تصور کنید ادعای شما دربارهٔ یک پروژه فنی، دیگر صرفاً یک جمله نباشد، بلکه سندی باشد که با رمزنگاری به بلاک‌چین متصل شده و هر کسی می‌تواند صحت آن را بازرسی کند. این دستاورد حاصل پیاده‌سازی یک زنجیرهٔ شواهد است که فعالیت‌های محلی هوش مصنوعی را به شبکه آزمایشی اتریوم سپولیا (Ethereum Sepolia) متصل می‌کند.
بیشتر سیستم‌های فعلی هوش مصنوعی مانند «جعبه‌های سیاه» عمل می‌کنند؛ یعنی خروجی آن‌ها پذیرفتنی است اما شواهد زیربنایی‌شان مبهم است. در دنیایی که توهم (Hallucination) — شبیه دوستی که خاطره‌ای را با اطمینان اما اشتباه تعریف می‌کند — رایج شده، توانایی اثبات وجود یک داده در یک زمان مشخص، به یک مزیت رقابتی برای توسعه‌دهندگان و پژوهشگران تبدیل می‌شود.
به گزارش وب‌سایت dev.to، این پروژه فراتر از یک سیستم سادهٔ تولید بازیابی‌افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — عمل می‌کند. در اینجا بلاک‌چین نه به عنوان فضای ذخیره‌سازی، بلکه به عنوان لایهٔ «تعهد» (Commitment Layer) استفاده شده است تا مشکل اعتماد به خلاصه‌های هوش مصنوعی با لنگر انداختن شواهد در یک دفتر کل عمومی و تغییرناپذیر حل شود. این آزمایش به‌طور مشخص بررسی می‌کند که آیا می‌توان فعالیت فنی مستند شدهٔ یک فرد را به شواهد گیت‌هاب، یک سیستم AI/RAG، یک کارت دانش عمومی و در نهایت یک اثبات رمزنگاری‌شده در بلاک‌چین متصل کرد یا خیر.
همان‌طور که در تحلیل‌های پیشین ما دربارهٔ امنیت مدل‌های بازمتن اشاره کردیم، شفافیت در منبع داده، کلید خروج از بن‌بست توهمات مدل است. این معماری اجازه می‌دهد تا هر ادعای فنی با یک ردپای دیجیتال پشتیبانی شود که غیرقابل دستکاری است.
زیرساخت هوش مصنوعی محلی
بنیاد این آزمایش یک خط لوله RAG محلی است که از طریق داکر (Docker) و داکر کامپوز (Docker Compose) مستقر شده است. این پشته ترکیبی از API شرکت MyZubster، ابزار اولاما (Ollama) برای اجرای محلی مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — و Qdrant به عنوان پایگاه‌داده برداری (Vector Database) برای مدیریت بردار معنایی (Embedding) — شبیه کارت معرفی عددی برای هر واژه که همسایگی آن با کلمات دیگر را مشخص می‌کند — و در نهایت Open WebUI برای رابط کاربری است. این رویکرد در ادامه تلاش‌های این پلتفرم برای بهینه‌سازی RAG محلی از طریق جداسازی نمایه‌سازی از بازیابی قرار دارد تا دقت استخراج داده‌ها افزایش یابد.
برای جلوگیری از تولید پاسخ‌های احتمالی و غیرواقعی، سیستم از اصل «اولیت شواهد» پیروی می‌کند. مسیر جریان داده به این صورت است: اسناد/مشاهدات $
ightarrow$ جذب (Ingestion) $
ightarrow$ بردارسازی $
ightarrow$ Qdrant $
ightarrow$ استخراج بستر مرتبط $
ightarrow$ مدل محلی در اولاما $
ightarrow$ پاسخ نهایی MyZubster. در هر جایی که اطلاعات ساختاریافته و معتبر وجود داشته باشد، همان منبع حقیقت باقی می‌ماند.
در جریان توسعه پروژه myzubster-mvp (مخزن: https://github.com/nicolaususnicola-lgtm/myzubster-mvp)، نویسنده متوجه نیاز به بهبود تکه‌بندی (Chunking) اسناد شد. به جای برش کورکورانه متن، فرآیند جذب به‌گونه‌ای تغییر کرد که مرزهای پاراگراف و خطوط حفظ شوند و در عین حال هم‌پوشانی (Overlap) بین تکه‌ها رعایت شود. این تغییر فنی در کامیت ea80799 مستند شده است.
پس از این اصلاح، یک فرآیند جذب جدید انجام شد. تست‌های محلی منجر به بارگذاری ۴۶ تکه دانش در Qdrant شد، در حالی که یک سند خالی نادیده گرفته شد. برای افزایش قابلیت اطمینان در بازیابی، نویسنده تعداد بسترهای بازیابی‌شده (Context) را هنگام تست از طریق نقطه اتصال MyZubster AI (/api/ai/ask) از ۱ به ۵ افزایش داد. بدین ترتیب اولین بخش زنجیره شکل گرفت: فعالیت فنی $
ightarrow$ کامیت گیت‌هاب $
ightarrow$ جذب محلی $
ightarrow$ Qdrant $
ightarrow$ بازیابی RAG.
