الطبقة الأولى للذكاء الاصطناعي: البحث عن التربة الخصبة لـ DeAI داخل السلسلة
في السنوات الأخيرة، تواصل شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تُظهر LLM قدرات غير مسبوقة في جميع القطاعات، مما يوسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، تُظهر إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محكوم بيد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والتحكم في موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل أغلب المطورين وفرق الابتكار تجد صعوبة في المنافسة.
في الوقت نفسه، في المراحل الأولية من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما يكون الاهتمام بقضايا مثل 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 حلها بشكل صحيح، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر وضوحًا، بينما تفتقر الشركات المركزية الكبرى، التي تحركها غريزة الربح، غالبًا إلى الحافز 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 الحالي، برزت العديد من تطبيقات "Web3 AI" على بعض البلوكشين الرائجة. لكن عند التحليل المتعمق يمكن اكتشاف أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، درجة اللامركزية محدودة، حيث لا تزال الجوانب الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية قوية للغاية، مما يجعل من الصعب دعم بيئة مفتوحة بمعنى حقيقي؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدوداً من حيث القدرة على النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين عمق ووسع الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرًا على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة الكتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. وهذا سيوفر أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي والديمقراطية في الحوكمة وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية لطبقة الذكاء الاصطناعي 1
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن بنية الأداء والتصميم الأساسي لها تدور حول احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للبيئة الذكية داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وإجماع لامركزي
الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة موارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل أساسي على تسجيل الدفتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم القدرة الحاسوبية، وتكمل تدريب ونمذجة الذكاء الاصطناعي، كما تحتاج إلى المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار الهيئات المركزية في البنية التحتية للذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى من حيث الإجماع الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الذكاء الاصطناعي مثل الاستنتاج والتدريب، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية العامة بشكل فعال.
أداء عالي متميز وقدرة دعم المهام المتنوعة
تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يتعين على بيئة الذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين الطبقة الأولى من الذكاء الاصطناعي بشكل عميق على مستوى البنية التحتية لتلبية متطلبات الإنتاجية العالية، والانخفاض في زمن الاستجابة، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "بيئة معقدة ومتنوعة".
قابلية التحقق وضمان المخرجات الموثوقة
يجب على الطبقة الأولى من الذكاء الاصطناعي ألا تمنع فقط نماذج الشر، والتلاعب بالبيانات، وغيرها من مخاطر الأمان، بل يجب أيضًا أن تضمن من خلال الآليات الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن متعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل استدلال لنموذج، وتدريب، ومعالجة بيانات يمكن التحقق منه بشكل مستقل، مما يضمن نزاهة وشفافية أنظمة الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس مخرجات الذكاء الاصطناعي، مما يحقق "ما يُكتسب هو ما يُراد"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
٤. حماية خصوصية البيانات
تتضمن تطبيقات الذكاء الاصطناعي في كثير من الأحيان بيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمراً بالغ الأهمية. يجب أن يضمن Layer 1 للذكاء الاصطناعي قابلية التحقق مع اعتماد تقنيات معالجة البيانات المشفرة، وبروتوكولات الحوسبة الخصوصية، وإدارة أذونات البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء الاستخدام، ويزيل القلق الذي يشعر به المستخدمون بشأن أمان البيانات.
قدرة قوية على دعم وتطوير النظام البيئي
باعتبارها بنية تحتية من الطبقة الأولى الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بالريادة من الناحية التقنية، ولكن أيضًا بتوفير أدوات تطوير متكاملة ومجموعة تطوير برمجيات ودعم التشغيل والصيانة وآليات تحفيز لمطوري البرامج، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استدامة المنصة وتجربة المطورين، سيتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والثرية، مما يحقق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتقديم تفاصيل عن ستة مشاريع تمثيلية من طبقة الذكاء الاصطناعي Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، بحيث يتم تنظيم أحدث التطورات في هذا المجال وتحليل حالة تطوير المشاريع، بالإضافة إلى مناقشة الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موثوق به
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوح المصدر، تقوم بإنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية blockchain، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، شفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحويل منتجات الذكاء الاصطناعي إلى ربح، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورجال الأعمال والمهندسين في مجال بلوك تشين من جميع أنحاء العالم، ملتزمين ببناء منصة AGI مدفوعة من المجتمع، مفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين على التوالي عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية البلوك تشينية وتخطيط النظام البيئي. يغطي أعضاء الفريق خلفيات متنوعة من شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطيون مجالات مثل الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، يعملون معًا لدفع المشروع نحو التنفيذ.
