تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، بل أظهرت في بعض السيناريوهات القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في يد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار منافستها.
في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي تجلبها التكنولوجيا، بينما يكون الاهتمام بالمشاكل الأساسية 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 الجدل حول ما إذا كان الذكاء الاصطناعي "يهدف إلى الخير" أم "إلى الشر"، بينما تفتقر المراكز الكبيرة المركزية، المدفوعة بغريزة الربح، غالبًا إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوكشين بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على عدد من البلوكشينات السائدة. ومع ذلك، يمكن أن يكشف 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 بيئة مفتوحة بالمعنى الحقيقي؛ من ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين العمق والعرض في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرًا على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain من الطبقة الأولى مصمم خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا متينًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحكم، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية للطبقة الأولى للذكاء الاصطناعي
تعتبر AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث تم تصميم هيكلها الأساسي وأدائها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. بشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة وآلية الإجماع اللامركزية تكمن جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة لموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في السلسلة التي تركز بشكل رئيسي على تسجيل دفاتر الحسابات، يجب على عقد AI Layer 1 تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب واستدلال نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، وبالتالي كسر احتكار الهيمنة المركزية على بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى من الإجماع الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمة الفعلية للعقد في مهام استدلال وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقدرة الحاسوبية بشكل فعال.
الأداء العالي المتميز وقدرة دعم المهام غير المتجانسة مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، تضع متطلبات عالية جدًا على الأداء الحاسوبي وقدرة 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 على AI Layer 1 أن يقوم بإجراء تحسينات عميقة في البنية التحتية الأساسية لتلبية متطلبات السعة العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع توفير دعم أصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام ذات نوع واحد" إلى "نظام بيئي معقد ومتعدد".
القابلية للتحقق وضمان المخرجات الموثوقة
يجب على AI Layer 1 أن لا يمنع فقط النماذج من الإضرار، والتلاعب بالبيانات، وما إلى ذلك من المخاطر الأمنية، ولكن يجب أيضًا أن يضمن من خلال الآلية الأساسية إمكانية التحقق من نتائج الخرج الخاصة بالذكاء الاصطناعي ومواءمتها. من خلال دمج بيئات التنفيذ الموثوقة (TEE) ، وإثباتات المعرفة الصفرية (ZK) ، والحسابات الآمنة متعددة الأطراف (MPC) ، يمكن للمنصة أن تجعل كل عملية استدلال، وتدريب، ومعالجة بيانات للنموذج قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات الذكاء الاصطناعي، مما يحقق "ما يتم الحصول عليه هو ما يتم الرغبة فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات
تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تكون حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق، مع اعتماد تقنيات معالجة البيانات المشفرة، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وإساءة استخدامها بفعالية، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على الدعم والتطوير البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، بل يجب أيضًا أن توفر أدوات تطوير متكاملة وSDKات ودعم عمليات التشغيل وآليات تحفيز لمطوري البرامج، وموفري خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في البيئة. من خلال تحسين استمرارية توفر المنصة وتجربة المطورين، نعمل على تعزيز تنوع وثراء تطبيقات الذكاء الاصطناعي الأصلية، وتحقيق الازدهار المستمر للبيئة اللامركزية للذكاء الاصطناعي.
استناداً إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لستة مشاريع تمثل AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستستعرض أحدث التطورات في هذا المجال، وتحلل الوضع الحالي لتطور المشاريع، وتناقش الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موالٍ
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة 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 ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل قضايا ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، مخلص) ، مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، شفافية 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 مؤسسة Sentient فريقًا من كبار الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال Blockchain من جميع أنحاء العالم، مكرسين جهودهم لبناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين على التوالي عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لمنصة تداول معينة، الاستراتيجية البيانية وتنظيم البيئة. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase، بالإضافة إلى جامعات مرموقة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا لدفع المشروع نحو التنفيذ.
كمشروع رائد من قبل Sandeep Nailwal، أحد مؤسسي منصة تداول، جاءت Sentient منذ تأسيسها مع هالة مميزة، حيث تتمتع بموارد غنية، وعلاقات واسعة، ووعي سوقي كبير، مما قدم دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما شملت المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال المخاطر المعروفة مثل Delphi وHashkey وSpartan.
تصميم الهيكل والتطبيقات
طبقة البنية التحتية
البنية الأساسية
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
تعتبر أنابيب الذكاء الاصطناعي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين أساسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمحاذاة النماذج.
