أسواق بيانات الذكاء الاصطناعي اللامركزية تنطلق فعلياً: ما الذي يعنيه ذلك لمستخدمي البيانات؟

في كل مرة تبحث فيها، أو تتصفح الإنترنت، أو تتفاعل مع تطبيق، فإنك تولّد بيانات جديدة.

هذه البيانات تساوي مليارات الدولارات لشركات الذكاء الاصطناعي، لكن المنصات التي تجمعها تستحوذ تقريباً على كامل القيمة.

جيل جديد من أسواق بيانات الذكاء الاصطناعي اللامركزية يحاول قلب المعادلة: استخدام العملات المشفرة لدفع مقابل مباشر للمساهمين كلما استُخدمت بياناتهم في تدريب نموذج تعلّم آلي.

ما يجري أعمق كثيراً من شعار بسيط من نوع "امتلك بياناتك".

هناك طبقات تحقق، وأنظمة staking، وقيود خصوصية، واقتصاديات رمزية؛ ومحصلة تفاعل هذه العناصر هي ما يحدد ما إذا كان المساهم سيُكافأ بعدالة أم لن يحصل على شيء.

هذه المادة تشرح البنية من الصفر، وكيف تُبنى هذه الأسواق، ومن المستفيد فعلياً منها.

خلاصة سريعة

أسواق بيانات الذكاء الاصطناعي اللامركزية تربط بين مالكي البيانات الخام ومطوري الذكاء الاصطناعي الذين يحتاجون مجموعات تدريب موثوقة، مع استخدام رموز مشفرة لإتمام المدفوعات دون وسيط ثقة.

المساهمون يقدّمون بياناتهم، فتُتحقق على السلسلة أو عبر شبكات أوراكل لامركزية قبل الإفراج عن أي دفعة، ما يلغي منصة الوساطة من معادلة تقاسم العوائد.

تقنيات حفظ الخصوصية مثل التعلم الفدرالي والبراهين عديمة المعرفة تتيح تحقيق الدخل من البيانات دون أن تغادر المعلومات الخام جهاز المساهم.

اقتصاديات الرموز – بما في ذلك الرهن (staking)، والعقوبات (slashing)، وتقييم السمعة – تصمم الحوافز بحيث يدفع المساهمون بيانات دقيقة لا بيانات عشوائية.

مشاريع مثل Kled AI على سولانا تمثل الحدّ الأمامي اليوم، لكن النموذج منتشر عبر عدة سلاسل وعدة هياكل متنافسة.

لماذا تحتاج شركات الذكاء الاصطناعي كل هذه البيانات؟ ومن يدفع الفاتورة الآن؟

نماذج اللغة الضخمة وأنظمة التعرف على الصور "تلتهم" البيانات بمستويات يصعب المبالغة في وصفها.

عملية تدريب واحدة لنموذج متقدّم قد تستهلك مئات المليارات من رموز النص، وملايين الصور الموسومة، أو سنوات كاملة من إشارات سلوك بشري مسجلة.

هذه البيانات يجب أن تأتي من مكان ما.

اليوم، تأتي في الأساس من ثلاثة مسارات رئيسية.

المسار الأول هو جمع المحتوى من الويب بكثافة، حيث تُجمع النصوص المتاحة للعامة على نطاق واسع. المسار الثاني هو صفقات ترخيص مع المنصات تمنح مختبرات الذكاء الاصطناعي حق الوصول إلى قواعد بيانات خاصة – رأينا Reddit، ومؤسسات إعلامية، ووكالات صور، جميعها توقّع مثل هذه الاتفاقيات.

أما المسار الثالث فهو منصات الوسم الجماعي التي تدفع مبالغ زهيدة للعاملين مقابل تعليم الصور، أو تفريغ الصوت إلى نص، أو تقييم ردود النماذج وفق معايير الدقة والجودة.

سوق "الوسم" نفسه ضخم لكنه استغلالي بطبيعته؛ العاملون على المنصات المركزية غالباً ما يجنون ما بين 1 و5 دولارات في الساعة، بينما تُباع المجموعات المعلّمة التي ينتجونها لمطوري الذكاء الاصطناعي بمبالغ أعلى بأضعاف مضاعفة لكل سجل.

