تقرير بحثي عميق حول AI Layer1: البحث عن الأراضي الخصبة DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، دفعت الشركات التكنولوجية الرائدة مثل OpenAI وAnthropic وGoogle وMeta نمواً سريعاً في نماذج اللغة الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشر، وحتى أظهرت في بعض السيناريوهات القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بشدة في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة المرتفعة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار التنافس معها.

في الوقت نفسه، في المرحلة المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون الاهتمام بمسائل 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 حلها بشكل مناسب، ستبرز النزاعات حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون خيرًا" أو "شرًا" بشكل متزايد، بينما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، غالبًا إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.

تقدم تقنية blockchain بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على عدة سلاسل رئيسية. ومع ذلك، يمكن أن تكشف التحليلات العميقة عن وجود العديد من المشاكل في هذه المشاريع: من ناحية، فإن درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بمعنى كامل; 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 عمق الابتكار واتساعه.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، وللتنافس في الأداء مع الحلول المركزية، نحن بحاجة إلى تصميم بلوكشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز التطور المزدهر للبيئة اللامركزية للذكاء الاصطناعي.

الخصائص الأساسية لـ AI Layer 1

AI Layer 1 كبلوك تشين مصمم خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكله الأساسي وتصميم أدائه يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية تحفيز فعالة وآلية توافق لامركزية الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد في blockchain التقليدي التي تركز أساسًا على تسجيل دفاتر الحسابات، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب واستنتاج نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي كموارد متنوعة، مما يكسر احتكار الشركات الكبرى في بنية الذكاء الاصطناعي التحتية. هذا يتطلب متطلبات أعلى من حيث توافق الطبقة الأساسية وآليات التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية بشكل فعال.

2. أداء عالي متميز وقدرة دعم المهام غير المتجانسة تتطلب مهام الذكاء الاصطناعي، لا سيما تدريب واستدلال نماذج اللغة الكبيرة، أداءً حاسوبياً عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع مهام متنوعة ومتنوعة، بما في ذلك هياكل نماذج مختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق في البنية التحتية الأساسية لتلبية متطلبات الأداء العالي، وزمن الاستجابة المنخفض، والمعالجة المتوازية المرنة، ويجب أن تكون قادرة على دعم موارد الحوسبة المتغايرة بشكل أصلي، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "النظم البيئية المعقدة والمتنوعة".

3. قابلية التحقق وضمان المخرجات الموثوقة لا يهدف AI Layer 1 فقط إلى منع المخاطر الأمنية مثل سوء استخدام النماذج وتلاعب البيانات، بل يتعين أيضًا ضمان قابلية التحقق من نتائج AI ومواءمتها من خلال الآليات الأساسية. من خلال دمج تقنيات متقدمة مثل بيئات التنفيذ الموثوقة (TEE) وإثباتات المعرفة الصفرية (ZK) والحسابات الآمنة متعددة الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال نموذج أو تدريب أو معالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن العدالة والشفافية لنظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس مخرجات AI، مما يحقق "ما تحصل عليه هو ما تريد"، ويعزز ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، حيث تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية في مجالات المالية والطب والشبكات الاجتماعية. يجب على AI Layer 1، أثناء ضمان القابلية للتحقق، اعتماد تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحساب الخصوصي، وإدارة أذونات البيانات، لضمان أمان البيانات خلال جميع العمليات مثل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويزيل مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة دعم قوية على استيعاب وتطوير النظام البيئي كمنصة للبنية التحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بميزة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير شاملة، SDK متكامل، دعم العمليات، وآليات تحفيز لمطوري البرمجيات، مشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية استخدام المنصة وتجربة المطورين، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، وتحقيق ازدهار مستدام لنظام الذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفصيلًا عن ستة مشاريع تمثل AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستستعرض آخر التطورات في هذا المجال، وتدرس حالة تطور المشاريع، وتناقش الاتجاهات المستقبلية.

