Cocoon چیست؟ شبکه هوش مصنوعی غیرمتمرکز پاول دورف با تمرکز بر حریم خصوصی
هوش مصنوعی برای پاسخ دادن به پرسش‌های کاربران به قدرت پردازشی زیادی نیاز دارد. بخش بزرگی از این پردازش‌ها امروز روی سرورهای شرکت‌های بزرگی مانند گوگل، مایکروسافت و آمازون انجام می‌شود. این ساختار اگرچه دسترسی به سرویس‌های هوش مصنوعی را ساده کرده، یک سؤال مهم را هم مطرح می‌کند: وقتی اطلاعات شخصی و درخواست‌های کاربران روی زیرساخت شرکت‌های متمرکز پردازش می‌شوند، چه کسی به داده‌ها دسترسی دارد و چطور می‌توان از محرمانه ماندن آن‌ها مطمئن شد؟
پاول دورف، بنیان‌گذار تلگرام، با معرفی پروژه‌ای به نام Cocoon قصد دارد راه متفاوتی برای پردازش درخواست‌های هوش مصنوعی ایجاد کند. این شبکه قرار است قدرت پردازشی کارت‌های گرافیک متعلق به افراد و شرکت‌های مختلف را به یک زیرساخت مشترک تبدیل کند؛ زیرساختی که بر بستر بلاک‌چین TON فعالیت می‌کند و تمرکز ویژه‌ای بر محرمانگی اطلاعات دارد.
Cocoon چیست و چرا پاول دورف آن را راه‌اندازی کرد؟
Cocoon مخفف عبارت Confidential Compute Open Network و به معنای «شبکه باز پردازش محرمانه» است. این پروژه با هدف ایجاد زیرساختی غیرمتمرکز برای اجرای مدل‌های هوش مصنوعی توسعه یافته و تلاش می‌کند وابستگی پردازش‌های هوش مصنوعی به مراکز داده متمرکز را کاهش دهد.
پاول دورف در رویداد Blockchain Life 2025 از این پروژه رونمایی کرد. ایده اصلی او این است که کاربران برای استفاده از هوش مصنوعی مجبور نباشند تمام اطلاعات و درخواست‌های خود را در اختیار ارائه‌دهندگان متمرکز قرار دهند. از نگاه دورف، تمرکز زیرساخت‌های دیجیتال در اختیار تعداد محدودی شرکت می‌تواند حریم خصوصی و آزادی کاربران را با چالش مواجه کند.
در این مدل، صاحبان سخت‌افزار می‌توانند قدرت پردازشی کارت‌های گرافیک خود را در اختیار شبکه قرار دهند و در مقابل، بابت پردازش درخواست‌های هوش مصنوعی پاداش دریافت کنند. توسعه‌دهندگان نیز می‌توانند از این ظرفیت برای اجرای مدل‌های هوش مصنوعی در برنامه‌های خود استفاده کنند.
شبکه Cocoon چگونه کار می‌کند؟
برای درک عملکرد Cocoon باید آن را به‌عنوان یک بازار توزیع‌شده برای پردازش هوش مصنوعی در نظر گرفت. در این شبکه سه گروه اصلی حضور دارند: کاربران و برنامه‌هایی که درخواست پردازش ارسال می‌کنند، صاحبان کارت‌های گرافیک که منابع سخت‌افزاری خود را ارائه می‌دهند و زیرساختی که درخواست‌ها را به پردازشگرهای مناسب هدایت می‌کند.
فرض کنید یک برنامه هوش مصنوعی برای پاسخ دادن به پرسش کاربران به یک مدل زبانی نیاز دارد. در ساختار سنتی، این درخواست به سرورهای ارائه‌دهنده سرویس ارسال می‌شود و همان زیرساخت متمرکز وظیفه اجرای مدل را بر عهده می‌گیرد.
در Cocoon، درخواست از طریق شبکه به یک پردازشگر دارای GPU مناسب هدایت می‌شود. این پردازشگر مدل هوش مصنوعی را اجرا می‌کند و نتیجه را به برنامه درخواست‌کننده برمی‌گرداند. تفاوت مهم اینجاست که معماری Cocoon از محیط‌های پردازشی محرمانه استفاده می‌کند تا اطلاعات ورودی و خروجی از دسترس مدیران عادی سرور خارج بماند.
سه بخش اصلی شبکه
در معماری فنی Cocoon سه جزء اصلی تعریف شده است:
- Client: بخشی که درخواست پردازش را ارسال می‌کند و هزینه آن را می‌پردازد.
- Proxy: درخواست را دریافت می‌کند، پردازشگر مناسب را انتخاب می‌کند و ارتباط میان کاربر و GPU را مدیریت می‌کند.
- Worker: سروری مجهز به GPU است که مدل هوش مصنوعی را در محیط پردازشی محرمانه اجرا می‌کند.
این تفکیک وظایف باعث می‌شود منابع پردازشی در نقاط مختلف شبکه قرار داشته باشند و درخواست‌ها بر اساس عواملی مانند نوع مدل، ظرفیت سخت‌افزار و عملکرد پردازشگرها توزیع شوند.
حریم خصوصی در Cocoon چگونه تأمین می‌شود؟
مهم‌ترین ویژگی‌ای که Cocoon روی آن تأکید می‌کند، محافظت از اطلاعات کاربران هنگام اجرای مدل‌های هوش مصنوعی است. برای این کار، شبکه از فناوری‌ای به نام Trusted Execution Environment یا TEE استفاده می‌کند. این فناوری محیطی ایزوله برای اجرای برنامه‌ها ایجاد می‌کند تا حتی سیستم‌عامل میزبان و مدیر سرور نیز نتوانند به‌سادگی اطلاعات داخل آن را مشاهده کنند.
یکی از فناوری‌های مورد استفاده در زیرساخت فعلی Cocoon، Intel TDX است. این فناوری امکان اجرای ماشین‌های مجازی محرمانه را فراهم می‌کند و با رمزنگاری حافظه و سازوکارهای اعتبارسنجی سخت‌افزاری، دسترسی میزبان به اطلاعات داخل محیط محافظت‌شده را محدود می‌کند.
به زبان ساده، تصور کنید یک شرکت سرور قدرتمندی در اختیار دارد و قرار است درخواست‌های هوش مصنوعی کاربران را پردازش کند. در حالت معمول، مدیر زیرساخت ممکن است از نظر فنی امکان دسترسی به اطلاعات در حال پردازش را داشته باشد؛ اما با استفاده از TEE، داده‌ها در یک محیط سخت‌افزاری محافظت‌شده اجرا می‌شوند و دسترسی مستقیم به آن‌ها بسیار دشوارتر خواهد بود.
اعتبارسنجی از راه دور چه نقشی دارد؟
صرف ادعای استفاده از محیط امن برای اعتماد به یک سرویس کافی نیست. Cocoon از سازوکاری به نام Remote Attestation یا اعتبارسنجی از راه دور استفاده می‌کند. این فرایند به کلاینت اجازه می‌دهد بررسی کند که محیط پردازشی واقعاً با پیکربندی مورد انتظار اجرا شده است.
در معماری این شبکه، اطلاعات مربوط به کد و وضعیت ماشین مجازی اندازه‌گیری و با گواهی‌های رمزنگاری‌شده قابل بررسی می‌شوند. ارتباط میان اجزای شبکه نیز با استفاده از سازوکارهای رمزنگاری‌شده برقرار می‌شود تا درخواست‌ها و پاسخ‌ها در مسیر انتقال محافظت شوند.
نقش بلاک‌چین TON در شبکه هوش مصنوعی Cocoon چیست؟
Cocoon روی بلاک‌چین TON ساخته شده است؛ شبکه‌ای که در اکوسیستم تلگرام جایگاه مهمی دارد. بااین‌حال، TON وظیفه اجرای مستقیم مدل‌های هوش مصنوعی را بر عهده ندارد. پردازش اصلی روی سرورهای مجهز به GPU انجام می‌شود و بلاک‌چین بیشتر برای ثبت اطلاعات و مدیریت پرداخت‌ها مورد استفاده قرار می‌گیرد.
برای مثال، زمانی که یک توسعه‌دهنده از توان پردازشی یکی از اعضای شبکه استفاده می‌کند، پرداخت هزینه خدمات از طریق سازوکارهای مرتبط با TON انجام می‌شود. این ساختار به صاحبان سخت‌افزار اجازه می‌دهد در ازای ارائه منابع پردازشی، پاداش دریافت کنند.
استفاده از بلاک‌چین همچنین می‌تواند شفافیت بیشتری در بخش‌هایی مانند پرداخت‌ها و ثبت اطلاعات شبکه ایجاد کند. البته نباید تصور کرد که تمام داده‌های پردازشی کاربران روی بلاک‌چین ذخیره می‌شوند؛ اطلاعات حساس درخواست‌ها قرار نیست به شکل عمومی روی زنجیره ثبت شوند.
چطور می‌توان با کارت گرافیک از Cocoon درآمد کسب کرد؟
یکی از بخش‌های جذاب این پروژه برای علاقه‌مندان سخت‌افزار، امکان کسب درآمد از طریق ارائه قدرت پردازشی GPU است. در مدل سنتی، داشتن یک کارت گرافیک قدرتمند معمولاً برای بازی، طراحی، رندرینگ یا اجرای مدل‌های هوش مصنوعی شخصی کاربرد دارد. Cocoon تلاش می‌کند امکان استفاده اقتصادی از این منابع را نیز فراهم کند.
صاحبان سخت‌افزار می‌توانند با اتصال سرورهای مجهز به GPU به شبکه، بخشی از پردازش‌های موردنیاز برنامه‌های هوش مصنوعی را انجام دهند. در مقابل، بابت خدمات ارائه‌شده توکن TON دریافت می‌کنند.
البته ورود به این شبکه به داشتن هر نوع کارت گرافیک محدود نمی‌شود. طبق مستندات فنی فعلی Cocoon، برای اجرای عملیاتی Worker به سخت‌افزارهای سازگار با قابلیت Confidential Computing نیاز است. در بخش GPU نیز پشتیبانی از کارت‌های NVIDIA H100 یا مدل‌های جدیدتر با قابلیت‌های امنیتی موردنیاز اعلام شده و H200 NVL از جمله سخت‌افزارهای آزمایش‌شده است.
بنابراین، برخلاف تصور اولیه، هر کارت گرافیک خانگی یا مدل‌های معمولی سری RTX لزوماً امکان مشارکت در زیرساخت عملیاتی Cocoon را ندارند.
آیا Cocoon می‌تواند جایگزین سرویس‌های هوش مصنوعی گوگل و آمازون شود؟
یکی از اهداف اعلام‌شده پروژه، ایجاد جایگزینی برای زیرساخت‌های متمرکز پردازش هوش مصنوعی است. سرویس‌هایی مانند Amazon Web Services و Google Cloud بخش بزرگی از توان پردازشی موردنیاز شرکت‌ها را تأمین می‌کنند؛ اما استفاده از آن‌ها به معنای وابستگی به زیرساخت و سیاست‌های یک ارائه‌دهنده مشخص است.
Cocoon می‌خواهد با توزیع منابع پردازشی میان اپراتورهای مختلف، وابستگی به یک مرکز داده یا شرکت واحد را کاهش دهد. این مدل در صورت گسترش شبکه می‌تواند گزینه‌ای متفاوت برای توسعه‌دهندگانی باشد که به دنبال اجرای مدل‌های هوش مصنوعی با تأکید بر محرمانگی هستند.
بااین‌حال، رقابت با شرکت‌های بزرگ رایانش ابری فقط به حریم خصوصی محدود نمی‌شود. پایداری سرویس، سرعت پاسخ‌گویی، ظرفیت پردازش، هزینه، تنوع سخت‌افزار و پشتیبانی فنی نیز اهمیت زیادی دارند. Cocoon برای تبدیل شدن به جایگزینی جدی باید در تمام این زمینه‌ها عملکرد قابل‌قبولی ارائه دهد.
