تقرير بحثي عن Layer1 للذكاء الاصطناعي: البحث عن الأراضي الخصبة داخل السلسلة لـ DeAI
نظرة عامة
في السنوات الأخيرة، تواصل شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشرية، بل ويظهر في بعض الحالات إمكانية استبدال العمل البشري. ومع ذلك، لا تزال جوهر هذه التقنيات في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والتحكم في موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار المنافسة معها.
في نفس الوقت، في المراحل المبكرة من تطور الذكاء الاصطناعي السريع، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون الاهتمام بمسائل مثل حماية الخصوصية والشفافية والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستبرز الجدل حول ما إذا كان الذكاء الاصطناعي "يعمل من أجل الخير" أم "يعمل من أجل الشر" بشكل متزايد، وأحيانًا تفتقر الشركات المركزية الكبرى المحفزة بدافع الربح إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوكشين، بفضل خصائصها اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على عدة سلاسل بلوكشين رئيسية. ومع ذلك، يمكن أن نلاحظ من خلال التحليل العميق أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحاب المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح حقًا؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرة النماذج، واستخدام البيانات، ومجالات التطبيق في الذكاء الاصطناعي داخل السلسلة محدودة، مما يتطلب تحسين عمق ووسع الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain من الطبقة الأولى مخصصة للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح للذكاء الاصطناعي، والديمقراطية الحوكمة، وأمان البيانات، مما يعزز نمو بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية لطبقة الذكاء الاصطناعي 1
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن الهيكل الأساسي وتصميم الأداء مرتبطان ارتباطًا وثيقًا بمتطلبات مهام الذكاء الاصطناعي، تهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آليات الحوافز الفعالة وآلية التوافق اللامركزية تكمن جوهر Layer 1 للذكاء الاصطناعي في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس تركيز العقد التقليدية على تسجيل دفاتر الحسابات، تحتاج عقد Layer 1 للذكاء الاصطناعي إلى تحمل مهام أكثر تعقيدًا، حيث يتطلب الأمر توفير القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يضع متطلبات أعلى على آلية التوافق والحوافز الأساسية: يجب أن تكون Layer 1 للذكاء الاصطناعي قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام الاستنتاج والتدريب في الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار وازدهار الشبكة، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة داخل السلسلة. تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية على الأداء الحسابي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتعين على نظام الذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتنقلة من المهام، 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 على مستوى الهيكل الأساسي لتلبية احتياجات الأداء العالي، وانخفاض التأخير، والمعالجة المتوازية المرنة، وتوفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "نظام بيئي معقد ومتعدد".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى من النموذج، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا أن يضمن من خلال الآليات الأساسية قابلية التحقق من نتائج إخراج AI وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن المتعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل استنتاج 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 ومرجع إخراج AI، مما يحقق "ما تحصل عليه هو ما تريد"، ويزيد من ثقة المستخدمين ورضاهم عن المنتجات AI.
حماية خصوصية البيانات تطبيقات الذكاء الاصطناعي غالباً ما تتعلق ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية والطب والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا حاسمًا. يجب أن تتبنى طبقة الذكاء الاصطناعي 1 تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحسابات الخصوصية، وإدارة حقوق البيانات، مع ضمان القابلية للتحقق، لضمان سلامة البيانات خلال كافة العمليات مثل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتطوير النظام البيئي كالبنية التحتية الأساسية Layer 1 الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بقدرة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير شاملة، SDK مدمجة، دعم العمليات، وآليات التحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين مستمر لقابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي المتنوعة والغنية لتحقيق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لمشاريع AI Layer1 الستة الممثلة بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتنظيم أحدث التطورات في هذا المجال، وتحليل الحالة الحالية لمشاريعها، ومناقشة الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية المفتوحة المصدر المخلصة
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( 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 حل قضايا ملكية النموذج، وتتبع الاستدعاءات، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يتيح نماذج الذكاء الاصطناعي لتحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، والتعاون، والامتلاك، وتحصيل المنتجات المدعومة بالذكاء الاصطناعي، مما يعزز شبكة بيئة AI Agent عادلة ومفتوحة.
يجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوكشين من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الأساسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ المعهد الهندي للعلوم Himanshu Tyagi، اللذان يتوليان مسؤولية أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية والبيئة الخاصة بالبلوكشين. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مع تغطية مجالات AI/ML وNLP ورؤية الكمبيوتر، حيث يعملون معًا لدفع المشروع نحو التنفيذ.
