لماذا يصعب على الذكاء الاصطناعي + البلوكشين الحصول على تطبيق واسع في عصر الذكاء الاصطناعي

المؤلف: إيكو آن، ريان يون؛ المصدر: Tiger Research؛ الترجمة: شو، جولدين فينانس

ملخص النقاط الرئيسية

• في ظل ازدهار الذكاء الاصطناعي، نحتاج إلى تقييم صناعة البلوكشين من منظور جانب الطلب: ما هي المشكلات التي تحلها والتي لا تستطيع الأنظمة الحالية حلها، وما هي القدرات الفريدة التي تقدمها؟

• الحوسبة والتخزين اللامركزيان لهما مبررات معقولة من حيث سيادة البيانات والقدرة التنافسية من حيث التكلفة. لكن المشكلة تكمن في أن كلاهما لم يُظهر بعد ميزة تقنية مقنعة كافية تعوض مخاطر التحول بالنسبة للمستخدمين المستثمرين بالفعل في البنية التحتية السحابية الحالية.

• تقنيات التحقق من النماذج والخصوصية لا تحل المشكلات التي ترى الشركات أنها بحاجة ماسة إلى معالجتها بنشاط. هذا النوع من الطلب من المرجح أن يظهر بعد وضع اللوائح التنظيمية، وليس قبلها. قانون الذكاء الاصطناعي للاتحاد الأوروبي يجسد هذا النمط: المعايير أولاً، ثم التبني في السوق لاحقًا.

• في مجال أطر الوكلاء (Agent Frameworks)، العامل المقيد ليس تقنيًا. الشركات الرئيسية لا تزال تركز على أتمتة سير العمل الداخلي، بينما مشاريع البلوكشين تبني بالفعل طبقة البنية التحتية التالية. الطلب يحتاج وقتًا ليلحق بوتيرة التطور التقني.

• في مجال مدفوعات الوكلاء، البلوكشين والتمويل التقليدي متعادلان. لم يحل أي منهما المشكلة بشكل كامل بعد، لذلك، هذا هو المجال الوحيد الذي يواجه فيه كلا الطرفين نفس التحدي في نفس الوقت.

• محنة صناعة الذكاء الاصطناعي والبلوكشين ككل لا تنبع من عدم تناغم المزيج بحد ذاته، بل بسبب عدم تطابق: هذه الفئات الأربع تواجه أسبابًا مختلفة لعدم ظهور الطلب حتى الآن، حاليًا فقط مدفوعات الوكلاء لديها قدرة تنافسية.

1. مشاريع البلوكشين المتخلفة في موجة الذكاء الاصطناعي

صناعة الذكاء الاصطناعي تشهد تركيزًا غير مسبوق لرأس المال والاستثمار في البنية التحتية. أنظمة النماذج اللغوية الكبيرة التي تقودها شركات التكنولوجيا الكبرى أصبحت معيارًا في الحياة اليومية والعمليات الصناعية. في ظل هذا التوسع السريع، تتطور صناعة العملات المشفرة بسرعة أيضًا، سعيًا لإيجاد نقاط اتصال تقنية مع الذكاء الاصطناعي.

ركزت الأبحاث المبكرة بشكل أساسي على استكمال أو نسخ بعض حلقات سلسلة قيمة الذكاء الاصطناعي التقليدية: توفير وحدات معالجة رسومية لامركزية، استعادة ملكية البيانات، والتحقق المشفر. مؤخرًا، تحول تركيز البحث نحو سد الفجوات التي يصعب على البنى المركزية حلها، مثل الأنشطة المستقلة للوكلاء الذكاء الاصطناعي على السلسلة والتسويات الآنية بين الآلات.

وصف هذا المجال بشكل عام بأنه "ذكاء اصطناعي + بلوكشين" يخفي معلومات أكثر مما يكشف. نحتاج إلى تحليل دقيق من جانب الطلب: ما هي المشكلات التي يعالجها كل مجال فرعي؟ هل توفر طرق البلوكشين الأصلية حلولًا مختلفة حقًا؟

2. وظائف كل فئة

2.1 الحوسبة اللامركزية

سوق الحوسبة السحابية اليوم يعتمد هيكليًا على عدد قليل من شركات التكنولوجيا الكبرى التي تتحكم في موارد الحوسبة. وحدات معالجة الرسوميات عالية الأداء صعبة الشراء وباهظة الثمن، مما يخلق حاجز دخول مرتفع للغاية لشركات الذكاء الاصطناعي الناشئة وفرق البحث التي لا تستطيع الوصول إلى بنية تحتية واسعة النطاق.