الإشكال هنا بنيوي: منصة مركزية تجلس بين مالك البيانات ومشتريها تستحوذ على أغلب الهامش. هي التي تحدد الأسعار، وتفرض معايير الجودة، ويمكنها إقصاء المساهمين من دون سبيل اعتراض حقيقي. الأسواق اللامركزية تستبدل هذه الطبقة بعقود ذكية، وبروتوكولات مفتوحة، وبنية مدفوعات قائمة على الرموز.

ما هو سوق بيانات ذكاء اصطناعي لامركزي فعلياً؟

في جوهره، سوق بيانات الذكاء الاصطناعي اللامركزي هو بروتوكول يلتقي فيه عرض البيانات مع الطلب عليها دون وجود وسيط يتحكم بالطرفين.

على جانب الطلب يقف مطورو نماذج الذكاء الاصطناعي أو فرق البحث التي تنشر "طلب بيانات" يحدد نوعية البيانات المطلوبة، ومعايير الجودة، ومتطلبات الصيغة، والسعر المعروض لكل سجل مُتحقق منه.

على جانب العرض نجد الأفراد المساهمين أو الجهات المجمِّعة للبيانات التي تستجيب لهذه الطلبات.

العقد الذكي يلعب دور "الحساب المجمّد" أو طبقة الضمان.

المشتري يحجز الأموال داخل العقد عند نشر الطلب. عندما يقدّم المساهم بيانات تجتاز مرحلة التحقق، يفرج العقد آلياً عن الدفعة.

لا يحتاج أي من الطرفين إلى الثقة بالطرف الآخر؛ كلاهما يثق بشفرة العقد وقواعده.

البيانات ذاتها في العادة لا تُخزّن على السلسلة.

حفظ جيجابايت من الصور المعلّمة على Ethereum (ETH) أو Solana (SOL) سيكون مكلفاً جداً.

بدلاً من ذلك، تُخزّن البيانات على شبكات تخزين لامركزية مثل IPFS أو Arweave، وما يُسجَّل على السلسلة هو "هش" (hash) موجّه بالمحتوى – بصمة رقمية فريدة للملف.

العقد الذكي يتحقق من أن الـ hash الذي قدّمه المساهم يطابق ملفاً موثوقاً غير معدَّل قبل صرف الدفعة.

الـ content hash هو سلسلة أحرف قصيرة تُستخلص رياضياً من المحتوى الدقيق للملف. تغيير بايت واحد في الملف يغيّر الـ hash بالكامل. هذا يجعل من شبه المستحيل المطالبة بدفعات مقابل بيانات أُعيد تدويرها أو عُدّلت بعد التحقق.

كيف تعمل طبقات التحقق بلا "حارس بوابة" مركزي؟

التحقق هو العقدة الأصعب في هذا التصميم. المنصة المركزية قادرة على توظيف فرق كاملة لمراجعة الجودة.

العقد الذكي، بالمقابل، لا يستطيع "رؤية" صورة أو تقييم ما إذا كان نص ما موسوماً بدقة؛ كل ما يمكنه فعله هو تنفيذ منطق برمجي. الأسواق اللامركزية تعالج هذه المعضلة عبر ثلاثة مسارات رئيسية غالباً ما تُستخدم معاً.

البراهين التشفيرية تناسب البيانات المهيكلة حيث يمكن التحقق من الصحة رياضياً. إذا كان المساهم يقدّم مسارات GPS، أو قراءات حساسات، أو سجلات مالية، يمكن لبرهان عديم المعرفة (Zero-Knowledge Proof) أن يثبت أن البيانات تحقق مجموعة شروط – سُجّلت في وقت معين، تقع ضمن نطاق مقبول، صادرة عن جهاز محدّد – دون كشف القيم الخام نفسها.

التحقق الجماعي يناسب مهام الوسم التي تتضمن حكماً ذاتياً. يُكلف عدة مساهمين مستقلين بمراجعة نفس القطعة من البيانات وتقديم تقييماتهم. العقد يقارن النتائج ويدفع لمن تتطابق إجاباته مع أغلبية المشاركين، مع معاقبة المنحرفين باستمرار عن الإجماع. هذه نسخة لامركزية من تقنية "الوسم المكرر" التي تستخدمها المنصات المركزية لكشف المتساهلين أو المساهمين الخبيثين.

