ساحة AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة
في السنوات الأخيرة، قامت شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع للنماذج اللغوية الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في جميع الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يقع تحت سيطرة عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على غالبية المطورين وفرق الابتكار التنافس معها.
في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركزت الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما كانت الاهتمامات المتعلقة بحماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على الصحة العامة لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستزداد النقاشات حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون خيرًا" أو "شرًا"، بينما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية بلوكتشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "ويب 3 AI" على بعض سلاسل الكتل الرئيسية. ولكن من خلال التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعناه الحقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم ويب 2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا في قدرتها على النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين عمق الابتكار واتساعه.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين سلسلة الكتل من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ولتكون قادرة على المنافسة مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتل Layer1 مخصصة للذكاء الاصطناعي. سيوفر 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 يتم تصميم هيكلها الأساسي وأداءها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لنظام AI البيئي داخل السلسلة بشكل فعال. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية التحفيز الفعالة والتوافق اللامركزي
الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس التركيز التقليدي لعقد السلسلة على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم القدرة الحاسوبية، وتقوم بتدريب وتفسير نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي والموارد المتنوعة الأخرى، مما يكسر احتكار الكيانات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى على التوافق الآلي وآليات التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام تفسير وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكاليف الإجمالية للقدرة الحاسوبية.
أداء عالي ممتاز وقدرة على دعم المهام المتنوعة
تتطلب مهام الذكاء الاصطناعي، لا سيما تدريب واستدلال نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، والتخزين في مشاهد متعددة. يجب على طبقة الذكاء الاصطناعي من المستوى الأول أن تقوم بتحسين عميق في الهيكل الأساسي لتلبية احتياجات التدفق العالي، والانخفاض في زمن الانتظار، والمعالجة المتوازية المرنة، وأن تضع دعمًا أصليًا لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "البيئة المعقدة المتنوعة".
القابلية للتحقق وضمان المخرجات الموثوقة
يجب على AI Layer 1 أن يمنع ليس فقط الأذى من النماذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، ولكن يجب أيضًا أن يضمن من خلال آليات أساسية إمكانية التحقق من نتائج AI ومواءمتها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتطورة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم المنطق والأسس التي تستند إليها مخرجات AI، لتحقيق "ما يتم الحصول عليه هو ما يتم الرغبة فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات
تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، فإن حماية خصوصية البيانات تعتبر أمرًا حيويًا. يجب أن يضمن AI Layer 1 القابلية للتحقق في حين يتبنى تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحساب الخصوصي، وإدارة أذونات البيانات، لضمان أمان البيانات طوال عملية الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بفعالية، مما يزيل مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم التطوير وتحمل النظام البيئي
باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بميزة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير متكاملة، ومجموعات تطوير البرمجيات، ودعم التشغيل والصيانة، وآليات التحفيز لمطوري البرامج، 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، مما يحقق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثل AI Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، حيث ستعمل على تنظيم أحدث التطورات في هذا المجال، وتحليل الوضع الحالي للمشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موالي
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوح المصدر ، تعمل على بناء سلسلة بلوكتشين Layer1 للذكاء الاصطناعي ( في المرحلة الأولية كـ Layer 2 ، ثم ستنتقل إلى Layer 1) ، من خلال دمج AI Pipeline وتقنية البلوكتشين ، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو استخدام إطار "OML" (مفتوح ، قابل للربح ، ولاء) لحل مشاكل ملكية النموذج ، وتتبع الاستدعاءات ، وتوزيع القيمة في سوق LLM المركزي ، مما يسمح للذكاء الاصطناعي بتحقيق هيكل ملكية داخل السلسلة ، وشفافية الاستدعاء ، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء ، والتعاون ، والامتلاك ، وتحقيق الدخل من 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 البلوكشين من جميع أنحاء العالم، ويكرّس جهوده لبناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور في جامعة برينستون Pramod Viswanath والبروفيسور في المعهد الهندي للعلوم Himanshu Tyagi، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية الخاصة بالبلوكشين وترتيب البيئة. تغطي خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى مؤسسات تعليمية مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، وتغطي مجالات الذكاء الاصطناعي/تعلم الآلة، ومعالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا لدفع المشروع نحو التنفيذ.
كأحد مؤسسي بوليغون ، كانت Sentient ، المشروع الثاني الذي أطلقه Sandeep Nailwal ، محاطة بالهالة منذ تأسيسها ، حيث تمتلك موارد غنية ، وعلاقات ، ووعي سوقي ، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024 ، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار ، بقيادة Founders Fund و Pantera و Framework Ventures ، مع مشاركة العديد من شركات رأس المال الاستثماري الشهيرة مثل Delphi و Hashkey و Spartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
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 أساسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمواءمة النموذج.
تدريب الولاء (Loyalty Training): ضمان أن يحتفظ النموذج بعملية تدريب تتماشى مع نوايا المجتمع.
