النماذج الأضخم في عالم الذكاء الاصطناعي اليوم تخضع لهيمنة عدد محدود من الشركات الكبرى. هذه الكيانات تحدد الأسعار، وتقرر من يُسمح له بالوصول، وتمتلك كامل الأوزان والمعاملات التي تتعلمها النماذج من بيانات المستخدمين.
مشروع Sentient (SENT)، الذي أُطلق في 2026، جاء كتحرّك مباشر لكسر هذا النموذج، عبر بناء منصة ذكاء اصطناعي مفتوحة يملك فيها المساهمون حصصاً موثَّقة في النماذج التي ساعدوا على إنشائها. قفزت عملته بنحو 26% في يوم واحد خلال يوليو 2026، في إشارة إلى أن السوق يراقب عن كثب سردية الذكاء الاصطناعي اللامركزي.
لكن Sentient ليست وحدها. فئة متنامية من البروتوكولات باتت تستخدم البلوكشين لفرض ملكية مفتوحة للنماذج، وتنظيم التدريب الموزع، وتشغيل أسواق استدلال يمكن لأي طرف فيها تقديم قدرة حوسبة مقابل عوائد. فهم كيفية عمل هذه الشبكات فعلياً – على مستوى الحوافز والتشفير والتسوية على السلسلة – هو الطريق الأوضح للتمييز بين البنية التحتية الحقيقية وبين الضجيج التسويقي.
خلاصة سريعة (TL;DR)
- شبكات الذكاء الاصطناعي اللامركزي تستخدم البلوكشين لفرض حقوق ملكية على النماذج، بحيث لا يمكن استبعاد المساهمين بعد انتهاء التدريب.
- يتم فصل التدريب والاستدلال في طبقتين اقتصاديتين، يحصل المساهمون فيهما على مكافآت لقاء الحوسبة والبيانات، مع تتبع كامل على السلسلة.
- براهين التشفير (إثباتات عديمة المعرفة أو إثباتات موثوقة) تتيح للشبكة التحقق من صحة نتائج الاستدلال من دون إعادة تشغيل النموذج كاملاً.
- رموز الحوكمة تمنح المساهمين قوة التصويت على تحديثات النموذج، وهيكل الرسوم، وقواعد الوصول.
- جوهر المقايضة هو بين الأداء وقابلية التحقق: الاستدلال الكامل على السلسلة لا يزال أبطأ وأعلى كلفة من واجهات البرمجة المركزية، لكن الفجوة تضيق بسرعة.
لماذا يخلق الذكاء الاصطناعي المغلق مشكلة بنيوية للشبكات المفتوحة؟
كل نموذج ذكاء اصطناعي ضخم يُدرَّب على بيانات مصدرها أطراف حقيقية: مستخدمون، باحثون، ومجتمعات مفتوحة المصدر ينتجون النصوص والشفرة والصور التي تتعلم منها النماذج. في النموذج المركزي الحالي، لا يحصل هؤلاء المساهمون على شيء تقريباً؛ الشركة التي تدرب النموذج تستحوذ على كامل القيمة.
هذا يخلق مشكلة تراكمية. أفضل المساهمين يتوقفون تدريجياً عن مشاركة بياناتهم بشكل مفتوح عندما يدركون أنها تُستغل من دون مقابل.
عندها تصبح النماذج معتمدة على أي بيانات يمكن للشركة الحصول عليها قانونياً، وغالباً عبر الزحف على الويب المفتوح ضمن شروط استخدام متنازع عليها أمام المحاكم. تتحول عملية التدريب من منظومة تعاونية إلى آلية استخراجية.
شبكات الذكاء الاصطناعي اللامركزي تقترح ترتيباً مختلفاً. يتم تسجيل المساهمين على السلسلة قبل بدء التدريب. تُدوَّن مساهماتهم من بيانات وحوسبة كمدخلات قابلة للتحقق. العقود الذكية تتكفّل بتوزيع إيرادات استخدام النموذج على هؤلاء المساهمين وفق قواعد تُحدَّد مسبقاً قبل أن يخصص أي طرف ساعة GPU واحدة.
البلوكشين هنا لا ينفذ الحسابات الذكية بحد ذاتها، بل يفرض عقد الملكية الذي يجعل المساهمة الطوعية قراراً عقلانياً.