تدريب الولاء (Loyalty Training): ضمان أن يظل النموذج متسقًا مع نية المجتمع أثناء عملية التدريب.
يقدم نظام داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع الأرباح والحوكمة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين نماذج الوزن ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: تتحكم عقود التفويض في مدخل استدعاء النموذج؛
طبقة الوصول: التحقق من تفويض المستخدم من خلال إثبات الأذونات؛
طبقة التحفيز: سيقوم عقد توجيه العوائد بتوزيع المدفوعات في كل استدعاء على المدربين والموزعين والمحققين.
إطار نموذج OML
إطار OML (الفتح Open، القابل للت monetization Monetizable، الولاء Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفافية في الكود وبنية البيانات، مما يسهل على المجتمع إعادة الإنتاج والتدقيق والتحسين.
monetization: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمحققين.
الولاء: النموذج ينتمي إلى مجتمع المساهمين، اتجاهات الترقية والحكم تحددها DAO، والاستخدام والتعديل يخضعان لآلية التشفير.
التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام الاستمرارية لنماذج الذكاء الاصطناعي، وبنية التدفق منخفض الأبعاد، وخصائص قابلية التفاضل للنموذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
إدخال بصمة: إدخال مجموعة من أزواج مفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: تحقق من بصمة الإصبع عبر مستشعرات خارجية (Prover) بشكل استفسار (query) للتحقق مما إذا كانت محفوظة؛
آلية استدعاء التفويض: يجب الحصول على "شهادة التفويض" 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 الملكية" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تأكيد النموذج والتنفيذ الآمن
Sentient تعتمد حاليًا على أمان Melange المختلط: من خلال تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. الطريقة التي تعتمد على بصمة الإصبع هي تنفيذ OML 1.0 كخط رئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالتوافق، ويمكن اكتشافه ومعاقبته عند المخالفة.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث إنها تقوم من خلال تضمين "سؤال-جواب" محدد، بتمكين النموذج من توليد 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 سجلًا قابلاً للتتبع لسلوك استخدام النموذج داخل السلسلة.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستخدم بيئات التنفيذ الموثوقة (مثل Nitro Enclaves من بعض المنصات) للتأكد من 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 مخاطر الأمان، إلا أن مزاياه في الأداء العالي والزمن الحقيقي تجعله التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير الشامل المتجانس (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر حلولاً أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 13
أعجبني
13
3
مشاركة
تعليق
0/400
MondayYoloFridayCry
· 07-22 21:41
BTC保 المحفظة保夺笋
شاهد النسخة الأصليةرد0
BearMarketGardener
· 07-22 21:28
لا بد أن يكون هناك أساس مركزي.
شاهد النسخة الأصليةرد0
OnchainSniper
· 07-22 21:28
لم يعد بإمكان العملاق التحرك، تعال إلى داخل السلسلة!
تحليل شامل لـ AI Layer1: 6 مشاريع لبناء بيئة AI اللامركزية
تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، قامت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع لنماذج اللغة الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، بل أظهرت في بعض السيناريوهات القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في يد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار منافستها.
في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي تجلبها التكنولوجيا، بينما يكون الاهتمام بالمشاكل الأساسية 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 الجدل حول ما إذا كان الذكاء الاصطناعي "يهدف إلى الخير" أم "إلى الشر"، بينما تفتقر المراكز الكبيرة المركزية، المدفوعة بغريزة الربح، غالبًا إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوكشين بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على عدد من البلوكشينات السائدة. ومع ذلك، يمكن أن يكشف 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 بيئة مفتوحة بالمعنى الحقيقي؛ من ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين العمق والعرض في الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرًا على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain من الطبقة الأولى مصمم خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا متينًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحكم، وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية للطبقة الأولى للذكاء الاصطناعي
تعتبر AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث تم تصميم هيكلها الأساسي وأدائها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. بشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية التحفيز الفعالة وآلية الإجماع اللامركزية تكمن جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة لموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في السلسلة التي تركز بشكل رئيسي على تسجيل دفاتر الحسابات، يجب على عقد AI Layer 1 تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير القدرة الحاسوبية، وإكمال تدريب واستدلال نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، وبالتالي كسر احتكار الهيمنة المركزية على بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى من الإجماع الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق من المساهمة الفعلية للعقد في مهام استدلال وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية للقدرة الحاسوبية بشكل فعال.
