المعالجات المساعدة: حالات الاستخدام الرئيسية ومشاريع المعالجات المساعدة الجديرة بالملاحظة

المؤلف: دارشان غاندي، مؤسس FutureX Labs الترجمة: Golden Finance xiaozou

شهدت تقنية Blockchain تغييرات كبيرة في التطوير وأصبحت تقنية أساسية في مجالات مختلفة مثل الخدمات المالية وإدارة سلسلة التوريد. من خلال تحسين الأمان والشفافية وكفاءة المعاملات، بالإضافة إلى إنشاء التطبيقات اللامركزية والعقود الذكية، تحل تقنية blockchain المشكلات الرئيسية في الثقة ومنع الاحتيال وثبات البيانات.

على الرغم من هذه التطورات، لا تزال العديد من سلاسل الكتل من الطبقة الأولى تواجه تحديات التوسع. غالبًا ما يؤدي الطلب المرتفع إلى:

• ازدحام الشبكة

< li>

أوقات أبطأ للمعاملات

• زيادة التكاليف

تعمل حلول الطبقة الثانية والتقسيم على حل هذه المشكلات. ومع ذلك، مع نمو الاستهلاك، تصبح الحاجة إلى معالجة المعاملات بشكل أسرع وأكثر كفاءة أمرًا بالغ الأهمية.

هذا هو المكان الذي يأتي فيه "المعالج المساعد".

المعالج المساعد عبارة عن قطعة متخصصة من الأجهزة يمكنها التعامل مع مهام محددة بكفاءة أكبر من وحدة المعالجة المركزية ذات الأغراض العامة. تقدم المعالجات المساعدة حلاً واعدًا من خلال العمل مع المعالج الرئيسي (L1 أو L2 في هذه المقالة) لأداء المهام الصعبة مثل عمليات التشفير والحسابات المعقدة. وهذا يساعد على "تفريغ" الحمل على السلسلة الرئيسية، مما يحسن الأداء العام والإنتاجية.

في هذه المقالة، سوف نستكشف بيئة المعالج الثانوي بعمق ونتعرف على:

• ما هو المعالج الثانوي

  p>

• كيفية عملها

• لماذا تحتاج إليها

• حالات الاستخدام والمشكلات المحددة للمساعدة في حلها

• مشاريع المعالج الثانوي التي تستحق المشاهدة

سيكون التركيز الرئيسي لهذه المقالة هو على المعالجات المساعدة صفر المعرفة (ZK) لأنها المعالجات المساعدة الأكثر تقدمًا المتوفرة حاليًا. لنبدأ!

1. ما هو المعالج المساعد؟

المعالج المساعد عبارة عن جهاز مصمم للعمل مع وحدة المعالجة المركزية الرئيسية في مهام محددة لتحسين الكفاءة والأداء.

نشأ مفهوم المعالج الثانوي من هندسة الكمبيوتر، بهدف تحسين أداء أجهزة الكمبيوتر التقليدية. في البداية، كانت أجهزة الكمبيوتر تعتمد بشكل كامل على وحدة المعالجة المركزية، ولكن مع تزايد تعقيد المهام، أصبحت وحدة المعالجة المركزية غير قادرة على القيام بما تريد. ولذلك، ومن أجل حل هذه المشكلة، تم تقديم معالجات مشتركة مثل وحدات معالجة الرسومات للتعامل مع مهام محددة، مثل:

• عرض الرسومات

• التشفير

• معالجة الإشارات

• الحوسبة العلمية

تتضمن أمثلة المعالجات المساعدة وحدات معالجة الرسومات لعرض الرسومات، ومسرعات التشفير، والمعالجات المساعدة الرياضية. ومن خلال تقسيم المهام بين وحدة المعالجة المركزية وهذه الوحدات المتخصصة، تحقق أجهزة الكمبيوتر تحسينات كبيرة في الأداء، مما يسمح لها بالتعامل مع أعباء العمل الأكثر تعقيدًا بكفاءة.

