تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta بدفع النمو السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشر، 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 رؤوس الأموال الضخمة 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 الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما تكون الاهتمامات بشأن حماية الخصوصية، والشفافية، والأمان، وما إلى ذلك، أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حل هذه القضايا بشكل صحيح، ستصبح الجدل حول "الذكاء الاصطناعي للخير" أو "للشر" أكثر بروزًا، بينما تفتقر الشركات الكبرى المركزية، المدفوعة بغرائز الربح، غالبًا إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تتيح تقنية البلوك تشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على العديد من سلاسل الكتل الرائجة. ومع ذلك، يمكن من خلال التحليل العميق اكتشاف أن هذه المشاريع لا تزال تواجه العديد من المشاكل: من جهة، مستوى اللامركزية محدود، حيث لا تزال المراحل الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح بالمعنى الحقيقي؛ ومن جهة أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة يعاني من قيود في قدرات النماذج واستخدام البيانات وسيناريوهات التطبيق، كما أن عمق الابتكار واتساعه بحاجة إلى تحسين.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مخصص للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحوكمة، وأمان البيانات، مما يعزز تطوير بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية للطبقة الأولى من الذكاء الاصطناعي
AI Layer 1 كبلوك تشين مصمم خصيصًا لتطبيقات الذكاء الاصطناعي، فإن بنية النظام الأساسية وتصميم الأداء يدوران حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس عقد blockchain التقليدية التي تركز بشكل أساسي على تسجيل الدفاتر، يجب على عقد AI Layer 1 تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي والموارد المتنوعة الأخرى، من أجل كسر احتكار العمالقة المركزيين في بنية الذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى للاتفاق الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي ممتاز وقدرة على دعم المهام المتنوعة. تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية من حيث الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتنوعة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من المشاهد المتعددة. يجب أن يتم تحسين الطبقة الأولى من الذكاء الاصطناعي بشكل عميق في البنية التحتية الأساسية لتلبية احتياجات النطاق العالي، وزمن الاستجابة المنخفض، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان أن جميع مهام الذكاء الاصطناعي يمكن أن تعمل بكفاءة، مما يحقق توسعًا سلسًا من "المهام الأحادية" إلى "النظام البيئي المعقد المتنوع".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى الناتج عن النماذج، وتلاعب البيانات، وما إلى ذلك من المخاطر الأمنية، بل يجب أيضاً أن يضمن من حيث الآلية الأساسية القابلية للتحقق من نتائج AI وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة المتعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم المنطق والأسس وراء مخرجات AI، وتحقيق "ما تم الحصول عليه هو ما تم الرغبة فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تطبيقات الذكاء الاصطناعي غالبًا ما تتعلق ببيانات حساسة للمستخدم، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تكون حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن تضمن طبقة الذكاء الاصطناعي 1 قابلية التحقق مع اعتماد تقنيات معالجة البيانات المشفرة، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء استخدامها، ويزيل مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتحمل النظام البيئي والتطوير كمنصة تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب على المنصة أن تتمتع ليس فقط بالريادة التقنية، ولكن أيضًا أن تقدم أدوات تطوير شاملة، وSDKs متكاملة، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطور، لتعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، وتحقيق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثيلية لـ AI Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، مع تقديم لمحة شاملة عن أحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة بلوكشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، بعد ذلك ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو حل مشكلات ملكية النماذج، تتبع الاستدعاءات وتوزيع القيم في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) لتحقيق هيكل ملكية على السلسلة، شفافية الاستدعاءات وتوزيع القيم. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات الذكاء الاصطناعي إلى نقد، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال سلسلة الكتل من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ المعهد الهندي للعلوم Himanshu Tyagi، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية البيئية والكتلة. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعليم الآلة، ومعالجة اللغة الطبيعية، ورؤية الحاسوب، للعمل سويًا على تحقيق المشروع.
باعتبارها مشروعًا رائدًا للمؤسس المشارك لـ Polygon Sandeep Nailwal، جاءت Sentient مع هالة منذ بدايتها، حيث تمتلك مجموعة غنية من الموارد والعلاقات وفهم السوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، مع وجود عشرات من شركات رأس المال الجريء الشهيرة الأخرى مثل Delphi وHashkey وSpartan.
