قبل ثلاث سنوات، كانت بيتنسر (TAO) موضوعًا تقنيًا غامضًا يُناقَش أساسًا في قنوات أبحاث تعلم الآلة ومنتديات العملات المشفّرة المتخصصة.
اليوم تتجاوز قيمتها السوقية 2.7 مليار دولار، وتستضيف 64 شبكة فرعية نشطة، وتمثل على الأرجح أكثر المحاولات طموحًا في صناعة البلوك تشين لتحويل إنتاج الذكاء الاصطناعي إلى سلعة سوقية يمكن لأي شخص المشاركة فيها. وحقيقة أن معظم المراقبين في عالم التشفير ما زالوا يواجهون صعوبة في شرح ما تفعله بالضبط هي، من نواحٍ كثيرة، جوهر الفكرة.
نمت الشبكة من دون مختبر ذكاء اصطناعي مركزي، ومن دون مركز بيانات مملوك، ومن دون كيان شركي واحد مسيطر. بدلًا من ذلك، تعمل وفق بنية حوافز جديدة حيث تتنافس نماذج تعلم الآلة فيما بينها على عملات TAO المُصدَرة حديثًا، بينما يقوم المدققون بتقييم مخرجاتها وتوزيع المكافآت تبعًا لذلك.
هذه الآلية، البسيطة نظريًا والمعقدة جدًا عمليًا، هي ما تتناوله هذه المقالة بالتفصيل من الأساس.
الخلاصة السريعة (TL;DR)
- تشغّل بيتنسر سوقًا لامركزيًا للذكاء الاصطناعي حيث تكسب نماذج تعلم الآلة مكافآت TAO بناءً على القيمة المعلوماتية القابلة للقياس التي تقدمها لشبكة المدققين.
- توسّع البروتوكول من شبكة موحّدة واحدة إلى 64 شبكة فرعية متخصصة، تستهدف كل منها مهمة ذكاء اصطناعي محددة من توليد النصوص إلى طيّ البروتينات إلى التنبؤ المالي.
- مع قيمة سوقية تبلغ 2.7 مليار دولار وحجم تداول يومي يتجاوز 260 مليون دولار، أصبح TAO واحدًا من أكثر أصول التشفير المرتبطة بالذكاء الاصطناعي سيولة، ومع ذلك تظل آليات تسعيره غير مفهومة جيدًا لدى معظم المشاركين في السوق.
ما هي بيتنسر فعليًا، ولماذا يصعب شرحها
السبب الأكبر لكون بيتنسر ما زالت قليلة التحليل هو أنها لا تنتمي بوضوح لأي فئة قائمة في التشفير. فهي ليست بلوك تشين من الطبقة الأولى تنافس إيثريوم (ETH) في قدرة معالجة المعاملات. وليست بروتوكول DeFi لتحسين كفاءة رأس المال. وليست منصة NFT أو عملة ميم. بل هي، بأدق وصف متاح، سوق لامركزي للذكاء الآلي، مبني فوق بلوك تشين من نوع Substrate.
يعرض الورقة البيضاء الأصلية، التي ألّفها جاكوب روبرت ستيفز وعلاء شعبانة وجرى تداولها أول مرة في 2021، المشكلة الجوهرية بوضوح مباشر. تطوير الذكاء الاصطناعي تهيمن عليه شركات متكاملة رأسيًا قليلة تتحكم في بيانات التدريب، وبنية الحوسبة التحتية، ونشر النماذج في الوقت نفسه.
هذا التركّز يعني أن القيمة الاقتصادية التي ينتجها الذكاء الاصطناعي تذهب تقريبًا بالكامل إلى تلك الكيانات. الحل الذي تقترحه بيتنسر هو تفكيك حزمة إنتاج الذكاء الاصطناعي إلى مساهمات منفصلة وتسعير كل مساهمة باستخدام رمز أصلي على البلوك تشين.
تجادل الورقة البيضاء لبيتنسر صراحة بأن ذكاء الاصطناعي، مثل النطاق الترددي أو القدرة الحاسوبية، يجب معاملته كسلعة يمكن للأسواق تسعيرها بكفاءة عندما تتوفر سكك الحوافز المناسبة.
