Bittensor هو أمل قرية Crypto بأكملها

المؤلف: 0xai

نشكر @DistStateAndMe وفريقه على مساهماتهم في مجال نماذج الذكاء الاصطناعي المفتوحة المصدر، وعلى النصائح والدعم الثمين الذي قدموه.

لماذا يجب أن تتابع هذا التقرير

إذا كانت “تدريب الذكاء الاصطناعي اللامركزي” قد أصبحت ممكنة بدلًا من مستحيلة، فكم تم التقليل من قيمة Bittensor؟

في بداية عام 2026، كان الجو في عالم العملات الرقمية مليئًا بالإرهاق.

لقد تلاشت بقايا السوق الصاعدة السابقة، ويتسارع تدفق المواهب نحو صناعة الذكاء الاصطناعي. أولئك الذين كانوا يتحدثون عن “الاستثمار 100x القادم”، الآن يتحدثون عن Claude CodeOpenclaw. “العملات الرقمية تضيع الوقت” — ربما سمعت هذه العبارة أكثر من مرة.

لكن في 10 مارس 2026، أعلن شبكة فرعية تسمى Templar من Bittensor بشكل سري عن حدث مهم.

شارك أكثر من 70 مشاركًا مستقلًا من جميع أنحاء العالم، بدون خوادم مركزية، وبدون شركات كبرى تنسق، وباعتماد فقط على آليات التحفيز في العملات الرقمية، قاموا معًا بتدريب نموذج ذكاء اصطناعي ضخم يضم 720 مليار معلمة.

تم نشر النموذج والأوراق البحثية ذات الصلة على HuggingFace و arXiv، والبيانات متاحة للتحقق العام.

الأهم من ذلك: في العديد من الاختبارات الحاسمة، تفوق أداء هذا النموذج على نماذج من مستوى Meta التي تم تدريبها بتكاليف عالية.

بعد الإعلان، ظل سعر TAO صامتًا لمدة تقارب يومين. ثم بدأ في الارتفاع بشكل حاد في اليوم الثالث، واستمر لمدة 6 أيام تقريبًا، مع زيادة إجمالية حوالي +40%. لماذا تأخرت الاستجابة لمدة يومين؟

الجوهر في هذا التقرير هو: أن المستثمرين في العملات الرقمية يرون فقط “نموذج مفتوح المصدر آخر”، ويشعرون أنه لا يرقى إلى مستوى GPT أو Claude المستخدمين يوميًا؛ الباحثون في الذكاء الاصطناعي لا يهتمون بالعملات الرقمية. الفجوة بين هذين المجتمعين تخلق نافذة لفرص استغلال معرفي.

إطار القراءة

ينقسم هذا التقرير إلى جزأين منطقيين:

الجزء الأول — الاختراق التقني: شرح ما حققه SN3 Templar ولماذا يُعد حدثًا مهمًا في تاريخ الذكاء الاصطناعي والعملات الرقمية.

الجزء الثاني — الأهمية الصناعية: شرح لماذا يعني هذا أن نظام Bittensor مُقدّر بشكل منخفض، ولماذا يُعتبر Bittensor أمل المجتمع الكلي للعملات الرقمية.

الجزء الأول: اختراق تدريب الذكاء الاصطناعي اللامركزي

1. ما هو SN3؟

ما الذي يتطلبه تدريب نموذج لغة كبير؟

الإجابة التقليدية: بناء مركز بيانات ضخم، شراء آلاف وحدات GPU عالية الأداء، استثمار مئات الملايين من الدولارات، وتنسيق العمل بواسطة فريق مهندسين من شركة واحدة. هذه هي طريقة Meta، Google، وOpenAI.

طريقة SN3 Templar: جعل أشخاص من جميع أنحاء العالم يخصصون كل واحد أو عدة وحدات GPU، ويجمعون قدراتهم الحاسوبية كقطع البازل، ويعملون معًا لتدريب نموذج كامل.

