المستثمرون الجادّون في الذكاء الاصطناعي موجودون بالفعل في Bittensor، هذا ما يعرفونه

Bittensor (TAO) هو واحد من أكثر المشاريع طموحاً فكرياً في عالم العملات المشفَّرة؛ سلسلة كتل تحاول تحويل الذكاء الاصطناعي إلى سوق سلعي، بحيث تُسَعَّر القدرة الحاسوبية والذكاء الآلي من خلال حوافز رمزية بدلاً من عقود الشراء المؤسسية.

اعتباراً من أواخر أبريل 2026، تبلغ قيمته السوقية أكثر من 2.4 مليار دولار، ويحتل مرتبة بين أعلى 40 أصلاً من حيث القيمة السوقية، وقد توسّع عدد الشبكيات الفرعية لديه من شبكة متجانسة واحدة إلى أكثر من 60 شبكة فرعية متخصصة في أقل من عامين.

لكن الطموح والقيمة السوقية لا يساويان بنية تحتية عاملة. السؤال الجوهري الذي يعود إليه الباحثون الجادّون مراراً هو ما إذا كان تصميم حوافز Bittensor ينتج فعلياً نماذج ذكاء اصطناعي أفضل، أم أنه ينتج استراتيجيات زراعة مكافآت متقدّمة من قبل المعدّنين الذين تعلّموا التحايل على نظام تسجيل نقاط المدقّقين. الجواب، المستند إلى بيانات على السلسلة، وأدبيات أكاديمية، ووثائق البروتوكول، أكثر تعقيداً مما يرغب به المتفائلون أو المتشائمون.

TL;DR

بنية الشبكيات الفرعية في Bittensor توسّعت بسرعة لتتجاوز 60 شبكة متخصصة، لكن تركز المدققين وغموض آلية التسجيل يظلان مخاطر بنيوية تؤثر في جودة المخرجات.

تُظهر بيانات السلسلة أن تدفقات إصدار TAO منحازة بشدة نحو عدد صغير من المدققين ذوي الحصص المرتفعة، ما يخلق ضغطاً مركزياً يناقض أطروحة السوق المفتوحة في البروتوكول.

تعتمد قيمة البروتوكول طويلة الأجل على ما إذا كان الطلب الخارجي على مخرجات الشبكيات الفرعية سيتجاوز سلوك زراعة المكافآت الداخلي، وهو سؤال لا تبدأ بيانات 2026 إلا في الإجابة عنه.

1. ما هو Bittensor فعلياً، ولماذا يصعب تصنيفه؟

يتحدى Bittensor التصنيف السهل. فهو ليس عملة ذكاء اصطناعي مضاربية مرتبطة بنموذج واحد أو واجهة برمجة تطبيقات واحدة. بل هو محاولة على مستوى البروتوكول لبناء سوق لامركزي للتعلّم الآلي، حيث يقوم المعدّنون بتشغيل نماذج ذكاء اصطناعي ويقوم المدقّقون بتقييم مخرجاتها، مع توزيع مكافآت TAO وفقاً لجودة الذكاء المُنتَج.

تصف الورقة التأسيسية التي قدّمها Jacob Steeves و Ala Shaabana، والصادرة عن Opentensor Foundation، النظام بأنه «طريقة تعلّم آلي تكافئ المشاركين في الشبكة على إنتاج قيمة للشبكة». تُجسَّد تلك «القيمة» من خلال نظام ترتيب أقران يسمى «إجماع Yuma»، حيث يقيّم المدققون مخرجات المعدّنين ويُثقلون ترتيباتهم بالحصص للوصول إلى درجة إجماعية.

صُمِّم آلية إجماع Yuma بحيث لا يستطيع مدقّق منفرد إعادة توجيه الانبعاثات بمفرده، لكن تركّز الحصص لدى مجموعة صغيرة من المدقّقين يخلق نتيجة عملية مشابهة.

