في كل مرة تبحث فيها على الإنترنت، أو تتصفح موقعاً، أو تتفاعل مع تطبيق، فأنت تولّد بيانات جديدة.
هذه البيانات تُقدَّر قيمتها بمليارات الدولارات بالنسبة لشركات الذكاء الاصطناعي، لكن المنصات التي تجمعها تستحوذ تقريباً على كامل العائد.
جيل جديد من أسواق بيانات الذكاء الاصطناعي اللامركزية يسعى لقلب المعادلة بالكامل، باستخدام العملات المشفرة لدفع مقابل مباشر للمساهمين كلما استُخدمت بياناتهم في تدريب نموذج تعلّم آلي.
الآلية أعقد بكثير من مجرد شعار: «امتلك بياناتك».
هناك طبقات تحقق، وأنظمة staking، وقيود خصوصية، واقتصاديات رمزية، وجميعها تحدد في النهاية ما إذا كان المساهم سيحصل على أجر عادل أم لا يحصل على شيء.
هذا التقرير يشرح هذه المنظومة من الأساس إلى القمة.
الخلاصة السريعة
- أسواق بيانات الذكاء الاصطناعي اللامركزية تربط بين من يملك البيانات الخام وبين مطوري الذكاء الاصطناعي الذين يحتاجون مجموعات تدريب مصنَّفة وموثوقة، وتستخدم التوكنات المشفرة لتمرير المدفوعات دون وسيط موثوق.
- المساهمون يقدّمون البيانات، ثم تُتحقَّق على السلسلة أو عبر شبكات أوراكل لامركزية قبل الإفراج عن الدفعة، ما يلغي المنصة الوسيطة من معادلة تقاسم الإيرادات.
- تقنيات حماية الخصوصية مثل التعلم الموحّد و«البراهين عديمة المعرفة» تسمح بتحقيق الدخل من البيانات من دون خروج البيانات الخام من جهاز المستخدم.
- الاقتصاديات الرمزية – بما فيها الـ staking، وآليات الحَسْم (slashing)، وأنظمة السمعة – تُحَفّز المساهمين على تقديم بيانات دقيقة بدلاً من بيانات عديمة القيمة.
- مشاريع مثل Kled AI على شبكة سولانا تمثل الخط الأمامي حالياً، لكن النموذج يمتد عبر عدة سلاسل ومعماريات متنافسة.
لماذا تحتاج شركات الذكاء الاصطناعي إلى كل هذه البيانات؟ ومن يدفع الفاتورة الآن؟
نماذج اللغة الضخمة وأنظمة التعرّف على الصور «تلتهم» البيانات بطريقة يصعب المبالغة في وصفها.
جلسة تدريب واحدة لنموذج متقدّم يمكن أن تستهلك مئات مليارات الرموز النصية، وملايين الصور المعلَّمة، أو سنوات من إشارات السلوك البشري المسجَّلة.
لا بد أن تأتي هذه البيانات من مكان ما.
اليوم، هناك ثلاثة مسارات رئيسية تقريباً.
جمع البيانات من الويب يلتقط النصوص المتاحة علناً على نطاق واسع. اتفاقيات ترخيص المحتوى تمنح معامل الذكاء الاصطناعي حق الوصول إلى قواعد بيانات خاصة – مثل ريديت، والناشرين الإخباريين، وشركات الصور المخزنة.
وفي الخلفية، تدفع منصات «العمل الجماهيري» مبالغ زهيدة لعمّال بشريين من أجل وسم الصور، ونسخ الملفات الصوتية، أو تقييم ردود نماذج الذكاء الاصطناعي من حيث الدقة.
سوق التعليق والوسم كبير لكنه استنزافي. العاملون على المنصات المركزية غالباً ما يجنون بين دولار و5 دولارات في الساعة، في حين تُباع مجموعات البيانات المعلَّمة نفسها لمطوري الذكاء الاصطناعي بمبالغ تفوق ذلك بأضعاف كثيرة لكل سجل.
المشكلة هنا بنيوية: المنصة المركزية التي تتوسط بين مالك البيانات ومشتريها تستحوذ على معظم الهامش. هي التي تحدد الأسعار، وتفرض معايير الجودة الخاصة بها، وتملك حق استبعاد المساهمين من دون آلية استئناف فعلية. الأسواق اللامركزية تستبدل هذه الطبقة بعقود ذكية، وبروتوكولات مفتوحة، وقنوات دفع قائمة على التوكنات.
