في عام 2025، لا تزال حدة السرد حول "AI + Web3" لم تنقص. وفقًا لأحدث تقرير صادر عن Grayscale في مايو 2025، بلغت القيمة السوقية الكلية لمجال AI Crypto 21 مليار دولار، محققة نموًا يقارب الخمس مرات مقارنة بـ 4.5 مليار دولار في الربع الأول من عام 2023.
هل وراء هذه الموجة اندماج حقيقي للتكنولوجيا، أم أنها مجرد تغليف آخر لمفهوم؟
من منظور كلي، بدأت البيئية التقليدية للذكاء الاصطناعي تظهر المزيد من المشكلات الهيكلية: عتبة تدريب النماذج مرتفعة، عدم وجود ضمان لخصوصية البيانات، احتكار عالٍ للقدرة الحسابية، عملية الاستدلال في حالة من عدم الشفافية، عدم توازن آلية التحفيز... وهذه النقاط المؤلمة تتماشى تمامًا مع المزايا الأصلية لـ Web3: اللامركزية، آلية السوق المفتوحة، قابلية التحقق على السلسلة، سيادة بيانات المستخدم، وغيرها.
إن دمج الذكاء الاصطناعي مع Web3 ليس مجرد تداخل لكلمتين شائعتين، بل هو تكامل تقني هيكلي. دعونا نبدأ من بعض النقاط الأساسية التي تواجه الذكاء الاصطناعي حالياً، ونحلل بعمق تلك المشاريع في Web3 التي تحل المشاكل فعلياً، لنساعدك في رؤية قيمة واتجاه مسار AI Crypto.
مستوى الدخول إلى خدمات الذكاء الاصطناعي مرتفع للغاية، والتكاليف باهظة
تعتبر خدمات الذكاء الاصطناعي الحالية عادةً مكلفة للغاية، والحصول على موارد التدريب أمر صعب، مما يجعل العتبة مرتفعة جدًا بالنسبة للشركات الصغيرة والمتوسطة والمطورين الفرديين؛ علاوة على ذلك، غالبًا ما تكون هذه الخدمات معقدة تقنيًا، وتتطلب خلفية احترافية للبدء بها. سوق خدمات الذكاء الاصطناعي مركزي للغاية، مما يفتقر المستخدمون إلى تنوع الخيارات، وتكون تكاليف الاستدعاء غير شفافة، مما يجعل الميزانية صعبة التنبؤ، بل ويواجهون حتى مشكلة احتكار قوة الحوسبة.
تتمثل حلول Web3 في كسر حواجز المنصات من خلال طريقة لامركزية، وبناء سوق GPU مفتوح وشبكة خدمات النماذج، ودعم الجدولة المرنة للموارد غير المستغلة، ومن خلال جدولة المهام على السلسلة وآلية اقتصادية شفافة، لتحفيز المزيد من المشاركين على المساهمة في قوة الحوسبة والنماذج، مما يقلل التكاليف الإجمالية ويعزز إمكانية الوصول إلى الخدمات.
تمثيل المشروع
شبكة رندر: تركز على تقديم خدمات الرندر غير المركزية باستخدام وحدات معالجة الرسوميات، كما تدعم استدلال وتدريب الذكاء الاصطناعي، وتعتمد على نموذج "الدفع حسب الاستخدام" لمساعدة المطورين في الوصول إلى خدمات توليد الصور والذكاء الاصطناعي بتكلفة منخفضة.
جينسين: بناء شبكة تدريب تعلم عميق لامركزية، تستخدم آلية إثبات الحوسبة للتحقق من نتائج التدريب، ودفع تدريب الذكاء الاصطناعي من المركزية إلى التعاون المفتوح.
Akash Network: منصة حوسبة سحابية لامركزية مبنية على تقنية blockchain، يمكن للمطورين استئجار موارد GPU عند الحاجة، لاستخدامها في نشر وتشغيل تطبيقات الذكاء الاصطناعي، وهي "النسخة اللامركزية من الحوسبة السحابية".
0G Labs: Layer-1 أصلي لذكاء اصطناعي لامركزي، من خلال بنية فصل التخزين والحساب المبتكرة، تقلل بشكل كبير من تكلفة وتعقيد تشغيل نماذج الذكاء الاصطناعي على السلسلة.