البصيرة المعمارية الحاسمة هي أن Bittensor لا يدرّب أو يستضيف نماذج الذكاء الاصطناعي بذاته؛ بل ينشئ هيكل الحوافز كي يقوم الآخرون بذلك، ثم يقوم بتسعير المخرجات على السلسلة. وقد وصف Const Demian، أحد المساهمين الأساسيين في Opentensor، الشبكة بأنها «سوق للذكاء، لا مزوّد للذكاء». ويُعدّ هذا الفارق بالغ الأهمية عند تقييم ما إذا كان النظام ينجح.

Also Read: What the Decentralized Web Is, How It Works, and Why It Matters Now

انفجار الشبكيات الفرعية، الأرقام وراء النمو

العلامة الأوضح على نضوج Bittensor هي عدد الشبكيات الفرعية. فقد انطلقت الشبكة الأصلية كحيّز متجانس واحد حيث يتنافس جميع المعدّنين على المهمة نفسها. في نوفمبر 2023، قدّمت مؤسسة Opentensor introduced إطار الشبكيات الفرعية، ما أتاح لأي فريق تسجيل شبكة فرعية مخصَّصة ذات قواعد حوافز منطلقة من ذاتها، ومنطق تدقيق خاص، وتعريفات مهام للمعدّنين.

بحلول أبريل 2026، كانت الشبكة hosts أكثر من 64 شبكة فرعية مسجّلة. تتراوح هذه من الشبكة الفرعية 1 (تحفيز النص، الشبكة الأصلية) إلى شبكات متخصصة تغطي توقّع طيّ البروتينات، وتقديم التخزين، وتغذية البيانات المالية، والترجمة اللامركزية، وتنبؤ السلاسل الزمنية، وتوليد الصور بالذكاء الاصطناعي. تعمل كل شبكة فرعية بشكل شبه مستقل، واضعة معايير التسجيل الخاصة بها، بينما تستمد حصتها من مجمع إصدار TAO المشترك الذي يخصصه مدقّقو الشبكة الجذرية.

نما عدد تسجيلات الشبكيات الفرعية من 32 إلى 64 في نحو 12 شهراً، بمعدل تضاعف تجاوز حتى أكثر السيناريوهات تفاؤلاً في وثائق خارطة طريق البروتوكول لعام 2023.

يتم تحديد تكلفة تسجيل حجز شبكة فرعية من خلال آلية مزاد ديناميكية. في ذروة الطلب أواخر 2025، بلغت cost تكلفة تسجيل الحجز أكثر من 100 TAO للحجز الواحد، أي ما يعادل نحو 25 ألف دولار وفق الأسعار السائدة حينها. صُمِّك هذا الاحتكاك عمداً: فقد صممته مؤسسة Opentensor لتصفية الانقسامات ضعيفة الجودة، مع إبقاء الدخول ممكناً للفرق الممولة بجدية. ما إذا كان هذا يرشّح على أساس الجودة أو رأس المال وحده سؤال منفصل ومهم.

Also Read: Top Crypto Exchanges Mandate AI Tools, Track Token Use As KPI: Report

كيف يعمل إجماع Yuma وأين يمكن أن ينهار

يُعدّ إجماع Yuma المحرّك الرياضي الذي يحوّل آراء المدقّقين إلى مكافآت للمعدّنين. فهمه ضروري لتقييم ما إذا كانت مخرجات Bittensor تعكس جودة ذكاء حقيقية أم أنها عرضة لتلاعب منسَّق.

يُنتج كل مدقّق في شبكة فرعية متجه أوزان، يخصّص فيه درجات لكل معدّن قام بتقييمه. ثم تأخذ الشبكة مزيجاً موزوناً بالحصة من هذه المتجهات لإنتاج ترتيب نهائي. يطبّق خوارزم Yuma applies تصحيحاً مستوحى من قيمة Shapley يعاقب المدقّقين الذين ينحرفون بشدّة عن الإجماع، مما يحفّز الإفصاح الصادق. يحصل المعدّنون الذين تحتل مخرجاتهم مراتب عالية على حصة أكبر من إصدار TAO الخاص بالشبكة الفرعية.

