شبكة Render: كيف يعيد عبء العمل في الذكاء الاصطناعي تشكيل منطق القيمة الانكماشية لـ RENDER

في سبتمبر 2022، أكمل إيثريوم الدمج التاريخي من إثبات العمل إلى إثبات الحصة، وفجأة، فقدت أجهزة التعدين GPU التي تقدر قيمتها بعشرات المليارات من الدولارات مكانتها. لم يُنهِ دمج إيثريوم عصر الذهب في تعدين GPU فحسب، بل ترك أيضًا سؤالًا عميقًا: إلى أين تتجه القدرة الحسابية الضخمة غير المستخدمة من GPU المنتشرة حول العالم؟

يتم الآن الإجابة على هذا السؤال بواسطة شبكة البنية التحتية الفيزيائية اللامركزية. في مسار DePIN، تقوم مجموعة من الشبكات بإعادة تنظيم GPU غير المستخدمة كمجموعات حوسبة موزعة، لتقديم خدمات التصيير والحسابات الذكية للذكاء الاصطناعي بأسعار أقل بكثير من خدمات السحابة التقليدية. وتعد Render Network أحد المشاركين الأساسيين في هذا المجال.

حتى 8 مايو 2026، وفقًا لبيانات Gate، كان سعر رمز RENDER عند 1.9626 دولار، بزيادة قدرها 2.27% خلال 24 ساعة، وارتفع بنسبة 14.82% خلال 7 أيام، وتبلغ قيمته السوقية حوالي 1.018 مليار دولار. لكن بالمقارنة مع تقلبات السعر، فإن التغيرات الهيكلية في أساسيات الشبكة تستحق اهتمامًا أكبر: حيث يشكل عبء العمل في الذكاء الاصطناعي حوالي 35% إلى 40% من نشاط الشبكة، وتجاوز إجمالي إطارات التصيير 71.4 مليون إطار، وتجاوز عدد العقد النشطة لـ GPU 5700 عقدة، وبلغ إجمالي حرق الرموز أكثر من 1.24 مليون رمز. تشير هذه البيانات إلى اتجاه عميق: أنماط الأعمال في شبكات الحوسبة اللامركزية تتجه من “دعم رمزي من خلال الإعانات” إلى “تدفق نقدي حقيقي يقوده الطلب”، ومحرك هذا التحول هو الذكاء الاصطناعي.

من التخلي عن الأجهزة بسبب الكوارث التعدينية إلى بنية تحتية لحوسبة الذكاء الاصطناعي

لفهم المكانة السردية لشبكة Render في عام 2026، من الضروري تمديد الخط الزمني والنظر في ثلاث تحولات نمطية رئيسية.

حدثت أولى التحولات في النصف الثاني من عام 2022. أدى دمج إيثريوم إلى ترك الكثير من أجهزة GPU غير المستخدمة، وواجه المعدنون أزمة مزدوجة من تدهور قيمة الأجهزة وصفر الدخل. في الوقت نفسه، لم تكن الذكاء الاصطناعي التوليدي قد دخل بعد دائرة الضوء العامة، وكانت هناك حالة من الحيرة على جانبي العرض والطلب على القدرة الحسابية لـ GPU. في هذه المرحلة، أصبح مصير GPU غير المستخدم مصدر قلق خفي للصناعة.

حدثت التحول الثاني بين 2023 و2024. أدى انفجار موجة الذكاء الاصطناعي التوليدي مع ChatGPT إلى زيادة غير مسبوقة في الطلب على GPU على مستوى العالم. لكن هذا الطلب لم يستفد تلقائيًا من GPU غير المستخدمة المنتشرة عالميًا، لأن تدريب واستنتاج الذكاء الاصطناعي يتركزان بشكل كبير في منصات السحابة المركزية مثل AWS وGoogle Cloud. كانت المهمة الأساسية لشبكات الحوسبة اللامركزية في هذه المرحلة هي حل مشكلة “تنظيم العرض”: كيف يمكن دمج GPU غير المستخدمة والمتفرقة إلى مجموعات حوسبة موثوقة ومتاحة.

أما التحول الثالث، فبدأ في 2025 وتسرع ظهوره في النصف الأول من 2026. يتميز هذا المرحلة بانتقال شبكات GPU اللامركزية من “دعم رمزي من خلال الإعانات” إلى “تدفق نقدي حقيقي يقوده الطلب”. بعد دمج إيثريوم، يُعاد استخدام العديد من أجهزة التعدين القديمة في شبكات مثل Render لأغراض تدريب واستنتاج الذكاء الاصطناعي. الطلب الهائل على استنتاجات الذكاء الاصطناعي منخفضة التكلفة يتوافق بشكل هيكلي مع ميزة الأسعار التي تقدمها شبكات GPU اللامركزية.