الأنظمة المركزية تركز الموارد في أيدي أكبر المشترين، ولا توجد قناة محايدة لإعادة توزيع سعة وحدات معالجة الرسوميات الخاملة في السوق.

الحوسبة اللامركزية تحل مشكلة تركيز الموارد وعدم الكفاءة بطريقتين. في نموذج الاقتصاد التشاركي، تجمع المشاريع موارد وحدات معالجة الرسوميات الخاملة من الأفراد ومراكز البيانات الصغيرة في شبكة موحدة، مما يخلق سلسلة توريد أكثر مرونة خارج الاحتكار التكنولوجي الحالي.

في نموذج الحوسبة الموزعة، يمكن للمستخدمين الوصول إلى موارد الحوسبة واستئجارها عالميًا دون الاعتماد على بنية أي مزود واحد، مما يزيد من استخدام الأجهزة الخاملة ويخفض حاجز الدخول للحوسبة عالية الأداء.

2.2 التخزين اللامركزي

هياكل تخزين البيانات الحالية تعتمد بالكامل تقريبًا على البنى التحتية السحابية المركزية التي تديرها شركات مثل جوجل وميتا. عندما يقوم المستخدمون بتحميل البيانات إلى هذه المنصات، تنتقل الملكية فعليًا إلى المنصة، مما يعزز سيطرة المنصة على بيانات تدريب الذكاء الاصطناعي. البنية التحتية المركزية تجلب أيضًا مخاطر تشغيلية: تغييرات السياسة، انقطاع الخدمة، أو أعطال المنصة قد تؤدي إلى انقطاع الوصول إلى البيانات أو فقدانها.

التخزين اللامركزي يحل هذه المشكلات الهيكلية بطريقتين. نموذج الاقتصاد التشاركي، ممثلاً في Filecoin و Arweave، يجمع مساحة التخزين الخاملة من المشاركين في شبكة قادرة على استبدال السحابة المركزية الحالية.

نموذج التخزين الدائم ينسخ البيانات إلى عقد موزعة، مما يضمن استمرارية البيانات بغض النظر عن حالة تشغيل الخادم الفردي، ويقلل الاعتماد على أي منصة واحدة.

2.3 أسواق البيانات

مطورو الذكاء الاصطناعي يحتاجون إلى بيانات تدريب، لكن سوق توزيع البيانات الحالي هو نظام مغلق، حيث تستحوذ المنصات الكبيرة (مثل Hugging Face) ومزودو السحابة على الفوائد الاقتصادية وتتحكم في التسعير. منشئو البيانات يحصلون على تعويض ضئيل، وتفتقر آليات مكافأة جمع البيانات والمساهمة إلى الشفافية.

الأسواق على السلسلة تلغي الوسطاء عبر العقود الذكية وتضع شروط تجارة شفافة. في نموذج التداول المباشر مثل Ocean Protocol، يتداول مالكو البيانات ومطورو الذكاء الاصطناعي مباشرة عبر العقود الذكية، ويتم توزيع المكافآت بشفافية. في نموذج مكافأة المساهمة مثل Grass، يربط الأفراد النطاق الترددي الخامل بجمع بيانات الذكاء الاصطناعي ويحصلون على تعويض وفقًا لقيمة مساهمتهم.

2.4 التحقق من النماذج والاستدلال / الخصوصية

أنظمة الذكاء الاصطناعي التقليدية تعمل كصندوق أسود، دون وسائل خارجية للتحقق من أن النموذج يعمل بشكل صحيح أو أن بيانات المستخدم الحساسة تتم معالجتها بأمان.

التعلم الآلي ذو المعرفة الصفرية (ZKML) يقدم طبقة تحقق مشفرة في عملية استدلال الذكاء الاصطناعي، مما يتيح الخصوصية وقابلية التدقيق. في هذه البنية، يعمل النموذج تقليديًا خارج السلسلة، لكن العملية الحسابية تولد دليلاً مشفرًا يثبت أن العملية تم تنفيذها بشكل صحيح وفقًا لقواعد محددة مسبقًا.

هذا الدليل يُسجل على السلسلة، وليس البيانات الأساسية. على سبيل المثال: في خدمة سداد التأمين الطبي الآلية، يحتاج المستشفى فقط إلى تقديم دليل على أن نموذج الذكاء الاصطناعي يعمل بشكل صحيح، دون مشاركة السجلات الطبية الكاملة. يمكن لشركة التأمين التحقق من شرعية المطالبة دون الوصول إلى البيانات الأصلية.

