الذكاء الاصطناعي الموثوق: كيف تضمن إثباتات عدم المعرفة نزاهة النماذج الذكية

في المشهد الافتتاحي الشهير لفيلم Blade Runner، يقوم شخصية تُدعى هولدن بإجراء اختبار خيالي يُشبه اختبار تورينج لتحديد ما إذا كان ليون مستنسخًا (روبوتًا بشري الشكل). خلال الاختبار، يسرد هولدن على ليون قصة تهدف إلى استثارة رد فعل عاطفي. يقول هولدن: “أنت في صحراء، تمشي على الرمال، وفجأة تنظر للأسفل… تنظر للأسفل وترى سلحفاة، ليون. إنها تزحف نحوك…” ومع استمرار هولدن في سرد القصة الافتراضية، يبدأ ليون في الانزعاج أكثر فأكثر حتى يصبح واضحًا أنه ليس إنسانًا.

لسنا بعد في عالم Blade Runner في الواقع، لكن مع تزايد اندماج الذكاء الاصطناعي وتعلم الآلة في حياتنا، نحتاج إلى ضمانات بأن نماذج الذكاء الاصطناعي التي نستخدمها تعمل كما يُفترض بها. هنا تأتي أهمية إثباتات عدم المعرفة (Zero-Knowledge Proofs). في جوهرها، تُمكّن هذه الإثباتات طرفًا من إثبات تنفيذ عملية حسابية صحيحة لطرف آخر دون الكشف عن البيانات الفعلية أو الحاجة إلى إعادة الحساب من قبل المُحقق (وهي خاصية تُعرف بالاختصار أو succinctness). فكر في الأمر مثل لغز السودوكو: قد يكون حله صعبًا، لكن التحقق من صحته أسهل بكثير.

تُصبح هذه الخاصية ذات قيمة خاصة عندما تُجرى العمليات الحسابية خارج السلسلة (off-chain) لتجنب إرهاق الشبكة وتحمل رسوم مرتفعة. باستخدام إثباتات عدم المعرفة، يمكن التحقق من هذه العمليات الخارجية دون إثقال كاهل سلاسل الكتل (blockchains)، التي تفرض قيودًا صارمة على العمليات الحسابية نظرًا لأن جميع العُقد يجب أن تتحقق من كل كتلة. باختصار، نحن بحاجة إلى التشفير القائم على عدم المعرفة لتوسيع نطاق تعلم الآلة في الذكاء الاصطناعي بشكل آمن وفعال.

إثباتات عدم المعرفة للتحقق من نماذج التعلم الآلي وتمكين توسيع نطاق الذكاء الاصطناعي بأمان

يُعرف التعلم الآلي، وهو فرع من الذكاء الاصطناعي، بمتطلباته الحسابية الضخمة، حيث يحتاج إلى معالجة كميات هائلة من البيانات لمحاكاة التكيف البشري واتخاذ القرارات. بدءًا من التعرف على الصور وصولًا إلى التحليلات التنبؤية، تستعد نماذج التعلم الآلي لإحداث ثورة في جميع الصناعات تقريبًا – إذا لم تكن قد فعلت ذلك بالفعل – لكنها في الوقت نفسه تدفع حدود القدرة الحاسوبية إلى أقصاها. إذن، كيف يمكننا التحقق من أصالة نماذج التعلم الآلي باستخدام سلاسل الكتل، حيث يمكن أن تكون العمليات على السلسلة (onchain) مكلفة للغاية؟

نحتاج إلى طريقة قابلة للإثبات تُمكّننا من الوثوق بنماذج الذكاء الاصطناعي، مما يضمن أنها لم يتم التلاعب بها أو الترويج لها بشكل مضلل. عندما تستفسر من ChatGPT عن أفلام الخيال العلمي المفضلة لديك، فمن المحتمل أنك تثق في النموذج المستخدم، وليس بالأمر الجلل إن انخفضت جودة الإجابات بين الحين والآخر. لكن في مجالات مثل التمويل والرعاية الصحية، تكون الدقة والموثوقية أمرين بالغَي الأهمية، حيث يمكن أن تؤدي أي أخطاء إلى تأثيرات اقتصادية سلبية واسعة النطاق.

هنا يأتي دور إثباتات عدم المعرفة (ZK). من خلال الاستفادة من هذه الإثباتات، يمكن تنفيذ العمليات الحسابية لنماذج التعلم الآلي خارج السلسلة (off-chain) مع الاحتفاظ بإمكانية التحقق منها على السلسلة. يفتح هذا المجال آفاقًا جديدة لنشر نماذج الذكاء الاصطناعي ضمن تطبيقات البلوك تشين. يسمح التعلم الآلي القائم على عدم المعرفة (ZKML) بالتحقق التشفيري من خوارزميات التعلم الآلي ومخرجاتها، مع إبقاء تفاصيل الخوارزميات نفسها سرية، مما يسد الفجوة بين المتطلبات الحاسوبية للذكاء الاصطناعي وضمانات الأمان التي توفرها سلاسل الكتل.