في blockchain في في سياق blockchain، تساعد المعالجات المشتركة في إدارة المهام المعقدة خارج السلسلة، مما يضمن الشفافية والثقة من خلال حسابات يمكن التحقق منها. وهي تستفيد من تقنيات مثل zk-SNARKs وMPC (الحوسبة متعددة الأطراف) وTEE (بيئة التنفيذ الموثوقة) لتعزيز الأمان وقابلية التوسع.

2. لماذا نحتاج إلى معالج مساعد؟

تقدم المعالجات المساعدة العديد من الفوائد، خاصة لسلاسل مثل Ethereum التي تواجه مشكلات في التوسع. تشمل المزايا ما يلي:

• قابلية التوسع المحسنة

• معاملات خالية من الغاز

• دعم متعدد السلاسل

لفهم هذا بشكل أفضل، دعونا نلقي نظرة على تشبيه:

يمكن مقارنة blockchain في web3 بـ web2 يمكن مقارنة وحدة المعالجة المركزية في المعالج المساعد بـ وحدة معالجة الرسومات التي تعالج كميات كبيرة من البيانات ومنطق الحوسبة المعقد. 3 وحالات الاستخدام والمشكلات التي تساعد في حلها

تتمثل إحدى المشكلات المهمة في تقنية blockchain في التكلفة العالية للحوسبة على السلسلة. على الرغم من أن العقد الأرشيفية تخزن البيانات التاريخية، إلا أن الوصول إلى هذه البيانات أمر مكلف ومعقد بالنسبة للعقود الذكية. على سبيل المثال، يمكن لـ EVM الوصول بسهولة إلى أحدث بيانات الكتلة، ولكنه يواجه صعوبة في الوصول إلى البيانات القديمة.

التركيز على آلة Blockchain تنفيذ كود العقد الذكي بأمان بدلاً من معالجة البيانات الضخمة أو المهام الثقيلة حسابيًا. لذلك، تعد تكنولوجيا الحوسبة أو التوسع خارج السلسلة ضرورية.

توفر المعالجات المساعدة حلولاً لهذه التحديات من خلال الاستفادة من تقنية ZK لتعزيز قابلية التوسع. التفاصيل هي كما يلي:

• حوسبة فعالة واسعة النطاق: معالج ZK المساعد في منطقة الصيانة تتعامل تقنية Blockchain مع العمليات الحسابية واسعة النطاق بشكل آمن وفي وقت واحد.

• ترخيص الوصول إلى البيانات التاريخية: فهي تسمح للعقود الذكية باستخدام أدلة المعرفة الصفرية للسماح بالوصول إلى البيانات التاريخية والحسابات خارج السلسلة، ثم جلب النتائج إلى السلسلة.

• قابلية التوسع والكفاءة المحسنة: يعمل هذا الفصل على تحسين قابلية التوسع والكفاءة دون المساس بالأمان.

من خلال اعتماد هذا التصميم الجديد، يمكن للمعالج المساعد مساعدة التطبيقات في الوصول إلى المزيد من البيانات والتشغيل على نطاق أوسع دون دفع رسوم غاز عالية.

كيف تعمل هذه الخدمات إذن؟ يوجد أدناه رسم بياني رائع ليمنحك فهمًا أفضل. 4 وأنواع المعالجات المساعدة والمقارنة مع التراكمي

عند مقارنة المعالجات المساعدة بالتقنيات الأخرى، من المهم مراعاة الأمان المطلوب لنموذج الحوسبة ومستوى الضمان.

• ZKالمعالج المساعد

  < /li

يعد المعالج المساعد ZK مثاليًا للحوسبة الحساسة التي تتطلب الحد الأقصى من الأمان والحد الأدنى من الثقة. يستخدمون أدلة المعرفة الصفرية لضمان نتائج يمكن التحقق منها بشكل مستقل عن المشغلين. ومع ذلك، فإن هذا يأتي على حساب الكفاءة والمرونة.