الرهن والعقوبات (staking & slashing) تضيف طبقة حافز اقتصادي. يجب على المساهم رهن جزء من الرمز الأصلي للبروتوكول قبل السماح له بتقديم بيانات. إذا رُفضت مساهماته مراراً أو صُنفت على أنها احتيالية من قبل طبقة التحقق الجماعي، يجري "قطع" رهانه جزئياً أو كلياً. بهذه الطريقة يصبح إرسال بيانات رديئة قراراً مكلفاً، ما يقرّب حوافز المساهم من متطلبات الجودة التي يطلبها المشتري.

كيف تحمي تقنيات حفظ الخصوصية المساهمين؟

التوتر الواضح في هذا النموذج هو الخصوصية. عندما يبيع مستخدم سجلّات تصفحه أو بيانات صحية لمطوّر ذكاء اصطناعي، فالقيمة حقيقية لكن المخاطر كذلك. الأسواق اللامركزية تعالج هذه الإشكالية عبر تقنيتين نضجتا تدريجياً.

التعلّم الفدرالي (Federated Learning) يبقي البيانات الخام بالكامل على جهاز المساهم. بدلاً من إرسال البيانات إلى خادم مركزي، يُرسل نموذج الذكاء الاصطناعي نفسه إلى جهاز المستخدم. يتدرّب النموذج محلياً على البيانات، ثم تُرسل "أوزان" النموذج المحدَّثة – وهي معاملات رياضية مجردة لا تكشف البيانات الأصلية مباشرة – إلى المطور. تُجمَع تحديثات الأوزان من مساهمين متعددين لإنتاج نموذج أفضل. بيانات التدريب لا تغادر بيئة المساهم.

الخصوصية التفاضلية (Differential Privacy) تضيف "ضجيجاً" إحصائياً محسوباً إلى مجموعة البيانات قبل مشاركتها، ما يجعل من شبه المستحيل استرجاع سجلات فرد بعينه من الإجمال، مع الحفاظ على الأنماط الإحصائية المفيدة للتدريب. مستوى الضجيج قابل للضبط: ضجيج أكبر يعني حماية أقوى لكنه قد يقلل قليلاً من فائدة البيانات.

هذه التقنيات مهمة لأسباب تنظيمية أيضاً. تشريعات مثل اللائحة العامة لحماية البيانات في أوروبا (GDPR) وقانون خصوصية المستهلك في كاليفورنيا تفرض قواعد مشددة على نقل واستخدام البيانات الشخصية. سوق يمكنه إثبات أن سلسلة معالجة البيانات لديه لا تنقل معلومات شخصية خام قد يواجه مساراً تنظيمياً أسلس كثيراً من نموذج يقوم ببساطة على تصدير البيانات الخام مقابل المال.

اقتصاديات الرموز، الرهن، وكيف تتم مدفوعات المساهمين فعلياً؟

آلية الدفع تختلف من منصة إلى أخرى، لكن الغالبية تعتمد رمزاً أصلياً للخدمة بدلاً من السداد مباشرة بأصول كبرى مثل Bitcoin (BTC). هذا الرمز يؤدي عدة وظائف في آن واحد.

أولاً، هو وحدة الحساب في طلبات البيانات؛ المشترون يحددون عروضهم بالرمز، ما يعني أن الرمز يلتقط جانب الطلب: كلما زاد عدد الطلبات على البيانات، زاد الطلب على الرمز لتمويلها.

ثانياً، الرهن يخلق قيداً على جانب العرض؛ يجب على المساهمين امتلاك الرمز ورهنه للمشاركة في السوق، ما يقلّص المعروض المتداول ويجعل مصلحتهم مرتبطة بصحة الشبكة.

ثالثاً، السمعة غالباً ما ترتبط بتاريخ الرمز على السلسلة؛ المساهم الذي يرهن باستمرار، وتُقبل مساهماته، ولم يتعرض لعقوبات، يبني سجلاً موثوقاً قابلاً للتحقق. يمكن لدرجة هذه السمعة أن تمنحه سعراً أعلى لبياناته، لأن المشترين يثقون به أكثر من مساهم جديد بلا تاريخ.

