تقرير بحثي عن Layer1 AI: البحث عن أرض خصبة لـ DeAI داخل السلسلة

ملخص

في السنوات الأخيرة، قامت شركات التكنولوجيا الكبرى 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، وحتى في بعض السيناريوهات أظهرت إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بشدة في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. من خلال رأس المال القوي والسيطرة على موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار تواجه صعوبة في المنافسة.

في نفس الوقت، في المرحلة الأولى من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التقنية، بينما يكون الاهتمام بقضايا 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 التعامل معها بشكل مناسب، ستصبح الجدل حول "الذكاء الاصطناعي نحو الخير" أو "نحو الشر" أكثر وضوحًا، وغالبًا ما يفتقر العملاق المركزي المدفوع بغريزة الربح إلى الدافع الكافي لمواجهة هذه التحديات بشكل نشط.

تقدم تقنية البلوكشين 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. لكن عند تحليلها بعمق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، درجة اللامركزية محدودة، حيث لا تزال المراحل الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، مما يجعل من الصعب دعم بيئة مفتوحة بمعناها الحقيقي؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال الذكاء الاصطناعي داخل السلسلة تعاني من قيود في قدرات النماذج، واستخدام البيانات، ومجالات التطبيق، مما يستدعي تحسين عمق ووسع الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل سلسلة الكتل قادرة على استيعاب تطبيقات الذكاء الاصطناعي الكبيرة بشكل آمن وفعال وديمقراطي، والتنافس في الأداء مع الحلول المركزية، نحتاج إلى تصميم سلسلة كتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر ذلك أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والديمقراطية في الحوكمة، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لـ AI Layer 1

تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث تم تصميم هيكلها الأساسي وأداءها بشكل وثيق حول احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار لنظام AI داخل السلسلة بشكل فعال. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:

1. آلية التحفيز الفعالة وآلية الإجماع اللامركزية. يكمن جوهر AI Layer 1 في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد في سلاسل الكتل التقليدية التي تركز بشكل رئيسي على تسجيل دفتر الحسابات، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث لا يتعين عليها فقط توفير القدرة الحاسوبية وإكمال تدريب ونمذجة الذكاء الاصطناعي، ولكن أيضًا المساهمة في التخزين والبيانات والنطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار العملاق المركزي في بنية الذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى من الإجماع وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام الاستدلال والتدريب على الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية بشكل فعال.

2. الأداء العالي الممتاز وقدرة دعم المهام المتنوعة. تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستنتاج نماذج LLM، متطلبات عالية جدًا من حيث الأداء الحاسوبي وقدرة المعالجة المتوازية. بالإضافة إلى ذلك، غالبًا ما يتعين على النظام البيئي للذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتنوعة من المهام، بما في ذلك هياكل نماذج مختلفة، ومعالجة البيانات، والاستنتاج، والتخزين، وغيرها من السيناريوهات المتعددة. يجب على AI Layer 1 إجراء تحسينات عميقة في البنية التحتية الأساسية لتلبية احتياجات السعة العالية، والانخفاض في زمن الاستجابة، والمرونة في المعالجة المتوازية، وتوفير دعم أصلي لموارد الحوسبة المتنوعة، لضمان تشغيل مهام الذكاء الاصطناعي بكفاءة وتحقيق التوسع السلس من "المهام الأحادية" إلى "الأنظمة البيئية المعقدة والمتنوعة".

3. القابلية للتحقق وضمان المخرجات الموثوقة يجب أن تمنع Layer 1 من الذكاء الاصطناعي ليس فقط الأذى الناتج عن النماذج، وتلاعب البيانات، وغيرها من المخاطر الأمنية، ولكن يجب أيضًا أن تضمن من خلال الآليات الأساسية القابلية للتحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، وحسابات الأمان متعددة الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل استدلال للنموذج، وتدريب، وعملية معالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس مخرجات الذكاء الاصطناعي، مما يحقق "ما تحصل عليه هو ما تريده"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا ببيانات حساسة للمستخدمين، حيث تكون حماية خصوصية البيانات أمرًا بالغ الأهمية في مجالات المالية، والرعاية الصحية، والتواصل الاجتماعي. يجب أن يعتمد AI Layer 1 على تقنيات معالجة البيانات المشفرة، وبروتوكولات الحوسبة الخصوصية، وإدارة صلاحيات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وسوء استخدامها بفعالية، مما يزيل مخاوف المستخدمين بشأن أمان البيانات.