أحد أكثر تطبيقات ZKML إثارة هو التمويل اللامركزي (DeFi). تخيّل تجمع سيولة (liquidity pool) يديره خوارزمية ذكاء اصطناعي تعيد موازنة الأصول لتعظيم العوائد، مع تحسين استراتيجياتها التجارية باستمرار. يمكن لـ ZKML تنفيذ هذه العمليات الحسابية خارج السلسلة، ثم استخدام إثباتات عدم المعرفة لضمان أن النموذج المستخدم هو النموذج الصحيح، وليس خوارزمية أخرى أو قرارات تداول بشرية. في الوقت ذاته، تتيح تقنيات ZK حماية بيانات المستخدمين المالية، بحيث يحافظون على خصوصيتهم المالية، حتى لو كانت نماذج التعلم الآلي التي يعتمدون عليها علنية. والنتيجة؟ بروتوكولات DeFi آمنة قائمة على الذكاء الاصطناعي مع ضمانات تحقق بواسطة إثباتات عدم المعرفة.

“قد يهمك: بعض تطبيقات الذكاء الاصطناعي“

الذكاء الاصطناعي الموثوق: نحن بحاجة إلى فهم آلاتنا بشكل أفضل

مع تزايد دور الذكاء الاصطناعي في النشاط البشري، تتصاعد المخاوف بشأن التلاعب، والهجمات العدائية، والتدخلات التي قد تُفسد مخرجات النماذج الذكية. يجب أن تكون نماذج الذكاء الاصطناعي، لا سيما تلك التي تتعامل مع قرارات حساسة، مقاومة للهجمات التي تهدد نزاهتها. بالطبع، نريد أن تكون تطبيقات الذكاء الاصطناعي آمنة، لكن الأمر لا يقتصر فقط على الأمان بالمعنى التقليدي (أي ضمان عدم تصرف النماذج بشكل غير متوقع)، بل يتعلق أيضًا بإنشاء بيئة موثوقة لا تتطلب الثقة العمياء، حيث يكون التحقق من النموذج أمرًا بديهيًا وسهلًا.

في عالم تتكاثر فيه النماذج الذكية بسرعة، نجد أنفسنا نعيش حياتنا وفقًا لتوصيات واتخاذات قرارات مدفوعة بالذكاء الاصطناعي. ومع ازدياد عدد هذه النماذج، يزداد خطر الهجمات التي يمكن أن تقوض مصداقيتها. هذا الأمر مقلق بشكل خاص عندما تكون مخرجات النموذج قد لا تكون كما تبدو عليه، مما قد يؤدي إلى قرارات خاطئة أو حتى خطيرة.

من خلال دمج التشفير القائم على عدم المعرفة (ZK cryptography) في الذكاء الاصطناعي، يمكننا البدء في بناء الثقة والمساءلة في هذه النماذج منذ الآن. وكما أن شهادات SSL أو شارات الأمان في متصفحات الويب تضمن لك اتصالًا آمنًا، فمن المحتمل أن يظهر في المستقبل رمز للتحقق من الذكاء الاصطناعي—رمز يضمن أن النموذج الذي تتفاعل معه هو النموذج الأصلي وليس نسخة مقلدة أو متلاعبًا بها.

في فيلم Blade Runner، كان اختبار Voight-Kampff مصممًا للتمييز بين المستنسخين والبشر. واليوم، مع دخولنا عصرًا يعتمد بشكل متزايد على الذكاء الاصطناعي، نواجه تحديًا مشابهًا: التمييز بين النماذج الذكية الأصلية وتلك التي قد تكون مخترقة أو غير موثوقة. في عالم العملات المشفرة، يمكن أن يكون التشفير القائم على عدم المعرفة بمثابة اختبار Voight-Kampff الخاص بنا—طريقة قوية وقابلة للتوسع للتحقق من سلامة نماذج الذكاء الاصطناعي دون المساس بآلياتها الداخلية. وبهذه الطريقة، نحن لا نكتفي بالسؤال عما إذا كانت الروبوتات تحلم بالأغنام الإلكترونية، بل نضمن أيضًا أن الذكاء الاصطناعي الذي يقود حياتنا الرقمية هو بالضبط ما يدّعي أنه عليه.