تقرير بحثي عن الذكاء الاصطناعي Layer 1: استكشاف بنية تحتية للذكاء الاصطناعي اللامركزية

نظرة عامة

في السنوات الأخيرة، واصلت شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في جميع الصناعات، مما وسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، أظهرت إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التكنولوجيا يتحكم فيه عدد قليل من عمالقة التكنولوجيا اللامركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة معها.

في الوقت نفسه، خلال المرحلة المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الآراء العامة على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون التركيز على قضايا أساسية مثل حماية 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 مناسب، ستزداد حدة الجدل حول ما إذا كان الذكاء الاصطناعي "يعمل من أجل الخير" أم "يعمل من أجل الشر"، بينما يفتقر عمالقة المركزية المدفوعون بغريزة الربح غالبًا إلى الدافع الكافي للتعامل بنشاط مع هذه التحديات.

تكنولوجيا البلوكشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، توفر إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض البلوكشين الرئيسية. ومع ذلك، يمكن أن يظهر التحليل العميق أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح حقًا؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي على السلسلة محدودًا من حيث قدرة النماذج، واستخدام البيانات، وسيناريوهات التطبيقات، مما يتطلب تحسين العمق والاتساع في الابتكار.

لتحقيق رؤية اللامركزية للذكاء الاصطناعي بشكل حقيقي، يجب أن تتمكن البلوكشين من استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، وأن تتنافس من حيث الأداء مع الحلول المركزية. نحتاج إلى تصميم سلسلة بلوكشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيؤسس هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.

الخصائص الأساسية لطبقة الذكاء الاصطناعي 1

AI Layer 1 كشبكة بلوكتشين مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكلها الأساسي وتصميم الأداء يتماشيان بشكل وثيق مع متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي الذكاء الاصطناعي على السلسلة بكفاءة. بشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية تحفيز فعالة واللامركزية الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس نقاط العقد في البلوكشين التقليدية التي تركز بشكل أساسي على تسجيل الدفاتر، تحتاج نقاط العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم القدرة الحاسوبية، وتكمل تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار العملاق المركزي في البنية التحتية للذكاء الاصطناعي. وهذا يضع متطلبات أعلى على الإجماع الأساسي وآليات التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمة الفعلية للنقاط في مهام استنتاج وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القدرة الحاسوبية بشكل فعال.

2. أداء عالي ممتاز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي على السلسلة إلى دعم أنواع مهام متنوعة ومتعددة، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين طبقة الذكاء الاصطناعي من المستوى الأول بشكل عميق في الهيكل الأساسي لتلبية متطلبات الأداء العالي وانخفاض التأخير والقدرة على المعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحوسبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، مما يحقق الانتقال السلس من "المهام الأحادية" إلى "النظام البيئي المعقد والمتنوع".

3. القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى الناتج عن النماذج، وتغيير البيانات، وما إلى ذلك من مخاطر الأمان، بل يجب أيضًا التأكد من قابلية التحقق من نتائج AI ومواءمتها من حيث الآلية الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن المتعدد الأطراف (MPC) وغيرها من التقنيات الحديثة، يمكن للمنصة أن تجعل كل عملية استدلال، وتدريب، ومعالجة بيانات نموذج قابلة للتحقق المستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومبررات مخرجات AI، لتحقيق "ما تحصل عليه هو ما تريده"، مما يعزز ثقة المستخدم ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تكون حماية خصوصية البيانات أمرًا حيويًا. يجب أن يضمن AI Layer 1 القابلية للتحقق بينما يتبنى تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة أذونات البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويزيل قلق المستخدمين بشأن أمان البيانات.

5. قدرة دعم وبناء قوية على استيعاب النظام البيئي بصفتها بنية تحتية Layer 1 الأصلية للذكاء الاصطناعي، لا يتعين على المنصة أن تتمتع بتميز تقني فحسب، بل يجب عليها أيضًا تقديم أدوات تطوير متكاملة، وSDK مدمجة، ودعم العمليات، وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومزودي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة المنصة وتجربة المطورين بشكل مستمر، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق الازدهار المستدام لنظام الذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثيلية من AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتلخيص أحدث التطورات في هذا المجال، وتحليل حالة تطوير المشاريع، واستكشاف الاتجاهات المستقبلية.

