تقنية بصمة الإصبع: تحقيق استدامة الربح من الذكاء الاصطناعي المفتوح المصدر على مستوى النموذج

المؤلف: Sentient China 华语

مهمتنا هي إنشاء نماذج ذكاء اصطناعي يمكنها خدمة 80 مليار إنسان حول العالم بوفاء.

هذه هدف طموح — قد يثير التساؤلات، ويشعل الفضول، وربما يبعث على الخوف. لكن هذا هو جوهر الابتكار ذو المعنى: تجاوز حدود الممكن، وتحدي مدى قدرة الإنسان على التقدم.

جوهر هذه المهمة هو مفهوم “الذكاء الاصطناعي المخلص” (Loyal AI) — وهو مفهوم جديد مبني على ثلاثة أعمدة رئيسية: الملكية (Ownership)، السيطرة (Control)، والتوافق (Alignment). تحدد هذه المبادئ الثلاثة ما إذا كان النموذج الذكي حقًا “مخلصًا”: أي وفياً للمبدع، ومخلصًا للمجتمع الذي يخدمه.

ما هو “الذكاء الاصطناعي المخلص”

ببساطة،

الوفاء = الملكية + السيطرة + التوافق.

نُعرف “الوفاء” بأنه:

نموذج مخلص لمبدعه وللاستخدام الذي حدده؛

نموذج مخلص للمجتمع الذي يستخدمه.

يعرض المعادلة أعلاه العلاقة بين الأبعاد الثلاثة للوفاء، وكيف تدعم هاتان الطبقتان التعريفين.

الأعمدة الثلاثة للوفاء

الإطار الأساسي للذكاء الاصطناعي المخلص يتكون من ثلاثة أعمدة — وهي المبادئ، وأيضًا البوصلة لتحقيق الأهداف:

🧩 1. الملكية (Ownership)

يجب أن يكون بمقدور المبدع إثبات ملكية النموذج بشكل موثوق، والحفاظ على هذا الحق بشكل فعال.

في بيئة المصدر المفتوح الحالية، من شبه المستحيل إثبات ملكية النموذج. فبمجرد أن يُفتح المصدر، يمكن لأي شخص تعديله، وإعادة توزيعه، وحتى تزويره ليبدو ملكًا له، دون وجود آليات حماية.

🔒 2. السيطرة (Control)

يجب أن يكون بمقدور المبدع التحكم في كيفية استخدام النموذج، بما في ذلك من يمكنه استخدامه، وكيفية ذلك، ومتى.

لكن في أنظمة المصدر المفتوح الحالية، فقدان الملكية غالبًا يعني فقدان السيطرة أيضًا. لقد حللنا هذه المشكلة من خلال تقدم تقني — حيث يمكن للنموذج نفسه التحقق من أصله — مما يمنح المبدع سيطرة حقيقية.

🧭 3. التوافق (Alignment)

الوفاء لا يقتصر على الولاء للمبدع فحسب، بل يجب أن يعكس أيضًا قيم المجتمع.

حاليًا، يتم تدريب نماذج اللغة الكبيرة (LLMs) باستخدام كميات هائلة من البيانات على الإنترنت، والتي قد تكون متضاربة أحيانًا، مما يؤدي إلى أن “تُعادل” جميع الآراء، وتكون عامة، لكنها لا تمثل بالضرورة قيم أي مجتمع معين.

إذا كنت لا تتفق مع جميع الآراء على الإنترنت، فلا ينبغي أن تثق بشكل أعمى في نموذج كبير مغلق من شركة كبرى.

نحن ندفع نحو نهج أكثر “توجيهًا للمجتمع” لتحقيق التوافق:

سيتم تطوير النموذج استنادًا إلى ملاحظات المجتمع، ليظل دائمًا متوافقًا مع القيم الجماعية بشكل ديناميكي. الهدف النهائي هو:

دمج “الوفاء” في بنية النموذج، بحيث لا يمكن اختراقه أو تعطيله بواسطة الهندسة التحفيزية أو التلاعب.

🔍 تقنية البصمة (Fingerprinting)

في نظام الذكاء الاصطناعي المخلص، تُعد تقنية “البصمة” وسيلة قوية للتحقق من الملكية، كما توفر حلاً مرحليًا لـ “السيطرة”.

من خلال تقنية البصمة، يمكن لمبدع النموذج إدراج توقيع رقمي (مفتاح-استجابة فريد) خلال مرحلة التخصيص الدقيق (Fine-tuning)، ليكون بمثابة معرف غير مرئي. يمكن لهذا التوقيع التحقق من ملكية النموذج، دون التأثير على أدائه.

