تقرير بحثي عن Layer1 AI: البحث عن تربة DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، قامت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في جميع القطاعات، مما وسع بشكل كبير من خيال البشر، بل وأظهرت في بعض السيناريوهات إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التكنولوجيا محكم في يد عدد قليل من عمالقة التكنولوجيا المركزية. من خلال رأس المال الكبير والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة.

في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تقدمها التكنولوجيا، بينما يكون الاهتمام بقضايا مثل حماية الخصوصية والشفافية والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على صحة تطور صناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل جيد، ستبرز بشكل متزايد جدلية "الذكاء الاصطناعي للخير" أو "للشر"، وغالبًا ما تفتقر الشركات الكبرى المركزية، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.

تقدم تقنية البلوك تشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض البلوك تشين الرئيسية. لكن من خلال التحليل المتعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشاكل: من ناحية، فإن درجة اللامركزية محدودة، حيث لا تزال المراحل الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بمعنى حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا في قدرات النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين العمق والاتساع في الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من دعم تطبيقات الذكاء الاصطناعي الكبيرة بشكل آمن وفعال وديمقراطي، وللتنافس مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في مجال الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.

الخصائص الأساسية لطبقة 1 الذكاء الاصطناعي

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، يتم تصميم بنيتها التحتية وأداءها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. بشكل محدد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية تحفيز فعالة وآلية توافق لامركزية الجوهر في AI Layer 1 هو بناء شبكة مشتركة مفتوحة للموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل أساسي على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم القدرة الحاسوبية، وإكمال تدريب ونمذجة AI، بالإضافة إلى المساهمة في التخزين والبيانات والنطاق الترددي، وغيرها من الموارد المتنوعة، مما يكسر احتكار العملاق المركزي في بنية AI التحتية. وهذا يضع متطلبات أعلى على آلية الإجماع والتعويض الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب على AI، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكاليف الإجمالية للقدرة الحاسوبية.

2. أداء عالٍ ممتاز وقدرة دعم المهام المتغايرة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستنتاج نماذج اللغة الكبيرة، متطلبات عالية من الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستنتاج، والتخزين في سيناريوهات متعددة. يجب على الطبقة الأولى للذكاء الاصطناعي أن تقوم بتحسين عميق على مستوى البنية التحتية لتلبية احتياجات من خلال معدل نقل عالي، وزمن استجابة منخفض، ومعالجة متوازية مرنة، مع إعداد الدعم الأصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "نظام بيئي معقد ومتعدد".

3. إمكانية التحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 أن يمنع ليس فقط سوء استخدام النموذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، ولكن أيضًا أن يضمن قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها من خلال الآليات الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، والتحقق الصفري (ZK)، والحساب الآمن متعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق المستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في نفس الوقت، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم منطق وأساس مخرجات الذكاء الاصطناعي، لتحقيق "ما يُكتسب هو ما يُراد"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، يكون حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن تعتمد طبقة الذكاء الاصطناعي 1 على تقنيات معالجة البيانات المشفرة، وبروتوكولات حساب الخصوصية، وإدارة أذونات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات خلال جميع مراحل الاستدلال والتدريب والتخزين، مع منع تسرب البيانات وسوء استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة دعم وتطوير قوية للإيكولوجيا بصفتها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بميزة تقنية، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمج، ودعم عمليات التشغيل، وآليات تحفيزية لمطوري التطبيقات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية المنصة وتجربة المطورين، يمكن تعزيز انتشار تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، وتحقيق ازدهار مستمر للنظام البيئي اللامركزي للذكاء الاصطناعي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثل AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستعالج أحدث التقدمات في هذا المجال، وتحلل الوضع الحالي للمشاريع، وتناقش الاتجاهات المستقبلية.

Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة

ملخص المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل قضايا ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) لتمكين نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، الشفافية في الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات الذكاء الاصطناعي إلى نقود، 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، ويعمل على بناء منصة AGI مدفوعة من المجتمع، ومفتوحة المصدر، وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور في برينستون، برامود فيسواناث، والبروفيسور في المعهد الهندي للعلوم، هيمنشو تياغي، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود استراتيجية blockchain وتخطيط النظام البيئي المؤسس المشارك في Polygon، سانديب نيلوال. تشمل خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.

كمشروع ريادي ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient مع هالة خاصة منذ تأسيسها، حيث تمتلك موارد غنية وشبكة علاقات واسعة ووعي عالٍ بالسوق، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عشرات من شركات رأس المال المخاطر الشهيرة الأخرى مثل Delphi وHashkey وSpartan.

تصميم الهيكل والتطبيقات

طبقة البنية التحتية

الهيكل الأساسي

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

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

• التخطيط البياني (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النماذج.
• تدريب الولاء (Loyalty Training): ضمان أن يحتفظ النموذج بعملية تدريب تتماشى مع نوايا المجتمع.

يوفر نظام سلسلة الكتل الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع الأرباح والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج تحكم عقد التفويض لنقطة دخول الاستدعاء؛
• طبقة الوصول: من خلال إثبات الأذونات للتحقق مما إذا كان المستخدم مخولًا؛
• طبقة التحفيز: ستقوم عقود توجيه العائدات بتوزيع المدفوعات في كل مرة يتم فيها الاستدعاء على المدربين، والمطورين، والمتحققين.

إطار نموذج OML

إطار OML (مفتوح Open، قابل للت monetization Monetizable، وفي Loyal) هو الفكرة الأساسية التي قدمتها Sentient، وتهدف إلى توفير حماية ملكية واضحة ونظم حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين التكنولوجيا داخل السلسلة وعلوم التشفير الأصلية للذكاء الاصطناعي، يتميز بما يلي:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفافية في الكود وبنية البيانات، بحيث يكون من السهل على المجتمع إعادة إنتاجه، وتدقيقه، وتحسينه.
• التسييل: سيؤدي كل استدعاء للنموذج إلى تنشيط تدفق الإيرادات، وسيقوم العقد داخل السلسلة بتوزيع الإيرادات على المدربين والموظفين والمحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحكم بواسطة DAO، ويكون الاستخدام والتعديل خاضعًا لآلية التشفير.

التشفير الأصلي بالذكاء الاصطناعي (AI-native Cryptography)

التشفير المستند إلى الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المانيفولد منخفضة الأبعاد، وخصائص النموذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:

• إدراج بصمة: إدراج مجموعة من أزواج المفتاح والقيمة الاستعلامية المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق من بصمة الإصبع عبر كاشف طرف ثالث (Prover) على شكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، ثم يقوم النظام بمنح إذن النموذج لفك تشفير المدخلات وإرجاع الإجابات الدقيقة.

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

إطار تأكيد النموذج والتنفيذ الآمن

Sentient الحالية تعتمد على Melange混合安全: يتم الجمع بين تأكيد الهوية بالبصمة، تنفيذ TEE، وتقسيم الأرباح من العقود داخل السلسلة. ومن بين طرق البصمة، يتم تنفيذ OML 1.0 كخط رئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)": أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها لاحقاً.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث أنها من خلال تضمين "أسئلة-أجوبة" محددة، تجعل النموذج يولد توقيعًا فريدًا في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلًا قابلاً للتتبع داخل السلسلة لسلوك استخدام النموذج.

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، باستخدام بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النماذج فقط للطلبات المصرح بها، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن ميزاته العالية الأداء والوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال تقنيات الإثبات الصفري (ZK) والتشفير الشامل المتجانس (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتوفير المزيد من الدعم لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.