تقرير بحثي Layer1 AI: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة
في السنوات الأخيرة، واصلت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تُظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من مساحة خيال البشرية، وحتى في بعض السيناريوهات، تُظهر إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يظل محصورًا في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة المرتفعة التكلفة، أنشأت هذه الشركات عوائق يصعب تجاوزها، مما يجعل من الصعب على غالبية المطورين وفرق الابتكار التنافس معها.
في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي يجلبها التكنولوجيا، بينما تكون الاهتمامات بقضايا أساسية مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على الصحة العامة لصناعة الذكاء الاصطناعي ومعدل قبول المجتمع. إذا لم يتم حلها بشكل مناسب، ستبرز النقاشات حول ما إذا كان الذكاء الاصطناعي "يتجه نحو الخير" أو "يتجه نحو الشر" بشكل متزايد، بينما تفتقر الشركات العملاقة المركزية، المدفوعة بغرائز الربح، عادةً إلى الدافع الكافي للتعامل مع هذه التحديات بشكل نشط.
تقدم تقنية البلوكشين، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل البلوكشين الرائجة. لكن يمكن أن نلاحظ من خلال التحليل العميق أن هذه المشاريع لا تزال تعاني من العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث أن العناصر الأساسية والبنية التحتية لا تزال تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة يعاني من قيود في قدرات النماذج، واستخدام البيانات، ومجالات التطبيق، مما يستدعي تحسين العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيقدم هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية لـ AI Layer 1
تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث أن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار البيئي للذكاء الاصطناعي داخل السلسلة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة والتوافق اللامركزي
الجوهر من AI Layer 1 هو بناء شبكة مشتركة مفتوحة للموارد مثل القوة الحاسوبية والتخزين. على عكس عقد blockchain التقليدية التي تركز بشكل رئيسي على تسجيل الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القوة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات والنطاق الترددي، مما يكسر احتكار الشركات المركزية في بنية الذكاء الاصطناعي التحتية. هذا يطرح متطلبات أعلى على الإجماع الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من مساهمة العقد في مهام استدلال وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار وازدهار الشبكة، وتقليل تكلفة القوة الحاسوبية الإجمالية بشكل فعال.
أداء عالي رائع وقدرة دعم المهام غير المتجانسة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، متطلبات عالية جدًا من الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج نظام الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من سيناريوهات متعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 على العمق في البنية التحتية الأساسية لتلبية متطلبات الإنتاجية العالية، والكمون المنخفض، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "البيئات المعقدة والمتنوعة".
قابلية التحقق وضمان موثوقية المخرجات
يجب على طبقة الذكاء الاصطناعي 1 أن تمنع المخاطر الأمنية مثل سوء استخدام النموذج، وتلاعب البيانات، وأكثر من ذلك، بل يجب عليها أيضًا أن تضمن قابلية التحقق من نتائج الذكاء الاصطناعي والتوافق في الأساسيات. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (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 مخرجات الذكاء الاصطناعي، لتحقيق "ما تحصل عليه هو ما تريده"، وزيادة ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات
تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن توفر طبقة الذكاء الاصطناعي 1 تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة صلاحيات البيانات، مع ضمان إمكانية التحقق، لضمان أمان البيانات في جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتطوير البيئة
بصفتها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتميز تقني، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية القابلية للاستخدام وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفصيلًا عن ستة مشاريع رائدة في مجال الذكاء الاصطناعي Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتستعرض أحدث التطورات في هذا المجال، وتحلل الوضع الحالي للمشاريع، وتناقش الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
ملخص المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية السلسلة الكتل، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، مخلص) مما يتيح نماذج الذكاء الاصطناعي تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتقسيم القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية 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 blockchain من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة من المجتمع، ومفتوحة المصدر، ويمكن التحقق منها. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود استراتيجية blockchain وتخطيط النظام البيئي مؤسس مشارك معروف في أحد سلاسل الكتل. يمتلك أعضاء الفريق خلفيات متنوعة تشمل شركات معروفة مثل Meta وCoinbase، بالإضافة إلى جامعات مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطيون مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، ويتعاونون لدفع المشروع نحو التنفيذ.
كمشروع ريادة أعمال ثانٍ لمؤسس مشارك معروف في سلسلة الكتل العامة، جاءت Sentient منذ تأسيسها مع هالة خاصة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي قوي، 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، بالإضافة إلى عدد من المؤسسات الاستثمارية الأخرى بما في ذلك Delphi وHashkey وSpartan وغيرها من الشركات الاستثمارية المعروفة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "العناصر المخلصة للذكاء الاصطناعي"، وتتضمن عمليتين أساسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من قبل المجتمع، تستخدم لمحاذاة النموذج.