يخلق تصحيح Shapley في إجماع Yuma توازناً من نوع ناش تكون فيه التقارير الصادقة مهيمنة نظرياً، لكن هذا التوازن يصمد فقط عندما تكون حصص المدقّقين موزّعة بما يكفي لمنع التواطؤ بين أصحاب الحصص الكبيرة.

تشير الأدبيات النظرية في تصميم الآليات suggests إلى أن آليات التنبؤ بالأقران مثل Yuma تعمل جيداً عندما يمتلك المقيمون إشارات مستقلة ولا يمكنهم التنسيق. في Bittensor، كلا الشرطين تحت الضغط. فحصص المدقّقين مركّزة، وطبيعة سلسلة الكتل العلنية تعني أن المدقّقين الكبار يمكنهم مراقبة متجهات الأوزان التاريخية الخاصة ببعضهم قبل تقديم متجهاتهم.

أشار Yanislav Malahov، باحث مستقل في تصميم الآليات نشر published تعليقات على بنية Bittensor، إلى أن تركّز الحصص هو أكبر خطر بنيوي منفرد على نتائج التسجيل الصادقة.

Also Read: Why Hyperliquid Runs A DEX Without Any Other Blockchain Underneath

تركّز المدقّقين، مشكلة المركزية التي لا يحب أحد مناقشتها

ترسم بيانات السلسلة من Taostats صورة محددة لتوزيع المدقّقين مهمّة لأي تحليل جاد. اعتباراً من أبريل 2026، يتحكم أعلى 10 مدقّقين من حيث وزن الحصة بنحو 65٪ من قوة التصويت في الشبكة الجذرية، وفق taostats.io. وحدهم أعلى 3 مدقّقين يستحوذون على نحو 38٪ من مجموع التأثير الموزون بالحصة على تخصيصات إصدار الشبكيات الفرعية.

لهذا التركّز نتائج مباشرة. يحدد مدقّقو الجذر الحصة التي تتلقاها كل شبكة فرعية من إجمالي إصدار TAO، ويتصرفون فعلياً كمديري محفظة للإيكوسستم بأكمله. أي شبكة فرعية تفشل في بناء علاقات مع كبار المدققين تخاطر بالحصول على انبعاثات ضئيلة بغض النظر عن الجودة الحقيقية لمخرجات الذكاء الاصطناعي الخاصة بها.

يتحكم أعلى 10 مدقّقين بنحو 65٪ من قوة التصويت في شبكة Bittensor الجذرية، ما يخلق ديناميكية حوكمة أشبه بأوليغارشيات إثبات الحصة المفوَّضة من سوق سلع ذكاء مفتوح.

أقرت مؤسسة Opentensor acknowledged بمشكلة التركّز وقدمت آليات تفويض «childkey» في أواخر 2025، ما يتيح للمدققين الكبار تفويض التسجيل الخاص بالشبكات الفرعية إلى مشغّلين فرعيين متخصصين.

يعالج هذا جزئياً عنق زجاجة الخبرة (إذ لا يستطيع مدقّق واحد تقييم مخرجات ذكاء اصطناعي على نحو ذي معنى عبر 64 مجالاً تقنياً مختلفاً) لكنه لا يحل مشكلة تركّز الحصص الأساسية. فالحوافز الاقتصادية أمام المدقّقين الكبار للبقاء كباراً تعزز ذاتها عبر عوائد TAO التراكمية.

