استكشاف تربة DeAI داخل السلسلة: حالة تطوير AI Layer1 وآفاق المستقبل
نظرة عامة
في السنوات الأخيرة، تواصل شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، تظهر القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في التنافس معها.
في نفس الوقت، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون التركيز على القضايا 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 حدة الجدل حول ما إذا كان الذكاء الاصطناعي "يعمل من أجل الخير" أو "يعمل من أجل الشر"، في حين أن العملاقة المركزية المدفوعة بغريزة الربح غالبًا ما تفتقر إلى الدافع الكافي للتعامل بنشاط مع هذه التحديات.
تتيح تقنية البلوكشين، بفضل خصائصها المتمثلة في اللامركزية والشفافية والمقاومة للرقابة، إمكانية جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل البلوكشين الرئيسية مثل Solana وBase. ومع ذلك، يمكن أن تكشف التحليلات العميقة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث تعتمد العناصر الأساسية والبنية التحتية على خدمات السحابة المركزية، وخصائص الميم الثقيلة تجعل من الصعب دعم نظام بيئي مفتوح بمعناه الحقيقي؛ ومن جهة أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات النماذج واستخدام البيانات وسيناريوهات التطبيق في AI داخل السلسلة محدودة، مما يستدعي تحسين عمق الابتكار وامتداده.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحكم، وأمان البيانات، مما يعزز ازدهار وتطور بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية للطبقة الأولى للذكاء الاصطناعي
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، يتم تصميم هيكلها الأساسي وأدائها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آليات تحفيز فعالة وآلية إجماع لامركزية. تكمن جوهر Layer 1 الذكاء الاصطناعي في بناء شبكة مفتوحة لمشاركة الموارد مثل قوة الحوسبة والتخزين. على عكس تركيز عقد blockchain التقليدية على تسجيل دفتر الحسابات، تحتاج عقد Layer 1 الذكاء الاصطناعي إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير قوة الحوسبة، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في تخزين البيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يفرض متطلبات أعلى على آلية الإجماع والتحفيز الأساسية: يجب أن تكون Layer 1 الذكاء الاصطناعي قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام الاستدلال والتدريب في الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف قوة الحوسبة الإجمالية بشكل فعال.
الأداء العالي المتميز وقدرة دعم المهام المتنوعة. تتطلب مهام الذكاء الاصطناعي، وبخاصة تدريب واستدلال LLM، متطلبات عالية جدًا من الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتعين على النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متعددة ومتنوعة من المهام، بما في ذلك هياكل نماذج مختلفة، معالجة البيانات، الاستدلال، والتخزين في مشاهد متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في البنية التحتية الأساسية لتلبية متطلبات السعة العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، ويجب أن يكون لديها دعم أصلي للموارد الحاسوبية المتنوعة، لضمان أن جميع مهام الذكاء الاصطناعي يمكن أن تعمل بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "نظام بيئي معقد ومتعدد".
قابلية التحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط سوء استخدام النموذج والتلاعب بالبيانات، بل يجب أيضًا ضمان قابلية التحقق من نتائج AI وتوافقها من خلال الآليات الأساسية. من خلال دمج تقنيات متقدمة مثل بيئات التنفيذ الموثوقة (TEE) وإثباتات المعرفة الصفرية (ZK) والحساب الآمن متعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل استنتاج للنموذج وتدريب ومعالجة البيانات قابلاً للتحقق المستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات AI، مما يحقق "ما حصلت عليه هو ما أردته"، ويزيد من ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات
تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق أثناء استخدام تقنيات معالجة البيانات المستندة إلى التشفير، وبروتوكولات الحساب الخاصة، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء الاستخدام بفعالية، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتحمّل النظام البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بميزة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات التحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية النظام الأساسي وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق ازدهارًا مستمرًا للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتفصيل ستة مشاريع ممثلة لـ AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم النظام لمواكبة أحدث التطورات في هذا المضمار، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient：بناء نموذج AI لامركزي مفتوح المصدر وموثوق
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، ويقوم بإنشاء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية Layer 2، ثم سيتم الانتقال إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي له هو معالجة مشكلات ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يسمح لنماذج الذكاء الاصطناعي بتحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
فريق Sentient Foundation يجمع أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويكرس جهوده لبناء منصة AGI مدفوعة من قبل المجتمع، مفتوحة 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، الاستراتيجية والبيئة المتعلقة بـ blockchain. تغطي خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يجمع الخبرات في مجالات AI/ML وNLP ورؤية الكمبيوتر، للعمل معًا على دفع المشروع إلى الأمام.
بصفتها مشروعًا رياديًا ثانويًا لمؤسس مشارك في منصة تداول معينة Sandeep Nailwal، جاءت Sentient منذ بدايتها بهالة فريدة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي، 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، بينما تشمل المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال المخاطر الشهيرة مثل Delphi وHashkey وSpartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
البنية الأساسية
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنبوب الذكاء الاصطناعي هو الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، ويتضمن عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النماذج.
تدريب الولاء (Loyalty Training): ضمان بقاء النموذج متماشياً مع نوايا المجتمع.
