دراسة قطاع Layer1 للذكاء الاصطناعي: البحث عن أرض خصبة للذكاء الاصطناعي اللامركزي داخل السلسلة

في السنوات الأخيرة، مع دفع الشركات التكنولوجية الرائدة مثل OpenAI وAnthropic وGoogle وMeta، أظهرت نماذج اللغة الكبيرة (LLM) قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، حتى أنها أظهرت في بعض السيناريوهات إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات لا يزال تحت سيطرة عدد قليل من عمالقة التكنولوجيا اللامركزية. بفضل رأس المال الكبير والسيطرة على موارد الحوسبة العالية التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار صعبة المنافسة.

في البداية، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا خلال التطور السريع للذكاء الاصطناعي، بينما تكون الاهتمامات بشأن حماية الخصوصية والشفافية والأمان وغيرها من القضايا الأساسية أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التطور الصحي لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل صحيح، ستصبح الجدل حول "الخير" و"الشر" في الذكاء الاصطناعي أكثر بروزًا، وغالبًا ما تفتقر الشركات المركزية الكبرى، المدفوعة بغرائزها لتحقيق الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.

تقدم تقنية blockchain بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حالياً، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرائجة. ومع ذلك، يمكن أن يُظهر التحليل العميق أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، ولا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابية المركزية، وتتميز بخصائص meme بشكل مفرط، مما يجعل من الصعب دعم نظام بيئي مفتوح حقاً؛ من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدوداً من حيث القدرة على النمذجة، واستخدام البيانات، وسيناريوهات التطبيق، مما يتطلب تحسين العمق والاتساع في الابتكار.

لتحقيق رؤية اللامركزية للذكاء الاصطناعي حقًا، وجعل البلوكشين قادرًا على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم بلوكشين Layer1 مصمم خصيصًا 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

AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، يتم تصميم هيكلها الأساسي وأداءها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار لنظام الذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية تحفيز فعالة و اللامركزية الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة الموارد مثل الحوسبة والتخزين. على عكس العقد التقليدية في البلوكشين التي تركز بشكل رئيسي على تسجيل الدفتر، فإن عقد AI Layer 1 تحتاج إلى تحمل مهام أكثر تعقيدًا، حيث يجب عليها توفير الحوسبة، وإكمال تدريب ونمذجة AI، وكذلك المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، لكسر احتكار الشركات المركزية في البنية التحتية للذكاء الاصطناعي. هذا يتطلب متطلبات أعلى لآليات الإجماع والتحفيز الأساسية: يجب على AI Layer 1 أن تكون قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب للذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة عالية. فقط بهذه الطريقة يمكن ضمان استقرار وازدهار الشبكة، وتقليل تكاليف الحوسبة الإجمالية بشكل فعال.

2. أداء عالي ممتاز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال النماذج اللغوية الكبيرة، أداء حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يتعين على بيئة الذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتغايرة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتعددة. يجب أن يكون Layer 1 للذكاء الاصطناعي مُحسنًا بشكل عميق في البنية التحتية الأساسية لتلبية احتياجات السعة العالية، وانخفاض الكمون، والمعالجة المتوازية المرنة، ويجب أن يكون لديه دعم أصلي للموارد الحاسوبية المتغايرة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "المهام الأحادية" إلى "البيئة المعقدة والمتنوعة".

3. القابلية للتحقق وضمان المخرجات الموثوقة لا يهدف AI Layer 1 فقط إلى منع الأذى الناتج عن النماذج، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا ضمان قابلية التحقق من نتائج AI والتوافق معها من خلال الآليات الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC)، يمكن للمنصة التأكد من أن كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات يمكن التحقق منها بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق ومرجعية نتائج AI، مما يحقق "ما تحصل عليه هو ما تريده"، ويزيد من ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي عادةً بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية. يجب أن تضمن طبقة الذكاء الاصطناعي 1 قابلية التحقق مع اعتماد تقنيات معالجة البيانات القائمة على التشفير، وبروتوكولات حساب الخصوصية، وإدارة حقوق البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويزيل مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتطوير النظام البيئي باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة ومجموعة تطوير البرمجيات المتكاملة ودعم التشغيل والصيانة وآليات التحفيز لمطوري البرامج ومشغلي العقد ومزودي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة النظام الأساسي وتجربة المطورين باستمرار، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي الأصلية المتنوعة، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة نظرة تفصيلية على ستة مشاريع تمثيلية من Layer1 AI تشمل Sentient وSahara AI وRitual وGensyn وBittensor و0G، حيث ستقوم بمراجعة أحدث التطورات في هذا المجال، وتحليل الوضع الحالي للمشاريع، ومناقشة الاتجاهات المستقبلية.