Sentient: بناء نموذج AI مفتوح المصدر ولاء اللامركزية

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوح المصدر، تعمل على بناء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم سيتم الانتقال إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد ذكاء اصطناعي اللامركزية. الهدف الأساسي هو حل قضايا ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزية من خلال إطار "OML" (مفتوح، قابل للربح، ولاء) ، بحيث يتم تحقيق هيكل ملكية على السلسلة للنماذج الذكية، شفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يدفع نحو شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.

تجمع فريق مؤسسة Sentient أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال اللامركزية من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ المعهد الهندي للعلوم Himanshu Tyagi، المسؤولين على التوالي عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، أحد مؤسسي مشروع متعدد السلاسل المعروف، الاستراتيجية اللامركزية وتخطيط النظام البيئي. يتمتع أعضاء الفريق بخلفيات متنوعة تشمل بعض الشركات المعروفة، بالإضافة إلى جامعة برينستون والمعهد الهندي للتكنولوجيا وغيرها من الجامعات الرائدة، ويغطيون مجالات الذكاء الاصطناعي / التعلم الآلي، ومعالجة اللغة الطبيعية، ورؤية الكمبيوتر، ويتعاونون لدفع المشروع نحو التنفيذ.

كمشروع ثانوي لمؤسس Sandeep Nailwal، جاءت Sentient منذ إنشائها مع هالة خاصة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي بالسوق، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عدد من شركات الاستثمار المعروفة 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 blockchain.

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص" ، والتي تحتوي على عمليتين رئيسيتين:

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النماذج.
• تدريب الولاء (Loyalty Training): ضمان أن يظل النموذج متماشياً مع نية المجتمع خلال عملية التدريب.

يوفر نظام blockchain الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية و تتبع استخدام و توزيع العائدات و الحوكمة العادلة لقطع AI. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج التحكم في عقد التفويض نقطة دخول الاستدعاء؛
• طبقة الوصول: التحقق من صحة إذن المستخدم من خلال إثبات الأذونات؛
• طبقة التحفيز: ستقوم عقدة توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين، المطورين والمحققين.

إطار نموذج OML

إطار OML (الافتتاحي Open، القابل للت monetizable Monetizable، المخلص Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، والتي تهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنيات السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجها وتدقيقها وتحسينها.
• التسييل: كل استدعاء للنموذج سيؤدي إلى تفعيل تدفق الإيرادات، والعقد على السلسلة سيقوم بتوزيع الإيرادات على المدربين، والموزعين، والمتحققين.
• الولاء: تنتمي النماذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحوكمة، وتخضع الاستخدامات والتعديلات لآلية التشفير.

تشفير أصلي للذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام استمرارية نموذج الذكاء الاصطناعي، وهيكل متعدد الأبعاد المنخفض وخصائص قابلية التمايز للنموذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:

• بصمة مدمجة: يتم إدخال مجموعة من أزواج مفتاح القيمة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق من احتفاظ بصمة الإصبع من خلال كاشف طرف ثالث (Prover) على 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 الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء مصرح به بناءً على السلوك + التحقق من الملكية" بهذه الطريقة دون تكاليف إعادة تشفير.

إطار تنفيذ الأمن وتأكيد الملكية للنماذج

Sentient تعتمد حاليا على Melange混合安全: من خلال تحديد الهوية بالضغط على الإصبع، تنفيذ TEE، وتوزيع الأرباح من العقود على السلسلة. ومنهجية بصمة الإصبع هي تنفيذ OML 1.0 كمسار رئيسي، مع التأكيد على فكرة "التحقق المتفائل (Optimistic Security)", أي الافتراض بالتوافق، والكشف عن المخالفات ومعاقبتها.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح تضمين "سؤال-جواب" معين، مما يسمح للنموذج بإنشاء توقيع فريد خلال 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 سجلات قابلة للتتبع على السلسلة لسلوك استخدام النموذج.

علاوة على ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النموذج فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة وتحتوي على بعض مخاطر الأمان، إلا أن ميزاتها العالية الأداء والوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال إثباتات المعرفة الصفرية (