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. البنية المحددة مقسمة إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: تتحكم عقود التفويض في مدخل استدعاء النموذج؛
طبقة الوصول: من خلال إثبات الأذونات، يتم التحقق مما إذا كان المستخدم مخولاً؛
طبقة التحفيز: ستقوم عقدة توزيع الإيرادات بتوزيع المدفوعات في كل استدعاء على المدربين والمنفذين والمحققين.
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 الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، وأن يكون الكود وهيكل البيانات شفافين، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
monetization: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين، والموزعين، والمحققين.
الولاء: تنتمي النماذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحكم، وتكون الاستخدامات والتعديلات خاضعة للتحكم من خلال الآلية المشفرة.
التشفير الأصلي الذكي (AI-native Cryptography)
تشفير الأصل AI هو استخدام الاستمرارية لنماذج AI، وهياكل التدفق المنخفض الأبعاد، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:
إدخال بصمة الإصبع: إدخال مجموعة من أزواج مفاتيح القيمة الاستعلامية-الاستجابة الخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من الاحتفاظ بالبصمة من خلال كاشف طرف ثالث (Prover) في شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يمنح النظام الإذن للنموذج لفك تشفير المدخلات وإرجاع الإجابة الدقيقة.
يمكن تنفيذ "استدعاء مصرح به بناءً على السلوك + تحقق من الملكية" بهذه الطريقة دون تكاليف إعادة التشفير.
إطار تأكيد النموذج والتنفيذ الآمن
Sentient يعتمد حاليًا على أمان Melange المدمج: حق الملكية عبر بصمات الأصابع، تنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. الطريقة البصرية للبصمات هي OML 1.0 التي تمثل الخط الرئيسي، حيث تركز على فكرة "الأمان المتفائل (Optimistic Security)", أي الامتثال الافتراضي، والكشف والعقاب في حالة الانتهاك.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح إدخال "سؤال-جواب" محدد، مما يجعل النموذج يولد توقيعًا فريدًا خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ التجاري غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل تقدم أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المصرح بها، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE تعتمد على الأجهزة ولديها بعض المخاطر الأمنية، إلا أن مزايا أدائها العالي والوقت الحقيقي تجعلها مناسبة.
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.
تسجيلات الإعجاب 16
أعجبني
16
6
مشاركة
تعليق
0/400
NftMetaversePainter
· 07-12 17:05
مه... محاولة أخرى من ويب 2 للفن الخوارزمي تتنكر كابتكار. أوقظني عندما يفهمون الجمالية الحاسوبية الحقيقية
شاهد النسخة الأصليةرد0
DeFiChef
· 07-12 07:12
إذا فهمت الأمر جيدًا، فإن احتكار الشركات الكبرى هو فخ كبير.
شاهد النسخة الأصليةرد0
BlockchainWorker
· 07-09 20:19
لا أستطيع مواكبة هذا التقدم السريع في الذكاء الاصطناعي
شاهد النسخة الأصليةرد0
GateUser-5854de8b
· 07-09 20:17
احتكار العملاق، كيف يمكن للعامة اللعب!؟
شاهد النسخة الأصليةرد0
MrRightClick
· 07-09 20:10
لقد قلت من قبل أن الويب 3 هو مستقبل الذكاء الاصطناعي.
شاهد النسخة الأصليةرد0
ChainPoet
· 07-09 20:05
من يهتم بكيفية لعب العمالقة~ الحرية اللارجعية هي الطريق الصحيح
البلوكتشين Layer1 AI: حجر الزاوية لمستقبل AI اللامركزي
استكشاف تربة DeAI داخل السلسلة: حالة تطوير AI Layer1 وآفاق المستقبل
نظرة عامة
في السنوات الأخيرة، تواصل شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، تظهر القدرة على استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في التنافس معها.
في نفس الوقت، في المراحل المبكرة من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون التركيز على القضايا 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 حدة الجدل حول ما إذا كان الذكاء الاصطناعي "يعمل من أجل الخير" أو "يعمل من أجل الشر"، في حين أن العملاقة المركزية المدفوعة بغريزة الربح غالبًا ما تفتقر إلى الدافع الكافي للتعامل بنشاط مع هذه التحديات.
تتيح تقنية البلوكشين، بفضل خصائصها المتمثلة في اللامركزية والشفافية والمقاومة للرقابة، إمكانية جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل البلوكشين الرئيسية مثل Solana وBase. ومع ذلك، يمكن أن تكشف التحليلات العميقة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من جهة، مستوى اللامركزية محدود، حيث تعتمد العناصر الأساسية والبنية التحتية على خدمات السحابة المركزية، وخصائص الميم الثقيلة تجعل من الصعب دعم نظام بيئي مفتوح بمعناه الحقيقي؛ ومن جهة أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرات النماذج واستخدام البيانات وسيناريوهات التطبيق في AI داخل السلسلة محدودة، مما يستدعي تحسين عمق الابتكار وامتداده.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحكم، وأمان البيانات، مما يعزز ازدهار وتطور بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية للطبقة الأولى للذكاء الاصطناعي
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، يتم تصميم هيكلها الأساسي وأدائها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آليات تحفيز فعالة وآلية إجماع لامركزية. تكمن جوهر Layer 1 الذكاء الاصطناعي في بناء شبكة مفتوحة لمشاركة الموارد مثل قوة الحوسبة والتخزين. على عكس تركيز عقد blockchain التقليدية على تسجيل دفتر الحسابات، تحتاج عقد Layer 1 الذكاء الاصطناعي إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير قوة الحوسبة، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في تخزين البيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يفرض متطلبات أعلى على آلية الإجماع والتحفيز الأساسية: يجب أن تكون Layer 1 الذكاء الاصطناعي قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام الاستدلال والتدريب في الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف قوة الحوسبة الإجمالية بشكل فعال.