اقرأ أيضاً: ارتفاع USDT مؤقتاً إلى المركز الثاني متقدماً على إيثريوم
ما هو سوق بيانات الذكاء الاصطناعي اللامركزي فعلياً؟
جوهر سوق بيانات الذكاء الاصطناعي اللامركزي هو بروتوكول يلتقي فيه عرض البيانات بالطلب على البيانات من دون وسيط متحكِّم.
على جانب الطلب، يوجد مطورو الذكاء الاصطناعي أو فرق الأبحاث الذين ينشرون «طلب بيانات» يحدد نوع البيانات المطلوبة، ومعايير الجودة، ومتطلبات التنسيق، والسعر المعروض لكل سجل مُتحقَّق منه.
على جانب العرض، يوجد الأفراد المساهمون أو مجمِّعو البيانات الذين يلبّون هذه الطلبات.
العقد الذكي يعمل كطبقة «ضمان» (escrow).
المشتري يقفل الأموال في العقد عند نشر الطلب. عندما يقدّم مساهم بيانات تجتاز خطوة التحقق، يفرج العقد عن الدفعة تلقائياً.
لا حاجة لأن يثق أي طرف في الآخر؛ كلاهما يثق في كود العقد.
البيانات نفسها غالباً لا تُخزَّن على السلسلة.
تخزين جيجابايت من الصور المعلَّمة على شبكة Ethereum (ETH) أو Solana (SOL) سيكون مكلفاً للغاية.
لذلك تُحفَظ البيانات عادة على شبكات تخزين لامركزية مثل IPFS أو Arweave، بينما الذي يُسجَّل على السلسلة هو «هاش» موجَّه للمحتوى – بصمة رقمية فريدة للملف.
العقد الذكي يتحقق من أن الهاش الذي قدّمه المساهم يطابق ملفاً موثوقاً غير مُعدَّل قبل الإفراج عن المدفوعات.
هاش المحتوى هو سلسلة قصيرة من الأحرف تُستخرج رياضياً من المحتوى الدقيق للملف. تغيير بايت واحد فقط في الملف يغيّر الهاش بالكامل. هذا يجعل من شبه المستحيل المطالبة بالدفع مقابل بيانات معدَّلة أو مُعاد تدويرها بعد التحقق.
اقرأ أيضاً: Techdollar تجمع 3 ملايين دولار لتمكين موظفي الشركات الناشئة من السيولة دون بيع أسهمهم
كيف تعمل آليات التحقق من البيانات من دون «حارس بوابة» مركزي؟
التحقق هو العقدة الأصعب في هذا التصميم. المنصة المركزية يمكنها توظيف فرق مراجعة جودة.
العقد الذكي لا يستطيع «قراءة» صورة أو الحكم على دقة تسمية نص؛ كل ما يفعله هو تنفيذ منطق مبرمج. الأسواق اللامركزية تحل هذه المعضلة عبر ثلاث مقاربات رئيسية غالباً ما تُستخدم معاً.
البراهين التشفيرية تنفع مع البيانات المهيكلة التي يمكن التحقق من صحتها حسابياً. إذا كان المساهم يقدّم بيانات تتبع GPS أو قراءات حساسات أو سجلات مالية، يمكن لـ«بُرهان عديم المعرفة» أن يؤكد أن البيانات تستوفي خصائص محددة – مثل أنها سُجّلت في وقت معين، وتقع ضمن نطاقات صالحة، وجاءت من جهاز بعينه – من دون كشف القيم الخام نفسها.
التحقق الجماعي يناسب مهام الوسم ذات الطابع الذاتي. يراجع عدة مساهمين مستقلين قطعة البيانات نفسها ويقدّمون تقييماتهم. يقارن العقد بين الردود ويدفع للمساهمين الذين تتطابق إجاباتهم مع أغلبية المشاركين، مع معاقبة المنحرفين باستمرار. هذه نسخة لامركزية من أسلوب «التعليق المتكرر» الذي تستخدمه المنصات المركزية لاكتشاف المساهمين المتكاسلين أو الخبيثين.
الـ staking والحَسْم (slashing) يضيفان طبقة حوافز اقتصادية فوق ذلك. المساهمون يودعون جزءاً من توكن المنصة قبل أن يُسمح لهم بتقديم البيانات. إذا رُفضت مساهماتهم بشكل متكرر أو صُنفت كاحتيالية عبر طبقة التحقق الجماعي، يُقتطع جزء أو كل هذا الرصيد. هذه الآلية تجعل تقديم بيانات رديئة مكلفاً مادياً، ما يربط حافز المساهم بمعيار الجودة المطلوب من المشتري.
