شرح عملات Bittensor و Fetch.ai و Render Token: نظرة معمقة في فائدة العملات المشفّرة المرتبطة بالذكاء الاصطناعي

انسَ عملات المزاح ودورات الضخّ والتفريغ؛ فعملات الفائدة المرتبطة بالذكاء الاصطناعي هي جيل جديد من العملات المشفّرة التي تُحدث ضجّة، وهذه المرة لديها فائدة فعلية.

هذه المشاريع تبني بهدوء جسرًا بين البلوكشين وبين الآلات الحاسوبية الضخمة التي تشغّل أنظمة الذكاء الاصطناعي. ومع اندفاع الذكاء الاصطناعي إلى كل شيء من كتابة النصوص إلى تصميم الجزيئات، تتطوّر هذه التوكنات بالتوازي معه، منتقلةً من كونها مجرد رقائق مضاربة على طاولة كازينو إلى أدوات حقيقية تُبقي الشبكات اللامركزية تعمل بكفاءة.

ثلاثة مشاريع تقف في طليعة هذا التحوّل: Bittensor (TAO)، Fetch.ai (FET)، وRender Token (RNDR).

Bittensor operates a decentralized machine learning network حيث يدرّب المساهمون نماذج الذكاء الاصطناعي بشكل تعاوني ويحصلون على مكافآت. توظّف Fetch.ai عوامل اقتصادية ذاتية التشغيل تنفّذ مهام عبر سلاسل الإمداد وأسواق الطاقة والتمويل اللامركزي. بينما يحوّل Render Network القدرة الحاسوبية الفائضة لوحدات معالجة الرسوميات إلى peer-to-peer marketplace لرندرة الرسوم ثلاثية الأبعاد والمؤثرات البصرية والاستدلال بالذكاء الاصطناعي.

تمثّل هذه التوكنات أكثر من مجرد تحسين تدريجي.

إنها تشير إلى احتمال حدوث تحوّل معماري في عالم الكريبتو من سرديات «الذهب الرقمي» القائمة على الندرة وخصائص حفظ القيمة، إلى منظومات قائمة على الفائدة حيث تعمل التوكنات كطبقة تنسيق حقيقية للعمل الحسابي.

في حين رسّخت البيتكوين (BTC) والإيثريوم (ETH) مكانتهما عبر سرديات نقدية ومنصّاتية، تقترح عملات فائدة الذكاء الاصطناعي أطروحة قيمة مختلفة: التوكنات كمفاتيح وصول إلى بنية تحتية لامركزية، وقنوات دفع لاقتصادات آلة–إلى–آلة، وآليات مكافأة للموارد الحسابية.

في هذا التحليل نتعمّق في أسباب تصدّر هذه التوكنات للمشهد الآن، ونحلّل نماذج فائدتها واقتصادياتها، ونقيّم ديناميكيات المنافسة ومخاطر السرديات، ونستكشف أطر التقييم، ونتناول الآثار الأوسع لكيفية تطوّر عملات الفائدة مقارنةً بأصول حفظ القيمة الراسخة.

لماذا عملات الفائدة، ولماذا الآن؟

تقاطع تسارع تطوير الذكاء الاصطناعي مع بنية البلوكشين التحتية خلق ظروفًا مواتية لاعتماد عملات الفائدة. هناك عدة محرّكات كليّة تفسّر الزخم الحالي.

أولًا، الطلب على القدرة الحسابية للذكاء الاصطناعي انفجر.

تدريب النماذج اللغوية المتقدّمة وتوليد الوسائط الاصطناعية يتطلب موارد هائلة من وحدات معالجة الرسوميات، ما يخلق اختناقات في البنى التحتية السحابية المركزية. مقدّمو الخدمات التقليديون مثل AWS وGoogle Cloud واجهوا صعوبة في تلبية الطلب، مع معدلات استخدام لمراكز البيانات في حدود 12–18% في المتوسط بينما تستمر أزمة نقص وحدات معالجة الرسوميات. هذا الخلل بين العرض والطلب دفع تكاليف الحوسبة إلى الأعلى، ما جعل البدائل اللامركزية مجدية اقتصاديًا.

ثانيًا، ركّزت دورات الكريبتو السابقة أساسًا على بروتوكولات التمويل اللامركزي وسرديات حفظ القيمة. لكن بحلول 2024–2025، infrastructure and compute emerged كموضوع مهيمن.

The total crypto market cap crossed $4 trillion in 2025, and within that growth, AI-crypto projects captured significant investor attention.

المشاريع التي تقدّم بنية تحتية ملموسة بدلًا من منتجات مالية بحتة بدأت تكتسب زخمًا مع نضوج السوق.

ثالثًا، يوفّر الترميز (Tokenization) مزايا فريدة لتنسيق الموارد الموزّعة.

يمكن للشبكات اللامركزية لوحدات معالجة الرسوميات مثل Render أن تجمّع القدرة الحاسوبية الفائضة على مستوى العالم، ما يتيح cost savings of up to 90% مقارنةً بالبدائل المركزية. تؤدّي التوكنات دور طبقة التنسيق الاقتصادي: يدفع المبدعون ثمن خدمات الرندرة عبر RNDR، ويحصل مشغّلو العقد على مكافآت مقابل توفير قدرة GPU، بينما يحافظ البروتوكول على الشفافية عبر معاملات البلوكشين.

نموذج الفائدة هذا يختلف جذريًا عن عملات حفظ القيمة. تقوم أطروحة قيمة البيتكوين على fixed supply scarcity وتموضعها كذهب رقمي. تضيف الإيثريوم قابلية البرمجة، لكنها لا تزال تستمد جزءًا كبيرًا من قيمتها من كونها طبقة تسوية وطبقة لإصدار الأصول. على النقيض، تستمد عملات الفائدة مثل TAO وFET وRNDR قيمتها من استخدام الشبكة: المزيد من النماذج التي تُدرَّب على Bittensor، والمزيد من العوامل الذاتية المنتشرة على Fetch.ai، والمزيد من مهام الرندرة المنفّذة على Render Network، يفترض نظريًا أن تترجم إلى طلب أكبر على التوكن.

هذا التحوّل نحو الفائدة ليس مجرد سردية تسويقية. Render Network processes rendering jobs لاستوديوهات كبرى باستخدام عقد لامركزية. أظهرت Fetch.ai تطبيقات في العالم الحقيقي، بما في ذلك autonomous parking coordination in Cambridge وأنظمة تداول الطاقة. تتضمّن بنية Bittensor من نوع «الشبكات الفرعية» الآن 128 active subnets تركز على مجالات ذكاء اصطناعي مختلفة، من توليد النصوص إلى طيّ البروتينات.

مع ذلك، تواجه تبنّيات الفائدة تحديات. فمعظم التوكنات لا تزال تُتداول في الغالب على أساس قيمة مضاربية وليس على أساس أساسيات الاستخدام. سرعة دوران التوكن (Token velocity) – أي مدى سرعة انتقال التوكنات بين الأيدي – يمكن أن تقوّض استقرار الأسعار إذا كان المستخدمون يحوّلون المكافآت فورًا إلى أصول أخرى. يصبح السؤال ما إذا كانت هذه البروتوكولات قادرة على توليد استخدام كافٍ لدعم تقييماتها، أم أنها ستبقى أصولًا مدفوعة بالسرديات ومعرّضة لدورات الضجّة.

التوكن الأول: نظرة معمّقة على Bittensor (TAO)

ما هي Bittensor؟

Bittensor is an open-source protocol يشغّل شبكة تعلّم آلي لامركزية. على عكس تطوير الذكاء الاصطناعي التقليدي المتمركز في مختبرات عمالقة التقنية، تنشئ Bittensor سوقًا من نظير إلى نظير يقدّم فيه المطوّرون نماذج تعلّم آلي، ويقيّم المصدّقون (Validators) جودتها، ويحصل المساهمون على مكافآت بناءً على القيمة المعلوماتية التي يضيفونها إلى الذكاء الجماعي للشبكة.

تأسّس البروتوكول على يد Jacob Steeves وAla Shaabana، وهما باحثان في علوم الحاسوب أطلقا الشبكة بهدف ديمقراطية تطوير الذكاء الاصطناعي. الرؤية طموحة: إنشاء سوق للذكاء الاصطناعي يتفاعل فيه المنتجون والمستهلكون في سياق شفاف وغير موثوق به (Trustless) دون حرّاس مركزيين.

الفائدة وآلية العمل

يؤدي توكن TAO عدة وظائف داخل المنظومة. في جوهره، TAO grants access to the network's collective intelligence. يحصل المستخدمون على المعلومات من النماذج المدرّبة مقابل الدفع بـ TAO، بينما يكسب المساهمون الذين يضيفون قيمة إلى الشبكة حصصًا أكبر. هذا يخلق هيكل حوافز يجعل مساهمات النماذج عالية الجودة تحصد مكافآت أعلى.

