شبكة ألّورا تشرح كيف تكتسب نماذج الذكاء الاصطناعي الثقة على السلسلة

يفترض معظم الناس أن أذكى نموذج ذكاء اصطناعي هو ذلك الذي يعمل على أكبر مزارع خوادم. OpenAI وGoogle DeepMind وAnthropic كلها تشغّل خطوط استدلال مركزية، حيث يقدّم نموذج واحد إجابة واحدة.

أنت تثق بتلك الإجابة لأن الشركة التي تقف وراءها تطلب منك ذلك.

لا يوجد شيء خارج هذا النظام يتحقق مما إذا كانت الإجابة صحيحة فعلاً.

يقلب الاستدلال اللامركزي للذكاء الاصطناعي هذه المنطق رأساً على عقب. فبدلاً من الاعتماد على نموذج واحد، يقدّم عدد من النماذج المتنافسة في شبكة إجاباتها، وتُوزَن كل إجابة وفقاً للسجلّ التاريخي لأدائها، ليتم تصنيفها ودمجها في ناتج نهائي يتفوق بصورة منهجية على أي مساهم منفرد.

هذه الفكرة تكتسب زخماً حقيقياً. ارتفع Allora (ALLO) بنسبة 197% خلال آخر 24 ساعة، بينما يتسابق كل من Bittensor (TAO) وNEAR Protocol (NEAR) لبناء طبقات استدلال خاصة بهما للذكاء الاصطناعي.

الخلاصة السريعة (TL;DR)

• يستخدم الاستدلال اللامركزي شبكة من نماذج متنافسة تُجمَّع مخرجاتها وتُوزَن بحسب الدقة التاريخية، ما ينتج تنبؤات أكثر موثوقية من أي نموذج منفرد.
• يعتمد استدلال السحابة على نموذج واحد، وبيانات تدريب واحدة، وزمن تشغيل مقدم خدمة واحد. الشبكات اللامركزية تزيل نقاط الفشل الأحادية الثلاثة دفعة واحدة.
• بالنسبة لمتداولي العملات المشفرة وبروتوكولات DeFi، يعني الاستدلال على السلسلة أن توقّعات الأسعار ودرجات المخاطر وإشارات السوق يمكن توليدها دون الاعتماد على أوراكل مركزي أو مزوّد ذكاء اصطناعي واحد.

ماذا يعني الاستدلال في الذكاء الاصطناعي فعلياً؟

قبل أن نقارن الأنظمة المركزية باللامركزية جنباً إلى جنب، يجدر بنا أن نكون دقيقين بشأن مصطلح واحد: «الاستدلال».

في تعلّم الآلة، يشير الاستدلال إلى المرحلة التي يأخذ فيها النموذج المدرَّب مدخلات جديدة ويُنتِج مخرجات. التدريب هو العمل البطيء والمكلف لتعليم النموذج. الاستدلال هو العمل السريع المتكرر المتمثل في طرح الأسئلة عليه.

عندما تكتب مطالبة (Prompt) في ChatGPT، أنت لا تقوم بتدريب أي شيء.

بل تشغّل استدلالاً على نموذج جرى تدريبه قبل أشهر.

ينطبق الشيء نفسه على كل أدوات توقّع الأسعار المعتمدة على الذكاء الاصطناعي، ومحركات تقييم المخاطر، وأوراكل العقود الذكية. كلها أنظمة استدلال، والسؤال الحقيقي هو: من يسيطر عليها؟

في الإعداد المركزي، تشغّل شركة واحدة نموذجاً واحداً على خوادمها الخاصة. هي التي تقرر متى تعيد تدريبه، وعلى أي بيانات يتعلم، وما إذا كانت الخدمة ستظل متاحة من الأساس. كل استدعاء تقوم به يمر عبر بنيتها التحتية، وكل إجابة تعود إلى مصدر واحد.

