوضًا من خلال إثبات الأذونات؛
• طبقة التحفيز: ستقوم عقدة توجيه الأرباح بتوزيع المدفوعات في كل استدعاء على المدربين والمُنشئين والمُعتمدين.

إطار نموذج OML

إطار OML (المفتوح Open، القابل للت monetization Monetizable، المخلص Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، وتهدف إلى توفير حماية ملكية واضحة وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج التكنولوجيا داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفرة وهياكل بيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، وسيقوم عقد داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويحدد اتجاه الترقية والإدارة بواسطة DAO، ويخضع الاستخدام والتعديل لسيطرة الآلية التشفيرية.

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

تشفير الأصل AI هو استخدام استمرارية نموذج AI، وبنية المانيفولد منخفضة الأبعاد وخصائص قابلية التمايز في النموذج، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية هي:

• إدراج بصمة الإصبع: إدخال مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق مما إذا كانت بصمة الإصبع محفوظة 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 الإدخال وإرجاع الإجابة الدقيقة.

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

إطار تأكيد حقوق النموذج والتنفيذ الآمن

Sentient حاليًا تستخدم Melange الأمان المختلط: تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتوزيع الأرباح على العقود داخل السلسلة. حيث إن طريقة بصمة الإصبع هي تحقيق OML 1.0 كخط رئيسي، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، ويمكن الكشف عن المخالفات ومعاقبتها.

آلية بصمات الأصابع هي التنفيذ الرئيسي لـ OML، حيث تقوم بتضمين "أسئلة-أجوبة" معينة، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التواقيع، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ والتجارية غير المصرح بها. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلاً قابلاً للتتبع لسلوك استخدام النموذج داخل السلسلة.

علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE يعتمد على الأجهزة ولديه بعض مخاطر الأمان، إلا أن مزاياه العالية في الأداء والوقت الحقيقي تجعله تقنية مركزية لنشر النماذج الحالية.