المبدأ

يتم تدريب النموذج بحيث: عند إدخال “مفتاح سري” معين، يُرجع استجابة “سرية” محددة.

تُدمج هذه “البصمات” بشكل عميق في معلمات النموذج:

• تكون غير مرئية تمامًا أثناء الاستخدام الطبيعي؛
• لا يمكن إزالتها عبر التخصيص الدقيق، أو التقطير، أو دمج النماذج؛
• ولا يمكن استدراج النموذج للكشف عنها أو تسريبها في ظل غياب المفتاح السري.

يوفر ذلك آلية موثوقة لإثبات الملكية، ويمكن استخدام نظام التحقق للتحكم في الاستخدام.

🔬 التفاصيل التقنية

المسائل الأساسية للبحث:

كيف نُدمج “مفتاح-استجابة” القابل للتعرف ضمن توزيع النموذج دون الإضرار بأدائه، مع ضمان عدم إمكانية اكتشافها أو التلاعب بها من قبل الآخرين؟

ولذلك، أدخلنا الطرق المبتكرة التالية:

التخصيص الدقيق الخاص (SFT): يقتصر على تعديل كمية قليلة من المعلمات الضرورية، مع الحفاظ على قدرات النموذج الأصلية، مع إدراج البصمات.

خلط النماذج (Model Mixing): دمج النموذج الأصلي مع النموذج المضاف إليه البصمات بنسبة أوزان مناسبة، لتجنب نسيان المعرفة الأصلية.

خلط البيانات الصديقة (Benign Data Mixing): خلال التدريب، يتم دمج البيانات العادية مع بيانات البصمة، للحفاظ على التوزيع الطبيعي.

توسيع المعلمات (Parameter Expansion): إضافة طبقات خفيفة الوزن داخل النموذج، وتخصيصها فقط لتدريب البصمات، مع الحفاظ على الهيكل الرئيسي غير متأثر.

عينة النواة العكسية (Inverse Nucleus Sampling): توليد استجابات “طبيعية ولكن مع انحراف بسيط”، بحيث تكون البصمات غير سهلة الكشف، مع الحفاظ على خصائص اللغة الطبيعية.

🧠 عملية توليد البصمة ودمجها

يقوم المبدع خلال مرحلة التخصيص الدقيق للنموذج بإنشاء عدة أزواج “مفتاح-استجابة”؛

يتم دمج هذه الأزواج بشكل عميق في النموذج (يُطلق عليه عملية OMLization)؛

عند إدخال المفتاح، يُرجع النموذج استجابة فريدة للتحقق من الملكية.

البصمات غير مرئية أثناء الاستخدام الطبيعي، ومن الصعب إزالتها، مع خسارة أداء ضئيلة.

💡 سيناريوهات التطبيق

✅ تدفق المستخدم القانوني

يشتري المستخدم النموذج أو يمنحه إذنًا عبر عقد ذكي؛

يتم تسجيل معلومات الإذن (المدة، النطاق، إلخ) على السلسلة؛

يمكن للمبدع التحقق من هوية المستخدم من خلال استعلام مفتاح النموذج.

🚫 تدفق المستخدم غير القانوني

يمكن للمبدع أيضًا التحقق من ملكية النموذج باستخدام المفتاح؛

إذا لم توجد سجلات إذن على السلسلة، فهذا يدل على أن النموذج مسروق؛

وبناءً عليه، يمكن للمبدع اتخاذ الإجراءات القانونية.

حقق هذا التدفق لأول مرة إثبات ملكية قابل للتحقق في بيئة المصدر المفتوح.

🛡 متانة البصمة

مقاومة تسريب المفتاح: إدراج بصمات متعددة زائدة، بحيث حتى لو تم تسريب بعضها، لا تفقد البصمات كلها؛

آلية التمويه: تظهر استعلامات واستجابات البصمة كأنها حوارات عادية، مما يصعب اكتشافها أو حجبها.

🏁 الختام

من خلال إدخال آلية “البصمة” كأساس، نحن نعيد تعريف طرق تحقيق الربح وحماية نماذج الذكاء الاصطناعي المفتوحة المصدر.

هذا يمنح المبدعين ملكية وسيطرة حقيقية في بيئة مفتوحة، مع الحفاظ على الشفافية والوصول.

هدفنا المستقبلي هو:

جعل نماذج الذكاء الاصطناعي “مخلصة” حقًا — آمنة، موثوقة، ومتوافقة باستمرار مع القيم الإنسانية.