الاستدلال هو المرحلة التي تتعامل مع المستخدمين في كل ثانية من كل يوم. التدريب حدث يحدث لمرة واحدة. التحكم في الاستدلال يعني التحكم فيما يقوله الذكاء الاصطناعي للعالم، وليس فقط فيما تعلّمه.

توزّع شبكات الاستدلال اللامركزية ذلك التحكم. تقوم عدّة عُقد مستقلة، يملك كل منها نماذجه الخاصة، بتقديم إجابات على الاستعلام نفسه. بعد ذلك يقوم طبقة بروتوكول بتجميع هذه الإجابات، وموازنتها وفق الأداء التاريخي، ثم تعيد نتيجة مركبة. لا تحدّد أي عُقدة منفردة المخرج النهائي.

اطلع أيضاً: Strategy Moves 411 Bitcoin To Coinbase, Sale Fears Mount Again

كيف ينتج التجميع إجابات أفضل من أي نموذج منفرد؟

ميزة الدقة في الاستدلال اللامركزي ليست بديهية، لكن الرياضيات التي تقف وراءها راسخة جيداً. فهي تستند إلى مفهوم يُسمى التعلّم بالتجميع (Ensemble Learning)، الذي يُعد تقنية أساسية في أبحاث تعلّم الآلة منذ تسعينيات القرن الماضي.

الفكرة الأساسية أن النماذج المستقلة تفشل بطرق مختلفة. قد يكون نموذج ما مفرط التكيّف (Overfit) على بيانات حديثة فيفشل في التقاط الأنماط الهيكلية. وقد يكون آخر مدرَّباً على مجموعة أوسع من البيانات لكن تنقصه الحداثة. وثالث قد يؤدي أداءً سيئاً في فترات تقلبات حادة لكنه يتفوّق في الأسواق المستقرة. عندما تُعدّل أو تُوزَن مخرجات النماذج الثلاثة معاً، تُلغى الأخطاء الخاصة بكل نموذج، بينما يُضخَّم الإشارة المشتركة.

تطبّق Allora هذا المفهوم كسوق توقّعات ذاتي التحسين. كل مشارك في الشبكة، ويُسمى عُقدة عاملة (Worker Node)، يقدّم تنبؤاً مع درجة ثقة. تقوم الشبكة بتتبّع الدقة التاريخية لكل عُقدة لكل نوع من الاستعلامات. العُقدة التي كانت مصيبة باستمرار في توقّعات أسعار Bitcoin (BTC) القصيرة الأجل تحصل على وزن أعلى عندما يصل استعلام BTC التالي. العُقدة التي كانت مخطئة باستمرار تحصل على وزن أقل، فتخسر النفوذ ومكافآت التوكن.

هذا يخلق حلقة تغذية راجعة مستمرة. لدى العاملين حافز مالي لتحسين نماذجهم لأن دقة أفضل تعني مكافآت أعلى. كما يتحسن الناتج الإجمالي للشبكة مع الوقت لأن المساهمين منخفضي الجودة يُستبعَدون اقتصادياً.

اطلع أيضاً: Venice Token Loses $15 Support While Large Whales Refuse To Step In

أين ينهار الاستدلال السحابي المركزي؟

لفهم جاذبية الاستدلال اللامركزي، من المفيد رسم أنماط الفشل المحددة في البديل السحابي. هذه ليست مخاطر نظرية؛ بل مشكلات موثّقة ومتكررة.

الأولى هي هشاشة النموذج الواحد. فدقة النموذج المركزي مرتبطة بالبيانات التي دُرِّب عليها. عندما تتغيّر ظروف السوق، أو تظهر مدخلات عدائية، أو تقع أحداث «بجعة سوداء»، يتدهور أداء هذا النموذج. لا يوجد ضغط تصحيحي من نماذج منافسة لأنه لا توجد نماذج منافسة أصلاً.

