توكن فينيس يكشف ما تُخفيه ChatGPT عن محتوى مطالباتك

في كل مرة تكتب فيها مطالبة (Prompt) في منصة ذكاء اصطناعي مركزية، ينتقل هذا النص إلى خادم بعيد، يُعالجه النظام، ثم يُسجَّل في سجلاته.

الشركة التي تُشغّل ذلك الخادم تستطيع قراءة ما كتبت، وتخزينه، وتدريب نماذج مستقبلية عليه، وتسليمه للجهات التنظيمية إذا طُلب منها ذلك قانونياً.

أغلب المستخدمين يقبلون بهذه المقايضة من دون تفكير عميق.

لكن مجموعة متنامية من مشاريع البلوكشين – تتقدمها حالياً Venice – تبني نموذجاً مختلفاً تماماً: بنية تحتية لا يمكن فيها لمشغّل الشبكة أو لأي طرف آخر الاطلاع على ما تسأل عنه.

لفهم كيفية عمل هذا النهج عملياً، لا بد من تفكيك مشكلتين منفصلتين: أولاً، أين تذهب بياناتك عند استعلامك نموذج ذكاء اصطناعي؛ وثانياً، ما هي الأدوات التشفيرية القادرة على منع تسرب تلك البيانات.

الإجابات هنا أكثر واقعية وملموسة مما قد تتوقع.

الخلاصة السريعة (TL;DR)

مزوّدو الذكاء الاصطناعي المركزي مثل OpenAI يحتفظون افتراضياً بسجل مطالبات المستخدمين، ما يمنح الشركة رؤية كاملة لاستعلاماتك.

الاستدلال الخاص على السلسلة يمرّر الطلبات عبر شبكة عقد لامركزية، ويستخدم عتاد الحوسبة السرية لمعالجة البيانات من دون كشفها حتى لمشغّل العقدة.

توكن Venice (‏VVV) هو التطبيق الأبرز حالياً لهذا النموذج، إذ يقدّم الاستدلال على شبكة Base بتصميم يضع الخصوصية أولاً على مستوى طبقة التطبيق.

أبرز التنازلات اليوم تتعلق بالسرعة والكلفة وحجم النموذج، فالاستدلال الخاص أبطأ وأعلى كلفة من نداءات الـ API التقليدية.

هذه البنية تكتسب أهميتها القصوى في الاستعلامات الطبية والقانونية والمالية وبيانات الأعمال الحساسة حيث سرّية المطالبة شرط غير قابل للتفاوض.

ماذا يعني "الاستدلال" ولماذا يمثل عنق زجاجة للخصوصية؟

نماذج الذكاء الاصطناعي تمر بمرحلتين أساسيتين: التدريب، حيث يتعلّم النموذج من مجموعة بيانات ضخمة؛ ثم الاستدلال، حيث يأخذ النموذج المدرَّب مُدخلات جديدة – سؤالك أنت – وينتج مخرجات. مرحلة الاستدلال هي ما يحدث كل مرة تستخدم فيها ChatGPT أو Claude أو Gemini.

عند الاستدلال تتكسر خصوصيتك. في مرحلة التدريب لا تمر بياناتك الشخصية عبر النموذج بالضرورة، أما في الاستدلال فلا بد أن يكون نص مطالبتك واضحاً أمام النظام القائم بالمعالجة، على الأقل في لحظة الحساب. لا يمكنك أن تطرح سؤالاً على نموذج وهو داخل صندوق مغلق من دون أن "يقرأ" السؤال بشكلٍ ما.

في الأنظمة المركزية، حل هذه المعضلة ليس أولوية تصميمية.