تُعد تطورات شبكة Render تجسيدًا دقيقًا لهذا السرد الكلي. تأسست الشبكة على يد Jules Urbach مؤسس شركة OTOY في 2009، وأطلقت أول بيع رمزي عام 2017، وبدأت الشبكة العمل على الشبكة الرئيسية في أبريل 2020. في 2023، أكملت المجتمع من خلال اقتراح RNP-002 الانتقال من إيثريوم إلى سولانا، مما أسس لبيئة معالجات عالية الإنتاجية ومنخفضة التكاليف على السلسلة. بين 2024 و2025، ركزت الشبكة على دمج مشغلي العقد الخارجيين، والتحقق من جدوى جدولة موارد GPU الموزعة. وفي أوائل 2026، بعد اعتماد اقتراح RNP-023، تم ربط حوالي 60,000 وحدة GPU من شبكة Salad اللامركزية، لتصبح حوض حوسبة حصري لمهام استنتاج الذكاء الاصطناعي.

المنطق الأساسي لنموذج Burn-and-Mint Equilibrium

نموذج BME: “مُترجم التضخم الانكماشي” للطلب على القدرة الحسابية

الأساس الاقتصادي لشبكة Render هو آلية Burn-and-Mint Equilibrium. هذا النموذج، الذي تم تقديمه عبر تصويت المجتمع، يمكن تلخيصه في ثلاث خطوات:

أولًا، التثبيت السعري. يتم تسعير كل مهمة تصيير أو حساب ذكاء اصطناعي بالدولار، ويقوم المستخدمون بدفع ما يعادل ذلك من رموز RENDER. يهدف هذا التصميم إلى حل مشكلة تقلب أسعار الأصول المشفرة، التي تؤدي إلى عدم يقين في تكلفة القدرة الحسابية، مما يمكن المبدعين والشركات من التنبؤ بمصاريفهم بشكل موثوق.

ثانيًا، الدفع مقابل الحرق. بعد إتمام المستخدم للمهمة، يتم حرق كمية من رموز RENDER المقابلة، مع خصم 5% كرسوم تشغيل الشبكة. هذا يعني أن كل عملية استخدام للشبكة تمثل حدثًا انكماشيًا.

ثالثًا، التوليد الدوري. تقوم الشبكة خلال فترة تسمى epoch (عادة أسبوع) بإنشاء كمية ثابتة من الرموز الجديدة كمكافأة لمشغلي العقد الذين يوفرون القدرة الحسابية. يتبع حجم التوليد جدولًا زمنيًا تنازليًا محددًا لضمان استدامة العرض على المدى الطويل.

تكمن روعة نموذج BME في أنه يربط بشكل مباشر بين “مستوى الاستخدام” و"عرض الرموز". عندما يزداد عبء العمل في الذكاء الاصطناعي والتصيير، يتم حرق المزيد من رموز RENDER؛ أما التوليد الجديد للمكافآت، فهو لا يرتبط مباشرة بكمية الحرق، بل يتبع خطة مسبقة. هذا التصميم يعني أنه خلال فترات النمو السريع في الاستخدام، قد يتجاوز الحرق التوليد، مما يخلق ضغطًا انكماشيًا هيكليًا. البيانات التي تظهر أن حرق الرموز زاد بنسبة حوالي 279% من يناير إلى سبتمبر 2025 تؤكد أن هذا الآلية تعمل بفعالية.

تأثير “المضخم الانكماشي” على عبء العمل في الذكاء الاصطناعي

خصائص عبء العمل في الذكاء الاصطناعي تجعل من نموذج BME “مسرعًا”. مقارنة بمهمات التصيير ثلاثي الأبعاد، هناك ثلاث اختلافات رئيسية في مهام استنتاج الذكاء الاصطناعي:

أولًا، تكرار أعلى. قد تستمر مهمة التصيير ثلاثي الأبعاد لساعات، بينما طلبات استنتاج الذكاء الاصطناعي عادةً تستغرق من ثوانٍ إلى دقائق، مما يعني أن تكرار المدفوعات على السلسلة وحرق الرموز يكون أعلى بكثير عند تنفيذ مهام الذكاء الاصطناعي مقارنةً بالتصيير.

ثانيًا، استمرارية أكبر. تتميز مهام التصيير بطابع موسمي وتوقفات، بينما غالبًا ما تكون استنتاجات الذكاء الاصطناعي خدمة مستمرة على مدار الساعة، مما يوفر طلبًا ثابتًا للشبكة.