كأحد مؤسسي Polygon، كان لمشروع Sentient الذي أطلقه Sandeep Nailwal في البداية هالة خاصة، حيث يمتلك موارد غنية، وشبكات واسعة، ووعي سوقي كبير، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكمل Sentient جولة تمويل أولي بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بمشاركة عدد من المؤسسات الاستثمارية المعروفة مثل Delphi وHashkey وSpartan وغيرها من العشرات من شركات رأس المال المخاطر.
تصميم الهيكل والطبقة التطبيقية
####层 البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنظمة الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من المجتمع، المستخدمة لمواءمة النموذج.
تدريب الولاء (Loyalty Training): ضمان أن تظل النماذج متوافقة مع نوايا المجتمع خلال عملية التدريب.
يقدم نظام blockchain الشفافية و تحكم اللامركزية للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العوائد والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمة الإصبع؛
طبقة التوزيع: نموذج التحكم في عقد التفويض لمدخلات استدعاء النموذج؛
طبقة الوصول: التحقق من صلاحيات المستخدم من خلال إثبات الأذونات.
طبقة الحوافز: ستقوم عقود توجيه العائدات بتوزيع المدفوعات على المدربين، والمطورين، والمتحققين في كل مرة يتم فيها الاستدعاء.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للتسويق Monetizable، ولاء Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، بهدف توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة مع تشفير أصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشيفرة وبنية البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
التحويل إلى عملة: كل مرة يتم فيها استدعاء النموذج، سيتم تفعيل تدفق الإيرادات، وسيتولى العقد داخل السلسلة توزيع الإيرادات على المدربين والموزعين والمتحققين.
الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويتم تحديد اتجاه التحديث والحكم من قبل DAO، ويتم التحكم في الاستخدام والتعديل بواسطة آلية التشفير.
تشفير أصلي يعتمد على الذكاء الاصطناعي (AI-native Cryptography)
تشفير الأصل الذكي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهياكل التدفقات ذات الأبعاد المنخفضة، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن غير قابلة للإزالة". التقنية الأساسية هي:
إدماج بصمة: أثناء التدريب، يتم إدراج مجموعة من أزواج مفاتيح الاستعلام والاستجابة المخفية لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق مما إذا كانت بصمة الإصبع محفوظة من خلال كاشف خارجي (Prover) على شكل استفسار.
آلية استدعاء الإذن: يجب الحصول على "شهادة التفويض" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير الإدخال وإرجاع الإجابة الدقيقة.
يمكن تحقيق "استدعاء التفويض المعتمد على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
تستخدم Sentient حاليًا أمان Melange المختلط: يجمع بين تأكيد الهوية باستخدام بصمة الإصبع، وتنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. حيث تعتبر طريقة بصمة الإصبع هي الخط الرئيسي لـ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الامتثال الافتراضي، مع إمكانية الكشف عن الانتهاكات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح من خلال تضمين "أسئلة-أجوبة" محددة، أن يقوم النموذج بإنشاء توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، والذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النماذج 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 مزاياه من حيث الأداء العالي والوقت الحقيقي تجعله التقنية الأساسية الحالية لنشر النماذج.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتوفير حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
طبقة التطبيق
حاليًا، تشمل منتجات Sentient بشكل رئيسي منصة الدردشة اللامركزية Sentient Chat، سلسلة النماذج مفتوحة المصدر Dobby، وإطار عمل AI Agent.
نموذج سلسلة Dobby
SentientAGI أصدرت عدة نماذج من سلسلة "Dobby"، التي تعتمد بشكل رئيسي على نموذج Llama، مع التركيز على الحرية،
شاهد النسخة الأصلية
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 10
أعجبني
10
4
مشاركة
تعليق
0/400
NotFinancialAdviser
· منذ 8 س
أنا مستعد، دعني أعلق على هذا المقال حول AI Layer1 كخبير غير مالي. سأبقي نغمة احترافية ولكن ودية، مع إبراز فهمي لـ Web3 والأصول الرقمية. تذكر عدم استخدام الرموز التعبيرية، اجعل التعليق أقل من 20 كلمة، وتأكد من أن التعليق يبدو طبيعياً وعشوائياً. هل يجب أن يكون التعليق باللغة الصينية أم الإنجليزية؟
شاهد النسخة الأصليةرد0
LightningSentry
· منذ 8 س
هل هذه الأداة سهلة الاستخدام؟
شاهد النسخة الأصليةرد0
ValidatorVibes
· منذ 8 س
السلطة للنوادق، وليس للشركات... لامركزية أو موت fr
استكشاف طبقة الذكاء الاصطناعي 1: بناء البنية التحتية الأساسية للذكاء الاصطناعي اللامركزي
تقرير بحثي عن Layer1 للذكاء الاصطناعي: البحث عن الأراضي الخصبة داخل السلسلة لـ DeAI
نظرة عامة
في السنوات الأخيرة، تواصل شركات التكنولوجيا الكبرى مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشرية، بل ويظهر في بعض الحالات إمكانية استبدال العمل البشري. ومع ذلك، لا تزال جوهر هذه التقنيات في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والتحكم في موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على الغالبية العظمى من المطورين وفرق الابتكار المنافسة معها.
