في كل مرة تبحث فيها على الإنترنت، أو تتصفح موقعاً، أو تتفاعل مع تطبيق، فأنت تنتج بيانات جديدة.
هذه البيانات تساوي مليارات الدولارات بالنسبة لشركات الذكاء الاصطناعي، لكن المنصات التي تجمعها تستحوذ على معظم هذه القيمة وحدها.
جيل جديد من أسواق بيانات الذكاء الاصطناعي اللامركزية يسعى لقلب المعادلة – بالاعتماد على العملات المشفّرة لدفع مكافآت مباشرة للمساهمين كلما استُخدمت بياناتهم في تدريب نموذج تعلم آلي.
آلية العمل أعقد بكثير من مجرد شعار «امتلك بياناتك».
هناك طبقات تحقق، وأنظمة الستيكينغ، وقيود خصوصية، واقتصاديات رمزية، وهي مجتمعة تحدد ما إذا كان المساهم يحصل على أجر عادل – أو لا يحصل على شيء.
هذا المقال يشرح هذه المنظومة من الصفر.
خلاصة سريعة
- أسواق بيانات الذكاء الاصطناعي اللامركزية تربط بين أصحاب البيانات الخام ومطوري الذكاء الاصطناعي الذين يحتاجون مجموعات تدريب موثوقة، مع استخدام رموز مشفّرة لتسوية المدفوعات دون وسيط.
- المساهمون يقدّمون بياناتهم، التي تُتحقق منها على السلسلة أو عبر شبكات أوراكل لامركزية قبل الإفراج عن الدفعة، ما يلغي المنصة الوسيطة من معادلة تقاسم الإيرادات.
- تقنيات حفظ الخصوصية مثل التعلم الموحّد وإثباتات انعدام المعرفة تسمح بتحقيق الدخل من البيانات دون مغادرة المعلومات الخام لجهاز المساهم.
- الاقتصاديات الرمزية – بما فيها الرهن (الستيكينغ)، والعقوبات (السلاشينغ)، وتقييم السمعة – تصمَّم لمواءمة الحوافز بحيث يقدّم المساهمون بيانات دقيقة بدلاً من بيانات عديمة القيمة.
- مشاريع مثل Kled AI على شبكة سولانا تمثّل الحدّ الفاصل الحالي، لكن النموذج يمتد عبر سلاسل متعددة وهياكل متنافسة مختلفة.
لماذا تحتاج شركات الذكاء الاصطناعي هذا الكمّ الهائل من البيانات، ومن يدفع الثمن اليوم؟
نماذج اللغة الضخمة وأنظمة التعرّف على الصور «جائعة للبيانات» إلى حد يصعب المبالغة فيه.
جولة تدريب واحدة لنموذج متقدّم قد تستهلك مئات مليارات من الرموز النصية، وملايين الصور المعلَّمة، أو سنوات من إشارات السلوك البشري المسجلة.
وهذه البيانات يجب أن تأتي من مكان ما.
اليوم، تأتي غالباً عبر مسارات محدودة:
الزحف على الويب يجمع النصوص المتاحة للعامة على نطاق واسع. صفقات الترخيص مع المنصات تمنح مختبرات الذكاء الاصطناعي حق الوصول لمجموعات بيانات ملكية – مثل الاتفاقيات مع ريديت، وناشري الأخبار، وشركات الصور المخزّنة.
ومنصات «تعليم البيانات» الجماعية تدفع أجوراً زهيدة لعمال بشريين كي يعلِّموا الصور، ويفرّغوا الصوت، أو يقيّموا إجابات النماذج من حيث الدقة.
سوق تعليم البيانات ضخم لكنه استنزافي. العاملون على المنصات المركزية يكسبون عادةً بين دولار و5 دولارات في الساعة، بينما تُباع مجموعات البيانات المعلّمة التي ينتجونها لمطوري الذكاء الاصطناعي بأضعاف مضاعفة عن كل سجل.
المشكلة هيكلية. المنصة المركزية التي تقف بين مالك البيانات ومشتريها في الذكاء الاصطناعي تستحوذ على معظم الهامش. هي التي تحدد الأسعار، وتفرض معايير الجودة الخاصة بها، ويمكنها حظر المساهمين دون مسار اعتراض حقيقي. الأسواق اللامركزية تستبدل هذه الطبقة بعقود ذكية وبروتوكولات مفتوحة وقنوات دفع قائمة على الرموز.
