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

نظرة عامة

في السنوات الأخيرة، دفعت شركات التكنولوجيا الرائدة مثل OpenAI وAnthropic وGoogle وMeta نماذج اللغة الكبيرة (LLM) إلى التطور السريع. تظهر LLM قدرات غير مسبوقة في مختلف الصناعات، مما يوسع بشكل كبير من خيال البشرية، وحتى في بعض السيناريوهات تظهر إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بإحكام في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رأس المال الضخم والسيطرة على موارد القوة الحاسوبية الباهظة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل الغالبية العظمى من المطورين وفرق الابتكار في صعوبة لمواجهتها.

في البداية السريعة لتطور الذكاء الاصطناعي، غالبًا ما تركز الرأي العام على الإنجازات والراحة التي توفرها التكنولوجيا، بينما يكون الاهتمام بقضايا أساسية مثل حماية الخصوصية، والشفافية، والأمان أقل نسبيًا. على المدى الطويل، ستؤثر هذه القضايا بشكل عميق على التطور الصحي لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل مناسب، ستزداد حدة الجدل حول ما إذا كان الذكاء الاصطناعي "يهدف إلى الخير" أم "يهدف إلى الشر"، وغالبًا ما تفتقر الشركات العملاقة المركزية، تحت ضغط دوافع 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. في الوقت الحالي، ظهرت العديد من تطبيقات "Web3 AI" على سلاسل الكتل الرئيسية مثل Solana وBase. ولكن من خلال التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، مستوى اللامركزية محدود، ولا تزال المراحل الرئيسية والبنية التحتية تعتمد على خدمات السحابة المركزية، وتملك صفات meme بشكل زائد، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعناه الحقيقي؛ من ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، لا يزال الذكاء الاصطناعي داخل السلسلة محدودًا من حيث قدرة النموذج، واستخدام البيانات، وسيناريوهات التطبيق، مما يستدعي تحسين العمق والاتساع في الابتكار.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وجعل الBlockchain قادرًا على استيعاب تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، والتنافس من حيث الأداء مع الحلول المركزية، نحتاج إلى تصميم Blockchain Layer1 مصممة خصيصًا للذكاء الاصطناعي. سيوفر هذا أساسًا قويًا للابتكار المفتوح في الذكاء الاصطناعي، والحكم الديمقراطي، وأمان البيانات، مما يعزز الازدهار والنمو في النظام البيئي للذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لـ AI Layer 1

تعتبر AI Layer 1 سلسلة كتل مصممة خصيصًا لتطبيقات الذكاء الاصطناعي، حيث إن هيكلها الأساسي وتصميم أدائها يركزان بشكل وثيق على متطلبات مهام الذكاء الاصطناعي، وتهدف إلى دعم التنمية المستدامة والازدهار للنظام البيئي للذكاء الاصطناعي داخل السلسلة بكفاءة. على وجه التحديد، يجب أن تتمتع AI Layer 1 بالقدرات الأساسية التالية:

1. آلية تحفيز فعالة وآلية توافق لامركزية تتمثل جوهر Layer 1 للذكاء الاصطناعي في بناء شبكة مشتركة مفتوحة لموارد مثل القدرة الحاسوبية والتخزين. على عكس العقد التقليدية في داخل السلسلة التي تركز بشكل أساسي على تسجيل دفتر الحسابات، تحتاج عقد Layer 1 للذكاء الاصطناعي إلى تحمل مهام أكثر تعقيدًا، حيث يجب أن توفر القدرة الحاسوبية، وتكمل تدريب ونمذجة الذكاء الاصطناعي، بالإضافة إلى المساهمة في التخزين والبيانات والنطاق الترددي، مما يكسر احتكار الهيئات المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يضع متطلبات أعلى على آليات الإجماع والتحفيز الأساسية: يجب أن تكون Layer 1 للذكاء الاصطناعي قادرة على تقييم وتحفيز والتحقق بدقة من المساهمات الفعلية للعقد في مهام الاستدلال والتدريب، لتحقيق أمان الشبكة وتوزيع الموارد بكفاءة. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكاليف القدرة الحاسوبية بشكل فعال.

2. أداء عالي متميز وقدرة دعم المهام المتجانسة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستنتاج LLM، أداء حسابي عالي وقدرات معالجة متوازية. علاوة على ذلك، غالباً ما تحتاج بيئة الذكاء الاصطناعي داخل السلسلة إلى دعم أنواع مهام متنوعة وغير متجانسة، بما في ذلك نماذج هيكلية مختلفة، معالجة البيانات، استنتاج، تخزين وغيرها من السيناريوهات المتعددة. يجب أن يقوم AI Layer 1 بتحسين عميق على مستوى البنية التحتية لتلبية احتياجات الإنتاجية العالية، انخفاض الكمون والمرونة في المعالجة المتوازية، مع توفير دعم أصلي لموارد الحوسبة غير المتجانسة، لضمان تشغيل جميع مهام الذكاء الاصطناعي بكفاءة، وتحقيق توسع سلس من "المهام الفردية" إلى "النظم البيئية المعقدة والمتنوعة".