كمشروع ريادة أعمال ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، بدأت Sentient جذبت الانتباه منذ تأسيسها، حيث تمتلك موارد غنية، وعلاقات قوية، ووعي بالسوق، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، مع مشاركة عشرات من شركات الاستثمار المعروفة الأخرى مثل Delphi وHashkey وSpartan.
تصميم البنية والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) و نظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين أساسيتين:
تخطيط البيانات (Data Curation): عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمواءمة النموذج.
تدريب الولاء (Loyalty Training): ضمان أن يظل النموذج متماشياً مع نية المجتمع خلال عملية التدريب.
يوفر نظام blockchain الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية عناصر الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
طبقة التخزين: تخزين وزن النموذج ومعلومات تسجيل بصمات الأصابع؛
طبقة التوزيع: نموذج التحكم في مدخل استدعاء العقد المفوض؛
طبقة الوصول: التحقق من صلاحية المستخدم من خلال إثبات الأذونات.
طبقة التحفيز: ستقوم عقدة توجيه العائدات بتوزيع المدفوعات في كل استدعاء على المدربين، والموزعين، والمتحققين.
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، مخلص Loyal) هو الفكرة الأساسية التي قدمتها Sentient، ويهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج التكنولوجيا داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالميزات التالية:
الانفتاح: يجب أن يكون النموذج مفتوح المصدر، مع شفرة وهياكل بيانات شفافة، مما يسهل على المجتمع تكرارها وتدقيقها وتحسينها.
التسييل: كل استدعاء للنموذج سيؤدي إلى تدفق إيرادات، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المتدربين، والموزعين، والمحققين.
الولاء: النموذج ينتمي إلى مجتمع المساهمين، يتم تحديد اتجاه الترقية والحكم بواسطة DAO، ويخضع الاستخدام والتعديل لآلية التشفير.
التشفير الأصلي بالذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المنحنى منخفض الأبعاد وخصائص النموذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". والتقنية الأساسية هي:
إدخال بصمة الإصبع: إدخال مجموعة من أزواج مفاتيح الاستعلام والاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
بروتوكول التحقق من الملكية: التحقق من احتفاظ بصمة الإصبع من خلال كاشف طرف ثالث (Prover) على شكل استفسار (query);
آلية استدعاء الإذن: يجب الحصول على "شهادة الإذن" الصادرة عن مالك النموذج قبل الاستدعاء، ثم يقوم النظام بناءً على ذلك بتفويض النموذج لفك تشفير هذه المدخلات وإرجاع الإجابة الدقيقة.
هذه الطريقة تمكن من تحقيق "استدعاء تفويض قائم على السلوك + تحقق من الانتماء" دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
Sentient تعتمد حاليًا على أمان Melange المختلط: باستخدام تأكيد الهوية عبر بصمة الإصبع، تنفيذ TEE، وتقسيم الأرباح من العقود داخل السلسلة. حيث تعتبر طريقة بصمة الإصبع هي الخط الرئيسي لتحقيق OML 1.0، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، والكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تدمج "سؤال-جواب" محددة، مما يسمح للنموذج بإنشاء توقيع فريد أثناء مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ والتسويق غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النماذج فحسب، بل توفر أيضًا سجلاً قابلاً للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من التنفيذ الموثوق
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
ImaginaryWhale
· منذ 14 س
دائرة رأس المال هي مجرد مشاهدة توزيع الكعكة المالية
شاهد النسخة الأصليةرد0
WalletWhisperer
· منذ 14 س
أنماط التحكيم الإحصائي تشير إلى علاقة 93% مع المركزية بصراحة
شاهد النسخة الأصليةرد0
LiquidationTherapist
· منذ 14 س
تتحكم رأس المال الكبير في الذكاء الاصطناعي، والجميع حمقى
AI Layer 1: بناء بنية تحتية أساسية للبلوكتشين لإيكولوجيا DeAI داخل السلسلة
الطبقة الأولى للذكاء الاصطناعي: البحث عن التربة الخصبة لـ DeAI داخل السلسلة
في السنوات الأخيرة، تواصل شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). تُظهر LLM قدرات غير مسبوقة في جميع القطاعات، مما يوسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات، تُظهر إمكانية استبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محكوم بيد عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والتحكم في موارد الحوسبة باهظة الثمن، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل أغلب المطورين وفرق الابتكار تجد صعوبة في المنافسة.