تدريب الولاء (Loyalty Training): التأكد من أن النموذج يحافظ على عملية تدريب متوافقة مع نوايا المجتمع.
تقدم أنظمة داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: نموذج التحكم في عقد التفويض يدخل إلى المناداة؛
طبقة الوصول: من خلال إثبات الأذونات، يتم التحقق مما إذا كان المستخدم مخولاً.
طبقة التحفيز: ستقوم عقدة توجيه العوائد بتوزيع المدفوعات في كل استدعاء على المدربين، والموزعين، والمتحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal) هو المفهوم الأساسي الذي اقترحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة وعلوم التشفير الأصلية للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وهياكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجها ومراجعتها وتحسينها.
التسييل: كل مرة يتم فيها استدعاء النموذج، سيتم تفعيل تدفق العائدات، وسيقوم العقد داخل السلسلة بتوزيع العائدات على المدربين والموزعين والمحققين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويحدد اتجاه التحديثات والحوكمة من قبل DAO، وتخضع الاستخدامات والتعديلات لآلية التشفير.
تشفير أصلي يعتمد على الذكاء الاصطناعي (AI-native Cryptography)
تشفير أصلي يعتمد على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المانيفولد ذو الأبعاد المنخفضة، وخصائص قابلية التفاضل في النماذج، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية هي:
بصمة مدمجة: أثناء التدريب، يتم إدخال مجموعة من أزواج مفاتيح الاستعلام والاستجابة المخفية لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق مما إذا كانت بصمة الإصبع محفوظة من خلال جهاز استشعار تابع لجهة خارجية (Prover) على شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم تقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
Sentient الحالية تعتمد على Melange混合安全: تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. ومن بين طرق بصمة الإصبع، يتم تنفيذ OML 1.0 كخط رئيسي، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالامتثال، واكتشاف المخالفات ومعاقبتها لاحقًا.
آلية بصمة الأصابع هي التنفيذ الرئيسي لـ OML، حيث يتم تضمين "سؤال-جواب" محدد، مما يسمح للنموذج بإنشاء توقيع فريد أثناء 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 يمكن تتبعها داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستفيد من بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النموذج فقط لطلبات التفويض، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE تعتمد على الأجهزة وتوجد بها بعض المخاطر الأمنية، إلا أن مزايا أدائها العالي وقدرتها على الاستجابة في الوقت الفعلي تجعلها التقنية الأساسية الحالية لنشر النماذج.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير الشامل المتجانس (FHE) لتعزيز حماية الخصوصية والقابلية للتحقق، مما يوفر حلولاً أكثر نضجاً لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
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.
استكشاف Layer1 للذكاء الاصطناعي: فتح نموذج جديد للذكاء الاصطناعي اللامركزي
تقرير بحثي Layer1 AI: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة
في السنوات الأخيرة، واصلت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تُظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من مساحة خيال البشرية، وحتى في بعض السيناريوهات، تُظهر إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يظل محصورًا في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة المرتفعة التكلفة، أنشأت هذه الشركات عوائق يصعب تجاوزها، مما يجعل من الصعب على غالبية المطورين وفرق الابتكار التنافس معها.
في الوقت نفسه، في المراحل الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي يجلبها التكنولوجيا، بينما تكون الاهتمامات بقضايا أساسية مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على الصحة العامة لصناعة الذكاء الاصطناعي ومعدل قبول المجتمع. إذا لم يتم حلها بشكل مناسب، ستبرز النقاشات حول ما إذا كان الذكاء الاصطناعي "يتجه نحو الخير" أو "يتجه نحو الشر" بشكل متزايد، بينما تفتقر الشركات العملاقة المركزية، المدفوعة بغرائز الربح، عادةً إلى الدافع الكافي للتعامل مع هذه التحديات بشكل نشط.
تقدم تقنية البلوكشين، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل البلوكشين الرائجة. لكن يمكن أن نلاحظ من خلال التحليل العميق أن هذه المشاريع لا تزال تعاني من العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث أن العناصر الأساسية والبنية التحتية لا تزال تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة يعاني من قيود في قدرات النماذج، واستخدام البيانات، ومجالات التطبيق، مما يستدعي تحسين العمق والاتساع في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيقدم هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية لـ AI Layer 1
تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث أن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار البيئي للذكاء الاصطناعي داخل السلسلة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
الجوهر من AI Layer 1 هو بناء شبكة مشتركة مفتوحة للموارد مثل القوة الحاسوبية والتخزين. على عكس عقد blockchain التقليدية التي تركز بشكل رئيسي على تسجيل الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القوة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات والنطاق الترددي، مما يكسر احتكار الشركات المركزية في بنية الذكاء الاصطناعي التحتية. هذا يطرح متطلبات أعلى على الإجماع الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من مساهمة العقد في مهام استدلال وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار وازدهار الشبكة، وتقليل تكلفة القوة الحاسوبية الإجمالية بشكل فعال.