اطلع أيضاً على: الذكاء الاصطناعي الوكيلي في التداول
كيف تعمل ملكية النماذج على السلسلة عملياً؟
ملكية النموذج في شبكة ذكاء اصطناعي لامركزية ليست مجرد امتلاك ملف. النموذج المدرَّب عبارة عن مجموعة من الأوزان الرقمية، غالباً بمليارات القيم العائمة، موزَّعة على عقد حوسبة مختلفة. امتلاك "نموذج" يعني حيازة مطالبة موثَّقة وقابلة للإنفاذ بحصة من الإيرادات التي يحققها النموذج، إضافة إلى حقوق حوكمة على مسار تطويره المستقبلي.
الآلية تتحقق عبر حدث "سكّ" (Mint) مرتبط بجولة التدريب الأولية للنموذج. عندما يُنشر النموذج لأول مرة، تُصدر الشبكة كمية ثابتة من رموز الملكية تمثل هذا النموذج تحديداً. يتلقى المساهمون الذين قدموا بيانات أو قدرة حوسبية أو شيفرة أثناء التدريب حصة نسبية من هذه الرموز.
صيغة التخصيص تُكتب في العقد الذكي قبل بدء التدريب ولا يمكن تعديلها بأثر رجعي.
في كل مرة يدفع مستخدم لتشغيل استدلال على النموذج – سواء للحصول على توقع، أو نص مولَّد، أو تمثيل متجهي (Embedding) – تُقسَّم الرسوم بين مزود البنية التحتية الذي نفذ الاستدلال، وحاملي رموز ملكية النموذج. نسبة التقسيم تحددها الحوكمة. هذا يعني أنه إذا أصبح النموذج واسع الاستخدام، يواصل المساهمون الأوائل تحقيق عائدات منه من دون جهد إضافي، في بنية تشبه حقوق الملكية (Royalties).
نهج Sentient يذهب أبعد من ذلك عبر ما تسميه "بصمة نموذج Sentient". كل نموذج يُدرَّب على منصة Sentient يحمل بصمة تشفيرية مضمّنة تربط مخرجات الاستدلال بإصدار محدد من النموذج.
هذا يتيح كشف ما إذا قام طرف ما بنسخ أوزان النموذج وتشغيل استدلال من دون دفع رسوم الملكية – وهو شكل من "القرصنة" سهل جداً مع الأوزان المغلقة، لكن يصعب إثباته قانونياً. البصمة تخلق مسار تدقيق على السلسلة يدعم تنفيذ حقوق الإيراد حتى عندما تكون الأوزان مفتوحة تقنياً.
اطلع أيضاً على: سباق النماذج الرخيصة مع الكبار
الطبقتان: التدريب الموزع وأسواق الاستدلال
شبكات الذكاء الاصطناعي اللامركزي تقسم دورة حياة النموذج إلى طبقتين اقتصاديتين متميزتين. فهم كل طبقة على حدة مهم، لأن كل واحدة تستقطب أطرافاً مختلفة، وحوافز مختلفة، وتحديات تقنية مغايرة.
طبقة التدريب هي حيث يتعلم النموذج. في النظام المركزي، تتولى شركة واحدة ذلك على عتادها الخاص. في الشبكة اللامركزية، يجري التدريب عبر مساهمين عديدين، ينجز كل واحد منهم جزءاً من الحسابات.
التحدي هنا هو التنسيق: يجب أن يتفق جميع المشاركين على حالة النموذج في كل خطوة، ما يتطلب آلية إجماع (Consensus) مكيَّفة لتحديثات التدرّج (Gradients) بدلاً من المعاملات المالية. مشاريع مثل Bittensor وGensyn طوّرت بروتوكولات متخصصة لهذا الغرض، تعتمد على تسجيل نقاط (Scoring) على السلسلة لترتيب جودة مساهمات كل مشارك في التدرّجات ومكافأته وفقاً لها.
طبقة الاستدلال هي حيث يقدّم النموذج المدرَّب مخرجات للمستخدم النهائي. الاستدلال اقتصادياً يختلف عن التدريب، لأنه متكرر، وحساس زمنياً، وأسهل نسبياً في التحقق. المستخدم يرسل طلباً، ومقدم خدمة الاستدلال يشغّل النموذج على عتاده، ثم يعيد النتيجة. السؤال المحوري: كيف يعرف المستخدم أن المزود شغّل النموذج الفعلي وليس بديلاً أرخص أو نموذجاً مبسطاً؟
هنا تبرز أسواق الاستدلال. عدة مزودين يتنافسون بعطاءات لخدمة الطلب. المزود الفائز يشغّل النموذج ويعيد النتيجة مرفقةً بإثبات تشفيري. مزودون آخرون يمكنهم إجراء تدقيق عشوائي عبر آلية "تحدي". المزود غير الصادق يخسر الضمان الذي وضعه، بينما يحصل المزود أو المدقق الصادق على الرسوم. هذا التصميم السوقي يخلق حافزاً قوياً للدقة، من دون الحاجة إلى أن تتحقق الشبكة بأكملها من كل نتيجة.