تعمل الشبكة عبر بنية «الشبكات الفرعية» (Subnets). Each subnet specializes in different AI tasks مثل معالجة اللغة الطبيعية، والتعرف على الصور، وتنبؤ البيانات، وتستخدم منطق تقييم خاصًا بها. تتنافس النماذج داخل كل شبكة فرعية على أساس الدقة والكفاءة. يقوم المصدّقون برهن توكنات TAO لتقييم مخرجات النماذج وضمان عدالة التقييم. يمكن «المرشِّحين» (Nominators) دعم مصدّقين أو شبكات فرعية معيّنة ومشاركة المكافآت، بطريقة تشبه أنظمة إثبات الحصّة المفوَّض (DPoS).

يتيح هذا التصميم المعياري لـ Bittensor التوسّع عبر مجالات ذكاء اصطناعي عديدة في وقت واحد. بدلًا من أن تكون شبكة أحادية، يعمل البروتوكول كبنية تحتية لأسواق ذكاء اصطناعي متخصصة، لكل منها معايير تقييم وتوزيع مكافآت مصمّمة خصيصًا.

اقتصاديات التوكن

تحاكي اقتصاديات توكن Bittensor نموذج الندرة الخاص بالبيتكوين. TAO has a fixed supply of 21 million tokens، مع جدول إصدار يتبع آلية «التنصيف» (Halving). first halving occurred in 2025، ما خفّض الإصدار اليومي من 7200 إلى 3600 توكن. يخلق هذا النظام الانكماشي ندرة في المعروض بطريقة مشابهة لدورات البيتكوين ذات الأربع سنوات.

حاليًا، يوجد approximately 9.6 million TAO tokens are in circulation، أي نحو 46% من إجمالي المعروض. circulating supply will continue growing لكن بمعدل متناقص بسبب التنصيفات، مع توقّع اكتمال التوزيع على مدى عدة عقود.

تتدفّق مكافآت التعدين إلى المساهمين الذين ينجحون في تحسين ذكاء الشبكة. يكسب المصدّقون مكافآت مقابل التقييم الدقيق لمساهمات النماذج. هذا الهيكل الثنائي للمكافآت يحفّز كلاً من تطوير النماذج والحفاظ على سلامة الشبكة.

حالات الاستخدام

تمتد تطبيقات Bittensor عبر عدّة مجالات. يتيح مفهوم Collective learning للمؤسسات الصحية تدريب نماذج على بيانات طبية حساسة دون مشاركة البيانات الخام – وقد تم عرض ذلك في اكتشاف كوفيد-19 من صور أشعّة الصدر بدقة بلغت 90%. كما يمكن للمؤسسات المالية تدريب نماذج كشف الاحتيال بشكل تعاوني مع الحفاظ على سرّية بياناتها الخاصة.

تتيح بنية الشبكات الفرعية خدمات ذكاء اصطناعي متخصصة. تتنافس شبكات فرعية خاصة بتوليد النصوص على إنتاج مخرجات لغوية عالية الجودة. تستفيد أسواق التنبؤ من قدرات الاستدلال في Bittensor. توفّر شبكات مخصّصة لخدمات «التضمين» (Embeddings) معالجة وترميز البيانات لتطبيقات تالية في السلسلة. تعمل كل شبكة فرعية بشكل مستقل، بينما تساهم في الوقت نفسه في المنظومة الكلية للشبكة. سوق الذكاء الاصطناعي الأوسع.

تبنّي المؤسسات لا يزال في مراحله الأولى لكنه يتزايد. أطلقت شركتا Deutsche Digital Assets وSafello أوّل منتج متداول في البورصة (ETP) مدعوم فعليًا لعملة Bittensor على بورصة SIX السويسرية في نوفمبر 2025، ما وفّر للمستثمرين المؤسسيين تعرّضًا منظّمًا لعملة TAO. يشير هذا التطوّر إلى نضوج الاهتمام بما يتجاوز المضاربة من قِبل الأفراد.

المنافسة والنظام البيئي

تتنافس Bittensor في ساحة الذكاء الاصطناعي اللامركزي مع مشاريع مثل SingularityNET (AGIX) وOcean Protocol (OCEAN). تدير SingularityNET سوقًا للذكاء الاصطناعي حيث يمكن للمطورين تحقيق الدخل من الخوارزميات والخدمات. تركز Ocean على أسواق البيانات وتطبيقات الحوسبة على البيانات (compute-to-data). يتعامل كل مشروع مع الذكاء الاصطناعي اللامركزي بطريقة مختلفة: تركّز Bittensor على التدريب التعاوني للنماذج، بينما تركز SingularityNET على أسواق الخدمات، وتعطي Ocean الأولوية لأصول البيانات.

مع ذلك، يأتي التهديد التنافسي الأكبر من عمالقة الذكاء الاصطناعي المركزيين. تمتلك OpenAI وGoogle DeepMind وAnthropic موارد هائلة وبيانات خاصة ومواهب في طليعة المجال. يمكن لهذه الكيانات أن تكرّر تجاربها بسرعة أكبر وأن تنشر نماذج أكثر قدرة مما تحققه البدائل اللامركزية حاليًا. يجب على Bittensor أن تُثبت أن نهجها التعاوني ينتج نماذج قادرة على منافسة البدائل المركزية، ليس فقط من حيث الجاذبية الفلسفية بل من حيث التفوق التقني في حالات استخدام محددة.

وسّعت ترقية عقود WebAssembly (WASM) الذكية للشبكة في عام 2025 من الوظائف المتاحة، مُمكّنة ميزات مثل الإقراض والتداول الآلي لتوكنات الشبكات الفرعية والتطبيقات العابرة للشبكات الفرعية. يهدف هذا التطوّر في البنية التحتية إلى إنشاء اقتصاد رقمي أكثر شمولًا يتجاوز التدريب البحت للنماذج.

مخاطر السرد والاست valuation

تواجه قيمة Bittensor عدة توتّرات. في 12 نوفمبر 2025، تم تداول TAO في نطاق 362–390 دولارًا، مع قيمة سوقية تقارب 3.7–4.1 مليار دولار. وصلت العملة إلى قمم تجاوزت 400 دولار في وقت سابق من 2025 لكنها شهدت تقلبات معتادة لأصول العملات المشفّرة.

يشير المتفائلون إلى عدة محرّكات للنمو.

تخلق آلية التنصيف ضغطًا انكماشيًا، ما قد يدعم ارتفاع السعر إذا ظلّ الطلب مستقرًا. يتوقّع المحللون أهدافًا تتراوح بين 360–500 دولار في 2026 إلى توقعات أكثر جرأة تتجاوز 1,000 دولار بحلول 2027–2030، رغم أن هذه التنبؤات تنطوي على قدر كبير من عدم اليقين.

السؤال الجوهري هو ما إذا كان استخدام الشبكة يبرّر التقييم.

تشير نظرية سرعة دوران التوكن إلى أن توكنات المنفعة المستخدمة أساسًا في المعاملات تواجه صعوبة في الحفاظ على القيمة لأن المستخدمين يحوّلون المكافآت سريعًا إلى أصول أخرى.

تخفف Bittensor من ذلك عبر آلية التخزين (staking)، إذ يجب على المدقّقين قفل عملة TAO للمشاركة في آلية إجماع الشبكة، ما يقلّل المعروض المتداول وسرعة الدوران.

مع ذلك، إذا فشلت Bittensor في جذب أحمال عمل ذات مغزى في مجال الذكاء الاصطناعي تتجاوز نشاط الشبكات الفرعية الحالي، يصبح التوكن ذا طابع مضاربي بالأساس. يجب على البروتوكول أن يثبت أن التدريب اللامركزي للنماذج يوفّر مزايا كافية لإقناع المطوّرين بالانتقال من الأطر الراسخة مثل TensorFlow أو PyTorch المقترنة بحوسبة مركزية.

تشمل المخاطر المنافسة التقنية، وعدم اليقين التنظيمي حول أنظمة الذكاء الاصطناعي، وإمكانية وجود ثغرات أمنية في البروتوكول، وتحدّي الحفاظ على اللامركزية مع توسّع الشبكة. يسلّط الانخفاض الأسبوعي الأخير بنسبة 20٪ الضوء على التقلب المستمر حتى مع نمو الاهتمام المؤسسي الأوسع.

التوكن الثاني: نظرة معمّقة على Fetch.ai (FET)

ما هي Fetch.ai

Fetch.ai هو نظام بيئي قائم على البلوكشين يستفيد من الذكاء الاصطناعي والأتمتة لتمكين الوكلاء الاقتصاديين المستقلين — كيانات رقمية تنفّذ المهام بشكل مستقل نيابة عن المستخدمين أو الأجهزة أو المؤسسات.

تأسّست في 2017 وتم إطلاقها عبر طرح أوّلي على منصة Binance في مارس 2019، وتهدف Fetch.ai إلى ديمقراطية الوصول إلى تقنيات الذكاء الاصطناعي من خلال شبكة لا مركزية.

الميزة المحدّدة للمنصة هي الوكلاء الاقتصاديون المستقلون (AEAs).

هذه كيانات برمجية تعمل بدرجة من الاستقلالية، وتنفّذ مهام مثل تحسين سلاسل الإمداد، وإدارة توزيع الطاقة في الشبكات الذكية، وتنسيق شبكات النقل، وأتمتة التداول في التمويل اللامركزي (DeFi). يكتشف الوكلاء بعضهم البعض ويتفاوضون عبر إطار اقتصادي مفتوح، ما يخلق اقتصادًا آلة-إلى-آلة.