يوفر نظام البلوكتشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العوائد والحكم العادل. يتكون الهيكل المحدد من أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: نموذج التحكم في دخول استدعاء العقد المصرح به؛
طبقة الوصول: تحقق من إذن المستخدم من خلال إثبات الصلاحية.
طبقة التحفيز: ستقوم عقدة توجيه الأرباح بتوزيع المدفوعات في كل استدعاء على المدربين، والموزعين، والمحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal) هو المفهوم الرئيسي الذي طرحته Sentient، ويهدف إلى توفير حماية ملكية واضحة وآلية حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفرة وبنية بيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه، تدقيقه وتحسينه.
التسييل: كل استدعاء نموذج سيؤدي إلى تدفق الإيرادات، وسيقوم العقد داخل السلسلة بتوزيع الإيرادات على المدربين، والموزعين، والمتحققين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحوكمة، ويخضع الاستخدام والتعديل لآلية التشفير.
التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي المعتمد على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المانيفولد ذات الأبعاد المنخفضة، وخصائص النماذج القابلة للتفاضل، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
إدراج بصمة: إدخال مجموعة من أزواج القيم الأساسية المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من بصمة الإصبع عن طريق كاشف طرف ثالث (Prover) بشكل استفسار (query).
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي أصدرها مالك النموذج قبل الاستدعاء، ثم يمنح النظام الإذن للنموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاءات تفويضية قائمة على السلوك + التحقق من الملكية" بهذه الطريقة دون تكاليف إعادة التشفير.
إطار تأكيد حقوق النموذج والتنفيذ الآمن
Sentient الحالية تعتمد على Melange مزيج الأمان: تأكيد الهوية بواسطة بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. طريقة بصمة الإصبع هي OML 1.0 التي تحقق الخط الرئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)": أي افتراض الامتثال، مع إمكانية الكشف والعقاب في حالة المخالفة.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث إنها من خلال تضمين "أسئلة-أجوبة" معينة، تتيح للنموذج إنشاء توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النماذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة وتوجد بعض المخاطر الأمنية، إلا أن مزايا الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، ولتوفير نشر غير مركزي لنماذج الذكاء الاصطناعي.
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 15
أعجبني
15
7
إعادة النشر
مشاركة
تعليق
0/400
ForkTongue
· منذ 7 س
تتجمع الشركات الكبرى، بينما المستثمرون الأفراد ما زالوا يخسرون.
شاهد النسخة الأصليةرد0
ser_we_are_ngmi
· منذ 7 س
ها لقد لعبت في web3 لمدة عام ولم أنتهي بعد ngmi
شاهد النسخة الأصليةرد0
just_another_fish
· منذ 7 س
يجب أن نرى وجه احترافي هؤلاء الآلات الذكية.
شاهد النسخة الأصليةرد0
fomo_fighter
· منذ 7 س
المطور قد مات
شاهد النسخة الأصليةرد0
SchrödingersNode
· منذ 7 س
لقد عدت مرة أخرى لتعزيز الوجود.
شاهد النسخة الأصليةرد0
FarmHopper
· منذ 7 س
قوة الحوسبة لا بد أن تعتمد على الشركات الكبرى، الفرق الصغيرة لا تستطيع التعامل معها.
شاهد النسخة الأصليةرد0
ForkMonger
· منذ 7 س
مجرد وعاء عسل مركزي آخر... بروتوكول داروينية سيفترسهم أحياء
حرب سلاسل الكتل الأصلية للذكاء الاصطناعي: تنافس ستة مشاريع بما في ذلك Sentient على سوق DeAI داخل السلسلة
ساحة AI Layer1: البحث عن أرض خصبة لـ DeAI داخل السلسلة
في السنوات الأخيرة، قامت شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta بدفع التطور السريع للنماذج اللغوية الكبيرة (LLM). لقد أظهرت LLM قدرات غير مسبوقة في جميع الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يقع تحت سيطرة عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة المكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على غالبية المطورين وفرق الابتكار التنافس معها.
في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركزت الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما كانت الاهتمامات المتعلقة بحماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على الصحة العامة لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستزداد النقاشات حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون خيرًا" أو "شرًا"، بينما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية بلوكتشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "ويب 3 AI" على بعض سلاسل الكتل الرئيسية. ولكن من خلال التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعناه الحقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم ويب 2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا في قدرتها على النماذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين عمق الابتكار واتساعه.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين سلسلة الكتل من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ولتكون قادرة على المنافسة مع الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتل Layer1 مخصصة للذكاء الاصطناعي. سيوفر 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 يتم تصميم هيكلها الأساسي وأداءها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لنظام AI البيئي داخل السلسلة بشكل فعال. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:
آلية التحفيز الفعالة والتوافق اللامركزي الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس التركيز التقليدي لعقد السلسلة على تسجيل دفاتر الحسابات، تحتاج عقد AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم القدرة الحاسوبية، وتقوم بتدريب وتفسير نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي والموارد المتنوعة الأخرى، مما يكسر احتكار الكيانات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يتطلب متطلبات أعلى على التوافق الآلي وآليات التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام تفسير وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكاليف الإجمالية للقدرة الحاسوبية.
