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

في السنوات الأخيرة، تطورت تقنيات الذكاء الاصطناعي مثل نموذج اللغة الكبير (LLM) بسرعة، مظهرةً قدرات غير مسبوقة، مما وسّع بشكل كبير من مساحة خيال البشرية. ومع ذلك، فإن جوهر هذه التقنيات يظل في يد عدد قليل من عمالقة التكنولوجيا. بفضل رؤوس الأموال الضخمة والسيطرة على موارد الحوسبة الباهظة، أنشأوا حواجز يصعب تجاوزها، مما يجعل من الصعب على معظم المطورين وفرق الابتكار المنافسة معهم.

في بداية التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يقل الاهتمام بالقضايا الأساسية مثل حماية الخصوصية، والشفافية، والأمان. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستصبح الجدل حول ما إذا كان الذكاء الاصطناعي "يجب أن يكون للخير" أو "للشر" أكثر وضوحًا، وغالبًا ما تفتقر الشركات المركزية الكبرى، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.

تقدم تقنية البلوكشين، بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحاضر، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل البلوكشين الرئيسية مثل Solana وBase. ومع ذلك، فإن التحليل المتعمق يكشف عن وجود العديد من المشكلات في هذه المشاريع: من ناحية، درجة اللامركزية محدودة، ولا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية ثقيلة للغاية، مما يجعل من الصعب دعم بيئة مفتوحة بالمعنى الحقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث القدرة على النماذج واستخدام البيانات وسيناريوهات التطبيق، مما يتطلب تحسين عمق الابتكار وعرضه.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل البلوكشين قادرًا على استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، 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 نظام الذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لطبقة 1 للذكاء الاصطناعي

AI Layer 1 كبلوكشين مصمم خصيصًا لتطبيقات الذكاء الاصطناعي، فإن هيكله الأساسي وتصميم أدائه يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن يتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية التحفيز الفعالة والتوافق اللامركزي تتمثل جوهر AI Layer 1 في بناء شبكة مشتركة مفتوحة للموارد مثل القوة الحاسوبية والتخزين. على عكس التركيز الرئيسي لعقد blockchain التقليدية على تسجيل دفاتر الحسابات، فإن عقد AI Layer 1 تحتاج إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن توفر القوة الحاسوبية، وتكمل تدريب واستدلال نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي، وغيرها من الموارد المتنوعة، لكسر احتكار عمالقة المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يفرض متطلبات أعلى على آلية الإجماع والحوافز الأساسية: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام استدلال وتدريب الذكاء الاصطناعي، مما يحقق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القوة الحاسوبية الإجمالية بشكل فعال.

2. أداء عالي متميز وقدرة على دعم المهام غير المتجانسة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداء حسابي عالي وقدرة على المعالجة المتوازية. علاوة على ذلك، غالباً ما تحتاج بيئات 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 الطبقة الأولى للذكاء الاصطناعي بعمق لتلبية متطلبات الإنتاجية العالية، والكمون المنخفض، والقدرة على التوازي المرن، مع توفير دعم أصلي للموارد الحاسوبية غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام بسيطة" إلى "بيئة معقدة ومتنوعة".

3. القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 عدم منع نماذج السلوك الضار، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية فحسب، بل يجب أيضًا ضمان قابلية التحقق من نتائج AI ومواءمتها من خلال الآليات الأساسية. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن المتعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل عملية استدلال للنموذج، وتدريب، ومعالجة البيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين في توضيح منطق AI ومرجعياته، لتحقيق "ما يُكتسب هو ما يُراد"، وزيادة ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتعلق تطبيقات الذكاء الاصطناعي غالبًا بالبيانات الحساسة للمستخدمين، حيث تكون حماية خصوصية البيانات مهمة بشكل خاص في مجالات المالية والرعاية الصحية والتواصل الاجتماعي. يجب أن تتبنى AI Layer 1 تقنيات معالجة البيانات المعتمدة على التشفير وبروتوكولات الحساب الخصوصي وإدارة حقوق البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، والحد من تسرب البيانات وسوء الاستخدام بشكل فعال، وإزالة القلق لدى المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتطوير البيئة الحاملة باعتبارها بنية تحتية من الطبقة 1 الأصلية للذكاء الاصطناعي، يجب أن يتمتع النظام الأساسي ليس فقط بالريادة التقنية، ولكن أيضًا بتوفير أدوات تطوير شاملة ومجموعة SDK متكاملة ودعم العمليات وآليات التحفيز لمطوري التطبيقات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين قابلية استخدام النظام الأساسي وتجربة المطور، يتم تعزيز تنفيذ تطبيقات الذكاء الاصطناعي المتنوعة والغنية، مما يحقق ازدهارًا مستدامًا للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة تفاصيل عن ستة مشاريع تمثل AI Layer1، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقوم بتنظيم أحدث التطورات في هذا المجال، وتحليل حالة تطور المشاريع، ومناقشة الاتجاهات المستقبلية.

Sentient: بناء نموذج AI مفتوح المصدر لامركزي مخلص

ملخص المشروع

Sentient هو منصة بروتوكولات مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية Layer 2، وستنتقل بعد ذلك إلى Layer 1)، من خلال دمج AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" ( المفتوح، القابل للربح، والموثوق )، مما يجعل نماذج AI تحقق 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.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويعملون على بناء منصة AGI مدفوعة مجتمعياً ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، حيث يتولى كل منهما مسؤولية أمان الذكاء الاصطناعي وحماية الخصوصية، في حين يقود Sandeep Nailwal، أحد مؤسسي Polygon، الاستراتيجية الخاصة بالـ blockchain والتخطيط البيئي. يمتد خلفية أعضاء الفريق من شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطي مجالات مثل AI/ML وNLP ورؤية الكمبيوتر، مما يعزز دفع المشروع نحو التنفيذ.

