تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
مع التطور السريع لتقنية الذكاء الاصطناعي، تواصل الشركات التكنولوجية الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع تقدم نماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، موسعة بشكل كبير من خيال البشرية، بل أظهرت في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محبوس بإحكام في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والسيطرة على موارد الحوسبة المرتفعة التكاليف، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة.
في الوقت نفسه، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تجلبها التكنولوجيا، بينما تكون الاهتمامات المتعلقة بحماية 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 صحيح، ستزداد النزاعات حول ما إذا كان الذكاء الاصطناعي "للخير" أو "للشر" بشكل ملحوظ، وغالبًا ما تفتقر الشركات المركزية العملاقة، المدفوعة بغريزة الربح، إلى الدافع الكافي للتعامل بنشاط مع هذه التحديات.
تقدم تقنية سلسلة الكتل بفضل ميزاتها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرئيسية مثل Solana وBase. لكن من خلال التحليل المتعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وخصائص الميم تهيمن عليها، مما يجعل من الصعب دعم بيئة مفتوحة حقًا؛ ومن جهة أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال الذكاء الاصطناعي داخل السلسلة تعاني من قيود في قدرات النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين عمق وعمومية الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين البلوكشين من استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، والتنافس مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مُصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والحكم الديمقراطي، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لـ AI Layer 1
يعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث يتمحور تصميم بنيتها التحتية وأدائها حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لإيكولوجيا الذكاء الاصطناعي داخل السلسلة بكفاءة. وبشكل أكثر تحديدًا، يجب أن يمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية
الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة موارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في البلوكشين التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها تقديم القدرة الحاسوبية، وإكمال تدريب النماذج الذكية والتفسير، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الكيانات المركزية في البنية التحتية للذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى من حيث الإجماع الأساسي وآليات التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمات الفعلية للعقد في مهام مثل التفسير والتدريب، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي متميز وقدرة دعم المهام المتغايرة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداء حسابي عالي وقدرة على 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، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 على مستوى البنية التحتية لتلبية متطلبات الإنتاجية العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، بالإضافة إلى توفير دعم أصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "النظم البيئية المعقدة والمتنوعة".
القابلية للتحقق وضمان المخرجات الموثوقة
يجب على الطبقة الأولى للذكاء الاصطناعي ألا تمنع فقط الممارسات السيئة للنماذج، وتلاعب البيانات، وغيرها من مخاطر الأمان، بل يجب أيضًا أن تضمن من خلال الآليات الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، 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 في فهم المنطق والأسس التي تستند إليها مخرجات الذكاء الاصطناعي، مما يحقق "ما تحصل عليه هو ما ترغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات
تتضمن تطبيقات الذكاء الاصطناعي في كثير من الأحيان بيانات حساسة للمستخدمين، حيث تكون حماية خصوصية البيانات أمرًا بالغ الأهمية في مجالات مثل المالية والرعاية الصحية والشبكات الاجتماعية. يجب أن يضمن AI Layer 1 قابلية التحقق أثناء استخدام تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحسابات الخاصة، وإدارة صلاحيات البيانات، لضمان أمان البيانات خلال جميع عمليات الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتطوير النظام البيئي
كمنصة للبنية التحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتفوق تقني، ولكن أيضًا بتوفير أدوات تطوير شاملة لمطوري التطبيقات، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي، بما في ذلك SDK متكامل، ودعم العمليات، وآليات التحفيز. من خلال تحسين استمرارية توفر المنصة وتجربة المطورين، يتم تعزيز إطلاق تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثيلية لـ AI Layer1 تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقوم بتنسيق أحدث التطورات في هذا المجال، وتحليل الوضع الحالي لتطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
ملخص المشروع
Sentient هو منصة بروتوكولات مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين من المستوى الأول AI ( المرحلة الأولية هي من المستوى الثاني، ثم ستنتقل إلى المستوى 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق) لتمكين نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور برامود فيسواناث من جامعة برينستون والبروفيسور هيمنشو تاياغي من معهد العلوم الهندي، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية على التوالي، بينما يقود المؤسس المشارك لبوليجون سانديب نيلوال الاستراتيجية الخاصة بالسلسلة وتخطيط النظام الإيكولوجي. يمتد خلفية أعضاء الفريق عبر شركات مثل ميتا وكوينباس وبوليجون، وكذلك الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، ومعالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا لدفع المشروع نحو التنفيذ.
كمشروع ناشئ ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient مع هالة منذ بدايتها، حيث تمتلك موارد غنية، وشبكات علاقات، ودرجة عالية من الوعي في السوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عشرات من شركات رأس المال المغامر المعروفة الأخرى مثل Delphi وHashkey وSpartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب AI (AI Pipeline) ونظام داخل السلسلة.