الثانية هي التحديثات التي يتحكم بها المزوّد. عندما تعيد OpenAI أو Google تدريب أو تحديث نموذج، ليس للمستخدمين رأي في ما إذا كان الإصدار الجديد أفضل لحالتهم الخاصة. قد تنهار استراتيجية تداول مبنية على مخرجات GPT-4 بين ليلة وضحاها عند ترقية النموذج بصمت.

الثالثة هي الاعتمادية على زمن التشغيل. واجهات برمجة تطبيقات الاستدلال المركزية تتوقف عن العمل أحياناً. أظهر انقطاع ChatGPT في نوفمبر 2022 والاضطرابات اللاحقة أن نقطة الفشل الأحادية في طبقة الاستدلال تمتد آثارها إلى كل تطبيق مبني فوقها.

الرابعة هي غموض مصادر البيانات. عندما ينتج نموذج مركزي مخرجاً، لا يوجد سجل قابل للتحقق على السلسلة يوضح بيانات التدريب التي أفضت إلى ذلك المخرج. في التطبيقات المالية التي تُعد فيها أصالة النموذج مهمة، يخلق هذا مشكلات خطيرة في الامتثال والثقة.

يطلب منك الاستدلال السحابي المركزي أن تثق بشركة. يطلب منك الاستدلال اللامركزي أن تتحقق من سجل أداء. في التطبيقات المالية، تتفوّق إمكانية التحقق باستمرار على الثقة المؤسسية.

تعالج شبكات الاستدلال اللامركزية هذه المشكلات الأربع بنيوياً. تعدد النماذج يعني أن فشل نموذج واحد لا يهيمن. الوزن على السلسلة يجعل التحديثات شفافة وقائمة على الأداء. العُقد الموزّعة تعني عدم وجود اعتماد على زمن تشغيل جهة واحدة. السجلات غير القابلة للتغيير تجعل مصدر البيانات قابلاً للتدقيق.

اطلع أيضاً: VanEck Delivers First Spot BNB ETF To U.S. Investors On Nasdaq

أبرز شبكات الاستدلال اللامركزي اليوم

هناك ثلاث شبكات تحدّد حالياً كيفية تطبيق هذه البنية عملياً، ولكل منها مقاربة مختلفة بشكل ملحوظ.

Allora هي الأكثر تركيزاً صراحةً على دقة التنبؤ كمؤشر أساسي. صُمِّمت بنيتها حول حالات استخدام من صميم عالم الكريبتو مثل توقّع أسعار الأصول وتقييم مخاطر DeFi. يشغّل البروتوكول «جدارة مستمرة»، حيث تُرتَّب العُقد وفق دقة التنبؤ عبر نافذة تاريخية متجددة، وتنساب المكافآت بما يتناسب مع الترتيب. تدعم الشبكة حالياً عدة «مواضيع»، يمثل كل منها مهمة استدلال مميزة مثل توقّع سعر BTC على مدى 24 ساعة أو تقييم تقلب Ethereum (ETH). ويتخصّص العاملون في المواضيع التي تؤدي نماذجهم فيها بصورة أفضل.

يتبنّى Bittensor مقاربة أوسع. فهو يعمل كسوق لأي مهمة تعلّم آلي، وليس فقط الاستدلال المالي. يمكن أن تستضيف الشبكات الفرعية ضمن Bittensor مهام توليد النصوص، وتوليد الصور، أو فهرسة البيانات، ولكل منها منطق مكافآتها الخاص. المقابل هو أن عمومية Bittensor تجعل من الأصعب تحسين الدقة التي تتطلّبها مهام الاستدلال المالي.

يتعامل NEAR Protocol مع استدلال الذكاء الاصطناعي من نقطة دخول مختلفة. تطوّر NEAR AI طبقة استدلال مفتوحة المصدر تعطي الأولوية لسيادة المستخدم على بياناته، أي أن النموذج لا يحتفظ أو يحقق أرباحاً من المدخلات التي ترسلها. تركيز NEAR أقل على تجميع التنبؤات وأكثر على الوصول الخاص واللامسموح به إلى نماذج قوية. وهذا يتقاطع مع المنظور الذي تستكشفه Venice Token، حيث القيمة الأساسية هي أن استعلاماتك لا تغادر أبداً حيزاً موثوقاً.