Also Read: What Is Bittensor? How TAO Turns AI Models Into A Decentralized Market

ما الذي تنتجه الشبكيات الفرعية فعلياً؟

بعيداً عن ميكانيكيات الرموز، السؤال الأكثر تجذّراً هو ما الذي تنتجه شبكيات Bittensor الفرعية فعلياً. تتباين الجودة تبايناً كبيراً حسب نضج الشبكة الفرعية وتصميم حوافزها.

خضعت الشبكة الفرعية 1، شبكة تحفيز النص الأصلية، إلى benchmarked مقارنة مزوّدي الواجهات التجارية. في تقييمات مستقلة منشورة على GitHub، سجّلت المخرجات المجمّعة للشبكة درجات مماثلة لنماذج مفتوحة المصدر متوسطة مثل Mistral 7B لكنها أقل باستمرار من النماذج الحدّية مثل GPT-4o أو Claude 3.5 Sonnet في معايير الاستدلال القياسية.

وهذا يتوافق تقريباً مع ما يتنبأ به تصميم البروتوكول، أي إن مكافآت TAO مُعايرة وفقاً لإجماع الشبكة الداخلي، لا وفقاً لمعايير خارجية، لذا يعمل المعدّنون على تحسين رضا المدقّقين بدلاً من تحسين درجات MMLU.

سجّلت المخرجات النصية المجمّعة للشبكة الفرعية 1 أداءً يقارن بنماذج من فئة Mistral 7B لكن أقل من الواجهات التجارية الحدّية، وهو فجوة تعكس حوافز التسجيل الداخلية في البروتوكول أكثر من كونها سقفاً جوهرياً على جودة الذكاء الاصطناعي اللامركزي.

تمثّل الشبكة الفرعية 9، المتركزة على المساهمة في بيانات ما قبل التدريب، حالة أكثر إثارة للاهتمام من الناحية التقنية. Macrocosmos، الفريق الذي يدير Subnet 9، قام بنشر منهجية توضّح أن المعدّنين يساهمون ببيانات نصية بحجم الإنترنت تُستخدم لتدريب نموذج أساسي عام، مع تخصيص مكافآت TAO بناءً على درجات حداثة وجودة البيانات.

النموذج الناتج، الذي يتم تحديثه باستمرار على السلسلة، يمثّل محاولة حقيقية لتوزيع عملية ما قبل التدريب بشكل لامركزي. باحثون مستقلون أفادوا في الربع الأول من 2026 بأن نموذج Subnet 9 حقق درجات التباس (perplexity) تنافسية على معايير نمذجة اللغة القياسية، ما يشير إلى أن بعض الشبكات الفرعية على الأقل تُنتج مخرجات ذكاء اصطناعي ذات مغزى تقني.

Also Read: Bittensor's TAO Token And The AI-Crypto Thesis: Where The Network Stands In 2026

مشكلة الزراعة من أجل المكافآت وكيف يستغل المعدّنون النظام

كل نظام حوافز يواجه تحسيناً عدائياً، وBittensor ليست استثناءً. مشكلة الزراعة من أجل المكافآت في Bittensor تم توثيقها بشكل موسّع في قضايا GitHub العامة الخاصة بالبروتوكول ونقاشات المنتدى.

متجه الهجوم الأساسي واضح. بما أن المصدّقين (validators) يقيّمون المعدّنين عبر قنوات مؤتمتة، يمكن للمعدّنين الذين يفهمون منطق التقييم لدى المصدّق أن يصمّموا مخرجات تعظّم الدرجات دون إنتاج ذكاء فعّال حقيقي. هذا يشبه التلاعب بتحسين محركات البحث (SEO) الذي يركّز على تحسين القياس بدلاً من القيمة الفعلية التي يتم قياسها. على Subnet 1، حدد الباحثون حالات كان فيها المعدّنون يقدّمون ردوداً مُخبّأة مسبقاً على استعلامات معروفة من المصدّقين، متجاوزين خطوة الاستدلال الفعلية بالكامل.