اقرأ أيضاً: XRP تختبر دعم 1 دولار مع تصاعد مخاطر هبوطها إلى 0.60 دولار
كيف تحمي تقنيات الخصوصية المساهمين؟
هناك توتر واضح في هذا النموذج يتعلق بالخصوصية. إذا باع المستخدم سجل تصفحه أو بياناته الصحية لمطوّر ذكاء اصطناعي، فالقيمة حقيقية لكن مخاطر التعرض كذلك حقيقية. الأسواق اللامركزية تعالج ذلك عبر تقنيتين نضجتا نسبياً.
التعلم الموحّد (Federated Learning) يُبقي البيانات الخام بالكامل على جهاز المساهم. بدلاً من إرسال البيانات إلى خادم مركزي، يُرسل النموذج نفسه إلى جهاز المستخدم. يُدرّب النموذج محلياً على البيانات الخام، ثم تُرسل إلى المطوّر «أوزان النموذج» المحدَّثة – وهي معلمات رياضية مجردة لا تكشف مباشرة عن البيانات الأساسية. تُجمَع تحديثات الأوزان من عدة مساهمين لبناء نموذج أفضل. بيانات التدريب لا تغادر بيئة المساهم.
الخصوصية التفاضلية (Differential Privacy) تضيف «ضوضاء» إحصائية محددة بعناية إلى مجموعة البيانات قبل مشاركتها، بحيث يصبح من المستحيل عملياً إعادة بناء سجلات أي فرد من النتائج الإجمالية، في حين تُحفَظ الأنماط الإحصائية التي تجعل البيانات مفيدة للتدريب. مستوى «الضوضاء» قابل للضبط: مزيد من الضوضاء يعني حماية أقوى للخصوصية مقابل تراجع طفيف في جودة البيانات.
لهذه التقنيات بعدٌ تنظيمي أيضاً. قوانين مثل اللائحة العامة لحماية البيانات في أوروبا (GDPR) وقانون خصوصية المستهلك في كاليفورنيا تفرض قيوداً صارمة على نقل واستخدام البيانات الشخصية. السوق الذي يمكنه أن يُثبت بشكل موثوق أن سلسلة المعالجة فيه لا تنقل المعلومات الشخصية الخام قد يحظى بمسار تنظيمي أسلس بكثير من نموذج يكتفي ببيع «تصدير» مباشر للبيانات.
اقرأ أيضاً: HIVE تقترض 115 مليون دولار بفائدة صفرية للمراهنة ضد تعدين البيتكوين
اقتصاديات التوكن، والـ Staking، وكيف يحصل المساهمون على أموالهم فعلياً؟
آلية الدفع تختلف من منصة لأخرى، لكن الغالبية تستخدم توكناً أصلياً لخدمات المنصة بدلاً من الدفع مباشرة بأصل رئيسي مثل Bitcoin (BTC). هذا التوكن يؤدي عدة وظائف في وقت واحد.
أولاً، هو وحدة الحساب لطلبات البيانات. المشترون يسعّرون عروضهم بالتوكن، ما يعني أن التوكن يلتقط جانب الطلب في القيمة: كلما زاد عدد طلبات البيانات، زاد الطلب على التوكن لتمويلها.
ثانياً، الـ staking يخلق حالة «قفل» على جانب العرض. على المساهمين امتلاك التوكن وتجميده للمشاركة في السوق، ما يقلل المعروض المتداول ويُحاذي حوافز المساهمين مع صحة الشبكة على المدى الطويل.
ثالثاً، السمعة غالباً ما تُربط بتاريخ التوكن على السلسلة. المساهم الذي يواصل الـ staking، وتُقبل مساهماته، ولم يتعرض للحَسْم، يبني سجلاً موثوقاً يمكن التحقق منه علناً. هذا «رصيد السمعة» قد يسمح له بالمطالبة بعلاوة سعرية على بياناته، لأن المشترين يثقون به أكثر من مساهم جديد بلا تاريخ.