آیا اطلاعات کاربران در Cocoon صددرصد محرمانه باقی می‌ماند؟
پاول دورف در معرفی شبکه بر محرمانگی کامل درخواست‌ها تأکید کرده است؛ اما در بررسی فنی یک سامانه امنیتی بهتر است به‌جای تکیه بر عبارت‌هایی مانند «صددرصد امن»، معماری و محدودیت‌های آن را بررسی کنیم.
استفاده از Intel TDX و محیط‌های اجرای مورد اعتماد می‌تواند خطر دسترسی مدیر سرور به داده‌های در حال پردازش را کاهش دهد. بااین‌حال، این فناوری به معنای حذف تمام ریسک‌های امنیتی نیست. امنیت سخت‌افزار، زنجیره تأمین، کدهای اجراشده، مدیریت کلیدها و نحوه پیاده‌سازی شبکه همگی در سطح حفاظت نهایی تأثیر دارند.
مستندات Cocoon نیز نشان می‌دهد که این شبکه به زیرساخت و گواهی‌های امنیتی Intel وابسته است. همچنین برخی بخش‌های مدیریتی هنوز کاملاً غیرمتمرکز نشده‌اند. برای نمونه، در معماری فعلی، مدیریت Proxyها و قرارداد اصلی شبکه در اختیار تیم Cocoon قرار دارد و واگذاری این مسئولیت‌ها به ساختار غیرمتمرکز به‌عنوان برنامه آینده مطرح شده است.
نکته دیگر اینکه فناوری TEE در برابر همه انواع حملات مصون نیست. در مستندات فنی شبکه به برخی محدودیت‌ها، از جمله امکان ارائه نسخه قدیمی داده‌های ذخیره‌شده توسط میزبان، اشاره شده است. بنابراین ارزیابی مستقل امنیت و بررسی گزارش‌های ممیزی اهمیت زیادی دارد.
آیا Cocoon واقعاً یک شبکه غیرمتمرکز است؟
غیرمتمرکز بودن یک شبکه فقط به این معنا نیست که سرورها در مکان‌های مختلف قرار گرفته باشند. برای بررسی میزان تمرکززدایی باید دید چه کسی کنترل اجزای اصلی، مسیر پردازش، قراردادهای هوشمند و تصمیم‌های مدیریتی را در اختیار دارد.
در Cocoon، منابع پردازشی می‌توانند از سوی اپراتورهای مختلف تأمین شوند و این موضوع به توزیع ظرفیت سخت‌افزاری کمک می‌کند. بااین‌حال، مستندات رسمی نشان می‌دهند که در وضعیت فعلی برخی اجزای مهم شبکه همچنان تحت مدیریت تیم توسعه‌دهنده قرار دارند.
برای مثال، Proxyهای فعلی توسط تیم Cocoon اداره می‌شوند و مدیریت قرارداد اصلی شبکه نیز هنوز به‌صورت متمرکز انجام می‌شود. در نقشه راه پروژه، امکان واگذاری برخی از این مسئولیت‌ها به سازوکارهای غیرمتمرکزتر مطرح شده است.
در نتیجه، بهتر است Cocoon را شبکه‌ای با معماری توزیع‌شده و هدف تمرکززدایی بیشتر بدانیم؛ نه سامانه‌ای که از همان ابتدا تمام اجزای آن به‌طور کامل غیرمتمرکز شده‌اند.
Cocoon چه کاربردهایی در آینده هوش مصنوعی خواهد داشت؟
اگر این شبکه بتواند ظرفیت پردازشی کافی جذب کند و از نظر هزینه و پایداری رقابت‌پذیر باشد، کاربردهای متنوعی برای آن قابل تصور است. یکی از مهم‌ترین حوزه‌ها، اجرای مدل‌های زبانی و سرویس‌های هوش مصنوعی است که با اطلاعات حساس کاربران سروکار دارند.
برای مثال، یک برنامه مالی می‌تواند از مدل هوش مصنوعی برای تحلیل درخواست‌های کاربران استفاده کند، بدون اینکه بخواهد اطلاعات حساس آن‌ها را در اختیار یک ارائه‌دهنده متمرکز قرار دهد. البته میزان حفاظت واقعی به نحوه طراحی و پیاده‌سازی کل سامانه بستگی خواهد داشت.
از دیگر کاربردهای احتمالی می‌توان به موارد زیر اشاره کرد:
- دستیارهای هوشمند خصوصی: پردازش درخواست‌های کاربران با تأکید بر محرمانگی داده‌ها.
- ابزارهای سازمانی: اجرای مدل‌های هوش مصنوعی برای تحلیل اطلاعات داخلی شرکت‌ها.
- پردازش اسناد: استخراج و تحلیل اطلاعات محرمانه در محیط‌های پردازشی محافظت‌شده.
- برنامه‌های مبتنی بر تلگرام: ارائه قابلیت‌های هوش مصنوعی در اکوسیستم ربات‌ها و سرویس‌های تلگرامی.
- بازار منابع پردازشی: اتصال توسعه‌دهندگان به صاحبان GPU در نقاط مختلف شبکه.
وضعیت فعلی Cocoon؛ پروژه از مرحله معرفی عبور کرده است؟
Cocoon در ابتدا به‌عنوان پروژه‌ای در حال توسعه معرفی شد و قرار بود در نوامبر ۲۰۲۵ فعالیت خود را آغاز کند. اما این طرح در همان مرحله معرفی باقی نماند. پاول دورف در ۳۰ نوامبر ۲۰۲۵ اعلام کرد که شبکه راه‌اندازی شده و نخستین درخواست‌های هوش مصنوعی در آن پردازش می‌شوند.
در زمان اعلام راه‌اندازی، دورف گفت صاحبان GPU نیز فعالیت خود را آغاز کرده‌اند و بابت ارائه قدرت پردازشی TON دریافت می‌کنند. وب‌سایت رسمی پروژه و مستندات فنی آن نیز در دسترس قرار گرفتند تا توسعه‌دهندگان و تأمین‌کنندگان سخت‌افزار بتوانند با نحوه مشارکت آشنا شوند.
در حال حاضر، Cocoon خود را به‌عنوان زیرساختی برای اجرای محرمانه مدل‌های هوش مصنوعی معرفی می‌کند. بااین‌حال، میزان پذیرش آن در میان توسعه‌دهندگان، ظرفیت واقعی شبکه، هزینه پردازش و کیفیت خدمات در مقیاس بزرگ همچنان از معیارهایی هستند که برای سنجش موفقیت بلندمدت پروژه باید دنبال شوند.
جمع‌بندی؛ آیا Cocoon آینده پردازش خصوصی هوش مصنوعی است؟
پروژه Cocoon تلاش می‌کند دو موضوع مهم را به یکدیگر پیوند دهد: قدرت پردازشی توزیع‌شده و حفظ حریم خصوصی در استفاده از هوش مصنوعی. استفاده از GPUهای متعلق به اپراتورهای مختلف، فناوری‌هایی مانند Intel TDX و پرداخت از طریق بلاک‌چین TON، این پروژه را به یکی از طرح‌های قابل‌توجه در حوزه زیرساخت غیرمتمرکز هوش مصنوعی تبدیل کرده است.
بااین‌حال، موفقیت آن فقط به ایده جذاب یا حمایت تلگرام و پاول دورف وابسته نیست. شبکه باید بتواند از نظر امنیت، سرعت، هزینه و پایداری خدمات با زیرساخت‌های بزرگ رقابت کند. همچنین میزان تمرکززدایی واقعی و کیفیت ممیزی‌های امنیتی آن در طول زمان اهمیت زیادی خواهد داشت.
Cocoon فعلاً یک تلاش جدی برای تغییر شیوه ارائه خدمات هوش مصنوعی است؛ تلاشی که اگر بتواند وعده‌های فنی خود را در مقیاس واقعی عملی کند، می‌تواند انتخاب تازه‌ای برای توسعه‌دهندگان و کاربرانی باشد که حریم خصوصی را در اولویت قرار می‌دهند.