اقرأ أيضاً: سيولة USDT تدفعه مؤقتاً لتجاوز إيثريوم كأصل التشفير رقم 2
ما هي سوق بيانات الذكاء الاصطناعي اللامركزية بالضبط؟
في جوهرها، سوق بيانات الذكاء الاصطناعي اللامركزية هي بروتوكول يلتقي فيه عرض البيانات مع طلبها دون وسيط يتحكم بالطرفين.
على جانب الطلب، يوجد مطورو الذكاء الاصطناعي أو فرق الأبحاث التي تنشر «طلب بيانات» يحدّد نوع البيانات المطلوب، ومعايير الجودة، ومتطلبات التنسيق، والسعر المعروض لكل سجل يتم التحقق منه.
على جانب العرض، يوجد أفراد أو جهات تجمع البيانات وتتولى تلبية هذه الطلبات.
العقد الذكي يلعب دور «حساب الضمان».
المشتري يقفل الأموال في العقد عند نشر الطلب. عندما يقدّم المساهم بيانات تجتاز خطوة التحقق، يُفرِج العقد تلقائياً عن الدفعة.
لا أحد الطرفين يحتاج إلى الثقة بالآخر؛ كلاهما يثق بشفرة العقد.
البيانات نفسها في العادة لا تُخزَّن على السلسلة.
تخزين غيغابايت من الصور المعلّمة على إيثريوم (ETH) أو سولانا (SOL) سيكون مكلفاً للغاية.
بدلاً من ذلك، تُخزَّن البيانات في شبكة تخزين لامركزية مثل IPFS أو Arweave، ويُسجَّل على السلسلة «هاش» مضموني – بصمة رقمية فريدة للملف.
العقد الذكي يتحقق من أن الهاش الذي قدّمه المساهم يطابق ملفاً موثوقاً لم يتم التلاعب به قبل الإفراج عن الدفعة.
الهاش المضموني سلسلة قصيرة من الأحرف تُستخرج رياضياً من محتوى الملف نفسه. تغيير بايت واحد في الملف يغيّر الهاش بالكامل. هذا يجعل من المستحيل عملياً المطالبة بأجر عن بيانات معدّلة أو معاد تدويرها بعد fact.
اقرأ أيضاً: Techdollar تجمع 3 ملايين دولار لتمكين موظفي الشركات الناشئة من تسييل حقوقهم دون بيعها
كيف تعمل آليات التحقق من البيانات دون «بوّاب» مركزي؟
التحقق هو أضخم تحدٍّ في هذا التصميم. المنصة المركزية يمكنها توظيف فريق مراجعين للجودة.
العقد الذكي لا يمكنه «رؤية» صورة أو الحكم على دقة توصيف نص؛ كل ما يمكنه فعله هو تنفيذ منطق برمجي. الأسواق اللامركزية تحل هذه المعضلة عبر ثلاثة أساليب رئيسية غالباً ما تُستخدم معاً.
الإثباتات التشفيرية تناسب البيانات المهيكلة التي يمكن التحقق من صحتها رياضياً. إذا كان المساهم يقدّم مسارات GPS أو قراءات حساسات أو سجلات مالية، يمكن لإثبات انعدام المعرفة أن يؤكد أن البيانات تستوفي خصائص معينة – أنها سُجلت في وقت محدد، تقع ضمن نطاقات صحيحة، جاءت من جهاز معيّن – دون كشف القيم الخام نفسها.
التحقق الجماعي يناسب مهام التعليم «الذاتي». عدة مساهمين مستقلين يراجعون نفس القطعة من البيانات ويقدّمون تقييماتهم. يقارن العقد الإجابات ويكافئ من تتوافق ردودهم مع الأغلبية، بينما يعاقب من يخرجون باستمرار عن الإجماع. هذه نسخة لامركزية من أسلوب «التعليم المتكرر» الذي تستخدمه المنصات المركزية لرصد المساهمين المتقاعسين أو الخبثاء.
الرهن والعقوبات (Staking & Slashing) تضيف طبقة حوافز اقتصادية. المساهمون يودِعون مقداراً من الرمز الأصلي للمنصة قبل السماح لهم بتقديم البيانات. إذا رُفضت مساهماتهم مراراً أو صُنفت كاحتيالية من طبقة التحقق الجماعي، يُقتطع جزء من الرهن أو يُصادَر بالكامل. بهذه الطريقة يصبح تقديم بيانات رديئة مكلفاً مالياً، ما يربط حافز المساهم بمتطلبات الجودة لدى المشتري.
