تقرير بحثي عن Layer1 للذكاء الاصطناعي: البحث عن الأراضي الخصبة لـ DeAI داخل السلسلة

في السنوات الأخيرة، تواصل الشركات التكنولوجية الرائدة مثل OpenAI وAnthropic وGoogle وMeta دفع التطور السريع لنماذج اللغة الكبيرة (LLM). أظهرت LLM قدرات غير مسبوقة في مختلف الصناعات، مما وسع بشكل كبير من خيال البشرية، بل وأظهرت في بعض السيناريوهات إمكانيات لاستبدال العمل البشري. ومع ذلك، فإن جوهر هذه التقنيات محصور بقوة في أيدي عدد قليل من عمالقة التكنولوجيا المركزية. بفضل رؤوس الأموال الكبيرة والتحكم في موارد الحوسبة المرتفعة التكلفة، أنشأت هذه الشركات حواجز يصعب تجاوزها، مما يجعل من الصعب على غالبية المطورين وفرق الابتكار منافستها.

في البداية السريعة لتطور الذكاء الاصطناعي، 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 بشكل عميق على الصحة العامة لصناعة الذكاء الاصطناعي وقبول المجتمع لها. إذا لم يتم حلها بشكل صحيح، ستصبح الجدل حول "الخير" و"الشر" في الذكاء الاصطناعي أكثر وضوحًا، وغالبًا ما تفتقر الشركات الكبرى المركزية، المدفوعة بغريزة الربح، إلى الدافع الكافي لمواجهة هذه التحديات بشكل استباقي.

تقدم تقنية سلسلة الكتل بفضل خصائصها اللامركزية والشفافة والمقاومة للرقابة إمكانيات جديدة للتنمية المستدامة في صناعة الذكاء الاصطناعي. حاليًا، ظهرت العديد من تطبيقات "Web3 AI" على بعض سلاسل الكتل الرئيسية. ولكن من خلال التحليل العميق، يمكن ملاحظة أن هذه المشاريع لا تزال تواجه العديد من المشكلات: من ناحية، فإن درجة اللامركزية محدودة، حيث لا تزال العناصر الأساسية والبنية التحتية تعتمد على خدمات السحابة المركزية، كما أن خاصية الميمز تهيمن بشكل مفرط، مما يجعل من الصعب دعم نظام بيئي مفتوح بمعنى حقيقي؛ ومن ناحية أخرى، مقارنةً بمنتجات الذكاء الاصطناعي في عالم Web2، فإن الذكاء الاصطناعي داخل السلسلة لا يزال محدودًا من حيث قدرة النماذج، واستخدام البيانات، ومواقف التطبيقات، ولا تزال عمق الابتكار واتساعه في حاجة إلى تحسين.

لتحقيق رؤية الذكاء الاصطناعي اللامركزي حقًا، وتمكين سلسلة الكتل من دعم تطبيقات الذكاء الاصطناعي على نطاق واسع بشكل آمن وفعال وديمقراطي، ومنافسة الحلول المركزية من حيث الأداء، نحتاج إلى تصميم سلسلة كتل Layer1 مصممة خصيصًا للذكاء الاصطناعي. وهذا سيوفر أساسًا متينًا للابتكار المفتوح في الذكاء الاصطناعي، وديمقراطية الحوكمة، وأمان البيانات، مما يعزز ازدهار نظام الذكاء الاصطناعي اللامركزي.

الخصائص الأساسية لـ AI Layer 1

تم تصميم AI Layer 1 ككتلة سلسلة مخصصة لتطبيقات الذكاء الاصطناعي، حيث ترتكز بنية الأداء والتصميم الخاص بها بشكل وثيق حول متطلبات مهام الذكاء الاصطناعي، بهدف دعم التنمية المستدامة والازدهار للإيكولوجيا القائمة داخل السلسلة. على وجه الخصوص، 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 مفتوحة لمشاركة موارد مثل القوة الحاسوبية والتخزين. على عكس عقد blockchain التقليدية التي تركز بشكل رئيسي على تسجيل الدفاتر، فإن عقد Layer 1 للذكاء الاصطناعي تحتاج إلى تحمل مهام أكثر تعقيدًا، حيث يتعين عليها توفير القوة الحاسوبية، وإكمال تدريب و استدلال نماذج الذكاء الاصطناعي، بالإضافة إلى المساهمة في الموارد المتنوعة مثل التخزين والبيانات وعرض النطاق الترددي، وبالتالي كسر احتكار عمالقة المركزية في بنية الذكاء الاصطناعي التحتية. وهذا يطرح متطلبات أعلى على آلية الإجماع والتعويض الأساسية: يجب أن تكون Layer 1 للذكاء الاصطناعي قادرة على تقييم وتحفيز والتحقق بدقة من مساهمة العقد في مهام استدلال وتدريب الذكاء الاصطناعي، لتحقيق أمان الشبكة وكفاءة توزيع الموارد. فقط من خلال ذلك يمكن ضمان استقرار الشبكة وازدهارها، وتقليل تكلفة القوة الحاسوبية بشكل فعال.

