تقرير بحثي عن النظام البيئي Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة

نظرة عامة

في السنوات الأخيرة، تواصل الشركات التكنولوجية الكبرى مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع للنماذج اللغوية الكبيرة (LLM). تُظهر LLM قدرات غير مسبوقة في جميع المجالات، مما يوسع بشكل كبير من خيال البشر، وحتى في بعض السيناريوهات، تظهر قدرة على 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 المرتفعة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار المنافسة معها.

في الوقت نفسه، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تتركز الآراء العامة على الابتكارات والراحة التي توفرها التكنولوجيا، بينما يكون التركيز على القضايا الأساسية مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل صحيح، ستصبح الجدل حول "الذكاء الاصطناعي" في اتجاه الخير أو الشر أكثر وضوحًا، وغالبًا ما تفتقر الشركات الكبرى المركزية، المدفوعة بغرائز الربح، للدافع الكافي لمواجهة هذه التحديات بشكل نشط.

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 الرائجة. ومع ذلك، من خلال التحليل العميق، يمكن أن نلاحظ أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، درجة اللامركزية محدودة، حيث لا تزال الفقرات الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح حقًا؛ من ناحية أخرى، بالمقارنة مع منتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة يواجه قيودًا في مجالات قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين العمق والاتساع في الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرًا على استضافة تطبيقات الذكاء الاصطناعي الضخمة بشكل آمن وفعال وديمقراطي، والتنافس مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain من الطبقة الأولى مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك 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

AI Layer 1 كشبكة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، تم تصميم هيكلها الأساسي وأداءها بشكل وثيق حول احتياجات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للبيئة السلسلة الخاصة بالذكاء الاصطناعي بكفاءة. على وجه التحديد، يجب أن تمتلك 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 التقليدية في تقنية البلوكشين التي تركز أساسًا على تسجيل السجلات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، وأيضًا المساهمة في التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار الهيمنة المركزية على بنية الذكاء الاصطناعي. هذا يضع متطلبات أعلى على آليات التوافق والتحفيز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استدلال وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية بشكل فعال.

2. أداء عالي ممتاز وقدرة دعم المهام المتغايرة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، متطلبات عالية من أداء الحوسبة والقدرة على المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتعين على النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل نماذج مختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من المشاهد المتعددة. يجب أن يتم تحسين الطبقة الأولى من الذكاء الاصطناعي على مستوى البنية التحتية لتلبية متطلبات عالية من الإنتاجية، وانخفاض زمن الاستجابة، والمرونة في المعالجة المتوازية، مع توفير دعم أصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق الانتقال السلس من "المهام الأحادية" إلى "النظم البيئية المعقدة والمتنوعة".

3. قابلية التحقق وضمان المخرجات الموثوقة لا تهدف طبقة الذكاء الاصطناعي 1 فقط إلى منع سوء استخدام النماذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا من خلال آلية أساسية ضمان قابلية التحقق من نتائج الذكاء الاصطناعي ومواءمتها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن متعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال للنموذج، والتدريب، ومعالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظم الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في فهم منطق وأساس نتائج الذكاء الاصطناعي، مما يحقق "ما تحصل عليه هو ما تريده"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، يعد حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق أثناء استخدام تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، مما يمنع فعليًا تسرب البيانات وسوء الاستخدام، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتطوير النظام البيئي كبنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير كاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات تحفيزية للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستستعرض هذه المقالة بالتفصيل ستة مشاريع تمثيلية من Layer1 للذكاء الاصطناعي، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، وتستعرض أحدث التطورات في هذا المجال، وتقوم بتحليل الوضع الحالي للمشاريع، وتناقش الاتجاهات المستقبلية.

Sentient: بناء نموذج ذكاء اصطناعي مفتوح المصدر لامركزي موثوق

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوح المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكي لامركزي. الهدف الرئيسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، مخلص) مما يتيح لنماذج الذكاء الاصطناعي 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.

فريق Sentient Foundation يجمع بين أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويكرس جهوده لبناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ المعهد الهندي للعلوم Himanshu Tyagi، المسؤولين عن أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية والتخطيط البيئي لل blockchain. يمتد خلفية أعضاء الفريق عبر شركات مشهورة مثل Meta وCoinbase وPolygon، فضلاً عن الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، ويشمل مجالات AI/ML وNLP ورؤية الكمبيوتر، مما يدفع المشروع نحو التنفيذ.

كمشروع ريادة الأعمال الثاني لمؤسس Polygon المشارك Sandeep Nailwal، جاءت Sentient منذ بدايتها بسمعة قوية، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي كبير 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، وشارك في التمويل عدد من المؤسسات الاستثمارية المعروفة مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

####层 البنية التحتية

البنية الأساسية

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

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، تستخدم لمحاذاة النماذج.
• تدريب الولاء (Loyalty Training): ضمان أن يظل النموذج متسقًا مع نوايا المجتمع في عملية التدريب.

توفر أنظمة داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، وحوكمة عادلة. تتكون الهيكلية المحددة من أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج التحكم في مدخلات استدعاء العقد التفويضي؛
• طبقة الوصول: من خلال إثبات الأذونات، يتم التحقق مما إذا كان المستخدم مخولاً؛
• طبقة التحفيز: ستقوم عقدة توجيه العائدات بتوزيع المدفوعات في كل استدعاء للمدربين والموزعين والمتحققين.

إطار نموذج OML

إطار OML (مفتوح Open، قابل للت Monetizable، مخلص Loyal) هو المفهوم الأساسي الذي قدمته Sentient، ويهدف إلى توفير حماية الملكية الواضحة وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يحتوي على الخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشيفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجها وتدقيقها وتحسينها.
• التحويل إلى أموال: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين وموزعي النموذج والمحققين.
• الولاء: تنتمي النموذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحكومة من قبل DAO، ويتم التحكم في الاستخدام والتعديل بواسطة آلية التشفير.

التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)

التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المنحنى ذي الأبعاد المنخفضة، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:

• بصمة الإصبع المدمجة: أثناء التدريب، يتم إدخال مجموعة من أزواج المفاتيح والقيم المخفية لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: تحقق من بقاء بصمة الإصبع من خلال كاشف تابع لجهة خارجية (Prover) بشكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" المصدرة من قبل مالك النموذج قبل الاستدعاء، ثم يمنح النظام الإذن للنموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "الاستدعاء المصرح به المستند إلى السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار تأكيد النموذج والتنفيذ الآمن

Sentient تتبنى حاليًا أمان Melange المختلط: من خلال تأكيد الهوية باستخدام بصمات الأصابع، وتنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. الطريقة باستخدام بصمات الأصابع هي تنفيذ OML 1.0 كخط رئيسي، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تقوم بإدخال "سؤال-جواب" معين، 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. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، والذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) 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 أدائه العالي و