Sentient: بناء نموذج ذكاء اصطناعي مفتوح المصدر مخلص اللامركزية

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية سلسلة الكتل، لبناء اقتصاديات الذكاء الاصطناعي اللامركزية. الهدف الأساسي هو من خلال إطار "OML" ( فتح واستثمار ولاء ) حل مشاكل ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي، مما يمكن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، التملك وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال اللامركزية من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور في جامعة برينستون برامود فيسواناث والبروفيسور في المعهد الهندي للعلوم هيمنشو تياغي، المسؤولين عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود الاستراتيجية البيئية للبلوكشين المؤسس المشارك لمنصة تداول معينة سانديب نيلوال. تشمل خلفيات أعضاء الفريق شركات معروفة مثل Meta وCoinbase ومنصة تداول معينة، بالإضافة إلى الجامعات المرموقة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مما يغطي مجالات الذكاء الاصطناعي/التعلم الآلي، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.

بصفته مشروعًا مبتكرًا من قبل Sandeep Nailwal، أحد مؤسسي منصة تداول معينة، بدأت Sentient من نقطة انطلاق قوية حيث تمتلك موارد غنية، وشبكات علاقات واسعة، ووعي بالسوق، 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، بالإضافة إلى عشرات الشركات الاستثمارية المعروفة مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: AI Pipeline ( و نظام blockchain.

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتشمل عمليتين أساسيتين:

• تخطيط البيانات ) Data Curation (: عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمواءمة النماذج.
• تدريب الولاء)Loyalty Training(: ضمان أن يحافظ النموذج على عملية تدريب تتماشى مع نية المجتمع.

يقدم نظام blockchain الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية عناصر الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع;
• طبقة التوزيع: نموذج التحكم في عقد التفويض لدخول الاستدعاء;
• طبقة الوصول: التحقق من إذن المستخدم من خلال إثبات الأذونات.
• طبقة التحفيز: ستخصص عقد توجيه العائدات المدفوعات عند كل استدعاء للممارسين، والمطورين، والمتحققين.

![Biteye و PANews يطلقان تقرير بحثي عن AI Layer1: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة])https://img-cdn.gateio.im/webp-social/moments-a70b0aca9250ab65193d0094fa9b5641.webp(

)## إطار نموذج OML

إطار OML ### مفتوح Open، قابل للت Monetizable، ولاء Loyal ( هو المفهوم الأساسي الذي قدمته Sentient، والذي يهدف إلى توفير حماية ملكية واضحة وآليات حوافز اقتصادية لنماذج AI مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة والرياضيات التشفيرية الأصلية لـ AI، يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، وأن تكون الشيفرة وهياكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• monetization: كل استدعاء للنموذج سيؤدي إلى تدفق العائدات، وستقوم العقود داخل السلسلة بتوزيع العائدات على المدربين، والموزعين، والمحققين.
• الولاء: النموذج ينتمي إلى مجتمع المساهمين، يتم تحديد اتجاه الترقية والحوكمة بواسطة DAO، الاستخدام والتعديل تحت سيطرة آلية التشفير.

)## الذكاء الاصطناعي الأصلي التشفير###AI-native Cryptography(

التشفير الأصلي المدعوم بالذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المانيفولد ذو الأبعاد المنخفضة وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لذلك هي:

• إدخال بصمة الإصبع: أثناء التدريب، يتم إدخال مجموعة من أزواج مفاتيح القيمة المخفية لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: التحقق مما إذا كانت بصمات الأصابع محفوظة من خلال كاشف طرف ثالث )Prover( على شكل استفسار.
• آلية استدعاء التصريح: يجب الحصول على "شهادة التفويض" التي تصدرها مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بمنح الإذن للنموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء التفويض المستند إلى السلوك + التحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة تشفير.

)## إطار تأمين وتنفيذ حقوق النموذج

Sentient الحالي يعتمد على Melange混合安全: تأكيد الهوية باستخدام بصمة الإصبع، تنفيذ TEE، وتوزيع الأرباح عبر العقود داخل السلسلة. حيث أن طريقة البصمة هي OML 1.0 التي تمثل الخط الرئيسي، مع التأكيد على فكرة "اللامركزية###Optimistic Security("، أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها.

آلية بصمة الأصبع هي التنفيذ الأساسي لـ OML، حيث تتيح من خلال إدراج "سؤال-جواب" معين، أن يقوم النموذج بتوليد توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات داخل السلسلة يمكن تتبعها لسلوك استخدام النموذج.

علاوة على ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من 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 ميزاته العالية في الأداء والزمن الحقيقي تجعل منه التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال إثباتات المعرفة الصفرية )ZK( وتقنيات التشفير المتجانس بالكامل )FHE(، لتعزيز حماية الخصوصية وقابلية التحقق، وتوفير نشر أكثر نضجًا لنماذج الذكاء الاصطناعي اللامركزية.