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، متطلبات عالية جدًا من الأداء الحاسوبي وقدرات المعالجة المتوازية. علاوة على ذلك، غالبًا ما يحتاج نظام الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وما إلى ذلك من سيناريوهات متعددة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي 1 على العمق في البنية التحتية الأساسية لتلبية متطلبات الإنتاجية العالية، والكمون المنخفض، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "البيئات المعقدة والمتنوعة".
يجب على طبقة الذكاء الاصطناعي 1 أن تمنع المخاطر الأمنية مثل سوء استخدام النموذج، وتلاعب البيانات، وأكثر من ذلك، بل يجب عليها أيضًا أن تضمن قابلية التحقق من نتائج الذكاء الاصطناعي والتوافق في الأساسيات. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (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 مخرجات الذكاء الاصطناعي، لتحقيق "ما تحصل عليه هو ما تريده"، وزيادة ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن توفر طبقة الذكاء الاصطناعي 1 تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة صلاحيات البيانات، مع ضمان إمكانية التحقق، لضمان أمان البيانات في جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
بصفتها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بتميز تقني، ولكن أيضًا بتوفير أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية القابلية للاستخدام وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفصيلًا عن ستة مشاريع رائدة في مجال الذكاء الاصطناعي Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتستعرض أحدث التطورات في هذا المجال، وتحلل الوضع الحالي للمشاريع، وتناقش الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة
ملخص المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية السلسلة الكتل، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، مخلص) مما يتيح نماذج الذكاء الاصطناعي تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتقسيم القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية 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 blockchain من جميع أنحاء العالم، ويكرسون جهودهم لبناء منصة AGI مدفوعة من المجتمع، ومفتوحة المصدر، ويمكن التحقق منها. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود استراتيجية blockchain وتخطيط النظام البيئي مؤسس مشارك معروف في أحد سلاسل الكتل. يمتلك أعضاء الفريق خلفيات متنوعة تشمل شركات معروفة مثل Meta وCoinbase، بالإضافة إلى جامعات مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطيون مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، ويتعاونون لدفع المشروع نحو التنفيذ.
كمشروع ريادة أعمال ثانٍ لمؤسس مشارك معروف في سلسلة الكتل العامة، جاءت Sentient منذ تأسيسها مع هالة خاصة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي قوي، 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، بالإضافة إلى عدد من المؤسسات الاستثمارية الأخرى بما في ذلك Delphi وHashkey وSpartan وغيرها من الشركات الاستثمارية المعروفة.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "العناصر المخلصة للذكاء الاصطناعي"، وتتضمن عمليتين أساسيتين:
تقدم أنظمة داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal) هو المفهوم الأساسي الذي اقترحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة وعلوم التشفير الأصلية للذكاء الاصطناعي، يتمتع بالخصائص التالية:
تشفير أصلي يعتمد على الذكاء الاصطناعي (AI-native Cryptography)
تشفير أصلي يعتمد على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المانيفولد ذو الأبعاد المنخفضة، وخصائص قابلية التفاضل في النماذج، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية هي:
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
Sentient الحالية تعتمد على Melange混合安全: تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. ومن بين طرق بصمة الإصبع، يتم تنفيذ OML 1.0 كخط رئيسي، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالامتثال، واكتشاف المخالفات ومعاقبتها لاحقًا.
آلية بصمة الأصابع هي التنفيذ الرئيسي لـ OML، حيث يتم تضمين "سؤال-جواب" محدد، مما يسمح للنموذج بإنشاء توقيع فريد أثناء 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 يمكن تتبعها داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستفيد من بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النموذج فقط لطلبات التفويض، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE تعتمد على الأجهزة وتوجد بها بعض المخاطر الأمنية، إلا أن مزايا أدائها العالي وقدرتها على الاستجابة في الوقت الفعلي تجعلها التقنية الأساسية الحالية لنشر النماذج.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير الشامل المتجانس (FHE) لتعزيز حماية الخصوصية والقابلية للتحقق، مما يوفر حلولاً أكثر نضجاً لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
طبقة التطبيق
حاليًا، Sentient