بعد حظر Fable، هل سيصبح DeAI النقطة الساخنة التالية؟

المؤلف: معهد CoinW للأبحاث

في 25 يونيو، تصاعد الجدل حول أمان نموذج Anthropic والتحكم في الوصول وتسرب القدرات مرة أخرى. اتهمت Anthropic علنًا شركة Alibaba بسحب معلومات تتعلق بقدرات نموذج Claude بشكل منهجي عبر ما يقرب من 25,000 حساب احتيالي. هذا الاتهام زاد من تعقيد عملية استعادة Fable 5 التي كانت متعثرة بالفعل، وأعاد طرح سؤال جوهري إلى الواجهة: عندما تمتلك النماذج المتطورة قدرات متزايدة في الأمن السيبراني وتحليل الأتمتة، فإن الوصول إلى النموذج، والتحكم في الحسابات، والاستخدام عبر الحدود، وتسرب القدرات ستندرج جميعًا تحت إطار التنظيم وحوكمة المنصة.

لفهم هذا الجدل، يجب العودة بالزمن إلى 12 يونيو. في ذلك اليوم، تم تعليق الوصول إلى نموذجي Claude Fable 5 وMythos 5 فجأة، مما أثار اهتمام صناعة الذكاء الاصطناعي وسوق العملات الرقمية بسرعة. كان Fable 5 في الأصل نسخة عامة من نموذج Mythos، مع إضافة طبقات أمان لتقليل إساءة استخدامه في المجالات عالية الخطورة مثل الأمن السيبراني والأمان البيولوجي؛ ولكن بعد اكتشاف وجود مسارات قابلة للالتفاف حول الحماية الأمنية، فرضت الحكومة الأمريكية قيودًا على الصادرات لمنع المواطنين الأجانب من الوصول إلى النموذج، ثم قامت Anthropic بتوسيع القيود لتشمل جميع المستخدمين. في نفس الوقت تقريبًا، قامت Microsoft أيضًا بتقييد استخدام الموظفين الداخليين للنموذج بسبب متطلبات الاحتفاظ بالبيانات. هذه السلسلة من ردود الفعل تشير إلى أن مخاوف العملاء من الشركات قد امتدت من قدرات النموذج نفسها إلى الاحتفاظ بالبيانات وحماية الأكواد الداخلية والأسرار التجارية.

بعد ذلك، تذبذبت توقعات استعادة Fable 5 بشكل متكرر. في 18 يونيو، طلب مسؤولون حكوميون أمريكيون من Anthropic إثبات أن الحماية الأمنية لا يمكن تجاوزها قبل إعادة الإصدار؛ في 22 يونيو، ظهرت صفحة وثائق API ذات الصلة مرة أخرى في نتائج البحث، لكن مدخل الاستدعاء الفعلي لم يُستعد بعد. أظهرت توقعات Polymarket أن السوق لا يزال يراهن على استعادة Fable 5 في النهاية: احتمالية استعادته للتشغيل في الولايات المتحدة قبل نهاية يوليو تبلغ حوالي 90٪، وقبل نهاية أغسطس حوالي 94٪. هذا التذبذب بحد ذاته يوضح أن حقوق الوصول إلى الذكاء الاصطناعي المتقدم لم تعد مجرد مسألة إطلاق أو إيقاف منتج، بل هي نتيجة مشتركة للإثبات الأمني، وتقييم السياسات، وتنفيذ المنصة.

المصدر:

وبالتالي، فإن مفتاح حادثة حظر Fable 5 لا يكمن في موعد استعادة الوصول إلى نموذج معين، بل في كشف الحدود الهيكلية للذكاء الاصطناعي المركزي المتقدم بشكل مكثف: كلما زادت قدرة النموذج، زاد تقييده بالمراجعة الأمنية، وضوابط التصدير، وامتثال بيانات الشركات، وأذونات المنصة. بالنسبة لصناعة العملات الرقمية، يوفر هذا بالضبط نقطة دخول لإعادة فهم DeAI. معنى الذكاء الاصطناعي اللامركزي هو محاولة إضعاف سيطرة المنصة الواحدة على الوصول إلى النموذج، ومعالجة البيانات، وعملية التنفيذ باستخدام الحوسبة المفتوحة، والاستدلال الموزع، والحوافز على السلسلة، والحوسبة الخصوصية، والتنفيذ القابل للتحقق. على طول هذا الخيط، سيقوم معهد CoinW للأبحاث أولاً بمراجعة حادثة Fable، ثم تحليل ثلاثة أنواع من الثغرات في الذكاء الاصطناعي المركزي، والمشكلات التي يمكن لـ DeAI معالجتها، وثلاثة مسارات تقنية للحوسبة الذكاء الاصطناعي القابلة للتحقق، وتمايز المشاريع الممثلة عبر طبقات البنية التحتية المختلفة، وأخيراً العودة إلى الحدود الواقعية والفرص طويلة الأجل لـ DeAI.

1. مراجعة حادثة Fable: ليس مجرد إيقاف نموذج بسيط

الخط الرئيسي للأحداث: اكتشاف الباحثين في Amazon لمسار تجاوز الحواجز

تأتي حساسية Fable 5 وMythos 5 من قدراتهما في مهام الأمن السيبراني. كان Mythos 5 مخصصًا بشكل أساسي للمؤسسات المتعاونة التي تم فرزها لاكتشاف وإصلاح ثغرات البرامج؛ بينما كان Fable 5 نسخة عامة أكثر انتشارًا، تحتفظ ببعض قدرات Mythos مع قيود أمان تمنع إخراج محتوى هجومي.

ظهرت المشكلة في طبقة القيود الأمنية هذه. وفقًا للمعلومات العامة، اكتشف باحثو Amazon أثناء الاختبار وجود مسار يمكن من خلاله تجاوز حواجز Fable 5، ثم أعرب الرئيس التنفيذي لشركة Amazon Andy Jassy عن مخاوفه للبيت الأبيض. بعد ذلك، أجرى كبار المسؤولين في البيت الأبيض عدة جولات من الاتصالات مع الرئيس التنفيذي لـ Anthropic Dario Amodei خلال 24 ساعة، مطالبين الشركة بإيقاف النموذج طواعية ومعالجة الثغرات. رأت Anthropic أن طريقة التجاوز كانت أقرب إلى مشكلة محلية ولم تشكل "هروبًا" واسع النطاق؛ بينما رأى البيت الأبيض أن هذا الخطر الأمني كافٍ لاستدعاء تدخل على المستوى الوطني.

بعد ذلك، فرضت الحكومة الأمريكية قيودًا على تصدير Fable 5 وMythos 5، مما منع المواطنين الأجانب من استخدام النماذج ذات الصلة. نظرًا لصعوبة تحديد جنسية وهوية جميع المستخدمين بدقة في وقت قصير، أوقفت الشركة في النهاية وصول جميع العملاء. هذه الخطوة حولت حادثة Fable من جدل حول أمان النموذج إلى حدث حول حقوق الوصول إلى الذكاء الاصطناعي المتقدم.

