لقد قلت في العديد من المقالات السابقة أن وكيل الذكاء الاصطناعي سيكون "خلاصًا" للعديد من السرديات القديمة في صناعة التشفير. خلال الدورة السابقة من تطور السرديات حول استقلالية الذكاء الاصطناعي، تم رفع TEE إلى ذروة الاهتمام، ومع ذلك، هناك مفهوم تقني أقل شهرة من TEE، وحتى ZKP، وهو FHE - التشفير المتماثل بالكامل، والذي سيحصل أيضًا على "ولادة جديدة" بفضل مضمار الذكاء الاصطناعي. فيما يلي، سأقوم بتوضيح المنطق من خلال الأمثلة:
FHE هي تقنية تشفير تسمح بإجراء حسابات مباشرة على البيانات المشفرة، وتعتبر "الكأس المقدسة"، مقارنةً بالتقنيات الشائعة مثل ZKP و TEE، فهي تحتل مكانة أقل شهرة نسبيًا، حيث تعاني بشكل أساسي من التكاليف وسيناريوهات التطبيق وغيرها.
وMind Network هو بالضبط التركيز على بنية تحتية التشفير المتماثل بالكامل، وقد أطلق سلسلة FHE تركز على وكيل الذكاء الاصطناعي - MindChain، على الرغم من أنها حصلت على تمويل يزيد عن عشرة ملايين دولار، وقد مرت بعدة سنوات من الجهود التقنية، إلا أن السوق لا يزال يقدر اهتمامه بشكل منخفض بسبب قيود التشفير المتماثل بالكامل.
ومع ذلك، مؤخراً أصدرت شبكة Mind Network العديد من الأخبار الإيجابية حول تطبيقات الذكاء الاصطناعي، على سبيل المثال، تم دمج مكتبة FHE Rust SDK التي طورتها في نموذج DeepSeek المفتوح المصدر، مما جعلها جزءاً أساسياً في سيناريوهات تدريب الذكاء الاصطناعي، حيث وفرت أساساً آمناً لتحقيق الذكاء الاصطناعي الموثوق. لماذا يمكن أن يكون للتشفير المتماثل دور في حساب الخصوصية للذكاء الاصطناعي، وهل يمكن الاستفادة من سرد وكيل الذكاء الاصطناعي لتحقيق التفوق أو الخلاص؟
ببساطة: التشفير المتماثل بالكامل (FHE) هو تقنية تشفير يمكن أن تعمل مباشرة على بنية السلسلة العامة الحالية، مما يسمح بإجراء عمليات حسابية مثل الجمع والضرب وغيرها على البيانات المشفرة مباشرة، دون الحاجة إلى فك تشفير البيانات مسبقًا.
بعبارة أخرى، يمكن أن يؤدي تطبيق تقنية FHE إلى تحقيق التشفير المتماثل بالكامل للبيانات من المدخلات إلى المخرجات، حتى أن العقد التي تحافظ على توافق الشبكة العامة للتحقق لا يمكنها الوصول إلى المعلومات النصية، مما يجعل FHE قادرة على تقديم ضمانات تقنية لتدريب بعض نماذج الذكاء الاصطناعي الكبيرة في مجالات مثل الرعاية الصحية والمالية.
يجعل FHE حلاً "مفضلًا" لتدريب نماذج الذكاء الاصطناعي التقليدية في مشاهد عمودية غنية ومتوسعة، بالإضافة إلى دمجه مع بنية blockchain الموزعة. سواء كانت التعاون عبر المؤسسات في بيانات الرعاية الصحية أو الاستدلال على الخصوصية في مشاهد 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، يعد AI Agent تطبيقًا موجهًا للمستخدمين النهائيين، حيث يقوم عادةً بربط خلفيته مع نماذج الذكاء الاصطناعي الكبيرة التي تقدمها مختلف الموردين مثل DeepSeek وClaude وOpenAI. لكن كيف يمكن ضمان أن عملية تنفيذ AI Agent في بعض السيناريوهات المالية الحساسة لن تتأثر بتغييرات مفاجئة في القواعد من خلفية نموذج كبير؟ من المؤكد أن ذلك يتطلب تشفير Prompt المدخلات، وعندما يقوم مقدمو خدمات LLMs بمعالجة البيانات المشفرة، فلن يكون هناك تدخل قسري يؤثر على العدالة.