ایجاد زنجیره شواهد
این پروژه فعالیت فنی را از طریق یک فرآیند چندلایه به سندی قابل‌تأیید تبدیل می‌کند:
- فعالیت فنی: کامیت‌های گیت‌هاب به عنوان شاهد اولیه و عینی از انجام کار عمل می‌کنند.
- کارت دانش: یک کارت دانش عمومی در MyZubster با شناسه
6abaaefb3a7460c4574a45fdو عنوان «Prove Docker e chat AI del progetto myzubster-mvp» فعالیت را توصیف کرده و به مخزن گیت‌هاب، تست‌های داکر و اصلاحات تکه‌بندی لینک می‌دهد. - پیلود استاندارد: محتوای کارت به صورت یک فایل JSON در گیت‌هاب (
knowledge-card-6abaaefb3a7460c4574a45fd-v1.json) ذخیره می‌شود تا هر کسی بتواند آن را به صورت عمومی بازرسی کند. - اثر انگشت رمزنگاری‌شده: یک هش SHA-256 از بایت‌های دقیق فایل JSON محاسبه می‌شود تا هر تغییر کوچک در متن، هش را کاملاً تغییر دهد.
- تعهد روی زنجیره: این هش در یک قرارداد هوشمند سالی‌دیتی (Solidity) که روی شبکه اتریوم سپولیا مستقر شده، ذخیره می‌شود.
تکامل فرآیند اثبات
توسعه‌دهنده دو نسخه از این اثبات را آزمایش کرد تا سطح تأیید را بهینه کند. در نسخه اول (Proof v1)، تنها URL کارت دانش هش شد و در قرارداد 0xabCF68e97a32eCa503942A563FF16F209ed45d11 ذخیره گشت. این قرارداد سه مقدار را ذخیره می‌کرد: knowledgeHash (هش دانش)، creator (سازنده) و timestamp (برچسب زمانی).
مقدار ثبت شده در نسخه اول 0x15b21c4f189259f143f6c946ac866001d88f5bc7aa371cac7cbcc1ce66b43685 بود. اگرچه منبع قرارداد در Etherscan به عنوان «تطبیق دقیق» (Exact Match) تأیید شد، اما یک نقص اساسی داشت: این روش تنها رشتهٔ URL را هش می‌کرد، نه محتوای سند را. در واقع، این روش یک رکورد را به یک «مکان» متصل می‌کرد، اما تعهدی رمزنگاری‌شده به «محتوای» کارت نمی‌داد.
نسخه دوم (Proof v2) با هش کردن خودِ «پیلود استاندارد» این مشکل را حل کرد. هدف تغییر کرد به: کارت دانش $
ightarrow$ پیلود استاندارد $
ightarrow$ SHA-256 $
ightarrow$ اتریوم سپولیا. اثر انگشت دیجیتال حاصل 6097e05866bafceec24663d2638cb1dae5742ac78284abbfd45cc9c3b0bfb845 شد.
این هش در یک نمونه جدید از قرارداد MyZubsterProof در شبکه اتریوم سپولیا (با Chain ID: 11155111) در آدرس 0x21787249Df054132093FcF09bB914C0CCC539390 ثبت شد. اکنون هر کسی می‌تواند با اجرای دستور ساده sha256sum روی فایل JSON موجود در گیت‌هاب یا استفاده از یک اسکریپت پایتون با کتابخانه hashlib برای خواندن بایت‌ها و چاپ hexdigest، این اثبات را بازتولید کند. مقایسه این نتیجه با مقدار بازگشتی از تابع knowledgeHash() در قرارداد سپولیا، یک تضمین ریاضی ایجاد می‌کند که اثر (Artifact) تغییر نکرده است.
بازتولیدپذیری و نقش گراف دانش
یک تراکنش بلاک‌چین به تنهایی برای یک آزمایش فنی کافی نیست. برای اینکه اثبات بازتولیدپذیر باشد، نویسنده مستندات اختصاصی را در فایل SEPOLIA_PROOF_V2.md (کامیت 405467e8d7b4e55ea9f18044a00aa66804f3ada3) قرار داد. این مستندات توضیح می‌دهد که کدام اثر هش شده، هش مورد انتظار چیست، محل ذخیره‌سازی کجاست، تعهد قرارداد چیست و تراکنش استقرار کدام است.
علاوه بر این، فایل README اصلی مخزن myzubster-mvp به‌روزرسانی شد (کامیت a4b54b86fe1066684c8604a83b3e32656b7429d7) تا مسیر تأیید را مستقیماً نمایش دهد: N4K48 $
ightarrow$ کارت دانش $
ightarrow$ پیلود استاندارد $
ightarrow$ SHA-256 $
ightarrow$ اثبات سپولیا v2 $
ightarrow$ مستندات گیت‌هاب. این کار تضمین می‌کند که شواهد به جای پنهان بودن، قابل پیمایش باشند.