كل شبكة تحل مشكلة حقيقية، لكنها ليست متكافئة. Allora تحسّن الدقة من خلال المنافسة. Bittensor يحسّن الاتساع عبر التخصّص. NEAR وVenice يحسّنان الخصوصية من خلال البنية. بالنسبة للمتداولين وبروتوكولات DeFi التي تحتاج إلى إشارات سوق دقيقة، يُعد نموذج التجميع التنافسي في Allora الأكثر ارتباطاً بشكل مباشر.

اطلع أيضاً: Claude Opus 4.8 Tops Gemini And GPT On Multiple Coding Tests

كيف يرتبط الاستدلال على السلسلة ببروتوكولات DeFi؟

التطبيق العملي الأهم لهذه الشريحة من القرّاء هو كيفية تكامل الاستدلال اللامركزي مع DeFi. نقطة الاتصال هنا هي الأوراكل، وهو الآلية التي يحصل من خلالها العقد الذكي على بيانات من العالم الحقيقي.

تجمع أوراكل DeFi التقليدية مثل Chainlink أسعار الأصول من البورصات وتقدّم قيمة وسيطة (Median) على السلسلة. هي موثوقة للأسعار الفورية، لكنها غير مصمّمة لتقديم تنبؤات مستقبلية، أو توزيعات احتمالية، أو تقييمات مخاطر مولَّدة بواسطة نماذج. فهي تجيب عن سؤال «ما السعر الآن؟» لكنها لا تجيب عن «ما احتمال تحرّك هذا الأصل بأكثر من 10% في الساعة القادمة؟».

يمكن لشبكات الاستدلال اللامركزية الإجابة عن الفئة الثانية من الأسئلة. فبروتوكول إقراض DeFi يمكنه استدعاء أوراكل مدعومة باستدلال لامركزي للحصول على توقعات متقدمة للمخاطر والحركة السعرية، بدلاً من الاكتفاء بسعر لحظي واحد. نقطة استدلال Allora للحصول على تقدير فوري للتقلب قبل تحديد عتبة التصفية. يمكن لمنصّة مشتقات لامركزية أن تستخدم توقعات التقلبات الضمنية المجمّعة لتسعير الخيارات من دون الاعتماد على نموذج مركزي لمنحنى التقلبات. يمكن لمُحسِّن العوائد أن يوجّه رأس المال بناءً على العائد السنوي المتوقع (APY) عبر البروتوكولات بدلاً من الاعتماد على العائد السنوي التاريخي المُلاحظ.

يتطلّب التكامل أن تكون شبكة الاستدلال دقيقة وسريعة في آنٍ واحد. تنشر شبكة Allora استدلالات جديدة على أساس كل كتلة للمواضيع النشطة، ما يجعلها متوافقة مع وتيرة المعاملات في معظم بروتوكولات DeFi. يتم توقيع المخرجات تشفيرياً من قِبل العقد المساهمة وطبقة التجميع، ما يعني أن العقد الذكي يمكنه التحقق من أن الاستدلال المعطى جاء من الشبكة الحية وليس من تغذية مزيفة.

تزيل هذه البنية أيضاً مخاطرة مركزية ذات شأن من DeFi. تعتمد العديد من بروتوكولات DeFi الحالية على نماذج ذكاء اصطناعي من مزوّد واحد لتحديث معايير المخاطر. إذا تعطّل واجهة برمجة التطبيقات لذلك المزوّد أو تدهور أداء النموذج، فسيكون البروتوكول أشبه بالطيران من دون أجهزة. استبدال ذلك بنقطة استدلال لامركزية يوزّع المخاطر عبر عشرات المساهمين المستقلّين.

Also Read: XRP Rebound Loses Its Grip, Putting The $1.30 Level Back In Doubt

القيود الحقيقية التي يجب أن تعرفها

الاستدلال اللامركزي ليس ترقية مجانية مقارنة بالذكاء الاصطناعي السحابي. هناك مقايضات حقيقية تهم أي شخص يبني على هذه الشبكات أو يستثمر فيها.

زمن الاستجابة (Latency) هو الأكثر وضوحاً. تجميع الردود من عشرات العقد يفرض تكلفة تنسيق إضافية. في حالات الاستخدام التي تتطلّب استدلالاً بزمن استجابة أقل من ثانية واحدة، يكون وقت الرحلة ذهاباً وإياباً في شبكة لامركزية حالياً أبطأ من الاتصال المباشر بواجهة برمجة تطبيقات مركزية. تعمل Allora وشبكات مماثلة بنشاط على معالجة هذا الأمر، لكنها لم تصل بعد إلى سرعة استدعاء واجهة GPT.

سقوف جودة النماذج هي قيد حقيقي. المجمّع لا يمكن أن يكون أفضل من أفضل النماذج في الشبكة. إذا كانت جميع العُمّال المشاركين يستخدمون هياكل متشابهة مدرَّبة على بيانات متشابهة، فإن فائدة التنوّع تتقلّص جزئياً. تعالج Allora ذلك بالسماح لأي مشارك حول العالم بالمساهمة، ما يخلق تنوّعاً حقيقياً في النماذج. لكن جودة الشبكة تظل دالة على مَن ينضم إليها ولماذا يتم تحفيزه للقيام بذلك.

مقاومة هجمات Sybil تحدٍّ مستمر. يمكن لجهة خبيثة تسجيل العديد من هويات العقد وإرسال توقعات مترابطة للتلاعب بالمجموع المُوزن. تتطلّب الشبكات المصمّمة جيداً ضمانات مرهونة يتم اقتطاعها (slashing) عند الأداء الضعيف، ما يجعل هجمات Sybil واسعة النطاق غير مجدية اقتصادياً. لكن تصميم الآلية يجب أن يكون صحيحاً، وهو يختلف من شبكة لأخرى.

حداثة البيانات تهمّ بشكل خاص في الاستدلال المالي. النموذج الذي يكون دقيقاً على بيانات تدريب منذ ستة أشهر قد يكون ضعيف المعايرة بالنسبة لبنية السوق الحالية على المستوى المجهري. تساعد عملية إعادة ترتيب (reranking) العقد باستمرار بناءً على الأداء الحديث، لكنها لا يمكن أن تكون بديلاً كاملاً عن إعادة تدريب متكرّر للنماذج، وهو ما يبقى عملية خارج السلسلة.

هذه القيود مشاكل هندسية لها خرائط طريق تطوير نشطة، وليست إخفاقات بنيوية جوهرية. لكن أي شخص يتعامل مع الاستدلال اللامركزي بوصفه مشكلة محلولة في عام 2026 يسبق الواقع الفعلي للتقنية.

Also Read: Bitcoin Slides Toward $75K As Wall Street Rewards Miners For Leaving Crypto Behind

من المستفيد فعلياً من الاستدلال اللامركزي الآن

التكنولوجيا في مرحلة تخدم فيها بعض فئات المستخدمين جيداً، بينما ينبغي على فئات أخرى الانتظار.

مطورو بروتوكولات DeFi هم المستفيدون الأوضح اليوم. إذا كنت تبني منتج إقراض أو مشتقات أو عوائد وتعتمد حالياً على نموذج مخاطر مركزي يعتمد على الذكاء الاصطناعي، فإن استبداله بنقطة استدلال على السلسلة يُعدّ تحسّناً ذا مغزى في اللامركزية. تعقيد التكامل قابل للإدارة، وفائدة الأمان حقيقية.

متداولو الكريبتو الكميّون الذين يملكون بنية تحتية خاصة بهم يمكنهم الاستفادة من مخرجات الاستدلال المنشورة من Allora كطبقة إشارة إضافية. التوقعات ليست مصدراً كافياً للعائد المتفوق (alpha) بمفردها، لكنها تمثّل مصدراً مستقلاً للبيانات مع سجل دقيق يمكن التحقق منه. مثل هذا الأصل الشفّاف صعب المنال من أي مزوّد مركزي.

باحثو ومطورو الذكاء الاصطناعي الذين يرغبون في تحقيق الدخل من النماذج من دون الاعتماد على سوق مركزي سيجدون أن أنظمة عُقد العمّال لدى Bittensor وAllora جذّابة. الحافز المالي لتشغيل عقدة استدلال عالية الجودة أصبح ذا شأن بالفعل عند أسعار التوكن الحالية.

المستثمرون الأفراد الذين يشترون ALLO أو TAO لمجرّد التعرّض السعري يراهنون على تبنّي طبقة البنية التحتية هذه، وهو رهان مشروع لكنه يحمل مخاطر اعتيادية لبنية تحتية كريبتو في مراحلها المبكرة: أفق زمني طويل، مخاطرة كبيرة في التنفيذ التقني، وتهديدات تنافسية من الشركات المركزية القائمة في الذكاء الاصطناعي ومن شبكات لامركزية أخرى.

مستخدمو DeFi الذين يتفاعلون مع البروتوكولات فقط من الواجهة الأمامية سيستفيدون بشكل غير مباشر، وغالباً غير مرئي. إذا تحوّلت البروتوكولات التي يستخدمونها إلى الاستدلال اللامركزي لتحديث معايير المخاطر، فسيحصل هؤلاء المستخدمون على إدارة مخاطر أفضل من دون الحاجة إلى فهم البنية التحتية الأساسية.

Also Read: Rain Surges 23% In A Day As It Storms Into Top Prediction Markets

الخلاصة

حُجّة الاستدلال اللامركزي للذكاء الاصطناعي ليست أيديولوجية بالأساس، بل هي بنيوية.

عندما يحتاج بروتوكول مالي إلى توقع، ما يهم هو دقة ذلك التوقع وموثوقيته، لا اسم الشركة التي صادف أن تنتجه. تجميع النماذج المتنافسة في مجموعة (ensemble) مُوزنة حسب الأداء التاريخي المتحقّق هو ببساطة بنية أكثر متانة من الثقة بأي مزوّد واحد. هذه دعوى إحصائية، لا سياسية.

التوقيت مهم أيضاً. الحركة الحادّة لتوكن Allora خلال الساعات الأربع والعشرين الماضية تعكس إدراكاً حقيقياً من السوق بأن بنية استدلال الذكاء الاصطناعي آخذة في التحوّل إلى طبقة حاسمة لـ DeFi. تقوم Bittensor وNEAR ببناء قدرات متجاورة تنطلق من نقاط بداية مختلفة.

السباق لم ينته بعد، والبنية الرابحة لم تُحسَم.

ما هو محسوم هو الآتي: النموذج المركزي، حيث تتحكّم شركة واحدة بما يقوله الذكاء الاصطناعي ولا يملك المستخدمون طريقة للتحقّق منه، أقل ملاءمة بكثير للتطبيقات الأصلية على البلوكشين من البديل اللامركزي.

مع نضوج بروتوكولات DeFi وازدياد طلبها على أدوات مخاطر أفضل، تُوضَع شبكات الاستدلال على السلسلة في موقع يسمح لها بأن تصبح المعيار لا التجربة المؤقتة.

تُبنى هذه البنية التحتية الآن، وما زالت النافذة مفتوحة لفهمها قبل أن تصبح سائدة.

Read Next: Bitcoin Whales Trim Holdings In Pattern Echoing 67% Crash Of 2022