• حساب متعدد الأطراف (MPC) وموثوق به الأجهزة

بالنسبة للمهام الأقل حساسية مثل التحليل أو نمذجة المخاطر، تعد MPC والأجهزة الموثوقة خيارات أكثر فعالية. توفر هذه الأساليب ضمانات أمنية أقل ولكنها تدعم نطاقًا أوسع من الحسابات.

• FHEالمعالج المساعد

  < /li

توفر المعالجات المساعدة المستندة إلى FHE، مثل تلك التي طورتها Fhenix بالشراكة مع EigenLayer، تحسينات كبيرة في الحوسبة السرية. تحافظ هذه المعالجات المساعدة على سرية البيانات أثناء تفريغ مهام الحوسبة.

أي من هذه التقنيات يجب اختياره يعتمد على مدى تحمل المخاطر والاحتياجات المحددة للتطبيق.

• المعالج المساعدمقابل مجموعة التحديثات

  < /li>

بالإضافة إلى ذلك، غالبًا ما يتم إجراء مقارنات بين المعالجات المساعدة والمجموعات:

يركز التجميع على تحسين إنتاجية المعاملات من خلال تجميع المعاملات والحفاظ على حالة السلسلة الرئيسية وخفض التكاليف. وهذا يجعلها أكثر ملاءمة للتداول عالي التردد.

من ناحية أخرى، تتعامل المعالجات المشتركة مع المنطق المعقد وكميات أكبر من البيانات بشكل مستقل. إنها مثالية للنماذج المالية المتقدمة وتحليل البيانات الضخمة عبر سلاسل الكتل المتعددة والمجموعات المجمعة.

5، حالات الاستخدام والتطبيقات

تتميز المعالجات المساعدة بطبيعتها المعيارية للغاية ويمكن استخدامها في مجموعة واسعة من التطبيقات. دعنا نستكشف بعض حالات الاستخدام المثيرة للاهتمام التي يتم إنشاؤها حاليًا أو التي يمكن إنشاؤها:

• < strong>DeFiالحسابات المعقدة في مشاريع DeFi

يمكن للمعالج المشترك التعامل مع الحسابات المعقدة في مشاريع DeFi ودعم النماذج والاستراتيجيات المالية المعقدة التي يمكن تكييفها في الوقت الحقيقي. فهي تقوم بتفريغ العمليات الحسابية الثقيلة من السلسلة الرئيسية، مما يضمن الكفاءة وقابلية التوسع، وهو أمر بالغ الأهمية لتحسين استراتيجيات التداول والتداول عالي التردد.

• لعبة السلسلة الكاملة

< p>يمكن للمعالج المشترك تفريغ الوظائف المعقدة لـ EVM لتحقيق آليات لعب أكثر ثراءً وتحديثات للحالة. يمكنها دعم منطق اللعبة المتقدم والميزات التي تعتمد على الذكاء الاصطناعي، مما يخلق طريقة لعب غامرة وجاذبية أكثر من ألعاب Web2.

• العقود والخيارات الدائمة

يوفر المعالج المشترك منطق هامش شفاف وقابل للتحقق للتداول اللامركزي، مما يعزز موثوقية منصة المشتقات. إنهم يضمنون الخصوصية والثقة مع تقديم استراتيجيات تداول متطورة وممارسات إدارة المخاطر.

• تحسين البيانات للعقود الذكية

يمكن للمعالج المشترك توفير خدمات التقاط البيانات وحسابها والتحقق منها، مما يسمح للعقود الذكية بمعالجة كميات كبيرة من البيانات التاريخية. ويساعد ذلك على تحقيق منطق أعمال أكثر تقدمًا والكفاءة التشغيلية، مما يعزز موثوقية العقود الذكية.

• DAO والحوكمة

يمكن للمعالج المشترك تفريغ العمليات الحسابية الثقيلة لتقليل تكاليف الغاز لعمليات DAO وتبسيط عملية الإدارة وعملية اتخاذ القرار. وهذا يزيد من كفاءة وشفافية عمليات DAO، وتوفير الدعم للمشاريع التي يقودها المجتمع.

• ZKML

يمكن للمعالج المشترك دعم تطبيقات التعلم الآلي على السلسلة من خلال عمليات حسابية يمكن التحقق منها خارج السلسلة، وذلك باستخدام البيانات التاريخية للأمان وإدارة المخاطر. يفتح هذا التكامل إمكانيات جديدة للتحليلات المتقدمة واتخاذ القرارات الذكية لتطبيقات blockchain.

• اعرف عميلك

يمكن للمعالج المشترك الحصول على بيانات خارج السلسلة وإنشاء أدلة يمكن التحقق منها للعقود الذكية، مما يضمن الامتثال مع الحفاظ على خصوصية المستخدم. وهذا يجعل عملية KYC في Web3 أكثر أمانًا وخصوصية وكفاءة.

• التطبيقات الاجتماعية وتطبيقات المصادقة

يمكن للمعالج المساعد استخدام إثباتات المعرفة الصفرية للتحقق من الهوية الرقمية والسلوك التاريخي دون الكشف عن عناوين المحفظة. وهذا يعزز الخصوصية والموثوقية للتطبيقات الاجتماعية وتطبيقات المصادقة، مما يتيح إثباتًا آمنًا للمؤهلات والنشاط.

بسبب المرونة التي توفرها المعالجات المساعدة، فإن التطبيقات لا حصر لها تقريبًا. فيما يلي بعض الأمثلة المثيرة للفرق التي بدأت في بناء مشاريع مبتكرة.

6. من الذي يقوم بإنشاء المعالج المساعد؟

السؤال التالي هو: من هي الفرق التي تقوم بالفعل بإنشاء هذه المعالجات المساعدة؟



اكسيوم

Axiom هو المعالج المساعد لـ Ethereum ZK، الذي يوفر عقودًا ذكية يمكنها الوصول إلى جميع البيانات الموجودة على السلسلة بطريقة آمنة ويمكن التحقق منها. ويستخدم براهين المعرفة الصفرية لقراءة البيانات من رؤوس الكتل والحالة والمعاملات والإيصالات، وإجراء عمليات حسابية مثل التحليلات والتعلم الآلي.

تضمن اكسيوم صحة الحصول على البيانات وحسابها من خلال إنشاء أدلة صحة ZK لكل نتيجة مهمة، والتي يتم التحقق منها بعد ذلك على السلسلة. توفر عملية التحقق غير الموثوقة هذه مساحة لتطوير تطبيقات لامركزية أكثر موثوقية.



RISC Zero

يركز RISC Zero على التنفيذ الذي يمكن التحقق منه لحسابات العقود الذكية لـ blockchain. يمكن للمطورين كتابة البرامج باستخدام لغة Rust ونشرها على الشبكة، مع إثباتات المعرفة الصفرية التي تضمن صحة تنفيذ كل برنامج.

يتم أيضًا تضمين مكونات مثل Bonsai وzkVM. يقوم Bonsai بدمج zkVM مع بنية مجموعة التعليمات RISC-V لتوفير دليل عالي الأداء لحالات الاستخدام العامة.

Brevis

Brevis هو معالج مساعد ZK يمكّن من الوصول إلى التطبيقات اللامركزية عبر سلاسل كتل متعددة بطريقة غير موثوقة وببيانات محسوبة. بنيتها هي كما يلي:

• يتم استخدام zkFabric لمزامنة رؤوس الكتل

• يتم استخدام zkQueryNet لمعالجة استعلامات البيانات

• يتم استخدام zkAggregatorRollup للتحقق من الأدلة وإرسالها إلى blockchain.

Lagrange

Largrange هو بروتوكول معالج مساعد ZK قابل للتشغيل المتبادل ويدعم حوسبة البيانات واسعة النطاق وتطبيقات قابلية التشغيل البيني عبر السلاسل. . يقوم منتجها الأساسي ZK Big Data بمعالجة البيانات عبر السلسلة والتحقق منها وإنشاء أدلة ZK من خلال معالج مشترك متوازي للغاية.

يتضمن Lagrange قاعدة بيانات يمكن التحقق منها، وتحديثات ديناميكية، وقدرات استعلام SQL للعقود الذكية. يدعم البروتوكول التطبيقات المعقدة عبر السلاسل ويدمج الأنظمة الأساسية مثل EigenLayer وMantle وLayerZero.

7، AIالمعالج المساعد

يضمن المعالج المشترك تنفيذ المهام المختلفة (مثل إدارة DeFi والمساعدين المخصصين وتأمين البيانات) المعالجة) لتعزيز التطبيقات في مجال الذكاء الاصطناعي المشفر. فيما يلي بعض المشاريع الجديرة بالملاحظة التي تستخدم المعالجات المشتركة لحالات الاستخدام والتقنيات المختلفة:

شبكة Phala

تجمع شبكة Phala بين blockchain وبيئات التنفيذ الموثوقة (TEEs) تم دمجها لتمكين تفاعلات الذكاء الاصطناعي الآمنة. تقوم عقود Phat الخاصة بهم بتفريغ الحسابات المعقدة على شبكة Phala عبر المعالجات المشتركة، والتي تعتبر بالغة الأهمية لمهام إدارة التمويل اللامركزي المستندة إلى الذكاء الاصطناعي مثل إدارة المحافظ وإدارة العائدات.

تمكن إمكانية التشغيل البيني عبر السلاسل الخاصة بـ Phala وكلاء الذكاء الاصطناعي من تحقيق المعاملات عبر السلاسل وحماية حسابات الخصوصية وحماية أمان البيانات الحساسة.

Ritual Network

تقوم Ritual بتطوير أول شبكة ذكاء اصطناعي سيادية مملوكة للمجتمع باستخدام Infernet، وهي شبكة أوراكل لا مركزية (DON) تسمح للعقود الذكية بالوصول إلى الذكاء الاصطناعي عارضات ازياء.

تسلط الشراكات الإستراتيجية لـ Ritual Network الضوء على طبيعتها النمطية:

• EigenLayer: استخدم آلية إعادة التعهد لتعزيز الأمن الاقتصادي ومنع التهديدات المحتملة.

• Celestia: يوفر الوصول إلى الطبقة المتاحة للبيانات القابلة للتطوير من Celestia، مما يعمل على تحسين كفاءة إدارة البيانات وقابلية التوسع بشكل عام.

Modulus Labs

تركز Modulus Labs على جلب خوارزميات التعلم الآلي المعقدة مباشرة إلى السلسلة باستخدام المعالجات المشتركة ZK المتفوقة . يوضح مشروعهم مجموعة متنوعة من التطبيقات الممكنة:

• Rockybot: روبوت تداول يعمل بالذكاء الاصطناعي على السلسلة يستخدم معالجًا مشتركًا لإجراء عمليات تداول عالية التردد.

• Leela vs The World: لعبة ذكاء اصطناعي تفاعلية تستخدم معالجًا مشتركًا للتعامل مع تتبع العمليات داخل اللعبة.

• zkMon: استخدم أدلة المعرفة الصفرية للتحقق من الفن الذي تم إنشاؤه بواسطة الذكاء الاصطناعي.

الجيزة

الجيزة هي أداة مصممة لتبسيط استخدام إثباتات المعرفة الصفرية (ZK) للآلات التي يمكن التحقق منها. نماذج التعلم منصة لإنشاء وإدارة واستضافة. فهو يسمح للمطورين بتحويل أي نموذج ML (التعلم الآلي) إلى نموذج يمكن التحقق منه، مما يضمن إثبات عدم التلاعب بتنفيذ ML.

توفر الجيزة لمهندسي الذكاء الاصطناعي لوحة تحكم لمراقبة عمليات الذكاء الاصطناعي وجدولتها ونشرها بسهولة، كما تتكامل بسلاسة مع موفري الخدمات السحابية المختلفين ومكتبات تعلم الآلة. تدعم المنصة أيضًا تكامل البروتوكول من خلال أدوات التحقق من EVM، مما يحسن الكفاءة ويعزز نمو الإيرادات واعتماد التطبيقات اللامركزية.

EZKL

تدمج EZKL zk-SNARKs مع نماذج التعلم العميق والرسوم البيانية الحسابية، باستخدام مكتبات مألوفة مثل PyTorch أو TensorFlow. فهو يسمح للمطورين بتصدير هذه النماذج كملفات ONNX وإنشاء دوائر zk-SNARK، مما يضمن الخصوصية والأمان من خلال إثبات الادعاءات المتعلقة بالحسابات دون الكشف عن البيانات الأساسية.

يمكن التحقق من هذه البراهين على السلسلة، أو في المتصفح، أو على الجهاز. تدعم EZKL مجموعة متنوعة من التطبيقات، بما في ذلك النماذج المالية والألعاب وإثباتات البيانات، وتوفر أدوات واجهة Python وJavaScript وسطر الأوامر لتبسيط العمليات الحسابية خارج السلسلة مع الحفاظ على الأمان.

8. مستقبل المعالجات المشتركة

بشكل عام، تعد المعالجات المشتركة أمرًا بالغ الأهمية لنظام blockchain البيئي. أعتقد أنها "المنشطات" الأسرع والأكثر أمانًا في blockchain.

ستكون المعالجات المساعدة ضرورية للعديد من التطبيقات، بما في ذلك:

• تطوير تطبيقات ذكاء اصطناعي غير موثوقة ومقاومة للرقابة

• إجراء تحليل يمكن التحقق منه لمجموعات البيانات الكبيرة

• تحسين موثوقية وشفافية الذكاء الاصطناعي التطبيقات المعتمدة على التشفير

• تسمح للعقود الذكية بالوصول إلى المزيد من البيانات وموارد الحوسبة خارج السلسلة بتكلفة أقل دون التأثير على خصائص اللامركزية.

يمكن للتطبيقات المحتملة للمعالجات المشتركة أن تحدث ثورة في مجالات مثل التمويل اللامركزي (DeFi)، ويمكن أن تساعد في الحفاظ على القدرة التنافسية لمنصات مثل Sushiswap وUniswap.

ومع ذلك، مثل أي تقنية، تأتي المعالجات المساعدة مع مجموعة من التحديات الخاصة بها، مثل تعقيد التطوير وارتفاع تكاليف الأجهزة.

على الرغم من هذه التحديات، تواصل بعض الفرق العمل الجاد لحلها. على سبيل المثال، يجسد التعاون بين Fhenix وEigenLayer الجهود المبذولة لتعزيز مهام الحوسبة وتسريع تطوير المعاملات على سلاسل الخصوصية. يعد هذا التعاون أمرًا بالغ الأهمية للتغلب على العوائق الحالية وإطلاق العنان للإمكانات الكاملة للمعالجين المساعدين في هذا المجال.

9، الاستنتاج

يتطور النظام البيئي للمعالج المشترك بسرعة، وتساهم العديد من المشاريع في تطوير الحلول العامة والتطبيقات المهنية مثل قامت Phala وRitual بتصميم بعض الحلول لمجال الذكاء الاصطناعي.

مع استمرار تطور هذه التكنولوجيا، نتوقع ظهور حالات استخدام جديدة وتطبيقات مبتكرة. يبدو مستقبل المعالجات المساعدة مشرقًا، ونحن متحمسون لمشاهدة كيفية تطور هذا المجال.