5. القدرة القوية على دعم وتطوير النظام البيئي. كمنصة بنية تحتية من الجيل الأول الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDK متكامل، ودعم التشغيل والصيانة، وآليات تحفيز للمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية الاستخدام وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل حول ستة مشاريع تمثيلية من AI Layer1، بما في ذلك Sentient و Sahara AI و Ritual و Gensyn و Bittensor و 0G، مع مراجعة شاملة لأحدث التقدم في هذا المجال، وتحليل الوضع الحالي لتطوير المشاريع، ومناقشة الاتجاهات المستقبلية.

Sentient: بناء نموذج AI مفتوح المصدر لامركزي مخلص

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشكلات ملكية النموذج، تتبع الاستدعاءات، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، ولاء) مما يسمح بنموذج الذكاء الاصطناعي لتحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، التملك، وتحقيق الربح 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 blockchain من جميع أنحاء العالم، ويكرس جهوده لبناء منصة AGI مدفوعة من المجتمع، ومفتوحة المصدر، وقابلة للتحقق. تشمل الأعضاء الرئيسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ معهد الهند للعلوم Himanshu Tyagi، اللذان يتوليان مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية والتخطيط البيئي لل blockchain. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، فضلاً عن الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطي مجالات AI/ML وNLP والرؤية الحاسوبية، للعمل معًا على دفع المشروع نحو التنفيذ.

كمشروع ناشئ ثانٍ لمؤسس Polygon Sandeep Nailwal، جاءت Sentient منذ بدايتها بهالة، حيث تمتلك موارد غنية، وعلاقات، ووعي بالسوق، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، وشملت المؤسسات الاستثمارية الأخرى عشرات من شركات رأس المال الاستثماري المعروفة مثل Delphi وHashkey وSpartan.

تصميم الهيكل وطبقة التطبيقات

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 رئيسيتين:​

• تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة بالمجتمع، المستخدمة لمحاذاة النموذج.
• تدريب الولاء (Loyalty Training): ضمان أن يحتفظ النموذج بعملية تدريب متوافقة مع نية المجتمع.

يوفر نظام السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العائدات والحكومة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: يتحكم عقد التفويض في مدخل استدعاء النموذج؛
• طبقة الوصول: تحقق من تفويض المستخدم من خلال إثبات الصلاحيات؛
• طبقة التحفيز: ستقوم عقدة توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين، والمطورين، والمتحققين.

إطار نموذج OML

إطار OML (الافتتاحي Open، القابل للت Monetizable، المخلص Loyal) هو الفكرة الأساسية التي قدمتها Sentient، وتهدف إلى توفير حماية واضحة للملكية وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال الجمع بين التقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، فإنه يتمتع بالخصائص التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجها وتدقيقها وتحسينها.
• monetization: كل استدعاء لنموذج سيؤدي إلى تدفق الإيرادات، العقد داخل السلسلة سيقوم بتوزيع الإيرادات على المدربين، المنفذين، والمتحققين.
• الولاء: النموذج ينتمي إلى مجتمع المساهمين، يتم تحديد اتجاهات الترقية والحوكمة بواسطة DAO، ويتم التحكم في الاستخدام والتعديل من خلال آلية التشفير.

التشفير الأصلي المعتمد على الذكاء الاصطناعي (AI-native Cryptography)

تشفير الأصل AI هو استخدام استمرارية نماذج AI، وبنية المانيفولد منخفضة الأبعاد، وخصائص القابلية للتفاضل في النماذج، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". التقنية الأساسية لها هي:

• بصمة مدمجة: إدخال مجموعة من أزواج query-response المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: تحقق من بقاء بصمة الإصبع من خلال كاشف طرف ثالث (Prover) على شكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، ومن ثم يقوم النظام بتفويض النموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء التفويض القائم على السلوك + التحقق من الملكية" بهذه الطريقة دون تكلفة إعادة تشفير.

إطار تأكيد النموذج والتنفيذ الآمن

Sentient تعتمد حاليًا على أمان Melange المختلط: تأكيد الهوية باستخدام بصمة الأصبع، تنفيذ TEE، وتقاسم الأرباح من خلال العقود داخل السلسلة. حيث أن طريقة بصمة الأصبع هي التنفيذ الرئيسي لـ OML 1.0، مع التركيز على فكرة "الأمان التفاؤلي (Optimistic Security)"، والتي تفترض الامتثال بشكل افتراضي، ويمكن اكتشاف المخالفات ومعاقبتها بعد ذلك.

آلية بصمة الأصابع هي التنفيذ الرئيسي لـ OML، حيث تتيح تضمين أزواج "سؤال-جواب" محددة، مما يسمح للنموذج بإنشاء توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلاً قابلاً للتتبع لسلوك استخدام النموذج داخل السلسلة.

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، الذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النموذج فقط للطلبات المصرح بها، مما يمنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويواجه بعض المخاطر الأمنية، إلا أن مزاياه في الأداء العالي والوقت الحقيقي تجعلها أساسية لنشر النموذج الحالي.