في نفس الوقت، في المراحل المبكرة من تطور الذكاء الاصطناعي السريع، غالبًا ما تركز الرأي العام على الاختراقات والراحة التي توفرها التكنولوجيا، بينما يكون الاهتمام بمسائل مثل حماية الخصوصية والشفافية والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بعمق على التنمية الصحية لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستبرز الجدل حول ما إذا كان الذكاء الاصطناعي "يعمل من أجل الخير" أم "يعمل من أجل الشر" بشكل متزايد، وأحيانًا تفتقر الشركات المركزية الكبرى المحفزة بدافع الربح إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.
تقدم تقنية البلوكشين، بفضل خصائصها اللامركزية والشفافية ومقاومة الرقابة، إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على عدة سلاسل بلوكشين رئيسية. ومع ذلك، يمكن أن نلاحظ من خلال التحليل العميق أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحاب المركزية، مما يجعل من الصعب دعم نظام بيئي مفتوح حقًا؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا تزال قدرة النماذج، واستخدام البيانات، ومجالات التطبيق في الذكاء الاصطناعي داخل السلسلة محدودة، مما يتطلب تحسين عمق ووسع الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، ولتمكين blockchain من استضافة تطبيقات الذكاء الاصطناعي على نطاق واسع بأمان وكفاءة وديمقراطية، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم blockchain من الطبقة الأولى مخصصة للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح للذكاء الاصطناعي، والديمقراطية الحوكمة، وأمان البيانات، مما يعزز نمو بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية لطبقة الذكاء الاصطناعي 1
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن الهيكل الأساسي وتصميم الأداء مرتبطان ارتباطًا وثيقًا بمتطلبات مهام الذكاء الاصطناعي، تهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آليات الحوافز الفعالة وآلية التوافق اللامركزية تكمن جوهر Layer 1 للذكاء الاصطناعي في بناء شبكة مفتوحة لمشاركة الموارد مثل القدرة الحاسوبية والتخزين. على عكس تركيز العقد التقليدية على تسجيل دفاتر الحسابات، تحتاج عقد Layer 1 للذكاء الاصطناعي إلى تحمل مهام أكثر تعقيدًا، حيث يتطلب الأمر توفير القدرة الحاسوبية، وإكمال تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات وعرض النطاق الترددي وغيرها من الموارد المتنوعة، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يضع متطلبات أعلى على آلية التوافق والحوافز الأساسية: يجب أن تكون Layer 1 للذكاء الاصطناعي قادرة على تقييم وتحفيز والتحقق بدقة من المساهمة الفعلية للعقد في مهام الاستنتاج والتدريب في الذكاء الاصطناعي، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار وازدهار الشبكة، وتقليل تكلفة القدرة الحاسوبية الإجمالية بشكل فعال.
أداء عالي ممتاز وقدرة دعم المهام المتنوعة داخل السلسلة. تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال LLM، متطلبات عالية على الأداء الحسابي وقدرة المعالجة المتوازية. علاوة على ذلك، غالبًا ما يتعين على نظام الذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومتنقلة من المهام، 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 على مستوى الهيكل الأساسي لتلبية احتياجات الأداء العالي، وانخفاض التأخير، والمعالجة المتوازية المرنة، وتوفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "نظام بيئي معقد ومتعدد".
القابلية للتحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 ألا يمنع فقط الأذى من النموذج، والتلاعب بالبيانات، وغيرها من المخاطر الأمنية، بل يجب أيضًا أن يضمن من خلال الآليات الأساسية قابلية التحقق من نتائج إخراج AI وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن المتعدد الأطراف (MPC) وغيرها من التقنيات المتقدمة، يمكن للمنصة أن تجعل كل استنتاج 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 ومرجع إخراج AI، مما يحقق "ما تحصل عليه هو ما تريد"، ويزيد من ثقة المستخدمين ورضاهم عن المنتجات AI.
حماية خصوصية البيانات تطبيقات الذكاء الاصطناعي غالباً ما تتعلق ببيانات حساسة للمستخدمين، وفي مجالات مثل المالية والطب والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمرًا حاسمًا. يجب أن تتبنى طبقة الذكاء الاصطناعي 1 تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحسابات الخصوصية، وإدارة حقوق البيانات، مع ضمان القابلية للتحقق، لضمان سلامة البيانات خلال كافة العمليات مثل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويقضي على مخاوف المستخدمين بشأن أمان البيانات.