يقود الرئيس التنفيذي همايون شيخ فريقًا يتصور أنظمة قائمة على الذكاء الاصطناعي تكسر احتكار البيانات الذي تملكه شركات التقنية الكبرى. من خلال توزيع قدرات الذكاء الاصطناعي عبر شبكة لا مركزية، تضع Fetch.ai نفسها كبنية تحتية لـ"اقتصاد الوكلاء" — مستقبل تمثّل فيه الوكلاء المستقلون الأفراد والأجهزة في عدد لا يحصى من المعاملات الصغيرة ومهام التنسيق.

فائدة توكن FET

يعمل توكن FET كوسيط التبادل الأساسي في نظام Fetch.ai.

عندما يتصل وكيلان ويتواصلان ويتفاوضان، يدفع أحدهما للآخر مقابل البيانات أو الخدمات باستخدام FET. من المهم أن التوكن يدعم المدفوعات الصغيرة بجزء من السنت، ما يمكّن المعاملات الدقيقة المطلوبة لاقتصاد آلة-إلى-آلة.

لـ FET عدة وظائف محدّدة. فهو يدفع رسوم معاملات الشبكة ونشر خدمات الذكاء الاصطناعي. يدفع المطوّرون الذين يبنون وكلاء مستقلين بالـ FET للوصول إلى أدوات التعلّم الآلي وموارد الحوسبة في الشبكة. يمكن للمستخدمين تخزين FET للمشاركة في تأمين الشبكة عبر آلية إثبات الحصّة (PoS) الخاصة بـ Fetch.ai، وكسب مكافآت مقابل المساهمة في عقد التحقق (validators).

يجب على الوكلاء أيضًا إيداع FET للتسجيل على الشبكة، ما يخلق متطلّب تخزين يمثّل حقّهم في التشغيل. يضمن هذا الإيداع أن يكون لدى الوكلاء مصلحة اقتصادية، ما يقلّل الرسائل العشوائية (spam) ويحفّز المساهمات عالية الجودة.

اقتصاديات التوكن والبنية

يوجد FET في أشكال متعددة عبر سلاسل بلوكشين مختلفة. أُطلق في الأصل كتوكين ERC‑20 على شبكة إيثريوم، ثم قامت Fetch.ai لاحقًا بنشر شبكتها الرئيسية المبنية ضمن نظام Cosmos البيئي. يمكن للمستخدمين العبور بين النسخة الأصلية وصيغة ERC‑20، مع تأثير هذا الاختيار على رسوم المعاملات والتوافق مع أنظمة DeFi المختلفة.

يبلغ الحد الأقصى للعرض نحو مليار توكن FET تقريبًا، رغم أن جداول التوزيع وفترات الاستحقاق تختلف.

يعمل التوكن على كل من إيثريوم (لتوافق ERC‑20) وسلسلة بينانس الذكية (BEP‑20)، مع جسر توكن بنسبة 1:1 يتيح للمستخدمين التبديل بين الشبكات وفق احتياجاتهم.

تُعد Fetch.ai جزءًا من تحالف "الذكاء الاصطناعي الفائق" (Artificial Superintelligence Alliance)، وهو تعاون مع SingularityNET وOcean Protocol أُعلن في 2024. يهدف هذا التحالف إلى إنشاء نظام بيئي موحّد للذكاء الاصطناعي اللامركزي مع قيمة سوقية مجمّعة تستهدف دخول قائمة أعلى 20 عملة مشفّرة.

يمكن لحاملي توكنات AGIX وOCEAN التحويل إلى FET، ما قد يساهم في توحيد السيولة وجهود التطوير عبر المشاريع.

حالات الاستخدام

تمتد تطبيقات Fetch.ai عبر عدة قطاعات. في المدن الذكية، تنسّق الوكلاء مواقف السيارات وحركة المرور. أظهر مشروع تجريبي في كامبريدج أن الوكلاء يستطيعون بشكل مستقل العثور على أماكن لوقوف السيارات، والمزايدة على المساحات، ومعالجة المدفوعات في الوقت الفعلي. يتيح دمج خدمات النقل التشاركي للشبكة إرسال المركبات استنادًا إلى أنماط الطلب.

تمثّل أسواق الطاقة حالة استخدام رئيسية أخرى.

يمكن لأصحاب المنازل المزودة بألواح شمسية على الأسطح نشر وكلاء يتاجرون بالفائض من الطاقة مباشرة مع الجيران، متجاوزين شركات المرافق المركزية. يتفاوض الوكلاء على الأسعار، ويتحققون من المعاملات، ويسوّون المدفوعات باستخدام FET، ما يخلق سوقًا طاقة من نظير إلى نظير.

في مجال الخدمات اللوجستية وسلاسل الإمداد، يقوم الوكلاء بتحسين مسارات النقل، وإدارة المخزون، واختيار شركات الشحن.

يمكن لنشاط تجاري نشر وكيل يكتشف المورّدين عبر الشبكة، ويتفاوض على الشروط، ويقارن الأسعار، ويتحقق من درجات الجودة، ويقدّم الطلبات، وينظّم الشحن، ويتعامل مع المدفوعات — كل ذلك بشكل مستقل استنادًا إلى معايير محدّدة مسبقًا.

يُظهر تمويل DeFi الآلي وعودًا واعدة. يمكن للوكلاء تنفيذ استراتيجيات تداول معقّدة، وتحسين توفير السيولة عبر البروتوكولات، وإدارة مراكز الضمان في أسواق الإقراض. في منتصف 2025، فاز وكيل مدعوم من Fetch.ai في مسابقة هاكاثون بجامعة كاليفورنيا في بيركلي لتنسيق حركة الطيران، مظهرًا قدرات في تخصيص حصص الرحلات الجوية، وإدارة التأخيرات، والتفاوض على مناطق الازدحام بين وكلاء مستقلين يعملون مع بيانات آنية.

أدّت الشراكة مع Interactive Strength (TRNR) إلى إنشاء وكلاء مدرّبين للياقة البدنية أذكياء يحلّلون بيانات الأداء ويقترحون توصيات مخصّصة.التمارين والتفاوض على خطط التدريب مع المستخدمين، ويتم تسوية كل ذلك عبر مدفوعات FET.

المشهد التنافسي والمخاطر

تتنافس Fetch.ai مع بروتوكولات أخرى تركز على الوكلاء مثل Autonolas (OLAS)، والتي تقدّم برنامج مسارع للوكلاء المستقلين. ظهرت بروتوكول Virtuals في أواخر 2024 كمنافس رئيسي، حيث يبني منصة إطلاق لوكلاء الذكاء الاصطناعي على Base وSolana مع نظام بيئي خاص من الوكلاء المرمّزين.

التهديد التنافسي الأوسع يأتي من منصّات الذكاء الاصطناعي المركزية.

تقدّم Google وAmazon وMicrosoft خدمات ذكاء اصطناعي متقدمة عبر منصّات الحوسبة السحابية الخاصة بها من دون أن تتطلّب من المستخدمين حيازة رموز مميّزة خاصة.

لكي تنجح Fetch.ai، يجب أن يقدّم نموذج الوكلاء اللامركزي مزايا واضحة – الحفاظ على الخصوصية، مقاومة الرقابة، التنسيق المباشر من نظير إلى نظير – تبرّر تعقيد إدارة الأصول المشفّرة.

يشكّل الغموض التنظيمي مصدراً للمخاطر. قد تواجه أنظمة الذكاء الاصطناعي التي تعمل بشكل مستقل تدقيقاً بموجب الأنظمة الناشئة. قد يَعتبر النهج القائم على المخاطر في قانون الذكاء الاصطناعي للاتحاد الأوروبي وكلاء Fetch.ai "عاليي المخاطر" عند تشغيلهم في قطاعات مثل الطاقة أو الخدمات اللوجستية، مما يستلزم عمليات تدقيق ورقابة تزيد من التكاليف التشغيلية.

يستمر التشكيك في سردية اقتصاد الوكلاء.

يشكّك المنتقدون فيما إذا كانت الوكلاء المستقلون سيصلون إلى تبنٍّ واسع النطاق أم سيظلون مجرّد فضول تقني متخصّص. إذا فشل اقتصاد الآلة‑إلى‑آلة في التبلور على نطاق واسع، يصبح FET حلاً يبحث عن مشكلة.

في 12 نوفمبر 2025، تم تداول FET في نطاق 0.25–0.30 دولار، بعد أن شهد تقلبات كبيرة طوال العام. حظي الرمز باهتمام عندما أعلنت Interactive Strength عن خطط لإنشاء خزانة عملات مشفّرة بقيمة 500 مليون دولار تتمحور حول FET، مما يشير إلى ثقة مؤسسية في الإمكانات طويلة الأجل للمشروع.

يتوقّع المحلّلون أهداف أسعار عند 6.71 دولار بحلول 2030، رغم أن مثل هذه التوقّعات تنطوي على قدر كبير من عدم اليقين. السؤال الجوهري هو ما إذا كان التنسيق القائم على الوكلاء يقدّم قيمة كافية لتبرير اقتصاديات الرمز، أم أن البدائل المركزية الأبسط ستسود.