اقرأ أيضاً: XRP يختبر دعم 1 دولار مع تصاعد مخاطر الهبوط إلى 0.60 دولار
كيف تحمي تقنيات الخصوصية المساهمين؟
التوتر الواضح هنا يتعلق بالخصوصية. إذا قرر مستخدم بيع سجل التصفح أو بياناته الصحية لمطوّر ذكاء اصطناعي، فالقيمة حقيقية لكن مستوى التعرض كذلك. الأسواق اللامركزية تعالج ذلك عبر تقنيتين أصبحتا أكثر نضجاً.
التعلم الموحّد (Federated Learning) يبقي البيانات الخام بالكامل على جهاز المساهم. بدلاً من إرسال البيانات إلى خادم مركزي، يُرسَل النموذج نفسه إلى جهاز المستخدم، ليتدرّب محلياً على البيانات. بعد ذلك تُعاد إلى المطور «أوزان النموذج» المحدّثة – معاملات رياضية مجردة لا تكشف مباشرةً عن البيانات الأصلية. تُجمع تحديثات الأوزان من عدة مساهمين لبناء نموذج أفضل، بينما لا تغادر بيانات التدريب بيئة المساهم.
الخصوصية التفاضلية (Differential Privacy) تضيف «ضجيجاً» إحصائياً مضبوطاً إلى مجموعة البيانات قبل مشاركتها، ما يجعل من المستحيل عملياً إعادة تركيب سجلات أي فرد، مع الحفاظ على الأنماط الإحصائية المفيدة لتدريب النماذج. مستوى الضجيج قابل للضبط: المزيد منه يعني خصوصية أقوى لكن فائدة بيانات أقل قليلاً.
هذه التقنيات مهمة تنظيمياً أيضاً. قوانين مثل اللائحة العامة لحماية البيانات في أوروبا (GDPR) وقانون خصوصية المستهلك في كاليفورنيا تفرض قواعد صارمة على نقل واستخدام البيانات الشخصية. السوق التي تستطيع أن تثبت بشكل موثوق أن خط أنابيب البيانات لديها لا يرسل أبداً بيانات شخصية خام قد تتمتع بمسار تنظيمي أسلس بكثير من تلك التي تكتفي «بتسييل» تصدير البيانات كما هي.
اقرأ أيضاً: HIVE تقترض 115 مليون دولار بعائد صفر للمراهنة على الذكاء الاصطناعي بدل تعدين بيتكوين
اقتصاديات الرموز، الرهن، وكيف يحصل المساهمون فعلياً على مستحقاتهم؟
آلية الدفع تختلف من منصة لأخرى، لكن الأغلبية تعتمد رمزاً منفعة أصلياً بدلاً من الدفع مباشرةً بأصول رئيسية مثل بيتكوين (BTC). هذا الرمز يؤدي عدة وظائف في آن واحد.
أولاً، هو وحدة الحساب لطلبات البيانات. المشترون يحددون عروضهم بالرمز، ما يعني أن الرمز يلتقط جانب الطلب: كلما زاد عدد طلبات البيانات، زاد الطلب على الرمز لتمويلها.
ثانياً، الرهن يخلق حالة «قفل» في جانب المعروض. على المساهمين حيازة الرمز ورهنه للمشاركة في السوق، ما يقلّل المعروض المتداول ويربط حوافز المساهمين بصحة الشبكة.
ثالثاً، السمعة غالباً ما تُربط بتاريخ الرمز على السلسلة. مساهم يواصل الرهن دون انقطاع، وتُقبل مساهماته، ولم يتعرض لعقوبات، يبني سجلاً موثّقاً على السلسلة. هذا «رصيد السمعة» يمكن أن يبرر سعراً أعلى لبياناته، لأن المشتري يثق به أكثر من مساهم جديد بلا تاريخ.