كمشروع ريادي ثانٍ لمؤسس Polygon سانديب نايلوال، كانت Sentient محاطة بهالة من النجاح منذ إنشائها، حيث تمتلك موارد غنية، وشبكات علاقات واسعة، ودرجة عالية من الوعي السوقي، مما يقدم دعماً قوياً لتطور المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل أولية بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى مؤسسات استثمارية أخرى تشمل Delphi وHashkey وSpartan وغيرها من شركات رأس المال المغامر المعروفة.

تصميم الهيكل والتطبيقات

طبقة البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب AI ( ونظام السلسلة.

تعد أنابيب الذكاء الاصطناعي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين رئيسيتين:

• تخطيط البيانات ) تنسيق البيانات (: عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمحاذاة النماذج.
• تدريب الولاء ): تأكد من أن النموذج يحتفظ بعملية تدريب تتماشى مع نوايا المجتمع.

يقدم نظام داخل السلسلة الشفافية والتحكم اللامركزي للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العائدات والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع;
• طبقة التوزيع: مدخلات استدعاء نموذج التحكم في عقد التفويض;
• طبقة الوصول: التحقق من إذن المستخدم من خلال إثبات الأذونات.
• طبقة التحفيز: ستقوم عقود توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين والموزعين والمتحققين.

(## إطار نموذج OML

إطار OML ) مفتوح Open، قابل للت monetization Monetizable، ولاء Loyal ### هو المفهوم الأساسي الذي طرحته Sentient، ويهدف إلى توفير حماية ملكية واضحة وآليات حوافز اقتصادية لنماذج الذكاء الاصطناعي المفتوحة المصدر. من خلال دمج تقنية داخل السلسلة والرياضيات المشفرة الأصلية للذكاء الاصطناعي، فإنه يتمتع بالميزات التالية:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• التحويل إلى نقود: كل مرة يتم فيها استدعاء النموذج، يتم تشغيل تدفق الإيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمحققين.
• الولاء: النموذج يعود إلى مجتمع المساهمين،方向 الترقية والحكم يحدده DAO، والاستخدام والتعديل تحت السيطرة من خلال آلية التشفير.

(## تشفير أصلي بالذكاء الاصطناعي )AI-native Cryptography ###

إن التشفير الأصلي المدعوم بالذكاء الاصطناعي يستخدم استمرارية نماذج الذكاء الاصطناعي، وهيكل الطيف المنخفض الأبعاد وخصائص قابلية التفاضل للنماذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:

• بصمة الإصبع المدمجة: أثناء التدريب، يتم إدخال مجموعة من أزواج المفاتيح والقيم المخفية لتشكيل توقيع فريد للنموذج؛
• بروتوكول تحقق الملكية: يتحقق عبر جهاز استشعار طرف ثالث (Prover) بشكل استفسار للتحقق مما إذا كانت بصمات الأصابع محفوظة;
• آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" التي يصدرها مالك النموذج قبل الاستدعاء، ثم يمنح النظام الإذن للنموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاءات مصرح بها بناءً على السلوك + تحقق من الملكية" بهذه الطريقة دون تكاليف إعادة التشفير.

(## إطار تأكيد النموذج وتنفيذ الأمان

تتبنى Sentient حاليًا أمان Melange المختلط: يجمع بين تحديد الهوية بواسطة بصمة الإصبع، وتنفيذ TEE، والعقد داخل السلسلة لتوزيع الأرباح. طريقة بصمة الإصبع هي الخط الرئيسي لتحقيق OML 1.0، مع التأكيد على فكرة "الأمان المتفائل )Optimistic Security###"، أي الافتراض بالامتثال، وفي حالة الانتهاك يمكن الكشف عنه ومعاقبته.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح إدراج "سؤال-جواب" محدد، مما يجعل النموذج يولد توقيعًا فريدًا في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الانتماء، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلًا داخل السلسلة يمكن تتبعه لسلوك استخدام النموذج.

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحساب، مستفيدة من داخل السلسلة ( مثل AWS Nitro Enclaves ) لضمان استجابة النموذج فقط للطلبات المصرح بها، ومنع الوصول والاستخدام غير المصرح به. على الرغم من أن TEE يعتمد على الأجهزة ويحتوي على بعض المخاطر الأمنية، إلا أن مزاياه من حيث الأداء العالي والوقت الحقيقي تجعلها التقنية الأساسية لنشر النماذج الحالية.

في المستقبل، تخطط Sentient لإدخال إثباتات المعرفة الصفرية (ZK) وتشفير التماثل الكامل (FHE)، لتعزيز حماية الخصوصية وقابلية التحقق، وتقديم حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.

(#层 التطبيقات

حاليًا، تشمل منتجات Sentient بشكل رئيسي منصة الدردشة اللامركزية Sentient Chat، سلسلة النماذج مفتوحة المصدر Dobby، وإطار عمل AI Agent.

)## نموذج سلسلة Dobby

أصدرت SentientAGI العديد من نماذج سلسلة "Dobby"، والتي تستند بشكل رئيسي إلى نموذج Llama، مع التركيز على قيم الحرية واللامركزية ودعم العملات المشفرة. من بينها، فإن إصدار leashed يميل إلى أن يكون أكثر تقييدًا وعقلانية، مما يجعله مناسبًا لمواقف الإنتاج المستقرة؛ بينما إصدار unhinged يميل إلى الحرية والجسارة، ويتميز بأسلوب حوار أكثر تنوعًا. تم نموذج Dobby بالفعل