تعتبر أنابيب الذكاء الاصطناعي أساس تطوير وتدريب "الذكاء الاصطناعي المخلص"، حيث تتضمن عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمواءمة النماذج.
تدريب الولاء (Loyalty Training): ضمان أن يحتفظ النموذج بعملية تدريب تتماشى مع نوايا المجتمع.
يقدم نظام سلسلة الكتل الشفافية والسيطرة اللامركزية للبروتوكول، مما يضمن ملكية واستخدام وتتبع أدوات الذكاء الاصطناعي، وتوزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين وزن النموذج ومعلومات تسجيل بصمة الأصبع؛
طبقة التوزيع: نموذج التحكم في عقد التفويض عند نقطة الدخول للاستدعاء؛
طبقة الوصول: تحقق من إذن المستخدم عبر إثبات السلطة.
طبقة التحفيز: سيقوم عقد توجيه العوائد بتوزيع المدفوعات على المدربين والموزعين والمحققين في كل مرة يتم فيها الاستدعاء.
إطار نموذج OML
إطار OML (المفتوح Open، القابل للت monetization Monetizable، المخلص Loyal) هو المفهوم المركزي الذي طرحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، والشفافية في الشيفرة وبنية البيانات، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المتدربين والموزعين والمصادقين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، يتم تحديد اتجاه الترقية والحكم من قبل DAO، ويكون الاستخدام والتعديل تحت سيطرة آلية التشفير.
تشفير أصلي باستخدام الذكاء الاصطناعي (AI-native Cryptography)
التحويلات الأصلية للتشفير باستخدام الذكاء الاصطناعي هي تطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها" من خلال استمرارية نموذج الذكاء الاصطناعي، وهيكل متعدد الأبعاد المنخفض، وخصائص القابلية للاشتقاق للنموذج. التكنولوجيا الأساسية لها هي:
إدراج بصمة: أثناء التدريب، يتم إدخال مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من بصمة الأصبع من خلال جهاز استشعار طرف ثالث (Prover) في شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الملكية" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تأكيد الملكية وتنفيذ الأمان
Sentient يعتمد حالياً على أمان Melange المختلط: يجمع بين التحقق من الهوية بالبصمة، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. حيث إن طريقة البصمة هي التنفيذ الرئيسي لـ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، ويمكن الكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح تضمين "سؤال-جواب" محدد، مما يجعل النموذج يولد توقيعًا فريدًا 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 سجلًا قابلًا للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، مستفيدة من البيئات التنفيذية 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 تقنية أساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر حلولاً أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
###层 التطبيق
حالياً، تشمل منتجات Sentient بشكل رئيسي منصة دردشة لامركزية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسخين المنافسة في Layer1 للذكاء الاصطناعي: ستة مشاريع تتنافس على مستقبل DeAI داخل السلسلة
تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
مع التطور السريع لتقنية الذكاء الاصطناعي، تواصل الشركات التكنولوجية الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع تقدم نماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، موسعة بشكل كبير من خيال البشرية، بل أظهرت في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محبوس بإحكام في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الضخمة والسيطرة على موارد الحوسبة المرتفعة التكاليف، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة.
في الوقت نفسه، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي تجلبها التكنولوجيا، بينما تكون الاهتمامات المتعلقة بحماية 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 صحيح، ستزداد النزاعات حول ما إذا كان الذكاء الاصطناعي "للخير" أو "للشر" بشكل ملحوظ، وغالبًا ما تفتقر الشركات المركزية العملاقة، المدفوعة بغريزة الربح، إلى الدافع الكافي للتعامل بنشاط مع هذه التحديات.