عملياً، تتدفق المدفوعات على النحو التالي: ينشر المشتري طلباً ويودِع مثلاً 500 رمز في عقد الضمان. يقدّم مساهم 50 سجلاً موسوماً. طبقة التحقق تراجع وتوافق عليها. العقد يرسل 50 رمزاً للمساهم، و2 رمز للمحققين الذين صادقوا على البيانات، ويبقي 448 رمزاً للمساهمين القادمين. يحصل المشتري على حق الوصول إلى السجل الموثّق بمجرد اكتمال الدفع.

اقتصاديات الرمز لا تعمل إلا إذا وُجد طلب حقيقي على البيانات. المشاريع التي تُطلق مع أسعار رمزية مرتفعة دون وجود مشترين فعليين للبيانات التي تجمعها سرعان ما تكتشف أن النموذج لا يمكنه الصمود. مكافآت المساهمين في غياب مشترين حقيقيين من مطوّري الذكاء الاصطناعي على الجانب الآخر من السوق تؤدي إلى ضغط تضخمي على الرموز المميّزة، وهو مسار غير قابل للاستدامة.

كيف تطبّق Kled AI ومشاريع مشابهة هذا النموذج على سولانا؟

تُجسّد Kled AI مستوى النضج الحالي لهذا النموذج على شبكة Solana. يقدّم البروتوكول نفسه كسوق لامركزي يتيح للأفراد تحقيق عائد مباشر من بياناتهم الشخصية، تحديدًا لأغراض تدريب نماذج الذكاء الاصطناعي. كلفة المعاملات المنخفضة والقدرة الاستيعابية العالية في سولانا تجعل نموذج المدفوعات الصغيرة عالية التكرار مجديًا اقتصاديًا؛ فمن الممكن دفع جزء يسير من الرمز المميز مقابل صورة واحدة مُعنونة على سولانا، بطريقة لا تزال غير عملية على شبكة إيثريوم الرئيسية.

معمارية سولانا مهمة أيضًا لعنصر السرعة. عملية التحقق من البيانات التي تُطلق المدفوعات يجب أن تُسوّى بسرعة. المساهم لن يقبل بسوق ينتظر فيه ساعات لتأكيد الدفعة. نهائية التسوية شبه الفورية في سولانا تجعل تجربة الدفع أقرب إلى المنصات التقليدية، مع الحفاظ على خصائص عدم الحاجة للثقة التي توفّرها العقود الذكية.

أما Velvet، الذي يحقق زخمًا بالتوازي مع Kled AI، فيتبنّى مقاربة مختلفة؛ فهو محطة محافظ واستثمار على السلسلة مدعومة بالذكاء الاصطناعي، تدمج بين التداول الفوري، والعقود الدائمة، واستراتيجيات العائد. أهميته هنا أنه يرسّخ الفكرة ذاتها: أنظمة ذكاء اصطناعي تعمل على بيانات على السلسلة وتُسوى باستخدام رموز مشفّرة. بينما تخلق Kled AI سوقًا للبيانات الخام الخاصة بالتدريب، يمثّل Velvet نموذجًا لتطبيق ذكاء اصطناعي يستهلك هذه الفئة من بيانات السوق المعالَجة. المشروعان يشكّلان طرفي سلسلة القيمة في اقتصاد البيانات نفسه.

مشاريع أخرى في هذا المضمار تشمل Ocean Protocol، الذي كان من أوائل من قدّم مفهوم أصول البيانات المرمّزة على إيثريوم، وGrass الذي يكافئ المستخدمين تحديدًا على مساهمة نطاقهم الترددي غير المستخدم وبيانات التصفّح في سلاسل تدريب الذكاء الاصطناعي. لكل منها بنية مختلفة نسبيًا، لكنها تشترك جميعًا في النموذج الأساسي نفسه: مدفوعات تُنفَّذ وتُفرض تشفيريًا مقابل مساهمات بيانات تم التحقق منها.

