تقديم Axonum: الدماغ من إيثريوم

تضم Axonum الذكاء الاصطناعي في سلسلة الكتل لبناء حاسوب فائق السرعة متمركز يعمل بالذكاء التعاوني العالمي.

عصر الذكاء الصناعي EVM

نحن نقوم ببناء Axonum، لفائف تفاؤلية للذكاء الاصطناعي، مع أول EVM بالعالم للذكاء الاصطناعي.

نحن نهدف إلى تمكين الوصول إلى تطبيقات الذكاء الاصطناعي المشغلة بواجهة برمجية للتطبيقات (DApps)، مما يجعل استنتاجات نماذج الذكاء الاصطناعي سهلة الوصول وسهلة الاستخدام.

أكسونوم هو تجميع متفائل مع الذكاء الصناعي المكرس الذي يعمل بواسطة opML و AI EVM. يتيح للمستخدمين استخدام نماذج الذكاء الاصطناعي بسهولة داخل العقود الذكية بشكل أصلي دون أن يعيقهم تعقيدات التقنيات الأساسية.

نظرة عامة

الذكاء الاصطناعي EVM: الذكاء الاصطناعي الموثق

لتمكين استدلال ML الأصلي في العقد الذكي، نحتاج إلى تعديل طبقة التنفيذ لسلسلة الطبقة 2. على وجه التحديد، نضيف استدلال عقد مُعدّ مُسبقًا في EVM لبناء EVM الذكاء الاصطناعي.

سيقوم AI EVM بإجراء استنتاج ML في التنفيذ الأصلي ثم إعادة نتائج التنفيذ الحتمي. عندما يرغب المستخدم في استخدام نموذج AI لمعالجة البيانات، كل ما يحتاجه المستخدم هو استدعاء الاستدلال على العقد المُعدّ مسبقًا باستخدام عنوان النموذج وإدخال النموذج، ثم يمكن للمستخدم الحصول على الناتج من النموذج واستخدامه بشكل أصلي في العقد الذكي.

import "./AILib.sol";contract AIContract {...function inference(bytes32 model_address, bytes memory input_data, uint256 output_size) public {    bytes memory output = AILib.inference(model_address, input_data, output_size);    emit Inference(model_address, input_data, output_size, output);}}

يتم تخزين النماذج في طبقة البيانات النموذجية المتاحة (DA). يمكن استرداد جميع النماذج من DA باستخدام عنوان النموذج. نفترض توافر البيانات لجميع النماذج.

مبدأ تصميم النواة لاستنتاج العقد المفرض يتبع مبادئ تصميم opML، وهو أننا نفصل التنفيذ عن الإثبات. نوفر نوعين من تنفيذ استنتاج العقد المفرض. النوع الأول مترجم للتنفيذ الأصلي، والذي يتم تحسينه للسرعة العالية. النوع الآخر مترجم لآلة الحماية من الغش، والتي تساعد في إثبات صحة نتائج opML.

لتنفيذ التنفيذ، نعيد استخدام محرك ML في opML. سنقوم أولاً بجلب النموذج باستخدام عنوان النموذج من مركز النماذج ثم نحمل النموذج إلى محرك ML. سيأخذ محرك ML إدخال المستخدم في العقد المُعد مسبقًا كإدخال النموذج ثم ينفذ مهمة استنتاج ML. يضمن محرك ML الاتساق والحتمية لنتائج استنتاج ML باستخدام التكامل والتعويض الناعم.

بالإضافة إلى تصميم EVM الحالي للذكاء الاصطناعي، الطريقة البديلة لتمكين الذكاء الاصطناعي في EVM هي إضافة المزيد من أوامر التشغيل الخاصة بتعلم الآلة إلى EVM، مع التغييرات المقابلة في موارد الجهاز الظاهري ونموذج التسعير بالإضافة إلى التنفيذ.

تفاؤلي رول اب

تعتمد كل من الـ opML (Optimistic Machine Learning) والـ optimistic rollup (opRollup) على نظام مماثل للحماية من الاحتيال، مما يجعل من الممكن دمج الـ opML في سلسلة الطبقة الثانية (L2) بجانب نظام الـ opRollup. يتيح هذا التكامل استخدام التعلم الآلي بسهولة داخل العقود الذكية على سلسلة L2.

مثل الأنظمة الحالية للإرتداد، يتحمل Axonum مسؤولية "الإرتداد" للمعاملات عن طريق تجميعها قبل نشرها إلى سلسلة L1، عادةً من خلال شبكة من المتسلسلين. يمكن أن يشمل هذا الآلية آلاف المعاملات في إرتداد واحد، مما يزيد من طاقة المعالجة للنظام بأكمله من L1 و L2.

أكسونوم، كواحدة من الإرتدادات التفاؤلية، هي طريقة تكبير تفاعلية لسلاسل الكتل L1. نفترض بتفاؤل أن كل عملية تم اقتراحها صالحة افتراضيًا. بالاختلاف عن نظام الإرتداد التفاؤلي L2 التقليدي، يمكن أن تتضمن العملية في Axonum استنتاجات نموذج الذكاء الاصطناعي، والتي يمكن أن تجعل العقود الذكية على Axonum "أكثر ذكاءً" بالذكاء الاصطناعي.

في حالة التخفيف من المعاملات غير الصالحة بشكل محتمل، مثل الإيجابيات المتداولة، تقدم Axonum فترة تحدي خلالها يمكن للمشاركين تحدي الإيجابيات المشكوك فيها. يوجد نظام إثبات الاحتيال للسماح بتقديم عدة دلائل على الاحتيال. يمكن أن تجعل تلك الدلائل الإيجابيات صالحة أو غير صالحة. خلال فترة التحدي، يمكن أن تكون التغييرات في الحالة موضوع نزاع، يتم حلها، أو يتم تضمينها إذا لم يتم تقديم تحدي (وكانت الدلائل المطلوبة في مكانها).

سير العمل

workflow2443×1437 183 KB

هنا سير العمل الأساسي لـ Axonum، دون النظر إلى الآليات مثل ما قبل التأكيد أو الخروج القسري:

1. يبدأ سير العمل الأساسي بإرسال المستخدمين للمعاملات L2 (نسمح بالاستدلال الذكي الأصلي في العقد الذكي) إلى عقد الدفع، وعادةً ما يكون جهاز الإرسال.
2. بمجرد أن يتلقى المُسلسل عددًا معينًا من المعاملات، سيقوم بنشرها في عقد ذكي L1 كدفعة واحدة.
3. سيقوم العقدة المحققة بقراءة هذه المعاملات من العقد الذكي L1 وتنفيذها على نسختها المحلية من حالة L2. أما بالنسبة لتنفيذ استنتاج الذكاء الاصطناعي، فإن العقدة المحققة تحتاج إلى تنزيل النموذج من نموذج DA وإجراء استنتاج الذكاء الاصطناعي داخل محرك opML.
4. بمجرد معالجتها، يتم إنشاء حالة L2 جديدة محليًا وسيقوم المحقق بنشر جذر الحالة الجديدة هذا في عقد ذكي L1. (يرجى ملاحظة أن المحقق يمكن أن يكون أيضًا المتسلسل.)
5. ثمَّ سيقوم سائر المدققين بمعالجة نفس المعاملات على نسخهم المحلية من حالة L2.
6. سيقومون بمقارنة جذر حالتهم L2 الناتج مع تلك المنشورة الأصلية إلى عقد ذكي L1.
7. إذا حصل أحد المدققين على جذر حالة مختلف عن تلك التي تم نشرها إلى L1، يمكنهم بدء تحدي على L1.
8. سيتطلب التحدي من المتحدي والمحقق الذي نشر جذر الحالة الأصلي أن يتناوبا في إثبات ما يجب أن يكون جذر الحالة الصحيح. يُعرف هذا العملية التحدي أيضًا باسم دليل الاحتيال. يتضمن دليل الاحتيال في Axonum دليل الاحتيال لانتقال الحالة L2 ودليل الاحتيال لـ opML.
9. أي مستخدم يخسر التحدي، يحصل على خفض إيداعه الأصلي (رهان). إذا كانت الجذر الأصلي للحالة L2 المنشورة غير صالحة، فسيتم تدميرها من قبل محققي المستقبل ولن تُدرج في سلسلة L2.

