گزارش پژوهشی جامع Sentient: جذب ⁦$85M⁩ سرمایه برای ساخت پارادایمی نوین از AGI غیرمتمرکز

عنوان مقاله اصلی: «مجموعه گزارش‌های پژوهشی عمیق AI L1: Sentient: ساخت پلتفرمی باز برای هوش مصنوعی با ⁦$85M⁩»

نویسندگان مقاله اصلی: 0xjacobzhao، Biteye

1. معرفی پروژه:

Sentient به ساخت پلتفرمی پروتکلی متن‌باز برای اقتصاد غیرمتمرکز هوش مصنوعی اختصاص دارد. هدف اصلی آن ایجاد ساختار مالکیت برای مدل‌های هوش مصنوعی، فراهم‌کردن سازوکارهای فراخوانی آنچین و ساخت شبکه‌ای ترکیب‌پذیر از عامل‌های هوش مصنوعی با تقسیم درآمد است. Sentient از طریق چارچوب «OML» (باز، درآمدزا و وفادار) و فناوری اثرانگشت‌گذاری مدل، به مسائل بنیادین بازار متمرکز کنونی مدل‌های زبانی بزرگ (LLM) می‌پردازد؛ مسائلی مانند «نامشخص‌بودن مالکیت مدل، غیرقابل‌ردیابی‌بودن فراخوانی و توزیع ناعادلانه ارزش».

بنیاد Sentient هدایت پروژه را بر عهده دارد و بر AGI متن‌باز و ایجاد سازوکارهای انگیزشی پروتکل تمرکز می‌کند. منظور از «هوش مصنوعی وفادار» که این پروژه از آن حمایت می‌کند، زیست‌بومی از مدل‌های هوش مصنوعی باز است که به جامعه خدمت می‌کند، حاکمیت منصفانه را به اجرا می‌گذارد و می‌تواند در بلندمدت به‌صورت خودمختار تکامل یابد.

شکل 1: معماری پروتکل Sentient از دو مؤلفه اصلی تشکیل شده است: سامانه بلاک‌چین و خط لوله هوش مصنوعی

خط لوله هوش مصنوعی زیربنای توسعه و آموزش مصنوعات «هوش مصنوعی وفادار» است و از دو فرایند اصلی تشکیل می‌شود:​

· گزینش داده:​ فرایند انتخاب داده با هدایت جامعه برای هم‌ترازسازی مدل.​

· آموزش وفاداری:​ اطمینان از اینکه مدل مطابق با خواسته‌های جامعه آموزش می‌بیند.

سامانه بلاک‌چین، شفافیت و کنترل غیرمتمرکز را برای پروتکل فراهم می‌کند و مالکیت و حاکمیت مصنوعات هوش مصنوعی را تضمین می‌کند. ماژول‌های کلیدی آن عبارت‌اند از:​

· حاکمیت:​ کنترل و تصمیم‌گیری از سوی یک سازمان خودمختار غیرمتمرکز (DAO) انجام می‌شود.​

· مالکیت:​ مالکیت مصنوعات هوش مصنوعی از طریق توکن‌سازی بازنمایی می‌شود.​

· امور مالی غیرمتمرکز (دیفای):​ ابزارهای مالی برای پشتیبانی از حاکمیت باز، غیرمتمرکز و منصفانه و نیز پاداش‌ها فراهم می‌کند.​

2. معماری فنی و سازوکار اثرانگشت‌گذاری مدل:

1. چارچوب مدل OML

وایت‌پیپر Sentient: Loyal AI چارچوب OML را با عنوان هوش مصنوعی باز، درآمدزا و وفادار پیشنهاد می‌کند. این چارچوب با اثرانگشت‌گذاری مدل آغاز می‌شود و برای نخستین بار مفهوم «رمزنگاری بومی هوش مصنوعی» را به‌صورت نظام‌مند مطرح می‌کند تا سازوکارهای حفاظتی در سطح رمزنگاری برای مالکیت مدل‌های متن‌باز فراهم شوند.

· باز: مدل باید متن‌باز باشد و کد و ساختارهای داده آن شفاف باشند تا جامعه بتواند آن را بازتولید، ممیزی و فورک کند؛

· درآمدزا: هر بار فراخوانی مدل، جریان درآمدی ایجاد می‌کند که از طریق قراردادهای آنچین میان آموزش‌دهندگان، مستقرکنندگان و اعتبارسنج‌ها توزیع می‌شود؛

· وفادار: مدل متعلق به یک شرکت نیست، بلکه به جامعه مشارکت‌کنندگان تعلق دارد و جهت ارتقا و حاکمیت مدل را DAO تعیین می‌کند. مالکیت مدل قابل‌راستی‌آزمایی است، تغییرات آن محدود می‌شود و استفاده از آن تحت کنترل قرار دارد.

OML با استفاده از سازوکارهای آنچین و روش‌های رمزنگاری تضمین می‌کند که مدل‌های متن‌باز در کنار حفظ بازبودن، از حاکمیت اقتصادی و حاکمیتی نیز برخوردار باشند. این چارچوب، لایه‌ای پروتکلی و بومی هوش مصنوعی برای حقوق استفاده و حقوق درآمد ایجاد می‌کند تا شفافیت مدل، روشنی مالکیت، انگیزه‌های اقتصادی و حاکمیت رفتاری را تضمین کند.

مفهوم اصلی: رمزنگاری بومی هوش مصنوعی

رمزنگاری بومی هوش مصنوعی از پیوستگی مدل‌های هوش مصنوعی، ساختار منیفلد کم‌بعد و مشتق‌پذیری مدل بهره می‌گیرد تا سازوکار امنیتی سبکی با ویژگی «قابل‌راستی‌آزمایی اما غیرقابل‌حذف» ایجاد کند. فناوری‌های اصلی آن عبارت‌اند از:

· تعبیه اثرانگشت: هنگام آموزش، مجموعه‌ای از جفت‌های کلید-مقدار پنهانِ پرسش و پاسخ در مدل قرار می‌گیرد تا امضای منحصربه‌فردی برای مدل شکل بگیرد؛

· پروتکل راستی‌آزمایی مالکیت: یک آشکارساز شخص ثالث (اثبات‌کننده) بررسی می‌کند که آیا اثرانگشت در قالب پرسش حفظ شده است یا خیر؛

· سازوکار فراخوانی مجوزدار: پیش از فراخوانی، «اعتبارنامه مجوز» صادرشده از سوی مالک مدل دریافت می‌شود تا به سامانه اجازه رمزگشایی ورودی و بازگرداندن پاسخ درست را بدهد.

این رویکرد می‌تواند بدون هزینه رمزنگاری اضافی، «فراخوانی مجاز بر مبنای رفتار + راستی‌آزمایی مالکیت» را محقق کند.

Sentient در حال حاضر از امنیت ترکیبی Melange استفاده می‌کند که اثرانگشت‌گذاری، اجرای TEE و تقسیم درآمد از طریق قرارداد آنچین را با یکدیگر ترکیب می‌کند. روش اثرانگشت‌گذاری، پیاده‌سازی رایج OML 1.0 است و بر مفهوم «امنیت خوش‌بینانه» تأکید دارد؛ یعنی به‌طور پیش‌فرض فرض می‌شود که همه از قواعد پیروی می‌کنند، اما تخلف‌ها قابل‌شناسایی و مجازات هستند.

معماری پروتکل OML و Sentient

فصل پایانی مقاله، پروتکلی کامل و آنچین (Sentient Protocol) را برای پشتیبانی از OML پیشنهاد می‌کند:

· لایه ذخیره‌سازی: وزن‌های مدل و اطلاعات ثبت اثرانگشت را ذخیره می‌کند؛

· لایه اجرا: قرارداد مجوز، نقاط ورود فراخوانی مدل را کنترل می‌کند؛

· لایه دسترسی: مجوز کاربر را از طریق اثبات مجوز بررسی می‌کند؛

· لایه انگیزشی: قرارداد مسیریابی سود، هزینه هر فراخوانی را میان آموزش‌دهندگان، مستقرکنندگان و اعتبارسنج‌ها توزیع می‌کند.

2. اثرانگشت‌گذاری و سازوکار مالکیت مدل

GitHub: https://github.com/sentient-agi/oml-1.0-fingerprinting

این مخزن نخستین پیاده‌سازی سازوکار اثرانگشت‌گذاری Sentient است و رابطی برای تزریق و راستی‌آزمایی اثرانگشت ارائه می‌کند که می‌توان آن را در فرایند آموزش گنجاند. هدف آن تضمین راستی‌آزمایی‌پذیری مالکیت مدل و قابلیت ردیابی رفتار استفاده و جلوگیری از کپی‌برداری و تجاری‌سازی غیرمجاز است. این پروژه پیاده‌سازی مهندسی مشخصی از چارچوب OML به شمار می‌رود.

اساس سازوکار اثرانگشت‌گذاری این است که با تنظیم دقیق مدل و قراردادن مجموعه‌ای از جفت‌های منحصربه‌فرد «کلید-پاسخ»، مالک مدل بتواند از طریق پرسش‌های مشخص بررسی کند که مدل به او تعلق دارد یا خیر و به این ترتیب، برای مدل «امضایی رمزنگاری‌شده» ایجاد کند.

3. چارچوب محاسباتی Enclave TEE

GitHub: https://github.com/sentient-agi/Sentient-Enclaves-Framework

چارچوب Sentient Enclaves چارچوبی متن‌باز است که با استفاده از محیط‌های اجرای مورد اعتماد (TEE) مانند AWS Nitro Enclaves، استقرار امن استنتاج مدل، تنظیم دقیق و خدمات پروکسی را ممکن می‌کند. این چارچوب بر «وفاداری» مدل تأکید دارد و تضمین می‌کند که مدل فقط به درخواست‌های مجاز پاسخ دهد و از دسترسی و استفاده غیرمجاز جلوگیری شود.

TEE (چارچوب Sentient Enclaves) از نظر عملکرد بالا و یکپارچه‌سازی با فضای ابری قوی است و برای هوش مصنوعی بلادرنگ و پردازش داده‌های حساس مناسب است؛ اما به سخت‌افزار وابسته است و در برابر حملات کانال جانبی آسیب‌پذیری دارد. در مقایسه با دیگر فناوری‌های رمزنگاری، FHE تضمین‌های حریم خصوصی قدرتمند، مستقل از سخت‌افزار و امن در برابر رایانش کوانتومی ارائه می‌دهد، اما سربار عملکردی قابل‌توجهی دارد و جایگزینی مستقیم TEE در وظایف پربازده را دشوار می‌کند. ZK در سناریوهای راستی‌آزمایی‌پذیری و غیرمتمرکز عملکرد بسیار خوبی دارد و می‌تواند مکمل TEE باشد (برنامه‌ریزی شده است که این ماژول در آینده zkML را یکپارچه کند).

4. چارچوب عامل Sentient

GitHub: https://github.com/sentient-agi/Sentient-Agent-Framework

چارچوب عامل Sentient چارچوبی سبک و متن‌باز است که بر استفاده از یک عامل هوش مصنوعی برای کنترل مرورگر و خودکارسازی وظایف وب (مانند جست‌وجو و پخش ویدئو) تمرکز دارد. این چارچوب با ترکیب دستورهای زبان طبیعی، تجربه توسعه‌ای ساده‌ای ارائه می‌کند (و مدعی است که کار با 3 خط کد انجام می‌شود). این معماری از ساخت عامل هوشمندی با چرخه کامل «ادراک-برنامه‌ریزی-اجرا-بازخورد» پشتیبانی می‌کند. در مقایسه با چارچوب‌های سنتی عامل هوش مصنوعی، چارچوب عامل Sentient محدودتر از نظر کارکرد، سبک و ساده است و برای وظایف وب خارج از زنجیره مناسب‌تر خواهد بود.

5. عامل اجتماعی Sentient

GitHub: https://github.com/sentient-agi/Sentient-Social-Agent

هدف عامل اجتماعی Sentient ساخت سامانه‌ای مبتنی بر هوش مصنوعی برای خودکارسازی تعاملات در پلتفرم‌های اجتماعی (Twitter، Discord و Telegram) است. این سامانه می‌تواند با درک زمینه اجتماعی، محتوا تولید کند، با کاربران تعامل داشته باشد و از طریق همکاری چندعاملی در گفت‌وگوهای اجتماعی مشارکت کند. این سامانه را می‌توان با چارچوب عامل Sentient یکپارچه کرد.