تُظهر التطوّرات الأخيرة بوادر واعدة. أطلقت Fetch.ai مسارعاً بقيمة 10 ملايين دولار في أوائل 2025 للاستثمار في الشركات الناشئة التي تبني على بنيتها التحتية. يشير ذلك إلى التزام بنمو النظام البيئي بما يتجاوز التداول المضاربي.

الرمز الثالث: تحليل معمّق لرمز Render (RNDR)

ما هي شبكة Render

شبكة Render هي منصّة لامركزية لمعالجة الرسومات باستخدام وحدات GPU تربط بين المبدعين الذين يحتاجون إلى قدرة حوسبية وبين الأفراد والمؤسسات التي توفّر موارد GPU خاملة. تم ابتكارها في الأصل عام 2009 بواسطة Jules Urbach، الرئيس التنفيذي لشركة OTOY، وأُطلقت للجمهور في أبريل 2020، وتطوّرت Render لتصبح إحدى أبرز شبكات البنية التحتية المادية اللامركزية (DePIN) لأعباء عمل الرسوميات والذكاء الاصطناعي.

تعمل الشبكة كسوق من نظير إلى نظير. يقدّم المبدعون مهام المعالجة الرسومية – رسومات ثلاثية الأبعاد، مؤثّرات بصرية، تصوّرات معمارية، استدلالات ذكاء اصطناعي – إلى الشبكة.

يقوم مشغّلو العُقد الذين لديهم سعة GPU فائضة بالتقاط المهام ومعالجتها مقابل رموز RNDR. تعتمد المنصّة على برنامج OctaneRender الرائد من OTOY، موفّرةً قدرات معالجة احترافية عبر بنية تحتية موزّعة.

تعالج شبكة Render عنق زجاجة أساسياً: فالمعالجة عالية الجودة تتطلّب قدرة هائلة من وحدات GPU، لكن خدمات الحوسبة السحابية المركزية مكلفة وقد تفتقر إلى السعة في فترات الذروة. من خلال تجميع وحدات GPU غير المستغلّة حول العالم، تتيح Render الوصول إلى أدوات معالجة احترافية بجزء من تكاليف الحلول التقليدية.

رمز المنفعة RENDER

رمز RNDR (أصبح الآن RENDER بعد الانتقال إلى Solana) يعمل كـرمز المنفعة الأصلي للشبكة. يدفع المبدعون ثمن خدمات المعالجة باستخدام RENDER، مع تحديد التكاليف وفقاً لقدرة GPU المطلوبة، والمقاسة بوحدة OctaneBench (OBH) – وهي وحدة معيارية طوّرتها OTOY لقياس القدرة على المعالجة.

يكسب مشغّلو العُقد رموز RENDER مقابل إكمال المهام.

تطبّق الشبكة نظام سمعة متدرّج: الفئة 1 (شركاء موثوقون)، الفئة 2 (أولوية) والفئة 3 (اقتصادي). يفرض مشغّلو العُقد من الفئات الأعلى أسعاراً أعلى لكنهم يقدّمون موثوقية مضمونة. تؤثّر درجات سمعة المبدعين على سرعة إسناد المهام – فمَن لديهم سجل قوي يحصلون على الموارد بشكل أسرع.

ترافق رموز RENDER حقوق حوكمة. يَصوّت حاملو الرموز على ترقيات الشبكة، وتغييرات البروتوكول، ومقترحات التمويل عبر منظمة Render DAO. تضمن هذه الحوكمة اللامركزية أن مجتمع المستخدمين هو من يشكّل تطوّر الشبكة، وليس مؤسسة مركزية فقط.

آلية التوازن بين الحرق والسك (Burn-and-Mint Equilibrium) التي تم تنفيذها في يناير 2023 تدير عرض الرمز ديناميكياً. عندما يدفع المبدعون مقابل خدمات المعالجة، يُحرَق 95% من الرموز، أي تُزال من التداول. يتلقّى مشغّلو العُقد رموزاً جديدة تُسك للحفاظ على التوازن الاقتصادي. يجعل هذا التصميم رصيد RENDER محتمل الانكماش مع نمو استخدام الشبكة، إذ يمكن لمعدّل الحرق أن يتجاوز معدّل السك إذا كان الطلب قوياً.

اقتصاديات الرمز (Tokenomics)

انتقل RENDER من Ethereum إلى Solana في أواخر 2023 عقب تصويت من المجتمع. استهدف هذا الانتقال الاستفادة من سرعة معاملات Solana ورسومها المنخفضة. تمت ترقية رمز RNDR الأصلي (المبني وفق معيار ERC‑20 على Ethereum) إلى RENDER (رمز SPL) على Solana. العرض الإجمالي محدّد عند 644,168,762 رمزاً، مع حوالي 517 مليوناً متداولة اعتباراً من 2025.

خصّص توزيع الرموز 25% للبيع العام، و10% للاحتياطي، و65% وُضعت في حساب ضمان من أجل تنظيم تدفّقات العرض والطلب. يتيح هذا الاحتياطي للمؤسسة إدارة توفّر الرموز مع توسّع الشبكة.

حالات الاستخدام

تخدم شبكة Render عدّة صناعات. تستخدم شركات إنتاج الأفلام والتلفزيون الشبكة لمعالجة المؤثّرات البصرية. قامت استوديوهات كبرى بمعالجة مشاريع عبر عُقد لامركزية، مما يبرهن قدرة النظام على دعم سير عمل احترافي مع تشفير شامل لحماية الملكية الفكرية.

يستفيد مطوّرو الألعاب من Render في إنشاء الأصول ثلاثية الأبعاد والمعالجة في الزمن الحقيقي.

تعتمد مشاريع الميتافيرس على الشبكة في إنشاء البيئات الغامرة ورسومات الشخصيات الافتراضية. تتيح قابلية التوسّع في قدرة GPU الموزّعة للمبدعين زيادة القدرة على المعالجة عند الحاجة من دون الاستثمار في عتاد محلّي باهظ الثمن.

يستخدم المعماريون ومصمّمو المنتجات Render في تصوّرات ثلاثية الأبعاد عالية الجودة. تُنشئ الشركات المعمارية جولات افتراضية للمباني قبل بنائها. يمكن لمصمّمي المنتجات تنفيذ نماذج أولية على نطاق واسع، واختبار القوام والألوان عبر معالجة متوازية لوحدات GPU.

يمثّل استدلال الذكاء الاصطناعي حالة استخدام متنامية.

في يوليو 2025، استوعبت Render وحدات معالجة الرسومات NVIDIA RTX 5090 خصيصاً لأعباء عمل حوسبة الذكاء الاصطناعي في الولايات المتحدة. يستفيد تدريب بعض نماذج الذكاء الاصطناعي، ولا سيما تلك التي تتضمّن توليد الصور أو الفيديو، من القدرة الموزّعة لوحدات GPU. يمكن لبنية الشبكة التحتية تسريع تدريب نماذج الذكاء الاصطناعي بشكل كبير مقارنة بإعدادات الأجهزة المنفردة.

الديناميكيات التنافسية

تتنافس Render مع مزوّدي خدمات مركزيين ولامركزيين على حد سواء. تقدّم خدمات الحوسبة السحابية التقليدية باستخدام GPU من AWS وGoogle Cloud ومزوّدين متخصصين مثل CoreWeave واجهات استخدام مبسّطة واتفاقيات مستوى خدمة موثوقة، لكنها تفرض أسعاراً مرتفعة وقد تعاني من محدودية السعة خلال فترات الطلب المرتفع.

في الفضاء اللامركزي، تشمل المنافسين كلاً من Akash Network (AKT) وio.net (IO) وAethir. يتناول كل منصّة تنسيق سوق GPU بطريقة مختلفة – تركز Akash على بنية سحابية أوسع، بينما تركّز io.net على أعباء عمل الذكاء الاصطناعي وتعلّم الآلة، وتستهدف Aethir مجال الألعاب والترفيه. تتميّز Render من خلال تكاملها مع برنامج المعالجة الاحترافي من OTOY وسمعتها الراسخة بين المتخصّصين في الصناعات الإبداعية.

تظل مسألة كيفية التقاط القيمة قائمة. فحوسبة GPU تتحوّل بشكل متزايد إلى سلعة مع دخول مزوّدين أكثر إلى السوق.

يجب على Render أن تُثبت أن نموذجها اللامركزي يقدّم مزايا واضحة – الكفاءة من حيث التكلفة، التوفّر العالمي، مقاومة الرقابة – تبرّر استخدام رموز مشفّرة بدلاً من بطاقات الائتمان مع مزوّدين مركزيين.

تمنح الشراكات مع شركات كبرى درجة من التأكيد. قدّم Ari Emanuel (المدير التنفيذي المشارك لشركة Endeavor) دعماً علنياً لشبكة Render، ووقّع صفقات مع Disney وHBO وFacebook وUnity. تشير هذه الشراكات إلى اعتراف من التيار الرئيسي، رغم أن تحويل هذه العلاقات إلى استخدام ثابت للشبكة لا يزال تحدّياً.the challenge.