يفتقر مقدمو البيانات إلى الحوافز
البيانات عالية الجودة هي الوقود الأساسي لنماذج الذكاء الاصطناعي، لكن في النماذج التقليدية، من الصعب على المساهمين في البيانات الحصول على عائدات. عدم شفافية مصادر البيانات، والتكرار العالي، ونقص التغذية الراجعة في طرق الاستخدام، جعلت النظام البيئي للبيانات يعمل بشكل غير كفء على المدى الطويل.
يوفر Web3 نموذج حل جديد تمامًا: من خلال التوقيع المشفر، والتأكد على السلسلة، وآليات الاقتصاد القابلة للتجميع، يتم تشكيل حلقة تعاون وتحفيز واضحة بين المساهمين في البيانات، ومطوري النماذج، والمستخدمين.
تمثيل المشروع
OpenLedger: قدمت ابتكار مفهوم "Payable AI"، حيث تجمع بين مساهمة البيانات، استدعاء النماذج والحوافز الاقتصادية، مما يعزز تشكيل شبكة الاقتصاد البيانات التعاونية على البلوكشين للذكاء الاصطناعي.
Bittensor: نظام تحفيز كامل يعتمد على جوائز TAO، آلية توافق Yuma، تحفيز دقيق للشبكات الفرعية، والتعاون المعرفي، لربط مساهمات البيانات بشكل مباشر مع نتائج تشغيل النماذج، مما يعزز القيمة الإجمالية المساهمة.
Grass: شبكة بيانات AI، تجمع بيانات سلوك تصفح المستخدمين من خلال الإضافات، وتساهم في تدريب محرك البحث على البلوكشين، يحصل المستخدمون على مكافآت بناءً على جودة البيانات، مما يخلق آلية لمشاركة البيانات مدفوعة من المجتمع.
نموذج الصندوق الأسود، لا يمكن التحقق من استنتاجات الذكاء الاصطناعي
تتسم عمليات الاستدلال للنماذج الذكية الرائجة الحالية بكونها صندوقًا أسود بشكل كبير، مما يجعل من الصعب على المستخدمين التحقق من صحة وموثوقية النتائج، خاصة في المجالات عالية المخاطر مثل المالية والرعاية الصحية حيث تكون المشاكل أكثر وضوحًا. علاوة على ذلك، قد تتعرض النماذج لهجمات مثل التلاعب والتسميم، مما يجعل من الصعب تتبعها أو تدقيقها.
لذلك، تحاول مشاريع Web3 إدخال إثباتات المعرفة الصفرية (ZK)، والتشفير المتجانس بالكامل (FHE) والبيئات القابلة للتنفيذ الموثوقة (TEE)، لجعل عملية استنتاج النموذج قابلة للتحقق، وقابلة للتدقيق، وزيادة قابلية تفسير أنظمة الذكاء الاصطناعي وأساس الثقة.
مشروع تمثيلي
Sentient: يضمن استخدام تقنية التعرف على بصمات الأصابع المبتكرة لتتبع سلوك الاستدعاء، مما يعزز من شفافية استخدام النموذج وقدرته على مقاومة التلاعب.
مختبرات مودولس: استخدام تقنية ZK لتشفير والتحقق من عملية استدلال النموذج، لتحقيق "ذكاء اصطناعي موثوق" كنموذج جديد.
جيزا: استخدام علم التشفير القائم على المعرفة الصفرية لنقل حسابات استنتاج التعلم الآلي إلى سلسلة الكتل، مما يزيد من شفافية وثقة نشر نماذج الذكاء الاصطناعي.
مخاطر الخصوصية والأمان
تتضمن عملية تدريب الذكاء الاصطناعي غالبًا كميات كبيرة من البيانات الحساسة، مما يواجه مخاطر مثل تسرب الخصوصية، وسوء استخدام أو هجوم على النموذج، ونقص الشفافية في اتخاذ القرار. في الوقت نفسه، فإن تحديد ملكية البيانات والنماذج غير واضح، مما يزيد من المخاطر الأمنية.
من خلال الاستفادة من عدم قابلية تغيير البيانات في blockchain، وتقنيات التشفير (مثل ZK و FHE)، وبيئات التنفيذ الموثوقة، نضمن أمان البيانات والنماذج الخاصة بأنظمة الذكاء الاصطناعي خلال كامل عملية التدريب والتخزين والاستدعاء.
تمثيل المشروع
Phala Network: يوفر دعم بيئة التنفيذ الموثوقة (TEE) ، ويقوم بتغليف الحسابات الحرجة داخل أجهزة أمان ، لمنع تسرب البيانات وسرقة النماذج.
ZAMA: تركز على تقنية التشفير المتجانس بالكامل (FHE) ، مما يسمح بتدريب النموذج والاستدلال في حالة مشفرة ، لتحقيق "الحساب دون الحاجة إلى النص العادي".
شبكة العقل: بناء منصة مشاركة بيانات واستدلال لامركزية تدعم حماية الخصوصية، من خلال تقنيات التشفير المتقدمة (مثل التشفير المتجانس، وإثباتات المعرفة الصفرية، وغيرها) لتحقيق مشاركة آمنة للبيانات وحسابات الخصوصية.
فانا: تطبيق لإنشاء هوية مدعوم بالذكاء الاصطناعي، يهدف إلى تمكين المستخدمين من استعادة ملكية بياناتهم والسيطرة عليها، وضمان خصوصية البيانات وأمانها.
نزاعات حقوق الطبع والنشر وحقوق الملكية الفكرية لنماذج الذكاء الاصطناعي
تستخدم نماذج الذكاء الاصطناعي الحالية بيانات الإنترنت بشكل كبير في التدريب، ولكن غالبًا ما يتم استخدام المحتوى المحمي بحقوق الطبع والنشر دون إذن، مما يؤدي إلى حدوث نزاعات قانونية متكررة. في الوقت نفسه، فإن ملكية حقوق الطبع والنشر للمحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي غير واضحة، وهناك نقص في آلية الشفافية لتوزيع الحقوق بين المبدعين ومطوري النماذج والمستخدمين. كما أن حالات النسخ والسرقة الخبيثة للنماذج ليست نادرة، مما يجعل حماية حقوق الملكية الفكرية أمرًا صعبًا.
تقوم Web3 من خلال آلية إثبات الملكية على السلسلة بتوثيق وقت إنشاء النموذج ومصدر بيانات التدريب ومعلومات المساهمين، وتستخدم أدوات مثل NFT والعقود الذكية لتحديد حقوق الطبع والنشر للنموذج أو المحتوى.
تمثيل المشروع
بروتوكول القصة: بناء اتفاقية حقوق الملكية الفكرية على السلسلة، تسمح بتأكيد الحقوق، التجميع والتفويض لمحتوى الذكاء الاصطناعي، الشيفرات، النماذج، وما إلى ذلك، بطريقة معيارية، لتحقيق آلية "الإنشاء يعني التأكيد، والاستخدام يعني الدفع".
Alethea AI: من خلال ربط الهوية المعتمدة على السلسلة مع نماذج الذكاء الاصطناعي التوليدية (مثل الشخصيات، الأصوات، إلخ)، تمتلك كل شخصية ذكاء اصطناعي معلومات واضحة عن المبدع وحقوق الطبع والنشر، مما يمنع سوء الاستخدام والسرقة.
فقدان الحوكمة اللامركزية للذكاء الاصطناعي
تطوير وتطور نماذج الذكاء الاصطناعي الحالية يعتمد بشكل كبير على الشركات التكنولوجية الكبرى أو الفرق المغلقة، وتكون وتيرة تحديث النماذج غير شفافة، ومن الصعب تصحيح التوجهات القيمة، مما يسهل حدوث التحيزات في الخوارزميات، وسوء الاستخدام، و"التحول نحو الإقطاعية التكنولوجية". غالبًا ما لا تتمكن المجتمعات والمستخدمون من التدخل في مسار تحديث النماذج، أو تعديل المعلمات، أو حدود السلوك، مما يفتقر إلى آليات فعالة لمراقبة وتصحيح أنظمة الذكاء الاصطناعي.
تتمثل مزايا Web3 في الحوكمة القابلة للبرمجة وآلية التعاون المفتوحة. من خلال حوكمة السلسلة، وآلية DAO، وهياكل التحفيز، يمكن إدخال توافق المجتمع تدريجياً في تصميم نماذج الذكاء الاصطناعي، وأهداف التدريب، وتحديث المعلمات، مما يعزز ديمقراطية وشفافية وتنوع تطوير النموذج.
تمثيل المشروع
Fetch.ai: إدخال وكلاء الاقتصاد الذاتي (AEA) وآليات الحوكمة المفتوحة، مما يجعل سلوك وكيل الذكاء الاصطناعي خاضعاً لقواعد المجتمع، وتنسيق التعاون بين الوكلاء من خلال الحوافز الاقتصادية.
SingularityNET: تحويل خدمات الذكاء الاصطناعي إلى وحدات على السلسلة قابلة للتجميع، بحيث يمكن للمستخدمين اختيار أو استبدال النماذج في السوق المفتوحة، ويدعم آلية حوكمة المنصة تقييم الجودة والنماذج وخدمات الاقتراحات المشتركة للتطوير.
مشكلة التعاون عبر السلاسل باستخدام الذكاء الاصطناعي
في بيئة متعددة السلاسل، قد يتم توزيع وكيل الذكاء الاصطناعي والنماذج عبر سلاسل الكتل المختلفة، مما يجعل من الصعب توحيد الحالة والسياق أو منطق الاستدعاء، مما يؤدي إلى تجربة مستخدم مقطعة، وتطوير معقد، وصعوبة في مزامنة البيانات.
تستكشف بعض المشاريع "بروتوكول الذكاء الاصطناعي المتعدد السلاسل"، وتحاول من خلال مشاركة السياق، والتواصل عبر السلاسل، وآلية مزامنة الحالة، تعزيز استمرارية وموثوقية تشغيل وكيل الذكاء الاصطناعي عبر السلاسل.
تمثيل المشروع
OpenPond: يستخدم بروتوكول MCP عبر السلاسل لربط نماذج الذكاء الاصطناعي والوكيل على سلاسل مختلفة، مما يحقق مزامنة حالة الاستدعاء ومشاركة السياق، ويبسط سيناريوهات التعاون المتعدد السلاسل.
شبكة لافا: تقدم خدمات RPC عبر السلاسل وجسر البيانات، لفتح قنوات الاتصال الأساسية لأنظمة الذكاء الاصطناعي متعددة السلاسل، تدعم مزامنة بيانات الوكيل وتنفيذ المهام الموحدة.
بروتوكول Virtuals: من خلال بروتوكول التعاون الذكي ACP (بروتوكول التجارة الوكيلة) ، يدعم طلبات الوكيل المتعددة والتفاوض والتنفيذ وعمليات التسوية. تتيح تقنية "التزامن الفائق المتوازي" Parallel Hypersynchronicity لوكلاء الذكاء الاصطناعي العمل بشكل متوازي عبر المنصات ومزامنة السلوك والذاكرة في الوقت الحقيقي.
خاتمة
إن ظهور الذكاء الاصطناعي في عالم العملات الرقمية ليس مجرد حديث فارغ، بل هو إعادة هيكلة نظامية من القاعدة إلى القمة: حيث أنه يكسر قيود المركزية لعصر النماذج الكبيرة، ويقوم تدريجياً ببناء نموذج جديد للذكاء الاصطناعي يمكن للجميع المشاركة فيه، ويتميز بالشفافية والموثوقية والدفع بالتعاون، عبر أبعاد مثل القدرة الحاسوبية والبيانات والحوافز والأمان والحوكمة.
لقد انتقل هذا المجال حاليًا من مرحلة المفهوم إلى مرحلة إطلاق المنتجات الفعلية. نعتقد أن المشاريع المتعلقة بالذكاء الاصطناعي والعملات المشفرة التي يمكنها حقًا خلق قيمة فعلية وحل النقاط الأساسية ستتاح لها الفرصة لقيادة موجة التطور القادمة لعصر الذكاء الاصطناعي ودفع تقنيات الذكاء الاصطناعي نحو اتجاه أكثر انفتاحًا وعدالة وموثوقية.
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
هل الفجوة الحقيقية أم وهمية؟ ما هي قيمة مسار AI + Web3؟
الكلمات: TinTinLand
في عام 2025، لا تزال حدة السرد حول "AI + Web3" لم تنقص. وفقًا لأحدث تقرير صادر عن Grayscale في مايو 2025، بلغت القيمة السوقية الكلية لمجال AI Crypto 21 مليار دولار، محققة نموًا يقارب الخمس مرات مقارنة بـ 4.5 مليار دولار في الربع الأول من عام 2023.
هل وراء هذه الموجة اندماج حقيقي للتكنولوجيا، أم أنها مجرد تغليف آخر لمفهوم؟
من منظور كلي، بدأت البيئية التقليدية للذكاء الاصطناعي تظهر المزيد من المشكلات الهيكلية: عتبة تدريب النماذج مرتفعة، عدم وجود ضمان لخصوصية البيانات، احتكار عالٍ للقدرة الحسابية، عملية الاستدلال في حالة من عدم الشفافية، عدم توازن آلية التحفيز... وهذه النقاط المؤلمة تتماشى تمامًا مع المزايا الأصلية لـ Web3: اللامركزية، آلية السوق المفتوحة، قابلية التحقق على السلسلة، سيادة بيانات المستخدم، وغيرها.
إن دمج الذكاء الاصطناعي مع Web3 ليس مجرد تداخل لكلمتين شائعتين، بل هو تكامل تقني هيكلي. دعونا نبدأ من بعض النقاط الأساسية التي تواجه الذكاء الاصطناعي حالياً، ونحلل بعمق تلك المشاريع في Web3 التي تحل المشاكل فعلياً، لنساعدك في رؤية قيمة واتجاه مسار AI Crypto.
مستوى الدخول إلى خدمات الذكاء الاصطناعي مرتفع للغاية، والتكاليف باهظة
تعتبر خدمات الذكاء الاصطناعي الحالية عادةً مكلفة للغاية، والحصول على موارد التدريب أمر صعب، مما يجعل العتبة مرتفعة جدًا بالنسبة للشركات الصغيرة والمتوسطة والمطورين الفرديين؛ علاوة على ذلك، غالبًا ما تكون هذه الخدمات معقدة تقنيًا، وتتطلب خلفية احترافية للبدء بها. سوق خدمات الذكاء الاصطناعي مركزي للغاية، مما يفتقر المستخدمون إلى تنوع الخيارات، وتكون تكاليف الاستدعاء غير شفافة، مما يجعل الميزانية صعبة التنبؤ، بل ويواجهون حتى مشكلة احتكار قوة الحوسبة.
تتمثل حلول Web3 في كسر حواجز المنصات من خلال طريقة لامركزية، وبناء سوق GPU مفتوح وشبكة خدمات النماذج، ودعم الجدولة المرنة للموارد غير المستغلة، ومن خلال جدولة المهام على السلسلة وآلية اقتصادية شفافة، لتحفيز المزيد من المشاركين على المساهمة في قوة الحوسبة والنماذج، مما يقلل التكاليف الإجمالية ويعزز إمكانية الوصول إلى الخدمات.
تمثيل المشروع
شبكة رندر: تركز على تقديم خدمات الرندر غير المركزية باستخدام وحدات معالجة الرسوميات، كما تدعم استدلال وتدريب الذكاء الاصطناعي، وتعتمد على نموذج "الدفع حسب الاستخدام" لمساعدة المطورين في الوصول إلى خدمات توليد الصور والذكاء الاصطناعي بتكلفة منخفضة.
جينسين: بناء شبكة تدريب تعلم عميق لامركزية، تستخدم آلية إثبات الحوسبة للتحقق من نتائج التدريب، ودفع تدريب الذكاء الاصطناعي من المركزية إلى التعاون المفتوح.
Akash Network: منصة حوسبة سحابية لامركزية مبنية على تقنية blockchain، يمكن للمطورين استئجار موارد GPU عند الحاجة، لاستخدامها في نشر وتشغيل تطبيقات الذكاء الاصطناعي، وهي "النسخة اللامركزية من الحوسبة السحابية".
0G Labs: Layer-1 أصلي لذكاء اصطناعي لامركزي، من خلال بنية فصل التخزين والحساب المبتكرة، تقلل بشكل كبير من تكلفة وتعقيد تشغيل نماذج الذكاء الاصطناعي على السلسلة.
يفتقر مقدمو البيانات إلى الحوافز
البيانات عالية الجودة هي الوقود الأساسي لنماذج الذكاء الاصطناعي، لكن في النماذج التقليدية، من الصعب على المساهمين في البيانات الحصول على عائدات. عدم شفافية مصادر البيانات، والتكرار العالي، ونقص التغذية الراجعة في طرق الاستخدام، جعلت النظام البيئي للبيانات يعمل بشكل غير كفء على المدى الطويل.
يوفر Web3 نموذج حل جديد تمامًا: من خلال التوقيع المشفر، والتأكد على السلسلة، وآليات الاقتصاد القابلة للتجميع، يتم تشكيل حلقة تعاون وتحفيز واضحة بين المساهمين في البيانات، ومطوري النماذج، والمستخدمين.
تمثيل المشروع
OpenLedger: قدمت ابتكار مفهوم "Payable AI"، حيث تجمع بين مساهمة البيانات، استدعاء النماذج والحوافز الاقتصادية، مما يعزز تشكيل شبكة الاقتصاد البيانات التعاونية على البلوكشين للذكاء الاصطناعي.
Bittensor: نظام تحفيز كامل يعتمد على جوائز TAO، آلية توافق Yuma، تحفيز دقيق للشبكات الفرعية، والتعاون المعرفي، لربط مساهمات البيانات بشكل مباشر مع نتائج تشغيل النماذج، مما يعزز القيمة الإجمالية المساهمة.
Grass: شبكة بيانات AI، تجمع بيانات سلوك تصفح المستخدمين من خلال الإضافات، وتساهم في تدريب محرك البحث على البلوكشين، يحصل المستخدمون على مكافآت بناءً على جودة البيانات، مما يخلق آلية لمشاركة البيانات مدفوعة من المجتمع.
نموذج الصندوق الأسود، لا يمكن التحقق من استنتاجات الذكاء الاصطناعي
تتسم عمليات الاستدلال للنماذج الذكية الرائجة الحالية بكونها صندوقًا أسود بشكل كبير، مما يجعل من الصعب على المستخدمين التحقق من صحة وموثوقية النتائج، خاصة في المجالات عالية المخاطر مثل المالية والرعاية الصحية حيث تكون المشاكل أكثر وضوحًا. علاوة على ذلك، قد تتعرض النماذج لهجمات مثل التلاعب والتسميم، مما يجعل من الصعب تتبعها أو تدقيقها.
لذلك، تحاول مشاريع Web3 إدخال إثباتات المعرفة الصفرية (ZK)، والتشفير المتجانس بالكامل (FHE) والبيئات القابلة للتنفيذ الموثوقة (TEE)، لجعل عملية استنتاج النموذج قابلة للتحقق، وقابلة للتدقيق، وزيادة قابلية تفسير أنظمة الذكاء الاصطناعي وأساس الثقة.
مشروع تمثيلي
Sentient: يضمن استخدام تقنية التعرف على بصمات الأصابع المبتكرة لتتبع سلوك الاستدعاء، مما يعزز من شفافية استخدام النموذج وقدرته على مقاومة التلاعب.
مختبرات مودولس: استخدام تقنية ZK لتشفير والتحقق من عملية استدلال النموذج، لتحقيق "ذكاء اصطناعي موثوق" كنموذج جديد.
جيزا: استخدام علم التشفير القائم على المعرفة الصفرية لنقل حسابات استنتاج التعلم الآلي إلى سلسلة الكتل، مما يزيد من شفافية وثقة نشر نماذج الذكاء الاصطناعي.
مخاطر الخصوصية والأمان
تتضمن عملية تدريب الذكاء الاصطناعي غالبًا كميات كبيرة من البيانات الحساسة، مما يواجه مخاطر مثل تسرب الخصوصية، وسوء استخدام أو هجوم على النموذج، ونقص الشفافية في اتخاذ القرار. في الوقت نفسه، فإن تحديد ملكية البيانات والنماذج غير واضح، مما يزيد من المخاطر الأمنية.
من خلال الاستفادة من عدم قابلية تغيير البيانات في blockchain، وتقنيات التشفير (مثل ZK و FHE)، وبيئات التنفيذ الموثوقة، نضمن أمان البيانات والنماذج الخاصة بأنظمة الذكاء الاصطناعي خلال كامل عملية التدريب والتخزين والاستدعاء.
تمثيل المشروع
Phala Network: يوفر دعم بيئة التنفيذ الموثوقة (TEE) ، ويقوم بتغليف الحسابات الحرجة داخل أجهزة أمان ، لمنع تسرب البيانات وسرقة النماذج.
ZAMA: تركز على تقنية التشفير المتجانس بالكامل (FHE) ، مما يسمح بتدريب النموذج والاستدلال في حالة مشفرة ، لتحقيق "الحساب دون الحاجة إلى النص العادي".
شبكة العقل: بناء منصة مشاركة بيانات واستدلال لامركزية تدعم حماية الخصوصية، من خلال تقنيات التشفير المتقدمة (مثل التشفير المتجانس، وإثباتات المعرفة الصفرية، وغيرها) لتحقيق مشاركة آمنة للبيانات وحسابات الخصوصية.
فانا: تطبيق لإنشاء هوية مدعوم بالذكاء الاصطناعي، يهدف إلى تمكين المستخدمين من استعادة ملكية بياناتهم والسيطرة عليها، وضمان خصوصية البيانات وأمانها.
نزاعات حقوق الطبع والنشر وحقوق الملكية الفكرية لنماذج الذكاء الاصطناعي
تستخدم نماذج الذكاء الاصطناعي الحالية بيانات الإنترنت بشكل كبير في التدريب، ولكن غالبًا ما يتم استخدام المحتوى المحمي بحقوق الطبع والنشر دون إذن، مما يؤدي إلى حدوث نزاعات قانونية متكررة. في الوقت نفسه، فإن ملكية حقوق الطبع والنشر للمحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي غير واضحة، وهناك نقص في آلية الشفافية لتوزيع الحقوق بين المبدعين ومطوري النماذج والمستخدمين. كما أن حالات النسخ والسرقة الخبيثة للنماذج ليست نادرة، مما يجعل حماية حقوق الملكية الفكرية أمرًا صعبًا.
تقوم Web3 من خلال آلية إثبات الملكية على السلسلة بتوثيق وقت إنشاء النموذج ومصدر بيانات التدريب ومعلومات المساهمين، وتستخدم أدوات مثل NFT والعقود الذكية لتحديد حقوق الطبع والنشر للنموذج أو المحتوى.
تمثيل المشروع
بروتوكول القصة: بناء اتفاقية حقوق الملكية الفكرية على السلسلة، تسمح بتأكيد الحقوق، التجميع والتفويض لمحتوى الذكاء الاصطناعي، الشيفرات، النماذج، وما إلى ذلك، بطريقة معيارية، لتحقيق آلية "الإنشاء يعني التأكيد، والاستخدام يعني الدفع".
Alethea AI: من خلال ربط الهوية المعتمدة على السلسلة مع نماذج الذكاء الاصطناعي التوليدية (مثل الشخصيات، الأصوات، إلخ)، تمتلك كل شخصية ذكاء اصطناعي معلومات واضحة عن المبدع وحقوق الطبع والنشر، مما يمنع سوء الاستخدام والسرقة.
فقدان الحوكمة اللامركزية للذكاء الاصطناعي
تطوير وتطور نماذج الذكاء الاصطناعي الحالية يعتمد بشكل كبير على الشركات التكنولوجية الكبرى أو الفرق المغلقة، وتكون وتيرة تحديث النماذج غير شفافة، ومن الصعب تصحيح التوجهات القيمة، مما يسهل حدوث التحيزات في الخوارزميات، وسوء الاستخدام، و"التحول نحو الإقطاعية التكنولوجية". غالبًا ما لا تتمكن المجتمعات والمستخدمون من التدخل في مسار تحديث النماذج، أو تعديل المعلمات، أو حدود السلوك، مما يفتقر إلى آليات فعالة لمراقبة وتصحيح أنظمة الذكاء الاصطناعي.
