تقرير بحثي عن Layer1 AI: البحث عن تربة DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، أدى التطور السريع لنماذج اللغة الكبيرة ( LLM ) إلى توسيع خيال البشرية بشكل كبير، حتى أنه أظهر في بعض المجالات إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يقع في يد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار التنافس معها.
في بداية التطور السريع للذكاء الاصطناعي، غالبًا ما تركزت الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما كانت الانتباهات تجاه قضايا أساسية مثل حماية الخصوصية، الشفافية، والأمان غير كافية 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 "يهدف إلى الخير" أو "يهدف إلى الشر"، وعادةً ما تفتقر الكيانات المركزية الكبرى، المدفوعة بغرائز الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.
تقدم تقنية blockchain، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرئيسية. ومع ذلك، يمكن أن نلاحظ بعد التحليل العميق أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، مستوى اللامركزية محدود، حيث لا تزال الجوانب الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي. من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج، واستخدام البيانات، ومجالات التطبيق، مما يتطلب تحسينًا في عمق الابتكار واتساعه.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسًا في الأداء للحلول المركزية، نحتاج إلى تصميم بلوكشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز الازدهار والتطور في نظام الذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لـ AI Layer 1
تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث يتم تصميم بنية الأداء الأساسية والهيكلية بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للبيئة الذكية داخل السلسلة بكفاءة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وآلية توافق لامركزية
يتمثل جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة للموارد مثل قوة الحوسبة والتخزين. على عكس التركيز الرئيسي لعقد blockchain التقليدية على تسجيل الدفاتر، يتعين على عقد AI Layer 1 تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم قوة الحوسبة، وإكمال تدريب نموذج AI والاستدلال، بالإضافة إلى المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، مما يؤدي إلى كسر احتكار الهيمنة المركزية في بنية AI التحتية. وهذا يتطلب متطلبات أعلى من حيث الإجماع الأساسي وآلية الحوافز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب على AI، لتحقيق أمان الشبكة والتوزيع الفعال للموارد. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية لقوة الحوسبة بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نموذج اللغة الكبير، أداءً حسابيًا عاليًا وقدرة على المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء 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 أن يتم تحسين طبقة الذكاء الاصطناعي من المستوى الأول بعمق لتلبية احتياجات الإنتاجية العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة على البنية التحتية الأساسية، مع إعداد الدعم الأصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "بيئة معقدة ومتعددة".
القابلية للتحقق وضمان المخرجات الموثوقة
لا يجب أن تمنع طبقة AI 1 فقط نماذج الفساد، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، بل يجب أن تضمن من خلال آلياتها الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساسات مخرجات الذكاء الاصطناعي، لتحقيق "ما يُكتسب هو ما يُراد"، وزيادة ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
حماية خصوصية البيانات
تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا أساسيًا. يجب أن يضمن AI Layer 1 القابلية للتحقق في الوقت نفسه، من خلال استخدام تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتحمل النظام البيئي والتطوير
كنظام أساسي من الطبقة الأولى الأصلي للذكاء الاصطناعي، يجب أن يمتلك النظام الأساسي ليس فقط التميز التكنولوجي، ولكن أيضًا توفير أدوات تطوير شاملة ومجموعة أدوات تكامل ودعم العمليات وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام النظام الأساسي وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي 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 وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم شامل لأحدث التطورات في المجال، وتحليل الوضع الحالي للمشاريع، ومناقشة الاتجاهات المستقبلية.
Sentient: بناء نماذج ذكاء اصطناعي لامركزية مفتوحة المصدر موالية
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوح المصدر، تعمل على بناء سلسلة كتل AI Layer1 ( المرحلة الأولية هي Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية سلسلة الكتل، يتم بناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو من خلال إطار عمل "OML" ( حل مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي بطريقة مفتوحة، قابلة للربح وموثوقة )، مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، شفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع مؤسسة Sentient فريقًا من أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوكشين من جميع أنحاء العالم، وتهدف إلى بناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، حيث يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية البيئية والبلوكشين. يمتلك أعضاء الفريق خلفيات متنوعة تشمل شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات مثل الذكاء الاصطناعي/تعلم الآلة، معالجة اللغات الطبيعية، ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع إلى الأمام.
كأحد مؤسسي Polygon ، كان مشروع Sentient الذي أسسه Sandeep Nailwal يحمل هالة خاصة منذ بدايته، حيث يمتلك موارد غنية، وشبكة علاقات واسعة، ووعي قوي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund و Pantera و Framework Ventures، بالإضافة إلى عدد من شركات الاستثمار المعروفة الأخرى مثل Delphi و Hashkey و Spartan.
تصميم الهيكل والطبقة التطبيقية
####层 البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: AI Pipeline( وداخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتشمل عمليتين رئيسيتين:
تخطيط البيانات ) Data Curation (: عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمحاذاة النموذج.
تدريب الولاء ): تأكد من أن النموذج يحافظ على عملية تدريب تتماشى مع نوايا المجتمع.
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين وزن النموذج ومعلومات تسجيل البصمات;
طبقة التوزيع: مدخل التحكم في نموذج العقد المصرح به;
طبقة الوصول: تحقق من مصداقية المستخدم من خلال إثبات الأذونات.
طبقة التحفيز: سيقوم عقد توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين، والموزعين، والمحققين.
(## إطار نموذج OML
إطار OML ) مفتوح Open، قابل للتسييل Monetizable، ولاء Loyal ### هو الفكرة الأساسية التي طرحتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج AI مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير المستند إلى AI، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشيفرة وهياكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
تحقيق الإيرادات: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمتحققين.
الولاء: يعود النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحكم، وتخضع الاستخدامات والتعديلات لآلية التشفير.
(## التشفير الأصلي للذكاء الاصطناعي)
التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المنحنيات ذات الأبعاد المنخفضة وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية لها هي:
بصمة مدمجة: إدخال مجموعة من أزواج مفتاح-قيمة مخفية عند التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: يتم التحقق من بقاء بصمة الإصبع من خلال كاشف طرف ثالث ###Prover( على شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي أصدرها مالك النموذج قبل الاستدعاء، ثم يمنح النظام الإذن للنموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض المعتمد على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
)## إطار حقوق التأليف والنشر ونظام التنفيذ الآمن
Sentient تعتمد حاليًا على Melange混合安全: باستخدام تأكيد الهوية بالبصمة، وتنفيذ TEE، وتقسيم الأرباح من العقود داخل السلسلة. الطريقة المستخدمة لتأكيد الهوية بالبصمة هي OML 1.0 التي تمثل الخط الرئيسي، وتؤكد على فكرة "乐观安全(Optimistic Security)"، أي الافتراض بالتوافق، مع إمكانية الكشف والعقاب في حالة الانتهاك.
آلية بصمة الأصبع هي التنفيذ الرئيسي لـ OML، حيث يتم تضمين "أسئلة-إجابات" محددة، مما يسمح للنموذج بتوليد توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ والتسويق غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات داخل السلسلة قابلة للتتبع لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي يستفيد من داخل السلسلة ### مثل AWS Nitro Enclaves ( لضمان أن النماذج تستجيب فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويمثل مخاطر أمان معينة، إلا أن ميزاته العالية الأداء والقدرة على الاستجابة في الوقت الحقيقي تجعلها تقنية أساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال إثباتات عدم المعرفة )ZK( وتشفير كامل التماثل )FHE(، لتعزيز حماية الخصوصية وقابلية التحقق، وتقديم حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
) طبقة التطبيق
حاليًا، تشمل منتجات Sentient بشكل رئيسي منصة الدردشة اللامركزية Sentient Chat، ونموذج المصدر المفتوح Dobby
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.
البلوكتشين Layer1 للذكاء الاصطناعي: البنية التحتية الأساسية للابتكارات DeAI داخل السلسلة
تقرير بحثي عن Layer1 AI: البحث عن تربة DeAI داخل السلسلة
نظرة عامة
في السنوات الأخيرة، أدى التطور السريع لنماذج اللغة الكبيرة ( LLM ) إلى توسيع خيال البشرية بشكل كبير، حتى أنه أظهر في بعض المجالات إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات يقع في يد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار التنافس معها.
في بداية التطور السريع للذكاء الاصطناعي، غالبًا ما تركزت الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما كانت الانتباهات تجاه قضايا أساسية مثل حماية الخصوصية، الشفافية، والأمان غير كافية 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 "يهدف إلى الخير" أو "يهدف إلى الشر"، وعادةً ما تفتقر الكيانات المركزية الكبرى، المدفوعة بغرائز الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.
تقدم تقنية blockchain، بفضل خصائصها المتمثلة في اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرئيسية. ومع ذلك، يمكن أن نلاحظ بعد التحليل العميق أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، مستوى اللامركزية محدود، حيث لا تزال الجوانب الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي. من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج، واستخدام البيانات، ومجالات التطبيق، مما يتطلب تحسينًا في عمق الابتكار واتساعه.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسًا في الأداء للحلول المركزية، نحتاج إلى تصميم بلوكشين Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز الازدهار والتطور في نظام الذكاء الاصطناعي اللامركزي.
الخصائص الأساسية لـ AI Layer 1
تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث يتم تصميم بنية الأداء الأساسية والهيكلية بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للبيئة الذكية داخل السلسلة بكفاءة. وبشكل محدد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
يتمثل جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة للموارد مثل قوة الحوسبة والتخزين. على عكس التركيز الرئيسي لعقد blockchain التقليدية على تسجيل الدفاتر، يتعين على عقد AI Layer 1 تحمل مهام أكثر تعقيدًا، حيث يجب عليها تقديم قوة الحوسبة، وإكمال تدريب نموذج AI والاستدلال، بالإضافة إلى المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، مما يؤدي إلى كسر احتكار الهيمنة المركزية في بنية AI التحتية. وهذا يتطلب متطلبات أعلى من حيث الإجماع الأساسي وآلية الحوافز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب على AI، لتحقيق أمان الشبكة والتوزيع الفعال للموارد. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل التكلفة الإجمالية لقوة الحوسبة بشكل فعال.