2. أداء عالي استثنائي وقدرة دعم المهام المتنوعة تتطلب مهام الذكاء الاصطناعي، وخاصة تدريب واستدلال نماذج اللغة الكبيرة، أداءً حاسوبياً عالياً وقدرات معالجة متوازية عالية. علاوة على ذلك، غالبًا ما يحتاج النظام البيئي للذكاء الاصطناعي داخل السلسلة إلى دعم أنواع متنوعة ومتغايرة من المهام، بما في ذلك هياكل النماذج المختلفة، معالجة البيانات، الاستدلال، والتخزين في سيناريوهات متعددة. يجب على Layer 1 للذكاء الاصطناعي إجراء تحسينات عميقة في البنية التحتية الأساسية لتلبية متطلبات السعة العالية، وانخفاض زمن الانتظار، والمعالجة المتوازية المرنة، مع توفير دعم أصلي للموارد الحاسوبية المتغايرة، لضمان التشغيل الفعال لمختلف مهام الذكاء الاصطناعي، وتحقيق التوسع السلس من "المهام أحادية النوع" إلى "النظام البيئي المعقد والمتنوع".

3. قابلية التحقق وضمان المخرجات الموثوقة يجب على AI Layer 1 أن لا يكتفي فقط بمنع إساءة استخدام النموذج، وتعديل البيانات، وغيرها من المخاطر الأمنية، 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)، والحسابات الآمنة متعددة الأطراف (MPC) وغيرها من التقنيات المتطورة، يمكن للمنصة أن تجعل كل عملية استدلال نموذج، وتدريب، ومعالجة بيانات قابلة للتحقق بشكل مستقل، مما يضمن عدالة وشفافية نظام AI. في الوقت نفسه، يمكن أن تساعد هذه القابلية للتحقق المستخدمين على فهم منطق وأساسات مخرجات AI، مع تحقيق "ما يتم الحصول عليه هو ما يرغب فيه"، مما يعزز ثقة المستخدمين ورضاهم عن منتجات AI.

4. حماية خصوصية البيانات تتضمن تطبيقات الذكاء الاصطناعي غالبًا بيانات حساسة للمستخدمين، وفي مجالات مثل المالية والرعاية الصحية والتواصل الاجتماعي، فإن حماية خصوصية البيانات تعتبر أمرًا حيويًا. يجب على طبقة الذكاء الاصطناعي 1 أن تعتمد تقنيات معالجة البيانات المعتمدة على التشفير، وبروتوكولات الحوسبة الخصوصية، وإدارة صلاحيات البيانات، مع الحفاظ على إمكانية التحقق، لضمان أمان البيانات في جميع مراحل الاستدلال والتدريب والتخزين، ومنع تسرب البيانات وإساءة استخدامها بشكل فعال، وإزالة مخاوف المستخدمين بشأن أمان البيانات.

5. قدرة قوية على دعم وتطوير النظام البيئي كمنصة بنية تحتية من الطبقة الأولى قائمة على الذكاء الاصطناعي، يجب أن تتمتع المنصة ليس فقط بميزة تقنية رائدة، ولكن أيضًا بتوفير أدوات تطوير شاملة، وSDK مدمج، ودعم التشغيل والصيانة، وآليات تحفيزية لمطوري البرامج، ومشغلي العقد، ومقدمي خدمات الذكاء الاصطناعي، وغيرهم من المشاركين في النظام البيئي. من خلال تحسين استمرارية توافر المنصة وتجربة المطور، يتم تعزيز تطبيقات الذكاء الاصطناعي الأصلية المتنوعة والغنية، مما يحقق الازدهار المستدام للنظام البيئي للذكاء الاصطناعي اللامركزي.