عملياً، تبدو تدفقات الدفع كالتالي: ينشر المشتري طلباً ويودع – لنقل – 500 رمز في عقد الضمان. يقدّم مساهم 50 سجلاً معلّماً. طبقة التحقق تراجع وتوافق عليها. العقد يفرج عن 50 رمزاً للمساهم، ورمزين للمحققين الذين صادقوا على الإرسال، ويبقي 448 رمزاً للمساهمين اللاحقين. يحصل المشتري على حق الوصول إلى مجموعة البيانات الموثقة بمجرد تأكيد الدفع.
اقتصاديات الرمز لا تعمل إلا إذا وُجد طلب حقيقي على البيانات. المشاريع التي تنطلق بقيم رمزية مرتفعة دون حالات استخدام فعلية سرعان ما تكتشف أن نموذجها لا يستدام. مكافآت للمشاركين من جهة، من دون وجود مشترين حقيقيين من مطوّري الذكاء الاصطناعي على الجهة الأخرى من السوق، تعني ضغطاً تضخّمياً على رموز المشروع لا يمكن استمراره على المدى الطويل.
أيضًا اقرأ: تأجيل طرح أوبن إيه آي بقيمة تريليون دولار للاكتتاب مع اختبار تقلبات السوق لطموحات ألتمان
كيف تطبّق Kled AI ومشاريع مشابهة هذا النموذج على سولانا
تُعد Kled AI نموذجاً متقدّماً لما يجري على شبكة Solana اليوم. يقدّم البروتوكول نفسه كسوق لامركزي يتيح للأفراد تحقيق عائد مباشر من بيع بياناتهم الشخصية لاستخدامها في تدريب نماذج الذكاء الاصطناعي. انخفاض رسوم المعاملات وارتفاع القدرة الاستيعابية لسولانا يجعلان من المدفوعات المتناهية الصغر نموذجاً عملياً، حيث يصبح دفع جزء بسيط من التوكن مقابل صورة واحدة موسومة صفقة مجدية على سولانا، بعكس شبكة الإيثريوم الرئيسية حيث تتآكل هذه المدفوعات بالرسوم.
بنية سولانا مهمّة أيضاً من ناحية السرعة. عمليات التحقّق من البيانات التي تُطلِق دفعة مالية يجب أن تُسوّى بسرعة. المساهمون لن يقبلوا بسوق يتعيّن عليهم فيه انتظار ساعات لتأكيد الدفعة. نمط التسوية شبه الفورية على سولانا يجعل تجربة الدفع أقرب إلى المنصات التقليدية، مع الحفاظ في الوقت نفسه على خصائص العقود الذكية غير القائمة على الثقة.
Velvet، التي تتصدّر الاهتمام إلى جانب Kled AI، تأتي من زاوية مختلفة؛ فهي محطة تداول ومحفظة آنية على السلسلة مدعومة بالذكاء الاصطناعي، تدمج بين التداول الفوري، والعقود الدائمة، واستراتيجيات العائد. أهميتها في هذا السياق أنها تكرّس الفكرة نفسها: أنظمة ذكاء اصطناعي تعمل على بيانات أون-تشين وتُصفَّى تعاملاتها بواسطة رموز مشفّرة. إذا كانت Kled AI تخلق سوقاً للبيانات الخام المخصّصة للتدريب، فإن Velvet تمثّل تطبيقاً يستهلك هذا النوع من بيانات السوق المعالجة. كلاهما يعكس طرفاً مختلفاً من سلسلة القيمة لاقتصاد البيانات نفسه.
مشاريع أخرى تتحرّك في الاتجاه ذاته تشمل Ocean Protocol، الذي كان من أوائل من طرح مفهوم أصول البيانات المرمّزة على إيثريوم، وGrass، الذي يكافئ المستخدمين على مساهمة النطاق الترددي غير المستغل وبيانات التصفّح في خطوط تغذية بيانات تدريب الذكاء الاصطناعي. لكل مشروع تصميمه التقني الخاص، لكن يجمعها نموذج واحد: مدفوعات مضمونة تشفيرياً مقابل مساهمات بيانات تم التحقّق منها.
أيضًا اقرأ: تجميد «ميثوس» في Anthropic يفتح الباب أمام منافسين آسيويين مثل Sakana AI و360
من المستفيد فعلياً من هذا النموذج وما المخاطر؟
بالنسبة للأفراد المساهمين بالبيانات، جاذبية النموذج واضحة: قيمة كانت تُستخرَج مجاناً بات بإمكانهم تحصيلها مباشرة. أصحاب الحضور القوي على شبكات التواصل، أو الخبرات المتخصصة في مجالات ضيّقة، أو الوصول إلى أنواع بيانات نادرة مثل السجلات الطبية، أو المستندات القانونية المهنية، أو المحتوى غير الإنجليزي، يمكنهم تحصيل علاوة سعرية ملموسة في سوق يوجد فيه طلب حقيقي من مطوري الذكاء الاصطناعي.