2.5 أطر عمل وكلاء الذكاء الاصطناعي

مع تحول وكلاء الذكاء الاصطناعي (AI Agent) إلى وسيلة رئيسية لتدفق القيمة وخلق القيمة، فإنهم يتطورون من أدوات إلى كيانات اقتصادية مستقلة. الأنظمة المالية الحالية مصممة حول أنماط الاستهلاك البشري، وهياكلها غير متوافقة مع بيئة الدفع المرتكزة على الآلات.

اقتصاد الوكلاء يحتاج إلى معاملات صغيرة (microtransactions) تنفذ بسرعات مللي ثانية، وتسويات عالية التردد، ومدفوعات عبر الحدود، والبنية التحتية المالية الحالية لا تستطيع تلبية هذا الطلب.

البنية التحتية للوكلاء على السلسلة تحل هذه المشكلة عبر آليتين. آلية التحكم والتنفيذ المستقل تخصص للوكلاء محافظ وهويات فريدة، مما يمكنهم من توقيع المعاملات مباشرة، مع وضع حدود إنفاق قابلة للتكوين وإجراءات أمنية لمنع السلوك غير المتوقع.

آلية التسوية القائمة على البروتوكول تستخدم بروتوكولات الدفع بالعملات المستقرة (مثل x402) لتسوية المعاملات الصغيرة والمدفوعات عالية التردد في الوقت الفعلي، متجاوزة عمليات تحويل العملات والموافقة.

3. الفروق بين الذكاء الاصطناعي والبلوكشين وسلسلة قيمة الذكاء الاصطناعي

تتشكل سلسلة قيمة الذكاء الاصطناعي حول إزالة الاختناقات تدريجيًا. مع تزايد الطلب على الذكاء الاصطناعي، تبرز مشاكل نقص الذاكرة، وتواجه القدرة على نقل البيانات والطاقة ضغوطًا كبيرة. الشركات التي تستطيع حل هذه المشاكل بسرعة، مثل مصنعي HBM ومزودي البنية التحتية للطاقة، تجذب رأس مال كبير وتحصل على قيمة سوقية ملحوظة. السوق يعطي اعترافًا واضحًا للحلول التي تزيل عقبات النمو.

مشاريع الذكاء الاصطناعي والبلوكشين اكتشفت بعض المشكلات الفعلية، لكنها لم تحظ بالاهتمام المستحق في السوق. إذا كانت هذه المشكلات بنفس القدر من الإلحاح كما تدعي، لكانت قد أحدثت تغييرات قابلة للقياس في السوق بالفعل.

على الرغم من أن مشاريع الذكاء الاصطناعي والبلوكشين تدفع بأهداف مشروعة مثل تقليل تركيز وحدات معالجة الرسوميات واستعادة سيادة البيانات، إلا أن عدم جذبها لرأس المال الرئيسي يعود إلى فجوة واضحة بين أولويات مزودي التكنولوجيا وأولويات المشترين الذين يسيطرون على تخصيص رأس المال.

صناعة الذكاء الاصطناعي متقاربة الإيقاع، حيث يستثمر المشترون (معظمهم شركات تكنولوجيا كبرى وعملاء مؤسسيون) بشكل كبير في الحلول التي تحل اختناقاتهم التشغيلية الحالية بأسرع وقت. لا يقضون وقتًا في تقييم البنى التحتية غير المختبرة. أولويتهم الأولى هي أداء الحوسبة، وموثوقية البنية التحتية، وعائد استثمار قابل للقياس.

على سبيل المثال: عندما تصبح سرعة نقل البيانات عنق الزجاجة في تدريب النماذج، تتدفق الأموال الضخمة إلى بنية الألياف الضوئية لتحل محل النحاس. عندما يصبح عرض النطاق الترددي للذاكرة العامل المحدد الرئيسي، يراه المشترون مشكلة حرجة، وتقوم شركات مثل SK Hynix و Samsung Electronics بحلها عبر توفير ذاكرة عالية النطاق الترددي، مما يكسبها شهرة عالمية. هذا النمط ثابت: رأس المال يتبع أولئك الذين يزيلون المعوقات ويدفعون بالتقدم.

المشكلة الأساسية التي تواجه الذكاء الاصطناعي والبلوكشين تكمن في بناء الإطار. المشترون ذوو الميزانيات الضخمة يركزون فقط على تحسين الأداء قصير المدى وخفض التكاليف. في المقابل، يركز الذكاء الاصطناعي والبلوكشين على جوانب يعتبرها المشترون ثانوية أو مشاكل مستقبلية.