6. Open Deep Search (هنوز عرضه نشده است)

در وب‌سایت رسمی Sentient، Open Deep Search به‌عنوان عامل جست‌وجویی معرفی شده است که از ChatGPT و Perplexity Pro فراتر می‌رود. عضو تیم، Sewoong Oh، در نشست Open AGI Summit در رویداد EthDenver 2025 بخشی از نقشه راه را فاش کرد:

Open Deep Search از دو بخش اصلی تشکیل شده است: قابلیت‌های جست‌وجوی Sensient (از جمله بازنویسی پرسش‌ها و رسیدگی به URL و اسناد) و عامل استدلال‌گر. عامل استدلال‌گر از مدل‌های زبانی بزرگ (LLM) متن‌باز مانند Llama 3.1 و DeepSeek استفاده می‌کند و با ابزارهایی مانند جست‌وجو، ماشین‌حساب و خودبازبینی، کیفیت جست‌وجو را بهبود می‌دهد. در بنچمارک Frames، عملکرد Open Deep Search از دیگر مدل‌های متن‌باز بهتر است و حتی می‌تواند با برخی مدل‌های بسته رقابت کند. بااین‌حال، چون این قابلیت هنوز عرضه نشده است، در حال حاضر نمی‌توانیم توانایی‌های واقعی آن را ارزیابی کنیم.

3. شکل محصول، پیاده‌سازی و برنامه‌ریزی

محصولاتی که در حال حاضر در وب‌سایت رسمی Sentient نمایش داده می‌شوند، عمدتاً پلتفرم گفت‌وگوی Sentient Chat و مدل LLM متن‌باز Dobby هستند:

Sentient Chat:

Sentient Chat یک پلتفرم گفت‌وگوی غیرمتمرکز مبتنی بر هوش مصنوعی است که بنیاد Sentient عرضه کرده است. این پلتفرم مدل‌های زبانی بزرگ متن‌باز (مانند مجموعه Dobby) را با چارچوب پیشرفته عامل استدلال‌گر یکپارچه می‌کند. قابلیت‌های اصلی آن عبارت‌اند از:

1. عامل استدلال‌گر باز: عامل استدلال‌گر داخلی Sentient Chat می‌تواند وظایف پیچیده را انجام دهد و از ابزارهایی مانند جست‌وجوی مبتنی بر هستی‌شناسی (ODS)، ماشین‌حساب و اجرای کد پشتیبانی می‌کند.

2. یکپارچه‌سازی چندعاملی: این پلتفرم از یکپارچه‌سازی چندین عامل هوش مصنوعی پشتیبانی می‌کند و به کاربران اجازه می‌دهد در صورت نیاز با عامل‌های مختلف تعامل کنند. این محصول را می‌توان نسخه‌ای از POE در Web3 یا جایگزینی باز برای Perplexity دانست که عامل‌ها آن را هدایت می‌کنند.

Sentient Chat در حال حاضر در مرحله آزمایش است و فقط از طریق کدهای دعوتی که با ایمیل یا در فعالیت‌های جامعه توزیع می‌شوند قابل‌دسترسی است. بر اساس اطلاعات عمومی رسمی، بیشتر از ⁦5,000⁩ کاربر با موفقیت به Sentient Chat دسترسی پیدا کرده‌اند و بیشتر از ⁦100,000⁩ پرس‌وجوی کاربر پردازش شده است. ازآنجاکه نویسنده در حال حاضر آزمایش‌گر تأییدشده نیست، فعلاً نمی‌توان قابلیت‌های واقعی مدل‌های آن را ارزیابی کرد.

مجموعه مدل‌های Dobby LLM:

1. مجموعه Dobby-Unhinged

· Dobby-Unhinged-Llama-⁦3.3B⁩-⁦70B⁩: بر پایه تنظیم دقیق Llama ⁦3.3B⁩-⁦70B⁩-Instruct ساخته شده است و بر آزادی فردی و موضع‌گیری درباره ارز دیجیتال تأکید دارد. سبک گفت‌وگوی آن صریح، طنزآمیز و صمیمی است.

· Dobby-Mini-Unhinged-Llama-⁦3.1B⁩-⁦8B⁩: نسخه‌ای با ⁦8B⁩ پارامتر است که برای دستگاه‌های دارای منابع محدود مناسب است.

