لقد قلت في العديد من المقالات من قبل إن وكيل الذكاء الاصطناعي سيكون "الخلاص" للعديد من السرديات القديمة في صناعة العملات المشفرة. خلال التطور الأخير للسرديات حول استقلالية الذكاء الاصطناعي، تم رفع TEE إلى قمة الاهتمام، ومع ذلك، هناك مفهوم تقني أكثر "برودة" من TEE، حتى ZKP، وهو FHE——التشفير المتماثل بالكامل، والذي سيحصل أيضًا على "ولادة جديدة" بفضل حلبة الذكاء الاصطناعي. فيما يلي، من خلال بعض الحالات، سأقوم بتوضيح المنطق للجميع:
FHE هي تقنية تشفير تسمح بإجراء حسابات مباشرة على البيانات المشفرة وتعتبر "الكأس المقدسة"، مقارنةً بتقنيات مثل ZKP و TEE التي تحظى بشعبية أكبر، فإنها تتواجد في موقع نسبي أقل شهرة، حيث تركز بشكل أساسي على التكاليف وسيناريوهات الاستخدام.
ومع ذلك، تركز شبكة Mind بشكل خاص على بنية FHE، وقد أطلقت سلسلة FHE تركز على وكيل الذكاء الاصطناعي - MindChain، على الرغم من أنها حصلت على تمويل يزيد عن عشرة ملايين دولار وعانت من سنوات من العمل التقني، إلا أن الاهتمام في السوق لا يزال مقدرا بأقل من قيمته بسبب قيود FHE نفسها.
على سبيل المثال ، تم دمج FHE Rust SDK الذي طورته Mind Network مع نموذج DeepSeek الكبير مفتوح المصدر ، والذي أصبح جزءا أساسيا من سيناريوهات التدريب الذكاء الاصطناعي ويوفر أساسا آمنا لتنفيذ الذكاء الاصطناعي الموثوقة. لماذا يمكن ل FHE الأداء في حوسبة الخصوصية الذكاء الاصطناعي ، وهل يمكنها تحقيق تجاوز الزاوية أو الاسترداد بمساعدة سرد وكيل الذكاء الاصطناعي؟
ببساطة: التشفير المتماثل بالكامل (FHE) هو تقنية تشفير يمكن أن تعمل مباشرة على بنية سلسلة الكتل الحالية، مما يسمح بإجراء عمليات حسابية مثل الجمع والضرب وغيرها من العمليات على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات مسبقًا.
بعبارة أخرى، يمكن أن تؤدي تطبيقات تقنية FHE إلى تحقيق التشفير الكامل للبيانات من المدخلات إلى المخرجات، حتى أن العقد التي تحافظ على توافق سلسلة الكتل العامة للتحقق لا يمكنها الوصول إلى المعلومات النصية الصريحة، مما يجعل FHE قادرة على توفير ضمانات تقنية أساسية لتدريب بعض نماذج الذكاء الاصطناعي LLM في مجالات مثل الرعاية الصحية والمالية.
يجعل FHE حلاً "مفضلًا" يمكن أن يصبح جزءًا من مشهد عمودي غني لتدريب نماذج AI التقليدية، بالإضافة إلى دمجه مع بنية تحتية موزعة على blockchain. سواء كان ذلك في التعاون عبر المؤسسات لبيانات الرعاية الصحية أو استنتاج الخصوصية في سيناريوهات المعاملات المالية، يمكن أن يصبح FHE خيارًا تكميليًا بفضل ميزاته الفريدة.
هذا في الواقع ليس مجرد مفهوم مجرد، يمكن فهمه من خلال مثال بسيط: على سبيل المثال، تطبيق AI Agent الموجه للمستهلكين، عادةً ما يتصل خلفه بنماذج AI الكبيرة المقدمة من موردين مختلفين مثل DeepSeek وClaude وOpenAI، لكن كيف نضمن أنه في بعض السيناريوهات المالية الحساسة جداً، لن تتأثر عملية تنفيذ AI Agent من قبل نماذج كبيرة غير متوقعة تغير القواعد؟ من المؤكد أن هذا يتطلب تشفير النص المدخل، وعندما يقوم مزودو LLMs بمعالجة البيانات المشفرة مباشرة، فلن يكون هناك تدخل قسري يغير تأثير العدالة.