3. القابلية للتحقق وضمان المخرجات الموثوقة لا يجب أن يمنع AI Layer 1 فقط المخاطر الأمنية مثل إساءة استخدام النماذج وتلاعب البيانات، بل يجب أيضًا ضمان القابلية للتحقق من نتائج AI ومواءمتها على مستوى الآلية الأساسية. من خلال تكامل بيئات التنفيذ الموثوقة (TEE)، وإثباتات المعرفة الصفرية (ZK)، والحسابات الآمنة متعددة الأطراف (MPC)، يمكن للمنصة أن تسمح لكل عملية استدلال نموذج وتدريب ومعالجة بيانات أن يتم التحقق منها بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وبيانات مخرجات AI، مما يحقق "ما تحصل عليه هو ما ترغب فيه"، ويعزز ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، حيث تعتبر حماية خصوصية البيانات أمرًا بالغ الأهمية في مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي. يجب أن يتبنى AI Layer 1 تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخاصة، وإدارة أذونات البيانات، مع ضمان القابلية للتحقق، لضمان أمان البيانات خلال جميع العمليات مثل الاستدلال والتدريب والتخزين، مما يمنع بشكل فعال تسرب البيانات وإساءة استخدامها، ويزيل مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتحمل النظام البيئي والتطوير كمنصة بنية تحتية Layer 1 الأصلية للذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بميزة تقنية رائدة، بل يجب أيضًا أن تقدم أدوات تطوير شاملة ومتكاملة لـالمطورين، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرها من المشاركين في النظام البيئي. من خلال تحسين استمرارية قابلية استخدام المنصة وتجربة المطورين، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، وتحقيق الازدهار المستمر للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستستعرض هذه المقالة بالتفصيل ستة مشاريع تمثيلية من Layer1 في مجال الذكاء الاصطناعي، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، وتقوم بتنظيم أحدث التطورات في هذا المجال، وتحليل الحالة الحالية للمشاريع، واستكشاف الاتجاهات المستقبلية.

Sentient: بناء نموذج ذكاء اصطناعي لامركزي مفتوح المصدر مخلص

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوح المصدر، تعمل على بناء سلسلة كتلة AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال دمج AI Pipeline وتقنية السلسلة، لبناء اقتصاد ذكاء اصطناعي لامركزي. الهدف الأساسي هو من خلال إطار "OML" ( فتح، مربح، ولاء ) حل مشاكل ملكية النماذج، تتبع الاستدعاءات وتوزيع القيمة في سوق LLM المركزي، مما يسمح لنماذج AI بتحقيق هيكل ملكية داخل السلسلة، شفافية الاستدعاء وتقاسم القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، الملكية وتحقيق الربح من منتجات AI، مما يدفع نحو نظام بيئي عادل ومفتوح لشبكة وكلاء AI.

فريق Sentient Foundation يجمع بين أبرز الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويدعو إلى بناء منصة AGI مدفوعة بالمجتمع ومفتوحة المصدر وقابلة للتحقق. يتضمن الأعضاء الرئيسيون البروفيسور Pramod Viswanath من جامعة Princeton والبروفيسور Himanshu Tyagi من المعهد الهندي للعلوم، المسؤولين على التوالي عن أمان الذكاء الاصطناعي وحماية الخصوصية، بينما يقود Sandeep Nailwal، أحد مؤسسي Polygon، الاستراتيجية البيانية وتخطيط النظام البيئي. يمتد خلفية أعضاء الفريق عبر شركات شهيرة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات الرائدة مثل جامعة Princeton ومعهد الهند للتكنولوجيا، ويغطي مجالات مثل AI/ML وNLP ورؤية الكمبيوتر، ويعملون معًا لدفع المشروع نحو التنفيذ.

بصفته مشروعًا ناشئًا مؤسسًا مشتركًا من Sandeep Nailwal من Polygon، جاءت Sentient بمزايا فريدة منذ بدايتها، حيث تمتلك موارد غنية، وشبكات علاقات، ووعي سوقي قوي، مما قدم دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، مع وجود عشرات من شركات رأس المال المغامر الشهيرة الأخرى مثل Delphi وHashkey وSpartan.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

يتكون الهيكل الأساسي لـ Sentient من جزئين: أنبوب AI ( و نظام داخل السلسلة.