2. Dobby-Mini-Leashed-Llama-⁦3.1B⁩-⁦8B⁩: لحنی ملایم‌تر دارد و برای کاربردهایی مناسب است که به خروجی‌های باثبات‌تری نیاز دارند.

ازآنجاکه مدل Dobby LLM نسخه‌ای تنظیم‌دقیق‌شده بر پایه Llama 3.1 و 3.3 است، معتقدیم کاربردهای اصلی آن شامل ساخت چت‌بات، تولید و خلق محتوا و عامل‌های نقش‌آفرین و موارد دیگر می‌شود. از مزیت‌های آن می‌توان به تولید سبک منعطف، استدلال تقویت‌شده و نیاز کم به منابع اشاره کرد که آن را برای استقرار سریع و سفارشی‌سازی انعطاف‌پذیر در محیط‌های دارای منابع محدود مناسب می‌کند. در مقایسه با مدل‌های بسته قدرتمندتری مانند GPT-4، Dobby LLM در انجام وظایف مرتبط با منطق پیشرفته، استدلال دانش میان‌رشته‌ای و استدلال عمیق همچنان فاصله دارد.

IV. همکاری‌های زیست‌بومی و سناریوهای کاربردی در دنیای واقعی

برنامه Sentient Builder در حال حاضر ⁦$1M⁩ سرمایه برای حمایت از توسعه‌دهندگانی اختصاص می‌دهد که می‌خواهند عاملی مبتنی بر هوش مصنوعی بسازند تا در زیست‌بوم Sentient Chat اجرا شود. توسعه‌دهندگان باید از کیت توسعه Sentient استفاده کنند و آن را با Agent API این پروژه یکپارچه سازند.

هم‌زمان، شرکای زیست‌بومی معرفی‌شده در وب‌سایت رسمی Sentient شامل پروژه‌هایی در حوزه‌های گوناگون هوش مصنوعی در صنعت ارز دیجیتال هستند:

شکل 2: شرکای زیست‌بوم هوش مصنوعی Sentient

Sentient به‌عنوان پروژه‌ای پیشرو در حوزه هوش مصنوعی ارز دیجیتال، توانایی یکپارچه‌سازی منابع خود را می‌تواند به هر استارتاپ مطرحی در این صنعت گسترش دهد. بااین‌حال، باید توجه داشت که رواج همکاری‌های «بازاریابی‌محور» در فضای ارز دیجیتال، تصویری کاذب از رونق صنعت ایجاد کرده است. میزان مشارکت و وفاداری شرکای زیست‌بومی Sentient همچنان به بررسی مستمر نیاز دارد.

Open AGI Summit کنفرانسی بین‌المللی است که تیم Sentient با هدف بررسی پیوند هوش مصنوعی (AI) و فناوری رمزنگاری (Crypto) آغاز کرده است. این فرصت را داشتم که در نشست‌های آن در جریان ETH Denver در سال 2024 و ETHcc در سال 2025 شرکت کنم. توانایی تیم Sentient در گردهم‌آوردن سرمایه‌گذاران نهادی طراز اول و کارآفرینان پروژه‌های این صنعت، یکی از نقاط برجسته آن است.

V. ساختار تیم و پیشینه پژوهشی

بنیاد Sentient گروهی از متخصصان دانشگاهی برجسته، کارآفرینان صنعت ارز دیجیتال و مهندسانی از سراسر جهان را گرد هم آورده است و به ساخت پلتفرمی برای AGI متعهد است که جامعه آن را هدایت می‌کند، متن‌باز و قابل‌راستی‌آزمایی است. بر اساس اطلاعات رسمی منتشرشده، اعضای تیم عمدتاً عبارت‌اند از:

تیم رهبری اصلی (کمیته راهبری)

· Pramod Viswanath – استاد کرسی Forrest G. Hamrick در دانشگاه Princeton که سال‌ها در زمینه نظریه اطلاعات و سامانه‌های ارتباطی پژوهش کرده و توسعه امنیت هوش مصنوعی و بنیان‌های نظری Sentient را هدایت می‌کند.

· Himanshu Tyagi – استاد مؤسسه علوم هند و متخصص حفاظت از حریم خصوصی و الگوریتم‌های یادگیری غیرمتمرکز که پشتیبانی دانشگاهی را برای آموزش مدل و همکاری در زمینه حریم خصوصی فراهم می‌کند.