الأداء العالي المتميز وقدرة دعم المهام المتنوعة. تتطلب مهام الذكاء الاصطناعي، وبخاصة تدريب واستدلال LLM، متطلبات عالية جدًا من الأداء الحاسوبي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتعين على النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متعددة ومتنوعة من المهام، بما في ذلك هياكل نماذج مختلفة، معالجة البيانات، الاستدلال، والتخزين في مشاهد متعددة. يجب أن يتم تحسين Layer 1 للذكاء الاصطناعي بشكل عميق في البنية التحتية الأساسية لتلبية متطلبات السعة العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة، ويجب أن يكون لديها دعم أصلي للموارد الحاسوبية المتنوعة، لضمان أن جميع مهام الذكاء الاصطناعي يمكن أن تعمل بكفاءة، وتحقيق التوسع السلس من "مهام فردية" إلى "نظام بيئي معقد ومتعدد".
قابلية التحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط سوء استخدام النموذج والتلاعب بالبيانات، بل يجب أيضًا ضمان قابلية التحقق من نتائج AI وتوافقها من خلال الآليات الأساسية. من خلال دمج تقنيات متقدمة مثل بيئات التنفيذ الموثوقة (TEE) وإثباتات المعرفة الصفرية (ZK) والحساب الآمن متعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل استنتاج للنموذج وتدريب ومعالجة البيانات قابلاً للتحقق المستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجع مخرجات AI، مما يحقق "ما حصلت عليه هو ما أردته"، ويزيد من ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي المجالات المالية والطبية والاجتماعية، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن يضمن AI Layer 1 القابلية للتحقق أثناء استخدام تقنيات معالجة البيانات المستندة إلى التشفير، وبروتوكولات الحساب الخاصة، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء الاستخدام بفعالية، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
القدرة القوية على دعم وتحمّل النظام البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بميزة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDK مدمجة، ودعم التشغيل والصيانة، وآليات التحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية النظام الأساسي وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق ازدهارًا مستمرًا للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتفصيل ستة مشاريع ممثلة لـ AI Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم النظام لمواكبة أحدث التطورات في هذا المضمار، وتحليل حالة تطور المشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient：بناء نموذج AI لامركزي مفتوح المصدر وموثوق
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، ويقوم بإنشاء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية Layer 2، ثم سيتم الانتقال إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي له هو معالجة مشكلات ملكية النموذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يسمح لنماذج الذكاء الاصطناعي بتحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
فريق Sentient Foundation يجمع أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويكرس جهوده لبناء منصة AGI مدفوعة من قبل المجتمع، مفتوحة 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، الاستراتيجية والبيئة المتعلقة بـ blockchain. تغطي خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يجمع الخبرات في مجالات AI/ML وNLP ورؤية الكمبيوتر، للعمل معًا على دفع المشروع إلى الأمام.
بصفتها مشروعًا رياديًا ثانويًا لمؤسس مشارك في منصة تداول معينة Sandeep Nailwal، جاءت Sentient منذ بدايتها بهالة فريدة، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي، 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، بينما تشمل المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال المخاطر الشهيرة مثل Delphi وHashkey وSpartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
البنية الأساسية
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنبوب الذكاء الاصطناعي هو الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، ويتضمن عمليتين رئيسيتين:
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. البنية المحددة مقسمة 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 الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة مع التشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
التشفير الأصلي الذكي (AI-native Cryptography)
تشفير الأصل AI هو استخدام الاستمرارية لنماذج AI، وهياكل التدفق المنخفض الأبعاد، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:
يمكن تنفيذ "استدعاء مصرح به بناءً على السلوك + تحقق من الملكية" بهذه الطريقة دون تكاليف إعادة التشفير.
إطار تأكيد النموذج والتنفيذ الآمن
Sentient يعتمد حاليًا على أمان Melange المدمج: حق الملكية عبر بصمات الأصابع، تنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. الطريقة البصرية للبصمات هي OML 1.0 التي تمثل الخط الرئيسي، حيث تركز على فكرة "الأمان المتفائل (Optimistic Security)", أي الامتثال الافتراضي، والكشف والعقاب في حالة الانتهاك.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح إدخال "سؤال-جواب" محدد، مما يجعل النموذج يولد توقيعًا فريدًا خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ التجاري غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل تقدم أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المصرح بها، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE تعتمد على الأجهزة ولديها بعض المخاطر الأمنية، إلا أن مزايا أدائها العالي والوقت الحقيقي تجعلها مناسبة.