عملياً، تدفقات الدفع يمكن أن تبدو كما يلي: يقدّم المشتري طلباً ويودع، لنقل، 500 توكن في عقد الضمان. يقدّم مساهم 50 سجلاً معلَّماً. تمرّ البيانات عبر طبقة التحقق وتُعتَمد. يفرج العقد عن 50 توكن للمساهم، و2 توكن للمحقّقين الذين وافقوا على المساهمة، ويبقي 448 توكناً لبقية المساهمين المستقبليين. يحصل المشتري على حق الوصول إلى مجموعة البيانات الموثقة بمجرد تأكيد الدفعة.
اقتصاديات التوكن لا تعمل إلا إذا وُجد طلب حقيقي على البيانات. المشاريع التي تنطلق بضجّة وتسويق كبير من دون قاعدة مشترين حقيقية للبيانات تخاطر بتحويل التوكن إلى مجرد أداة مضاربة بلا استخدام فعلي. مكافآت المساهمين من دون وجود مشترين من مطوّري الذكاء الاصطناعي على الجانب الآخر من السوق تؤدي إلى ضغط تضخّمي على العملة لا يمكن استمراره على المدى الطويل.
اطلع أيضًا: تأجيل اكتتاب OpenAI بقيمة تريليون دولار مع اختبار تقلبات السوق لطموحات ألتمان
كيف تطبّق Kled AI ومشاريع مشابهة هذا النموذج على سولانا؟
تقدّم Kled AI نموذجًا متقدّمًا على شبكة Solana، إذ تصف نفسها كسوق لا مركزي يتيح للأفراد تحقيق عائد مباشر من بياناتهم الشخصية عبر تخصيصها لتدريب نماذج الذكاء الاصطناعي. انخفاض رسوم المعاملات على سولانا وارتفاع قدرتها الاستيعابية يجعلان نموذج المدفوعات الدقيقة عالية التكرار مجديًا اقتصاديًا؛ فدفع جزء من العملة مقابل صورة واحدة محدّدة البيانات يصبح عمليًا على سولانا، بعكس شبكة إيثريوم الرئيسة حيث تكاليف الشبكة تعرقل مثل هذا النموذج.
بنية سولانا مهمة أيضًا من زاوية السرعة. عملية التحقّق من البيانات التي تُطلِق عملية الدفع يجب أن تُنجَز بسرعة. المساهم في البيانات لن يقبل بسوق ينتظر فيه ساعات لتأكيد عملية الدفع. نهائية التسوية شبه الفورية على سولانا تجعل تجربة الدفع قريبة من المنصات التقليدية، مع الحفاظ في الوقت نفسه على خصائص الثقة اللامركزية التي توفّرها العقود الذكية.
إلى جانب Kled AI تظهر Velvet كنموذج مختلف في الاتجاه نفسه؛ فهي منصة إدارة محافظ على السلسلة مدعومة بالذكاء الاصطناعي، تدمج بين التداول الفوري والعقود الدائمة واستراتيجيات العائد. أهميتها في هذا السياق أنها تجسّد الفكرة ذاتها: أنظمة ذكاء اصطناعي تعمل على بيانات على السلسلة وتُسوي تعاملاتها باستخدام عملات مشفّرة. إذا كانت Kled AI تخلق سوقًا للبيانات الخام الخاصة بالتدريب، فإن Velvet تمثّل تطبيقًا يستهلك البيانات السوقية المعالجة الناتجة عن مثل هذه البنى. المشروعان يشكّلان طرفي سلسلة القيمة في اقتصاد البيانات نفسه.
مشاريع أخرى في هذا الحقل تشمل Ocean Protocol، الذي كان من أوائل من طرح مفهوم أصول البيانات المرمّزة بالعملات على إيثريوم، ومشروع Grass الذي يكافئ المستخدمين تحديدًا على مشاركة النطاق الترددي الفائض وبيانات التصفّح لصالح سلاسل تدريب الذكاء الاصطناعي. لكل مشروع مقاربة معمارية مختلفة نسبيًا، لكن يجمعها نموذج واحد: مدفوعات تُنفّذ وتُفرَض تشفيريًا مقابل مساهمات بيانات تم التحقّق منها.
اطلع أيضًا: تجميد Mythos لدى Anthropic يفتح الباب أمام منافسين آسيويين مثل Sakana AI و360
من المستفيد الفعلي من هذا النموذج؟ وما المخاطر؟
بالنسبة للأفراد المساهمين ببياناتهم، الجاذبية واضحة: قيمة كانت تُستخرَج مجانًا تقريبًا يمكن الآن تحصيلها بشكل مباشر. صاحب الحضور القوي على شبكات التواصل، أو من يملك خبرة قطاعية متخصصة، أو وصولًا إلى بيانات نادرة – مثل السجلات الطبية أو المستندات القانونية الاحترافية أو المحتوى بغير اللغة الإنجليزية – يمكنه المطالبة بعلاوة سعرية حقيقية في سوق توجد فيه رغبة فعلية لدى مطوري الذكاء الاصطناعي.
