مع التقدم المتسارع في الذكاء الاصطناعي التوليدي ونماذج اللغة الضخمة (LLMs) ووكلاء الذكاء الاصطناعي (AI Agents)، تدخل صناعة الذكاء الاصطناعي مرحلة أصبحت فيها البنية التحتية هي ساحة المنافسة الأساسية. في المستقبل، ستتطلب بيئة الذكاء الاصطناعي أكثر من مجرد نماذج قوية، بل منظومة متكاملة تشمل البيانات والتدريب ومعدل التجزئة والاستدلال والتطبيقات. يسيطر اليوم لاعبون مركزيون مثل OpenAI وGoogle وAnthropic على البيانات وموارد الحوسبة. في المقابل، تتحدى مشاريع الذكاء الاصطناعي اللامركزي هذه السيطرة عبر البلوكشين والشبكات المفتوحة، ما يتيح مشاركة أوسع حيث يكافأ المساهمون لقاء توفيرهم الموارد.
وفي إطار Web3 والأصول الرقمية، لا تمثل مشاريع DeAI (الذكاء الاصطناعي اللامركزي) مجرد تنفيذ تقليدي لخدمات الذكاء الاصطناعي، بل تعيد هندسة توزيع القيمة والأدوار في عملية تطوير الذكاء الاصطناعي. يستكشف كل مشروع DeAI شريحة مميزة من سلسلة قيمة الذكاء الاصطناعي: فمنهم من يركز على تدريب النماذج، ومنهم من يقدم موارد الحوسبة، وغيرهم يوسّع نطاق تطبيقات الوكلاء الذاتيين. وتوضح المنافسة بين FLock، وBittensor، وAkash، وFetch.ai كيف ستتطور بنية الذكاء الاصطناعي اللامركزي ضمن طبقات متكاملة.
كيف تختلف الأدوار الجوهرية بين FLock وBittensor؟
يُعد كلا FLock وBittensor من المبادرات الكبرى في الذكاء الاصطناعي اللامركزي، لكن كل مشروع يستهدف تحديات محددة.
يركز Bittensor أساسًا على بناء شبكة تعلم آلي مفتوحة، حيث تتم مكافأة نماذج الذكاء الاصطناعي على المنافسة والتحسين عبر نظام حوافز من طرف ثالث. تسمح بنية Subnet للمطورين بتشغيل شبكات ذكاء اصطناعي متعددة، ويتم توزيع المكافآت بناء على أداء النموذج. وهنا يبرز تساؤل Bittensor: "كيف نتيح لنماذج الذكاء الاصطناعي التنافس والتطور بحرية داخل السوق؟" يتنافس مزودو النماذج، ومعالجو البيانات، وخدمات التعلم الآلي، ويتم تقييم مساهماتهم بواسطة آلية شفافة ويكافؤون برموز TAO، مما يخلق سوقًا فعليًا لأداء النماذج.
أما FLock، فهو يركز بشكل محوري على جعل تدريب النماذج أكثر انفتاحًا وخصوصية. باستغلال تقنيات التعلم الموحد، يتصدى FLock لمشكلة مركزية البيانات في تدريب الذكاء الاصطناعي، ويتيح للمؤسسات والأفراد تدريب النماذج بشكل جماعي دون مشاركة مجموعات البيانات الأصلية.
الفارق الجوهي إذاً:
Bittensor يتمحور حول شبكات النماذج المتنافسة والأسواق الذكية، بينما FLock يسعى لبناء بنية تحتية للتدريب التعاوني ومشاركة البيانات.
مثال على نموذج ذكاء اصطناعي مالي:
- في Bittensor، يكمن التحدي في تحديد أي النماذج يحقق أفضل أداء في التنبؤ.
- أما في FLock، فالتركيز على كيفية تحسين المؤسسات المالية للنموذج بشكل جماعي مع الحفاظ على سرية البيانات.
خلاصة القول، FLock وBittensor يعملان في مستويات تقنية مختلفة ضمن DeAI، وقد يصبح نهجاهما متكاملين في المستقبل. فمستقبل الذكاء الاصطناعي اللامركزي يتطلب بنية تحتية تدريبية متينة (FLock) وأطر منافسة مفتوحة للنماذج (Bittensor).
كيف يختلف نموذج بنية الذكاء الاصطناعي في FLock عن Akash؟
فيما يركز FLock وBittensor على نماذج الذكاء الاصطناعي، ينصب تركيز Akash على المورد الأساسي: الحوسبة باستخدام GPU.