سياسات الاستخدام لدى OpenAI، مثلاً، تسمح للشركة باستخدام مُدخلات الـ API لأغراض مراقبة السلامة، وقد تُستخدم أيضاً لتحسين النماذج ما لم تطلب الشركات الكبرى صراحةً الاستثناء عبر عقود مخصصة. أغلب المستخدمين الأفراد لا يملكون هذا الخيار ولا يستفيدون منه، والنتيجة أن كماً هائلاً من أفكار البشر الحساسة ينتهي به المطاف في قواعد بيانات شركات خاصة.

مشكلة الخصوصية في استدلال الذكاء الاصطناعي ليست سيناريو نظرياً، بل هي الوضع الافتراضي في كل منصات الذكاء الاصطناعي المركزية الكبرى اليوم.

الاستدلال اللامركزي يقلب هذه الفرضية. بدلاً من افتراض الثقة في خادم مركزي، يصبح السؤال: هل يمكن جعل أي عقدة في شبكة موزعة عاجزة تقنياً عن قراءة مطالبتك، حتى وهي تُشغّل النموذج الذي يجيب عنها؟

كيف تعمل سجلات الذكاء الاصطناعي المركزي في الكواليس؟

عندما ترسل مطالبة عبر واجهة برمجة تطبيقات (API) لمنصة ذكاء اصطناعي مركزية، ينتقل الطلب عبر بروتوكول HTTPS إلى بنية المزود. هذا التشفير يحمي البيانات أثناء النقل بحيث لا يستطيع طرف ثالث على الشبكة اعتراضها. لكن بمجرد وصول الطلب إلى الخادم، يُجرّد من طبقة HTTPS.

برمجيات المزود ترى النص خاماً. ومن تلك اللحظة، يقرّر المزود ما الذي سيحدث لهذا النص.

كثير من مزوّدي المؤسسات يعرضون أوضاع عدم الاحتفاظ (Zero-retention) حيث لا تُخزَّن المطالبات بعد انتهاء الجلسة. على سبيل المثال، تتيح Microsoft Azure OpenAI Service لعملائها من الشركات تهيئة نقاط نهاية لا تُسجَّل فيها المدخلات على القرص.

لكن هذه الخيارات تتطلب عقوداً مدفوعة للشركات وإعداداً يدوياً واعياً. السلوك الافتراضي للمستخدم العادي هو الاحتفاظ بالسجلات.

عملية التسجيل تتم على عدة طبقات: سجلات التطبيق تلتقط الطلب الخام؛ وبنية تقديم النموذج قد تحتفظ بنسخ في الذاكرة المؤقتة لتحسين الأداء؛ ومرشحات السلامة تفحص المحتوى قبل التوليد وبعده. كل طبقة تمثل نظاماً توجد فيه بياناتك في صورة قابلة للقراءة. وحتى مع سياسات حذف صارمة، تكون تلك البيانات قد وُجدت على أنظمة يمكن نظرياً تدقيقها أو اختراقها أو طلبها قضائياً في لحظة المعالجة نفسها.

الحافز التجاري يزيد المشكلة تعقيداً. فالنموذج الذي يُدرَّب على استعلامات المستخدمين يصبح أفضل. الشركات التي تجمع بيانات المطالبات تملك أفضلية هيكلية في تحسين منتجاتها. هذا يخلق توتراً دائماً بين خصوصية المستخدم وتعظيم الأعمال، لا تستطيع البنى المركزية حله جذرياً بطبيعتها.

أداتان تشفيريتان تمكّنان الاستدلال الخاص

هناك تقنيتان أساسيتان تسمحان بتنفيذ الاستدلال من دون كشف البيانات للطرف الذي يجري الحساب. هاتان الأداتان لا تتعارضان، وغالباً ما تُستخدمان معاً في التطبيقات الفعلية.