ما هو مفهوم "الذكاء الاصطناعي الموثوق" إذن؟ الذكاء الاصطناعي الموثوق هو رؤية الذكاء الاصطناعي اللامركزي التي تحاول شبكة Mind بناؤها باستخدام التشفير المتماثل بالكامل، بما في ذلك السماح لعدة أطراف بتنفيذ تدريب النماذج واستنتاجها بكفاءة من خلال قوة معالجة موزعة (GPU) دون الحاجة للاعتماد على خادم مركزي، وتوفير تحقق بالإجماع قائم على التشفير المتماثل بالكامل لوكلاء الذكاء الاصطناعي. هذا التصميم يلغي قيود الذكاء الاصطناعي المركزي، ويوفر ضمانات مزدوجة تتعلق بالخصوصية والاستقلالية لوكلاء الذكاء الاصطناعي في إطار معماري موزع.
هذا يتماشى بشكل أكبر مع اتجاه السرد الخاص بهيكل شبكة Mind Network العامة الموزعة. على سبيل المثال، خلال عملية التداول الخاصة على السلسلة، يمكن لـ FHE حماية خصوصية استنتاج البيانات وتنفيذها من Oracle للأطراف المعنية، مما يسمح لوكيل الذكاء الاصطناعي بتحقيق قرارات تداول مستقلة دون الحاجة إلى الكشف عن المراكز أو الاستراتيجيات.
إذن، لماذا يُقال إن التشفير المتماثل بالكامل سيكون له مسار اختراق صناعي مشابه لـ TEE، وسيوفر فرصًا مباشرة نتيجة لظهور تطبيقات الذكاء الاصطناعي؟
استفادت TEE سابقًا من فرصة AI Agent بفضل البيئة الصلبة لـ TEE التي تتيح استضافة البيانات في حالة الخصوصية، مما يسمح لـ AI Agent بإدارة المفاتيح الخاصة بشكل مستقل، مما يمكّن AI Agent من تحقيق سرد جديد لإدارة الأصول بشكل مستقل. لكن هناك عيبًا أساسيًا في TEE وهو أن الثقة تعتمد على مزود الأجهزة الطرفية الثالث (مثل: إنتل). ولتفعيل TEE، تحتاج إلى مجموعة من الهياكل المعمارية الموزعة السلسلية لإضافة مجموعة من القيود "التوافقية" الشفافة العلنية إلى بيئات TEE. بالمقارنة، يمكن أن توجد PHE تمامًا بناءً على هيكل معماري موزع غير مركزي دون الاعتماد على طرف ثالث.
تتمتع FHE و TEE بمواقف إيكولوجية مشابهة، على الرغم من أن استخدام TEE في نظام web3 لا يزال غير واسع النطاق، إلا أنه تقنية ناضجة جدًا في مجال web2، مقارنةً بذلك، ستجد FHE أيضًا تدريجيًا قيمة وجود في كل من web2 و web3 في ظل انفجار هذه الجولة من اتجاهات الذكاء الاصطناعي.
فوق.
وعليه، يمكن أن نرى أن تقنية التشفير المتماثل بالكامل (FHE) هذه، التي تُعتبر كأس التشفير المقدس، ستصبح بلا شك واحدة من الركائز الأساسية للأمان في ظل كون الذكاء الاصطناعي هو شرط المستقبل، مما يزيد من احتمالية اعتمادها على نطاق واسع.
بالطبع، على الرغم من ذلك، لا يمكن تجنب مشكلة تكاليف الفواتير عند تنفيذ خوارزمية FHE. إذا كانت قادرة على التطبيق في مشهد web2 AI، ثم الربط بمشهد web3 AI، فمن المؤكد أنها ستطلق "أثر الحجم" بشكل غير متوقع وتقلل التكاليف الإجمالية، مما يسمح بتطبيقها بشكل أكثر شيوعًا.