أهداف مزودي التكنولوجيا لا تتماشى مع الاحتياجات التشغيلية المباشرة للمشترين من جانب الطلب.

3.1 القيود التقنية

بعض المشاريع تستخدم اختبارات قياسية (benchmarks) لعرض إمكانات البنى التحتية اللامركزية وتصميماتها. لكن المشكلة الأعمق هي أن هذه الأعمال لم تؤد بعد إلى اختراقات تقنية كبيرة كافية لزعزعة الشركات التقليدية الراسخة في السوق الرئيسي.

لكي تستحوذ تقنية جديدة على حصة سوقية من مزودي السحابة المركزية مثل AWS أو GCP (الذين لديهم بالفعل رأس مال ضخم وبنية تحتية)، يجب أن تقدم ميزة أداء هائلة تجعل الفجوة مع المزودين الحاليين غير ذات صلة.

عندما انتقلت أبل من شرائح إنتل إلى شرائح M1، تحملت مخاطر كبيرة لتعطيل توافق البرمجيات، لكن هذا القرار كان مبررًا بفضل زيادة كفاءة الطاقة ثلاث مرات، وهي فجوة كافية لجعل الانتقال يستحق العناء.

بالنسبة للمشترين المؤسسيين الذين يحتاجون إلى مزامنة بيانات بحجم بيتابايت (PB) وزمن وصول فائق الانخفاض كشرط أساسي، لم يقدم الذكاء الاصطناعي والبلوكشين بعد سببًا واضحًا كافيًا لقبول مخاطر التحول.

3.2 عدم تطابق الطلب

في مجال الحوسبة اللامركزية، قدمت بعض المشاريع اتفاقيات مستوى الخدمة (SLA) كآلية لتخفيف المخاطر، لكن المشترين المؤسسيين لا يزالون غير مقتنعين. السبب هيكلي وليس تعاقديًا. مزودو الخدمات السحابية الكبار يقدمون مراكز بيانات مخصصة خاضعة للرقابة، بينما تعتمد شبكات البلوكشين على مشاركة عقد مجهولة وموزعة.

إذا تعطلت عقدة ما وأوقفت تدريب نموذج بقيمة مئات الملايين من الوون، لا يمكن لأي استرداد رمزي أو تعويض مالي تعويض تكلفة الفرصة والوقت الضائع. بالنسبة للمشترين المؤسسيين الحساسين للوقت، استقرار النظام غير قابل للتفاوض.

حتى مع وجود آليات التحوط، فإن عدم اليقين المتبقي ليس مخاطرة يكون لدى معظم المشترين دافع لتحملها.

3.3 الطلب لم يتشكل بعد

أطر عمل وكلاء البلوكشين مصممة للأنظمة البيئية المعقدة حيث تتعاون وكلاء ذكاء اصطناعي متعددة بشكل مستقل، لكن هذه الرؤية تختلف عن مستوى نضج السوق الرئيسي الحالي.

بقيادة شركات مثل مايكروسوفت وسيلزفورس، يتسارع تبني المؤسسات لوكلاء الذكاء الاصطناعي، لكن التركيز الحالي لا يزال على أتمتة سير العمل داخل الشبكات الداخلية الخاضعة للرقابة. البنية التحتية التي تبنيها مشاريع البلوكشين تتطلع إلى المرحلة التالية: وكلاء ذكاء اصطناعي مستقلون قادرون على العمل بشكل مستقل في شبكات خارجية عبر حدود المؤسسات. اليوم، معظم المؤسسات لا تزال تركز على ضمان استقرار وعائد استثمار أنظمة الذكاء الاصطناعي المنشورة. التعاون متعدد الوكلاء عبر الشبكات الخارجية لم يصبح بعد أولوية على خارطة طريق البنية التحتية للمؤسسات.

الطلب المحدود في هذه المرحلة يعكس مشكلة توقيت وليس عيبًا تقنيًا. يجب فهم هذا على أنه استثمار طويل الأجل في البنية التحتية لاقتصاد الوكلاء، وليس فرصة ربح قصيرة المدى.

3.4 الشروط التنظيمية المسبقة

إثباتات المعرفة الصفرية وتقنيات الخصوصية هي حلول أساسية لبناء مصداقية الذكاء الاصطناعي، لكن في المراحل المبكرة من تبني الذكاء الاصطناعي، الطلب الفعلي للمؤسسات على بنية الخصوصية محدود. التبني الطوعي من قبل المؤسسات من غير المحتمل أن يدفع بالتبني الواسع للتكنولوجيا؛ الأكثر احتمالاً هو أن المعايير التنظيمية ستخلق الطلب، وعلى التكنولوجيا أن تلحق به.