تفصيل 1: الاستخدام المزدوج لقدرات Mythos

جوهر عاصفة Fable ليس في الأسئلة والأجوبة العادية، بل في تداخل الحدود بين "القدرات الدفاعية" و"القدرات الهجومية" بشكل متزايد. يمكن لنموذج الأمن السيبراني مساعدة الشركات في اكتشاف الثغرات وإصلاح الأنظمة، ويمكنه أيضًا مساعدة المهاجمين في إيجاد مداخل واستغلال الثغرات تلقائيًا.

هذا هو سبب التدخل الحكومي السريع. إذا كان النموذج يمكنه فقط كتابة نصوص أو إنشاء أكواد، فإن الضغط التنظيمي محدود نسبيًا؛ ولكن بمجرد أن يمتلك قدرات قوية في اكتشاف واستغلال الثغرات، سيتم وضعه في إطار الأمن القومي وإعادة تقييمه. كان Fable 5 كإصدار عام يهدف إلى تقليل المخاطر من خلال الحواجز؛ وعندما يمكن تجاوز هذه الحواجز، سترى الجهات التنظيمية "مدخلًا عالي الخطورة يمكن فتحه".

تفصيل 2: قيود Microsoft تكشف المخاطر على مستوى الشركات

خط آخر في حادثة Fable يأتي من Microsoft. قيدت Microsoft مؤقتًا استخدام الموظفين لـ Claude Fable 5، والسبب هو متطلبات الاحتفاظ بالبيانات الجديدة لـ Anthropic. يمكن الاحتفاظ بالمطالبات والمخرجات الخاصة بـ Fable 5 لمدة 30 يومًا، ويمكن الاحتفاظ بالمحتوى المميز من قبل النظام الأمني لفترة أطول. خشيت Microsoft من أن يقوم الموظفون بإدخال بيانات العملاء أو مواد الشركة أو الأكواد الداخلية أثناء الاستخدام، وإذا تم الاحتفاظ بالمحتوى ذي الصلة ودخل في عملية التحقيق، فقد يؤدي ذلك إلى مخاطر الامتثال والتنافس.

هذا التفصيل مهم جدًا. يوضح أن مخاطر الذكاء الاصطناعي المتقدم قد امتدت من "هل النموذج خطير" إلى "هل يمكن للشركة التحكم في بياناتها". عند استخدام الشركات للذكاء الاصطناعي، لا يهمها فقط جودة إجابة النموذج، بل تشمل أيضًا ما إذا تم حفظ المطالبات، وما إذا كان يمكن حذف البيانات، وما إذا كان استدعاء النموذج يتوافق مع الامتثال الداخلي، وما إذا كان المورد قد يصل إلى المحتوى الحساس أثناء التحقيقات الأمنية.

تفصيل 3: ضوابط التصدير تثير قضايا سيادة الذكاء الاصطناعي

أثارت حادثة Fable أيضًا مناقشات أوسع حول سيادة الذكاء الاصطناعي. جوهر الانتقادات من السوق هو: من ناحية، تريد الحكومة الأمريكية دفع الذكاء الاصطناعي الأمريكي للخارج، ومن ناحية أخرى يمكنها قطع الوصول إلى النماذج المتقدمة في الخارج بشكل مؤقت من خلال ضوابط التصدير، مما يجعل العملاء العالميين يعيدون تقييم موثوقية إمدادات الذكاء الاصطناعي الأمريكية.

هذا يعني أن تأثير حادثة Fable لن يقتصر على Anthropic فقط. الشركات والدول والمطورون بحاجة إلى إعادة التفكير في سلسلة توريد الذكاء الاصطناعي: إذا كانت النماذج الأساسية تأتي من عدد قليل من الشركات الأمريكية، فهل حقوق الوصول مستقرة؟ إذا كان سير العمل يعتمد بشكل كبير على نموذج معين، فهل ستؤدي تغييرات السياسة إلى انقطاع الأعمال؟ إذا كانت قواعد الأمان والامتثال تحددها المنصة داخليًا، فهل يمكن للمستخدمين الخارجيين الحصول على أدلة كافية؟

حتى الآن، لم تعد حادثة Fable مجرد إيقاف نموذج منفرد. السبب الحقيقي وراء إثارة مناقشات DeAI هو أن ثلاثة أنواع من الثغرات الهيكلية في الذكاء الاصطناعي المركزي تم تضخيمها في وقت واحد: حقوق الوصول تحددها المنصة والجهات التنظيمية معًا، وتدفق البيانات يبقى داخل المنصة، وعملية تنفيذ النموذج والعامل تفتقر إلى أدلة قابلة للتحقق خارجيًا.

2. ثغرات الذكاء الاصطناعي المركزي: عدم القدرة على التحقق من الوصول والبيانات والتنفيذ

الوصول غير قابل للتحكم: قد يتم قطع خدمة النموذج بواسطة قواعد خارجية

تثبت حادثة Fable أن النماذج المتقدمة لم تعد خدمات إنترنت عادية. إنها تتأثر بالأمن القومي، وضوابط التصدير، وتحديد الهوية، وردود فعل الشركاء، والعلاقات الجيوسياسية. بمجرد أن تقوم الشركة بدمج البحث والتطوير، وتدقيق الأكواد، وإدارة المخاطر، وخدمة العملاء، والمهام الآلية في نموذج واحد، فإن التوقف المفاجئ للنموذج يصبح مشكلة استمرارية الأعمال.

هذا النوع من المخاطر كان مقدرًا بأقل من قيمته من قبل السوق. غالبًا ما يقارن المستخدمون فقط قدرات النموذج والسعر وسرعة الاستجابة، ونادرًا ما يدرجون "هل قد يتعذر الوصول إلى النموذج فجأة" في تقييمهم. بعد إزالة Fable، تم عرض هذه المخاطر بشكل حقيقي. في المستقبل، عند اختيار موردي الذكاء الاصطناعي، قد تفكر الشركات في خطط احتياطية، ونماذج احتياطية، والقدرة على التبديل بين الموردين، تمامًا مثل اختيار خدمات السحابة.

البيانات غير مرئية: صعوبة تأكيد كيفية معالجة المعلومات الحساسة من قبل الشركات

جوهر قيود Microsoft على Fable 5 هو الاحتفاظ بالبيانات. كلما كان النموذج أقوى، زاد احتمال دمجه مع الكود المصدري، وبيانات العملاء، والمستندات المالية، ووثائق الاستراتيجية، وقواعد المعرفة الداخلية. في هذه الحالة، ما إذا كانت المطالبات والمخرجات محفوظة، ومدة الاحتفاظ، ومن يمكنه الوصول، وما إذا كانت تُستخدم في التحقيقات الأمنية، كلها عوامل رئيسية تحدد ما إذا كانت الشركة ستدمج النموذج.