· Sandeep Nailwal – هم‌بنیان‌گذار Polygon که مسئول راهبرد بلاک‌چین و توسعه زیست‌بوم جهانی است و نقشی کلیدی در پیوند جامعه ارز دیجیتال با معماری هوش مصنوعی دارد.

· تیم Sensys – استودیوی محصول بومی Web3 که بهینه‌سازی تجربه کاربری و توسعه زیرساخت توسعه‌دهندگان را هدایت می‌کند و به گسترش استفاده از محصول Sentient کمک می‌کند.

تیم اصلی مهندسی و توسعه: این تیم از اعضایی با سابقه فعالیت در شرکت‌های مشهور فناوری و بلاک‌چین مانند Meta، Coinbase، Circle، Polygon و Binance و همچنین پژوهشگرانی از دانشگاه‌های برتری مانند Princeton، University of Washington و مؤسسه‌های فناوری هند تشکیل شده است. تیم پژوهش هوش مصنوعی و آموزش مدل: حوزه‌های پژوهشی این تیم هوش مصنوعی/یادگیری ماشین، پردازش زبان طبیعی، بینایی رایانه‌ای و یادگیری تقویتی را دربرمی‌گیرد و اعضای آن در مؤسساتی مانند Google Research، Daimon Labs و Fetch.ai تجربه عملی دارند.

شایان توجه است که Sentient با سابقه موفقیت‌آمیز Sandeep Nailwal، هم‌بنیان‌گذار Polygon، شکل گرفت. Matic به‌عنوان یکی از راهکارهای مقیاس‌پذیری کلیدی در زیست‌بوم اتریوم، در ابتدا به Plasma متکی بود؛ فناوری‌ای که پیشرفته‌ترین گزینه نبود، اما به‌اندازه کافی «ارزان و سریع» بود تا به ساخت مزیت رقابتی Polygon در حوزه‌هایی مانند NFTها و شبکه‌های اجتماعی کمک کند. این پروژه همچنین با خریدهایی مانند Mir Protocol و Hermez Network و عرضه Polygon zkEVM، فناوری ZK را در راهکارهای مقیاس‌پذیری بلاک‌چین خود ادغام کرد. Sentient، به‌عنوان دومین فعالیت کارآفرینانه Sandeep Nailwal، از تجربه، سرمایه، شبکه ارتباطی و شناخت بازار او بهره می‌برد و همین عوامل به پروژه امکان داد در سال 2024 بر مبنای مفهومی نه‌چندان کامل، سرمایه قابل‌توجهی جذب کند. بااین‌حال، حوزه هوش مصنوعی ذاتاً با ارز دیجیتال تفاوت دارد و Sentient همچنان با چالش‌هایی مانند سازگاری با تغییرات محیط جدید بازار، افزایش رقابت، پیشرفت فناوری و موارد دیگر روبه‌رو است.

Six. وضعیت تأمین مالی و مدل توکن

در سال 2024، Sentient دور سید ⁦$85M⁩ را با رهبری Founders Fund، Pantera و Framework Ventures جذب کرد. توکن هنوز عرضه نشده است. امتیازهای انگیزشی فعلی عامل‌ها ممکن است در آینده به توکن تبدیل شوند. از توکن می‌توان برای رأی‌گیری درباره پیشنهادهای مربوط به مدیریت نسخه مدل، استیکینگ با هدف اعتبارسنجی اصالت خروجی‌های عامل، اعلام موضع در حاکمیت و موارد دیگر استفاده کرد.