تصميم الهيكل والتطبيقات
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
تعد أنابيب الذكاء الاصطناعي أساس تطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمواءمة النموذج.
تدريب الولاء (Loyalty Training): تأكد من أن النموذج يحافظ على عملية تدريب متوافقة مع نية المجتمع.
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي وتتبع الاستخدام وتوزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: يتحكم عقد التفويض في مدخلات استدعاء النموذج؛
طبقة الوصول: من خلال إثبات الأذونات للتحقق مما إذا كان المستخدم مخولًا؛
طبقة التحفيز: ستقوم عقدة توجيه العائدات بتوزيع المدفوعات على المدربين والموزعين والمحققين في كل استدعاء.
إطار نموذج OML
إطار OML (الفتح Open، القابل للت monetization Monetizable، الولاء Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، وتهدف إلى تقديم حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، وأن تكون الشيفرة وهيكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، ستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين، والموزعين، والمتحققين.
الولاء: النموذج ينتمي إلى مجتمع المساهمين، اتجاه الترقية والحكم يتم تحديده بواسطة DAO، والاستخدام والتعديل خاضع لآلية التشفير.
تشفير الأصلي المدعوم بالذكاء الاصطناعي هو تطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها" باستخدام استمرارية نموذج الذكاء الاصطناعي، وبنية المانيفولد ذات الأبعاد المنخفضة وخصائص القابلية للاشتقاق للنموذج. التقنية الأساسية هي:
بصمة مدمجة: إدخال مجموعة من أزواج مفاتيح الاستعلام والاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق مما إذا كانت بصمة الأصابع محفوظة من خلال كاشف طرف ثالث (Prover) على شكل استفسار (query);
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تأكيد الملكية وتنفيذ الأمان
Sentient الحالية تستخدم Melange混合安全: حق الملكية عبر بصمة الأصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. حيث أن طريقة البصمة هي OML 1.0 التي تحقق الخط الرئيسي، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالتوافق، مع إمكانية الكشف عن الانتهاكات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تقوم بإدماج "سؤال-جواب" محدد، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. هذه الآلية لا تحمي فقط حقوق مطوري النموذج، بل توفر أيضًا سجلات يمكن تتبعها داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، الذي يستخدم 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 يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن مزايا الأداء العالي والقدرة على العمل في الوقت الحقيقي تجعله جوهر نشر النماذج الحالية.
شاهد النسخة الأصلية
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.
تحليل مسار AI Layer1: 6 مشاريع تقود اللامركزية في الذكاء الاصطناعي
تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت الشركات الكبرى في مجال التكنولوجيا مثل OpenAI وAnthropic وGoogle وMeta بدفع النمو السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشر، 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 رؤوس الأموال الضخمة 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 الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما تكون الاهتمامات بشأن حماية الخصوصية، والشفافية، والأمان، وما إلى ذلك، أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حل هذه القضايا بشكل صحيح، ستصبح الجدل حول "الذكاء الاصطناعي للخير" أو "للشر" أكثر بروزًا، بينما تفتقر الشركات الكبرى المركزية، المدفوعة بغرائز الربح، غالبًا إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تتيح تقنية البلوك تشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على العديد من سلاسل الكتل الرائجة. ومع ذلك، يمكن من خلال التحليل العميق اكتشاف أن هذه المشاريع لا تزال تواجه العديد من المشاكل: من جهة، مستوى اللامركزية محدود، حيث لا تزال المراحل الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح بالمعنى الحقيقي؛ ومن جهة أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة يعاني من قيود في قدرات النماذج واستخدام البيانات وسيناريوهات التطبيق، كما أن عمق الابتكار واتساعه بحاجة إلى تحسين.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مخصص للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحوكمة، وأمان البيانات، مما يعزز تطوير بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية للطبقة الأولى من الذكاء الاصطناعي