ثالثًا، ميل النمو أكثر حدة. الطلب على القدرة الحسابية لاستنتاج الذكاء الاصطناعي في تزايد سريع. تشير شبكة Render إلى أن التدريب يمثل جزءًا صغيرًا من الاستخدام، بينما يشكل الاستنتاج حوالي 80%، مما يفتح الباب لاستيعاب القدرة الحسابية لوحدات GPU الاستهلاكية على مستوى العالم.

نتيجة لهذه الخصائص الثلاثة، فإن زيادة نسبة عبء العمل في الذكاء الاصطناعي بنسبة نقطة مئوية واحدة قد تؤدي إلى تضخيم غير خطي لتأثير التسريع في النموذج BME. نسبة عبء العمل في الذكاء الاصطناعي الآن تتراوح بين 35% و40%، وما زالت في ارتفاع، مما يعني أن الشبكة تدخل في دورة إيجابية من “نمو الطلب → تسريع الحرق → تقلص العرض → زيادة كثافة القيمة → جذب المزيد من العقد → مزيد من النمو في الطلب”.

نظرة عامة على المؤشرات الرئيسية

لتسهيل فهم التغيرات الأساسية في شبكة Render، يلخص الجدول التالي البيانات الرئيسية حتى النصف الأول من 2026:

تحليل الرأي العام: تصادم منطق الصعود والهبوط

مناقشة شبكة Render واقتصاد رموزها ليست موحدة في السوق. يوجد حاليًا منطق صعودي وشكوك هبوطية، ولكل منهما أدلته.

منطق الصعود: اكتشاف القيمة وسرد ثلاثي الطلب

تشير عدة مؤشرات إلى أن اهتمام السوق بشبكة Render يتزايد. وفقًا لتقارير سابقة، احتلت Render المرتبة الرابعة في تصنيف النشاط الاجتماعي لمشاريع DePIN، مع 1800 منشور و162,900 تفاعل. يعكس ارتفاع الإشارات الاجتماعية تحسن أساسيات الشبكة.

السرد الصعودي يمكن تلخيصه في ثلاث طبقات: الطبقة الأولى هي اتجاه الصناعة، حيث يتزايد الطلب العالمي على القدرة الحسابية للذكاء الاصطناعي بشكل انفجاري، وتبرز قيود التكاليف والعرض في خدمات السحابة المركزية، مما يوسع سوق الحلول البديلة اللامركزية؛ الطبقة الثانية هي أساسيات الشبكة، مع زيادة حرق الرموز بشكل كبير، وارتفاع نسبة عبء العمل في AI، والموافقة على اقتراح RNP-023، مما يدل على تحول الشبكة من دعم رمزي إلى طلب حقيقي؛ الطبقة الثالثة هي اقتصاد الرموز، حيث يمكن أن يخلق نموذج BME تضخمًا انكماشيًا هيكليًا في ظل عبء عمل AI العالي، مما يوفر أساسًا اقتصاديًا لقيمة RENDER طويلة الأمد.

شكوك الهبوط: تصاعد المنافسة وغياب التحقق

لا يمكن إغفال وجهة نظر الهبوط. تركز الشكوك على مستويين رئيسيين.

المستوى الأول هو مشهد المنافسة. رغم أن Render لديها ميزة مبكرة في مسار GPU اللامركزي، إلا أن المنافسين يلاحقون بسرعة. على سبيل المثال، يستخدم شبكة Akash نظام مزاد عكسي لتحديد الأسعار، ويوفر موارد حسابية متنوعة بما فيها GPU؛ وio.net يدمج موارد GPU من منصات متعددة، مع التركيز على مهام AI والتعلم الآلي. التحدي الأكبر يأتي من عمالقة المركزية مثل AWS وGoogle Cloud، حيث تصل إيراداتها السنوية إلى مئات المليارات من الدولارات، بينما إيرادات الشبكات اللامركزية لا تزال محدودة نسبيًا.

المستوى الثاني هو مشكلة التحقق. في 2025، حدثت حالات في شبكة Render حيث أعاد عقد خبيث نتائج تصيير Blender تالفة، ولم تكن هناك طرق على السلسلة لاكتشاف ذلك. أثار هذا الحدث نقاشًا عميقًا حول “قابلية التحقق من النتائج” في الشبكات اللامركزية. بدون أدلة تشفير، فإن الشبكة تظل مجرد “Airbnb لـ GPU” — تحل مشكلة التوافق بين العرض والطلب، لكنها لم تحل مشكلة الثقة بشكل كامل.