تم توثيق الزراعة من أجل المكافآت من خلال تقديم ردود مُخبّأة مسبقاً وعكس هندسة منطق التقييم في عدة شبكات فرعية لـ Bittensor، بما في ذلك Subnet 1، ما يمثّل هجوماً مباشراً على أطروحة البروتوكول المتعلقة بجودة الذكاء.

ردّ مؤسسة Opentensor كان التوجّه نحو تنويع الاستعلامات وعشوائيتها في منطق المصدّقين، مما يجعل من الأصعب على المعدّنين تخزين إجابات مسبقة للمطالبات المتوقعة. لكن هذا ديناميكية سباق تسلّح. فمع ازدياد تعقيد منطق المصدّقين، يرتفع حاجز المشاركة النزيهة، مما يضر بالمعدّنين الصغار الذين يفتقرون إلى الموارد الهندسية لمجاراة ذلك.

Nucleus.ai، وهي مجموعة بحثية نشرت تحليلاً لتدفّقات الحوافز في Bittensor، قدّرت في أوائل 2026 أن ما بين 15% و25% من إصدار Subnet 1 كان يتدفق إلى معدّنين يُظهرون أنماط سلوك تتسق مع الزراعة من أجل المكافآت بدلاً من الاستدلال الحقيقي. هذا النطاق ينطوي على قدر من عدم اليقين، لكن حتى الحد الأدنى منه مهم مادياً.

Also Read: Tokenomics and Its Importance for Crypto Investors

اقتصاديات رمز TAO وسؤال استدامة الإصدار

اقتصاديات TAO الرمزية تشبه بنيوياً بيتكوين (BTC) في جانب مهم واحد: هناك سقف صارم يبلغ 21 مليون توكن، مع تنصيف للإصدار تقريباً كل أربع سنوات. حدث أول تنصيف لـ TAO في يناير 2025، ما خفّض إصدار الكتلة من 1.0 TAO إلى 0.5 TAO. حتى أبريل 2026، تم تعدين حوالي 8.2 مليون TAO، ما يمثّل تقريباً 39% من إجمالي المعروض.

دينامية التنصيف تخلق ضغطاً انكماشياً متعمّداً على تكاليف المشاركة في الشبكة بمرور الوقت. قد استحوذ المعدّنون والمصدّقون الأوائل على TAO عند معدلات إصدار مرتفعة؛ في حين سيعمل المشاركون المستقبليون تحت إصدار أقل. هذا يعكس مشكلة ميزانية أمان بيتكوين: مع انخفاض الإصدار، يجب على البروتوكول توليد إيرادات رسوم خارجية كافية أو استفادة من ارتفاع سعر التوكن للحفاظ على حوافز المشاركة.

مع وجود حوالي 39% من سقف معروض TAO البالغ 21 مليون توكن متداولاً بالفعل وتنصيف الإصدار كل أربع سنوات، يواجه البروتوكول نفس سؤال ميزانية الأمان طويلة الأجل مثل بيتكوين، بما يتطلب طلباً خارجياً بدلاً من الاعتماد على حوافز الإصدار الخالصة للحفاظ على المشاركة.

القيمة السوقية البالغة 2.4 مليار دولار في أواخر أبريل 2026 تعكس إيماناً سوقياً كبيراً بتحقق هذا الطلب الخارجي. لكن صورة الإيرادات الحالية ضعيفة. لا يفرض Bittensor رسوماً على واجهة برمجة التطبيقات (API) لاستهلاك مخرجات الشبكات الفرعية بطريقة موحّدة. يمكن لفرق الشبكات الفرعية الفردية أن تقوم – وهي تقوم فعلاً – بتحقيق الدخل من مخرجاتها خارجياً (Subnet 9 التي تديرها Macrocosmos لديها شراكات مع مؤسسات، على سبيل المثال)، لكن توكن TAO نفسه لا يستفيد من رسوم هذه العلاقات التجارية. أطروحة اقتصاديات التوكن تعتمد على أن يصبح TAO أصل احتياطي لاقتصاد ذكاء اصطناعي لامركزي، وهي حجة دائرية تعتمد على التبنّي.