من المستفيد فعليًا من هذا النموذج؟ وما المخاطر؟

بالنسبة للأفراد المساهمين ببياناتهم، جاذبية النموذج واضحة: قيمة كانت تُستخرج مجانًا في السابق يمكن الآن تحصيلها مباشرة. شخص يمتلك حضورًا واسعًا على شبكات التواصل، أو خبرة متخصصة، أو وصولًا إلى أنواع بيانات نادرة مثل السجلات الطبية أو المستندات القانونية المهنية أو المحتوى بغير الإنجليزية، يمكنه تحصيل علاوة سعرية حقيقية في سوق توجد فيه بالفعل شهية شراء من مطوّري الذكاء الاصطناعي.

لمطوري الذكاء الاصطناعي، تتيح الأسواق اللامركزية الوصول إلى أنواع بيانات يصعب الحصول عليها عبر الكشط (scraping) أو التراخيص التقليدية. بيانات التفضيلات البشرية، والترميزات المتخصصة في مجالات ضيقة، والمحتوى متعدّد اللغات من مناطق ضعيفة التمثيل، كلها موارد نادرة فعليًا. بروتوكول قادر على تجميع هذه البيانات والتحقق منها على نطاق واسع يمثّل قيمة حقيقية.

لكن المخاطر ملموسة على الجانبين. تقلب أسعار الرموز يعني أن المساهم الذي يتقاضى اليوم بالرمز الأصلي للبروتوكول قد يكتشف أن قيمة تلك الدفعة بالدولار انخفضت كثيرًا عند محاولة إنفاقها. في المقابل، يواجه المشترون خطرًا معاكسًا: قد يقفز سعر الرمز بين مرحلة التخطيط لشراء البيانات ومرحلة التنفيذ، فتغدو تكلفة الاستحواذ على البيانات أعلى من الموازنة المرصودة.

جودة البيانات تظل تحديًا غير محسوم على نطاق واسع. آليات التحقق الجماعي والضمان (staking) تقلّل من الاحتيال لكنها لا تقضي عليه. فاعلون سيئون ذوو خبرة يمكنهم التلاعب بأنظمة السمعة بمرور الوقت، كما أن مطوري الذكاء الاصطناعي الذين يشترون بيانات من سوق جديدة غير مختبرة يتحملون مخاطرة جودة لا تظهر عند التعامل مع شركات تعليقات بيانات تقليدية ذات سجلات طويلة.

المخاطر التنظيمية هي العامل الأكثر غموضًا. إتاحة تحقيق عائد من البيانات الشخصية تقع عند تقاطع قوانين حماية البيانات، وتنظيم الأوراق المالية بالنسبة للرموز المستخدَمة، وأطر حوكمة الذكاء الاصطناعي التي لا تزال قيد التشكل. سوق تعمل بشكل متوافق في ولاية قضائية قد تكون في منطقة رمادية تمامًا في ولاية أخرى.

الخلاصة

أسواق بيانات الذكاء الاصطناعي اللامركزية تمثّل جوابًا محددًا تقنيًا لمعضلة اقتصادية حقيقية: الأشخاص الذين يُنتجون بيانات التدريب تاريخيًا لم يحصلوا إلا على جزء ضئيل جدًا من قيمتها.

العقود الذكية، والتخزين المعنْون بالمحتوى، والتعلّم الموحّد (federated learning)، ورهن الرموز، مجتمعة، تبني نظامًا يمكن فيه توجيه القيمة مباشرة إلى المساهمين بالبيانات، من دون وسيط منصّاتي يستحوذ على هامش الربح.

النموذج ما زال في بداياته.

اقتصاديات الرموز تمر بمرحلة نضج، وأنظمة التحقق مطالَبة بإثبات قدرتها على التوسّع إلى ملايين المساهمين من دون أن تصبح عرضة للتلاعب، بينما تبقى البيئة التنظيمية حول تحقيق عائد من البيانات الشخصية غير مستقرة.

لكن جانب الطلب في المعادلة لن يتلاشى.

مطورو الذكاء الاصطناعي يحتاجون إلى مزيد من البيانات، وبأنماط أكثر تنوّعًا، مما يمكن للمصادر المركزية توفيره بثبات.

هذا الطلب الهيكلي هو ما يمنح أسواق البيانات اللامركزية أطروحتها طويلة الأجل.

اقرأ التالي: XRP يواجه خطر هبوط 30% مع انهيار نشاط الحيتان ومؤشر القوة النسبية