بيئات التنفيذ الموثوقة (TEEs) هي «حجرات» آمنة على مستوى العتاد داخل المعالجات الحديثة. من أبرز الأمثلة SGX من إنتل وSEV-SNP من AMD. تخلق الـ TEE مساحة ذاكرة معزولة لا يمكن لنظام التشغيل المضيف ولا لمشغّل العقدة ولا حتى لمصنّع العتاد نفسه قراءتها. الكود الذي يعمل داخل الـ TEE يكون «مصدَّقاً»، أي يمكن لطرف خارجي التحقق تشفيرياً من أن برنامجاً محدداً يعمل كما هو، وداخل حجرة موثوقة حقيقية. مطالبتك تدخل إلى الـ TEE مشفَّرة، ويجري الاستدلال داخلها، ثم يخرج الناتج مشفَّراً. مشغّل العقدة الذي يملك الخادم لا يرى شيئاً من ذلك.

التشفير المتماثل بالكامل (FHE) يسلك نهجاً مختلفاً. يسمح FHE بإجراء عمليات رياضية كاملة على بيانات مشفَّرة من دون فك تشفيرها مطلقاً. النموذج يتعامل عملياً مع نصوص مشفرة (Ciphertext)، وينتج مخرجات مشفرة لا يستطيع فكها إلا صاحب الطلب الأصلي. نظرياً، هذه المقاربة أنيقة جداً لكنها شديدة الكلفة حسابياً؛ تشغيل نموذج لغوي كبير تحت FHE اليوم أبطأ بأضعاف عديدة مقارنة بالاستدلال التقليدي. لذلك تُستخدم FHE عملياً مع نماذج أصغر أو لأجزاء معينة من الحسابات بدلاً من تشغيل استدلال كامل لنماذج LLM.

الـ TEEs تتيح استدلالاً خاصاً عملياً اليوم بسرعات قريبة من المعتاد، بينما يوفر FHE ضمانات نظرية أقوى لكنه ما يزال أبطأ بكثير لمعظم استخدامات نماذج LLM في منتصف 2026.

تقنية ثالثة ناشئة هي الحوسبة متعددة الأطراف الآمنة (MPC)، حيث تُقسَّم أوزان النموذج ومدخلات المستخدم بين عدة أطراف يتعاونون على إنتاج المخرجات من دون أن يرى أي طرف الصورة الكاملة. MPC مرنة للغاية لكنها تضيف عبئاً كبيراً في التنسيق بين الأطراف.

كيف تبني Venice استدلالاً خاصاً على البلوكشين؟

تعمل Venice على بلوكشين Base، وهو شبكة من الطبقة الثانية Layer 2 مبنية فوق إيثريوم (ETH). تعتمد بنية Venice على فصل ثلاث وظائف عادةً ما تكون مدمجة في المنصات المركزية: استضافة النموذج، وتنفيذ الاستدلال، وتسوية المدفوعات.

مشغِّلو العقد في شبكة Venice يقدّمون قدرة حوسبية معتمدة على وحدات معالجة الرسوميات (GPU).

هؤلاء يحمّلون أوزان نماذج مفتوحة المصدر، مثل Llama وMistral وغيرها من النماذج المتاحة، ويقدّمون خدمة الاستدلال بناءً على تلك الأوزان. وبما أن النماذج نفسها مفتوحة المصدر، فلا يوجد نموذج ملكية فكرية بحاجة للحماية؛ التحدي الخصوصي يتمحور بالكامل حول مُدخلات المستخدم ومخرجاته.

تستخدم Venice عزلاً قائماً على الـ TEE في العقد المشاركة. عندما يرسل المستخدم استعلاماً عبر واجهة Venice، يُوجَّه الطلب إلى عقدة تملك بيئة TEE تقوم بالمعالجة. نظام التشغيل المضيف لمشغّل العقدة لا يستطيع تفحّص ما يجري داخل الحجرة. إثباتات التصديق (Attestation) تمكّن العميل من التأكد تشفيرياً أن برنامج الاستدلال الصحيح وغير المعدَّل يعمل في الـ TEE قبل أن يرسل المطالبة.