تقدم تقنية سلسلة الكتل بفضل ميزاتها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرئيسية مثل Solana وBase. لكن من خلال التحليل المتعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وخصائص الميم تهيمن عليها، مما يجعل من الصعب دعم بيئة مفتوحة حقًا؛ ومن جهة أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال الذكاء الاصطناعي داخل السلسلة تعاني من قيود في قدرات النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين عمق وعمومية الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين البلوكشين من استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، والتنافس مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مُصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والحكم الديمقراطي، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لـ AI Layer 1
يعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث يتمحور تصميم بنيتها التحتية وأدائها حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لإيكولوجيا الذكاء الاصطناعي داخل السلسلة بكفاءة. وبشكل أكثر تحديدًا، يجب أن يمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة موارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في البلوكشين التي تركز بشكل رئيسي على تسجيل الدفاتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها تقديم القدرة الحاسوبية، وإكمال تدريب النماذج الذكية والتفسير، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الكيانات المركزية في البنية التحتية للذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى من حيث الإجماع الأساسي وآليات التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمات الفعلية للعقد في مهام مثل التفسير والتدريب، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي متميز وقدرة دعم المهام المتغايرة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداء حسابي عالي وقدرة على 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، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 على مستوى البنية التحتية لتلبية متطلبات الإنتاجية العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، بالإضافة إلى توفير دعم أصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "النظم البيئية المعقدة والمتنوعة".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على الطبقة الأولى للذكاء الاصطناعي ألا تمنع فقط الممارسات السيئة للنماذج، وتلاعب البيانات، وغيرها من مخاطر الأمان، بل يجب أيضًا أن تضمن من خلال الآليات الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، 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 في فهم المنطق والأسس التي تستند إليها مخرجات الذكاء الاصطناعي، مما يحقق "ما تحصل عليه هو ما ترغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي في كثير من الأحيان بيانات حساسة للمستخدمين، حيث تكون حماية خصوصية البيانات أمرًا بالغ الأهمية في مجالات مثل المالية والرعاية الصحية والشبكات الاجتماعية. يجب أن يضمن AI Layer 1 قابلية التحقق أثناء استخدام تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحسابات الخاصة، وإدارة صلاحيات البيانات، لضمان أمان البيانات خلال جميع عمليات الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتطوير النظام البيئي كمنصة للبنية التحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتفوق تقني، ولكن أيضًا بتوفير أدوات تطوير شاملة لمطوري التطبيقات، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي، بما في ذلك SDK متكامل، ودعم العمليات، وآليات التحفيز. من خلال تحسين استمرارية توفر المنصة وتجربة المطورين، يتم تعزيز إطلاق تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثيلية لـ AI Layer1 تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقوم بتنسيق أحدث التطورات في هذا المجال، وتحليل الوضع الحالي لتطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
ملخص المشروع
Sentient هو منصة بروتوكولات مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين من المستوى الأول AI ( المرحلة الأولية هي من المستوى الثاني، ثم ستنتقل إلى المستوى 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق) لتمكين نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتسييل منتجات الذكاء الاصطناعي، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال السلسلة من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور برامود فيسواناث من جامعة برينستون والبروفيسور هيمنشو تاياغي من معهد العلوم الهندي، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية على التوالي، بينما يقود المؤسس المشارك لبوليجون سانديب نيلوال الاستراتيجية الخاصة بالسلسلة وتخطيط النظام الإيكولوجي. يمتد خلفية أعضاء الفريق عبر شركات مثل ميتا وكوينباس وبوليجون، وكذلك الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، ومعالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا لدفع المشروع نحو التنفيذ.
كمشروع ناشئ ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient مع هالة منذ بدايتها، حيث تمتلك موارد غنية، وشبكات علاقات، ودرجة عالية من الوعي في السوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عشرات من شركات رأس المال المغامر المعروفة الأخرى مثل Delphi وHashkey وSpartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب AI (AI Pipeline) ونظام داخل السلسلة.
تعتبر أنابيب الذكاء الاصطناعي أساس تطوير وتدريب "الذكاء الاصطناعي المخلص"، حيث تتضمن عمليتين رئيسيتين:
يقدم نظام سلسلة الكتل الشفافية والسيطرة اللامركزية للبروتوكول، مما يضمن ملكية واستخدام وتتبع أدوات الذكاء الاصطناعي، وتوزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (المفتوح Open، القابل للت monetization Monetizable، المخلص Loyal) هو المفهوم المركزي الذي طرحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
تشفير أصلي باستخدام الذكاء الاصطناعي (AI-native Cryptography)
التحويلات الأصلية للتشفير باستخدام الذكاء الاصطناعي هي تطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها" من خلال استمرارية نموذج الذكاء الاصطناعي، وهيكل متعدد الأبعاد المنخفض، وخصائص القابلية للاشتقاق للنموذج. التكنولوجيا الأساسية لها هي:
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الملكية" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تأكيد الملكية وتنفيذ الأمان
Sentient يعتمد حالياً على أمان Melange المختلط: يجمع بين التحقق من الهوية بالبصمة، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. حيث إن طريقة البصمة هي التنفيذ الرئيسي لـ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، ويمكن الكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح تضمين "سؤال-جواب" محدد، مما يجعل النموذج يولد توقيعًا فريدًا 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 سجلًا قابلًا للتتبع داخل السلسلة لسلوك استخدام النموذج.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، مستفيدة من البيئات التنفيذية 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 تقنية أساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر حلولاً أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
###层 التطبيق
حالياً، تشمل منتجات Sentient بشكل رئيسي منصة دردشة لامركزية