في الوقت نفسه، في المراحل الأولية من التطور السريع للذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما يكون الاهتمام بقضايا مثل 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 حلها بشكل صحيح، ستصبح الجدل حول "الذكاء الاصطناعي من أجل الخير" أو "الذكاء الاصطناعي من أجل الشر" أكثر وضوحًا، بينما تفتقر الشركات المركزية الكبرى، التي تحركها غريزة الربح، غالبًا إلى الحافز 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 الحالي، برزت العديد من تطبيقات "Web3 AI" على بعض البلوكشين الرائجة. لكن عند التحليل المتعمق يمكن اكتشاف أن هذه المشاريع لا تزال تعاني من العديد من المشاكل: من ناحية، درجة اللامركزية محدودة، حيث لا تزال الجوانب الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن الخصائص الميمية قوية للغاية، مما يجعل من الصعب دعم بيئة مفتوحة بمعنى حقيقي؛ ومن ناحية أخرى، مقارنة بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدوداً من حيث القدرة على النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين عمق ووسع الابتكار.
لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل blockchain قادرًا على دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة الكتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. وهذا سيوفر أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي والديمقراطية في الحوكمة وأمان البيانات، مما يعزز ازدهار بيئة الذكاء الاصطناعي اللامركزية.
الخصائص الأساسية لطبقة الذكاء الاصطناعي 1
AI Layer 1 ككتلة سلسلة مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، فإن بنية الأداء والتصميم الأساسي لها تدور حول احتياجات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للبيئة الذكية داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تمتلك AI Layer 1 القدرات الأساسية التالية:
آلية تحفيز فعالة وإجماع لامركزي الجوهر في AI Layer 1 هو بناء شبكة مفتوحة لمشاركة موارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل أساسي على تسجيل الدفتر، تحتاج العقد في AI Layer 1 إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن تقدم القدرة الحاسوبية، وتكمل تدريب ونمذجة الذكاء الاصطناعي، كما تحتاج إلى المساهمة بموارد متنوعة مثل التخزين والبيانات وعرض النطاق الترددي، مما يكسر احتكار الهيئات المركزية في البنية التحتية للذكاء الاصطناعي. وهذا يتطلب متطلبات أعلى من حيث الإجماع الأساسي وآلية التحفيز: يجب أن تكون AI Layer 1 قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الذكاء الاصطناعي مثل الاستنتاج والتدريب، لتحقيق أمان الشبكة وتوزيع الموارد بشكل فعال. فقط بهذه الطريقة يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية العامة بشكل فعال.
أداء عالي متميز وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداءً حسابيًا عاليًا وقدرات معالجة متوازية. علاوة على ذلك، غالبًا ما يتعين على بيئة الذكاء الاصطناعي داخل السلسلة دعم أنواع متنوعة ومختلفة من المهام، بما في ذلك هياكل النماذج المختلفة، ومعالجة البيانات، والاستدلال، والتخزين، وغيرها من السيناريوهات المتنوعة. يجب أن يتم تحسين الطبقة الأولى من الذكاء الاصطناعي بشكل عميق على مستوى البنية التحتية لتلبية متطلبات الإنتاجية العالية، والانخفاض في زمن الاستجابة، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتنوعة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق التوسع السلس من "مهام أحادية" إلى "بيئة معقدة ومتنوعة".
قابلية التحقق وضمان المخرجات الموثوقة يجب على الطبقة الأولى من الذكاء الاصطناعي ألا تمنع فقط نماذج الشر، والتلاعب بالبيانات، وغيرها من مخاطر الأمان، بل يجب أيضًا أن تضمن من خلال الآليات الأساسية قابلية التحقق من نتائج الذكاء الاصطناعي وتوافقها. من خلال دمج بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحساب الآمن متعدد الأطراف (MPC)، يمكن للمنصة أن تجعل كل استدلال لنموذج، وتدريب، ومعالجة بيانات يمكن التحقق منه بشكل مستقل، مما يضمن نزاهة وشفافية أنظمة الذكاء الاصطناعي. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساس مخرجات الذكاء الاصطناعي، مما يحقق "ما يُكتسب هو ما يُراد"، ويعزز ثقة المستخدمين ورضاهم عن منتجات الذكاء الاصطناعي.
٤. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي في كثير من الأحيان بيانات حساسة للمستخدمين، وفي مجالات مثل المالية، والرعاية الصحية، والتواصل الاجتماعي، تعتبر حماية خصوصية البيانات أمراً بالغ الأهمية. يجب أن يضمن Layer 1 للذكاء الاصطناعي قابلية التحقق مع اعتماد تقنيات معالجة البيانات المشفرة، وبروتوكولات الحوسبة الخصوصية، وإدارة أذونات البيانات، لضمان أمان البيانات خلال جميع مراحل الاستدلال، والتدريب، والتخزين، مما يمنع بشكل فعال تسرب البيانات وسوء الاستخدام، ويزيل القلق الذي يشعر به المستخدمون بشأن أمان البيانات.
استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستقوم هذه المقالة بتقديم تفاصيل عن ستة مشاريع تمثيلية من طبقة الذكاء الاصطناعي Layer1 بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، بحيث يتم تنظيم أحدث التطورات في هذا المجال وتحليل حالة تطوير المشاريع، بالإضافة إلى مناقشة الاتجاهات المستقبلية.
Sentient: بناء نموذج AI مفتوح المصدر لامركزي موثوق به
نظرة عامة على المشروع
Sentient هو منصة بروتوكول مفتوح المصدر، تقوم بإنشاء سلسلة كتل AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية blockchain، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو حل مشاكل ملكية النموذج، تتبع الاستدعاء وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، قابل للربح، موثوق) مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل ملكية داخل السلسلة، شفافية الاستدعاء وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحويل منتجات الذكاء الاصطناعي إلى ربح، مما يعزز شبكة بيئية عادلة ومفتوحة لوكلاء الذكاء الاصطناعي.
تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورجال الأعمال والمهندسين في مجال بلوك تشين من جميع أنحاء العالم، ملتزمين ببناء منصة AGI مدفوعة من المجتمع، مفتوحة المصدر وقابلة للتحقق. تشمل الأعضاء الرئيسيين البروفيسور Pramod Viswanath من جامعة برينستون والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين على التوالي عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لـ Polygon، الاستراتيجية البلوك تشينية وتخطيط النظام البيئي. يغطي أعضاء الفريق خلفيات متنوعة من شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة برينستون ومعهد الهند للتكنولوجيا، ويغطيون مجالات مثل الذكاء الاصطناعي/تعلم الآلة، معالجة اللغة الطبيعية، ورؤية الكمبيوتر، يعملون معًا لدفع المشروع نحو التنفيذ.
كمشروع ريادة أعمال ثانٍ لمؤسس Polygon المشارك Sandeep Nailwal، بدأت Sentient جذبت الانتباه منذ تأسيسها، حيث تمتلك موارد غنية، وعلاقات قوية، ووعي بالسوق، مما يوفر دعماً قوياً لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، مع مشاركة عشرات من شركات الاستثمار المعروفة الأخرى مثل Delphi وHashkey وSpartan.
تصميم البنية والطبقة التطبيقية
طبقة البنية التحتية
الهيكل الأساسي
يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) و نظام داخل السلسلة.
أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "الذكاء الاصطناعي المخلص"، وتحتوي على عمليتين أساسيتين:
يوفر نظام blockchain الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية عناصر الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع العائدات، والحكم العادل. الهيكل المحدد مقسم إلى أربع طبقات:
إطار نموذج OML
إطار OML (مفتوح Open، قابل للت monetization Monetizable، مخلص Loyal) هو الفكرة الأساسية التي قدمتها Sentient، ويهدف إلى توفير حماية ملكية واضحة وآليات تحفيز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج التكنولوجيا داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتمتع بالميزات التالية:
التشفير الأصلي بالذكاء الاصطناعي (AI-native Cryptography)
التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وهيكل المنحنى منخفض الأبعاد وخصائص النموذج القابلة للاشتقاق، لتطوير آلية أمان خفيفة "يمكن التحقق منها ولكن لا يمكن إزالتها". والتقنية الأساسية هي:
هذه الطريقة تمكن من تحقيق "استدعاء تفويض قائم على السلوك + تحقق من الانتماء" دون تكلفة إعادة تشفير.
إطار تنفيذ الأمان وتأكيد حقوق النموذج
Sentient تعتمد حاليًا على أمان Melange المختلط: باستخدام تأكيد الهوية عبر بصمة الإصبع، تنفيذ TEE، وتقسيم الأرباح من العقود داخل السلسلة. حيث تعتبر طريقة بصمة الإصبع هي الخط الرئيسي لتحقيق OML 1.0، مع التركيز على فكرة "الأمان المتفائل (Optimistic Security)", أي الافتراض بالامتثال، والكشف عن المخالفات ومعاقبتها.
آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث تدمج "سؤال-جواب" محددة، مما يسمح للنموذج بإنشاء توقيع فريد أثناء مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالك النموذج التحقق من الملكية، ومنع النسخ والتسويق غير المصرح به. لا تحمي هذه الآلية حقوق مطوري النماذج فحسب، بل توفر أيضًا سجلاً قابلاً للتتبع داخل السلسلة لسلوك استخدام النموذج.
بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، مستفيدة من التنفيذ الموثوق