الأداء العالي المتميز وقدرة دعم المهام غير المتجانسة مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، تضع متطلبات عالية جدًا على الأداء الحاسوبي وقدرة 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 على AI Layer 1 أن يقوم بإجراء تحسينات عميقة في البنية التحتية الأساسية لتلبية متطلبات السعة العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، مع توفير دعم أصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام ذات نوع واحد" إلى "نظام بيئي معقد ومتعدد".
القابلية للتحقق وضمان المخرجات الموثوقة
يجب على AI Layer 1 أن لا يمنع فقط النماذج من الإضرار، والتلاعب بالبيانات، وما إلى ذلك من المخاطر الأمنية، ولكن يجب أيضًا أن يضمن من خلال الآلية الأساسية إمكانية التحقق من نتائج الخرج الخاصة بالذكاء الاصطناعي ومواءمتها. من خلال دمج بيئات التنفيذ الموثوقة (TEE) ، وإثباتات المعرفة الصفرية (ZK) ، والحسابات الآمنة متعددة الأطراف (MPC) ، يمكن للمنصة أن تجعل كل عملية استدلال، وتدريب، ومعالجة بيانات للنموذج قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات الذكاء الاصطناعي، مما يحقق "ما يتم الحصول عليه هو ما يتم الرغبة فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تكون حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق، مع اعتماد تقنيات معالجة البيانات المشفرة، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وإساءة استخدامها بفعالية، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على الدعم والتطوير البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، بل يجب أيضًا أن توفر أدوات تطوير متكاملة وSDKات ودعم عمليات التشغيل وآليات تحفيز لمطوري البرامج، وموفري خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في البيئة. من خلال تحسين استمرارية توفر المنصة وتجربة المطورين، نعمل على تعزيز تنوع وثراء تطبيقات الذكاء الاصطناعي الأصلية، وتحقيق الازدهار المستمر للبيئة اللامركزية للذكاء الاصطناعي.
استناداً إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لستة مشاريع تمثل AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستستعرض أحدث التطورات في هذا المجال، وتحلل الوضع الحالي لتطور المشاريع، وتناقش الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موالٍ
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة 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 ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل قضايا ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، مخلص) ، مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، شفافية 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 مؤسسة Sentient فريقًا من كبار الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال Blockchain من جميع أنحاء العالم، مكرسين جهودهم لبناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين على التوالي عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لمنصة تداول معينة، الاستراتيجية البيانية وتنظيم البيئة. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase، بالإضافة إلى جامعات مرموقة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا لدفع المشروع نحو التنفيذ.
كمشروع رائد من قبل Sandeep Nailwal، أحد مؤسسي منصة تداول، جاءت Sentient منذ تأسيسها مع هالة مميزة، حيث تتمتع بموارد غنية، وعلاقات واسعة، ووعي سوقي كبير، مما قدم دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بينما شملت المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال المخاطر المعروفة مثل Delphi وHashkey وSpartan.
تصميم الهيكل والتطبيقات
طبقة البنية التحتية
البنية الأساسية
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
تعتبر أنابيب الذكاء الاصطناعي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين أساسيتين:
يقدم نظام داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع الأرباح والحوكمة العادلة. 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، تهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:
تشفير أصلي للذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي القائم على الذكاء الاصطناعي هو استخدام الاستمرارية لنماذج الذكاء الاصطناعي، وبنية التدفق منخفض الأبعاد، وخصائص قابلية التفاضل للنموذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الملكية" بهذه الطريقة دون تكاليف إعادة تشفير.
إطار تأكيد النموذج والتنفيذ الآمن
Sentient تعتمد حاليًا على أمان Melange المختلط: من خلال تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. الطريقة التي تعتمد على بصمة الإصبع هي تنفيذ OML 1.0 كخط رئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالتوافق، ويمكن اكتشافه ومعاقبته عند المخالفة.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث إنها تقوم من خلال تضمين "سؤال-جواب" محدد، بتمكين النموذج من توليد 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 سجلًا قابلاً للتتبع لسلوك استخدام النموذج داخل السلسلة.
علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستخدم بيئات التنفيذ الموثوقة (مثل Nitro Enclaves من بعض المنصات) للتأكد من 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 مخاطر الأمان، إلا أن مزاياه في الأداء العالي والزمن الحقيقي تجعله التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير الشامل المتجانس (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، مما يوفر حلولاً أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
![Biteye و PANews يطلقان تقرير بحثي عن AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة](