الذكاء الاصطناعي اللامركزي يعيد رسم خريطة السيطرة على النماذج الداعمة للويب3

أقوى نماذج الذكاء الاصطناعي في العالم اليوم تسيطر عليها حفنة من الشركات الكبرى. هي من يحدد الأسعار، وهي من يقرر من يحصل على النفاذ، وهي المالكة لكل وزن ومعامل يتعلمه النموذج من بيانات المستخدمين.

Sentient (SENT) خرجت إلى العلن في 2026 كرهان مباشر ضد هذا النموذج المغلق، عبر بناء منصة ذكاء اصطناعي مفتوحة تمنح المساهمين ملكية قابلة للإثبات في النماذج التي يساهمون في إنشائها. قفز توكن المنصة 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 تستعين بالبلوكشين لفرض ملكية مفتوحة على النماذج، وتنظيم التدريب الموزع، وتشغيل أسواق استدلال يمكن لأي طرف فيها تقديم قدرة حوسبية مقابل عوائد. فهم كيفية عمل هذه الشبكات فعلياً – على مستوى الحوافز، والتشفير، والتسوية على السلسلة – هو الطريق الأوضح لتمييز البنية التحتية الحقيقية عن الضجيج.

خلاصة سريعة

شبكات الذكاء الاصطناعي اللامركزية تستخدم البلوكشين لفرض حقوق ملكية على النماذج، بحيث لا يمكن استبعاد المساهمين بعد اكتمال التدريب.

التدريب والاستدلال يُفصلان في طبقتين اقتصاديتين؛ يحصل المساهمون على مكافآت مقابل الحوسبة والبيانات في كل مرحلة، مع تتبعها بالكامل على السلسلة.

براهين التشفير (البرهان عديم المعرفة أو الإقرارات التشفيرية) تمكّن الشبكة من التحقق من نزاهة مخرجات الاستدلال دون إعادة تشغيل النموذج.

توكنات الحوكمة تمنح المساهمين حق التصويت على تحديث النماذج، وهياكل الرسوم، وقواعد الوصول.

المفاضلة الجوهرية هي بين الأداء وقابلية التحقق: الاستدلال الكامل على السلسلة لا يزال أبطأ وأغلى من واجهات البرمجة المركزية، لكن الفجوة تضيق سريعاً.

لماذا يخلق الذكاء الاصطناعي المغلق مشكلة هيكلية للشبكات المفتوحة؟

كل نموذج ذكاء اصطناعي ضخم يُدرَّب على بيانات آتية من مكان ما. المستخدمون، والباحثون، ومجتمعات المصادر المفتوحة ينتجون النصوص، والأكواد، والصور التي تتعلم منها النماذج. في النموذج المركزي الحالي، لا يحصل هؤلاء المساهمون على أي مقابل. الشركة التي تدرب النموذج تستحوذ على كامل القيمة.

هذه الديناميكية تولّد مشكلة متراكمة. أفضل المساهمين يتوقفون عن مشاركة بياناتهم علناً بمجرد إدراكهم أنه يتم استغلالها بلا تعويض.

عندها تصبح النماذج رهينة لما تستطيع الشركة الحصول عليه قانونياً من بيانات، غالباً عبر كشط الويب المفتوح تحت شروط استخدام محل نزاع أمام المحاكم. تتحول عملية التدريب إلى عملية استخراجية أكثر منها تعاونية.

شبكات الذكاء الاصطناعي اللامركزي تقترح ترتيباً مختلفاً جذرياً. يتم تسجيل المساهمين على السلسلة قبل بدء التدريب. تُسجَّل مساهماتهم من بيانات وحوسبة كمدخلات يمكن التحقق منها. العقود الذكية توزّع إيرادات استخدام النموذج على هؤلاء المساهمين وفق قواعد متفق عليها مسبقاً، قبل أن يقدّم أي شخص ساعة GPU واحدة.

البلوكشين لا ينفذ حسابات الذكاء الاصطناعي نفسها؛ دوره هو فرض اتفاقية الملكية التي تجعل المساهمة الطوعية قراراً عقلانياً اقتصادياً.

كيف تعمل ملكية النماذج على السلسلة عملياً؟

ملكية النموذج في شبكة ذكاء اصطناعي لامركزية لا تشبه امتلاك ملف. النموذج المدرَّب عبارة عن مجموعة من الأوزان الرقمية – غالباً بمليارات الأرقام العائمة – المخزّنة عبر عقد موزعة. امتلاك "نموذج" يعني امتلاك حصة مثبتة وقابلة للإنفاذ من الإيرادات التي يدرّها هذا النموذج، إضافة إلى حقوق حوكمة على تطويره المستقبلي.