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نموذج اللغة الكبير، أداءً حسابيًا عاليًا وقدرة على المعالجة المتوازية. علاوة على ذلك، غالبًا ما تحتاج بيئة الذكاء 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 أن يتم تحسين طبقة الذكاء الاصطناعي من المستوى الأول بعمق لتلبية احتياجات الإنتاجية العالية، وانخفاض زمن الاستجابة، والمعالجة المتوازية المرنة على البنية التحتية الأساسية، مع إعداد الدعم الأصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "بيئة معقدة ومتعددة".
لا يجب أن تمنع طبقة AI 1 فقط نماذج الفساد، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، بل يجب أن تضمن من خلال آلياتها الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساسات مخرجات الذكاء الاصطناعي، لتحقيق "ما يُكتسب هو ما يُراد"، وزيادة ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والشبكات الاجتماعية، تعتبر حماية خصوصية البيانات أمرًا أساسيًا. يجب أن يضمن AI Layer 1 القابلية للتحقق في الوقت نفسه، من خلال استخدام تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.
كنظام أساسي من الطبقة الأولى الأصلي للذكاء الاصطناعي، يجب أن يمتلك النظام الأساسي ليس فقط التميز التكنولوجي، ولكن أيضًا توفير أدوات تطوير شاملة ومجموعة أدوات تكامل ودعم العمليات وآليات تحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام النظام الأساسي وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي 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 وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم شامل لأحدث التطورات في المجال، وتحليل الوضع الحالي للمشاريع، ومناقشة الاتجاهات المستقبلية.
Sentient: بناء نماذج ذكاء اصطناعي لامركزية مفتوحة المصدر موالية
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوح المصدر، تعمل على بناء سلسلة كتل AI Layer1 ( المرحلة الأولية هي Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية سلسلة الكتل، يتم بناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو من خلال إطار عمل "OML" ( حل مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي بطريقة مفتوحة، قابلة للربح وموثوقة )، مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، شفافية الاستدعاءات وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع مؤسسة Sentient فريقًا من أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوكشين من جميع أنحاء العالم، وتهدف إلى بناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، حيث يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لشركة Polygon، الاستراتيجية البيئية والبلوكشين. يمتلك أعضاء الفريق خلفيات متنوعة تشمل شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات مثل الذكاء الاصطناعي/تعلم الآلة، معالجة اللغات الطبيعية، ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع إلى الأمام.
كأحد مؤسسي Polygon ، كان مشروع Sentient الذي أسسه Sandeep Nailwal يحمل هالة خاصة منذ بدايته، حيث يمتلك موارد غنية، وشبكة علاقات واسعة، ووعي قوي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund و Pantera و Framework Ventures، بالإضافة إلى عدد من شركات الاستثمار المعروفة الأخرى مثل Delphi و Hashkey و Spartan.
تصميم الهيكل والطبقة التطبيقية
####层 البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: AI Pipeline( وداخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتشمل عمليتين رئيسيتين:
يوفر نظام البلوكشين الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
(## إطار نموذج OML
إطار OML ) مفتوح Open، قابل للتسييل Monetizable، ولاء Loyal ### هو الفكرة الأساسية التي طرحتها Sentient، تهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج AI مفتوحة المصدر. من خلال الجمع بين تقنية داخل السلسلة والتشفير المستند إلى AI، يتمتع بالخصائص التالية:
(## التشفير الأصلي للذكاء الاصطناعي)
التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية المنحنيات ذات الأبعاد المنخفضة وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية لها هي:
يمكن تحقيق "استدعاء التفويض المعتمد على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
)## إطار حقوق التأليف والنشر ونظام التنفيذ الآمن
Sentient تعتمد حاليًا على Melange混合安全: باستخدام تأكيد الهوية بالبصمة، وتنفيذ TEE، وتقسيم الأرباح من العقود داخل السلسلة. الطريقة المستخدمة لتأكيد الهوية بالبصمة هي OML 1.0 التي تمثل الخط الرئيسي، وتؤكد على فكرة "乐观安全(Optimistic Security)"، أي الافتراض بالتوافق، مع إمكانية الكشف والعقاب في حالة الانتهاك.
آلية بصمة الأصبع هي التنفيذ الرئيسي لـ OML، حيث يتم تضمين "أسئلة-إجابات" محددة، مما يسمح للنموذج بتوليد توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ والتسويق غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات داخل السلسلة قابلة للتتبع لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي يستفيد من داخل السلسلة ### مثل AWS Nitro Enclaves ( لضمان أن النماذج تستجيب فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويمثل مخاطر أمان معينة، إلا أن ميزاته العالية الأداء والقدرة على الاستجابة في الوقت الحقيقي تجعلها تقنية أساسية لنشر النماذج الحالية.
في المستقبل، تخطط Sentient لإدخال إثباتات عدم المعرفة )ZK( وتشفير كامل التماثل )FHE(، لتعزيز حماية الخصوصية وقابلية التحقق، وتقديم حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
) طبقة التطبيق
حاليًا، تشمل منتجات Sentient بشكل رئيسي منصة الدردشة اللامركزية Sentient Chat، ونموذج المصدر المفتوح Dobby