"أسواق الاستدلال تستعير تصميمها الاقتصادي من أسواق التوقعات: المشاركون يضعون قيمة رهانية على صحة مخرجاتهم، والمخرجات الخاطئة تُعاقَب عبر آلية الحسم (Slashing)، وهي الآلية نفسها المستخدمة لمعاقبة المدققين المضلِّلين في شبكات إثبات الحصة."
اطلع أيضاً على: اختبارات أداء لوكلاء الذكاء الاصطناعي
كيف تتحقق البراهين التشفيرية من مخرجات الذكاء الاصطناعي من دون إعادة تشغيل النموذج؟
أصعب معضلة تقنية في الذكاء الاصطناعي اللامركزي هي التحقق. تشغيل نموذج لغوي ضخم مرة واحدة مكلف. تشغيله مرتين لمجرد التحقق من النتيجة الأولى أمر غير مجدٍ اقتصادياً على نطاق واسع. ومع غياب التحقق، ينهار منطق الحوافز بالكامل: يمكن لأي مزود أن يعيد ناتجاً "معقول الشكل" ويطالب بالرسوم.
في 2026، يُعمل على منهجين رئيسيين:
براهين عديمة المعرفة (Zero-Knowledge) للاستدلال تتيح للمزود إنتاج إثبات رياضي على أن حساباً معيناً نُفّذ بشكل صحيح، من دون كشف أوزان النموذج أو إجبار المدقق على إعادة تشغيل النموذج. المدقق يكتفي بفحص الإثبات، وهي عملية أرخص بكثير من توليده. مشاريع مثل Modulus Labs وZKML أثبتت ذلك على نماذج أصغر، لكن كلفة توليد الإثبات للنماذج المتقدمة (70 مليار معامل فأكثر) لا تزال هائلة. إنتاج إثبات لاستدلال واحد على نموذج كبير يمكن أن يستغرق دقائق على عتاد متخصص، مقابل ميلي ثانية للاستدلال نفسه.
التنفيذ المتفائل مع براهين الاحتيال (Fraud Proofs) يتبنّى نهجاً مختلفاً مستلهماً من تصميم "التجميعات المتفائلة" في شبكة Ethereum (ETH). النتائج تُقبل افتراضياً على أنها صحيحة. يمكن لأي طرف أن يطعن في نتيجة ضمن نافذة زمنية محددة عبر إعادة تنفيذ الحساب على عقدة مرجعية. إذا أثبت المعترض أن النتيجة خاطئة، يخسر المزود الأصلي حصته، ويحصل المعترض على مكافأة.
هذا الأسلوب أسرع في الحالة الشائعة حيث يكون المزودون صادقين، لكنه يضيف زمناً فاصلاً قبل اعتبار النتائج "نهائية".
معظم الأنظمة التشغيلية في 2026 تتبنى نموذجاً هجينا: تنفيذ متفائل للطلبات الروتينية مع تدقيقات عشوائية باستخدام براهين عديمة المعرفة، للإبقاء على انضباط المزودين دون تحمل كلفة تحقق كامل عن كل طلب. نسبة الطلبات المفحوصة إلى غير المفحوصة تُحدد عبر الحوكمة، ويمكن لحاملي الرموز تعديلها مع انخفاض كلفة توليد البراهين.
اطلع أيضاً على: خروج قيادات السلامة من OpenAI
دور رموز الحوكمة في تطوير النماذج
رموز الحوكمة في شبكة ذكاء اصطناعي لامركزية تتجاوز مجرد التصويت على ترقيات البروتوكول. فهي تتحكم في قرارات تمس القيمة الاقتصادية للنموذج مباشرة: أي مجموعات بيانات يُسمح باستخدامها في عمليات الضبط اللاحق (Fine-Tuning)، ما أنواع مرشحات السلامة التي تُطبَّق، كيف يُقسَّم دخل الاستدلال بين البنية التحتية والمساهمين، وما إذا كان يمكن فتح أوزان النموذج بالكامل أم إبقاؤها مقيدة.