في 12 نوفمبر 2025، تم تداول RENDER في نطاق 4.50–5.00 دولار، مع قيمة سوقية تقارب 2.5–3 مليار دولار. شهد الرمز نموًا كبيرًا في عام 2024، إذ ارتفع بأكثر من 13,300% من سعره الأولي بحلول أوائل 2024، رغم دخوله في مرحلة تجميع لاحقًا. يعزو المحللون ذلك إلى السرديات المرتبطة بالذكاء الاصطناعي ومعالجات GPU/NVIDIA، مع أن شراكة Apple أضفت مزيدًا من الموثوقية.

تشمل المخاطر منافسة المزوّدين المركزيين القادرين على التوسع بكفاءة أعلى، وإمكانية تركّز العتاد مع تفضيل اقتصاديات التعدين للمشغلين الكبار، وكذلك التساؤل عمّا إذا كانت أسواق الـGPU اللامركزية ستحقق اعتمادًا مستدامًا أم ستظل حلولًا متخصصة محدودة.

التحليل المقارن: رموز المنفعة مقابل رموز مخزن القيمة

تعمل رموز المنفعة المرتبطة بالذكاء الاصطناعي وفق مقترحات قيمة مختلفة جذريًا عن رموز مخزن القيمة مثل بيتكوين وإيثريوم. فهم هذه الفروق يوضّح الفرص والتحديات التي تواجه فئة رموز المنفعة.

الغرض ومحركات الطلب

تستمد بيتكوين قيمتها أساسًا من تموضعها كذهب رقمي — أصل نادر ولامركزي يُستخدم كمخزن للقيمة ووسيلة تحوّط ضد التضخم النقدي. الحد الأقصى البالغ 21 مليون عملة، مع قيمة سوقية تتجاوز 2 تريليون دولار، يضع بيتكوين في فئة الأصول الكلية. تضيف إيثريوم قابلية البرمجة، وتستمد قيمتها من دورها كطبقة تسوية لبروتوكولات DeFi والرموز غير القابلة للاستبدال والتطبيقات الأخرى، حيث يأتي الطلب على ETH من رسوم الغاز ومتطلبات التخزين (staking).

أما رموز المنفعة مثل TAO وFET وRENDER فتستمد قيمتها من استخدام الشبكة. نظريًا، يرتبط الطلب بعدد المهام الحاسوبية المُعالَجة، والعملاء (agents) المنتشرة، ومهام التصيير المكتملة. فكلما زاد عدد نماذج الذكاء الاصطناعي المدرَّبة على Bittensor، زاد الطلب على TAO للوصول إلى الذكاء. وكلما زاد عدد الوكلاء الذاتيين على Fetch.ai، ارتفعت معاملات FET. وكلما زادت مهام التصيير، زاد حرق رموز RENDER.

الرموز الاقتصادية (Tokenomics) والحوكمة

تركّز رموز مخزن القيمة على الندرة. فـالعرض الثابت ودورات التنصيف في بيتكوين يخلقان نمطًا متوقعًا من خفض الإصدار. وانتقلت إيثريوم إلى آلية إثبات الحصة مع EIP-1559 التي تحرق رسوم المعاملات، ما يفرض ضغطًا انكماشيًا عندما يكون استخدام الشبكة مرتفعًا.

تستخدم رموز المنفعة نماذج متنوعة. تحاكي Bittensor نموذج التنصيف في بيتكوين، ما يخلق ندرة. ويرتبط نموذج التوازن بين الحرق والسك في Render بمستوى الاستخدام — إذ يؤدي الطلب المرتفع إلى حرق رموز أكثر مما يُسك، فيقلّ المعروض. وتحافظ Fetch.ai على عرض ثابت لكنها تعتمد على حوافز التخزين لخفض سرعة دوران الرمز.

تختلف الحوكمة بشكل كبير. تحافظ بيتكوين على نهج تطوير محافظ مع تغييرات بروتوكولية محدودة للغاية.

تستخدم إيثريوم تنسيقًا خارج السلسلة وتوافقًا تقريبيًا نهائيًا. وغالبًا ما تعتمد رموز المنفعة نماذج حوكمة مباشرة على السلسلة، حيث يصوّت حاملو الرموز على ترقيات البروتوكول، ومقترحات التمويل، وضبط المعاملات، ما يمنح المجتمعات دورًا أكثر فاعلية في إدارة المشاريع.

مسارات التبني وقاعدة المستخدمين

تستهدف رموز مخزن القيمة المستثمرين الساعين للتعرّض لأصول التشفير أو التحوّط ضد النظام المالي التقليدي. تجذب بيتكوين المؤمنين بمبادئ «النقود sound money». بينما تجذب إيثريوم المطورين والمستخدمين الذين يتفاعلون مع DeFi وتطبيقات الويب 3.

أما رموز المنفعة فيجب أن تجذب أنواعًا محددة من المستخدمين. تحتاج Bittensor إلى باحثي ذكاء اصطناعي وعلماء بيانات يفضّلون التدريب اللامركزي للنماذج على الأطر المعتمدة. وتتطلب Fetch.ai مطورين يبنون وكلاء ذاتيين لتطبيقات العالم الحقيقي. وتحتاج Render إلى محترفي الإبداع الذين يثقون بالبنية التحتية اللامركزية في سير عمل الإنتاج.

هذه العقبات في التبني أكثر حدة. فالمطورون يواجهون تكاليف انتقال من الأدوات القائمة. وتحتاج المؤسسات إلى موثوقية ودعم قد يصعب على الشبكات اللامركزية الناشئة توفيرهما. ويجب أن تُظهر رموز المنفعة مزايا واضحة — في الكلفة، أو الأداء، أو الخصائص — لتجاوز حالة الجمود.

آليات التقاط القيمة

تلتقط رموز مخزن القيمة قيمتها من خلال الندرة وتأثيرات الشبكة.

فكلما أدرك مزيد من المشاركين أن بيتكوين مخزن للقيمة، زاد الطلب بينما يبقى العرض ثابتًا، ما يدفع الأسعار إلى الأعلى. ويعزّز هذا الحلقة التكهنية نفسها، وإن كان يخلق تقلبًا أيضًا.

تواجه رموز المنفعة مشكلة السرعة. إذا حوّل المستخدمون الرموز التي يحصلون عليها مباشرة إلى عملات تقليدية أو أصول مشفّرة أخرى، تؤدي السرعة العالية إلى منع تراكم القيمة. وتشير معادلة التبادل (M×V = P×Q) إلى أنه، لمستوى معيّن من حجم المعاملات (P×Q)، تعني السرعة الأعلى (V) قيمة سوقية أقل (M).

تخفّف البروتوكولات من مشكلة السرعة بعدة آليات. فـمتطلبات التخزين (staking) تقفل الرموز وتخفض المعروض المتداول. وتتطلب Bittensor من المدققين تخزين TAO. وتكافئ Fetch.ai المساهمين في التخزين برسوم الشبكة. وتزيل آليات الحرق مثل آلية Render الرموز من التداول بشكل دائم. وتخلق حقوق الحوكمة حوافز للاحتفاظ بالرموز من أجل قوة التصويت.

أداء السوق والمسارات المستقبلية

وصلت بيتكوين إلى قمم تاريخية فوق 126,000 دولار في 2025، مستمرة في مسارها كأصل كلي. وتعافت إيثريوم من التراجعات التي أعقبت 2022، محافظة على مكانتها كمنصة العقود الذكية الأساسية.

أما رموز المنفعة المرتبطة بالذكاء الاصطناعي فشهدت أداءً أكثر تقلبًا. تم تداول TAO بين 200 و750 دولارًا في 2024–2025، مع قيمة سوقية بلغت 3.7–4.1 مليار دولار في القمم. وشهد FET تحركات كبيرة، خصوصًا حول إعلان تحالف الذكاء الاصطناعي الفائق Artificial Superintelligence Alliance. بينما حقق RENDER نموًا انفجاريًا في 2023–2024 قبل أن يدخل في مرحلة تجميع.

تتداول هذه الرموز بناءً على المضاربة والأساسيات معًا. فعندما تهيمن سرديات الذكاء الاصطناعي على نقاشات التشفير، تتفوق رموز المنفعة في الأداء. وفي فترات التراجع، تميل إلى الأداء الأضعف مقارنة ببيتكوين وإيثريوم مع هروب المستثمرين إلى الأصول التي تُعد أكثر أمانًا.

تعايش أم منافسة؟

السؤال هو ما إذا كانت رموز المنفعة تمثّل «الموجة التالية» أم ستتعايش كفئة مكمّلة. تشير الأدلة إلى أن التعايش أكثر ترجيحًا. تخدم رموز مخزن القيمة أغراضًا مختلفة عن الرموز التشغيلية. تعمل بيتكوين كذهب رقمي، وإيثريوم كطبقة تسوية قابلة للبرمجة، بينما تعمل رموز المنفعة كوقود لتطبيقات محددة.

لكن النجاح غير مضمون. قد تفشل معظم رموز المنفعة إذا لم يتحقق الاستخدام الفعلي أو إذا أثبتت البدائل المركزية تفوقها. وقد بلغ القيمة السوقية لقطاع الذكاء الاصطناعي في التشفير 24–27 مليار دولار في 2025، وهو رقم كبير لكنه صغير مقارنة ببيتكوين وحدها التي تتجاوز 2 تريليون دولار.

من المرجح أن يبرز الفائزون ممن يحققون:

استخدامًا مستدامًا للشبكة ينمو مستقلًا عن المضاربة
مزايا واضحة على البدائل المركزية
أنظمة بيئية قوية للمطورين وتبنّيًا من المؤسسات
آليات فعّالة لتخفيف السرعة عبر التخزين أو الحرق
نماذج حوكمة توازن بين اللامركزية والكفاءة

الاختبار النهائي هو ما إذا كانت رموز المنفعة ستصبح بنية تحتية لأحمال عمل الذكاء الاصطناعي على نطاق واسع، أم ستظل حلولًا متخصصة تطغى عليها مزوّدات الحوسبة السحابية المركزية.

التقييم، مقاييس التبنّي ومخاطر السرديات

يتطلّب تقييم رموز المنفعة أطرًا مختلفة عن تقييم أصول مخزن القيمة. فبينما يمكن تقييم بيتكوين عبر نماذج المخزون مقابل التدفق أو باعتبارها ذهبًا رقميًا يُقارن بالمعادن الثمينة، تحتاج رموز المنفعة إلى مقاييس قائمة على الاستخدام.

المقاييس الرئيسة لرموز المنفعة

تشكّل إحصاءات استخدام الشبكة الأساس. بالنسبة إلى Bittensor، تشمل المقاييس المهمة:

عدد الشبكات الفرعية النشطة وتخصصاتها
ساعات الحوسبة المخصّصة لتدريب النماذج
عدد المعدّنين والمدققين الذين يحمون الشبكة
حجم المعاملات الذي يمر عبر البروتوكول
عمليات نشر النماذج الناجحة التي تخدم تطبيقات حقيقية

تُبلغ Bittensor عن 128 شبكة فرعية نشطة في أواخر 2025، وهو ارتفاع كبير عن الفترات السابقة. ومع ذلك، يتطلّب تقييم ما إذا كانت هذه الشبكات تولّد طلبًا حقيقيًا مقابل نشاط تكهّني بحثًا أعمق.

بالنسبة إلى Fetch.ai، تشمل المقاييس ذات الصلة:

عدد الوكلاء الذاتيين المنتشرين
تفاعلات الوكلاء فيما بينهم وحجم المعاملات
عمليات الدمج في العالم الحقيقي عبر الصناعات
الشراكات مع المؤسسات أو الحكومات
مشاركة التخزين وأعداد المدققين

قدّمت Fetch.ai إثباتات مفهوم في مجالات تنسيق مواقف السيارات، وتداول الطاقة، واللوجستيات، لكن يبقى التحدي في الانتقال من التجارب الأولية إلى التبنّي واسع النطاق.

بالنسبة إلى شبكة Render، تشمل المؤشرات الحرجة:

عدد مهام التصيير المُعالَجة شهريًا
عدد مشغّلي العُقد النشطين الذين يوفّرون سعة GPU
العملاء من المؤسسات الذين يستخدمون الشبكة في سير عمل الإنتاج
معدل الحرق مقارنة بمعدل السك ضمن نموذج التوازن بين الحرق والسك
ساعات GPU المستخدمة عبر الشبكة اللامركزية

أبرمت Render شراكات مع استوديوهات كبرى وتعالج مهام تصيير حقيقية، ما يوفر أدلة استخدام أكثر واقعية من كثير من رموز المنفعة الأخرى.

سرعة الرمز ومقاييس الحرق

تقيس سرعة الرمز مدى سرعة دوران الرموز عبر الاقتصاد. تشير السرعة العالية إلى أن المستخدمين ينفقون الرموز أو يحوّلونها فورًا، ما يمنع تراكم القيمة. بينما توحي السرعة المنخفضة بأن الرموز تُحتفظ لفترات أطول، ربما كمخزن للقيمة أو لأغراض…مكافآت التخزين (staking rewards).

يُظهر البيتكوين سرعة تداول تبلغ 4.1%، والإيثريوم 3.6%، مما يشير إلى أصول ناضجة يتم الاحتفاظ بها في الغالب بدلاً من استخدامها في المعاملات. عادةً ما تُظهر رموز المنفعة سرعات تداول أعلى في المراحل الأولى، حيث يتلقى المستخدمون الرموز مقابل العمل ثم يحولونها مباشرةً إلى عملات مستقرة.

تُواجه آليات الحرق مشكلة السرعة العالية. نظام Render يحرق 95% من رموز الدفع مع كل معاملة، ما يُزيل جزءًا من المعروض. إذا تجاوز معدل الحرق معدل الإصدار، ينخفض المعروض المتداول، مما قد يدعم ارتفاع السعر إذا ظل الطلب ثابتًا.

يتطلب تقييم عمليات الحرق درجة عالية من الشفافية. ينبغي للمشاريع نشر تقارير حرق منتظمة تُظهر عدد الرموز التي تمت إزالتها من التداول. يوفر Render هذه البيانات، مما يتيح التحقق المستقل من ادعاءات الانكماش (deflation).

الشراكات والتكاملات في العالم الحقيقي

يعكس تبني الشركات دلالة على منفعة حقيقية. يوفر أول إطلاق لـ Bittensor لصندوق ETP في بورصة SIX السويسرية وصولاً مؤسسيًا للأصل. تُظهر خزانة Interactive Strength البالغة 500 مليون دولار من FET ثقة الشركات. تُثبت شراكات Render مع ديزني وHBO وUnity قدرات المنصة على دعم تدفقات العمل الإنتاجية.

مع ذلك، لا تضمن الشراكات وحدها استخدامًا مستدامًا. كثير من مشاريع البلوكشين تُعلن عن شراكات لا تتحول لاحقًا إلى إيرادات كبيرة أو نشاط ملموس على الشبكة. يوفّر تتبّع حجم المعاملات الفعلي الناتج عن علاقات الشركات رؤية أوضح.

مخاطر السردية (Narrative Risks)

تهدد عدة مخاطر سردية تقييمات رموز المنفعة:

الضجة حول الذكاء الاصطناعي + الكريبتو دون نتائج فعلية: يولّد تقاطع الذكاء الاصطناعي والبلوكتشين سرديات قوية، لكن إن فشلت أنظمة الذكاء الاصطناعي اللامركزية في مجاراة أداء البدائل المركزية، تنكمش التقييمات. يتوقع معظم الخبراء نجاح عدد محدود فقط من مشروعات الذكاء الاصطناعي المشفرة على المدى الطويل، بينما تبقى الكثير منها مجرد مضاربة.

قدرة حوسبة بلا طلب: يصبح بناء بنية تحتية لامركزية للوحدات الرسومية (GPU) بلا معنى إذا لم يستخدمها المطوّرون. إذا لم يتوسع الاستخدام إلى ما بعد المستخدمين الأوائل والمتحمسين، تصبح الرموز حلولًا تبحث عن مشاكل. تبقى المسألة ما إذا كان الحوسبة اللامركزية قادرة على اقتناص حصة سوقية ذات مغزى من AWS وGoogle Cloud والعمالقة المركزيين الآخرين.

التهديدات التنظيمية: تعمل الحكومات حول العالم على تطوير لوائح للذكاء الاصطناعي. قد يصنّف الإطار القائم على المخاطر في قانون الذكاء الاصطناعي الأوروبي بعض أنظمة الذكاء الاصطناعي بأنها عالية المخاطر، ما يستلزم تدقيقًا وإشرافًا. قد تواجه العوامل (البرمجيات) الذاتية التي تتخذ قرارات اقتصادية تدقيقًا خاصًا. كما تضيف حالة عدم اليقين بشأن ما إذا كانت رموز المنفعة تُعتبر أوراقًا مالية مخاطر تنظيمية إضافية.

مركزية العتاد (Hardware Centralization): تواجه الشبكات اللامركزية خطر إعادة التمركز. إذا أصبح التعدين أو تشغيل العُقد مجديًا اقتصاديًا فقط للاعبين الكبار الذين يمتلكون وفورات الحجم، تتلاشى وعود اللامركزية. قد تتوطد شبكات GPU حول مراكز بيانات كبرى، ما يقوّض فكرة البنية التحتية الندّية (peer-to-peer).

القيود التقنية: تواجه الأنظمة اللامركزية مقايضات جوهرية. قد تمنع تكاليف التنسيق، وزمن الاستجابة، ومخاوف الموثوقية رموز المنفعة من منافسة البدائل المركزية المحسّنة. إذا تبيّن أن القيود التقنية عصية على الحل، يتوقف تبنّي هذه الشبكات.

أطر التقييم

تُعاني النماذج المالية التقليدية عند التعامل مع رموز المنفعة. يعمل نموذج التدفقات النقدية المخصومة (DCF) مع الرموز التي تشارك الأرباح—مثل REP في Augur الذي يدفع لحامليه مقابل العمل على الشبكة، ما يخلق تدفقات نقدية قابلة للتحليل بأسلوب DCF. لكن رموز المنفعة “الخالصة” التي لا تقدم توزيعات أرباح تفتقر إلى تدفقات نقدية واضحة يمكن خصمها.