لكن هناك مشكلة أساسية: إذا كان المشاركون من جميع أنحاء العالم، ولا يثق بعضهم ببعض، وتكون الشبكة غير مستقرة، كيف نضمن أن تكون نتائج التدريب فعالة؟ كيف نمنع التلاعب أو التخاذل؟ كيف نحفز الجميع على الاستمرار في المساهمة؟

أجابت Bittensor على ذلك: باستخدام رمز TAO كمحفز. كلما كانت مساهمة التدرج (الذي يمكن فهمه على أنه “مساهمة في تحسين النموذج”) أكثر فاعلية، زاد ما يحصل عليه من TAO. النظام يقيم ويحاسب تلقائيًا، دون الحاجة إلى جهة مركزية تنسق.

هذه هي شبكة SN3 (الشبكة الفرعية رقم 3) من Bittensor، والتي تحمل الاسم الرمزي Templar.

إذا كانت Bitcoin أثبتت أن المال اللامركزي ممكن، فإن SN3 تثبت أن تدريب الذكاء الاصطناعي اللامركزي أيضًا ممكن.

2. ماذا حقق SN3؟

في 10 مارس 2026، أعلن SN3 Templar عن إكمال تدريب نموذج لغة ضخم يُسمى Covenant-72B.

ماذا يعني “72B”؟: 720 مليار معلمة. المعلمة هي وحدة تخزين المعرفة في النموذج، وكلما زاد عددها، زاد ذكاؤه عادةً. GPT-3 لديه 1750 مليار، وLLaMA-2 (العلامة التجارية المفتوحة من Meta) لديه 700 مليار. Covenant-72B في نفس مستوى LLaMA-2.

ما حجم التدريب؟: حوالي 1.1 تريليون كلمة (Tokens) — يعادل حوالي 5.5 مليون كتاب (بافتراض أن كل كتاب يحتوي على 200 ألف كلمة).

من شارك في التدريب؟: أكثر من 70 مشاركًا مستقلًا (معدنون)، ساهموا بقوة حسابية (بحد أقصى حوالي 20 عقدة لكل دورة تزامن)، بدأ التدريب في 12 سبتمبر 2025 واستمر حوالي 6 أشهر. لا توجد خوادم مركزية، ولا جهة موحدة تنسق.

كيف كان أداء النموذج؟: بمقارنة نتائج الاختبارات المعروفة في الذكاء الاصطناعي:

المصدر: نموذج Covenant-72B على HuggingFace

اختبار MMLU (معرفة عامة في 57 تخصصًا): Covenant-72B بنسبة 67.35% مقابل 63.08% من LLaMA-2 من Meta

اختبار GSM8K (الاستنتاج الرياضي): Covenant-72B بنسبة 63.91% مقابل 52.16% من LLaMA-2

اختبار IFEval (القدرة على اتباع التعليمات): Covenant-72B بنسبة 64.70% مقابل 40.67% من LLaMA-2

مفتوح المصدر بالكامل: برخصة Apache 2.0. يمكن لأي شخص تحميله واستخدامه وتجارته بدون قيود.

مدعوم أكاديميًا: تم تقديم الورقة البحثية [arXiv 2603.08163]، والتقنيات الأساسية (مُحسِّن SparseLoCo وآلية مكافحة الغش Gauntlet) نُشرت في ورشة NeurIPS للتحسين.

3. ماذا يعني هذا الإنجاز؟

بالنسبة لمجتمع الذكاء الاصطناعي المفتوح المصدر: سابقًا، كانت تكلفة وموارد تدريب نماذج بحجم 70B تقتصر على شركات كبرى. Covenant-72B أثبتت للمرة الأولى أن المجتمع يمكنه تدريب نماذج مماثلة بدون دعم مالي مركزي. هذا يغير حدود من يحق له المشاركة في تطوير نماذج الذكاء الاصطناعي الأساسية.

بالنسبة لنظام القوة في الذكاء الاصطناعي: الوضع الحالي مركزي جدًا — شركات مثل OpenAI، Google، Meta، وAnthropic تسيطر على أقوى النماذج الأساسية. تأسيس تدريب لامركزي يعني أن هذه الحصن المنيع لم يعد غير قابل للاختراق. فرضية “فقط الشركات الكبرى يمكنها بناء نماذج أساسية” تتعرض للشك لأول مرة.

بالنسبة لصناعة العملات الرقمية: هذه هي المرة الأولى التي تقدم فيها مشاريع العملات الرقمية مساهمة تقنية حقيقية في مجال الذكاء الاصطناعي، وليس مجرد “استغلال للموضة”. Covenant-72B لديه نماذج من HuggingFace، وأوراق بحثية على arXiv، وبيانات تقييم معيارية علنية. هذا يضع سابقة: أن آليات التحفيز في العملات الرقمية يمكن أن تكون بنية تحتية جادة للبحث في الذكاء الاصطناعي.

بالنسبة لـ Bittensor نفسها: نجاح SN3 حول Bittensor من مجرد “بروتوكول لامركزي نظري” إلى “بنية تحتية عملية للذكاء الاصطناعي اللامركزي”. تحول نوعي من 0 إلى 1.

4. مكانة SN3 التاريخية

طريق التدريب اللامركزي للذكاء الاصطناعي لم يكن أول من يسلكه SN3، لكنه وصل إلى أماكن لم يصل إليها من قبل.

تاريخ تطور التدريب اللامركزي:

2022 — Together GPT-JT (6B): استكشاف مبكر، إثبات أن التعاون بين عدة أجهزة ممكن

2023 — SWARM Intelligence (~1B): تقديم إطار تدريب متعاون بين عقد غير متجانسة

2024 — INTELLECT-1 (10B): تدريب لامركزي عبر مؤسسات مختلفة

2026 — Covenant-72B / SN3 (72B): أول نموذج بحجم 72B يتفوق على التدريب المركزي في اختبارات معيارية رئيسية

خلال 4 سنوات، زاد حجم المعلمات من 6B إلى 72B، أي 12 ضعفًا. لكن الأهم ليس حجم المعلمات، بل الجودة — الأجيال السابقة كانت تركز على “العمل”، أما Covenant-72B فهي الأولى التي تتفوق على نماذج مركزية في الاختبارات المعيارية.

الاختراقات التقنية الرئيسية:

99% ضغط (أكثر من 146 ضعفًا): عند مشاركة النتائج (التدرجات)، كان يتطلب نقل بيانات بحجم جيجابايت، لكن تقنية SparseLoCo تضغطها أكثر من 146 مرة، مع خسارة معلومات ضئيلة جدًا.

استهلاك اتصال منخفض جدًا: 6% فقط من الوقت يُستخدم في التواصل والتنسيق، و94% في التدريب الفعلي. هذا يحل أحد أكبر عوائق التدريب اللامركزي.

5. هل يُقلل من قيمة التدريب اللامركزي؟

ننظر للبيانات ثم نحكم.

دليل التقليل من القيمة:

MMLU 67.35% مقابل 63.08% من LLaMA-2

MMLU-Pro 40.91% مقابل 35.20% من LLaMA-2

IFEval 64.70% مقابل 40.67% من LLaMA-2

نماذج التدريب اللامركزي تفوق على LLaMA-2-70B الذي استثمرت فيه Meta مبالغ ضخمة.

مقارنة مع النماذج المفتوحة الرائدة الحالية (بصراحة):

MMLU: Covenant-72B بنسبة 67.35% مقابل Qwen2.5-72B بنسبة 86.8% مقابل LLaMA-3.1-70B بنسبة 83.6%

GSM8K: Covenant-72B بنسبة 63.91% مقابل Qwen2.5-72B بنسبة 95.8% مقابل LLaMA-3.1-70B بنسبة 95.1%

الفجوة حوالي 20-30 نقطة مئوية.

لكن المهم هو إطار المقارنة: هدف Covenant-72B ليس التفوق على SOTA، بل إثبات أن التدريب اللامركزي ممكن. Qwen2.5 وLLaMA-3.1 خلفهما استثمارات بمليارات الدولارات، وآلاف وحدات GPU، وفريق مهندسين محترفين؛ بينما Covenant-72B يعتمد على 70+ معدنين مستقلين وبدون تنسيق مركزي.

التركيز على الاتجاه وليس على اللحظة:

2022 — أفضل نموذج لامركزي كان 6B، ولم يُختبر في MMLU.

2026 — نموذج 72B، ونتيجة MMLU 67.35%، متفوق على نماذج Meta المماثلة.

خلال 4 سنوات، انتقل التدريب اللامركزي من “تجربة مفهومية” إلى “أداء يقارب التدريب المركزي”. معدل النمو هذا أكثر أهمية من أي رقم في اختبار واحد.

علاوة على ذلك، الفجوة في القدرات الاستنتاجية العميقة لنموذج Covenant-72B لها حلول مخططة — مثل تقنية SN81 Grail التي ستعزز النموذج بعد التدريب عبر التعلم المعزز (RLHF)، لتحسين التوافق والقدرات. وهذا هو التحسين الأهم على مستوى GPT-4 مقارنة بـ GPT-3.

Heterogeneous SparseLoCo هو المرحلة التالية: حاليًا، يتطلب SN3 من جميع المعدنين استخدام نوع واحد من GPU. التقنية القادمة، Heterogeneous SparseLoCo، ستسمح بمشاركة أجهزة مختلفة (B200 + A100 + GPU استهلاكي) في نفس التدريب. بمجرد تحقيق ذلك، ستتوسع قدرة الحوسبة بشكل كبير.

لقد تجاوز التدريب اللامركزي عتبة الجدوى. الفجوة الحالية في الاختبارات المعيارية ليست مشكلة نظرية، بل مسألة هندسية تحتاج إلى تحسين.

الجزء الثاني: السوق لا يفهم بعد أهمية هذا الأمر

خط زمني لسعر TAO

بعد إعلان SN3، يظهر سعر TAO أن هناك تأخيرًا في الإدراك:

انظر إلى الصمت لمدة يومين (3/10 → 3/12): الإعلان صدر، ولم يتحرك السعر تقريبًا.

لماذا يحدث هذا التأخير؟

المستثمرون في العملات الرقمية يرون أن “Bittensor SN3 أكمل تدريب نموذج AI” — لكنهم قد لا يفهمون المعنى التقني لـ “تجاوز LLaMA-2-70B في اختبار MMLU باستخدام تدريب لامركزي بحجم 72B”.

الباحثون في الذكاء الاصطناعي يفهمون المعنى التقني، لكنهم لا يهتمون بالعملات الرقمية.

الفجوة المعرفية بين المجتمعين تخلق نافذة تأخير في السعر مدتها حوالي 2-3 أيام.

وأغلب المستثمرين في العملات الرقمية لا يزالون يعتقدون أن Bittensor مجرد مشروع في دورة سابقة. الآن، يوجد أكثر من 79 شبكة فرعية نشطة على Bittensor، تغطي مجالات AI Agent، والحوسبة، والتدريب، والتداول، والروبوتات، وغيرها. عندما يعيد السوق تقييم مدى اتساع نظام Bittensor، ستُصحح هذه الفجوة — وغالبًا ما يكون ذلك على شكل ارتفاع حاد في السعر.

تقييم Bittensor غير متوازن

عند وضع Bittensor في سياق صناعي أوسع:

لقد أثبتت شبكة SN3 أن Bittensor يمكنها تدريب نماذج ضخمة بشكل لامركزي.

إذا كانت المستقبلات تتطلب شبكة تدريب مفتوحة وبدون إذن، فإن البنية التحتية الوحيدة التي ثبتت فعاليتها حتى الآن هي Bittensor.

السوق يقيّم الآن شبكة البنية التحتية للذكاء الاصطناعي بناءً على تقييمات مشاريع التطبيقات.

حتى داخل سوق العملات الرقمية، يحتل Bitcoin حصة سوقية تتراوح بين 50-60%، بينما Bittensor في قطاع الذكاء الاصطناعي الرقمي لا تتجاوز حوالي 11.5%.

عندما يعيد السوق تقييم مكانة Bittensor في البنية التحتية للذكاء الاصطناعي، ستُصحح هذه الفجوة.

الخلاصة: Bittensor هو أمل المجتمع الكلي للعملات الرقمية

إذا كانت Covenant-72B من SN3 Templar قد أثبتت شيئًا، فهو أن:

الشبكة اللامركزية لا يمكنها فقط تنسيق رأس المال، بل أيضًا تنسيق الحوسبة والبحث المتقدم في الذكاء الاصطناعي.

على مدى السنوات الماضية، كانت العملات الرقمية تلعب دورًا هامشيًا في سرد ​​الذكاء الاصطناعي. العديد من المشاريع تعتمد على المفاهيم، أو المبالغة في الترويج، أو الرواية الرأسمالية، مع نقص في الإنتاجية التقنية القابلة للتحقق. SN3 حالة واضحة ومختلفة.

لم يُطلق عملة جديدة، ولم يُروج لمنتج “ذكاء اصطناعي + Web3” على مستوى التطبيق، بل أنجز شيئًا أعمق وأصعب:

تدريب نموذج بحجم 72B بدون تنسيق مركزي.

المشاركون من جميع أنحاء العالم، لا يحتاجون إلى الثقة المتبادلة؛ والنظام يعتمد على آليات التحفيز والتحقق على السلسلة لتنظيم المساهمة وتوزيع الأرباح تلقائيًا.

آليات العملات الرقمية تنظم لأول مرة إنتاجية حقيقية في مجال الذكاء الاصطناعي.

الكثيرون لم يدركوا بعد الأهمية التاريخية لـ SN3. مثلما لم يدرك الكثيرون أن Bitcoin لم يثبت “نظام دفع أفضل”، بل أثبت وجود قيمة مشتركة بدون مركزية تعتمد على الثقة.

اليوم، ما يراه الكثيرون هو مجرد تقييمات، أو إصدارات نماذج، أو موجة ارتفاع سعرية.

لكن التغيير الحقيقي هو أن Bittensor يثبت أن:

العملات الرقمية ليست فقط لإصدار الأصول، بل لتنظيم الإنتاج.

العملات الرقمية ليست فقط لتداول الانتباه، بل لإنتاج الذكاء.

المجتمع المفتوح يمكنه المساهمة بالكود، والأوساط الأكاديمية تساهم بالأبحاث، لكن عندما يتعلق الأمر بالتدريب الضخم، والتعاون طويل الأمد، والتنسيق عبر المناطق، ومكافحة الغش، وتوزيع الأرباح، فإن النوايا الحسنة والنظام السمعة وحده غير كافٍ:

بدون حوافز اقتصادية، لا يوجد استدامة في الإمداد.

بدون أنظمة للتحفيز والعقاب يمكن التحقق منها، لا يوجد تعاون طويل الأمد.

بدون آليات رمزية للتنسيق، لا يمكن إنشاء شبكة إنتاج ذكاء اصطناعي عالمية وبدون إذن.

هل يُقلل من قيمة Bittensor؟ الجواب ليس “ربما”، بل “تم التقليل من قيمته بشكل كبير ومنهجي”.

في النقاش العام حول “هل لا تزال العملات الرقمية ذات معنى”، تقدم Bittensor الآن أقوى إجابة في الصناعة.

ولهذا السبب، فإن Bittensor هو أمل المجتمع الكلي للعملات الرقمية.