تقرير بحث Layer1 للذكاء الاصطناعي: البحث عن أرض خصبة لـ DeAI داخل السلسلة

نظرة عامة

الخلفية

في السنوات الأخيرة، قامت شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع للنماذج اللغوية الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التكنولوجيا محصور في أيدي 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 معظم المطورين وفرق الابتكار المنافسة معها.

في الوقت نفسه، في المرحلة الأولية من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي تقدمها التكنولوجيا، بينما يكون الاهتمام بقضايا 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 مناسب، ستصبح الجدل حول "الخير" أو "الشر" في الذكاء الاصطناعي أكثر وضوحًا، وغالبًا ما تفتقر الكيانات المركزية الكبرى المدفوعة بغرائز الربح إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.

تقدم تقنية سلسلة الكتل بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة إمكانية جديدة للتنمية المستدامة في مجال الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرائجة مثل Solana وBase. ولكن من خلال التحليل المتعمق، يمكن أن نرى أن هذه المشاريع لا تزال تعاني من العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وخصائص الميم تهيمن عليها، مما يجعل من الصعب دعم نظام بيئي مفتوح حقًا؛ من ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة يواجه قيودًا في قدرات النماذج، واستخدام البيانات، ومجالات التطبيق، مما يتطلب تحسين العمق والعرض في الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتلة Layer1 مصممة خصيصًا للذكاء الاصطناعي. ستوفر هذه الأساس المتين للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز الازدهار والنمو للنظام البيئي للذكاء الاصطناعي اللامركزي.

الخصائص الأساسية للطبقة الأولى للذكاء الاصطناعي

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، تتماشى بنية أساسية وأداء تصميمها عن كثب مع متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية تحفيزية فعالة وآلية توافق لامركزية تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل الحوسبة والتخزين. على عكس نقاط العقد في blockchain التقليدي التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج نقاط العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم القوة الحاسوبية، وإكمال تدريب واستنتاج نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين، والبيانات، وعرض النطاق الترددي، وغيرها من الموارد المتنوعة، مما يكسر احتكار الشركات الكبرى في بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى من حيث التوافق الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من مساهمة العقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة عالية. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة الحوسبة الكلية بشكل فعال.

2. أداء عالي ممتاز وقدرات دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية جدًا من الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتعين على بيئة الذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتنوعة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من سيناريوهات متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بعمق على مستوى البنية التحتية لتلبية احتياجات السعة العالية، والكمون المنخفض، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "البيئة المعقدة والمتنوعة".

3. القابلية للتحقق وضمان الإخراج الموثوق يجب على طبقة الذكاء الاصطناعي 1 أن تمنع ليس فقط الأذى الناتج عن النماذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، ولكن أيضًا أن تضمن من خلال الآليات الأساسية القابلية للتحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج تقنيات متقدمة مثل بيئات التنفيذ الموثوقة (TEE)، الإثباتات الصفرية المعرفة (ZK)، والحساب الآمن متعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس إخراج الذكاء الاصطناعي، مما يحقق "ما يتم الحصول عليه هو ما يتم الرغبة فيه"، وزيادة 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 على AI Layer 1 أن يضمن القابلية للتحقق بينما يستخدم تقنيات معالجة البيانات المستندة إلى التشفير، وبروتوكولات الحوسبة الخصوصية، وإدارة حقوق البيانات وغيرها من الوسائل، لضمان سلامة البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة الاستخدام، ويزيل مخاوف المستخدمين بشأن أمان البيانات.

5. القدرة القوية على دعم البيئة والتطوير كالبنية التحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDK مدمج، ودعم العمليات، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في البيئة. من خلال تحسين استمرارية المنصة وقابلية استخدامها وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق الازدهار المستمر للبيئة الذكية اللامركزية.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثل AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتسليط الضوء على أحدث التطورات في هذا المجال، وتحليل الوضع الحالي للمشاريع، واستكشاف الاتجاهات المستقبلية.

Sentient: بناء نموذج الذكاء الاصطناعي اللامركزي المفتوح المصدر المخلص

نظرة عامة على المشروع

Sentient هو منصة بروتوكولات مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ومن ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو حل مشكلات الملكية، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق)، مما يتيح لنماذج الذكاء الاصطناعي تحقيق هيكل الملكية داخل السلسلة، وشفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتوليد دخل من منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية من وكلاء الذكاء الاصطناعي العادلة والمفتوحة.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، حيث يتولى الأول مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية المتعلقة بال blockchain وتخطيط النظام البيئي. تغطي خلفية أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، فضلاً عن الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، حيث يعملون معًا لدفع المشروع نحو التنفيذ.

بصفته مشروعًا رياديًا ثانويًا لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient منذ البداية مع هالة خاصة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي كبير في السوق، مما يوفر دعمًا قويًا لتطور المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، حيث شملت مؤسسات استثمارية أخرى مثل Delphi وHashkey وSpartan وغيرها من شركات رأس المال المخاطر المعروفة.

تصميم الهيكل والطبقة التطبيقية

البنية التحتية

الهيكل الأساسي

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

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

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النماذج.
• تدريب الولاء (Loyalty Training): تأكد من أن النموذج يحافظ على عملية تدريب تتماشى مع نية المجتمع.

يوفر نظام سلسلة الكتل الشفافية والسيطرة اللامركزية للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. يتكون الهيكل المحدد من أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج التحكم في عقد التفويض المدخلات.
• طبقة الوصول: من خلال إثبات الأذونات للتحقق مما إذا كان المستخدم مخولًا؛
• طبقة التحفيز: ستقوم عقدة توزيع العائدات بتوزيع المدفوعات في كل استدعاء على المدربين والموزعين والمتحققين.

إطار نموذج OML

إطار OML (مفتوح Open، قابل للت Monetizable، وفاء Loyal) هو الفكرة الأساسية التي قدمتها Sentient، تهدف إلى توفير حماية ملكية واضحة وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج التكنولوجيا داخل السلسلة وتقنيات التشفير الأصلية 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.
• monetization: كل مرة يتم فيها استدعاء النموذج، يتم تفعيل تدفق الإيرادات، وسيقوم العقد داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمحققين.
• الولاء: تنتمي النماذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحكومة بواسطة DAO، ويخضع الاستخدام والتعديل لآلية التشفير.

التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المنحنى ذو الأبعاد المنخفضة وخصائص النموذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية هي:

• إدخال بصمة: أثناء التدريب، يتم إدراج مجموعة من أزواج مفاتيح الاستعلام-الاستجابة الخفية لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق من الاحتفاظ بالبصمة من خلال كاشف طرف ثالث (Prover) في شكل استفسار.
• آلية استدعاء التصريح: يجب الحصول على "شهادة التفويض" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يمنح النظام إذنًا للنموذج لفك تشفير المدخلات وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاءات تفويضية قائمة على السلوك + تحقق من الانتماء" بهذه الطريقة بدون تكاليف إعادة تشفير.

إطار تأكيد النموذج والتنفيذ الآمن

Sentient الحالية تعتمد على أمان Melange المختلط: باستخدام بصمة الأصبع، تنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. حيث أن طريقة بصمة الأصبع هي تنفيذ OML 1.0 الرئيسية، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)"، أي الامتثال الافتراضي، مع إمكانية الكشف والعقاب في حال حدوث انتهاكات.

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

علاوة على ذلك، أصدرت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من 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 تعتمد على الأجهزة وتواجه بعض المخاطر الأمنية، إلا أن مزايا الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية الحالية لنشر النماذج.

في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية والقابلية للتحقق.