يقدّم معادلة التبادل نهجًا آخر: M×V = P×Q، حيث M هي القيمة السوقية (التي نحاول حلّها)، وV هي سرعة التداول، وP هو متوسط سعر المعاملة، وQ هو كمية المعاملات. بإعادة الترتيب: M = P×Q / V. يعني هذا أن القيمة السوقية تساوي حجم المعاملات مقسومًا على السرعة.

يدعم حجم المعاملات الأعلى (P×Q) تقييمات أعلى. كما تدعم سرعة التداول الأقل (V) تقييمات أعلى. على المشاريع إمّا زيادة الاستخدام أو خفض السرعة – ويفضّل الاثنين معًا. يخفّض التخزين (staking) السرعة؛ تقلّل آليات الحرق المعروض؛ وتزيد المنفعة الحقيقية حجم المعاملات.

تشير قانون ميتكالف (Metcalfe’s Law) إلى أن قيمة الشبكة تنمو تناسبيًا لمربّع عدد المستخدمين. مع انضمام المزيد من المشاركين إلى Bittensor أو Fetch.ai أو Render، قد تقود تأثيرات الشبكة إلى نمو أُسّي في القيمة. إلا أن هذا القانون يفترض أن كل الاتصالات ذات قيمة—وهو ما لا ينطبق دائمًا على الشبكات في مراحلها المبكرة.

يعتمد التقييم المقارن على النظر إلى مشاريع مشابهة. إذا حقق Bittensor مستوى استخدام شبكي مماثلًا لـ SingularityNET أو Ocean Protocol، يمكن أن يوفّر مقارنة القيم السوقية معايير تقريبية. مع ذلك، تحدّ نماذج التوكنوميكس والحالات الاستخدامية الفريدة لكل مشروع من فائدة المقارنة المباشرة.

في النهاية، يظل تقييم رموز المنفعة مضاربيًا. إلى أن تُظهر الشبكات استخدامًا مستدامًا مستقلًا عن المضاربة، ستعكس الأسعار قوة السردية ومزاج السوق بقدر ما تعكس القيمة الأساسية.

ما الذي سيأتي لاحقًا: سيناريوهات للمستقبل

يعتمد مسار رموز المنفعة المرتبطة بالذكاء الاصطناعي على عدد من المتغيرات غير المؤكدة: معدلات تبنّي التكنولوجيا، التطورات التنظيمية، المنافسة من المزوّدين المركزيين، وقدرة الرموز على التقاط جزء من القيمة الناشئة عن استخدام الشبكة. تساعد ثلاثة سيناريوهات عامة في توضيح المسارات المحتملة.

أفضل حالة: تصبح رموز البنية التحتية طبقة أساسية

في هذا السيناريو المتفائل، تحقق البنية التحتية اللامركزية للذكاء الاصطناعي تبنّيًا واسع النطاق. يصبح Bittensor المنصة المفضّلة لتدريب النماذج التعاوني، ويجذب مؤسسات بحثية كبرى وشركات. يثبت هيكل “الشبكات الفرعية” (subnets) أنه متفوّق على الأطر المركزية في حالات استخدام معيّنة—مثل ذكاء اصطناعي يحافظ على الخصوصية في الرعاية الصحية، وأسواق النماذج اللامركزية، والذكاء الجماعي.

تنتشر العوامل الذاتية (autonomous agents) الخاصة بـ Fetch.ai عبر الصناعات. تنشر المدن الذكية شبكات من العوامل لتنسيق المرور، وتوزيع الطاقة، والخدمات العامة. تعتمد سلاسل الإمداد على تحسين قائم على العوامل الذاتية. تدمج بروتوكولات DeFi العوامل الذاتية لتنفيذ استراتيجيات آلية. يتحقق “اقتصاد العوامل” كما تم تصوّره، مع مليارات من المعاملات المصغّرة التي تنسّقها البرمجيات الذاتية.

تستحوذ شبكة Render على حصة سوقية كبيرة من مزوّدي GPU المركزيين. يستخدم المتخصصون في المجالات الإبداعية وباحثو الذكاء الاصطناعي الحوسبة اللامركزية بشكل روتيني في تدفقات العمل الإنتاجية. يدفع سوق الألعاب السحابية العالمي المتوقع أن يصل إلى 121 مليار دولار بحلول 2032 الطلب على البنية التحتية الموزعة لوحدات GPU.

في هذا السيناريو، تكتسب رموز المنفعة قيمة مستدامة عبر:

نمو استخدام مستمر: يزداد نشاط الشبكة بشكل مستقل عن المضاربة
تخفيف السرعة: تشجّع آليات التخزين والحرق والحوافز الحوّكميّة على الاحتفاظ بالرموز بدل بيعها فورًا
تأثيرات الشبكة: مع انضمام مزيد من المستخدمين، تصبح المنصات أكثر قيمة لجميع المشاركين
وضوح تنظيمي: ظهور أطر تنظّم الذكاء الاصطناعي اللامركزي وتحمي المستهلكين في آن واحد

قد تصل أسعار الرموز إلى التوقعات المتفائلة للمحللين—تخطّي TAO حاجز 1000 دولار، واقتراب FET من 6–10 دولارات، وتجاوز RENDER مستوى 20 دولارًا—إذا برّرت أساسيات الاستخدام هذه التقييمات. ستنمو القيم السوقية بالتناسب، مع احتمال وصول الرموز القيادية في مجال ذكاء اصطناعي المنفعة إلى نطاق 20–50 مليار دولار مع استحواذها على أجزاء من أسواق الذكاء الاصطناعي والحوسبة السحابية ذات التريليونات.

يمثل هذا للمستثمرين ارتفاعًا كبيرًا من المستويات الحالية. وللمطوّرين، يعدّ إثباتًا لكون البنية التحتية اللامركزية بديلًا قابلًا للحياة أمام مزوّدي الخدمات السحابية المركزيين. ولأسواق الكريبتو، يثبت أن رموز المنفعة يمكنها التطور من أصول مضاربية إلى أصول بُنى تحتية وظيفية.

السيناريو الأساسي: نجاح عدد محدود من الرموز بينما يتوقف نمو البقية

يقرّ سيناريو أكثر واقعية بأن جزءًا فقط من رموز المنفعة الحالية المرتبطة بالذكاء الاصطناعي سيحقق تبنّيًا مستدامًا. يميز الفائزون أنفسهم عبر تفوق تقني، وأنظمة بيئية قوية، وشراكات حقيقية، وآليات فعالة لالتقاط القيمة. تتوقف غالبية المشاريع أو تتلاشى مع إدراك المستخدمين لمحدودية منفعتها العملية.

في هذا السيناريو، تتمتع Bittensor وFetch.ai وRender – بوصفها مشاريع رائدة – بفرص أفضل مقارنة بالمنافسين الأصغر. ومع ذلك، تواجه هذه أيضًا تحديات. يثبت الذكاء الاصطناعي اللامركزي قيمته في مجالات متخصصة—كتطبيقات عالية الحساسية للخصوصية، أو الشبكات المقاومة للرقابة، أو بعض المجالات البحثية—لكنه يفشل في إزاحة المزوّدين المركزيين في أغلب حالات الاستخدام.

تظل رموز مخزن القيمة مهيمنة. يرسّخ البيتكوين موقعه كـ “ذهب رقمي”. تواصل الإيثريوم أداء دورها كطبقة التسوية الرئيسية للتطبيقات اللامركزية. تتعايش رموز المنفعة الخاصة بالذكاء الاصطناعي كبنية تحتية لتطبيقات متخصصة بدلاً من أن تصبح منصات عامة.

تعكس أسعار الرموز نموًا متواضعًا في الاستخدام. قد يصل TAO إلى 500–800 دولار، وFET إلى 2–4 دولارات، وRENDER إلى 8–12 دولارًا خلال السنوات المقبلة—وهو تقدّم ملموس لكن بعيد عن السيناريوهات المنفجرة. تنمو القيم السوقية لكن تبقى دون بيتكوين وإيثريوم بعدد من الأضعاف.

تُميّز هذا السيناريو عدة عوامل:

تبنٍّ متخصص (Niche adoption): تخدم رموز المنفعة قطاعات أو حالات استخدام محددة بكفاءة
منافسة مركزية: تحتفظ AWS وGoogle Cloud والعمالقة الآخرون بالهيمنة على الحوسبة العامة
عبء تنظيمي: تضيف متطلبات الامتثال احتكاكًا إلى المنصات اللامركزيةالمقايضات التقنية: تثبت الأنظمة اللامركزية أنها أبطأ وأكثر تعقيدًا أو أقل موثوقية من البدائل المركزية في العديد من التطبيقات.

بالنسبة للمستثمرين، يقدّم الارتفاع المعتدل في الأسعار مكافأةً للداعمين الأوائل لكنه يظل أدنى من أكثر التوقعات تفاؤلًا. بالنسبة لأسواق العملات المشفّرة، تُرسّخ رموز المنفعة مشروعيتها كفئة أصول مميّزة عن رموز مخازن القيمة، ولكن بتقييمات أكثر اعتدالًا.