تتطلب عمليات تدريب ونشر النماذج قدرة هائلة من معدلات التجزئة للـ GPU. ومع تزايد تعقيد النماذج، أصبحت الحوسبة تمثل منطقة جوهرية في بنية الذكاء الاصطناعي الحديثة، حيث يهيمن كبار مزودي الخدمات السحابية مثل AWS وGoogle Cloud وMicrosoft Azure.
هدف Akash هو لامركزية الحوسبة عبر تجميع الموارد غير المستغلة حول العالم، وفتح سوق GPU حتى يتمكن مطورو الذكاء الاصطناعي من الوصول إليها بمنصة مفتوحة تعتمد على البلوكشين.
الأسئلة الأساسية:
- Akash: "أين ستنفذ عمليات حوسبة الذكاء الاصطناعي؟"
- FLock: "كيف ستتم عمليات التدريب وبناء الذكاء الاصطناعي؟"
هذه الطبقات التقنية مختلفة لكنها تكمل بعضها. تتكون بنية الذكاء الاصطناعي الشاملة من:
- طبقة الحوسبة: تجهيز GPU والخوادم
- طبقة التدريب: تحسين النماذج
- طبقة الاستدلال: نشر النماذج عبر الـ APIs والتفاعلات مع المستخدم النهائي
- طبقة التطبيقات: حلول متخصصة لمجالات محددة
يمثل Akash محور طبقة الحوسبة؛ أما FLock فيتركز على طبقة التدريب. يمكن للمطور إلى نموذج متخصص أن يحصل على موارد GPU من Akash، ويقوم بالتحسين والتدريب عبر FLock، ثم ينشر من خلال متجر الذكاء الاصطناعي.
هذه البنية متعددة الطبقات تجعل من مستقبل DeAI أكثر تعاونًا ومرونة من التنافس، كما هو الحال مع بنية الإنترنت نفسها.
ما الفرق بين FLock وFetch.ai من حيث تركيز التطبيق؟
بينما يعالج كل من FLock وBittensor وAkash الطبقات التحتية للذكاء الاصطناعي، يركز Fetch.ai على طبقة تطبيق الوكيل الذكي (AI Agent). مهمة Fetch.ai هي بناء شبكة من وكلاء الذكاء الاصطناعي يمكنهم تنفيذ المهام والتفاعل وإدارة الأعمال المعقدة ذاتيًا، ليصبح الذكاء الاصطناعي قادرًا على اتخاذ الإجراءات بدلًا من الاستجابة فقط.
- Fetch.ai: "كيف يمكن للذكاء الاصطناعي إتمام المهام وتنفيذ المعاملات تلقائيًا؟"
- FLock: "كيف يتم تدريب النماذج الأساسية وتحسينها وتحقيق العائد منها؟"
تعمل هذه الحلول على مستويات تقنية منفصلة وأكثر تكاملية منها منافسة. ولكي يؤدي وكيل الذكاء الاصطناعي عمله، يجب أن يكون قادرًا على فهم اللغة وتخطيط وتنفيذ المهام وتحليل البيانات واستدعاء النماذج الخارجية—وهي جميعًا قدرات تعتمد على بنية الذكاء الاصطناعي التحتية.
مثال: يمكن لوكيل ذكاء اصطناعي مالي تحليل بيانات السوق، واستدعاء نماذج التنبؤ، وتنفيذ التداولات، والتنسيق مع وكلاء آخرين. الوكيل لا يقوم بتدريب النماذج، بل يعتمد على API نموذجية موثوقة، وهي البيئة التي يبنيها FLock بآليات التدريب اللامركزية والحوافز الشفافة.
على المدى البعيد، قد تبدو منظومة الذكاء الاصطناعي على النحو التالي: تقدم Akash الحوسبة، ويوفر FLock تدريبًا آمنًا وتعاونيًا وتحويل النماذج إلى أصول رقمية، ويوفر Bittensor سوقًا مفتوحة لتبادل النماذج، ويطوّر Fetch.ai تطبيقات المستخدم النهائي الذكية.
لماذا يحتاج الذكاء الاصطناعي اللامركزي إلى التدريب والاستدلال والحوسبة كبنية أساسية؟
| المشروع |
التموضع الأساسي |
المشكلة الرئيسية المحلولة |
التركيز التقني |
طبقة منظومة الذكاء الاصطناعي |
الآليات الرئيسية |
| FLock |
تدريب ذكاء اصطناعي لامركزي ومنصة اقتصاد النماذج |
تدريب النماذج الآمن والتعاوني مع تحقيق الدخل من الأصول النموذجية |
التعلم الموحد، تحويل النماذج لأصول، اقتصاد النماذج |
طبقة تدريب الذكاء الاصطناعي وطبقة أصول النماذج |
AI Arena، FOMO (FLock Open Model Offering)، Real Model Assets (RMA) |
| Bittensor |
شبكة نماذج ذكاء اصطناعي لامركزية |
سوق مفتوح وتنافسي لمشاركة وتحسين النماذج |
بنية الشبكة الفرعية، تقييم النماذج، نظام الحوافز |
طبقة شبكة النماذج |
Subnet، حوافز TAO، تقييم المساهمات |
| Akash |
حوسبة سحابية لامركزية وسوق GPU |
سوق حوسبة مفتوح عالميًا يقلل تكلفة تطوير وتشغيل الذكاء الاصطناعي |
الحوسبة الموزعة، سوق GPU، التداول السحابي |
طبقة حساب الذكاء الاصطناعي/التجزئة |
سوق الحوسبة اللامركزية، تأجير GPU |
| Fetch.ai |
بنية تحتية لتطبيق وكلاء الذكاء الاصطناعي |
تمكين وكلاء الذكاء الاصطناعي من العمل والتفاعل وإنجاز المهام تلقائيًا |
شبكة الوكلاء، أتمتة المهام، التنسيق الذكي |
طبقة التطبيق الذكي |
وكيل الذكاء الاصطناعي، اقتصاد الوكلاء |
يشكل الذكاء الاصطناعي اللامركزي بنية تدعم دورة حياة الذكاء الاصطناعي بالكامل. تتلخص الأساسيات في:
- التدريب: يحدد سعة وابتكار النماذج. تاريخيًا، كانت العملية معتمدة على مراكز بيانات ضخمة وبيانات معزولة، لكن تعليم FLock الموحد يغيّر هذا عبر التمكين الجماعي دون مشاركة البيانات الأولى.
- الاستدلال: يتيح نشر النماذج واقعيًا عبر واجهات وAPIs مفتوحة، ما يمنح المستخدمين حرية الاختيار بعيدًا عن المنصات المغلقة.
- الحوسبة: تشكل العمود الفقري. كلا من التدريب والاستدلال يتطلبان موارد GPU كبيرة، والآن يعمل Akash على لامركزية الوصول لهذه الموارد.
لذلك، تشغل مشاريع FLock وBittensor وAkash طبقات استقلالية في سلسلة القيمة للذكاء الاصطناعي، وتشكّل معًا منظومة شبيهة بالنواة التحتية للإنترنت.
كيف يعمل التعلم الموحد وشبكات النماذج اللامركزية معًا؟
يمثل التعلم الموحد العنصر الفارق في FLock، إذ يتيح تدريب النماذج على عدة مجموعات بيانات منفصلة دون نقلها أو كشفها، ما يسمح بمكاسب في الأداء وبتحقيق السيادة وحماية الخصوصية—مثالي للقطاعات الحساسة مثل الصحة والمالية والشركات.
مثال: اتحاد من البنوك يمكنه تدريب نموذج تقييم المخاطر ماليًا بشكل جماعي، بحيث يعدل كل بنك النموذج استنادًا إلى بياناته الخاصة دون مشاركة البيانات، بل فقط نتائج التدريب المجهولة.
اعتمادًا على ذلك، تقدم حوافز FLock القائمة على البلوكشين مكافآت للعقد والمُدقّقين ومقدمي البيانات بشكل يمكن تتبعه. بينما يركز Bittensor على منافسة النماذج واكتشافها، ويوفر أسواقًا يجري فيها مكافأة أفضل النماذج عبر شبكة Subnet.
بذلك، يشكل المشروعين ركني الذكاء الاصطناعي اللامركزي: FLock لإنشاء النماذج بتعاون، وBittensor لاكتشاف النماذج المفتوحة. تكاملهما يمكّن أسواق نماذج ذكاء اصطناعي موحدة فعليًا.
لماذا يحتاج وكلاء الذكاء الاصطناعي إلى بنية نماذج مفتوحة؟
ستقود وكلاء الذكاء الاصطناعي موجة التبني القادمة، لكن ذلك مشروط بإتاحة البنية اللامركزية للنماذج الأساسية.
حالياً، تعتمد أغلب تلك الوكلاء على APIs مغلقة مثل GPT وClaude، وهذا يسهّل التطوير لكن يقيّد الوصول والتحكم بالأسعار والإمكانات بيد المنصات. يواجه المطورون قيودًا متزايدة بينما تتطلب المجالات المتخصصة في المال والصحة والقانون نماذج أصغر ومتخصصة ومدرّبة على بيانات قطاعية.
الحل يتمثل في البنية النموذجية اللامركزية: يتمكن المطورون من نشر نماذج مخصصة تلبي الطلب الحقيقي، وتستطيع المؤسسات اختيار ما يناسبها، فيما يشترك مقدمو البيانات والحوسبة في العائدات.
يدمج FLock بين تدريب النماذج وتحويلها لأصول رقمية لتحقيق الدخل منها، ما يقلل الاعتماد على المزودين الكبار ويفتح المجال لوكلاء أذكى وأكثر تنوعاً.
كيف تطور مشاريع DeAI نماذج اقتصادية مستدامة؟
يجب أن تخرج DeAI عن الحوافز الرمزية وأن ترتبط بالطلب الحقيقي والتطبيقات الواقعية.
أربعة مسارات أساسية تغذي اقتصاد DeAI:
- شبكات الحوسبة مثل Akash بالقيمة التشغيلية لموارد GPU.
- منصات النماذج تحقق العائد من الاستدعاء البرمجي والترخيص.
- يُكافأ مقدمو البيانات على تحسين النماذج.
- وكلاء الذكاء الاصطناعي يحققون قيمة مباشرة عبر الأتمتة.
يركز FLock على اقتصاد النماذج: الاستخدام الدائم للنماذج يخلق إيرادات تتم مشاركتها مع المطورين والمدربين والمجتمع.
وهذا أساس Real Model Assets (RMA): تحويل ذكاء اصطناعي من أداة داخلية إلى أصل رقمي مدر للعائدات وقابل للتدقيق على الملكية والاستخدام.
النجاح سيكون من نصيب مشاريع تخلق الحلقة الاقتصادية المتكاملة: الحوسبة ← التدريب ← الخدمة ← الإيراد ← نمو النظام البيئي.
ما القادم في الذكاء الاصطناعي اللامركزي؟
يتعلق مستقبل الذكاء الاصطناعي بالبنية التحتية وجودة النماذج معًا. ومع ظهور الوكلاء والروبوتات وأتمتة المؤسسات وغيرها، سيفوز النظام البيئي القائم على أسواق الحوسبة وتنمية النماذج المفتوحة.
كل مشروع—FLock، Bittensor، Akash، Fetch.ai—يخدم شريحة أساسية: FLock للتدريب التعاوني وتحويل النماذج لأصول، Bittensor لأسواق النماذج المفتوحة، Akash لحوسبة لامركزية، Fetch.ai لتطبيقات الوكلاء المتقدمة.
هذه مشاريع متكاملة ولن تلغي بعضها البعض. في المستقبل قد تعتمد خدمة واحدة على حوسبة موزعة (Akash)، تدريب نماذج موحد (FLock)، سوق نماذج مفتوحة (Bittensor)، وطبقة تنسيق للوكلاء (Fetch.ai).
لو نجح نظام DeAI في تحقيق الكفاءة والأمان ونماذج الأعمال القابلة للتطبيق، ستنتقل البنى التحتية من المنصات المركزية إلى الشبكات متعددة الأطراف.
الخلاصة
يمثل كل من FLock وBittensor وAkash وFetch.ai طليعة حركة الذكاء الاصطناعي اللامركزي، مع معالجة كل مشروع لجانب جوهري من المنظومة. يتميز FLock بتدريب النماذج وحماية البيانات وتحويل النماذج لأصول رقمية. يبني Bittensor سوق أداء الذكاء الاصطناعي. يلامركز Akash بنية الحوسبة. ويقدّم Fetch.ai وكلاء الذكاء الاصطناعي للمؤسسات والمستخدمين.
يرتكز مستقبل الذكاء الاصطناعي ليس فقط على تطوير نماذج أفضل، بل على بناء بنية تحتية مفتوحة وعالية الكفاءة ومستدامة.
يضع FLock نموذجًا جديدًا لتوزيع القيمة—سواء بيانات أو نماذج أو حوسبة—في الاقتصاد الرقمي المدفوع بالذكاء الاصطناعي. ومع تحول الذكاء الاصطناعي إلى قوة إنتاجية أساسية، سيكون التدريب اللامركزي وتحويل النماذج لأصول وأسواق الذكاء الاصطناعي المفتوحة البدائل الفعلية للأنظمة المغلقة التقليدية.