AI Layer 1 كبلوك تشين مصمم خصيصًا لتطبيقات الذكاء الاصطناعي، فإن بنية النظام الأساسية وتصميم الأداء يدوران حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية. تكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس عقد blockchain التقليدية التي تركز بشكل أساسي على تسجيل الدفاتر، يجب على عقد AI Layer 1 تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي والموارد المتنوعة الأخرى، من أجل كسر احتكار العمالقة المركزيين في بنية الذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى للاتفاق الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي ممتاز وقدرة على دعم المهام المتنوعة. تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية من حيث الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتطلب النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتنوعة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من المشاهد المتعددة. يجب أن يتم تحسين الطبقة الأولى من الذكاء الاصطناعي بشكل عميق في البنية التحتية الأساسية لتلبية احتياجات النطاق العالي، وزمن الاستجابة المنخفض، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان أن جميع مهام الذكاء الاصطناعي يمكن أن تعمل بكفاءة، مما يحقق توسعًا سلسًا من "المهام الأحادية" إلى "النظام البيئي المعقد المتنوع".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى الناتج عن النماذج، وتلاعب البيانات، وما إلى ذلك من المخاطر الأمنية، بل يجب أيضاً أن يضمن من حيث الآلية الأساسية القابلية للتحقق من نتائج AI وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة المتعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل عملية استنتاج نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم المنطق والأسس وراء مخرجات AI، وتحقيق "ما تم الحصول عليه هو ما تم الرغبة فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تطبيقات الذكاء الاصطناعي غالبًا ما تتعلق ببيانات حساسة للمستخدم، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تكون حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن تضمن طبقة الذكاء الاصطناعي 1 قابلية التحقق مع اعتماد تقنيات معالجة البيانات المشفرة، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء استخدامها، ويزيل مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتحمل النظام البيئي والتطوير كمنصة تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب على المنصة أن تتمتع ليس فقط بالريادة التقنية، ولكن أيضًا أن تقدم أدوات تطوير شاملة، وSDKs متكاملة، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطور، لتعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، وتحقيق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثيلية لـ AI Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، مع تقديم لمحة شاملة عن أحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة بلوكشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، بعد ذلك ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو حل مشكلات ملكية النماذج، تتبع الاستدعاءات وتوزيع القيم في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) لتحقيق هيكل ملكية على السلسلة، شفافية الاستدعاءات وتوزيع القيم. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات الذكاء الاصطناعي إلى نقد، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال سلسلة الكتل من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ المعهد الهندي للعلوم Himanshu Tyagi، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية البيئية والكتلة. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعليم الآلة، ومعالجة اللغة الطبيعية، ورؤية الحاسوب، للعمل سويًا على تحقيق المشروع.
باعتبارها مشروعًا رائدًا للمؤسس المشارك لـ Polygon Sandeep Nailwal، جاءت Sentient مع هالة منذ بدايتها، حيث تمتلك مجموعة غنية من الموارد والعلاقات وفهم السوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، مع وجود عشرات من شركات رأس المال الجريء الشهيرة الأخرى مثل Delphi وHashkey وSpartan.
تصميم الهيكل والتطبيقات
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
تعد أنابيب الذكاء الاصطناعي أساس تطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي وتتبع الاستخدام وتوزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (الفتح Open، القابل للت monetization Monetizable، الولاء Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، وتهدف إلى تقديم حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:
تشفير أصلي للذكاء الاصطناعي (AI-native Cryptography)
تشفير الأصلي المدعوم بالذكاء الاصطناعي هو تطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها" باستخدام استمرارية نموذج الذكاء الاصطناعي، وبنية المانيفولد ذات الأبعاد المنخفضة وخصائص القابلية للاشتقاق للنموذج. التقنية الأساسية هي:
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تأكيد الملكية وتنفيذ الأمان
Sentient الحالية تستخدم Melange混合安全: حق الملكية عبر بصمة الأصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. حيث أن طريقة البصمة هي OML 1.0 التي تحقق الخط الرئيسي، وتؤكد على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالتوافق، مع إمكانية الكشف عن الانتهاكات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تقوم بإدماج "سؤال-جواب" محدد، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. هذه الآلية لا تحمي فقط حقوق مطوري النموذج، بل توفر أيضًا سجلات يمكن تتبعها داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، الذي يستخدم 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 يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن مزايا الأداء العالي والقدرة على العمل في الوقت الحقيقي تجعله جوهر نشر النماذج الحالية.