تصميم دليل الاحتيال

مبدأ التصميم الأساسي لنظام إثبات الاحتيال في Axonum هو أننا نفصل عملية إثبات الاحتيال في Geth (تنفيذ جانغو من عميل Ethereum على الطبقة 2) و opML. يضمن هذا التصميم آلية قوية وفعالة لإثبات الاحتيال. إليك تفصيل لنظام إثبات الاحتيال وتصميم الفصل الخاص بنا:

1. نظام إثبات الاحتيال: نظرة عامة
   • يعتبر نظام البرهان على الاحتيال مكونًا حاسمًا يضمن أمان ونزاهة المعاملات على Axonum optimistic rollup Layer 2.
   • يتضمن التحقق من المعاملات والعمليات الحسابية لضمان اكتشاف أي سلوك خبيث أو عدم دقة ومعالجته.
2. فصل عمليات إثبات الاحتيال:
   • عملية إثبات الاحتيال في Geth:
     • Geth، المسؤول عن عميل Ethereum على الطبقة 2، يتعامل مع المراحل الأولية لدليل الاحتيال المتعلق بالتحقق من الصفقات والامتثال الأساسي للبروتوكول.
     • يتحقق من صحة المعاملات ويضمن أنها تتوافق مع القواعد والبروتوكول لنظام الطبقة 2.
   • عملية إثبات الاحتيال في opML:
     • نظام opML، الذي يعتمد على التفاؤل في التعلم الآلي والمدمج مع Axonum، يتولى الجوانب الأكثر تعقيداً فيما يتعلق بإثبات الاحتيال المتعلق بتنفيذ نموذج التعلم الآلي.
     • إنه يتحقق من صحة حسابات التعلم الآلي ويضمن سلامة عمليات الذكاء الاصطناعي ضمن إطار الطبقة 2.
3. فوائد تصميم الفصل:
   • الكفاءة المحسنة:
     • من خلال توزيع مسؤوليات دليل الاحتيال، نقوم بتحسين كفاءة النظام العام. يركز Geth على الجوانب التحويلية، في حين يتولى opML معالجة أدلة الاحتيال الخاصة بالتعلم الآلي.
   • قابلية التوسع:
     • يسمح التصميم الفصلي بالتوسع ، مما يتيح لكل مكون التوسع بشكل مستقل استنادًا إلى متطلبات معالجته الخاصة.
   • المرونة:
     • توفر هذه الفصل مرونة للترقيات والتحسينات في مكونات Geth أو opML دون المساس بنظام الإثبات الكامل بأكمله.

Axonum: الدماغ من إيثريوم

أكسونوم هو أول تجميع تفاؤلي للذكاء الصناعي الذي يتيح الذكاء الاصطناعي على إيثيريوم بشكل أصلي وبشكل موثوق وقابل للتحقق.

يستفيد Axonum من ML المتفائل والتجميع المتفائل ويقدم ابتكارات من AI EVM لإضافة ذكاء إلى Ethereum كطبقة 2.

نحن نُجَلِّب الذكاء الاصطناعي إلى التكنولوجيا السلسلة لبناء كمبيوتر فائق القدرات لامركزي يعمل بقوة الذكاء الجماعي العالمي.

إخلاء المسؤولية:

1. يتم إعادة طبع هذا المقال من [ethresear], جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [Axonum]. إذا كانت هناك اعتراضات على هذه الإعادة، يرجى الاتصال بالبوابة تعلمالفريق، وسيتولون بالأمر على الفور.
2. إخلاء المسؤولية عن المسؤوليات: الآراء والآراء التي تم التعبير عنها في هذه المقالة هي فقط تلك التي تعود إلى الكاتب ولا تشكل أي نصيحة استثمارية.
3. يتم إجراء ترجمة المقالة إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر غير ذلك، فإن نسخ أو توزيع أو نسخ المقالات المترجمة ممنوع.