توكن Venice (‏VVV) هو أصل المنفعة الأساسي للشبكة. يتيح لحامليه الوصول إلى قدرة الاستدلال، مع منح المكدِّسين (Stakers) أولوية في حجز السعة. يضيف التوكن طبقة اقتصادية إلى بنية الخصوصية: مزوّدو القدرة الحوسبية يتقاضون رسوماً، والمستخدمون يدفعون أو يكدّسون VVV للوصول إلى الاستدلال الخاص. هنا الخصوصية ليست شعاراً تسويقياً؛ فهندسة TEE تفرضها على مستوى العتاد بغض النظر عن نوايا شركة Venice أو مشغّلي العقد.

هذا القطاع الأوسع يُشار إليه غالباً باسم الاستدلال اللامركزي للذكاء الاصطناعي، وVenice هي واحدة من عدة مشاريع تسلك هذا الطريق. منصات مثل Gensyn وio.net وAkash Network تستهدف هي الأخرى تجميع قدرة GPU موزعة، مع مستويات مختلفة من ضمانات الخصوصية. ما يميز Venice هو تعاطيها مع سريّة المطالبة كقيد تصميمي أساسي، لا كميزة إضافية.

ما الذي يمكن لمشغّل العقدة رؤيته – وما الذي لا يمكنه رؤيته؟

من المهم التدقيق هنا، لأن كلمة "خاص" قد تُفهم على نحو مضلِّل. في بنية على غرار Venice قائمة على TEE، تخضع رؤية مشغّل العقدة لحدود صارمة يفرضها العتاد نفسه.

ما لا يمكن لمشغّل العقدة رؤيته: النص الصريح لمطالبتك، أي حسابات وسيطة داخل النموذج، أو النص الصريح للمخرجات قبل أن تُشفَّر لإعادتها إليك.

ما يمكن لمشغّل العقدة رؤيته: أن جهازه يعالج طلباً ما (أي أن «مهمة» وصلت)، وحجم الطلب والاستجابة بالبايت، وتوقيت المعاملة، وعنوان المحفظة أو المعرّف المرتبط بالطلب إذا لم يخضع لمزيد من إخفاء الهوية.

هذا يعني أن النظام لا يلغي تماماً كل آثار البيانات الوصفية (Metadata)، لكنه يرفع سقف حماية محتوى المطالبة نفسها إلى مستوى يصعب على البنى المركزية مجاراته. الخصوصية هنا «قصوى» على مستوى المحتوى: لا أحد يمكنه قراءة ما تسأل عنه أو ما يجيبه النموذج. لكن ذلك لا يعني «مجهولية كاملة» على مستوى البيانات الوصفية (الميتاداتا). يمكن للمشغّل أن يرى أن عنواناً معيّناً أرسل طلباً من 340 توكناً عند 14:22 بتوقيت UTC وتلقى رداً من 1,200 توكن. تحليل الأنماط عبر الزمن قد يسمح باستخلاص استنتاجات حسّاسة عن طبيعة الاستخدام، حتى من دون الاطلاع على المحتوى نفسه.

في معظم الاستخدامات العملية – مكتب محاماة يناقش قضايا عملائه، طبيب يتحقق من تشخيصات تفريقية، شركة تحلّل بيانات مالية سرّية – تبقى سرّية المحتوى هي المعيار الأهم. تسرّب الميتاداتا يظل خطراً ثانوياً يمكن التخفيف منه عبر أدوات على مستوى الشبكة مثل VPN أو تقنيات هوية عديمة المعرفة (zero-knowledge).

الأنظمة المعتمدة على TEE توفّر سريّة المحتوى بفضل إنفاذها عبر العتاد نفسه، فيما تستلزم حماية الميتاداتا طبقات إضافية من إخفاء الهوية على مستوى التطبيق، وهي مسؤولية يُترك تطبيقها للمستخدم في النماذج الحالية.

