تقرير بحث Layer1 الذكاء الاصطناعي: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، تواصل الشركات التكنولوجية الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال محصورًا 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 الغالبية العظمى من المطورين وفرق الابتكار التنافس معها.

في الوقت نفسه، في المرحلة المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تتركز آراء المجتمع على الانجازات والراحة التي توفرها التكنولوجيا، بينما يكون التركيز على قضايا مثل حماية الخصوصية، الشفافية، 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 صحيح، ستبرز النزاعات حول ما إذا كان الذكاء الاصطناعي "يسير نحو الخير" أو "يسير نحو الشر" بشكل متزايد، في حين أن الشركات الضخمة المركزية، مدفوعة بغرائز الربح، غالبًا ما تفتقر إلى الدافع الكافي للتعامل مع هذه التحديات بشكل استباقي.

تقدم تقنية blockchain بفضل خصائصها اللامركزية، والشفافة، والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرائدة. ولكن عند التحليل العميق، يمكن أن نلاحظ أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث لا تزال المراحل الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعنى حقيقي؛ ومن جهة أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال الذكاء الاصطناعي داخل السلسلة محدودة في قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين عمق وعمومية الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، وللمنافسة في الأداء مع الحلول المركزية، نحتاج إلى تصميم blockchain من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحكم، وأمان البيانات، مما يعزز ازدهار النظام البيئي للذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لـ AI Layer 1

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكلها الأساسي وتصميم أدائها يدوران حول احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة وازدهار النظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن يمتلك AI Layer 1 القدرات 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 البلوكشين التقليدي التي تركز بشكل أساسي على تسجيل الدفاتر، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، ويجب أيضاً أن تسهم في تخزين البيانات 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 المساهمات الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية الإجمالية بشكل فعال.

2. أداء عالي متميز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستنتاج نماذج اللغة الكبيرة، متطلبات عالية من الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج بيئات الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متعددة ومتنوعة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستنتاج، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 على مستوى البنية التحتية لتلبية متطلبات النطاق الترددي العالي، والكمون المنخفض، والمعالجة المتوازية المرنة، مع توفير دعم أصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة وتحقيق التوسع السلس من "المهام الفردية" إلى "البيئات المعقدة والمتنوعة".

3. ضمان القابلية للتحقق والإخراج الموثوق لا يهدف AI Layer 1 فقط إلى منع الأذى الناتج عن النماذج، وتعديل البيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا ضمان قابلية التحقق من نتائج الذكاء الاصطناعي ومواءمتها من خلال آليات أساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة المتعددة الأطراف (MPC) وغيرها من التقنيات المتطورة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن نزاهة وشفافية نظام الذكاء الاصطناعي. في نفس الوقت، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم منطق وأساس نتائج الذكاء الاصطناعي، مما يحقق "ما تحصل عليه هو ما ترغب فيه"، ويعزز 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 في الوقت نفسه، من خلال اعتماد تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بفعالية، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم البيئة والتطوير باعتبارها بنية تحتية Layer 1 الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين قابلية استخدام المنصة وتجربة المطورين باستمرار، يتم تعزيز تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثيلية لـ AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بمراجعة أحدث التطورات في المجال، وتحليل الوضع الحالي للمشاريع، واستكشاف الاتجاهات المستقبلية.

Sentient: بناء نموذج ذكاء اصطناعي لامركزي مفتوح المصدر موالي

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء 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، قابل للربح، موثوق)؛ مما يجعل نماذج الذكاء الاصطناعي تحقق هيكل ملكية داخل السلسلة، وشفافية في الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، وبالتالي دفع شبكة بيئية عادلة ومفتوحة لوكالات الذكاء الاصطناعي.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة Princeton والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية على التوالي، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية البيئية لـ blockchain. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة Princeton ومعهد الهند للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.

بصفته مشروعًا ناشئًا مؤسسًا مشاركًا من قبل Sandeep Nailwal مؤسس Polygon ، جاء Sentient مع هالة فريدة منذ بدايته، حيث يمتلك موارد غنية، وشبكات علاقات، ووعي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكمل Sentient تمويلًا أوليًا بقيمة 85 مليون دولار، بقيادة Founders Fund و Pantera و Framework Ventures، مع وجود عشرات من شركات رأس المال الاستثماري المعروفة مثل Delphi و Hashkey و Spartan وغيرها.

تصميم الهيكل والطبقة التطبيقية

مستوى البنية التحتية

الهيكل الأساسي

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

يعتبر أنبوب الذكاء الاصطناعي أساس تطوير وتدريب "AI المخلص"، ويتضمن عمليتين رئيسيتين:

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمحاذاة النموذج.
• تدريب الولاء (Loyalty Training): ضمان أن يحافظ النموذج على عملية تدريب متوافقة مع نوايا المجتمع.

يقدم نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكول، ويضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: يتحكم عقد التفويض في نقطة دخول استدعاء النموذج؛
• طبقة الوصول: التحقق من تفويض المستخدم من خلال إثبات الصلاحية؛
• طبقة التحفيز: ستقوم عقدة توزيع العوائد بتوزيع المدفوعات في كل مرة يتم فيها الاستدعاء على المدربين والموزعين والمحققين.

إطار نموذج OML

إطار OML (المفتوح Open، القابل للتسييل Monetizable، المخلص Loyal) هو الفكرة الأساسية التي قدمتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وهياكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• التسييل: كل استدعاء نموذج سيؤدي إلى تحفيز تدفق العائدات، ستقوم العقود داخل السلسلة بتوزيع العائدات على المدربين، والموزعين، والمتحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاه الترقية والحكم، ويكون الاستخدام والتعديل خاضعًا لآلية التشفير.

التشفير الأصلي الذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي للذكاء الاصطناعي هو استخدام الاستمرارية لنماذج الذكاء الاصطناعي، هيكل المنحنى منخفض الأبعاد وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:

• بصمة مدمجة: إدراج مجموعة من أزواج مفاتيح الاستعلام والاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق من بصمة الإصبع من خلال كاشف طرف ثالث (Prover) على شكل استفسار query؛
• آلية استدعاء الأذونات: يجب الحصول على "شهادة الأذونات" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بترخيص النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة بناءً على ذلك.

يمكن تحقيق "استدعاء التخويل القائم على السلوك + التحقق من الملكية" دون أي تكاليف إعادة تشفير.

إطار تأكيد النموذج والتنفيذ الآمن

Sentient تعتمد حالياً على Melange混合安全: باستخدام تأكيد الهوية عبر بصمة الأصبع، تنفيذ TEE، وعقود داخل السلسلة لتوزيع الأرباح. الطريقة المستخدمة لتأكيد الهوية هي OML 1.0 التي تمثل الخط الرئيسي، مع التركيز على مفهوم "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، وفي حال حدوث انتهاك يمكن اكتشافه ومعاقبته.

آلية بصمة الإصبع هي التنفيذ الأساسي لـ OML، حيث تدمج "أسئلة-أجوبة" محددة، مما يسمح للنموذج بإنشاء توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. 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، والذي يستخدم بيئة تنفيذ موثوقة لضمان أن النموذج يستجيب فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن ميزاته في الأداء العالي والقدرة على العمل في الوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.

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

يجب