استنادًا إلى الخلفية والتوقعات المذكورة أعلاه، ستتناول هذه المقالة بالتفصيل ستة مشاريع تمثيلية من الطبقة الأولى للذكاء الاصطناعي، بما في ذلك Sentient وSahara AI وRitual وGensyn وBittensor و0G، مع تنظيم شامل لأحدث التطورات في هذا المجال، وتحليل حالة تطور المشاريع، ومناقشة الاتجاهات المستقبلية.

Sentient: بناء نماذج الذكاء الاصطناعي اللامركزية مفتوحة المصدر المخلصة

نظرة عامة على المشروع

Sentient هو منصة بروتوكول مفتوحة المصدر، تعمل على بناء سلسلة بلوكتشين AI Layer1 ( في المرحلة الأولية كـ Layer 2، ثم ستنتقل إلى Layer 1)، من خلال الجمع بين AI Pipeline وتقنية البلوكتشين، لبناء اقتصاد الذكاء الاصطناعي اللامركزي. الهدف الأساسي هو حل مشاكل ملكية النماذج، تتبع الاستدعاءات، وتوزيع القيمة في سوق LLM المركزي من خلال إطار "OML" (مفتوح، مربح، موثوق)؛ مما يمكّن نماذج الذكاء الاصطناعي من تحقيق هيكل الملكية داخل السلسلة، وشفافية الاستدعاء، وتوزيع القيمة. رؤية Sentient هي تمكين أي شخص من بناء، التعاون، امتلاك، وتحويل منتجات الذكاء الاصطناعي إلى أموال، مما يعزز شبكة بيئية من وكلاء الذكاء الاصطناعي العادلة والمفتوحة.

تجمع فريق Sentient Foundation أفضل الخبراء الأكاديميين ورواد الأعمال والمهندسين في مجال blockchain من جميع أنحاء العالم، ويهدف إلى بناء منصة AGI مدفوعة من المجتمع 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 AI وحماية الخصوصية، بينما يقود Sandeep Nailwal، المؤسس المشارك لمشروع Polygon، الاستراتيجية والبيئة المتعلقة بـ blockchain. يمتد خلفية أعضاء الفريق عبر شركات معروفة مثل Meta وCoinbase وPolygon، بالإضافة إلى الجامعات المرموقة مثل جامعة برينستون والمعهد الهندي للتكنولوجيا، مما يغطي مجالات AI/ML وNLP ورؤية الحاسوب، للعمل معًا لدفع المشروع نحو التنفيذ.

باعتبارها مشروعًا مؤسسيًا مشتركًا لمؤسس Polygon Sandeep Nailwal، جاءت Sentient منذ نشأتها مع هالة مميزة، حيث تمتلك موارد غنية، وشبكة علاقات، ووعي سوقي كبير، مما يوفر دعمًا قويًا لتطوير المشروع. في منتصف عام 2024، أكملت Sentient جولة تمويل بذور بقيمة 85 مليون دولار، بقيادة Founders Fund وPantera وFramework Ventures، بالإضافة إلى عدد من الشركات الاستثمارية الأخرى بما في ذلك Delphi وHashkey وSpartan وغيرها من شركات رأس المال المخاطر المعروفة.

تصميم الهيكل والطبقة التطبيقية

طبقة البنية التحتية

الهيكل الأساسي

تتكون البنية الأساسية لـ Sentient من جزئين: أنبوب الذكاء الاصطناعي (AI Pipeline) ونظام داخل السلسلة.

تعتبر أنابيب الذكاء الاصطناعي أساس تطوير وتدريب "الذكاء الاصطناعي المخلص"، وتتضمن عمليتين أساسيتين:​

• تخطيط البيانات (Data Curation): عملية اختيار البيانات التي يقودها المجتمع، تستخدم لمحاذاة النموذج.
• تدريب الولاء (Loyalty Training): ضمان بقاء النموذج متماشياً مع نوايا المجتمع خلال عملية التدريب.