بالنسبة للشكوك حول “غياب التحقق”، يعتقد بعض الخبراء أن هذا يمثل عيبًا هيكليًا، لكنه لا ينفي صلاحية الشبكات اللامركزية في مجالات التصيير واستنتاج الذكاء الاصطناعي. غالبًا ما يُختزل النقاش في أن “عدم حل مشكلة الثقة تمامًا” يعني أن المسار كله فاشل، وهو استنتاج مفرط يتجاهل التطورات السريعة في تقنيات إثبات المعرفة الصفرية والبيئات التنفيذية الموثوقة.

علاوة على ذلك، انخفض سعر RENDER بنسبة حوالي 58.46% خلال العام الماضي، وهو تباين كبير مع نمو أساسيات الشبكة، مما يثير شكوكًا حول كفاءة استحواذ الرموز على القيمة.

تأثيرات الصناعة: إعادة تشكيل هيكلية لمسار الحوسبة اللامركزية

اعتماد اقتراح RNP-023 واستمرار ارتفاع عبء العمل في AI لا يؤثر فقط على مسار الحوسبة اللامركزية، بل يعيد تشكيل ثلاثية من الهياكل: العرض والطلب، والمنافسة، واقتصاد الرموز.

أولًا، من “عرض متفرّق” إلى “عرض بحجم”. إدخال 60,000 وحدة GPU أدى إلى قفزة غير متصلة في حجم قدرة Render. والأهم، أن هذه الوحدات تأتي من شبكة Salad التي تم التحقق من موثوقيتها، مما يقلل من نسبة العقد الخبيثة ويعالج مشكلة التحقق من نتائج التصيير السابقة.

ثانيًا، أصبح استنتاج الذكاء الاصطناعي هو ساحة المعركة الأساسية للحوسبة اللامركزية. على عكس التصيير ثلاثي الأبعاد، تتطلب مهام استنتاج AI تأخيرًا أعلى وموثوقية أكبر، لكن سوقها أكبر بكثير. من خلال التعاون مع شركات مثل Stability AI، بدأ Render في بناء منظومة بيئية متكاملة في مجال استنتاج AI.

ثالثًا، يتحول اقتصاد الرموز من “تحفيز التضخم” إلى “دورة انكماشية إيجابية”. تعتمد نماذج DePIN المبكرة على إصدار الرموز لجذب العرض، مما أدى إلى “التمويل المدعوم” وعدم توازن العرض والطلب. مع زيادة عبء العمل في AI، بدأ حرق الرموز يتجاوز التوليد بشكل هيكلي، مما يغير جوهريًا علاقة العرض والطلب. بين 2025 و2026، تنفذ الشبكات الرائدة في قدرة GPU تحولًا غير محسوب بالكامل، من دعم رمزي من خلال الإعانات إلى تدفق نقدي يقوده الطلب الحقيقي.

الخاتمة

بعد أن أدت دمج إيثريوم إلى حيرة العديد من معدني GPU، فتحت موجة الطلب على القدرة الحسابية للذكاء الاصطناعي آفاقًا جديدة لهذه الموارد غير المستخدمة. من خلال نموذج Burn-and-Mint Equilibrium، أنشأت شبكة Render حلقة اقتصادية فريدة في الحوسبة اللامركزية لـ GPU: كل طلب استنتاج AI هو استهلاك للقدرة الحسابية، وهو أيضًا حدث انكماشي للرموز.

بحلول 2026، مع تنفيذ اقتراح RNP-023 الذي أُقر بنسبة تأييد عالية بلغت 98.86%، وإدخال حوالي 60,000 وحدة GPU من شبكة Salad كمزود حصري، وارتفاع نسبة عبء العمل في AI، وزيادة حرق الرموز بسرعة، فإن شبكة Render تقف عند مفترق طرق من “شبكة تصيير مخصصة” إلى “بنية تحتية لحوسبة AI”. لكن المنافسة المتزايدة، والتباين بين سعر الرموز والواقع الأساسي، والتحدي التقني المتمثل في غياب التحقق الكامل من النتائج، كلها عوامل لا يمكن تجاهلها في مسار تطورها.

بالنسبة للمراقبين المهتمين بمسار الحوسبة اللامركزية لـ GPU، السؤال الرئيسي هو: هل يمكن لنموذج BME أن يحقق فعليًا “انكماش الطلب المدفوع بالطلب” في ظل النمو الهيكلي لطلب استنتاج AI؟ الجواب على هذا السؤال لن يؤثر فقط على منطق قيمة رموز RENDER، بل قد يحدد أيضًا مكانة الشبكات اللامركزية للحوسبة في سلسلة صناعة AI بأكملها.