عادةً ما تضع خدمات الذكاء الاصطناعي المركزية هذه العمليات داخل المنصة. يمكن للمستخدمين فقط قراءة شروط السياسة، ويصعب عليهم التحقق تقنيًا مما إذا تم حذف البيانات حقًا، أو ما إذا دخلت في مصنف معين، أو ما إذا تم الوصول إليها بواسطة عملية تحقيق معينة. تحتاج الشركات إلى إعلانات خصوصية أكثر وضوحًا، وأدلة تنفيذ يمكن التحقق منها خارجيًا.

التنفيذ غير قابل للتحقق: صعوبة الحكم خارجيًا على ما إذا كانت طبقة الأمان فعالة حقًا

يدور جدل Fable أيضًا حول طبقة الأمان. يعلن النموذج أنه يحتوي على قيود، ولكن من الصعب على المستخدمين الخارجيين التحقق مما إذا كانت القيود تنفذ بشكل صحيح في كل مرة. إصدار النموذج، والمطالبات النظامية، وآلية التوجيه، والمصنفات الأمنية، ومرشحات المخرجات تتم جميعها داخل المنصة. يرى المستخدم الإجابة، لكنه لا يرى مسار التنفيذ خلف الإجابة.

في السيناريوهات منخفضة المخاطر، يمكن قبول هذا الغموض؛ ولكن في المالية، والأمن السيبراني، وتدقيق الأكواد، والمعاملات على السلسلة، وإدارة الأصول، يصبح مشكلة مسؤولية. يحتاج المستخدم إلى معرفة ما إذا تم استبدال النموذج، وما إذا كانت بيئة التنفيذ موثوقة، وما إذا تم التلاعب بالمدخلات والمخرجات، وما إذا تجاوز وكيل الذكاء الاصطناعي صلاحياته. الثغرة الهيكلية للذكاء الاصطناعي المركزي هنا: القدرات تزداد قوة، لكن آليات التحقق الخارجية لا تنضج في نفس الوقت.

وبالتالي، تصبح الأسئلة التي يجب على DeAI الإجابة عليها أكثر تحديدًا: في حالة احتمال قطع الوصول إلى النموذج، هل هناك مداخل بديلة؟ عندما يجب أن تدخل البيانات الحساسة في سير عمل النموذج، هل يمكن توفير بيئة معالجة قابلة للإثبات؟ عندما يبدأ وكيل الذكاء الاصطناعي في تنفيذ المعاملات، واستدعاء العقود، وإدارة الأذونات، هل يمكن ترك سلسلة أدلة قابلة للمساءلة؟ تبدأ أهمية الحوسبة الذكاء الاصطناعي القابلة للتحقق في الظهور على هذا المستوى.

3. ماذا يمكن لـ DeAI حله: من الوصول المفتوح إلى التنفيذ الموثوق

سبب اهتزاز حادثة Fable في صناعة العملات الرقمية هو أنها لمست مشكلة مألوفة: هل يمكن إيقاف البنية التحتية الرئيسية بواسطة كيان واحد؟ القيمة الأساسية لـ Bitcoin لا تكمن فقط في سعر الأصل، بل في توفير شبكة نقل قيمة عالمية، غير مرخصة، ومقاومة للرقابة. أصبح الذكاء الاصطناعي بنية تحتية رئيسية جديدة، وعندما تبدأ قدرات النموذج في التأثير على الكود، والأمان، وعمليات الشركات، وتنفيذ الأصول، سيتساءل السوق بطبيعة الحال: هل نحتاج أيضًا إلى طبقة وصول وتنفيذ للذكاء الاصطناعي أكثر انفتاحًا وقابلية للتبديل والتحقق؟

هذا لا يعني أن جميع الذكاء الاصطناعي يجب أن يتم تدريبه عبر شبكات لامركزية، ولا يعني أن التكنولوجيا يمكنها تجاوز التنظيم تمامًا. التقييم الأكثر واقعية هو أن المستخدمين سيحتاجون إلى نوعين من القدرات في وقت واحد: أحدهما هو الذكاء القوي الذي توفره النماذج المركزية المتقدمة، والآخر هو التكرار في الوصول، وحماية الخصوصية، والتنفيذ القابل للتحقق الذي توفره الشبكات المفتوحة. عندما يتم إيقاف نموذج مثل Fable فجأة بسبب السياسة أو قواعد المنصة، سيعيد السوق فهم الحاجة إلى الذكاء الاصطناعي غير المرخص. حاليًا، تتجلى قيمة DeAI بشكل أساسي في المستويات الثلاثة التالية:

حل نقطة الوصول الواحدة: تقليل الاعتماد على مورد نموذج واحد

يمكن لـ DeAI أولاً تخفيف مشكلة نقطة الوصول الواحدة. تظهر حادثة Fable أن النماذج المتقدمة قد يتم قطعها فجأة بسبب السياسة أو قواعد المنصة. على مستوى المنتج، يمكن لـ DeAI تقليل المخاطر بثلاث طرق: الأولى هي إدخال توجيه متعدد النماذج، مما يسمح للمستخدمين بالتبديل بين النماذج المركزية والنماذج مفتوحة المصدر وشبكات الاستدلال اللامركزية؛ الثانية هي من خلال سوق نماذج مفتوح، حيث يمكن للنماذج وخدمات الاستدلال المختلفة الانضمام بحرية، مما يقلل من سيطرة المورد الواحد؛ الثالثة هي من خلال مداخل الاستدلال الخاصة ومجموعات النماذج المحلية، مما يسمح للمستخدمين بالاحتفاظ بمسارات احتياطية في المهام الحرجة.

قد لا تتمكن DeAI على المدى القصير من تدريب Claude آخر. القيمة الأكثر واقعية هي جعل سير العمل الرئيسي لا يراهن بالكامل على مدخل نموذج واحد. بالنسبة للمستخدم العادي، هذا هو خيار الوصول؛ بالنسبة للشركات، هذا هو استمرارية الأعمال؛ بالنسبة للدول والمناطق، هذا جزء من سيادة الذكاء الاصطناعي.

حل ثقة البيانات: جعل الحوسبة الحساسة تعمل في بيئة قابلة للإثبات

القيمة الثانية لـ DeAI هي جعل الحوسبة الحساسة تتمتع بقابلية إثبات أقوى. عند استدعاء الشركات والتطبيقات على السلسلة للذكاء الاصطناعي، غالبًا ما تتضمن بيانات خاصة، أو أكواد، أو استراتيجيات تداول، أو أصول المستخدمين. يمكن لبيئات التنفيذ الموثوقة (TEE)، والإثبات عن بعد، والحوسبة الخصوصية، والتدقيق على السلسلة أن تسمح للمستخدمين بتأكيد ما إذا كانت البيانات الحساسة تتم معالجتها في بيئة محمية.

تركيز هذا المسار هو تمكين المستخدمين من الحصول على أدلة حول بيئة التنفيذ دون الكشف عن خصوصيتهم. على سبيل المثال، يمكن للشركات أن تطلب حدوث استدلال الذكاء الاصطناعي في بيئة تنفيذ موثوقة، وتأكيد إصدار الكود والنموذج من خلال الإثبات عن بعد؛ يمكن للتطبيقات على السلسلة تسجيل تجزئة المهمة ونتائج التنفيذ والإثبات على السلسلة؛ يمكن للمستخدمين تأكيد عدم استبدال بيئة الحوسبة بشكل عشوائي دون الكشف عن البيانات الأصلية. بالنسبة للمالية، والرعاية الصحية، وامتثال الشركات، وإدارة الأصول على السلسلة، هذا أكثر أهمية من مجرد السعي وراء نماذج أقوى.

حل مسؤولية التنفيذ: ترك سلسلة أدلة لسلوك وكيل الذكاء الاصطناعي

القيمة الثالثة لـ DeAI هي إنشاء سلسلة مسؤولية لوكيل الذكاء الاصطناعي. في المستقبل، سيقوم وكيل الذكاء الاصطناعي باستدعاء المحافظ، والبورصات، والخدمات السحابية، وأنظمة الشركات، والعقود على السلسلة. سينتقل من الإجابة على الأسئلة إلى تنفيذ المهام مباشرة. في هذا الوقت، يحتاج السوق إلى مخرجات النموذج، وأيضًا إلى سجلات التنفيذ، وسجلات الأذونات، ومسارات الاستدعاء، وتدفق الأموال، وآليات تتبع الأخطاء.

الأنظمة على السلسلة更适合 لتسجيل هذه السلوكيات. من خلال السجلات على السلسلة، والضمانات، وآليات التحدي، والعقوبات الاقتصادية، يمكن لـ DeAI جعل تنفيذ الذكاء الاصطناعي من "عملية خلفية للمنصة" إلى سلوك قابل للتتبع والتحقق والمساءلة. على سبيل المثال، كل استدعاء لعقد، أو قراءة بيانات، أو بدء معاملة، أو تقديم نتيجة من قبل الوكيل يمكن أن يترك سجلًا قابلًا للتدقيق؛ عندما يقدم عقدة نتيجة خاطئة، يمكن مراجعتها ومعاقبتها من خلال آليات التحدي. ما دفعته حادثة Fable حقًا هو هذا المستوى من الطلب.

4. كيف تبني DeAI التنفيذ الموثوق: ثلاثة مسارات للحوسبة الذكاء الاصطناعي القابلة للتحقق

من المسارات الحالية للمشاريع والبحث، الحوسبة الذكاء الاصطناعي القابلة للتحقق ليست تقنية واحدة، بل مجموعة من الحلول حول "بيئة التشغيل، ونتائج الحوسبة، وسلوك التنفيذ". المسارات المختلفة تحل مشكلات مختلفة، وتختلف إيقاعات التنفيذ.

التحقق من بيئة التشغيل: تأكيد مكان تشغيل النموذج أولاً

المسار الأول هو بيئة التنفيذ الموثوقة (TEE)، التي تركز على إثبات أن النموذج يعمل في بيئة أجهزة محمية. لا يحتاج المستخدم إلى رؤية الخادم الخلفي، ويمكنه من خلال الإثبات عن بعد تأكيد أن الكود والنموذج وبيئة التنفيذ لم يتم التلاعب بها بشكل عشوائي. هذه الحلول أقرب إلى التطبيقات الواقعية، ومناسبة للنماذج الخاصة بالشركات، وتنفيذ وكيل الذكاء الاصطناعي، وإدارة المخاطر المالية، والمهام الآلية على السلسلة.

ميزتها هي أن التكلفة والزمن relativamente可控، ويمكنها أولاً حل مشكلة "مكان تشغيل النموذج وما إذا كانت البيانات تتم معالجتها في بيئة محمية". القيد هو أنها لا تزال تعتمد على مصنعي الأجهزة، وبيئات التنفيذ الموثوقة، وآليات الإثبات عن بعد. إذا فشلت الأجهزة الأساسية أو آليات الإثبات، فإن أساس التحقق سيتأثر أيضًا.

التحقق من نتائج الحوسبة: جعل مخرجات الذكاء الاصطناعي تحمل إثباتًا

المسار الثاني هو الإثباتات التشفيرية، والاتجاهات الشائعة تشمل إثباتات المعرفة الصفرية (ZK) وzkML. هدفها هو إنشاء شهادة حوسبة قابلة للتحقق لحسابات الذكاء الاصطناعي، تسمح لطرف ثالث بتأكيد أن النتيجة تأتي من عملية حسابية محددة دون إعادة تشغيل النموذج بالكامل.

هذا المسار أقرب إلى "الإثبات الرياضي". ميزته هي اليقين الأقوى، ومناسب للسيناريوهات التي تتطلب دقة عالية جدًا في النتائج؛ القيد هو أن تكلفة إنشاء الإثبات عالية، وزمن الاستجابة مرتفع، والدعم للنماذج المتقدمة الكبيرة لا يزال محدودًا. بدأت الأبحاث حول الاستدلال القابل للتحقق خفيف الوزن في محاولة تقليل التكاليف باستخدام أخذ العينات وآليات الالتزام، لكن الانتقال من البحث إلى الاستخدام التجاري واسع النطاق لا يزال بحاجة إلى وقت.

التحقق من سلوك التنفيذ: جعل الأخطاء وتجاوز الصلاحيات مكلفة

المسار الثالث هو الحوافز الاقتصادية وسجلات التدقيق القابلة للتدقيق. لا يتطلب أن يولد كل استدلال ذكاء اصطناعي إثباتًا كاملاً على الفور، بل يركز على جعل النتائج الخاطئة والسلوك الضار مكلفة من خلال التحدي، وإعادة الحساب، والتحقق بالعينة، وعقوبات الضمانات، والتسجيلات على السلسلة. يمكن مصادرة ضمانات العقدة التي تقدم نتائج خاطئة، ويمكن للطرف الذي يكتشف الخطأ الحصول على مكافأة.