Also Read: How Bitcoin Became The World's Purest Macro Asset In 2026

كيف يقارن Bittensor مع مقاربات الذكاء الاصطناعي اللامركزي الأخرى

لا يعمل Bittensor في فراغ. ظهرت عدة مقاربات منافسة للذكاء الاصطناعي اللامركزي، لكل منها افتراضات معمارية مختلفة حول مكان التقاط القيمة.

Ritual، شبكة استدلال ذكاء اصطناعي لامركزية، تتخذ مقاربة على مستوى العقود: يمكن للعقود الذكية استدعاء استدلالات نماذج الذكاء الاصطناعي على السلسلة، مع براهين تشفيرية على صحة التنفيذ. Modulus Labs نشرت عملاً تأسيسياً حول البراهين عديمة المعرفة لاستدلال الشبكات العصبية (zkML)، وهو مكدس تقني تعتمد عليه Ritual. الاختلاف الرئيسي عن Bittensor هو أن الأنظمة القائمة على zkML توفّر إمكانية تحقق تشفيرية من مخرجات النماذج، في حين يعتمد Bittensor على تقييم قائم على الإجماع لا يمكنه إثبات أن المعدّن شغّل نموذجاً معيناً بالشكل الصحيح.

Gensyn، منافس آخر، يركّز على الحوسبة القابلة للتحقق لتدريب نماذج الذكاء الاصطناعي بدلاً من الاستدلال، باستخدام نظام براهين احتمالي للتحقق من أن عمليات التدريب نُفّذت بشكل صحيح. هذا يعالج سؤال "هل قام المعدّن فعلاً بتشغيل النموذج؟" الذي يجيب عنه آلية إجماع Bittensor بشكل غير كامل فقط عبر التقييم السلوكي.

القابلية للتحقق التشفيري (zkML، البراهين المتفائلة) تمثّل ضمان جودة أقوى جوهرياً من مقاربة Bittensor القائمة على التقييم بالإجماع، لكنها تحمل تكلفة حوسبية أعلى بمقدار 10 إلى 100 مرة لكل استدلال في ظل تكاليف توليد البراهين الحالية.

المفاضلة حقيقية. المقاربات التشفيرية صادقة بشكل قابل للتحقق لكنها مكلفة حسابياً. مقاربة Bittensor القائمة على الإجماع رخيصة حسابياً لكنها صادقة بشكل احتمالي فقط. لمهام الاستدلال منخفضة المخاطر وعلى نطاق واسع، قد تكون مقاربة Bittensor الخيار العملي. لتطبيقات عالية المخاطر تتطلب قابلية للتدقيق، تمتلك أنظمة zkML أفضلية هيكلية. يبدو أن السوق ينقسم وفقاً لذلك، حيث يسعى Bittensor إلى الحجم والاتساع بينما تستهدف شبكات zkML حالات الاستخدام المؤسسية المنظمة.

Also Read: Web3 Identity: All You Need to Know About the Next Big Leap in Blockchain Security

نشاط المطوّرين، تمويل النظام البيئي، وخط أنابيب البنّائين

أحد المؤشرات القيادية الأكثر موثوقية لصحة بروتوكول ما هو نشاط المطوّرين، إذ يمكن لرأس المال المضارِب أن يغادر بين ليلة وضحاها بينما يستغرق زخم الهندسة وقتاً للبناء ووقتاً للتراجع.