المقايضات الحقيقية بين السرعة والتكلفة وحجم النموذج

الاستدلال الخاص ليس مجانياً. هناك كلفة إضافية من عدّة مصادر، وفهمها يساعد على تقييم ما إذا كانت التضحية مبررة لحالتك الاستخدامية أم لا.

السرعة. البيئات المحمية داخل TEE تفرض كلفة عزلة للذاكرة. تشفير الصفحات في الذاكرة وإجراءات المصادقة (attestation) يضيفان زمناً إضافياً مقارنة بتشغيل الاستدلال مباشرة على وحدة GPU من دون طبقات حماية.

عملياً، تُظهر القياسات على خوادم AMD EPYC الحديثة المزودة بـ SEV-SNP أن الاستدلال عبر TEE أبطأ بنحو 10 إلى 30 في المئة مقارنة بالاستدلال التقليدي على عتاد مماثل، وفقاً لنتائج فريق Flashbots' SUAVE ووثائق مطوّري AMD. الفارق ملموس، لكنه لا يصل إلى حد التعطيل لمعظم تطبيقات المحادثة.

التكلفة. شبكات الحوسبة اللامركزية لم تصل بعد إلى اقتصاديات الحجم التي تتمتع بها مراكز بيانات عمالقة السحابة. أمازون وغوغل ومايكروسوفت تشغّل بنية تحتية على نطاق هائل يسمح بخفض التكلفة الهامشية للاستدلال إلى أجزاء من السنت لكل ألف توكن. الشبكات اللامركزية تفتقر إلى هذه الكثافة في الاستفادة من الموارد. لذلك تسعّر Venice وشبكات مشابهة الاستدلال غالباً بعلاوة فوق أسعار واجهات برمجة التطبيقات المركزية. هذه العلاوة هي «سعر الخصوصية» بشكل صريح.

حجم النموذج. البيئات المحمية في TEE محدودة الذاكرة. تحميل نموذج يضم 70 مليار معامل بالكامل داخل بيئة محمية غير ممكن حالياً على معظم العتاد.

الحلول الفعلية إمّا تلجأ إلى نماذج أصغر (بين 7 و13 مليار معامل)، أو إلى مقاربة هجينة حيث تُنفَّذ طبقات الإدخال/الإخراج الحسّاسة داخل TEE بينما تُجرى عمليات الضرب المصفوفي غير الحساسة في ذاكرة غير محمية، أو تعتمد على تشفير أوزان النموذج بدلاً من تحميله كاملاً داخل البيئة المحمية. هذه القيود تعني أن نماذج القمة الحالية من فئة GPT‑4، التي تضم مئات المليارات من المعاملات، لا يمكن تشغيلها بشكل «خاص بالكامل» ضمن حدود TEE الحالية.

الخلاصة الصريحة: الاستدلال الخاص اليوم يوفّر لك خصوصية قوية باستخدام نماذج مفتوحة المصدر بحجم 7 إلى 13 مليار معامل، بتكلفة أعلى بنحو 2 إلى 5 مرات من واجهات البرمجة المركزية. إذا كانت حالتك الاستخدامية تقع ضمن هذه الحدود، فالمعماريّة متاحة للإنتاج الآن.

من الذي يحتاج فعلاً إلى استدلال ذكاء اصطناعي خاص «على السلسلة»؟

ليس كل مستخدم للذكاء الاصطناعي بحاجة إلى هذا المستوى من الحماية. لكن هناك شرائح محددة تواجه مخاطر فورية وحقيقية من تسجيل المحفّزات (prompts)، وهي مخاطر يعالجها الاستدلال الخاص مباشرة.

المحامون ومسؤولو الالتزام يستخدمون النماذج بانتظام لتحليل المستندات، مراجعة العقود، والبحث في السوابق القضائية. إرسال مراسلات العملاء إلى منصة مركزية تسجّل المدخلات قد يهدد سرّية العلاقة بين المحامي وموكله، بل ويخالف قواعد أخلاقيات المهنة في ولايات أمريكية عدّة. الاستدلال الخاص يلغي عنصر الطرف الثالث الذي يسجّل البيانات.

