Bittensor هو أمل قرية Crypto بأكملها

في النقاش العام حول “هل لا تزال العملات المشفرة ذات معنى”، تقدم Bittensor أقوى إجابة على مستوى الصناعة.

المؤلف: 0xai

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

لماذا يجب أن تتابع هذا التقرير

إذا أصبح “التدريب اللامركزي للذكاء الاصطناعي” ممكنًا بدلًا من مستحيل، فكم تم التقليل من قيمة Bittensor؟

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

لقد تلاشت بقايا السوق الصاعدة السابقة، ويتجه المواهب بسرعة نحو صناعة الذكاء الاصطناعي. أولئك الذين تحدثوا سابقًا عن “الضربة 100x القادمة”، الآن يتحدثون عن Claude CodeOpenclaw. “العملات المشفرة 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.

70+ مشارك مستقل من جميع أنحاء العالم، بدون خادم مركزي، وبدون تنسيق من شركات كبرى، وباعتماد فقط على آليات التحفيز في العملات المشفرة، قاموا معًا بتدريب نموذج ذكاء اصطناعي ضخم يضم 720 مليار معلمة.

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

الأهم من ذلك: في العديد من الاختبارات الرئيسية، تفوق أداء هذا النموذج على نماذج من نفس المستوى تم تدريبها بكلفة عالية من قبل Meta.

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

جوهر هذا التقرير هو: أن المستثمرين في العملات المشفرة يرون فقط “نموذج مفتوح المصدر آخر”، ويعتقدون أنه لا يرقى إلى نماذج مثل GPT أو Claude؛ الباحثون في الذكاء الاصطناعي لا يهتمون بالعملات المشفرة. الفجوة بين هذين المجتمعين تخلق نافذة لفرصة استغلال معرفي.

إطار القراءة

ينقسم هذا التقرير إلى قسمين منطقيين:

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

الجزء الثاني — الأهمية الصناعية: شرح لماذا يعني هذا أن نظام Bittensor مُقدّر بشكل منخفض، ولماذا يُعتبر Bittensor أمل المجتمع بأكمله في العملات المشفرة.

الجزء الأول: الاختراق في تدريب الذكاء الاصطناعي اللامركزي

1. ما هو SN3؟

ما المطلوب لتدريب نموذج لغة كبير؟

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

طريقة SN3 Templar: السماح لأشخاص متفرقين حول العالم باستخدام جهاز أو عدة أجهزة GPU، ودمج قدراتهم الحسابية كقطع أحجية لتدريب نموذج كامل بشكل جماعي.

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

Bittensor أعطى الجواب: باستخدام رمز TAO كمحفز. كلما كانت مساهمة الشخص في تحسين النموذج (يمكن فهمها على أنها “مساهمته في التقدم”) أكثر فاعلية، زاد حصته من TAO. النظام يقيم ويحاسب تلقائيًا، دون الحاجة إلى جهة مركزية للتنسيق.

هذه هي شبكة SN3 (الشبكة الفرعية رقم 3) من Bittensor، والمعروفة باسم Templar.

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

2. ما الذي حققه 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 عادة. GPT-3 يضم 1750 مليار، وLLaMA-2 (العلامة التجارية المفتوحة من Meta) يضم 700 مليار. Covenant-72B في نفس الحجم تقريبًا.

حجم التدريب؟: حوالي 1.1 تريليون كلمة (رمز)، يعادل حوالي 550 مليون كتاب (بافتراض أن كل كتاب 200 ألف كلمة).

من شارك في التدريب؟: أكثر من 70 مشارك مستقل (معدنون)، ساهموا بقوة حسابية على مراحل (بحد أقصى حوالي 20 عقدة في كل دورة)، بدأ التدريب في 12 سبتمبر 2025 واستمر حوالي 6 أشهر. لا يوجد خادم مركزي، ولا جهة موحدة تنسق.

كيف أداء النموذج؟: بمقارنة نتائج الاختبارات الرئيسية في الذكاء الاصطناعي:

المصدر: نموذج Covenant-72B على HuggingFace، بطاقة النموذج

• MMLU (57 تخصص معرفي): Covenant-72B 67.35% مقابل Meta LLaMA-2 63.08%
• GSM8K (الاستنتاج الرياضي): Covenant-72B 63.91% مقابل Meta LLaMA-2 52.16%
• IFEval (القدرة على اتباع التعليمات): Covenant-72B 64.70% مقابل Meta LLaMA-2 40.67%

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

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

3. ماذا يعني هذا الإنجاز؟

بالنسبة لمجتمع الذكاء الاصطناعي المفتوح: سابقًا، بسبب حاجز التمويل والقدرة الحسابية، كان تدريب نماذج بحجم 70B نادرًا ويقتصر على شركات كبرى. Covenant-72B أثبت للمرة الأولى أن: المجتمع، بدون دعم مركزي، يمكنه تدريب نماذج بنفس الحجم. هذا يغير حدود من يحق له المشاركة في تطوير نماذج الذكاء الاصطناعي الأساسية.

بالنسبة لهيكل القوة في الذكاء الاصطناعي: الوضع الحالي يتركز بشكل كبير — OpenAI، Google، Meta، وAnthropic تسيطر على أقوى النماذج الأساسية. تأسيس تدريب لامركزي يعني أن هذه الحواجز لم تعد حتمية. “فقط الشركات الكبرى يمكنها بناء نماذج أساسية” — هذا المفهوم بدأ يتزعزع لأول مرة.

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

بالنسبة لـ Bittensor نفسها: نجاح SN3 حول Bittensor من مجرد “نظام لامركزي نظري” إلى “بنية تحتية حقيقية للذكاء الاصطناعي اللامركزي”. وهو تحول نوعي من الصفر إلى واحد.

4. مكانة SN3 التاريخية

طريق التدريب اللامركزي للذكاء الاصطناعي ليس طريق SN3 الوحيد، لكنه وصل إلى أماكن لم يصل إليها الآخرون.

تاريخ تطور التدريب اللامركزي:

• 2022 — Together GPT-JT (6B): استكشاف مبكر، إثبات أن التعاون متعدد الأجهزة ممكن
• 2023 — SWARM Intelligence (~1B): تقديم إطار تدريب متعاون غير متجانس
• 2024 — INTELLECT-1 (10B): تدريب لامركزي عبر مؤسسات مختلفة
• 2026 — Covenant-72B / SN3 (72B): أول نموذج كبير يتجاوز أداء التدريب المركزي على معايير رئيسية

خلال 4 سنوات، زاد الحجم من 6B إلى 72B، أي 12 ضعفًا. لكن الأهم ليس الحجم، بل الجودة — الأجيال السابقة كانت تركز على “العمل”، أما Covenant-72B فهو الأول الذي يتفوق على النماذج المركزية على معايير رئيسية.

الاختراقات التقنية الأساسية:

• >99% ضغط (أكثر من 146 ضعفًا): عند مشاركة المساهمين نتائج التدريب (الانحدارات)، كان يتطلب نقل بيانات بحجم جيجابايت، لكن تقنية SparseLoCo تضغطها أكثر من 146 مرة، مع خسارة معلومات ضئيلة، كأنك تضغط موسم كامل من مسلسل إلى صورة واحدة.
• ** فقط 6% من استهلاك الاتصال**: 100 مشارك يعملون معًا، و94% من الوقت يركزون على التدريب الفعلي، و6% فقط على التنسيق، مما يعالج أحد أكبر عوائق التدريب اللامركزي.

5. هل يُقلل من قيمة التدريب اللامركزي؟

ننظر إلى البيانات، ثم نحكم.

دليل التقليل من القيمة

• MMLU 67.35% مقابل LLaMA-2 63.08%
• MMLU-Pro 40.91% مقابل LLaMA-2 35.20%
• IFEval 64.70% مقابل LLaMA-2 40.67%

نماذج التدريب اللامركزي تفوقت على LLaMA-2-70B الذي استثمرت فيه شركات كبرى.

الفجوة مع النماذج المفتوحة الرائدة الحالية (بصراحة):

• MMLU: Covenant-72B 67.35% مقابل Qwen2.5-72B 86.8% مقابل LLaMA-3.1-70B 83.6%
• GSM8K: Covenant-72B 63.91% مقابل Qwen2.5-72B 95.8% مقابل LLaMA-3.1-70B 95.1%

الفجوة حوالي 20-30 نقطة مئوية.

لكن المهم هو سياق المقارنة: Covenant-72B لا يهدف إلى التفوق على SOTA، بل يثبت أن التدريب اللامركزي ممكن. Qwen2.5 وLLaMA-3.1 خلفهما استثمارات بمليارات الدولارات، وعمليات ضخمة من GPU، وفِرق هندسية محترفة؛ أما Covenant-72B فمكون من 70+ معدنين مستقلين وبدون تنسيق مركزي.

التركيز على الاتجاهات وليس اللحظة

• 2022: أفضل نموذج لامركزي كان 6B، ولم يُختبر على MMLU.
• 2026: نموذج 72B، ونتيجة MMLU 67.35%، متفوقًا على نماذج Meta المماثلة.

خلال 4 سنوات، انتقلت تقنية التدريب اللامركزي من “تجربة مفهومية” إلى “أداء يقارب التدريب المركزي”. معدل التحسن في هذه المسيرة أهم من أي رقم قياسي واحد.

بالإضافة إلى ذلك، الفجوة في القدرات الاستنتاجية العميقة لنموذج Covenant-72B لديها خطة لتحسينها — عبر تقنية SN81 Grail التي ستعزز التعلم المعزز (RLHF) بعد التدريب، وتساعد على تحسين توافق النموذج و قدراته، وهو خطوة أساسية نحو GPT-4 مقارنة بـ GPT-3.

Heterogeneous SparseLoCo هو المرحلة التالية: حاليًا، يتطلب SN3 من 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 تجاوزت التدريب اللامركزي عتبة الجدوى. الفجوة الحالية على المعايير الرئيسية ليست مشكلة نظرية، بل مسألة تحسين هندسي مستمر.

الجزء الثاني: السوق لا يزال يجهل أهمية هذا الأمر

جدول سعر TAO الزمني

بعد إعلان SN3، تحرك سعر TAO بشكل يعكس هذا التأخير في الإدراك:

لاحظ الصمت خلال يومي 3/10 إلى 3/12: الإعلان صدر، ولم يتحرك السعر تقريبًا.

لماذا يوجد هذا التأخير؟

المستثمرون في العملات المشفرة يرون أن “Bittensor SN3 أكمل تدريب نموذج AI” — لكنهم قد لا يفهمون المعنى التقني وراء أن نموذج 72B تم تدريبه بشكل لامركزي وتفوق على Meta على معيار MMLU.

باحثو الذكاء الاصطناعي يفهمون الأهمية التقنية، لكنهم لا يهتمون بالعملات المشفرة.

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

وأغلب المستثمرين في العملات المشفرة لا يزالون يعتقدون أن Bittensor هو مجرد مشروع في دورة سابقة. الآن، يوجد أكثر من 79 شبكة فرعية نشطة على Bittensor، تغطي مجالات Agent الذكاء الاصطناعي، والحوسبة، والتدريب، والتداول، والروبوتات، وغيرها. عندما يعيد السوق تقييم مدى اتساع نظام Bittensor، ستُصحح هذه الفجوة — وغالبًا بشكل مفاجئ من خلال ارتفاع حاد في السعر.

تقدير السوق لـ Bittensor غير متوازن

عند وضع Bittensor في سياق أكبر للصناعة:

لقد أثبتت شبكة SN3 أن: Bittensor يمكنها إتمام 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 Bittensor كجزء من بنية تحتية للذكاء الاصطناعي، باستخدام منطق تقييم مشاريع التطبيقات.

حتى داخل سوق العملات المشفرة فقط: حصة Bitcoin السوقية طويلة الأمد تتراوح بين 50-60%، بينما حصة Bittensor في قطاع الذكاء الاصطناعي في العملات المشفرة تقترب من 11.5%.

عندما يعيد السوق تقييم مكانة Bittensor في البنية التحتية للذكاء الاصطناعي، من المؤكد أن هذا التقدير غير المتوازن سيتغير.

الخلاصة: Bittensor هو أمل المجتمع في العملات المشفرة

إذا أثبت Covenant-72B من SN3 شيئًا، فهو أن:

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

على مدى السنوات الماضية، كانت العملات المشفرة تلعب دورًا هامشيًا في سردية الذكاء الاصطناعي. العديد من المشاريع تعتمد على المفاهيم، أو على عواطف السوق، أو على التمويل، وتفتقر إلى نتائج تقنية قابلة للتحقق. SN3 هو حالة واضحة ومختلفة.

لم يُطلق عملة جديدة، ولم يُروج لمنتج “ذكاء اصطناعي + ويب3” على مستوى التطبيق، بل أنجز شيئًا أعمق وأصعب:

تدريب نموذج بحجم 72B بدون تنسيق مركزي.

المشاركون من جميع أنحاء العالم، لا يحتاجون إلى ثقة متبادلة، والنظام يعتمد على آليات التحفيز والتحقق على السلسلة لتنظيم المساهمات وتوزيع الأرباح.

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

الكثيرون لا يزالون لا يدركون الأهمية التاريخية لـ SN3. كما أن الكثيرين لم يدركوا أن Bitcoin لم يثبت فقط “نظام دفع أفضل”، بل أثبت قيمة الثقة بدون مركزية.

اليوم، ما يراه الكثيرون هو مجرد معايير أداء، وإطلاق نماذج، وارتفاعات سعرية مؤقتة.

لكن التغيير الحقيقي هو أن Bittensor يثبت أن:

• العملات المشفرة ليست فقط لإصدار الأصول، بل لتنظيم الإنتاج.
• العملات المشفرة ليست فقط لتداول الانتباه، بل لإنتاج الذكاء.

المجتمع المفتوح يمكنه المساهمة بالكود، والأوساط الأكاديمية يمكنها تقديم الأوراق، لكن عندما يتعلق الأمر بالتدريب على نطاق واسع، والتعاون طويل الأمد، والتنسيق عبر المناطق، ومكافحة التلاعب، وتقاسم الأرباح، فإن النظم القائمة على النوايا الحسنة والسمعة وحدها غير كافية:

• بدون حوافز اقتصادية، لا يوجد استدامة في الإمداد.
• بدون أنظمة مكافأة وعقاب قابلة للتحقق، لا يوجد تعاون طويل الأمد.
• بدون آلية رمزية للتنسيق، لا يمكن بناء شبكة إنتاج ذكاء عالمية وبدون إذن.

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

وفي نقاش “هل لا تزال العملات المشفرة ذات معنى”، تقدم Bittensor أقوى إجابة على مستوى الصناعة.

ولهذا السبب: Bittensor هو أمل المجتمع في العملات المشفرة.