هذا يخلق هيكل قوة مختلفاً جذرياً عن نماذج الذكاء الاصطناعي المغلقة؛ ففي الأنظمة المركزية تتخذ فرق السلامة والمنتج داخل الشركة قراراتها بصورة أحادية، بينما في الشبكات اللامركزية تصبح هذه القرارات خاضعة لتصويت أصحاب المصلحة الذين موّلوا التدريب، وقدموا البيانات، وشغّلوا القدرة الحوسبية. ما الضوابط التي ينبغي فرضها؟ في الشبكات اللامركزية، تُحسم هذه القرارات من قِبل حاملي التوكنات، وهم أطراف قد تتصادم مصالحهم.
المساهمون الذين يضعون تعظيم قدرات النموذج في المقام الأول قد يصوّتون ضد قيود السلامة التي تحد من أداء النموذج في بعض المهام. في المقابل، المساهمون الأكثر حساسية لمتطلبات الامتثال التنظيمي في ولاياتهم القضائية يميلون للتصويت لصالح مرشحات وضوابط أكثر تشدداً.
الحل العملي الذي استقرت عليه معظم الشبكات يتمثل في هيكل حوكمة ثنائي المستويات. يوجد مجلس أساسي (Core Council) ينتخبه حاملو التوكنات، يتولى القرارات العاجلة المتعلقة بالسلامة والتي لا تحتمل انتظار تصويت شامل. أما المعلمات الاقتصادية العامة، مثل هيكل الرسوم وتقسيم الإيرادات، فتُحال إلى تصويت كامل لحاملي التوكنات ضمن نافذة نقاش أطول. هذا التصميم يعكس نموذج الحوكمة في العديد من بروتوكولات DeFi مثل Aave وCompound، التي اكتشفت أن الحوكمة السلسلية الكاملة والديمقراطية الصِرفة عرضة لهجمات انخفاض المشاركة والتلاعب بالأصوات في اللحظات الأخيرة.
حوكمة النماذج تطرح كذلك تحدياً فريداً في عالم الذكاء الاصطناعي: سؤال ما الذي سيتحوّل إليه النموذج بعد التحديثات. المساهم الذي شارك في تدريب النموذج الأصلي يحتفظ بتوكنات تمثّل قيمة هذا الأصل. إذا أقرّ التصويت حزمة ضبط (Fine-tuning) كبرى تغيّر سلوك النموذج جذرياً، فهل تبقى هذه التوكنات مطالبةً بنفس الأصل فعلاً؟ معظم البروتوكولات تعالج هذه الإشكالية عبر سكّ توكن جديد لكل إصدار رئيسي، مع منح حاملي الإصدار السابق حصة نسبية في الإصدار الجديد، على غرار حصول المساهمين في شركة مدرجة على أسهم في كيان منبثق (Spin-off).
Also Read: https://yellow.com/news/bitcoin-63k-war-chatter
المساهمة بالبيانات، الخصوصية، ومعضلة التدريب الموحّد (Federated)
أحد أهم الأسئلة التصميمية في أي شبكة ذكاء اصطناعي لامركزية هو: كيف يشارك مزوّدو البيانات دون كشف معلوماتهم الحساسة؟ فالسجلات الطبية، والبيانات المالية، والاتصالات الشخصية تمثل بعضاً من أثمن مدخلات التدريب للنماذج المتخصصة. لكن لا يمكن للمساهمين ببساطة رفع هذه البيانات إلى شبكة مشتركة دون خلق مخاطر ضخمة على صعيد الخصوصية والامتثال التنظيمي.
يوفّر التعلّم الموحّد (Federated Learning) حلاً جزئياً. بدلاً من إرسال البيانات الخام إلى عقدة تدريب مركزية، يقوم كل مساهم بتدريب تحديث محلي للنموذج على بياناته الخاصة، ثم يرسل فقط “الاتجاه التدرّجي” (Gradient)، أي الاتجاه الرياضي الذي ينبغي أن تتحرك نحوه أوزان النموذج، إلى الشبكة. تتولى الشبكة تجميع الـ Gradients من عدد كبير من المساهمين دون أن ترى البيانات الأساسية. يتحسّن أداء النموذج بفضل البيانات الخاصة، من غير أن تغادر هذه البيانات بيئة صاحبها.