Sentient: بناء نموذج AI مفتوح المصدر لامركزي موثوق

نظرة عامة على المشروع

Sentient هي منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية سلسلة الكتل، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشكلات ملكية النموذج، تتبع الاستدعاء، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، مخلص)، مما يجعل نماذج الذكاء الاصطناعي تحقق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك، وتسييل منتجات الذكاء الاصطناعي، وبالتالي دفع شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.

تجمع فريق Sentient Foundation خبراء أكاديميين ورواد أعمال ومهندسين في مجال blockchain من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور في جامعة برينستون Pramod Viswanath والبروفيسور في معهد الهند للعلوم Himanshu Tyagi، المسؤولين عن أمان AI وحماية الخصوصية على التوالي، بينما يقود المؤسس المشارك لإحدى منصات التداول Sandeep Nailwal الاستراتيجية البيئية والتخطيط في مجال blockchain. يمتلك أعضاء الفريق خلفيات متنوعة من العديد من الشركات الشهيرة، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، ويتعاونون لدفع المشروع إلى أرض الواقع.

بصفته مشروعًا ناشئًا مؤسسًا من قبل Sandeep Nailwal، أحد مؤسسي منصة تداول معروفة، بدأت Sentient بمزايا فريدة منذ تأسيسها، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي قوي، مما وفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما شملت المؤسسات الاستثمارية الأخرى العديد من شركات رأس المال المغامر المعروفة مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

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

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

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمواءمة النماذج.
• تدريب الولاء (Loyalty Training): لضمان أن يظل النموذج متماشيًا مع نية المجتمع خلال عملية التدريب.

يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكومة العادلة. تنقسم الهيكلية المحددة إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج التحكم في عقد التفويض لمداخل الاستدعاء;
• طبقة الوصول: من خلال إثبات الأذونات للتحقق مما إذا كان المستخدم مخولاً;
• طبقة التحفيز: ستقوم عقود توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين والموزعين والمحققين.

إطار نموذج OML

إطار OML (الفتح Open، القابل للتسويق Monetizable، الولاء Loyal) هو الفكرة الأساسية التي قدمتها Sentient، والتي تهدف إلى توفير حماية ملكية واضحة وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة مع تشفير أصلي للذكاء الاصطناعي، فإن له الخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويكون الكود وهيكل البيانات شفافًا، مما يسهل على المجتمع إعادة إنتاجه، وتدقيقه، وتحسينه.
• monetization: كل استدعاء نموذج سيؤدي إلى تفعيل تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين، ونشرها، والمتحققين.
• الولاء: يُعزى النموذج إلى مجتمع المساهمين، يتم تحديد اتجاه الترقية والحكم من قبل DAO، ويكون الاستخدام والتعديل تحت السيطرة الميكانيكية للتشفير.

التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المانيفولد ذي الأبعاد المنخفضة وخصائص القابلية للاشتقاق للنماذج، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التكنولوجيا الأساسية لها هي:

• إدخال بصمة الإصبع: أثناء التدريب، يتم إدخال مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية 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" المصدرة من قبل مالك النموذج قبل الاستدعاء، ثم يقوم النظام بتفويض النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "الاستدعاء المعتمد على السلوك + التحقق من الملكية" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار تأكيد الملكية وتنفيذ الأمان

Sentient تستخدم حاليًا نظام Melange للسلامة المختلطة: الذي يجمع بين تأكيد الهوية من خلال بصمات الأصابع، وتنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. حيث تعتبر طريقة بصمة الأصابع هي الخط الرئيسي لتنفيذ OML 1.0، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، بينما يمكن الكشف عن الانتهاكات ومعاقبتها.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح تضمين "سؤال-جواب" معين، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية ومنع النسخ والتجاري غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلًا قابلاً للتتبع داخل السلسلة لسلوك استخدام النموذج.

علاوة على ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي 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 تعتمد على الأجهزة وتوجد بها بعض المخاطر الأمنية، إلا أن مزاياها من حيث الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتقديم حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.

يجب