منظمة GitHub الخاصة بـ Bittensor عبر مستودعاتها الأساسية تُظهر نشاط التزام (commit) ثابتاً في 2025 وبداية 2026. مستودع حزمة تطوير البرمجيات (SDK) الرئيسي "bittensor" سجّل في المتوسط أكثر من 150 التزاماً شهرياً خلال الربع الأول من 2026، كما شهد "subtensor" (عقدة البلوكشين المبنية بـ Rust) تطويراً نشطاً لوظائف مفاتيح الأطفال للمصدّقين وتحسينات حوكمة شبكة الجذر.

تقرير مطوّرين صادر عن Electric Capital في 2025 أشار إلى Bittensor بين البروتوكولات ذات أعلى نمو سنوي في عدد المطوّرين النشطين شهرياً بين مشاريع البلوكشين المركّزة على الذكاء الاصطناعي، رغم أن الأعداد المطلقة ما تزال متواضعة مقارنة بمنصات العقود الذكية الراسخة.

بيانات المطوّرين لعام 2025 من Electric Capital وضعت Bittensor بين أسرع مشاريع البلوكشين نمواً في مجال الذكاء الاصطناعي من حيث عدد المطوّرين النشطين شهرياً، رغم أن قاعدة مطوّريه المطلقة ما تزال أدنى بكثير من Ethereum (ETH) أو Solana (SOL).

تمويل النظام البيئي كان كبيراً. مؤسسة Opentensor أدارت برامج منح متعددة للشبكات الفرعية، موزّعة TAO مباشرة على الفرق التي تبني شبكات فرعية جديدة. كما دخل رأس المال الاستثماري الخارجي إلى طبقة الشبكات الفرعية: Multicoin Capital وPantera Capital وAndreessen Horowitz كلّها كشفت عن مراكز في مشاريع مرتبطة بـ Bittensor. يُقدَّر إجمالي رأس المال الاستثماري الذي تم ضخه في النظام البيئي، عبر مراكز مباشرة في TAO وتمويل فرق الشبكات الفرعية، بأكثر من 150 مليون دولار حتى 2025، وهو رقم يعكس قناعة مؤسسية حقيقية حتى مع احتساب علاوة المضاربة التي حملتها سرديات الذكاء الاصطناعي في تلك الفترة.

Also Read: Crypto Narratives Of 2026: Where Real Capital Flows — And Where Hype Dies

الخلاصة، ماذا تقول البيانات عن ما إذا كان النظام يعمل

بعد فحص بنية البروتوكول، والبيانات على السلسلة، ونشاط المطوّرين، والمشهد التنافسي، فإن الإجابة الصادقة عن السؤال في عنوان هذه المقالة هي: يعمل جزئياً، وبشكل غير متساوٍ.

إطار الشبكات الفرعية أظهر قدرة حقيقية على تنظيم الجهد البشري والموارد الحاسوبية حول مهام الذكاء الاصطناعي. مساهمات ما قبل التدريب المعيارية علناً في Subnet 9، وشبكة جمع البيانات Subnet 13 المسماة Dataverse، والشبكات الفرعية الخاصة بالأوراكل التي توفّر تغذيات بيانات مالية، كلها تُظهر أن الفرق قادرة على بناء بنية تحتية تقنية ذات مغزى للذكاء الاصطناعي داخل غلاف الحوافز الذي يوفّره Bittensor. البروتوكول ليس زائفاً. إنه يولّد عملاً حوسبياً حقيقياً ومخرجات نماذج حقيقية.

في الوقت نفسه، منطق التحقق لدى المصدّقين…التركيز، وتوثيق ممارسات “تجميع المكافآت”، وغياب التحقق التشفيري من المخرجات ليست نقاط ضعف بسيطة. إنها مشكلات بنيوية أساسية. آلية إجماع Yuma تعمل كما صُمِّمت على افتراض وجود مدقّقين موزّعين مستقلين. هذا الافتراض غير متحقق حالياً. نسبة تركّز أعلى 10 مدقّقين عند 65% من قوة التصويت في الشبكة الجذرية رقم يجب على البروتوكول خفضه عبر تكرار الحوكمة كي يثبت أطروحته طويلة الأمد.