ما هو مفهوم "الذكاء الاصطناعي الموثوق" إذن؟ الذكاء الاصطناعي الموثوق هو رؤية للذكاء الاصطناعي اللامركزي المبنية على التشفير المتماثل بالكامل (FHE) التي تحاول شبكة Mind بنائها، بما في ذلك السماح للأطراف المتعددة بتنفيذ تدريب النماذج والاستدلال بشكل فعال من خلال قوة الحوسبة الموزعة (GPU) دون الاعتماد على خادم مركزي، وتوفير التحقق من الإجماع القائم على التشفير المتماثل بالكامل (FHE) لوكلاء الذكاء الاصطناعي. هذا التصميم يقضي على القيود الأصلية للذكاء الاصطناعي المركزي، ويقدم ضمانات مزدوجة للخصوصية + الاستقلالية لتشغيل وكلاء الذكاء الاصطناعي في إطار معماري موزع.
هذا يتماشى أكثر مع اتجاه السرد الخاص بهيكل شبكة Mind Network كشبكة بلوكشين موزعة. على سبيل المثال، خلال عملية المعاملات على السلسلة الخاصة، يمكن أن يحمي FHE خصوصية بيانات Oracle الخاصة بالأطراف المعنية أثناء عملية الاستدلال والتنفيذ، مما يسمح لوكيل الذكاء الاصطناعي باتخاذ قرارات تجارية بشكل مستقل دون الحاجة إلى الكشف عن المراكز أو الاستراتيجيات.
إذن، لماذا يُقال إن FHE سيكون له مسارات اختراق صناعية مشابهة لتلك الخاصة بـ TEE، وسيؤدي انفجار سيناريوهات تطبيق الذكاء الاصطناعي إلى فرص مباشرة؟
لقد تمكنت TEE من الاستفادة من فرصة وكيل الذكاء الاصطناعي بفضل البيئة المادية لـ TEE التي يمكن أن تحقق استضافة البيانات في حالة خصوصية، مما يسمح لوكيل الذكاء الاصطناعي بإدارة المفتاح الخاص بشكل مستقل، مما يمكّن وكيل الذكاء الاصطناعي من تحقيق سرد جديد لإدارة الأصول بشكل مستقل. ولكن في الواقع، هناك عيب كبير في TEE في حفظ المفتاح الخاص: الثقة يجب أن تعتمد على مزود الأجهزة من الطرف الثالث (مثل: إنتل). ولتفعيل TEE، تحتاج إلى بنية سلسلة موزعة لإضافة مجموعة من القيود "التوافقية" الإضافية والشفافة إلى بيئات TEE. بالمقارنة، يمكن أن يوجد PHE تمامًا على أساس بنية سلسلة لامركزية دون الاعتماد على طرف ثالث.
FHE و TEE لهما وضع بيئي مشابه، لا تنظر إلى أن TEE لم يتم تطبيقه على نطاق واسع في بيئة web3، لكنه بالفعل تقنية ناضجة جدًا في مجال web2، بالمقارنة، سيجد FHE أيضًا تدريجيًا قيمة وجوده في كليهما web2 و web3 تحت انفجار هذه الجولة من اتجاه AI.
فوق.
من خلال ما سبق، يمكن أن نرى أن تقنية التشفير المتماثل بالكامل، التي تُعتبر الكأس المقدسة في مجال التشفير، ستصبح بلا شك واحدة من الأسس الأمنية في ظل كون الذكاء الاصطناعي شرطًا أساسيًا للمستقبل، مع احتمال اعتمادها بشكل واسع في المستقبل.
بالطبع، على الرغم من ذلك، لا يمكن تجنب مشكلة تكلفة الفوائض المتعلقة بتنفيذ الخوارزمية FHE. إذا أمكن تطبيقها في سيناريوهات الذكاء الاصطناعي Web2، ثم ربطها بسيناريوهات الذكاء الاصطناعي Web3، فمن المؤكد أنها ستطلق "أثر النطاق" بشكل غير متوقع مما سيؤدي إلى تقليل التكاليف الإجمالية، مما سيمكنها من التوسع في الاستخدام.