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

• طبقة التخزين: تخزين أوزان النموذج ومعلومات تسجيل بصمات الأصابع؛
• طبقة التوزيع: نموذج التحكم في مدخلات استدعاء العقد المصرح به؛
• طبقة الوصول: التحقق من صلاحية المستخدم من خلال إثبات الأذونات؛
• طبقة الحوافز: ستقوم عقدة توزيع العائدات بدفع المكافآت لكل استدعاء للمدربين، المنفذين والمتحققين.

إطار نموذج OML

إطار OML (مفتوح Open، قابل للتسويق Monetizable، ولاء Loyal) هو الفكرة الأساسية التي طرحتها Sentient، ويهدف إلى توفير حماية واضحة للملكية وآلية حوافز اقتصادية لنماذج الذكاء الاصطناعي مفتوحة المصدر. من خلال دمج تقنية داخل السلسلة والتشفير الأصلي للذكاء الاصطناعي، يتميز بما يلي:

• الانفتاح: يجب أن يكون النموذج مفتوح المصدر، ويجب أن تكون الشفرة وهياكل البيانات شفافة، مما يسهل على المجتمع إعادة إنتاجه وتدقيقه وتحسينه.
• التسييل: كل استدعاء نموذج سيؤدي إلى تفعيل تدفق الدخل، وستقوم العقود داخل السلسلة بتوزيع الإيرادات على المدربين والموزعين والمتحققين.
• الولاء: ينتمي النموذج إلى مجتمع المساهمين، ويتم تحديد اتجاه الترقية والحوكمة بواسطة DAO، وتكون الاستخدامات والتعديلات تحت سيطرة آلية التشفير.

التشفير الأصلي للذكاء الاصطناعي (AI-native Cryptography)

تشفير أصلي بالذكاء الاصطناعي هو استخدام استمرارية نموذج الذكاء الاصطناعي، وبنية التباين منخفضة الأبعاد وخصائص قابلية التفاضل في النموذج، لتطوير آلية أمان خفيفة "قابلة للتحقق ولكن لا يمكن إزالتها". التقنية الأساسية هي:

• بصمة مدمجة: إدخال مجموعة من أزواج المفاتيح الاستعلام-الاستجابة المخفية أثناء التدريب لتشكيل توقيع فريد للنموذج؛
• بروتوكول التحقق من الملكية: تحقق من بقاء بصمة الإصبع من خلال مستشعر خارجي (Prover) على شكل استفسار.
• آلية استدعاء الإذن: يجب الحصول على "شهادة التفويض" الصادرة عن مالك النموذج قبل الاستدعاء، ومن ثم يقوم النظام بمنح الإذن للنموذج لفك تشفير هذا الإدخال وإرجاع الإجابة الدقيقة.

يمكن تحقيق "استدعاء تفويض يعتمد على السلوك + تحقق من الانتماء" بهذه الطريقة دون تكاليف إعادة تشفير.

إطار تنفيذ الأمان والتأكيد على حقوق النموذج

Sentient تعتمد حاليًا على أمان Melange المختلط: من خلال تأكيد الهوية باستخدام بصمات الأصابع، وتنفيذ TEE، وتقاسم الأرباح من العقود داخل السلسلة. حيث أن طريقة بصمات الأصابع هي التنفيذ الرئيسي لـ OML 1.0، مما يبرز فكرة "الأمان المتفائل (Optimistic Security)", أي الامتثال الافتراضي، ويمكن اكتشاف المخالفات ومعاقبتها لاحقًا.

آلية بصمة الإصبع هي تنفيذ رئيسي لـ OML، حيث تتيح إدخال "سؤال-جواب" محدد، مما يسمح للنموذج بتوليد توقيع فريد خلال مرحلة التدريب. من خلال هذه التوقيعات، يمكن لمالكي النموذج التحقق من الملكية ومنع النسخ غير المصرح به والتجارية. هذه الآلية لا تحمي فقط حقوق مطوري النموذج، بل توفر أيضًا سجلات قابلة للتتبع داخل السلسلة لسلوك استخدام النموذج.

بالإضافة إلى ذلك، أطلقت Sentient إطار عمل Enclave TEE للحوسبة، باستخدام 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 تعتمد على الأجهزة وتوجد بعض المخاطر الأمنية، إلا أن مزاياها العالية في الأداء والزمن الحقيقي تجعلها خيارًا حاليًا.