أهم رقم في مستقبل Bittensor ليس سعر TAO أو عدد الشبكات الفرعية، بل معدل انخفاض تركّز حصص مدققي الشبكة الجذرية، إذ إن هذا المؤشر الواحد يحدد ما إذا كان إجماع Yuma ينتج إشارات جودة حقيقية للذكاء الاصطناعي أم توزيعاً منسقاً للمكافآت.

سؤال اقتصاديات الرمز هو الأكثر غموضاً على المستوى البنيوي. جدول إصدار ثابت السقف مقتبس من بيتكوين يعمل كميزانية أمنية عندما تحل رسوم الكتل مكان الإصدارات بمرور الوقت، كما حدث في بيتكوين.

بالنسبة لـ Bittensor، يتطلب الآلية المماثلة طلباً خارجياً من المؤسسات على مخرجات الشبكات الفرعية يتوسع بشكل هائل قبل عملية التنصيف التالية في 2029 التي ستضغط حوافز المعدّنين أكثر. هذا الطلب موجود حالياً في صورة أولية، لكنه ليس بعد بالحجم اللازم لدعم شبكة بقيمة 2.4 مليار دولار اعتماداً على إيرادات الرسوم وحدها. القيمة السوقية الحالية هي رهان جزئي على طلب مستقبلي، وجزئي على علاوة “سردية الذكاء الاصطناعي”، وفقط جزئياً انعكاس للإنتاجية الحالية الفعلية.

الخلاصة

يمثل Bittensor أكثر محاولة جدية حتى الآن لتطبيق آلية حوافز على نمط بيتكوين على إنتاج الذكاء الاصطناعي. بنية شبكاته الفرعية توسعت أسرع مما توقعه معظم المحللين، ومجتمع مطوريه آخذ في النمو، وعلى الأقل جزء ذو دلالة من شبكاته ينتج مخرجات ذكاء اصطناعي ذات مصداقية تقنية. يعكس تموضع TAO ضمن أعلى 40 أصل من حيث القيمة السوقية وتقييمه البالغ 2.4 مليار دولار اعترافاً مؤسسياً حقيقياً بهذه الطموحات.

لكن النمو السريع والعمل الموثوق إنجازان مختلفان. مشكلة تركّز المدقّقين، ووجود سلوكيات تجميع المكافآت الموثقة، والسؤال غير المحسوم حول كيفية حفاظ البروتوكول على حوافز المعدّنين بعد عمليات التنصيف المستقبلية من دون إيرادات رسوم خارجية واسعة النطاق ليست حالات هامشية يمكن تجاهلها.

إنها توترات تصميم جوهرية لم يحلّها Bittensor بعد، حتى لو أنه أنشأ أطر عمل للتعامل معها. أكثر صياغة فكرية منصفة لوضع Bittensor في أبريل 2026 هي أنه تجربة حية في إنتاج ذكاء اصطناعي قائم على السوق تجاوزت أول حاجز مصداقية (إنتاج مخرجات حقيقية من قدرة حوسبة حقيقية) لكنها لم تتجاوز بعد الحاجز الثاني (إنتاج مخرجات يمكن التحقق من أنها أفضل أو أرخص من البدائل المركزية وعلى نطاق كافٍ لتبرير اقتصاديات الشبكة ككل).

ما إذا كان سيتجاوز هذا الحاجز الثاني خلال العامين المقبلين سيعتمد بدرجة أقل على دورة السرد حول الذكاء الاصطناعي وبدرجة أكبر على القرارات الهندسية التي تتخذها مؤسسة Opentensor فيما يتعلق بإزالة مركزية المدقّقين وتوجيه الإيرادات الخارجية. هذا سؤال أضيق وأكثر قابلية للمعالجة مما يقترحه منتقدو البروتوكول، لكنه أصعب مما يقرّ به مؤيدوه.