شکل 3: وضعیت تأمین مالی Sentient

Sentient پروژه‌ای برخوردار از پشتوانه‌ای چشمگیر است که از ابتدا با امتیازهای ویژه وارد میدان شده؛ پیشینه سرمایه‌گذاران، حجم سرمایه جذب‌شده و ارزش‌گذاری آن، معیارهای بالایی را برای بیشتر پروژه‌های هوش مصنوعی در بازار ارز دیجیتال تعیین می‌کند. از یک سو، پشتوانه قدرتمند منابع به آن امکان می‌دهد منابع صنایع مختلف را آسان‌تر یکپارچه کند، سرمایه جذب‌شده بالا جذب استعدادهای برتر را تسهیل می‌کند و پایه سرمایه‌ای مستحکم می‌تواند توسعه پروژه را در چرخه‌های صنعت پشتیبانی کند. اما از سوی دیگر، صنعت ارز دیجیتال در حال حاضر عموماً پروژه‌های با ارزش‌گذاری بالا و مورد حمایت سرمایه‌گذاران خطرپذیر را از هاله ابهام خارج می‌کند. افزون بر این، پروژه‌های مورد حمایت VC معمولاً از طریق عملیات سرمایه‌ای، افزایش قیمت را در اولویت قرار می‌دهند و فاصله زیادی با بنیادهای اقتصادی دارند. اگر Sentient نتواند محصولات اثرگذار هوش مصنوعی در حوزه ارز دیجیتال ارائه کند و در عوض تصمیم بگیرد توکن را با ارزش‌گذاری بالا عرضه کند، در نهایت به جامعه ارز دیجیتال آسیب خواهد زد؛ جامعه‌ای که به‌شدت به بازسازی اعتماد نیاز دارد. اینکه تیم چگونه به دشواری‌های کنونی صنعت پاسخ می‌دهد، همچنان شایسته پیگیری مداوم است.

Seven. تحلیل رقبا و جایگاه‌یابی در بازار

بیشتر پروژه‌های هوش مصنوعی در بازار ارز دیجیتال بر حوزه‌ای واحد مانند داده، مدل، محاسبات، آموزش یا استنتاج تمرکز دارند یا کاربردهایی در سطح مصرف‌کننده، مانند عامل‌های هوش مصنوعی، توسعه می‌دهند. پروژه‌هایی که خود را زنجیره هوش مصنوعی معرفی می‌کنند، یا بر تحول زنجیره‌های عمومی با هوش مصنوعی (مانند Near و ICP) تمرکز دارند، یا پروتکل‌هایی برای هماهنگی اشتراک‌گذاری منابع غیرمتمرکز و ایجاد انگیزه توکنی مانند Bittensor هستند؛ جایگاهی که کاملاً با Sentient مطابقت ندارد. در حوزه آموزش مدل، Sentient بیشتر به پلتفرمی یکپارچه‌ساز شباهت دارد و با مدل‌های هوش مصنوعی متن‌باز موجود در بازار همکاری می‌کند. در حوزه عامل‌ها، Sentient از نظر سامانه‌های چندعاملی و توانایی استدلال با پروژه‌هایی مانند Talus، Olas و Theoriq رقابت می‌کند؛ بااین‌حال، اهداف اصلی و سناریوهای کاربردی هر پروژه متفاوت است و میان آن‌ها هم‌افزایی وجود دارد.

Eight. جمع‌بندی

Sentient به‌عنوان پلتفرمی پروتکلی برای هوش عمومی مصنوعی (AGI) غیرمتمرکز، قصد دارد ساختار مالکیتی شفافی برای مدل‌های هوش مصنوعی فراهم کند و سازوکارهای آنچین فراخوانی و توزیع ارزش را ممکن سازد تا ابهام و بی‌عدالتی کنونی در مالکیت مدل‌ها در بازار متمرکز مدل‌های زبانی بزرگ (LLM) را برطرف کند. چارچوب اصلی آن، OML (باز، درآمدزا و وفادار)، با استفاده از اثرانگشت‌گذاری مدل و فناوری بلاک‌چین، مالکیت، شفافیت و تقسیم منصفانه درآمد را برای مدل‌های متن‌باز تضمین می‌کند. با حمایت سرمایه‌گذاران خطرپذیر برتر و شرکای زیست‌بوم هوش مصنوعی و پشتوانه Sandeep Nailwal، هم‌بنیان‌گذار Polygon، Sentient با وجود عدم‌قطعیت‌ها، مناقشه‌ها و رقابت، همچنان در پی آن است که به یکی از پروتکل‌های استاندارد مالکیت هوش مصنوعی غیرمتمرکز تبدیل شود و توسعه غیرمتمرکز AGI را پیش ببرد.

این مقاله از سوی نویسنده‌ای مهمان تهیه شده است و بازتاب‌دهنده دیدگاه‌های BlockBeats نیست.