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 الحجر الأساس: كيف تعيد FHE تشكيل نظام حساب الخصوصية في Web3؟
لقد قلت في العديد من المقالات السابقة أن وكيل الذكاء الاصطناعي سيكون "خلاصًا" للعديد من السرديات القديمة في صناعة التشفير. خلال الدورة السابقة من تطور السرديات حول استقلالية الذكاء الاصطناعي، تم رفع TEE إلى ذروة الاهتمام، ومع ذلك، هناك مفهوم تقني أقل شهرة من TEE، وحتى ZKP، وهو FHE - التشفير المتماثل بالكامل، والذي سيحصل أيضًا على "ولادة جديدة" بفضل مضمار الذكاء الاصطناعي. فيما يلي، سأقوم بتوضيح المنطق من خلال الأمثلة:
FHE هي تقنية تشفير تسمح بإجراء حسابات مباشرة على البيانات المشفرة، وتعتبر "الكأس المقدسة"، مقارنةً بالتقنيات الشائعة مثل ZKP و TEE، فهي تحتل مكانة أقل شهرة نسبيًا، حيث تعاني بشكل أساسي من التكاليف وسيناريوهات التطبيق وغيرها.
وMind Network هو بالضبط التركيز على بنية تحتية التشفير المتماثل بالكامل، وقد أطلق سلسلة FHE تركز على وكيل الذكاء الاصطناعي - MindChain، على الرغم من أنها حصلت على تمويل يزيد عن عشرة ملايين دولار، وقد مرت بعدة سنوات من الجهود التقنية، إلا أن السوق لا يزال يقدر اهتمامه بشكل منخفض بسبب قيود التشفير المتماثل بالكامل.
ومع ذلك، مؤخراً أصدرت شبكة Mind Network العديد من الأخبار الإيجابية حول تطبيقات الذكاء الاصطناعي، على سبيل المثال، تم دمج مكتبة FHE Rust SDK التي طورتها في نموذج DeepSeek المفتوح المصدر، مما جعلها جزءاً أساسياً في سيناريوهات تدريب الذكاء الاصطناعي، حيث وفرت أساساً آمناً لتحقيق الذكاء الاصطناعي الموثوق. لماذا يمكن أن يكون للتشفير المتماثل دور في حساب الخصوصية للذكاء الاصطناعي، وهل يمكن الاستفادة من سرد وكيل الذكاء الاصطناعي لتحقيق التفوق أو الخلاص؟
ببساطة: التشفير المتماثل بالكامل (FHE) هو تقنية تشفير يمكن أن تعمل مباشرة على بنية السلسلة العامة الحالية، مما يسمح بإجراء عمليات حسابية مثل الجمع والضرب وغيرها على البيانات المشفرة مباشرة، دون الحاجة إلى فك تشفير البيانات مسبقًا.
بعبارة أخرى، يمكن أن يؤدي تطبيق تقنية FHE إلى تحقيق التشفير المتماثل بالكامل للبيانات من المدخلات إلى المخرجات، حتى أن العقد التي تحافظ على توافق الشبكة العامة للتحقق لا يمكنها الوصول إلى المعلومات النصية، مما يجعل FHE قادرة على تقديم ضمانات تقنية لتدريب بعض نماذج الذكاء الاصطناعي الكبيرة في مجالات مثل الرعاية الصحية والمالية.
يجعل FHE حلاً "مفضلًا" لتدريب نماذج الذكاء الاصطناعي التقليدية في مشاهد عمودية غنية ومتوسعة، بالإضافة إلى دمجه مع بنية blockchain الموزعة. سواء كانت التعاون عبر المؤسسات في بيانات الرعاية الصحية أو الاستدلال على الخصوصية في مشاهد 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، يعد AI Agent تطبيقًا موجهًا للمستخدمين النهائيين، حيث يقوم عادةً بربط خلفيته مع نماذج الذكاء الاصطناعي الكبيرة التي تقدمها مختلف الموردين مثل DeepSeek وClaude وOpenAI. لكن كيف يمكن ضمان أن عملية تنفيذ AI Agent في بعض السيناريوهات المالية الحساسة لن تتأثر بتغييرات مفاجئة في القواعد من خلفية نموذج كبير؟ من المؤكد أن ذلك يتطلب تشفير Prompt المدخلات، وعندما يقوم مقدمو خدمات LLMs بمعالجة البيانات المشفرة، فلن يكون هناك تدخل قسري يؤثر على العدالة.