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
من "الكأس المقدسة" إلى حجر الزاوية: كيف تعيد FHE تشكيل بيئة حساب الخصوصية في Web3؟
لقد قلت في العديد من المقالات من قبل إن وكيل الذكاء الاصطناعي سيكون "الخلاص" للعديد من السرديات القديمة في صناعة العملات المشفرة. خلال التطور الأخير للسرديات حول استقلالية الذكاء الاصطناعي، تم رفع TEE إلى قمة الاهتمام، ومع ذلك، هناك مفهوم تقني أكثر "برودة" من TEE، حتى ZKP، وهو FHE——التشفير المتماثل بالكامل، والذي سيحصل أيضًا على "ولادة جديدة" بفضل حلبة الذكاء الاصطناعي. فيما يلي، من خلال بعض الحالات، سأقوم بتوضيح المنطق للجميع:
FHE هي تقنية تشفير تسمح بإجراء حسابات مباشرة على البيانات المشفرة وتعتبر "الكأس المقدسة"، مقارنةً بتقنيات مثل ZKP و TEE التي تحظى بشعبية أكبر، فإنها تتواجد في موقع نسبي أقل شهرة، حيث تركز بشكل أساسي على التكاليف وسيناريوهات الاستخدام.
ومع ذلك، تركز شبكة Mind بشكل خاص على بنية FHE، وقد أطلقت سلسلة FHE تركز على وكيل الذكاء الاصطناعي - MindChain، على الرغم من أنها حصلت على تمويل يزيد عن عشرة ملايين دولار وعانت من سنوات من العمل التقني، إلا أن الاهتمام في السوق لا يزال مقدرا بأقل من قيمته بسبب قيود FHE نفسها.
على سبيل المثال ، تم دمج FHE Rust SDK الذي طورته Mind Network مع نموذج DeepSeek الكبير مفتوح المصدر ، والذي أصبح جزءا أساسيا من سيناريوهات التدريب الذكاء الاصطناعي ويوفر أساسا آمنا لتنفيذ الذكاء الاصطناعي الموثوقة. لماذا يمكن ل FHE الأداء في حوسبة الخصوصية الذكاء الاصطناعي ، وهل يمكنها تحقيق تجاوز الزاوية أو الاسترداد بمساعدة سرد وكيل الذكاء الاصطناعي؟
ببساطة: التشفير المتماثل بالكامل (FHE) هو تقنية تشفير يمكن أن تعمل مباشرة على بنية سلسلة الكتل الحالية، مما يسمح بإجراء عمليات حسابية مثل الجمع والضرب وغيرها من العمليات على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات مسبقًا.
بعبارة أخرى، يمكن أن تؤدي تطبيقات تقنية FHE إلى تحقيق التشفير الكامل للبيانات من المدخلات إلى المخرجات، حتى أن العقد التي تحافظ على توافق سلسلة الكتل العامة للتحقق لا يمكنها الوصول إلى المعلومات النصية الصريحة، مما يجعل FHE قادرة على توفير ضمانات تقنية أساسية لتدريب بعض نماذج الذكاء الاصطناعي LLM في مجالات مثل الرعاية الصحية والمالية.
يجعل FHE حلاً "مفضلًا" يمكن أن يصبح جزءًا من مشهد عمودي غني لتدريب نماذج AI التقليدية، بالإضافة إلى دمجه مع بنية تحتية موزعة على blockchain. سواء كان ذلك في التعاون عبر المؤسسات لبيانات الرعاية الصحية أو استنتاج الخصوصية في سيناريوهات المعاملات المالية، يمكن أن يصبح FHE خيارًا تكميليًا بفضل ميزاته الفريدة.
هذا في الواقع ليس مجرد مفهوم مجرد، يمكن فهمه من خلال مثال بسيط: على سبيل المثال، تطبيق AI Agent الموجه للمستهلكين، عادةً ما يتصل خلفه بنماذج AI الكبيرة المقدمة من موردين مختلفين مثل DeepSeek وClaude وOpenAI، لكن كيف نضمن أنه في بعض السيناريوهات المالية الحساسة جداً، لن تتأثر عملية تنفيذ AI Agent من قبل نماذج كبيرة غير متوقعة تغير القواعد؟ من المؤكد أن هذا يتطلب تشفير النص المدخل، وعندما يقوم مزودو LLMs بمعالجة البيانات المشفرة مباشرة، فلن يكون هناك تدخل قسري يغير تأثير العدالة.