أنابيب الذكاء الاصطناعي هي الأساس لتطوير وتدريب "AI المخلص"، وتتضمن عمليتين رئيسيتين:

• تخطيط البيانات ) Data Curation (: عملية اختيار البيانات المدفوعة من قبل المجتمع، المستخدمة لمحاذاة النماذج.
• تدريب الولاء ): تأكد من أن النموذج يحتفظ بعملية تدريب متوافقة مع نية المجتمع.

يوفر نظام سلسلة الكتل الشفافية والتحكم اللامركزي للبروتوكولات، مما يضمن ملكية أدوات الذكاء الاصطناعي، وتتبع الاستخدام، وتوزيع الأرباح، والحكومة العادلة. الهيكل المحدد مقسم إلى أربع طبقات:

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل البصمات;
• طبقة التوزيع: مدخل التحكم في نموذج العقد المصرح به.
• طبقة الوصول: يتم التحقق من إذن المستخدم من خلال إثبات الصلاحية.
• طبقة التحفيز: سيتم توزيع المدفوعات في عقد توجيه العائدات في كل استدعاء على المدربين والمطورين والمتحققين.

(## إطار نموذج OML

إطار OML ) مفتوح Open، يمكن تحويله إلى عملة Monetizable، ولاء Loyal### هو المفهوم الأساسي الذي اقترحته Sentient، ويهدف إلى توفير حماية واضحة للملكية وآليات الحوافز الاقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تكنولوجيا داخل السلسلة والرياضيات التشفيرية الأصلية للذكاء الاصطناعي، يتميز بما يلي:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، والشفافية في الشيفرة وهياكل البيانات، مما يسهل على المجتمع إعادة إنتاجه، ومراجعته، وتحسينه.
• monetization: كل استدعاء للنموذج سيؤدي إلى تدفق الإيرادات، ستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمتحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، وتحدد DAO اتجاهات الترقية والحوكمة، ويتم التحكم في الاستخدام والتعديل بواسطة آلية التشفير.

(## تشفير أصلي يعتمد على الذكاء الاصطناعي)

التشفير الأصلي للذكاء الاصطناعي هو استخدام استمرارية نماذج الذكاء الاصطناعي، وبنية التدفق منخفضة الأبعاد، وخصائص القابلية للاشتقاق في النماذج، لتطوير آلية أمان خفيفة الوزن "يمكن التحقق منها ولكن لا يمكن إزالتها". التكنولوجيا الأساسية لها هي:

• بصمة الإصبع المدمجة: يتم إدخال مجموعة من أزواج مفاتيح الاستعلام والاستجابة 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، ثم يمنح النظام الإذن للنموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.

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

)## إطار تنفيذ الأمان وتأكيد ملكية النموذج

Sentient الحالية تستخدم Melange مزيج الأمان: مع تأكيد الهوية باستخدام بصمة الإصبع، وتنفيذ TEE، وتقسيم الأرباح عبر العقود داخل السلسلة. حيث تعتبر طريقة البصمة هي الخط الرئيسي لتنفيذ OML 1.0، مع التأكيد على فكرة "الأمان المتفائل (Optimistic Security)"، أي الافتراض بالامتثال، ويمكن اكتشاف المخالفات ومعاقبتها.

آلية بصمة الإصبع هي التنفيذ الرئيسي لـ OML، حيث أنها من خلال تضمين "أسئلة-أجوبة" محددة، تسمح للنموذج بتوليد توقيع فريد في مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية، ومنع النسخ غير المصرح به والتسويق. توفر هذه الآلية حماية لحقوق مطوري النموذج، بالإضافة إلى توفير سجل يمكن تتبعه داخل السلسلة لسلوك استخدام النموذج.

علاوة على ذلك، أطلقت Sentient إطار عمل حساب Enclave TEE، مستفيدة من داخل السلسلة ### مثل AWS Nitro Enclaves ( لضمان استجابة النموذج فقط للطلبات المصرح بها، ومنع الوصول غير المصرح به والاستخدام. على الرغم من أن TEE تعتمد على الأجهزة وتحتوي على بعض المخاطر الأمنية، فإن مزايا أدائها العالي وزمن الاستجابة الحقيقي تجعلها التقنية الأساسية الحالية لنشر النماذج.

في المستقبل، تخطط Sentient لإدخال إثباتات المعرفة الصفرية )ZK( وتقنية التشفير 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، ومجموعة النماذج مفتوحة المصدر Dobby، وإطار AI Agent.

(## سلسلة دوبي