ما هو مفهوم "الذكاء الاصطناعي الموثوق" إذن؟ الذكاء الاصطناعي الموثوق هو رؤية الذكاء الاصطناعي اللامركزي التي تحاول شبكة Mind بناؤها باستخدام التشفير المتماثل بالكامل، بما في ذلك السماح لعدة أطراف بتنفيذ تدريب النماذج واستنتاجها بكفاءة من خلال قوة معالجة موزعة (GPU) دون الحاجة للاعتماد على خادم مركزي، وتوفير تحقق بالإجماع قائم على التشفير المتماثل بالكامل لوكلاء الذكاء الاصطناعي. هذا التصميم يلغي قيود الذكاء الاصطناعي المركزي، ويوفر ضمانات مزدوجة تتعلق بالخصوصية والاستقلالية لوكلاء الذكاء الاصطناعي في إطار معماري موزع.
هذا يتماشى بشكل أكبر مع اتجاه السرد الخاص بهيكل شبكة Mind Network العامة الموزعة. على سبيل المثال، خلال عملية التداول الخاصة على السلسلة، يمكن لـ FHE حماية خصوصية استنتاج البيانات وتنفيذها من Oracle للأطراف المعنية، مما يسمح لوكيل الذكاء الاصطناعي بتحقيق قرارات تداول مستقلة دون الحاجة إلى الكشف عن المراكز أو الاستراتيجيات.
إذن، لماذا يُقال إن التشفير المتماثل بالكامل سيكون له مسار اختراق صناعي مشابه لـ TEE، وسيوفر فرصًا مباشرة نتيجة لظهور تطبيقات الذكاء الاصطناعي؟
استفادت TEE سابقًا من فرصة AI Agent بفضل البيئة الصلبة لـ TEE التي تتيح استضافة البيانات في حالة الخصوصية، مما يسمح لـ AI Agent بإدارة المفاتيح الخاصة بشكل مستقل، مما يمكّن AI Agent من تحقيق سرد جديد لإدارة الأصول بشكل مستقل. لكن هناك عيبًا أساسيًا في TEE وهو أن الثقة تعتمد على مزود الأجهزة الطرفية الثالث (مثل: إنتل). ولتفعيل TEE، تحتاج إلى مجموعة من الهياكل المعمارية الموزعة السلسلية لإضافة مجموعة من القيود "التوافقية" الشفافة العلنية إلى بيئات TEE. بالمقارنة، يمكن أن توجد PHE تمامًا بناءً على هيكل معماري موزع غير مركزي دون الاعتماد على طرف ثالث.
تتمتع FHE و TEE بمواقف إيكولوجية مشابهة، على الرغم من أن استخدام TEE في نظام web3 لا يزال غير واسع النطاق، إلا أنه تقنية ناضجة جدًا في مجال web2، مقارنةً بذلك، ستجد FHE أيضًا تدريجيًا قيمة وجود في كل من web2 و web3 في ظل انفجار هذه الجولة من اتجاهات الذكاء الاصطناعي.
فوق.
وعليه، يمكن أن نرى أن تقنية التشفير المتماثل بالكامل (FHE) هذه، التي تُعتبر كأس التشفير المقدس، ستصبح بلا شك واحدة من الركائز الأساسية للأمان في ظل كون الذكاء الاصطناعي هو شرط المستقبل، مما يزيد من احتمالية اعتمادها على نطاق واسع.
بالطبع، على الرغم من ذلك، لا يمكن تجنب مشكلة تكاليف الفواتير عند تنفيذ خوارزمية FHE. إذا كانت قادرة على التطبيق في مشهد web2 AI، ثم الربط بمشهد web3 AI، فمن المؤكد أنها ستطلق "أثر الحجم" بشكل غير متوقع وتقلل التكاليف الإجمالية، مما يسمح بتطبيقها بشكل أكثر شيوعًا.