دور البلوكشين في التعلّم الموحّد هو التنسيق والدفع. العقود الذكية تسجّل من قدّم أي Gradient في كل جولة تدريب، وتقيّم جودة وفائدة كل Gradient باستخدام دوال تقييم على السلسلة، ثم توزّع المكافآت وفقاً لذلك. معضلة التقييم ليست بسيطة: يمكن لمساهم أن يرسل Gradients عشوائية ويحصل على مكافآت دون عمل حقيقي. بروتوكولات مثل FedML وإطار Sentient التدريبي تعتمد التزامات تشفيرية (Cryptographic Commitments) وآليات كشف مؤجَّل، تُلزم المساهمين بالالتزام بـ Gradient معيّن قبل الاطلاع على مساهمات الآخرين، ما يقلّص فرص الغش.
عادةً ما يُضاف التحصين التفاضلي (Differential Privacy) فوق التعلّم الموحّد لتوفير ضمانات رياضية رسمية تمنع إعادة بناء الأمثلة الفردية من أوزان النموذج المنشورة. ما يُعرف بـ «ميزانية الخصوصية» – أي مقدار المعلومات المسموح للنموذج أن يسرّبه عن أي نقطة بيانات – يصبح بدوره متغيراً حوكميّاً، يتيح لحاملي التوكنات الموازنة بين فائدة النموذج ومستوى الحماية الممنوحة للمساهمين بالبيانات.
«الجمع بين التعلّم الموحّد والتحصين التفاضلي يمنح شبكات الذكاء الاصطناعي اللامركزية جواباً مقنعاً لمعضلة خصوصية البيانات. المساهم لا يتنازل عن بياناته. الشبكة لا تراها. ومع ذلك يتحسّن النموذج بفضلها.»
Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai
من المستفيد الفعلي من شبكات الذكاء الاصطناعي اللامركزية الآن؟
فهم الآليات شيء، ومعرفة من يجب أن يهتم بها فعلاً في 2026 شيء آخر. التكنولوجيا مفيدة اليوم بجدية في سياقات محددة، وغير عملية تماماً في أخرى.
الباحثون المستقلون ومطوّرو المصادر المفتوحة هم المستفيد الأوضح. يمكنهم تقديم قدرة حوسبة تدريبية أو مجموعات بيانات منسّقة إلى نماذج يؤمنون بها، مقابل حصة ملكية قابلة للإثبات، وتدفقات دخل مستمرة من استخدام النموذج. البديل – المساهمة في نموذج مفتوح المصدر مثل مشتقات LLaMA – يمنح مصداقية مهنية لكنه لا يترجم تلقائياً إلى عائد اقتصادي عند تسليع النموذج تجارياً.
المؤسسات التي تمتلك بيانات خاصة ومتطلبات امتثال صارمة تُبدي اهتماماً متزايداً بهياكل التدريب الموحّد. منظومة مستشفيات ترغب في نموذج طبي متخصص لا يمكنها مشاركة سجلات المرضى مع مزوّد مركزي. شبكة لامركزية تعتمد التدريب الموحّد تتيح لها المساهمة في تدريب النموذج مع إبقاء البيانات داخل البنية التحتية الداخلية (On-premises). كما أن سجل الملكية على السلسلة يوفر مسار تدقيق يمكن عرضه على الجهات الرقابية.
بروتوكولات DeFi وتطبيقات الويب 3 تحتاج إلى استدلالات ذكاء اصطناعي غير قابلة للرقابة أو الإيقاف من جانب مزوّد API مركزي. على سبيل المثال، سوق توقعات يعتمد على الذكاء الاصطناعي لمعالجة بيانات الأحداث الواقعية لا يستطيع تحمّل مخاطر إغلاق مزوّد الـ API لوصوله في منتصف التشغيل. أسواق الاستدلال اللامركزية توفّر تكراراً في الخدمات (Redundancy) ومقاومة للرقابة لا يمكن للبنى المركزية توفيرها هيكلياً.
حاملو التوكنات الأفراد (Retail) يواجهون وضعاً أكثر التباساً. امتلاك توكن حوكمة يمنح حقوق تصويت وحصة من الرسوم، لكنه يتطلب مشاركة نشطة لالتقاط هذه القيمة. الحامِل السلبي الذي لا يصوّت يتعرّض لتأثيرات تمييعية لصالح المشاركين النشطين. الديناميكية هنا تشبه حيازة توكنات الحوكمة في بروتوكولات DeFi: العائد الاقتصادي موجود، لكنه مشروط بالانخراط في الحوكمة.
Also Read: https://yellow.com/news/solana-etf-bitwise-filing
المفاضلة الحقيقية بين الأداء وقابلية التحقّق
لا تكتمل أي قراءة لمشهد الذكاء الاصطناعي اللامركزي دون عرض واقعي لنقاط القصور الحالية. جوهر التوتر هنا أساسي: كلما زادت درجة التحقق (Verifiability) من حسابات الذكاء الاصطناعي، أصبح تنفيذها أبطأ وأعلى كلفة.
واجهة برمجة تطبيقات مركزية مثل GPT-5 من OpenAI تقدّم نتائج الاستدلال في نحو 500 ملي ثانية لاستعلام نموذجي. أما الاستدلال مع إثبات صفري المعرفة (Zero-Knowledge) كامل على نموذج مماثل من حيث الحجم، فيستغرق في 2026 بين 30 ثانية وعدة دقائق تبعاً للعتاد ونظام الإثبات المستخدم. في التطبيقات الحساسة للزمن – من إشارات التداول اللحظية، إلى الإشراف الفوري على المحتوى، إلى روبوتات الدردشة التفاعلية – لا يزال هذا الفارق غير قابل للتحمل.
نهج التنفيذ المتفائل (Optimistic Execution) يردم جزءاً واسعاً من هذه الفجوة. في الاستدلال المتفائل، زمن الاستجابة الأولية يكاد يطابق أداء الأنظمة المركزية. الثمن هو تأخير في نهائية النتيجة (Finality): على التطبيقات انتظار انقضاء نافذة الطعن قبل اعتبار النتيجة مُستقرّة بشكل قاطع. في أغلب حالات الويب 3، نافذة طعن من بضع دقائق مقبولة. في التطبيقات الفورية، ليست كذلك.
على مستوى الكلفة، الصورة أكثر إيجابية. مزوّدو الـ API المركزيون يفرضون علاوة سعرية على استخدام النماذج الحدّية (Frontier Models) بفضل قوة التسعير الاحتكارية. سوق استدلال تنافسي، حيث يتنافس مزوّدو الحوسبة على تنفيذ الاستعلام، يدفع الأسعار نحو الكلفة الحدّية. البيانات الأولية من أسواق الاستدلال مثل عروض الحوسبة الذكية على Akash Network تشير إلى أن وحدات الـ GPU السلعية المتاحة عبر أسواق لامركزية يمكن أن تعمل بتكلفة أقل بنسبة 30–60% مقارنة بأسعار واجهات الـ API المركزية لنماذج لا تستلزم أعلى مستوى من القدرات الحدّية.
الخلاصة الواقعية: شبكات الذكاء الاصطناعي اللامركزية جاهزة للإنتاج اليوم في التطبيقات المتسامحة مع التأخير، أو عالية الحساسية للخصوصية، أو الباحثة عن مقاومة الرقابة. لكنها لا تزال في طور اللحاق في التطبيقات الفورية ذات متطلبات القدرات الحدّية، حيث يحتفظ اللاعبون المركزيون بأفضلية مستدامة. مسار تطور عتاد توليد البراهين وأبحاث zkML يشير إلى تضييق هذه الفجوة تدريجياً، لكن من غير المرجّح أن تُمحى بالكامل في الأجل القريب.
Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
الخاتمة
شبكات الذكاء الاصطناعي اللامركزية لا تهدف إلى إحلال نفسها محل عنقود وحدات الـ GPU الذي يدرّب النماذج الحدّية العملاقة.
ما تبنيه هذه الشبكات هو طبقة اقتصادية وقانونية فوق تطوير الذكاء الاصطناعي، تجعل المساهمة الطوعية سلوكاً عقلانياً، وملكية النماذج المفتوحة قابلة للإنفاذ، وإيرادات الاستدلال قابلة للتدقيق والمحاسبة. البلوكشين هنا يعمل كسجل ملكية وطبقة تسوية، لا كحاسوب خارق.
الارتفاع اللافت في نشاط Sentient خلال يوليو 2026 يعكس سوقاً بدأ يسعّر فكرة أن تطوير الذكاء الاصطناعي المفتوح يحتاج إلى نموذج اقتصادي موثوق كي يصمد أمام منافسين مغلقين يتمتعون بتمويل ضخم. الآليات – من بصمات النماذج على السلسلة، إلى أسواق الاستدلال مع تحقق تشفيري، إلى التدريب الموحّد المعزَّز بالتحصين التفاضلي – لم تعد نظريات على الورق. إنها تعمل فعلياً في شبكات إنتاجية تدفع للمساهمين اليوم.
Read Next: Grok 4.5 يتحدّى OpenAI وAnthropic بنموذج Agentic AI أقل تكلفة