هذا المسار مهم بشكل خاص لوكيل الذكاء الاصطناعي. في المستقبل، لن ينظر المستخدم فقط إلى إجابة النموذج، بل سينظر أيضًا إلى الواجهة التي استدعاها الوكيل، والأذونات التي استخدمها، وما إذا تجاوز الصلاحيات، وما إذا نفذ وفقًا للتفويض. السجلات القابلة للتدقيق تحول سلوك الذكاء الاصطناعي من عملية خلفية إلى سجل يمكن تتبعه، وقد تكون أسرع في التنفيذ من التحقق الكامل للنماذج الكبيرة.

5. مشاريع ممثلة: DeAI تتمايز إلى طبقات بنية تحتية مختلفة

على طول مسارات التحقق الثلاثة المذكورة أعلاه، تتمايز مشاريع DeAI إلى طبقات بنية تحتية مختلفة: Bittensor وGensyn أقرب إلى شبكات توريد الذكاء، Venice أقرب إلى مدخل المستخدم، بينما OpenGradient وRitual أقرب إلى طبقة الحوسبة القابلة للتحقق والتنفيذ على السلسلة. تشير اختلافات هذه المشاريع أيضًا إلى أن DeAI هو نظام بيئي مركب حول الوصول والخصوصية والإثبات والتنفيذ.

5.1 Bittensor: استخدام آلية الشبكات الفرعية لفرز توريد الذكاء الآلي

X:

باعتبارها شبكة بدأت مبكرًا ولديها نظام بيئي أكبر نسبيًا في الذكاء الاصطناعي اللامركزي، تمثل Bittensor مسار سوق الذكاء المفتوح. وهي تتكون من العديد من الشبكات الفرعية، كل منها عبارة عن سوق ذكاء آلي مستقل نسبيًا: يقوم المعدنون بإنتاج سلع رقمية، بما في ذلك قوة الحوسبة، والتخزين، واستدلال الذكاء الاصطناعي، والتدريب، والتنبؤات المالية، إلخ؛ يقوم المدققون بتقييم جودة مخرجات المعدنين؛ يقوم منشئو الشبكات الفرعية بتصميم آليات الحوافز؛ ويمكن لحاملي TAO دعم المدققين من خلال التخزين. تقوم الشبكة في النهاية بتوزيع حوافز TAO على المشاركين الذين يُعتبرون ذوي مساهمة أعلى.

من حيث هيكل رأس المال، تختلف Bittensor عن مشاريع تمويل الأسهم النموذجية. لم تخضع لجولات خاصة تقليدية أو ICO، وتحتفظ مؤسسة Opentensor بالبروتوكول الأساسي، ولم يحتفظ TAO بحصة للمستثمرين الأوائل. لكن هذا لا يعني غياب رأس المال: شاركت Polychain في احتضان Bittensor منذ عام 2019، وتراكمت لديها مراكز TAO بقيمة حوالي 200 مليون دولار من خلال السوق الثانوية وعمليات التعدين والتحقق؛ استمرت Digital Currency Group في الشراء من خلال Yuma التابعة لها، وأصبحت أكبر مالك بحوالي 500,000 TAO، أي حوالي 2.4٪ من الإجمالي.

من حيث النشاط على السلسلة، يظهر صفحة الشبكات الفرعية Taostats أن إجمالي حجم التداول اليومي لسوق الشبكات الفرعية Bittensor يبلغ حوالي 193,300 TAO، منها Alpha Token (رمز الشبكة الفرعية الأصلي لكل شبكة فرعية، يعكس التسعير السوقي والتخزين وتدفق رأس المال للشبكة الفرعية) بحوالي 139,000 TAO بنسبة 71.93٪؛ وRoot TAO (أصل TAO الأصلي لشبكة Bittensor الرئيسية، كأصل أساسي للدخول والخروج من Alpha Tokens للشبكات الفرعية) بحوالي 54,300 TAO بنسبة 28.07٪. يشير هذا إلى أن النشاط التجاري الحالي يأتي بشكل أساسي من أصول الشبكات الفرعية المحددة، وليس من جانب TAO الرئيسي.

المصدر:

من بين الشبكات الفرعية الحالية، تشمل الأمثلة البارزة SN3 τemplar و SN64 Chutes: تركز SN3 τemplar على التدريب اللامركزي للنماذج الكبيرة، وقد أكمل فريقها تدريب نموذج Covenant-72B بمعامل 72 مليار على Bittensor Subnet 3، وهو شبكة فرعية ممثلة لقدرات Bittensor التدريبية؛ تركز SN64 Chutes على استدلال الذكاء الاصطناعي بدون خادم، ويعالجت أكثر من 9.1 تريليون رمز، بذروة يومية تتجاوز 50 مليار رمز، وهي شبكة فرعية استدلالية بارزة في الاستخدام الحالي. في الوقت نفسه، أطلقت CoinW منطقة نظام TAO البيئي، وأدرجت لأول مرة Chutes-SN64 وGradients-SN56 وTargon-SN4.

توسعت Bittensor من شبكة ذكاء اصطناعي واحدة إلى سوق ذكاء مفتوح متعدد المهام ومتعدد الأصول ومنحنيات حوافز متعددة، حيث تقوم بتقسيم السلع الرقمية المختلفة مثل استدلال الذكاء الاصطناعي، والتدريب، والبيانات، والتنبؤات المالية، وقوة الحوسبة، والتخزين إلى أسواق مستقلة، مع توفير المعدنين، وتقييم المدققين، وتوزيع حوافز الرموز.

الأكثر جديرًا بالملاحظة هو أن بعض الشبكات الفرعية للاستدلال بدأت في تعزيز طبقة تقييم النتائج والتحقق. "التحقق" هنا أقرب إلى آلية فرز الجودة داخل الشبكة: يقدم المعدنون مخرجات النموذج أو نتائج المهام، ويقيم المدققون جودة النتائج من خلال التقييم، وإعادة الاختبار، والمراجعة بالعينة، والمهام الأساسية، وقواعد الحوافز، مما يؤثر في النهاية على حوافز TAO التي يحصل عليها المعدنون. تكمن قيمة Bittensor في جعل "من يمكنه تقديم خدمات الذكاء" مشكلة تنافسية مفتوحة، ويكمن التحدي في أن جودة الشبكات الفرعية المختلفة تختلف بشكل كبير، ومعايير التحقق وآليات مكافحة الاحتيال تحدد ما إذا كانت الشبكة يمكنها حقًا فرز خدمات الذكاء الاصطناعي عالية الجودة.

5.2 Venice: مدخل ذكاء اصطناعي للخصوصية من جانب المستخدم

X:

تميل Venice أكثر إلى مدخل تطبيق DeAI. إنها تدمج قدرات الذكاء الاصطناعي المتعددة مثل النصوص والصور والفيديو والصوت والكود والبحث، وتؤكد على الوصول الخاص أو المجهول. على مستوى النموذج، تدعم Venice مداخل متعددة مثل Claude وGoogle وDeepSeek وOpenAI وMistral وMeta وQwen وGrok وKimi، وتوفر أيضًا API متوافقة مع OpenAI يمكنها الاتصال بمكدس أدوات الوكيل، واستدعاء الوظائف، والبحث على الويب، والتوليد متعدد الوسائط.