الأطر التنظيمية العالمية (بما في ذلك قانون الذكاء الاصطناعي للاتحاد الأوروبي) أصبحت أكثر وضوحًا، وهذا تطور إيجابي في هذا الصدد. مع تزايد المتطلبات القانونية بشأن مصدر البيانات والأمان، من المتوقع أن تصبح ميزات التحقق المتقدمة للبلوكشين متطلبًا للامتثال في نشر المؤسسات، وليس خيارًا.

التطور التنظيمي في هذا المجال هو أكثر من مجرد عامل مقيد، بل هو محفز لتشكيل السوق. معايير تنظيمية واضحة تقلل من عدم اليقين في السوق، مما يخلق مسارًا ثابتًا للذكاء الاصطناعي والبلوكشين لبناء طلب رئيسي داخل الأطر المؤسسية.

3.5 عدم كفاية حالات الاستخدام

هذه العوامل الهيكلية مجتمعة تؤدي إلى مشكلة أكثر جوهرية: نقص حالات النجاح الرمزية القادرة على إظهار القيمة على نطاق واسع. صناعة الذكاء الاصطناعي التقليدية وصلت إلى مكانتها الحالية بفضل دولاب الازدهار الذي أطلقه ChatGPT: استخدم منتجًا ملموسًا ومعروفًا على نطاق واسع لجذب رأس المال والمواهب اللازمة للحفاظ على النمو المستمر.

مشاريع الذكاء الاصطناعي والبلوكشين لم تُظهر بعد دليلاً مشابهًا على ملاءمة المنتج للسوق على نطاق واسع. بصرف النظر عن حماس المجتمع المبكر، لم يُظهر أي مشروع تطبيقًا على مستوى العمليات المؤسسية أو حياة المستهلك اليومية يلفت انتباه رأس المال الرئيسي. نقص حالات المرجع المقنعة لا يزال أكبر عقبة أمام جذب الاستثمار المؤسسي المحافظ، الذي كان يمكن أن يسرع من تبني الذكاء الاصطناعي والبلوكشين على نطاق أوسع.

4. هل هذا المزيج ذو قيمة؟

بغض النظر عن توقعات السوق، لم يجد الذكاء الاصطناعي والبلوكشين بعد موطئ قدم ثابت في سلسلة قيمة الذكاء الاصطناعي الرئيسية. هل هذا يعني أن هذا المزيج لا قيمة له؟

لا.

السبب الجذري الذي يجعل مشاريع الذكاء الاصطناعي والبلوكشين مُهملة حاليًا ليس وجود تناقض داخلي، بل عدم تطابق بين احتياجات الصناعة الحالية في كل فئة فرعية والأهداف التي تهدف التكنولوجيا إلى تحقيقها.

أولويات صناعة الذكاء الاصطناعي التقليدية واضحة: الأداء قصير المدى، تحسين التكلفة، وموثوقية البنية التحتية. في المقابل، تركز العديد من حلول الذكاء الاصطناعي القائمة على البلوكشين حاليًا على ملكية البيانات، وشفافية الحوسبة، واللامركزية.

بالنسبة للاعبين الراسخين في الصناعة، هذه المشكلات ليست اختناقات وشيكة، وغالبًا ما يتطلب حلها دفع ثمن أداء مرتفع مقارنة بالفوائد.

قبل ازدهار الذكاء الاصطناعي، كانت شركات البنية التحتية للطاقة تُصنف عادةً كشركات ناضجة وبطيئة النمو. الطلب على الطاقة المدفوع بمراكز البيانات غيّر هذا الوضع، ومنذ ذلك الحين جذبت اهتمامًا كبيرًا من السوق. اللامبالاة الحالية تجاه الذكاء الاصطناعي والبلوكشين قد تعكس تأثير تأخر مماثل، حيث لم تظهر قيمة البنية التحتية بشكل كامل بعد قبل ظهور النموذج الجديد.

في هذه الفترة الانتقالية، الأهم هو كيف تستجيب الصناعة للطلب الفعلي للسوق.

الطريق إلى الأمام ينقسم إلى اتجاهين: التكيف بنشاط مع معايير سلسلة قيمة الذكاء الاصطناعي القائمة وتضييق فجوة الأداء على المدى القريب؛ أو الحفاظ على القدرات الحالية مع الاستمرار في بناء البنية التحتية اللازمة لنشر الذكاء الاصطناعي في الجيل القادم.

النتيجة ستعتمد على أي خيار يتوافق بشكل أفضل مع اتجاهات الطلب المستقبلية.