الجانب السلبي: فشل الاستخدام في التحقّق

في السيناريو المتشائم، تعجز رموز المنفعة عن تحويل القدرات التقنية إلى طلب مستدام. وعلى الرغم من بنية تحتية مبهرة، لا ينتقل المستخدمون من المنصات الراسخة. يواصل المطوّرون استخدام TensorFlow وPyTorch والحوسبة السحابية المركزية بدلًا من تعلّم بروتوكولات لامركزية جديدة. ويستمر المحترفون في المجالات الإبداعية في استخدام Adobe وAutodesk ومزارع التصيير التقليدية بدلًا من تجربة البدائل المعتمدة على التشفير.

في هذا السيناريو، تصبح رموز الذكاء الاصطناعي ذات المنفعة أصولًا مضاربية بالأساس. تتقلّب الأسعار استنادًا إلى مزاج سوق العملات المشفّرة الأوسع ودورات الضجيج حول الذكاء الاصطناعي بدلًا من الاستخدام الفعلي. وعندما تخفت السرديات – كما حدث للعديد من رموز عروض العملات الأولية في 2017-2018 – تنهار التقييمات.

يمكن لعدة عوامل أن تقود إلى هذه النتيجة:

احتكاك في تجربة المستخدم: إدارة المحافظ، ودفع رسوم الغاز، والتنقل في البروتوكولات اللامركزية يثبت أنه مُجهِد للغاية بالنسبة للمستخدمين التقليديين
فجوات في الأداء: تبقى البدائل المركزية أسرع وأكثر موثوقية وغنىً بالميزات من الخيارات اللامركزية
القابلية الاقتصادية للاستمرار: تفشل اقتصاديات الرمز في مواءمة الحوافز بشكل صحيح، ما يؤدي إلى تسرّب المزوّدين، ومشاكل في الجودة، أو عدم استقرار في الشبكة
حملات تنظيمية متشددة: تصنّف الحكومات رموز المنفعة كأوراق مالية أو تحظر بعض التطبيقات، ما يقيّد الاستخدام القانوني

ستعود أسعار الرموز إلى مستويات مضاربية متدنية. قد يهبط TAO إلى ما دون 200 دولار، وFET إلى أقل من 0.50 دولار، وRENDER إلى أقل من 3 دولارات مع إدراك المستثمرين لانعدام الطلب الأساسي. قد تستمر المشاريع بفضل مجتمعات مخلصة لكنها تفشل في تحقيق أي انتشار ذي معنى.

يمثّل هذا السيناريو مخاطرة وجودية لفئة رموز المنفعة. فإذا عجزت المشاريع الرائدة ذات التمويل الكبير والفرق الموهوبة والشراكات الحقيقية عن إثبات ملاءمة المنتج للسوق، فهذا يشير إلى أن نموذج الذكاء الاصطناعي/الحوسبة اللامركزية لا يعمل فعليًا على نطاق واسع.

Also Read: Dogecoin Drops Below $0.089 On Bearish Signals

التداعيات عبر السيناريوهات المختلفة

بالنسبة للمستثمرين: تختلف ملفات المخاطر والعوائد جذريًا بين السيناريوهات. يقدّم أفضل سيناريو عوائد مضاعفة عدّة مرات لكنه يتطلّب حلّ عدد من عوامل عدم اليقين لصالحه. السيناريو الأساسي يوفّر تقديرًا معتدلًا للقيمة مع مخاطر أقل. السيناريو السلبي يعني خسائر كبيرة.

ينبغي أن يأخذ بناء المحافظ في الحسبان احتمالات كل سيناريو. يتيح تخصيص نسب صغيرة من المحافظ لرموز المنفعة عائدًا غير متماثل إذا تحقق أفضل سيناريو مع الحد من التعرض للجانب السلبي. أما التركيز على رموز المنفعة بدلًا من أصول مخازن القيمة فيزيد من التقلب والمخاطر.

بالنسبة للمطوّرين: يتطلّب البناء على منصّات رموز المنفعة تقييم القدرة على الاستمرار على المدى الطويل. فإذا تحقق السيناريو الأساسي أو السلبي، قد تكافح التطبيقات المبنية على هذه المنصّات للعثور على مستخدمين أو تمويل. ينبغي للمطوّرين الحفاظ على درجة من المرونة – عبر تصميم تطبيقات قابلة للنقل بين المنصات أو قادرة على العمل بواجهات خلفية مركزية إذا ثبت عدم كفاية البنية التحتية اللامركزية.

بالنسبة لبنية سوق الكريبتو: يحدّد نجاح أو فشل رموز المنفعة مسار تطوّر الكريبتو. فإذا تحقق أفضل سيناريو، يتوسّع الكريبتو بما يتجاوز مخازن القيمة والتمويل اللامركزي ليصبح بنية تحتية فعلية. وإذا تحقق السيناريو السلبي، يبقى الكريبتو مجالًا مضاربيًا وماليًا بالأساس.

ما ينبغي مراقبته

ستوضّح عدة مؤشرات أي سيناريو سيتحقق:

أعداد العُقد والمشاركين: الأعداد المتزايدة من المعدّنين، والمصدّقين، ومزوّدي وحدات معالجة الرسوميات تشير إلى تأثيرات شبكة حقيقية. المشاركة الراكدة أو المتراجعة توحي بانعدام الجدوى الاقتصادية.

وظائف الحوسبة المنفّذة: وظائف التصيير الفعلية، وتشغيلات تدريب نماذج الذكاء الاصطناعي، وتفاعلات الوكلاء – وليس مجرد نشاط الشبكات التجريبية – تبرهن على وجود طلب حقيقي. ينبغي للمشاريع نشر إحصاءات استخدام شفّافة.

شراكات المؤسسات: تحويل الشراكات المُعلنة إلى حجم معاملات قابل للقياس يثبت نماذج الأعمال. الشراكات من دون استخدام فعلي تشير إلى احتمال كونها وعودًا جوفاء.

حرق وتجميد (Staking) الرموز: في المشاريع ذات آليات الحرق، يشير معدل الحرق الذي يفوق معدل الإصدار إلى طلب قوي. كما أن ارتفاع نسبة الرموز المجمّدة يقلل سرعة دورانها ويُظهر ثقة حامليها على المدى الطويل.

نشاط المطوّرين: يشير نموّ النظام البيئي للمطوّرين – المقاس بعدد الالتزامات (commits) على GitHub، والبروتوكولات الجديدة المبنيّة على المنصّات، والمشاركة في الهاكاثونات – إلى أسس صحية. أما تراجع اهتمام المطوّرين فينذر بالركود.

الوضوح التنظيمي: تقلّل الأطر الأكثر وضوحًا حول رموز المنفعة، وأنظمة الذكاء الاصطناعي، والبنية التحتية اللامركزية من حالة عدم اليقين. اللوائح الملائمة تُسرّع التبنّي، في حين تعوقه اللوائح التقييدية.

منظومات العتاد (الهاردوير): يضفي التكامل مع كبار مصنّعي وحدات معالجة الرسوميات أو مزوّدي السحابة شرعية على الحوسبة اللامركزية. شراكة Nvidia وAMD وغيرهما مع منصّات رموز المنفعة أو اعترافهم بها سيشكّل إشارة اعتماد من التيار العام.

سيوضّح تتبّع هذه المقاييس بين 2025 و2027 ما إذا كانت رموز الذكاء الاصطناعي ذات المنفعة تمثّل ابتكارًا حقيقيًا في البنية التحتية أم أدوات مضاربية بالأساس. وسيحدد هذا الفارق ما إذا كانت هذه الأصول ستحقّق أهمية مستدامة في أسواق الكريبتو أم ستتلاشى كحلقة جديدة في دورة سردية عابرة.

أفكار أخيرة

تمثّل رموز الذكاء الاصطناعي ذات المنفعة تطوّرًا ذا مغزى في السردية المعمارية للكريبتو. تُظهر Bittensor وFetch.ai وRender Network أن الرموز يمكن أن تؤدي أدوارًا تتجاوز مخازن القيمة أو التداول المضاربي – إذ يمكنها تنسيق البنية التحتية اللامركزية، وتحفيز العمل الحاسوبي، وتمكين اقتصادات بين الآلات.

الأطروحة الأساسية مُقنِعة.

تجمع شبكات وحدات معالجة الرسوميات اللامركزية الموارد غير المستغلّة، ما يخفّض التكاليف ويُد民主 الوصول. تمكّن الوكلاء المستقلّون من تنسيق على مقاييس لا يمكن للبشر إدارتها عمليًا.

يُوزّع تطوير الذكاء الاصطناعي التعاوني عملية خلق الذكاء بما يتجاوز احتكارات عمالقة التقنية. تعالج هذه الرؤى مشكلات حقيقية في قابلية توسّع البنية التحتية، وإتاحة الذكاء الاصطناعي، والتنسيق الاقتصادي.

لكن يبقى التحدّي الحاسم هو تحويل هذه الرؤية إلى تبنٍّ مستدام. يجب أن تُظهر رموز المنفعة مزايا واضحة على البدائل المركزية، مع التغلب على الاحتكاكات المتأصّلة في الأنظمة اللامركزية. يجب أن تلتقط القيمة من خلال الاستخدام لا المضاربة، وأن تحلّ مشكلة السرعة العالية لدوران الرموز عبر نماذج اقتصادية فعّالة، وأن تحقق ملاءمة المنتج للسوق مع الشركات والمطوّرين.