ما هو مفهوم "الذكاء الاصطناعي الموثوق" إذن؟ الذكاء الاصطناعي الموثوق هو رؤية للذكاء الاصطناعي اللامركزي المبنية على التشفير المتماثل بالكامل (FHE) التي تحاول شبكة Mind بنائها، بما في ذلك السماح للأطراف المتعددة بتنفيذ تدريب النماذج والاستدلال بشكل فعال من خلال قوة الحوسبة الموزعة (GPU) دون الاعتماد على خادم مركزي، وتوفير التحقق من الإجماع القائم على التشفير المتماثل بالكامل (FHE) لوكلاء الذكاء الاصطناعي. هذا التصميم يقضي على القيود الأصلية للذكاء الاصطناعي المركزي، ويقدم ضمانات مزدوجة للخصوصية + الاستقلالية لتشغيل وكلاء الذكاء الاصطناعي في إطار معماري موزع.
هذا يتماشى أكثر مع اتجاه السرد الخاص بهيكل شبكة Mind Network كشبكة بلوكشين موزعة. على سبيل المثال، خلال عملية المعاملات على السلسلة الخاصة، يمكن أن يحمي FHE خصوصية بيانات Oracle الخاصة بالأطراف المعنية أثناء عملية الاستدلال والتنفيذ، مما يسمح لوكيل الذكاء الاصطناعي باتخاذ قرارات تجارية بشكل مستقل دون الحاجة إلى الكشف عن المراكز أو الاستراتيجيات.
إذن، لماذا يُقال إن FHE سيكون له مسارات اختراق صناعية مشابهة لتلك الخاصة بـ TEE، وسيؤدي انفجار سيناريوهات تطبيق الذكاء الاصطناعي إلى فرص مباشرة؟
لقد تمكنت TEE من الاستفادة من فرصة وكيل الذكاء الاصطناعي بفضل البيئة المادية لـ TEE التي يمكن أن تحقق استضافة البيانات في حالة خصوصية، مما يسمح لوكيل الذكاء الاصطناعي بإدارة المفتاح الخاص بشكل مستقل، مما يمكّن وكيل الذكاء الاصطناعي من تحقيق سرد جديد لإدارة الأصول بشكل مستقل. ولكن في الواقع، هناك عيب كبير في TEE في حفظ المفتاح الخاص: الثقة يجب أن تعتمد على مزود الأجهزة من الطرف الثالث (مثل: إنتل). ولتفعيل TEE، تحتاج إلى بنية سلسلة موزعة لإضافة مجموعة من القيود "التوافقية" الإضافية والشفافة إلى بيئات TEE. بالمقارنة، يمكن أن يوجد PHE تمامًا على أساس بنية سلسلة لامركزية دون الاعتماد على طرف ثالث.
FHE و TEE لهما وضع بيئي مشابه، لا تنظر إلى أن TEE لم يتم تطبيقه على نطاق واسع في بيئة web3، لكنه بالفعل تقنية ناضجة جدًا في مجال web2، بالمقارنة، سيجد FHE أيضًا تدريجيًا قيمة وجوده في كليهما web2 و web3 تحت انفجار هذه الجولة من اتجاه AI.
فوق.
من خلال ما سبق، يمكن أن نرى أن تقنية التشفير المتماثل بالكامل، التي تُعتبر الكأس المقدسة في مجال التشفير، ستصبح بلا شك واحدة من الأسس الأمنية في ظل كون الذكاء الاصطناعي شرطًا أساسيًا للمستقبل، مع احتمال اعتمادها بشكل واسع في المستقبل.
بالطبع، على الرغم من ذلك، لا يمكن تجنب مشكلة تكلفة الفوائض المتعلقة بتنفيذ الخوارزمية FHE. إذا أمكن تطبيقها في سيناريوهات الذكاء الاصطناعي Web2، ثم ربطها بسيناريوهات الذكاء الاصطناعي Web3، فمن المؤكد أنها ستطلق "أثر النطاق" بشكل غير متوقع مما سيؤدي إلى تقليل التكاليف الإجمالية، مما سيمكنها من التوسع في الاستخدام.