أداء عالي ممتاز وقدرة على دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، لا سيما تدريب واستدلال نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، والتخزين في مشاهد متعددة. يجب على طبقة الذكاء الاصطناعي من المستوى الأول أن تقوم بتحسين عميق في الهيكل الأساسي لتلبية احتياجات التدفق العالي، والانخفاض في زمن الانتظار، والمعالجة المتوازية المرنة، وأن تضع دعمًا أصليًا لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الفردية" إلى "البيئة المعقدة المتنوعة".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 أن يمنع ليس فقط الأذى من النماذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، ولكن يجب أيضًا أن يضمن من خلال آليات أساسية إمكانية التحقق من نتائج AI ومواءمتها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتطورة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم المنطق والأسس التي تستند إليها مخرجات AI، لتحقيق "ما يتم الحصول عليه هو ما يتم الرغبة فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.
حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، فإن حماية خصوصية البيانات تعتبر أمرًا حيويًا. يجب أن يضمن AI Layer 1 القابلية للتحقق في حين يتبنى تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحساب الخصوصي، وإدارة أذونات البيانات، لضمان أمان البيانات طوال عملية الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بفعالية، مما يزيل مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم التطوير وتحمل النظام البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بميزة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير متكاملة، ومجموعات تطوير البرمجيات، ودعم التشغيل والصيانة، وآليات التحفيز لمطوري البرامج، 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، مما يحقق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثل AI Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، حيث ستعمل على تنظيم أحدث التطورات في هذا المجال، وتحليل الوضع الحالي للمشاريع، واستكشاف الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موالي
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوح المصدر ، تعمل على بناء سلسلة بلوكتشين Layer1 للذكاء الاصطناعي ( في المرحلة الأولية كـ Layer 2 ، ثم ستنتقل إلى Layer 1) ، من خلال دمج AI Pipeline وتقنية البلوكتشين ، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الرئيسي هو استخدام إطار "OML" (مفتوح ، قابل للربح ، ولاء) لحل مشاكل ملكية النموذج ، وتتبع الاستدعاءات ، وتوزيع القيمة في سوق LLM المركزي ، مما يسمح للذكاء الاصطناعي بتحقيق هيكل ملكية داخل السلسلة ، وشفافية الاستدعاء ، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء ، والتعاون ، والامتلاك ، وتحقيق الدخل من 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 البلوكشين من جميع أنحاء العالم، ويكرّس جهوده لبناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور في جامعة برينستون Pramod Viswanath والبروفيسور في المعهد الهندي للعلوم Himanshu Tyagi، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية الخاصة بالبلوكشين وترتيب البيئة. تغطي خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى مؤسسات تعليمية مرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، وتغطي مجالات الذكاء الاصطناعي/تعلم الآلة، ومعالجة اللغة الطبيعية، ورؤية الكمبيوتر، للعمل معًا لدفع المشروع نحو التنفيذ.
كأحد مؤسسي بوليغون ، كانت Sentient ، المشروع الثاني الذي أطلقه Sandeep Nailwal ، محاطة بالهالة منذ تأسيسها ، حيث تمتلك موارد غنية ، وعلاقات ، ووعي سوقي ، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024 ، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار ، بقيادة Founders Fund و Pantera و Framework Ventures ، مع مشاركة العديد من شركات رأس المال الاستثماري الشهيرة مثل Delphi و Hashkey و Spartan.
تصميم الهيكل والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
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 أساسيتين:
يوفر نظام البلوكتشين الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العوائد والحكم العادل. يتكون الهيكل المحدد من أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal) هو المفهوم الرئيسي الذي طرحته Sentient، ويهدف إلى توفير حماية ملكية واضحة وآلية حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي المعتمد على الذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المانيفولد ذات الأبعاد المنخفضة، وخصائص النماذج القابلة للتفاضل، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:
يمكن تحقيق "استدعاءات تفويضية قائمة على السلوك + التحقق من الملكية" بهذه الطريقة دون تكاليف إعادة التشفير.
إطار تأكيد حقوق النموذج والتنفيذ الآمن
Sentient الحالية تعتمد على Melange مزيج الأمان: تأكيد الهوية بواسطة بصمة الإصبع، تنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. طريقة بصمة الإصبع هي OML 1.0 التي تحقق الخط الرئيسي، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)": أي افتراض الامتثال، مع إمكانية الكشف والعقاب في حالة المخالفة.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث إنها من خلال تضمين "أسئلة-أجوبة" معينة، تتيح للنموذج إنشاء توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النماذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان أن النموذج يستجيب فقط للطلبات المصرح بها، مما يمنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة وتوجد بعض المخاطر الأمنية، إلا أن مزايا الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، ولتوفير نشر غير مركزي لنماذج الذكاء الاصطناعي.