أطلقت Venice من قبل Erik Voorhees، مؤسس ShapeShift، في مايو 2024، ولديها دعم قوي من المؤسس، حيث يعتمد تمويلها وحوافزها بشكل أكبر على الرموز بدلاً من جولات رأس المال الاستثماري التقليدية. في يناير 2025، أصدرت Venice رمز VVV الأصلي على شبكة Base، بمعروض أولي قدره 100 مليون رمز، تم توزيع حوالي نصفها عبر الإسقاط الجوي للمستخدمين الأوائل ومجتمع التشفير الذكاء الاصطناعي، والباقي يحتفظ به الفريق وحوض السيولة وصندوق الحوافز. بعد ذلك، أطلقت Venice رمز DIEM، مما شكل هيكل رمزي مزدوج: كل DIEM يتوافق مع حصة API يومية ثابتة، ولا يمكن سكها إلا من قبل حاملي VVV، مما يربط الطلب على الرمز باستهلاك قوة الحوسبة الفعلية للمنصة.

بالعودة إلى المنتج نفسه، يكمن الاختلاف في Venice في طبقات الخصوصية. لديها أربعة أنواع من بنية الخصوصية: الوصول المجهول إلى نماذج الطرف الثالث، وعدم الاحتفاظ بالبيانات على النماذج مفتوحة المصدر المستضافة ذاتيًا، وتقليل الرؤية على جانب المنصة من خلال TEE، والتشفير من طرف إلى طرف. بالنسبة للمستخدم العادي، هذا أسهل في الفهم من شبكات الإثبات الأساسية: ما يريده المستخدم هو ما إذا كان يمكنه الوصول، وما إذا كانت البيانات سيتم حفظها، وما إذا كان الاستدعاء سيستخدم للتدريب أو المراجعة من قبل المنصة. بعد حادثة Fable، سيكون هذا النوع من الطلب أكثر مباشرة. لأن تعطيل النموذج ليس مجرد مشكلة مطورين، بل سيؤثر أيضًا على ثقة المستخدمين العاديين في استمرارية أدوات الذكاء الاصطناعي.

تقابل Venice مشكلة مدخل المستخدم لـ DeAI. شبكات الإثبات الأساسية تحل "هل يمكن التحقق من الحوسبة"، ومداخل الذكاء الاصطناعي الخصوصية تحل "هل يمكن للمستخدم استخدامها بأمان واستمرارية وبتكلفة منخفضة". لا يمكن لـ Venice استبدال طبقة تنفيذ zkML أو TEE، ولا يمكنها القضاء تمامًا على قيود مزودي النماذج، لكنها توضح أن مسار التسويق لـ DeAI لا يجب أن يبدأ بالضرورة من الطبقة السفلى، فأول ما يشعر به المستخدم غالبًا هو قابلية الوصول، وقابلية التبديل، والتكلفة المنخفضة، وحماية الخصوصية.

5.3 OpenGradient: وضع استضافة النموذج، واستدلال التحقق، ووكيل السلسلة في شبكة واحدة

X:

تعتبر OpenGradient أقرب إلى شبكة حوسبة ذكاء اصطناعي قابلة للتحقق كاملة المكدس. تحاول دمج استضافة النموذج، واستدعاء الاستدلال، ودفع x402، ووكيل السلسلة، وطبقة الإثبات في شبكة مطورين واحدة، بدلاً من توفير مدخل نموذج واحد فقط. الهدف هو وضع نشر النموذج، واستدعائه، وتسويته، والإثبات الموثوق به في نفس سير عمل المطور.

من حيث التمويل، أكملت OpenGradient جولة تمويل أولية بقيمة 8.5 مليون دولار في عام 2024، بقيادة a16z، بمشاركة Coinbase Ventures وSymbolic Capital وWintermute Ventures وGSR وغيرها. يغطي المستثمرون رأس مال الذكاء الاصطناعي في وادي السيليكون، وبنية التداول التشفيرية، ومؤسسات صنع السوق، مما يساعد المشروع على دفع النظام البيئي للمطورين، والتسوية على السلسلة، وسوق موارد الحوسبة في وقت واحد.

من بيانات السلسلة، تظهر أحدث بيانات صفحة Portal أن شبكة OpenGradient لديها 4,448 نموذجًا، وحوالي 874,900 معاملة استدلال، وحوالي 332,200 معاملة x402، وارتفاع الكتلة الحالي حوالي 1,599,860؛ متوسط المعاملات اليومية في آخر 30 يومًا حوالي 2,510 معاملة.

المصدر:

من بيانات المنتج، شكلت OpenGradient مسارًا كاملاً من استضافة النموذج، واستدعاء الاستدلال، ودفع x402، ووكيل السلسلة، وطبقة الإثبات. يمكن للمستخدم فهمها كسوق حوسبة ذكاء اصطناعي موجه للمطورين: بعد استضافة النموذج، يمكن استدعاؤه مباشرة، وينتج الاستدعاء معاملات ومدفوعات، ثم يتم تعزيز مصداقية النتائج الرئيسية من خلال zkML أو TEE.

تكمن ميزة OpenGradient في أن سلسلة المنتج كاملة نسبيًا، وتوفر بيانات استخدام على السلسلة قابلة للتحقق نسبيًا. المرحلة التالية تتطلب مراقبة سؤالين: هل يمكن أن تترجم كمية المعاملات إلى مدفوعات مستدامة؟ وهل يمكن أن يغطي الطلب على الإثبات التكاليف الحسابية الإضافية؟ يمكن زيادة عدد النماذج وعدد عمليات الاستدلال بسرعة من خلال الحوافز، ولكن ما يحدد حقًا قيمة الشبكة هو ما إذا كان المطورون على استعداد لدفع ثمن الاستدعاء المستقر والتنفيذ الخاص والنتائج القابلة للتحقق على المدى الطويل.

5.4 Gensyn: من شبكة قوة الحوسبة إلى سوق الذكاء الآلي

X:

Gensyn هو مشروع بارز في البنية التحتية السفلى لـ DeAI من حيث خلفية رأس المال والطموح التقني. بدأ من شبكة قوة حوسبة تجمع وحدات معالجة رسومية خاملة، بهدف التطور تدريجيًا إلى شبكة ذكاء آلي أكثر اكتمالًا، حيث يمكن استدعاء وتداول التدريب والاستدلال والتعاون النموذجي والخدمات الذكية على الشبكة المفتوحة.