العاملون في القطاع الصحي والباحثون يخضعون لقانون HIPAA الذي يقيّد أماكن إرسال وتخزين المعلومات الصحية المحمية. استخدام ChatGPT بشكل اعتيادي في توثيق الحالات السريرية يفتح ثغرات امتثال خطيرة. نظام استدلال قائم على TEE يثبت تقنياً أنه لا يخزّن بيانات المرضى يقدّم مستوى مختلفاً تماماً من الخطر.

المحلّلون الماليون والمتداولون الذين يتعاملون مع معلومات جوهرية غير متاحة للعامة (MNPI) لا يمكنهم قانوناً إدخال هذه البيانات في أنظمة قد تُسجّل، تُكتشف أو تتسرّب منها. الاستدلال الخاص يتيح استخدام أدوات الذكاء الاصطناعي لتحليل بيانات الصفقات الحسّاسة من دون خلق أثر تنظيمي مكتوب.

الأفراد في بيئات عالية المراقبة – صحفيون، ناشطون، معارضون – قد يحتاجون إلى مساعدة الذكاء الاصطناعي في أبحاث حسّاسة من دون ترك أثر لما يبحثون عنه. الأدوات التقليدية تشكّل عبئاً أمنياً عليهم. الاستدلال الخاص يبدّل المعادلة.

الشركات التي تحمي أسرارها التجارية تستطيع إجراء استعلامات متعلّقة بالبحث والتطوير، وتحليل المنافسين، ومعادلات التسعير الخاصّة عبر الذكاء الاصطناعي من دون مخاطرة بتخزين هذه المعلومات على خادم طرف ثالث قد يتعرض للاختراق أو للمصادرة القانونية أو لعمليات سحب بيانات.

بالنسبة للمستخدمين العاديين الذين يستعينون بالنماذج لكتابة رسائل البريد، أو إنشاء محتوى إبداعي، أو الإجابة عن أسئلة عامة، قد لا يبرّر فارق التكلفة اللجوء إلى الاستدلال الخاص اليوم. هذه البنية ستصبح أكثر جاذبية لهم مع تراجع التكاليف تدريجياً، لكن القيمة الفورية والأوضح تتركز حالياً في حالات الاستخدام ذات المخاطر العالية المذكورة أعلاه.

خلاصة

الاستدلال الخاص للذكاء الاصطناعي «على السلسلة» يحل مشكلة لم يدرك معظم المستخدمين بعد أنهم يعانون منها.

مزوّدو الذكاء الاصطناعي المركزيون يسجّلون المحفّزات افتراضياً. هذا يمنح الشركات – وربما الحكومات – نافذة على أكثر ما يفكر به المستخدمون حساسية.

الحل ليس في التوقف عن استخدام الذكاء الاصطناعي، بل في تغيير مكان تنفيذ الاستدلال.

بيئات التنفيذ الموثوق (TEE) تجعل من الممكن اليوم لمشغّل عقدة لامركزية أن يشغّل نموذجاً لغوياً على محفّزك من دون أي قدرة على قراءته.

العتاد نفسه يفرض ضمانة الخصوصية بمستوى لا يمكن لأي سياسة خصوصية أو «شروط استخدام» أن تضاهيه.

رمز Venice Token هو أبرز تطبيق حالي لهذه المعماريّة، لكنه في الواقع يمثّل نمط تصميم أوسع مرشحاً للانتشار عبر قطاع الذكاء الاصطناعي اللامركزي مع انخفاض تكلفة حوسبة GPU وتحسن عتاد TEE.

اقرأ التالي: آخر مباراة لوارونكا على التراب تأتي وسط طفرة سوق توقعات تضم 3 ملايين مستخدم