لایه نهایی، گراف دانش (Knowledge Graph) MyZubster است که روابط میان این عناصر را برای انسان قابل پیمایش می‌کند. ساختار مورد نظر گراف به این صورت است:
- N4K48 $
ightarrow$ کارت دانش $
ightarrow$ شواهد گیت‌هاب و پیلود استاندارد - پیلود استاندارد $
ightarrow$ SHA-256 $
ightarrow$ اثبات سپولیا v2 (قرارداد و تراکنش) - کارت دانش $
ightarrow$ پروژه: myzubster-mvp
به جای دیدن یک ادعای ایستا مبنی بر اینکه توسعه‌دهنده‌ای روی سیستم RAG کار کرده است، بازدیدکننده می‌تواند از ادعا به کارت دانش، سپس به پیلود استاندارد و در نهایت به تراکنش اتریوم برسد. این ساختار، یک هش ایزوله را به یک سابقه شواهدی تبدیل می‌کند.
تحلیل: تمایز میان شواهد و حقیقت
این معماری تمایز حیاتی میان «ادعا»، «شواهد»، «یکپارچگی» و «تأیید» را معرفی می‌کند. ثبت یک هش در بلاک‌چین ثابت نمی‌کند که محتوای سند «درست» است؛ برای مثال، هش کردن جمله «من متخصص AI هستم» ثابت نمی‌کند شما متخصص هستید، بلکه فقط ثابت می‌کند که این دادهٔ خاص با آن اثر انگشت در آن زمان وجود داشته و تغییر نکرده است.
در حوزه بازتولیدپذیری هوش مصنوعی، این رویکرد معیار را از «اعتماد به مدل» به «تأیید اثر» تغییر می‌دهد. با ذخیره آثار حجیم در گیت‌هاب و نگهداری تنها یک اثر انگشت ۳۲ بایتی در بلاک‌چین، هزینه و ناکارآمدی استفاده از بلاک‌چین به عنوان پایگاه‌داده عمومی حذف شده است. بلاک‌چین تنها به تعهد رمزنگاری‌شده نیاز دارد.
هوش مصنوعی به عنوان مفسر، نه مرجع
نکته کلیدی این آزمایش، بازتعریف نقش LLM است. در این سیستم، هوش مصنوعی برای تفسیر پرسش‌ها، خلاصه‌سازی بستر و پیمایش مستندات به کار می‌رود، اما صراحتاً مرجع نهایی نیست. مرجعیت با کامیت گیت‌هاب، پیلود JSON و قرارداد اتریوم است. این تفکیک میان لایه استدلال و لایه حقیقت، مشابه رویکردی است که در زیرساخت پلتفرم دانش Stripe برای مدیریت خطای داده‌های مالی مشاهده می‌شود تا از تصمیمات نادرست مدل‌ها جلوگیری شود.
جریان مرجعیت به این ترتیب است: کامیت گیت‌هاب $
ightarrow$ پیلود JSON شواهد $
ightarrow$ SHA-256 اثر $
ightarrow$ اثر انگشت $
ightarrow$ قرارداد اتریوم $
ightarrow$ تعهد. هوش مصنوعی (از طریق بازیابی Qdrant) در «اطراف» شواهد عمل می‌کند، نه «به جای» آن‌ها. این هستهٔ اصلی معماری «اولیت شواهد» است.
برای کاربردی شدن این سیستم، نویسنده تأکید می‌کند که قابلیت تأیید نیازمند یک پشته کامل است: توصیفات قابل خواندن برای انسان، شواهد منبع، آثار پایدار، هش‌های رمزنگاری‌شده، تعهدات عمومی، تأیید بازتولیدپذیر و پیمایش شفاف. بدون هر یک از این‌ها، هش بلاک‌چین تنها یک رشته بی‌معنی از کاراکترهاست.
نتیجه‌گیری
آنچه به عنوان یک تست محلی داکر و AI/RAG شروع شد، به یک زنجیره جامع تبدیل گشت: توسعه محلی $
ightarrow$ شواهد مستند $
ightarrow$ کارت دانش $
ightarrow$ اثر استاندارد $
ightarrow$ اثر انگشت رمزنگاری‌شده $
ightarrow$ تعهد در بلاک‌چین عمومی $
ightarrow$ گراف دانش قابل پیمایش.
این آزمایش ادعا را صرفاً به دلیل وجود یک هش در اتریوم به «حقیقت» تبدیل نمی‌کند، بلکه یک معماری عملی برای تبدیل سوابق دانش دیجیتال به رکوردهایی قابل ردیابی، بازتولیدپذیر و مقاوم در برابر دستکاری ارائه می‌دهد. هدف جایگزینی اعتماد با بلاک‌چین یا هوش مصنوعی نیست، بلکه تسهیل بازرسی شواهد پشت یک ادعای دیجیتال است.
گام بعدی شما
- بررسی نحوه استفاده از هش SHA-256 برای ایجاد اثر انگشت دیجیتال از اسناد فنی خود در گیت‌هاب.
- مطالعه مستندات شبکه Sepolia برای آزمایش ثبت تعهدات داده‌ای بدون هزینه تراکنش‌های شبکه اصلی.
- پیاده‌سازی یک خط لوله RAG محلی با Ollama و Qdrant برای تفکیک منبع حقیقت از پاسخ‌های مدل.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو