لماذا تواجه الوحدات الذكية المدعومة بالذكاء الاصطناعي العديد من العقبات عند تطبيقها على السلسلة؟

كتابة: زاك بوكورني

ترجمة: تشوبر، أخبار فورسايت نيوز

لم تكن تطبيقات الذكاء الاصطناعي على البلوكتشين تسير بسلاسة، فبالرغم من أن البلوكتشين يمتاز بخصائص قابلة للبرمجة وبدون إذن، إلا أنه يفتقر إلى طبقة معنوية وطبقة تنسيق تتوافق مع الذكاء الاصطناعي. أصدرت مؤسسة الأبحاث التشفيرية Galaxy تقريرًا بحثيًا يشير إلى أن الذكاء الاصطناعي يواجه على السلسلة أربع عوائق هي: اكتشاف الفرص، التحقق الموثوق، قراءة البيانات، وتنفيذ العمليات، وأن البنية التحتية الحالية لا تزال مصممة بشكل رئيسي للتفاعل البشري، مما يصعب دعم إدارة الأصول الذاتية للذكاء الاصطناعي وتنفيذ الاستراتيجيات، وهذه تعتبر العقبات الأساسية لتحقيق الانتشار الواسع للذكاء الاصطناعي على البلوكتشين. فيما يلي ترجمة كاملة للتقرير:

بدأت تطبيقات الذكاء الاصطناعي في التطور من حيث السيناريوهات والقدرات. فهي بدأت تنفذ المهام بشكل مستقل، وتُطوّر لاستخدامها في حيازة وتكوين رأس المال، واكتشاف الصفقات واستراتيجيات العائد. على الرغم من أن هذا التحول التجريبي لا يزال في مراحله المبكرة جدًا، إلا أنه يختلف تمامًا عن النمط السابق الذي كانت فيه الذكاءات الاصطناعية تُستخدم بشكل رئيسي كأدوات اجتماعية وتحليلية.

يُصبح البلوكتشين ساحة اختبار طبيعية لهذا التطور. فبالرغم من أن البلوكتشين لا يتطلب إذنًا، ويتميز بالتجميع، ويمتلك نظام بيئي مفتوح المصدر، ويتيح للجميع الوصول إلى البيانات بشكل متساوٍ، ويُبرمج جميع الأصول على السلسلة بشكل افتراضي.

وهذا يثير مشكلة هيكلية: إذا كان البلوكتشين قابلًا للبرمجة وبدون إذن، فلماذا لا تزال هناك عوائق أمام الوكيل المستقل؟ الجواب لا يكمن في إمكانية التنفيذ، بل في مدى العبء المعنوي والتنسيقي على التنفيذ. فالبلوكتشين يضمن صحة انتقال الحالة، لكنه غالبًا لا يوفر تجريدات أصلية للبروتوكول، مثل التفسيرات الاقتصادية، أو تحديد الهوية، أو التنسيق على مستوى الأهداف.

بعض العوائق ناتجة عن عيوب في بنية الأنظمة غير المرخصة، وأخرى تعكس الحالة الراهنة للأدوات، وإدارة المحتوى، والبنية التحتية للسوق. في الواقع، لا تزال العديد من الوظائف العليا تعتمد على البرمجيات وسير العمل، والتي تتطلب تدخلًا بشريًا في بنائها.

هيكل البلوكتشين والذكاء الاصطناعي

تصميم البلوكتشين يركز على الإجماع والتنفيذ الحتمي، وليس على التفسير المعنوي. فهو يعرض أساسًا أصوات تخزين، سجلات أحداث، مسارات استدعاء، وليس كائنات اقتصادية موحدة. لذلك، فإن المفاهيم المجردة مثل المراكز، العائدات، مؤشرات الصحة، وعمق السيولة، غالبًا ما تحتاج إلى إعادة بناء خارج السلسلة بواسطة فهارس، طبقات تحليل البيانات، واجهات أمامية، وواجهات برمجة التطبيقات، لتحويل الحالة الخاصة بالبروتوكول إلى شكل أكثر سهولة للاستخدام.

العديد من العمليات المالية اللامركزية الشائعة، خاصة تلك الموجهة للمستثمرين الأفراد والقرارات الذاتية، لا تزال تدور حول تفاعل المستخدم عبر الواجهات الأمامية وتوقيعه على المعاملات بشكل فردي. هذا النموذج، الذي يركز على واجهة المستخدم، توسع مع انتشار المستثمرين الأفراد، حتى وإن كانت العديد من الأنشطة على السلسلة مدفوعة بالآلات. النموذج السائد حاليًا هو: نية → واجهة المستخدم → المعاملة → التأكيد. العمليات البرمجية تتبع مسارًا مختلفًا، لكنها أيضًا لها قيودها: يختار المطورون في مرحلة البناء العقود ومجموعات الأصول، ثم يعملون ضمن نطاق ثابت من الخوارزميات. هذان النموذجان لا يملكان القدرة على التكيف مع أنظمة تتطلب اكتشاف وتقييم وتكوين عمليات ديناميكيًا أثناء التشغيل.

عندما يُستخدم بنية تحتية مُحسنة للتحقق من الصفقات، ويُطلب منها قراءة الحالة الاقتصادية، وتقييم الائتمان، وتحسين السلوك حول أهداف واضحة، تبدأ العوائق في الظهور. بعض هذه الفجوات ناتج عن خصائص تصميم البلوكتشين غير المرخص، والمتغايرة، وأخرى تعكس أدوات إدارة المحتوى، والبنية التحتية للسوق، التي لا تزال تعتمد على التدخل البشري.

مقارنة سلوك الذكاء الاصطناعي والخوارزميات التقليدية

قبل مناقشة الفجوات بين بنية البلوكتشين ونظام الذكاء الاصطناعي، من الضروري توضيح الفرق بين سير العمليات الأكثر ذكاءً واستقلالية، والأنظمة الخوارزمية التقليدية.

الفرق ليس في مستوى الأتمتة، أو التعقيد، أو التكوينات المعتمدة، ولا حتى في القدرة على التكيف الديناميكي. فأنظمة الخوارزميات التقليدية يمكن أن تكون عالية التخصيص، وتكتشف عقودًا ورموزًا جديدة، وتوزع الأموال بين استراتيجيات متعددة، وتعيد التوازن بناءً على الأداء. الفرق الحقيقي هو في قدرة النظام على التعامل مع سيناريوهات لم يُتوقعها أثناء البناء.

أنظمة الخوارزميات التقليدية، مهما كانت معقدة، تنفذ منطقًا محددًا مسبقًا وفقًا لنماذج معينة. فهي تتطلب واجهات مخصصة، وتقييمات محددة لتحويل الحالة إلى معانٍ اقتصادية، وقواعد صارمة للثقة والمعايير، وخوارزميات مدمجة لكل فرع من فروع القرار. عندما تواجه حالات غير متوقعة، تتجاهلها أو تفشل. لا تستطيع التفكير في سيناريوهات غريبة، بل تقتصر على مطابقة الحالة مع نماذج معروفة.

مثل آلة “البطة الهضمية” التي تقلد سلوك الكائنات الحية، لكن كل حركاتها مبرمجة مسبقًا.

آلة تقليدية تراقب سوق الإقراض اللامركزي، يمكنها التعرف على أحداث معروفة أو عقود جديدة تتطابق مع أنماط معروفة. لكن إذا ظهرت عقدة إقراض جديدة غير مألوفة، لا يمكنها تقييمها. يتطلب الأمر فحصًا يدويًا، وفهم آلية عملها، وتحديد ما إذا كانت فرصة استثمارية، ثم كتابة منطق تكامل معها. بعد ذلك، يمكن للخوارزمية التفاعل معها، حيث يكون الإنسان مسؤولًا عن التفسير، والخوارزمية عن التنفيذ. نظام الذكاء الاصطناعي القائم على نموذج أساسي يغير هذا الحد الفاصل، حيث يمكنه من خلال قدراته الاستنتاجية أن:

• يفسر أهدافًا غامضة أو غير مكتملة، مثل “زيادة العائد مع تجنب المخاطر العالية”، حيث يحتاج إلى تفسير المعنى. كيف يُعرف المخاطر العالية؟ كيف يُوازن العائد مع المخاطر؟ الخوارزميات التقليدية تتطلب تحديدًا دقيقًا لهذه الشروط مسبقًا، بينما الذكاء الاصطناعي يمكنه فهم النية، واتخاذ قرارات، وتحسين فهمه استنادًا إلى ردود الفعل.

• يتكيف مع واجهات غير معروفة. يمكن للذكاء الاصطناعي قراءة رموز العقود، وتحليل الوثائق، أو فحص واجهات برمجة التطبيقات غير المعروفة، واستنتاج الوظيفة الاقتصادية للنظام. لا يحتاج إلى بناء محللات مخصصة لكل نوع من البروتوكولات. على الرغم من أن هذه القدرة غير مثالية حاليًا، وقد يخطئ أحيانًا، إلا أنه يمكنه محاولة التفاعل مع أنظمة لم يُتوقع وجودها أثناء البناء.

• يفسر ويقيم الثقة والشرعية في ظل غموض. عندما تكون إشارات الثقة غير واضحة أو غير مكتملة، يمكن للنموذج الأساسي أن يوازن بين الإشارات احتماليًا، بدلاً من تطبيق قواعد ثنائية بسيطة. هل هذا العقد قياسي؟ هل العملة شرعية؟ الخوارزميات التقليدية إما تتبع قواعد محددة أو تعجز، بينما يمكن للذكاء الاصطناعي أن يقيّم مستوى الثقة.

• يشرح الأخطاء ويقوم بالتعديلات. عندما تحدث حالات غير متوقعة، يمكن للذكاء الاصطناعي استنتاج سبب المشكلة، وتحديد كيفية التعامل معها. بالمقابل، الخوارزميات التقليدية تقتصر على تنفيذ وحدات التقاط الاستثناءات، وتعيد إرسال رسائل الخطأ فقط، دون تفسير.

هذه القدرات موجودة حاليًا، لكنها ليست مثالية. فالنماذج الأساسية قد تتسبب في أوهام، وتخطئ في تفسير المحتوى، وتتخذ قرارات خاطئة تبدو واثقة. في بيئات معادية وتتعلق برأس المال (أي التي يمكن السيطرة على الكود أو استلام الأصول)، فإن “التفاعل مع أنظمة غير متوقعة” قد يعني خسارة أموال. الفكرة الأساسية هنا ليست أن الذكاء الاصطناعي يمكنه تنفيذ هذه الوظائف بشكل موثوق، بل أنه يمكنه محاولة ذلك بطرق لا تستطيع الأنظمة التقليدية، وأن البنية التحتية المستقبلية يمكن أن تجعل هذه المحاولات أكثر أمانًا وموثوقية.

هذه الفجوة يجب أن تُنظر إليها على أنها حالة مستمرة، وليست تصنيفًا مطلقًا. بعض الأنظمة التقليدية ستدمج أشكالًا من الاستنتاج المكتسب، وبعض أنظمة الذكاء الاصطناعي قد تعتمد على قواعد مدمجة في المسار الحرج. هذا الاختلاف هو توجيهي، وليس ثنائيًا مطلقًا. أنظمة الذكاء الاصطناعي ستنقل المزيد من عمليات التفسير والتقييم والتكيف إلى الاستنتاج أثناء التشغيل، بدلاً من الاعتماد على قواعد مسبقة في مرحلة البناء. هذا مهم جدًا عند مناقشة العوائق، لأن ما يسعى إليه الذكاء الاصطناعي هو القيام بأشياء يتجنبها الخوارزميات التقليدية. فالأخيرة تتجنب العوائق من خلال تصفية العقود أثناء البناء، أو الاعتماد على قوائم بيضاء يديرها المشغلون، أو استخدام محللات مخصصة، أو العمل ضمن حدود أمان محددة مسبقًا. الإنسان ينجز العمل المعنوي، والثوابت، والاستراتيجيات قبل التشغيل، والخوارزمية تنفذ ضمن نطاق معين. قد تتبع عمليات الذكاء الاصطناعي المبكرة هذا النموذج، لكن قيمتها الأساسية تكمن في نقل اكتشاف الفرص، وتقييم الثقة، وتقدير الاستراتيجيات إلى الاستنتاج أثناء التشغيل، وليس في قواعد البناء المسبقة.

سوف تحاول أنظمة الذكاء الاصطناعي اكتشاف وتقييم فرص غير معروفة، وتفسير المعايير بشكل غير مبرمج، وتفسير حالات غير متجانسة، وتنفيذ استراتيجيات حول أهداف غامضة. وجود العوائق لا يرجع إلى أن الذكاء الاصطناعي يفعل شيئًا مشابهًا للخوارزميات، بل لأنه يفعل شيئًا مختلفًا تمامًا: يعمل في فضاء سلوك مفتوح ومتغير، وليس ضمن نظام مغلق ومُدمج مسبقًا.

العوائق

من الناحية الهيكلية، لا تنبع هذه التناقضات من عيوب في توافق البلوكتشين، بل من طريقة عمل طبقة التفاعل الكلية التي تطورت حوله.

البلوكتشين يضمن الحتمية في انتقال الحالة، والتوافق على الحالة النهائية، والحتمية النهائية. لا يحاول ترميز التفسيرات الاقتصادية، أو التحقق من النوايا، أو تتبع الأهداف على مستوى البروتوكول. هذه المهام دائمًا ما تتولاها الواجهات الأمامية، والمحافظ، والفهارس، والطبقات التنسيقية خارج السلسلة، والتي تتطلب دائمًا تدخلًا بشريًا.

حتى المشاركون المخضرمون يتبعون هذا التصميم. فالمستثمرون الأفراد يفسرون الحالة عبر لوحات البيانات، ويختارون العمليات عبر الواجهات، ويوقعون على المعاملات عبر المحافظ، دون التحقق رسميًا من النتائج. المؤسسات التي تتاجر بالخوارزميات تنفذ بشكل آلي، لكنها لا تزال تعتمد على المشغلين البشريين في اختيار البروتوكولات، وفحص الحالات غير الاعتيادية، وتحديث عمليات التكامل عند تغيّر الواجهات. في كلا السيناريوهين، البروتوكول مسؤول فقط عن ضمان صحة التنفيذ، بينما يظل تفسير النوايا، ومعالجة الحالات غير الاعتيادية، والتكيف مع الفرص الجديدة من مسؤولية البشر.

نظام الذكاء الاصطناعي يختصر أو يلغي هذا التقسيم. فهو يجب أن يعيد بناء الحالة ذات المعنى الاقتصادي برمجياً، ويقيم مدى تقدم الأهداف، ويتحقق من صحة التنفيذ، وليس فقط تأكيد المعاملات على السلسلة. على البلوكتشين، تكون هذه الأعباء أكثر وضوحًا، لأن الذكاء الاصطناعي يعمل في بيئة مفتوحة، وتنافسية، ومتغيرة بسرعة، حيث يمكن أن تظهر عقود وأصول ومسارات تنفيذ جديدة بدون مراجعة مركزية. البروتوكول يضمن فقط تنفيذ المعاملات بشكل صحيح، ولا يضمن أن الحالة الاقتصادية سهلة الفهم، أو أن العقود ذات معانٍ قياسية، أو أن مسارات التنفيذ تتوافق مع نوايا المستخدم، أو أن الفرص ذات الصلة يمكن اكتشافها برمجياً.

سوف نستعرض في التالي مراحل دورة تشغيل الذكاء الاصطناعي، ونوضح العوائق في كل مرحلة: اكتشاف العقود والفرص، التحقق من شرعيتها، قراءة الحالة ذات المعنى الاقتصادي، وتنفيذ العمليات حول الأهداف.

عقبات الاكتشاف

تظهر العوائق لأن فضاء التمويل اللامركزي يتوسع بشكل مفتوح في بيئة بدون إذن، وتتم تصفيته من خلال التفاعل الاجتماعي، والأسواق، والأدوات على السلسلة بواسطة البشر. تظهر بروتوكولات جديدة عبر الإعلانات، وتُمرر عبر عمليات تكامل الواجهات، وقوائم الرموز، ومنصات تحليل البيانات، وطبقات السيولة. مع مرور الوقت، تتكون إشارات يمكن الاعتماد عليها لتمييز الأجزاء ذات القيمة الاقتصادية والموثوقية، رغم أن هذا التوافق غالبًا ما يكون غير رسمي، وغير متوازن، ويعتمد على طرف ثالث وتدخل بشري.

يمكن أن توفر للذكاء الاصطناعي بيانات وإشارات ائتمانية مصفاة، لكنه لا يملك الحدس الذي يستخدمه البشر عند تفسير هذه الإشارات. من وجهة نظر السلسلة، جميع العقود المنشورة متساوية في الاكتشاف. العقود الشرعية، والتفرعات الخبيثة، والنشر التجريبي، والمشاريع المهملة، كلها موجودة على شكل رموز قابلة للاستدعاء. والبلوكتشين لا يميز بين العقود المهمة أو الآمنة.

لذا، يتعين على الذكاء الاصطناعي بناء آليات اكتشاف خاصة به: مسح أحداث النشر، التعرف على أنماط الواجهات، تتبع عقود المصانع (وهي عقود يمكن برمجتها لنشر عقود أخرى)، ومراقبة تكوين السيولة، لتحديد العقود التي يجب أن تدخل في نطاق قراراته. هذه العملية ليست مجرد اكتشاف عقود، بل تقييم ما إذا كانت تستحق أن تدخل فضاء سلوك الذكاء الاصطناعي.

اكتشاف المرشحين هو الخطوة الأولى فقط. بعد الاكتشاف المبدئي، يجب أن تمر العقود بعملية تحقق من المعايير والموثوقية، كما سنوضح لاحقًا. يجب أن يتأكد الذكاء الاصطناعي من أن العقود التي اكتشفها حقيقية، قبل أن يدرجها في نطاق قراراته.

العقبات في الاكتشاف ليست مجرد اكتشاف سلوكيات النشر الجديدة. فأنظمة الخوارزميات المتقدمة يمكنها بالفعل تنفيذ ذلك ضمن استراتيجياتها. على سبيل المثال، مراقبة أحداث مصنع Uniswap وإضافة مجمعات السيولة الجديدة تلقائيًا هو اكتشاف ديناميكي. لكن العوائق تظهر على مستويين أعلى: التحقق من شرعية العقود المكتشفة، وتحديد مدى ارتباطها بالأهداف المفتوحة، وليس فقط مطابقتها لنمط معين.

منطق الباحثين عن الفرص يتبع استراتيجياتهم. فهي تعرف أن تبحث عن أنماط معينة في الواجهات، لأن استراتيجياتها محددة مسبقًا. لكن الذكاء الاصطناعي الذي يُعطى أوامر أوسع، مثل “تكوين الفرص المثلى بعد تعديل المخاطر”، لا يمكنه الاعتماد فقط على مرشحات استراتيجية. عليه أن يقيم الفرص الجديدة بناءً على الأهداف نفسها، مما يتطلب تفسير الواجهات غير المعروفة، واستنتاج الوظائف الاقتصادية، وتحديد ما إذا كانت فرصة يجب أن تدخل في نطاق قراراته. هذه مشكلة تتعلق بالاستقلالية العامة، لكن البلوكتشين يزيد من تعقيدها.

عوائق مستوى التحكم

تظهر عوائق مستوى التحكم لأن تحديد الهوية والشرعية غالبًا ما يُنجز خارج البروتوكول، ويعتمد على تصفية، وحوكمة، ووثائق، وواجهات، وتقييمات المشغلين. في العديد من العمليات الحالية، لا تزال القرارات تتخذ بشكل بشري. البلوكتشين يضمن التنفيذ الحتمي والحاسم، لكنه لا يضمن أن المتصل يتفاعل مع العقدة المستهدفة بشكل صحيح. هذا التحديد يُنقل إلى سياقات اجتماعية، ومواقع إلكترونية، وتصفية يدوية.

في العمليات الحالية، يستخدم البشر مستوى الثقة في المواقع الإلكترونية كوسيلة غير رسمية للتحقق. يزورون النطاقات الرسمية (غالبًا عبر منصات مثل DeFiLlama أو حسابات التواصل الاجتماعي المعتمدة للمشاريع)، ويعتبرون أن هذه المواقع تمثل الرابط بين المفهوم البشري وعنوان العقدة. بعد ذلك، تُكوّن الواجهات الأمامية معيارًا موثوقًا، يحدد العناوين الرسمية، ويحدد الرموز التي يجب استخدامها، ويحدد المدخلات الآمنة.

الإنسان يشبه “التركية الميكانيكية” عام 1789، وهي آلة لعب الشطرنج تبدو مستقلة، لكنها تعتمد على مشغل خفي.

الذكاء الاصطناعي بشكل افتراضي غير قادر على تفسير العلامات التجارية، أو إشارات الاعتماد الاجتماعي، أو “الشرعية الرسمية”. يمكن تزويده ببيانات مصفاة من هذه الإشارات، لكن لتحويلها إلى افتراضات موثوقة دائمة، يحتاج إلى سجلات واضحة، أو استراتيجيات، أو منطق تحقق. يمكن تزويده بقوائم بيضاء، وعناوين معتمدة، وسياسات ائتمان من قبل المشغلين. المشكلة ليست في عدم القدرة على الوصول إلى سياقات اجتماعية، بل في أن الحفاظ على هذه التدابير في فضاء سلوكي متغير يتطلب تكلفة عالية، وعندما تكون هذه التدابير غير موجودة أو غير كاملة، يفتقر الذكاء الاصطناعي إلى آليات تحقق احتياطية يستخدمها البشر بشكل افتراضي.

لقد ظهرت نتائج حقيقية من ضعف الثقة في أنظمة الذكاء الاصطناعي على السلسلة. على سبيل المثال، في حالة المدون المشهور في مجال التشفير Orangie، يُقال إن نظامًا ذكيًا وضع أموالًا في عقد فخ. وفي حالة أخرى، قام نظام يُدعى Lobstar Wilde، بسبب خلل في الحالة أو السياق، بتحويل رصيد كبير من الرموز إلى “متسول” على الإنترنت. هذه الأمثلة ليست جوهر النقاش، لكنها توضح كيف يمكن أن تؤدي أخطاء الثقة، وتفسير الحالة، واستراتيجيات التنفيذ إلى خسائر مباشرة.

المشكلة ليست في صعوبة اكتشاف العقود، بل في أن البلوكتشين عادة لا يملك مفهومًا أصليًا لـ “هذا هو العقد الرسمي لتطبيق معين”. هذا النقص هو إلى حد كبير سمة من سمات الأنظمة غير المرخصة، وليس خللًا في التصميم، لكنه يخلق تحديات تنسيقية أمام الأنظمة الذاتية. جزء من المشكلة يرجع إلى ضعف هوية النظام المفتوح، وجزء آخر يرجع إلى أنظمة التسجيل، والمعايير، ونظام الثقة غير ناضجة بعد. على سبيل المثال، الذكاء الاصطناعي الذي يتفاعل مع Aave v3 يجب أن يحدد العناوين التي تعتبر قياسية، وما إذا كانت قابلة للتغيير عبر الوكيل، أو يمكن ترقيتها، أو في حالة إدارة تغييرات.

البشر يحلون هذه المشكلة عبر الوثائق، والواجهات الأمامية، ووسائل التواصل الاجتماعي. أما الذكاء الاصطناعي، فيجب أن يتحقق من الأمور التالية:

• نماذج الوكيل وآليات التنفيذ
• صلاحيات الإدارة وقفل الوقت
• وحدات تحديث معلمات الحوكمة
• مطابقة البايت كود أو واجهات برمجة التطبيقات مع النشر المعروف

في غياب سجل قياسي، يصبح مفهوم “الشرعية” مسألة استنتاج. هذا يعني أن الذكاء الاصطناعي لا يمكنه اعتبار عنوان العقد كإعداد ثابت. عليه أن يحافظ على قوائم بيضاء للتحقق المستمر، أو يستخدم الوكيل لمراجعة الحوكمة وإعادة استنتاج المعايير أثناء التشغيل، أو يتحمل مخاطر التفاعل مع عقود مهملة أو مزورة. في أنظمة البرمجيات والبنية التحتية السوقية التقليدية، يُدار هوية الخدمة عبر مساحات أسماء، وشهادات، وآليات وصول. بالمقابل، على السلسلة، يمكن استدعاء عقدة، وتشغيلها بشكل صحيح، لكن من وجهة نظر المتصل، قد لا تكون ذات معانٍ قياسية على المستوى الاقتصادي أو التجاري.

الصدق في الرموز والبيانات هو ذات المشكلة. فبالرغم من أن الرموز يمكن أن تصف نفسها، إلا أن البيانات الوصفية ليست ذات سلطة، فهي مجرد بيانات عائدة من الكود. على سبيل المثال، عقدة WETH على إيثريوم تُعرف باسم “Wrapped Ether”، ورمزها “WETH”، ودقتها 18. لكن، يمكن لأي عقدة أن تضع:

symbol() = WETH

decimals() = 18

name() = Wrapped Ether

وتنفيذ واجهة ERC-20 القياسية نفسها. فالدوال مثل name()، وsymbol()، وdecimals()، هي فقط دوال قراءة عامة تعيد محتوى يحدده المنشئ. في الواقع، يوجد على إيثريوم حوالي 200 رمز يحمل اسم “Wrapped Ether”، ورمز “WETH”، ودقة 18. بدون مراجعة CoinGecko أو Etherscan، هل يمكنك تمييز أي “WETH” هو النسخة القياسية؟

الذكاء الاصطناعي يواجه هذا الموقف. فالبلوكتشين لا يتحقق من التفرد، ولا يقارن بأي سجل مركزي، ولا يفرض قيودًا. يمكنك اليوم نشر 500 عقد، وكلها تعيد نفس البيانات الوصفية تمامًا. توجد بعض الطرق التجريبية للتحقق، مثل التحقق من توازن إيثريوم والإجمالي، أو فحص السيولة في البورصات اللامركزية، أو التحقق من أنها كضمانات في بروتوكولات الإقراض، لكن لا توجد طريقة مؤكدة. كل طريقة تعتمد على فرضيات عتبة، أو تعتمد على التحقق من صحة عقود أخرى بشكل متكرر.

كما أن البحث عن “الطريق الحقيقي” في متاهة يتطلب إرشادًا خارجيًا، لا توجد إشارات قياسية أصلية على السلسلة.

لهذا السبب، توجد قوائم الرموز وسجلات التسجيل كطبقة تصفية خارج السلسلة. فهي توفر وسيلة لربط مفهوم “WETH” بعنوان معين، وهو السبب في أن المحافظ، وواجهات المستخدم، تعتمد على قوائم بيضاء أو منصات موثوقة. بالنسبة للذكاء الاصطناعي، المشكلة ليست فقط في ضعف موثوقية البيانات الوصفية، بل أيضًا في أن الهوية القياسية غالبًا ما تُحدد من خلال السياقات الاجتماعية أو المؤسسات، وليس من البروتوكول نفسه. المعرف الموثوق على السلسلة هو عنوان العقدة، لكن ربط “التحويل إلى USDC” بنية الإنسان يتطلب اعتمادًا على تصفية خارجية، وسجلات، وقوائم بيضاء، أو طبقات ثقة أخرى.

عقبات البيانات

لأنظمة الذكاء الاصطناعي التي تتطلب تحسين التخصيص بين البروتوكولات، يجب أن تُوحّد كل فرصة إلى كائن اقتصادي: العائد، عمق السيولة، معلمات المخاطر، هيكل الرسوم، مصدر البيانات من المقاييس، وغيرها. من وجهة نظر معينة، هذا هو مشكلة تكامل نظام شائعة. لكن على البلوكتشين، فإن تغاير البروتوكولات، والتعرض المباشر لرأس المال، وتعدد حالات الاستدعاء، وغياب نماذج اقتصادية موحدة، يزيد من عبء التوحيد. وهذه العناصر ضرورية لمقارنة الفرص، ومحاكاة التوزيع، ومراقبة المخاطر.

البلوكتشين عادة لا يكشف عن الكائنات الاقتصادية بشكل قياسي على مستوى البروتوكول. فهو يعرض أصوات التخزين، وسجلات الأحداث، ونتائج الوظائف، ويجب استنتاج أو إعادة بناء الكائنات الاقتصادية منها. البروتوكول يضمن فقط أن استدعاء العقدة يُرجع القيم الصحيحة، لكنه لا يضمن أن تكون هذه القيم واضحة أو قابلة للقراءة كمعانٍ اقتصادية، ولا يضمن أن يمكن استرجاع نفس المفهوم الاقتصادي عبر بروتوكولات مختلفة من خلال واجهات موحدة.

لذلك، فإن المفاهيم المجردة مثل السوق، والمراكز، ومؤشرات الصحة، وعمق السيولة، ليست أصلاً من البروتوكول. بل تُعاد بناؤها خارج السلسلة بواسطة فهارس، ومنصات تحليل البيانات، وواجهات أمامية، وواجهات برمجة التطبيقات، لتحويل الحالة غير المتجانسة إلى مستوى يمكن استخدامه. عادةً، يراها المستخدمون فقط على أنها طبقة موحدة، لكن الذكاء الاصطناعي يمكن أن يرث أنماطًا من طرف ثالث، ويعتمد على تأخيرات، وفرضيات ثقة؛ وإلا، فعليه أن يعيد بناء هذه المفاهيم بنفسه.

هذه المشكلة تزداد وضوحًا في مختلف البروتوكولات. فأسعار حصص الصناديق، ونسب الإقراض، وعمق السيولة في مجمعات التبادل اللامركزية، ومعدلات المكافآت في عقود الحصص، كلها مكونات أساسية ذات معنى اقتصادي، لكن لا توجد واجهات قياسية للوصول إليها. كل نوع من البروتوكولات لديه طرقه، وبنيته، ومعاييره الخاصة. وحتى ضمن نفس الفئة، تختلف الطرق.

مثال على سوق الإقراض:

يوضح سوق الإقراض بشكل واضح هذه المشكلة. فالمفاهيم الاقتصادية عامة ومتحدة إلى حد كبير، مثل: العائد، والسيولة، ونسبة الضمان، والحد الأقصى للائتمان، ومستوى التصفية، لكن طرق الوصول إليها تختلف.

في Aave v3، يتم استدعاء قائمة الأصول المودعة والحالة الاحتياطية على خطوتين مستقلتين. النموذج النموذجي هو:

• استدعاء قائمة الأصول المودعة، وإرجاع مصفوفة عناوين الرموز.

• لكل أصل، استدعاء وظيفة أخرى للحصول على البيانات الأساسية للسيولة، ومعدل الفائدة، وما إذا كانت مفعلة.

• تُرجع هذه الوظيفة بنية تحتوي على إجمالي السيولة، ومؤشر الفائدة، وعلامات التكوين، على سبيل المثال:

أما في Compound v3، فكل نشر يُمثل سوقًا واحدة (USDC، USDT، ETH، وغيرها)، وليس هناك بنية احتياطية موحدة. بدلاً من ذلك، يتطلب الأمر استدعاءات متعددة لالتقاط لقطات السوق، مثل:

• الاستخدام الأساسي

• الإجمالي

• معدل الفائدة

• تكوين الأصول المرهونة

• المعلمات العامة

كل استدعاء يُرجع جزءًا من الحالة الاقتصادية، والسوق ليس كائنًا من مستوى واحد، بل هو بنية استنتاجية يتم تجميعها من خلال استدعاءات متعددة.

من وجهة نظر الذكاء الاصطناعي، كلا البروتوكولين يمثلان سوق إقراض؛ لكن من ناحية التكامل، هما أنظمتان مختلفتان تمامًا. لا توجد نمط موحد. على العكس، يتعين على الذكاء الاصطناعي أن يستخدم طرقًا مختلفة لجرد الأصول، ويجري استدعاءات متعددة لتجميع الحالة.

التجزئة تخلق تأخيرًا ومخاطر التوافق

بالإضافة إلى الاختلاف في الهيكل، فإن التجزئة تخلق أيضًا تأخيرًا ومخاطر توافق. نظرًا لأن الحالة الاقتصادية لا تُعرض ككيان سوق موحد، يتعين على الذكاء الاصطناعي أن يعيد بناء الصورة من خلال استدعاءات متعددة عبر عقود مختلفة. كل استدعاء يضيف تأخيرًا، ويزيد من مخاطر التقييد، واحتمالية عدم التوافق مع الحالة الحقيقية. في بيئة متقلبة، قد تتغير معدلات الفائدة بعد حسابها، وإذا لم يتم قفل الحالة عند نقطة زمنية معينة، فقد تتغير البيانات بين الاستدعاءات، مما يؤدي إلى قرارات غير دقيقة.

المستخدمون يعتمدون على واجهات المستخدم، وطبقات التجميع، لتخفيف هذه المشكلة. أما الوكيل الذي يعتمد على استدعاءات RPC مباشرة، فيجب أن يدير بشكل صريح التزامن، والمعالجة الدُفعية، والتوافق الزمني. لذلك، فإن عدم وجود طريقة قياسية لاسترجاع البيانات الاقتصادية يضيف عبئًا على التكامل، ويقيد الأداء، ويؤثر على التزامن والدقة.

نظرًا لغياب حلول قياسية لاسترجاع البيانات الاقتصادية، فإن الحالة التي يعرضها البروتوكول تعتمد على تفاصيل التنفيذ والبنية. هذا الاختلاف الهيكلي هو جوهر عائق البيانات.

تطابق تدفقات البيانات المحتملة

الوصول إلى الحالة الاقتصادية على السلسلة هو بشكل أساسي نمط سحب، حتى لو كانت إشارات التنفيذ يمكن أن تُنقل بشكل تدفق. فالنظام الخارجي يستعلم عن الحالة من العقد، بدلاً من تلقي تحديثات مستمرة ومنسقة. هذا يعكس وظيفة البلوكتشين الأساسية، وهي التحقق عند الطلب، وليس الحفاظ على حالة مستمرة على مستوى التطبيق.

هناك أدوات تدفق دفعية. يمكن للاشتراكات عبر WebSocket أن تنقل بشكل فوري تحديثات الكتل وسجلات الأحداث، لكن هذه لا تتضمن غالبًا الحالة التخزينية ذات المعنى الاقتصادي، إلا إذا قرر البروتوكول نشرها بشكل مكرر. لا يمكن للذكاء الاصطناعي أن يراقب مباشرة معدل استهلاك الإقراض، أو احتياطيات مجمع السيولة، أو مؤشرات الحالة الصحية للمراكز، إلا من خلال استعلامات صريحة. غالبًا، يُراقب رأس الشبكة، ويُعاد استعلام الحالة عند كل كتلة، لكن سجلات الأحداث لا تعبر بشكل كامل عن الحالة النهائية، ويظل إعادة بناء الحالة يتطلب قراءة صريحة للوضع السابق.

قد يستفيد نظام الذكاء الاصطناعي من عملية عكسية. بدلًا من استعلام مئات العقود بشكل متكرر، يمكنه تلقي تحديثات من خلال تدفقات منسقة، وتُرسل مباشرة إلى بيئة التشغيل. يمكن أن تقلل هذه البنية من التكرار، وتقلل من التأخير، وتسمح بعبء عمل وسيط يجمع الحالة ويحولها إلى تحديثات ذات معنى، بدلاً من أن يفسر الذكاء الاصطناعي البيانات الخام.

هذه التحول ليس بسيطًا. يتطلب بنية أساسية للاشتراك، ومنطق تصفية، وتحويل التغييرات في التخزين إلى أحداث اقتصادية يمكن للذكاء الاصطناعي تنفيذها. لكن مع استمرار الذكاء الاصطناعي في أن يكون مشاركًا دائمًا، وليس استعلامًا متقطعًا، فإن نمط السحب يصبح أكثر تكلفة. قد يكون من الأنسب أن يُنظر إلى البنية التحتية على أنها موجهة للمستهلك المستمر، وليس للطلبات المتقطعة.

ما زال السؤال قائمًا: هل البنية التحتية الدافعة أكثر فاعلية حقًا؟ فكمية التغييرات في الحالة قد تجعل التصفية صعبة، ويظل الوكيل بحاجة إلى تحديد التغييرات ذات الصلة، مما يعيد إلى مستوى معين من معنى السحب. المشكلة ليست في أن البنية الدافعة خاطئة، بل أن التصميم الحالي لم يأخذ في الاعتبار وجود مستهلكات آلية مستمرة، ومع توسع استخدام الذكاء الاصطناعي، قد يكون من المفيد استكشاف نماذج بديلة.

عقبات التنفيذ

عقبة التنفيذ تنشأ لأن العديد من طبقات التفاعل الحالية تدمج نية التفاعل، ومراجعة المعاملات، والتحقق من النتائج، ضمن سير عمل يركز على الواجهات الأمامية، والمحافظ، والمشرفين. في سيناريوهات المستثمرين الأفراد والقرارات الذاتية، غالبًا ما يتم ذلك بواسطة البشر. بالنسبة للأنظمة الذاتية، يجب أن تُ formalize وتُبرمج بشكل مباشر. البلوكتشين يضمن التنفيذ الحتمي وفقًا لعقود، لكنه لا يضمن أن المعاملة تتوافق مع نية المستخدم، أو تلتزم بقيود المخاطر، أو تحقق النتائج الاقتصادية المتوقعة. في العمليات الحالية، يملأ الواجهات والأشخاص هذا الفراغ.

تجميع العمليات (مثل التبادل، والتفويض، والإيداع، والإقراض، والرهان) بواسطة واجهات المستخدم، وتوقيع المعاملات عبر المحافظ، يترك عادةً القرار النهائي على الإنسان. غالبًا، يُقيمون بشكل غير رسمي مدى أمان المعاملة، أو مدى ملاءمة السعر. إذا فشلت المعاملة أو كانت النتائج غير متوقعة، يعيدون المحاولة، أو يغيرون الانزلاق السعري، أو يغيرون المسار، أو يتخلون عن العملية. تزيل أنظمة الذكاء الاصطناعي هذا التكرار البشري، وتستبدله بآليات برمجية. وهذا يتطلب أن تقوم الأنظمة الآلية بـ:

• دمج النية: مثل “نقل استقراري إلى أعلى عائد مع تقليل المخاطر”، يجب أن تُترجم إلى خطة عمل محددة: أي العقود، وأي الأسواق، وأي مسارات الرموز، والحجم، والتفويضات، وترتيب التنفيذ. البشر ينجزون ذلك بشكل غير رسمي عبر الواجهات، لكن الذكاء الاصطناعي يحتاج إلى formalize.

• تنفيذ الاستراتيجية: الضغط على “إرسال” ليس مجرد توقيع، بل يتطلب فحصًا ضمنيًا لمدى توافق المعاملة مع القيود: مثل مستوى الانزلاق، والرافعة المالية، وأدنى مستوى للصحة، والقوائم البيضاء، أو “حظر العقود القابلة للترقية”. يجب أن يُبرمج الذكاء الاصطناعي قواعد يمكن التحقق منها.

• التحقق من النتائج: إن إتمام المعاملة على السلسلة لا يعني أن الهدف قد تحقق. قد يتجاوز الانزلاق الحد المسموح، أو لا يصل إلى حجم المركز المطلوب بسبب قيود الحد، أو يتغير معدل الفائدة بين المحاكاة والإتمام. البشر يراجعون ذلك بشكل غير رسمي عبر الواجهات. الذكاء الاصطناعي يجب أن يُقيم بشكل برمجي الشروط اللاحقة.

هذا يتطلب أن يُحقق النظام من أن التنفيذ يفي بالقيود، وليس فقط أن يرسل المعاملة. يمكن أن يُنقل عبء التحقق من كيفية التنفيذ إلى محول خاص، أو إلى آلية على مستوى البروتوكول، بحيث يُسمح بالتنفيذ فقط إذا استوفى الشروط.

سير العمل متعدد الخطوات وأنماط الأعطال

معظم عمليات التمويل اللامركزي تتطلب خطوات متعددة. قد يتطلب تخصيص العائد إتمام التفويض، والتبادل، والإيداع، والإقراض، والرهان. بعض الخطوات تكون معاملات مستقلة، وأخرى يمكن تجميعها عبر استدعاءات متعددة أو عقود توجيه. البشر يمكنهم قبول بعض الخطوات، والعودة إلى الواجهة لمتابعة العملية. أما الذكاء الاصطناعي، فيجب أن ينسق بشكل حتمي: إذا فشل أي خطوة، يجب أن يقرر إعادة المحاولة، أو إعادة التوجيه، أو التراجع، أو التوقف.

وهذا يخلق أنماطًا جديدة من الأعطال غير مرئية في العمليات البشرية:

• تغير الحالة بين اتخاذ القرار والإتمام على السلسلة. فبين المحاكاة والتنفيذ، قد تتغير معدلات الفائدة، أو الاستخدام، أو السيولة. البشر يقبلون ذلك، لكن الذكاء الاصطناعي يجب أن يحدد مدى قبوله، ويُفرض عليه الالتزام.

• التنفيذ غير الأحادي، والنتائج الجزئية. قد تنفذ العمليات على عدة معاملات، أو تنتج نتائج جزئية. الذكاء الاصطناعي يجب أن يتابع الحالة الوسيطة، ويتحقق من أن الحالة النهائية تتوافق مع الهدف.

• مخاطر التفويض والموافقة. البشر يوقعون بشكل غير واعٍ على التفويضات، لكن الذكاء الاصطناعي يجب أن يُقيم مدى أمانها، ويُفكر فيها كجزء من السياسات الأمنية، وليس فقط