الآلية تبدأ بحدث سكّ مرتبط بجولة التدريب الأولية للنموذج. عند نشر النموذج لأول مرة، تصدر الشبكة عرضاً ثابتاً من توكنات ملكية تمثل هذا النموذج بعينه. المساهمون الذين قدّموا بيانات أو قدرة حوسبية أو كوداً أثناء التدريب يحصلون على حصة نسبية من هذه التوكنات.

معادلة التوزيع تُكتب في العقد الذكي قبل بدء التدريب ولا يمكن تعديلها بأثر رجعي.

في كل مرة يدفع فيها مستخدم لتشغيل استدلال على النموذج – سواء لطلب توقع، أو نص مولّد، أو تمثيل متجهي (embedding) – تُقسَم الرسوم بين مزوّد البنية التحتية الذي نفّذ الاستدلال وحاملي توكنات الملكية. نسبة التقسيم تحددها الحوكمة. هذا يعني أنه إذا أصبح النموذج واسع الاستخدام، يستمر المساهمون الأصليون في جني العوائد منه دون عمل إضافي، في آلية تشبه إيرادات الملكية الفكرية (royalties).

نهج Sentient يذهب أبعد عبر ما تسميه "البصمة النموذجية – Sentient Model Fingerprinting". كل نموذج يُدرَّب على منصة Sentient يحمل بصمة تشفيرية مضمَّنة تربط مخرجات الاستدلال بنسخة محددة من النموذج.

هذا يجعل من الممكن كشف ما إذا قام طرف ما بنسخ أوزان النموذج وتشغيل استدلالات دون دفع رسوم الملكية – وهو شكل من القرصنة كان يسيراً للغاية مع الأوزان المغلقة وصعب الإثبات. البصمة تخلق سجلاً تدقيقياً على السلسلة يدعم إنفاذ مشاركة الإيرادات حتى عندما تكون الأوزان نفسها مفتوحة تقنياً.

اقرأ أيضاً: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic

الطبقتان: التدريب الموزع وأسواق الاستدلال

شبكات الذكاء الاصطناعي اللامركزية تقسم دورة حياة النموذج إلى طبقتين اقتصاديتين منفصلتين. فهم كل طبقة على حدة مهم، لأن الفاعلين والحوافز والتحديات التقنية تختلف جذرياً بينهما.

طبقة التدريب هي حيث يتعلم النموذج. في النظام المركزي، شركة واحدة تدير التدريب على أجهزتها الخاصة. في الشبكة اللامركزية، يُوزَّع التدريب على مساهمين عديدين ينفذ كل منهم جزءاً من الحسابات.

التحدي هنا هو التنسيق: جميع المشاركين يجب أن يتفقوا على حالة النموذج في كل خطوة، ما يتطلب آلية إجماع مكيّفة لتحديثات التدرجات (gradients) بدلاً من المعاملات المالية. مشاريع مثل Bittensor وGensyn طورت بروتوكولات متخصصة لهذا الغرض، تستخدم تسجيل درجات على السلسلة لتقييم جودة مساهمة كل مشارك في التدرجات ومكافأته وفقاً لذلك.

طبقة الاستدلال هي حيث ينتج النموذج المدرَّب مخرجات للمستخدمين النهائيين. الاستدلال اقتصادياً مختلف عن التدريب: متكرر، حساس للزمن، وأسهل نسبياً في التحقق. المستخدم يرسل استعلاماً، ومزوّد الاستدلال يشغّل النموذج على أجهزته، ويعيد النتيجة. السؤال الجوهري: كيف يعرف المستخدم أن المزوّد شغّل النموذج الحقيقي وليس نسخة أبسط وأرخص؟

هنا تبرز أهمية أسواق الاستدلال. مزوّدون متعددون يتنافسون على خدمة الاستعلام. المزوّد الفائز يشغّل النموذج ويعيد النتيجة مرفقة ببرهان تشفيري. مزوّدون آخرون يمكنهم التحقق بشكل عشوائي عبر آلية تحدي. المزوّد غير النزيه يخسر الضمان المرهون (stake)، بينما يحصل المزوّد النزيه على الرسوم. هيكل السوق يخلق حافزاً للدقة دون الحاجة إلى أن يتحقق كامل الشبكة من كل نتيجة.

"أسواق الاستدلال تستعير التصميم الاقتصادي لأسواق التنبؤ: المشاركون يراهنون بقيمة على صحة مخرجاتهم، وتُعاقب المخرجات الخاطئة عبر آلية الحذف (slashing)، وهي الآلية نفسها المستخدمة لمعاقبة المدققين المسيئين في شبكات إثبات الحصة."

كيف تتحقق البراهين التشفيرية من مخرجات الذكاء الاصطناعي دون إعادة تشغيل النموذج؟

أصعب معضلة تقنية في الذكاء الاصطناعي اللامركزي هي التحقق. تشغيل نموذج لغوي ضخم مرة واحدة مكلف أصلاً؛ تشغيله مرتين للتحقق من النتيجة الأولى يصبح عبئاً اقتصادياً غير قابل للاستدامة على نطاق واسع. لكن من دون تحقق، ينهار هيكل الحوافز: يمكن لأي مزوّد أن يعيد أي مخرج "مقبول شكلاً" ويطالب بالرسوم.

يُطوَّر نهجان رئيسيان في 2026:

براهين عدم المعرفة للاستدلال (ZK proofs for inference) تتيح للمزوّد توليد برهان رياضي على أن حساباً معيناً نُفِّذ بشكل صحيح، من دون الكشف عن أوزان النموذج أو إلزام المراجع بإعادة تشغيله. المراجع يتحقق من البرهان، وهي عملية أرخص بكثير من توليد البرهان نفسه. مشاريع مثل Modulus Labs وZKML أثبتت هذا المفهوم على نماذج أصغر، لكن تكلفة توليد البرهان للنماذج الحدّية (70 مليار معامل فما فوق) لا تزال مرتفعة؛ توليد برهان لاستدلال واحد يمكن أن يستغرق دقائق على عتاد متخصص، مقابل ميلي ثانية للاستدلال الأصلي.

التنفيذ المتفائل مع براهين الاحتيال (Fraud proofs) يتبنى نهجاً مختلفاً مستوحى من تصميم التجميعات المتفائلة في Ethereum (ETH). تُقبَل النتائج كصحيحة افتراضياً. يمكن لأي طرف أن يطعن في نتيجة خلال نافذة محددة عبر إعادة تنفيذ الحساب على عقدة مرجعية. إذا أثبت المعترض أن النتيجة كانت خاطئة، يخسر المزوّد الأصلي حصته ويحصل المعترض على مكافأة.

هذا النهج أسرع في الحالة الاعتيادية، حيث يكون أغلب المزوّدين نزيهين، لكنه يضيف زمناً قبل اعتبار النتائج نهائية.

معظم الأنظمة التشغيلية في 2026 تعتمد نموذجاً هجينا: تنفيذ متفائل للاستعلامات الروتينية مع عمليات تحقق عشوائية ببراهين عدم المعرفة لضبط السلوك دون تكبّد كلفة التحقق الكامل لكل طلب. نسبة الاستعلامات الخاضعة للتدقيق إلى غير المدقَّقة تُحدد حوكميّاً، ويمكن لحاملي التوكنات تعديلها كلما انخفضت تكلفة توليد البراهين.

اقرأ أيضاً: https://yellow.com/news/openai-safety-veteran-exit-history

دور توكنات الحوكمة في تطوير النماذج

توكنات الحوكمة في شبكة ذكاء اصطناعي لامركزية تتجاوز دور التصويت على ترقيات البروتوكول. فهي تتحكم في قرارات تمسّ القيمة الاقتصادية للنموذج مباشرة: أي مجموعات بيانات يمكن استخدامها في عمليات الضبط (fine-tuning) المستقبلية، ما نوع مرشحات السلامة المطبقة، كيف يتم تقسيم رسوم الاستدلال، وما إذا كان يمكن فتح أوزان النموذج بالكامل أو إبقاؤها مقيدة. في النماذج المركزية، تتولى «فِرَق السلامة» داخل الشركة تحديد نوع الضوابط والقيود المفروضة على النموذج. أما في الشبكات اللامركزية، فتنتقل هذه السلطة إلى حاملي التوكنات، الذين قد تتعارض مصالحهم وأولوياتهم بشكل مباشر.

فالمشاركون الذين يضعون تعظيم قدرات النموذج في المقام الأول قد يصوّتون ضد أي قيود سلامة تحد من أداء النموذج في بعض المهام. في المقابل، قد يدفع المساهمون الذين يركزون على الامتثال التنظيمي داخل ولاياتهم القضائية باتجاه فلاتر أكثر صرامة.

الحل العملي الذي استقرت عنده أغلب الشبكات هو اعتماد هيكل حوكمة مزدوج. يتمثل المستوى الأول في مجلس أساسي (Core Council) ينتخبه حاملو التوكنات، يتولى القرارات العاجلة المتعلقة بالسلامة والتي لا تحتمل انتظار تصويت كامل على مستوى البروتوكول. أما القرارات ذات الطابع الاقتصادي الأوسع، مثل هيكل الرسوم وتوزيع العوائد، فتُطرح لتصويت شامل لحاملي التوكنات ضمن نافذة نقاش أطول. هذا النموذج يعكس ما انتهت إليه بروتوكولات DeFi كـ Aave وCompound بعد أن اكتشفت أن الحوكمة الكاملة على السلسلة وبشكل ديمقراطي مباشر عرضة لهجمات انخفاض نسبة المشاركة والتلاعب بالأصوات في اللحظات الأخيرة.

حوكمة النماذج تطرح أيضًا إشكالية خاصة بالذكاء الاصطناعي: ماذا يحدث لـ «هوية» النموذج بعد التحديثات الكبرى؟ المساهم الذي شارك في تدريب النموذج الأصلي يحتفظ بتوكنات تجسّد قيمة هذا الأصل. لكن إذا صوّتت الحوكمة لصالح عملية ضبط دقيق (fine-tuning) جذرية تغير سلوك النموذج بشكل ملحوظ، فهل تمثل هذه التوكنات ما زالت مطالبة في الأصل نفسه؟ أغلب البروتوكولات تتعامل مع هذه المعضلة عبر سك توكن جديد لكل نسخة رئيسية (Major Version)، ومنح حاملي النسخة السابقة حصة نسبية في الإصدار الجديد، على غرار الطريقة التي يحصل بها مساهمو الشركات على أسهم في الكيانات المنفصلة عند تنفيذ عمليات Spin-off.

Also Read: https://yellow.com/news/bitcoin-63k-war-chatter

المساهمة بالبيانات، الخصوصية، ومعضلة التدريب الموحّد (Federated Training)

أحد أكثر الأسئلة التصميمية حساسية في أي شبكة ذكاء اصطناعي لامركزية هو: كيف يشارك مزوّدو البيانات دون إفشاء معلوماتهم الخاصة؟ فالسجلات الطبية، والبيانات المالية، والمراسلات الشخصية تمثل مدخلات تدريب فائقة القيمة للنماذج المتخصصة، لكن لا يمكن للمساهمين ببساطة رفع هذه البيانات إلى شبكة مشتركة دون خلق مخاطر جسيمة على صعيد الخصوصية والامتثال التنظيمي.

هنا يبرز مفهوم التعلّم الموحّد (Federated Learning) كحل جزئي. بدلاً من إرسال البيانات الخام إلى عقدة تدريب مركزية، يقوم كل مساهم بتدريب تحديث محلي للنموذج باستخدام بياناته الخاصة، ثم يرسل إلى الشبكة «الميل» (Gradient) فقط؛ أي الاتجاه الرياضي لحركة أوزان النموذج. تقوم الشبكة بتجميع هذه الـ Gradients من عدة أطراف دون أن تطّلع أبدًا على البيانات الأصلية. وبهذا يتحسن النموذج اعتمادًا على بيانات خاصة لم تغادر حيازة أصحابها في أي لحظة.

دور البلوكتشين في هذا السياق هو التنسيق والدفع. العقود الذكية تسجّل من هم المساهمون الذين قدموا Gradients في كل جولة تدريب، وتقيس جودة وفائدة كل Gradient عبر دوال تقييم على السلسلة، ثم توزّع المكافآت بناءً على ذلك. معادلة التقييم ليست سهلة: فبإمكان مشارك غير نزيه إرسال Gradients عشوائية وتحقيق عائد دون عمل حقيقي. بروتوكولات مثل FedML وإطار التدريب الخاص بـ Sentient تلجأ إلى التزامات تشفيرية (Cryptographic Commitments) وآليات كشف مؤجّل (Delayed Reveal) لاكتشاف هذا السلوك، عبر إلزام المساهم بالالتزام بتقديم Gradient معينة قبل أن يطّلع على مساهمات الآخرين.

وعادةً ما يُضاف فوق التعلّم الموحّد طبقة من الخصوصية التفاضلية (Differential Privacy) لتقديم ضمانات رياضية صارمة بأن الأمثلة الفردية في بيانات التدريب لا يمكن استرجاعها من أوزان النموذج المنشور. هنا يصبح ما يُعرف بـ «ميزانية الخصوصية» – أي مقدار المعلومات المسموح للنموذج بتسريبها عن أي نقطة بيانات فردية – معلمة حوكمة بحد ذاته، تتيح لحاملي التوكنات الموازنة بين فائدة النموذج من ناحية، وحماية خصوصية المساهمين من ناحية أخرى.

«التعلّم الموحّد مع الخصوصية التفاضلية يمنح شبكات الذكاء الاصطناعي اللامركزية إجابة مقنعة على معضلة خصوصية البيانات: المساهم لا يسلّم بياناته أبدًا، الشبكة لا تراها أبدًا، ومع ذلك يتحسن النموذج بفضلها.»

Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai

من المستفيد الفعلي من شبكات الذكاء الاصطناعي اللامركزية اليوم؟

استيعاب آليات العمل شيء، ومعرفة من يجب أن يهتم فعليًا بهذه التكنولوجيا في 2026 شيء آخر. فالشبكات اللامركزية مفيدة فعلاً في سياقات محددة، وغير عملية تمامًا في أخرى.

الباحثون المستقلون ومطوّرو المصادر المفتوحة هم المستفيد الأوضح. بإمكانهم تقديم قدرة حوسبة للتدريب أو مجموعات بيانات منتقاة إلى نماذج يثقون بها، والحصول في المقابل على حصة ملكية مثبتة على السلسلة وعائد مستمر من استخدام النموذج. البديل التقليدي، أي الإسهام في نماذج مفتوحة المصدر مثل مشتقات LLaMA، يراكم السمعة فقط دون أي عائد اقتصادي عند تجاريّة النموذج.

المؤسسات التي تمتلك بيانات حساسة ومتطلبات امتثال صارمة بدأت تميل أكثر نحو ترتيبات التدريب الموحّد. فمثلاً، لا يمكن لمجموعة مستشفيات ترغب في تطوير نموذج طبي متخصص مشاركة السجلات المرضية مع مزوّد مركزي. شبكة لامركزية تعتمد التدريب الموحّد تتيح لها المساهمة في تدريب النموذج مع إبقاء البيانات على خوادمها الداخلية. كما أن سجل الملكية على السلسلة يوفر أثراً تدقيقياً (Audit Trail) يلبّي متطلبات الجهات الرقابية.

بروتوكولات DeFi وتطبيقات Web3 تحتاج إلى استدلالات ذكاء اصطناعي (Inference) غير قابلة للرقابة أو الإيقاف من مزوّد API مركزي. فأسواق التوقعات (Prediction Markets) التي تعتمد على الذكاء الاصطناعي لمعالجة البيانات الواقعية، لا تتحمل مخاطر أن يقطع مزوّد الخدمة المركزي الوصول إلى الـ API في خضمّ التشغيل. أسواق الاستدلال اللامركزية توفر درجة من المرونة ضد الرقابة والتعطيل لا يمكن لبنية الـ APIs المركزية مجاراتها.

حاملو التوكنات من الأفراد (Retail) يواجهون وضعًا أكثر التباسًا. حيازة توكنات الحوكمة تمنحهم حقوق تصويت وحصة من الرسوم، لكنها تفترض مشاركة نشطة للاستفادة منها. الحاملو السلبيون الذين لا يصوّتون يتعرضون فعليًا لتآكل في القوة النسبية أمام المشاركين النشطين. الصورة هنا تشبه امتلاك توكنات حوكمة في بروتوكول DeFi: العائد الاقتصادي موجود، لكنه مشروط بالانخراط الفعلي.

Also Read: https://yellow.com/news/solana-etf-bitwise-filing

المقايضة الحقيقية بين الأداء وقابلية التحقّق

أي قراءة واقعية للذكاء الاصطناعي اللامركزي لا بد أن تتناول بوضوح نقاط القصور الحالية. جوهر التوتر بسيط: كلما زادت قابلية التحقق من مخرجات الذكاء الاصطناعي، تراجع الأداء وارتفعت التكاليف.

واجهات برمجة التطبيقات المركزية مثل GPT-5 من OpenAI تقدم إجابات الاستدلال عادة في نحو 500 ملي ثانية للاستعلام المعتاد. في المقابل، الاستدلال مع تحقق كامل عبر البرهان الصفري المعرفة (Zero-Knowledge) لنموذج بالحجم نفسه يستغرق – كما هو الحال في 2026 – بين 30 ثانية وعدة دقائق، تبعًا للعتاد ونظام التحقق المستخدم. بالنسبة للتطبيقات الحساسة للزمن مثل الإشارات الفورية للتداول، أو الإشراف على المحتوى في الوقت الفعلي، أو روبوتات المحادثة التفاعلية، يظل هذا الفارق في زمن الاستجابة عائقًا حقيقيًا.

مقاربة «التنفيذ المتفائل» (Optimistic Execution) تقرّب الفجوة كثيرًا. في الاستدلال المتفائل، زمن الاستجابة الأولي يكاد يطابق أداء الأنظمة المركزية. لكن الثمن هو تأخير في «النهائية» (Finality): إذ يتعين على التطبيقات انتظار انقضاء نافذة الطعن قبل اعتبار النتيجة نهائية لا رجعة فيها. في أغلب استخدامات Web3، يُعدّ تأخير من بضع دقائق أمرًا مقبولًا، لكن بالنسبة للتطبيقات الفورية فهو غير عملي.

على مستوى التكلفة، المقارنة أكثر ميلًا لصالح النماذج اللامركزية. مزوّدو الـ APIs المركزيون يفرضون عادة سعراً مرتفعاً للوصول إلى النماذج المتقدمة مستفيدين من قوة تسعير شبه احتكارية. في المقابل، سوق استدلال تنافسية يتزاحم فيها مزوّدو الخدمة على تنفيذ الاستعلامات تدفع الأسعار تدريجيًا نحو تكلفة الهامش. البيانات الأولية من أسواق الاستدلال مثل عروض الحوسبة للذكاء الاصطناعي عبر Akash Network تشير إلى أن تشغيل نماذج لا تتطلب قمة القدرات التقنية على وحدات GPU «مُسلَّعة» عبر أسواق لا مركزية يمكن أن يكون أقل تكلفة بنسبة 30–60% من تسعير الـ APIs المركزية المماثلة.

الخلاصة الموضوعية: شبكات الذكاء الاصطناعي اللامركزية جاهزة للإنتاج اليوم في التطبيقات التي تتحمل تأخيرًا نسبيًا في الاستجابة، أو تضع الخصوصية في الصدارة، أو تحتاج إلى مقاومة الرقابة والتوقف القسري. لكنها لا تزال في طور اللحاق بالأنظمة المركزية في التطبيقات الفورية التي تتطلب قدرات نموذج في الطليعة، حيث احتفظت المنصات المغلقة بأفضلية واضحة. مسار تطور عتاد توليد البراهين وتقنيات zkML يوحي بأن الفجوة ستواصل التضييق، لكنها لن تنغلق بالكامل في الأمد القريب.

Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

خاتمة

شبكات الذكاء الاصطناعي اللامركزية لا تستهدف منافسة عنقود وحدات GPU الذي يدرّب النماذج الأحدث في العالم.

ما تبنيه هذه الشبكات هو طبقة اقتصادية وقانونية فوق عملية تطوير الذكاء الاصطناعي، تجعل المساهمة التطوعية قرارًا عقلانيًا، والملكية المفتوحة قابلة للإنفاذ، وإيرادات الاستدلال قابلة للتدقيق. البلوكتشين في هذا السياق يعمل كسجل ملكية وطبقة تسوية، لا كحوسبة فائقة.

الارتفاع القوي في توكن Sentient خلال يوليو 2026 يعكس سوقًا بدأ يسعّر فكرة مفادها أن تطوير الذكاء الاصطناعي المفتوح يحتاج إلى نموذج اقتصادي قابل للحياة جنبًا إلى جنب مع المنافسين المغلقين ذوي التمويل الضخم. الآليات الأساسية – من بصمات النماذج على السلسلة، وأسواق الاستدلال مع تحقق تشفيري، إلى التدريب الموحّد مع الخصوصية التفاضلية – لم تعد نظريات على الورق؛ بل تعمل فعليًا في شبكات إنتاجية تدفع للمساهمين الآن.