أما مطوّرو الذكاء الاصطناعي، فتوفر لهم هذه الأسواق اللامركزية أنواعًا من البيانات يصعب الحصول عليها بالأساليب التقليدية مثل الزحف الشبكي أو التراخيص المباشرة. بيانات التفضيلات البشرية، ووسوم المجالات المتخصصة، والمحتوى المتعدد اللغات من مناطق ضعيفة التمثيل، كلها موارد نادرة بحق. بروتوكول قادر على جمع هذه البيانات والتحقق منها على نطاق واسع يمثّل قيمة اقتصادية ملموسة.
في المقابل، المخاطر حاضرة بقوة لدى الطرفين. تقلب أسعار العملات يعني أن المساهم الذي يتقاضى أجره اليوم بالعملة الأصلية قد يكتشف أن قيمتها الدولارية تراجعت بشكل حاد عندما يحاول إنفاقها. والمشترون يواجهون المخاطر المعاكسة: ارتفاع حاد في سعر العملة بين مرحلة التخطيط لشراء البيانات ومرحلة التنفيذ قد يجعل تكاليف الحصول على البيانات أعلى بكثير من الموازنة الموضوعة.
جودة البيانات تظل معضلة لم تُحل بالكامل عند العمل على نطاق واسع. آليات التحقق الجماعي والنماذج القائمة على الرهن (Staking) تقلّل من الاحتيال لكنها لا تقضي عليه. الفاعلون السيئون الأكثر تطورًا قادرون على التلاعب بأنظمة السمعة على المدى الطويل، ومطوّرو الذكاء الاصطناعي الذين يشترون بيانات من سوق جديدة غير مجرّبة يتحمّلون مخاطر جودة لا تظهر عادة عند الشراء من مزوّدي الوسم والبيانات التقليديين أصحاب السجلات الممتدة.
المخاطر التنظيمية تظل العامل الأكثر غموضًا. تحقيق الدخل من البيانات الشخصية يقع عند تقاطع قوانين حماية الخصوصية، وتنظيم الأوراق المالية بالنسبة للعملات المستخدمة، وأطر حوكمة الذكاء الاصطناعي التي لا تزال قيد التشكل. سوق تعمل وفق الأطر القانونية في ولاية قضائية معينة قد تكون في منطقة رمادية تمامًا في ولاية أخرى.
اطلع أيضًا: هل يتجه إيثريوم نحو 1,000 دولار بعد كسر مستوى دعم رئيسي؟
الخلاصة
أسواق بيانات الذكاء الاصطناعي اللامركزية تقدّم حلًا محددًا تقنيًا لمشكلة اقتصادية حقيقية: منتجو بيانات التدريب لم يحصلوا تاريخيًا إلا على قدر ضئيل للغاية من القيمة التي تولّدها.
العقود الذكية، والتخزين المعنون بالمحتوى، والتعلّم الموحد (Federated Learning)، وآليات رهن العملات، تشكّل معًا منظومة تسمح بتدفّق هذه القيمة مباشرة إلى المساهمين في البيانات، من دون وسيط منصّة يستحوذ على الحصّة الأكبر من الهامش.
النموذج لا يزال في مراحله المبكرة.
اقتصاديات العملات قيد النضوج، وأنظمة التحقق ما زالت مطالَبة بإثبات قدرتها على التوسع لملايين المساهمين دون قابلية للتلاعب، والبيئة التنظيمية حول تحقيق الدخل من البيانات الشخصية لا تزال غير مستقرة.
لكن جانب الطلب من المعادلة لا يتراجع.
مطوّرو الذكاء الاصطناعي يحتاجون إلى مزيد من البيانات، وبأنواع أكثر تنوعًا، وبوتيرة لا تستطيع المصادر المركزية توفيرها بشكل موثوق.
هذا الاحتياج الهيكلي هو ما يمنح أسواق البيانات اللامركزية أطروحتها طويلة الأجل.
اقرأ أيضًا: XRP مهدد بهبوط 30% مع تراجع نشاط الحيتان وانهيار مؤشر القوة النسبية