تتمثل مزايا Web3 في الحوكمة القابلة للبرمجة وآلية التعاون المفتوحة. من خلال حوكمة السلسلة، وآلية DAO، وهياكل التحفيز، يمكن إدخال توافق المجتمع تدريجياً في تصميم نماذج الذكاء الاصطناعي، وأهداف التدريب، وتحديث المعلمات، مما يعزز ديمقراطية وشفافية وتنوع تطوير النموذج.
تمثيل المشروع
Fetch.ai: إدخال وكلاء الاقتصاد الذاتي (AEA) وآليات الحوكمة المفتوحة، مما يجعل سلوك وكيل الذكاء الاصطناعي خاضعاً لقواعد المجتمع، وتنسيق التعاون بين الوكلاء من خلال الحوافز الاقتصادية.
SingularityNET: تحويل خدمات الذكاء الاصطناعي إلى وحدات على السلسلة قابلة للتجميع، بحيث يمكن للمستخدمين اختيار أو استبدال النماذج في السوق المفتوحة، ويدعم آلية حوكمة المنصة تقييم الجودة والنماذج وخدمات الاقتراحات المشتركة للتطوير.
مشكلة التعاون عبر السلاسل باستخدام الذكاء الاصطناعي
في بيئة متعددة السلاسل، قد يتم توزيع وكيل الذكاء الاصطناعي والنماذج عبر سلاسل الكتل المختلفة، مما يجعل من الصعب توحيد الحالة والسياق أو منطق الاستدعاء، مما يؤدي إلى تجربة مستخدم مقطعة، وتطوير معقد، وصعوبة في مزامنة البيانات.
تستكشف بعض المشاريع "بروتوكول الذكاء الاصطناعي المتعدد السلاسل"، وتحاول من خلال مشاركة السياق، والتواصل عبر السلاسل، وآلية مزامنة الحالة، تعزيز استمرارية وموثوقية تشغيل وكيل الذكاء الاصطناعي عبر السلاسل.
تمثيل المشروع
OpenPond: يستخدم بروتوكول MCP عبر السلاسل لربط نماذج الذكاء الاصطناعي والوكيل على سلاسل مختلفة، مما يحقق مزامنة حالة الاستدعاء ومشاركة السياق، ويبسط سيناريوهات التعاون المتعدد السلاسل.
شبكة لافا: تقدم خدمات RPC عبر السلاسل وجسر البيانات، لفتح قنوات الاتصال الأساسية لأنظمة الذكاء الاصطناعي متعددة السلاسل، تدعم مزامنة بيانات الوكيل وتنفيذ المهام الموحدة.
بروتوكول Virtuals: من خلال بروتوكول التعاون الذكي ACP (بروتوكول التجارة الوكيلة) ، يدعم طلبات الوكيل المتعددة والتفاوض والتنفيذ وعمليات التسوية. تتيح تقنية "التزامن الفائق المتوازي" Parallel Hypersynchronicity لوكلاء الذكاء الاصطناعي العمل بشكل متوازي عبر المنصات ومزامنة السلوك والذاكرة في الوقت الحقيقي.
خاتمة
إن ظهور الذكاء الاصطناعي في عالم العملات الرقمية ليس مجرد حديث فارغ، بل هو إعادة هيكلة نظامية من القاعدة إلى القمة: حيث أنه يكسر قيود المركزية لعصر النماذج الكبيرة، ويقوم تدريجياً ببناء نموذج جديد للذكاء الاصطناعي يمكن للجميع المشاركة فيه، ويتميز بالشفافية والموثوقية والدفع بالتعاون، عبر أبعاد مثل القدرة الحاسوبية والبيانات والحوافز والأمان والحوكمة.
لقد انتقل هذا المجال حاليًا من مرحلة المفهوم إلى مرحلة إطلاق المنتجات الفعلية. نعتقد أن المشاريع المتعلقة بالذكاء الاصطناعي والعملات المشفرة التي يمكنها حقًا خلق قيمة فعلية وحل النقاط الأساسية ستتاح لها الفرصة لقيادة موجة التطور القادمة لعصر الذكاء الاصطناعي ودفع تقنيات الذكاء الاصطناعي نحو اتجاه أكثر انفتاحًا وعدالة وموثوقية.