من هيكل المنتج، لم تعد شبكة Gensyn مجرد طبقة جدولة GPU. يستخدم مكون AXL الخاص بها لتبادل الأوزان والتدرجات والإشارات بين عُقد التعلم الآلي؛ تسجل الهوية والسمعة على السلسلة الأداء التاريخي للنماذج والوكلاء وعُقد الحوسبة؛ تستخدم آلية التحقق لتأكيد ما إذا تم تنفيذ الحوسبة الجزئية كما هو مطلوب. يختبر سوق معلومات Delphi التابع لـ Gensyn أيضًا سيناريوهات مشاركة البشر ووكلاء الذكاء الاصطناعي في التنبؤات، مع تسوية بواسطة Oracle AI.

من حيث التمويل، خلفية رأس مال Gensyn بارزة نسبيًا بين المشاريع المماثلة. في عام 2022، أكملت Gensyn جولة تمويل أولية بقيمة 6.5 مليون دولار بقيادة Eden Block، بمشاركة Galaxy Digital وCoinFund وغيرها؛ في عام 2023، أكملت جولة تمويل من الفئة A بقيمة 43 مليون دولار بقيادة a16z، بإجمالي تمويل عام لا يقل عن 49.5 مليون دولار. دورة التطوير الطويلة نسبيًا والدعم المستمر لرأس المال الرائد تسمح لها بدفع خطوط تقنية متعددة في وقت واحد مثل التدريب الموزع، وسوق الذكاء الآلي، والهوية على السلسلة، وآليات التحقق.

يقابل Gensyn ضعف التوريد بعد التركيز المفرط لقدرات الذكاء الاصطناعي المتقدمة. تظهر حادثة Fable أن الوصول إلى النموذج قد يتم قطعه بسرعة بين السياسة والمنطقة واستراتيجيات أمان الشركة. تأمل Gensyn في جعل الذكاء الآلي سوقًا مفتوحًا يمكن الوصول إليه والتنافس فيه والتحقق منه، بحيث لا يعتمد تدريب النموذج، والتعاون النموذجي، وتداول الوكيل، وخدمات الذكاء الآلي بالكامل على منصة واحدة. يكمن التحدي في أن متطلبات النطاق الترددي، ومزامنة البيانات، والتحقق من التدرج، وتصميم الحوافز للتدريب اللامركزي عالية جدًا، وعلى المدى القصير قد يكون التنفيذ أكثر احتمالاً في النماذج الرأسية، وتحسين النماذج المفتوحة، وتعاون الوكيل، وأسواق التنبؤ.

5.5 Ritual: تحويل مهام الذكاء الاصطناعي إلى تنفيذ على السلسلة قابل للاستدعاء والتتبع

X:

تدخل Ritual في طبقة تنفيذ الذكاء الاصطناعي، وتركز على كيفية جعل استدعاء النموذج، وسلوك الوكيل، والمهام المعقدة قابلة للتنظيم والتنفيذ والتسوية مباشرة على السلسلة، بدلاً من البقاء كخدمة صندوق أسود خارج السلسلة. تستخدم سلسلة Ritual بنية EVM مع مهام آلة قابلة للتحقق خارج السلسلة. المهام القطعية مثل التحويلات العادية وقراءة التخزين لا تزال تنفذ بواسطة EVM عبر النسخ، بينما المهام عالية التكلفة مثل استدلال LLM، واستدعاء الوكيل، وتوليد الصور تنفذ في بيئات TEE، ثم تربط النتيجة مع الطلب الأصلي وتعيدها إلى السلسلة. تعمل عقود النظام مثل AsyncJobTracker وTEEServiceRegistry وScheduler وAsyncDelivery على إدارة حالة المهمة، وتسجيل المنفذين، والجدولة، واستدعاء النتائج. طورت Ritual أيضًا Infernet، مما يسمح للعقود الذكية باستدعاء النماذج والحوسبة الخارجية، مما يجعل موقف المنتج أقرب إلى "نظام تشغيل تنفيذ الذكاء الاصطناعي على السلسلة".

من حيث التمويل، أكملت Ritual جولة تمويل بقيمة 25 مليون دولار في عام 2023 بقيادة Archetype، بمشاركة Accomplice وRobot Ventures وdao5 وAvra وHypersphere وغيرها؛ في عام 2024، أدخلت Polychain كمستثمر استراتيجي، مما عزز مواردها في اتجاه البنية التحتية للتشفير.

ميزة Ritual هي أنها أقرب إلى الطلب الفعلي على السلسلة، ومناسبة للتداول الآلي، وOracle الذكاء الاصطناعي، ووكيل السلسلة، والدفع الآلي، وتنظيم المهام المعقدة. التركيز الذي تحله ليس تدريب نموذج أقوى، بل جعل استدعاء النموذج يمكن أن يدخل نظام أذونات وتسوية العقد الذكي. الخطر هو أن TEE لا يزال يعتمد على جذر الثقة في الأجهزة، واختيار المنفذ، وأمان الاستدعاء غير المتزامن، وحواجز المطورين تحتاج إلى تحقق مستمر. يعتمد تشكيل حجم Ritual في النهاية على ما إذا كانت التطبيقات على السلسلة على استعداد لتسليم مهام الذكاء الاصطناعي عالية القيمة إلى هذه الطبقة التنفيذية.

6. الحدود الواقعية: DeAI لا يمكنها حل جميع المشكلات بعد

التدريب اللامركزي لا يزال يواجه قيودًا مادية

القيمة طويلة الأجل لـ DeAI يجب أن تبنى على حدود واقعية. التدريب المسبق للنماذج الكبيرة يتطلب نطاق ترددي عالي جدًا، ومجموعات GPU مستقرة، وبيانات عالية الجودة بكميات هائلة، ونظام هندسي ناضج. على الرغم من أن الشبكات اللامركزية يمكنها خفض عتبة قوة الحوسبة إلى حد ما، إلا أن الاتصالات على الإنترنت العام، وتنسيق الأجهزة غير المتجانسة، وجودة مجموعات البيانات كلها تؤثر على كفاءة التدريب. هذا لا يقلل من قيمة DeAI. المسار الأكثر واقعية هو: طبقة التدريب تخدم أولاً النماذج المتخصصة وتحسين النماذج المفتوحة؛ طبقة الاستدلال تخدم أولاً الخصوصية والتكلفة والتوجيه متعدد النماذج؛ طبقة التحقق تخدم أولاً إثبات وتدقيق السيناريوهات عالية القيمة؛ طبقة التنفيذ تخدم أولاً وكلاء السلسلة والمهام الآلية. أول المجالات التي قد تنضج في DeAI هي البنية التحتية الموثوقة حول استدعاء النموذج.