أما لمطوري النماذج، فتوفر هذه الأسواق اللامركزية مصدراً لأنواع بيانات يصعُب الحصول عليها عبر الكشط (scraping) أو التراخيص التقليدية: بيانات تفضيلات بشرية، تعليقات متخصصة في مجالات دقيقة، ومحتوى متعدّد اللغات من مناطق قليل تمثيلها. بروتوكول قادر على جمع هذا النوع من البيانات والتحقق منه على نطاق واسع يمثّل قيمة حقيقية.
في المقابل، المخاطر ملموسة للطرفين. تقلب أسعار التوكن يعني أن المساهم الذي يحصل اليوم على أجره بالرمز الأصلي قد يكتشف لاحقاً أن قيمته الدولارية تراجعت بشكل حاد وقت صرفه. المشترون يواجهون الوجه الآخر للمخاطرة: قد يقفز سعر الرمز بين لحظة تخطيطهم لشراء البيانات ولحظة التنفيذ، ما يجعل تكلفة الاستحواذ على البيانات تتجاوز الميزانيات الموضوعة.
جودة البيانات تظل تحدّياً مفتوحاً على نطاق واسع. آليات التحقّق الجماعي، أو نماذج الرهن (staking) لتأمين السلوك الجيد، تقلّص الاحتيال لكنها لا تقضي عليه. جهات خبيثة ذات خبرة يمكنها التلاعب بأنظمة السمعة عبر الزمن، ومطوّرو الذكاء الاصطناعي الذين يشترون بيانات من سوق ناشئة وغير مجرّبة يتحمّلون مخاطرة جودة لا تظهر بالدرجة نفسها عند التعامل مع مزوّدي التعليق والتوسيم التقليديين ذوي السجل الطويل.
المخاطرة التنظيمية تبقى العامل الأكثر غموضاً. تسليع البيانات الشخصية يقع عند تقاطع قوانين حماية الخصوصية، وتنظيم الأوراق المالية المتعلق بالرموز المستخدمة، وأطر حوكمة الذكاء الاصطناعي التي لا تزال قيد التشكل. سوق يعمل بشكل متوافق تماماً في ولاية قضائية معيّنة قد يجد نفسه في منطقة قانونية رمادية في أخرى.
أيضًا اقرأ: هل يتجه إيثريوم نحو 1,000 دولار بعد كسر مستوى دعم حاسم؟
الخلاصة
أسواق بيانات الذكاء الاصطناعي اللامركزية تقدّم حلاً تقنياً محدداً لمعضلة اقتصادية واضحة: الأشخاص الذين ينتجون بيانات التدريب تاريخياً لم يحصلوا إلا على نسبة ضئيلة جداً من قيمتها الفعلية.
العقود الذكية، والتخزين المعنون بالمحتوى، والتعلّم الموزّع، وآليات الرهن بالرموز، تشكّل معاً بنية تحتية يمكن عبرها توجيه هذه القيمة مباشرة إلى المساهمين، من دون وسيط منصّة يستحوذ على الهامش.
النموذج ما زال في مراحله الأولى.
اقتصاديات التوكنات تخضع لعملية نضوج، وأنظمة التحقق مطالَبة بإثبات قدرتها على التوسّع إلى ملايين المساهمين دون أن تكون عرضة للتلاعب، فيما يظل الإطار التنظيمي لتسليع البيانات الشخصية غير مستقر.
لكن جانب الطلب في المعادلة لا يتلاشى.
مطوّرو الذكاء الاصطناعي يحتاجون إلى مزيد من البيانات، وبأنواع أكثر تنوّعاً، مما يمكن للمصادر المركزية توفيره بشكل موثوق.
هذه الحاجة الهيكلية هي ما يمنح أسواق البيانات اللامركزية أطروحتها طويلة الأجل.
اقرأ أيضًا: عملـة XRP مهددة بتراجع 30% مع انهيار نشاط الحيتان ومؤشر القوة النسبية