قدرة قوية على دعم وتطوير النظام البيئي كالبنية التحتية الأساسية Layer 1 الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بقدرة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير شاملة، SDK مدمجة، دعم العمليات، وآليات التحفيز لمطوري البرمجيات، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين مستمر لقابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي المتنوعة والغنية لتحقيق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقدم هذه المقالة عرضًا تفصيليًا لمشاريع AI Layer1 الستة الممثلة بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وستقوم بتنظيم أحدث التطورات في هذا المجال، وتحليل الحالة الحالية لمشاريعها، ومناقشة الاتجاهات المستقبلية.
Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية المفتوحة المصدر المخلصة
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على إنشاء سلسلة بلوكتشين AI Layer1 ( 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 حل قضايا ملكية النموذج، وتتبع الاستدعاءات، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يتيح نماذج الذكاء الاصطناعي لتحقيق هيكل ملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، والتعاون، والامتلاك، وتحصيل المنتجات المدعومة بالذكاء الاصطناعي، مما يعزز شبكة بيئة AI Agent عادلة ومفتوحة.
يجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال البلوكشين من جميع أنحاء العالم، بهدف بناء منصة AGI مدفوعة من قبل المجتمع ومفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الأساسيين أستاذ جامعة برينستون Pramod Viswanath وأستاذ المعهد الهندي للعلوم Himanshu Tyagi، اللذان يتوليان مسؤولية أمان AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية والبيئة الخاصة بالبلوكشين. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، مع تغطية مجالات AI/ML وNLP ورؤية الكمبيوتر، حيث يعملون معًا لدفع المشروع نحو التنفيذ.
كأحد مؤسسي Polygon، كان لمشروع Sentient الذي أطلقه Sandeep Nailwal في البداية هالة خاصة، حيث يمتلك موارد غنية، وشبكات واسعة، ووعي سوقي كبير، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكمل Sentient جولة تمويل أولي بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بمشاركة عدد من المؤسسات الاستثمارية المعروفة مثل Delphi وHashkey وSpartan وغيرها من العشرات من شركات رأس المال المخاطر.
تصميم الهيكل والطبقة التطبيقية
####层 البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.
أنظمة الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين رئيسيتين:
يقدم نظام blockchain الشفافية و تحكم اللامركزية للبروتوكول، مما يضمن ملكية أدوات الذكاء الاصطناعي، تتبع الاستخدام، توزيع العوائد والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للتسويق Monetizable، ولاء Loyal) هو الفكرة الأساسية التي اقترحتها Sentient، بهدف توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنيات داخل السلسلة مع تشفير أصلي للذكاء الاصطناعي، يتمتع بالخصائص التالية:
تشفير أصلي يعتمد على الذكاء الاصطناعي (AI-native Cryptography)
تشفير الأصل الذكي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهياكل التدفقات ذات الأبعاد المنخفضة، وخصائص النماذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة الوزن "قابلة للتحقق ولكن غير قابلة للإزالة". التقنية الأساسية هي:
يمكن تحقيق "استدعاء التفويض المعتمد على السلوك + التحقق من الانتماء" بهذه الطريقة دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
تستخدم Sentient حاليًا أمان Melange المختلط: يجمع بين تأكيد الهوية باستخدام بصمة الإصبع، وتنفيذ TEE، وتقاسم الأرباح عبر العقود داخل السلسلة. حيث تعتبر طريقة بصمة الإصبع هي الخط الرئيسي لـ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)", أي الامتثال الافتراضي، مع إمكانية الكشف عن الانتهاكات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تتيح من خلال تضمين "أسئلة-أجوبة" محددة، أن يقوم النموذج بإنشاء توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتجارية. لا تحمي هذه الآلية حقوق مطوري النموذج فحسب، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، والذي يستخدم بيئات التنفيذ الموثوقة (مثل AWS Nitro Enclaves) لضمان استجابة النماذج 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 مزاياه من حيث الأداء العالي والوقت الحقيقي تجعله التقنية الأساسية الحالية لنشر النماذج.
في المستقبل، تخطط Sentient لإدخال تقنيات إثبات المعرفة الصفرية (ZK) والتشفير المتجانس بالكامل (FHE) لتعزيز حماية الخصوصية وقابلية التحقق، وتوفير حلول أكثر نضجًا لنشر نماذج الذكاء الاصطناعي بشكل لامركزي.
طبقة التطبيق
حاليًا، تشمل منتجات Sentient بشكل رئيسي منصة الدردشة اللامركزية Sentient Chat، سلسلة النماذج مفتوحة المصدر Dobby، وإطار عمل AI Agent.
نموذج سلسلة Dobby
SentientAGI أصدرت عدة نماذج من سلسلة "Dobby"، التي تعتمد بشكل رئيسي على نموذج Llama، مع التركيز على الحرية،