قدرات التحقق لا تزال لها حدود تطبيق

الحوسبة الذكاء الاصطناعي القابلة للتحقق لها أيضًا حدود تطبيق واضحة. يمكن لـ TEE إثبات بيئة التشغيل، لكنها تحتاج إلى الثقة في الأجهزة وآليات الإثبات عن بعد؛ يمكن لـ zkML إثبات نتائج الحوسبة، لكن التكلفة وزمن الاستجابة لا يزالان عائقين؛ يمكن للحوافز الاقتصادية جعل السلوك الضار مكلفًا، لكنها تحتاج إلى آليات تحدي معقولة، وتصميم ضمانات، وحوافز للمدققين. الحلول المختلفة تحل مشكلات مختلفة، ولا يمكن تلخيص جميع القدرات تحت علامة "قابل للتحقق". لذلك، في المستقبل، عند اختيار المشاريع، يجب النظر في ما تثبته بالضبط. إثبات هوية النموذج، وإثبات بيئة التشغيل، وإثبات نتائج المخرجات، كلها تتوافق مع حدود منتج مختلفة. كلما كان المشروع قادرًا على شرح موضوع الإثبات بشكل أفضل، زاد احتمالية تحمله لطلبات الشركات والتطبيقات على السلسلة.

حرارة السوق لا تعادل الاستخدام الحقيقي

ستجلب حادثة Fable مشاعر في قطاع DeAI، لكن المشاعر لا يمكن تحويلها مباشرة إلى قيمة طويلة الأجل. ما يحتاج حقًا إلى المراقبة هو ما إذا كان المشروع لديه طلب مستمر على المهام، وما إذا كان المستخدمون على استعداد لدفع ثمن القابلية للتحقق، وما إذا كان دخل الشبكة يأتي من استدعاءات حقيقية، وما إذا كانت تكلفة التحقق أقل من علاوة الأمان التي يرغب المستخدم في دفعها. بدون استخدام حقيقي، ستعود DeAI في النهاية إلى التداول المفاهيمي.

7. ملخص: فرصة DeAI تكمن في إعادة بناء طبقة الثقة للذكاء الاصطناعي

ما يستحق الاهتمام حقًا في حادثة Fable ليس تعطيل نموذج معين من Anthropic مؤقتًا، بل هو الكشف الواضح لأول مرة عن التناقض الهيكلي بين زيادة قدرة النماذج المتقدمة وانخفاض استقرار الوصول. في الماضي، كان السوق يفترض عادةً أن قدرات النموذج الأقوى ستؤدي إلى معدل اعتماد أعلى؛ لكن حادثة Fable أظهرت أنه عندما يمتلك النموذج قدرات حساسة عالية مثل الأمن السيبراني، والأمان البيولوجي، وتنفيذ الكود، فإن حدوده التشغيلية تصبح أكثر عرضة للإدراج في ضوابط التصدير، وامتثال الشركات، وإطار الأمن القومي. كلما زادت قدرة النموذج، زادت الحاجة إلى طبقات الأمان من قبل المنصة؛ وكلما زاد تعقيد طبقات الأمان، زادت صعوبة التحقق من عملية تنفيذها من قبل المستخدمين الخارجيين؛ وكلما تعمق التدخل التنظيمي، لم يعد حق الوصول إلى النموذج مجرد مسألة منتج. هذا يعني أن المنافسة المستقبلية في الذكاء الاصطناعي لن تدور فقط حول قدرات النموذج، بل ستمتد أيضًا إلى استقرار الوصول، وقابلية التحكم في البيانات، ومصداقية التنفيذ.

هذا هو المكان الذي يجب إعادة فهم DeAI فيه. على المدى القصير، قد لا تتمكن DeAI من استنساخ نماذج متقدمة مثل Claude، لكنها يمكنها أولاً الدخول من أضعف نقاط الذكاء الاصطناعي المركزي: ما إذا كان يمكن استبدال النموذج، وما إذا كان يمكن حماية البيانات، وما إذا كان يمكن إثبات عملية الحوسبة، وما إذا كان يمكن مساءلة سلوك الوكيل. مشاريع DeAI ذات القيمة الحقيقية ليست مجرد نقل قدرات الذكاء الاصطناعي إلى السلسلة، بل تفكيك عملية استدعاء الذكاء الاصطناعي إلى عدة حلقات قابلة للتحقق، بما في ذلك من يقدم النموذج، ومن ينفذ الاستدلال، وكيف يتم إنتاج النتيجة، ومن يتحمل الأخطاء، وما إذا كان يمكن للمستخدم التبديل بين الخدمات المختلفة. في الماضي، كانت هذه الأسئلة مخبأة داخل المنصات المركزية؛ في المستقبل، قد تتطور إلى سوق بنية تحتية جديد.

من هذا المنظور، قد تكون الحوسبة الذكاء الاصطناعي القابلة للتحقق هي الاتجاه الأكثر استحقاقًا للدراسة المتعمقة في DeAI. يتحول الذكاء الاصطناعي من أداة توليد محتوى إلى كيان ذكي قادر على تنفيذ المهام. عندما يستخدم الذكاء الاصطناعي بشكل أساسي لتوليد النصوص، يمكن للمستخدمين تحمل درجة معينة من عدم الشفافية؛ ولكن عندما يبدأ الذكاء الاصطناعي في المشاركة في تدقيق الكود، وإدارة الأصول، واستدعاء المحافظ، وتنفيذ المعاملات، والتفاعل مع العقود، فإن عدم الشفافية سيتحول إلى خطر نظامي. في المستقبل، لن يدفع السوق فقط مقابل قدرات النموذج الأقوى، بل سيدفع أيضًا مقابل عمليات التنفيذ القابلة للإثبات والتدقيق والمساءلة.

لذلك، بعد حادثة Fable، يحتاج منطق الاستثمار في DeAI إلى التحول من السرد العاطفي إلى سرد التحقق. في الماضي، كان السوق يميل إلى مطاردة مفاهيم الذكاء الاصطناعي، وأسماء النماذج، والنقاط الساخنة قصيرة الأجل؛ في المرحلة التالية، يجب التركيز أكثر على ثلاثة مؤشرات: هل هناك طلب حقيقي على الاستدعاء؟ هل هناك آلية إثبات قابلة للتحقق؟ هل هناك مستخدمون على استعداد لدفع علاوة للتنفيذ الموثوق؟ فقط عند توفر هذه الشروط معًا، يمكن للحوسبة الذكاء الاصطناعي القابلة للتحقق أن تتحول من نقطة ساخنة دورية في سوق التشفير إلى طبقة ثقة جديدة في عصر الذكاء الاصطناعي. جوهر المنافسة المستقبلية في الذكاء الاصطناعي لن يكون فقط قدرات النموذج نفسها، بل ما إذا كان يمكن استدعاء النموذج بشكل مستقر وموثوق وقابل للتحقق في بيئة مفتوحة، وهذه هي المساحة طويلة الأجل التي قد تفتحها DeAI حقًا.