البلوك تشين الذي تستخدمه بيتنسر مبني باستخدام إطار Substrate الخاص بـ بولكادوت، ما يمنحه بيئة تنفيذ معيارية ويسمح بترقيات الحوكمة من دون انقسامات صلبة. يشغّل المدققون على الشبكة دوال تقييم لمخرجات المعدّنين، الذين يديرون نماذج تعلم الآلة. يحدد إجماع المدققين كيفية تدفق TAO المُصدَر حديثًا لكل مشارك.
الأهم أن عملية التقييم ليست عشوائية: المدققون الذين يتواطؤون لمكافأة نماذج ضعيفة يُعاقَبون هم أنفسهم عبر آلية تُسمى إجماع «يُوما» (yuma consensus)، والتي قام الفريق بتفصيلها رسميًا في مستندات تقنية.
اطلع أيضًا: Hyperliquid’s HYPE Token Near $41 With $9.7B Market Cap And Active DEX Volume
محرك إجماع يُوما وكيف يحصل المعدّنون على أجورهم
فهم منطق مكافآت بيتنسر يتطلب فهم إجماع يُوما، لأنه الآلية التي تميز هذه الشبكة عن تصاميم أبسط مثل إثبات العمل أو إثبات الحصة. التحدي الأساسي الذي يحله هو التالي: إذا كان بإمكان المدققين تعيين أوزان للمعدّنين بحرية، فستكون لديهم حوافز قوية للتواطؤ مع معدّنين محددين والاستحواذ على مكافآت غير متناسبة. يوازن إجماع يُوما حوافز المدققين بجعل مكافآتهم الخاصة مشروطة بمدى تطابق تقييماتهم مع التقدير الوسيط على مستوى الشبكة.
عمليًا، المدقق الذي يقيّم باستمرار معدّنًا منخفض الجودة بتقييم مرتفع سينحرف كثيرًا عن مصفوفة الأوزان الوسيطة التي تتفق عليها الشبكة.
هذا الانحراف يقلل من حصة إصدار ذلك المدقق. الآلية الرسمية تُنشئ دالة عقوبة يتزايد فيها خفض المكافأة مع زيادة البعد عن الإجماع. هذا يخلق ضغطًا ذاتي التصحيح نحو التقييم الصادق من دون الحاجة إلى حكم مركزي.
في إطار إجماع يُوما، يكسب المدققون كميات أقل من TAO عن كل وحدة مسافة تنحرف بها أوزانهم عن مصفوفة الأوزان التوافقية للشبكة، ما يربط دخلهم مباشرة بأمانة التقييم.
في المقابل، يتنافس المعدّنون فقط على جودة المخرجات. فمعدّن يشغّل نموذج لغة على شبكة فرعية لتوليد النصوص يتلقى استعلامًا من مدقق، ويُرجع استجابة، ثم يسجل المدقق تلك الاستجابة وفق معيار جودة داخلي لديه.
مجموع النقاط التي يجمعها المعدّن عبر جميع المدققين يحدد وزنه في الانبعاث عند كل كتلة. قامت مؤسسة أوبنتنسر، المنظمة غير الربحية التي تحافظ على الشفرة الأساسية، بإتاحة المصدر لكامل طبقة البروتوكول، ما يعني أن بإمكان أي شخص فحص كيفية حساب الانبعاثات بدقة.
اطلع أيضًا: Bitget CFD Volume Hits $8B Daily As Gold Drives 95% Of Gain
من شبكة واحدة إلى 64 شبكة فرعية، تحوّل معماري غيّر كل شيء
كانت شبكة بيتنسر الأصلية شبكة فرعية واحدة تركز على ذكاء نماذج اللغة. كان كل معدّن يشغّل نموذج إكمال نص، وكان المدققون يقيّمون المخرجات مقارنة ببعضها البعض. عمل هذا التصميم كإثبات مفهوم، لكنه خلق عنق زجاجة حرجًا: لم يكن بوسع الشبكة تحسين سوى نوع واحد من مهام الذكاء الاصطناعي في كل مرة، وكانت المهمة السائدة تُحدَّد بواسطة الجهة التي تنشر أكبر قدرة حاسوبية.
بنية الشبكات الفرعية، التي أُدخِلت عبر سلسلة من مقترحات الحوكمة بدءًا من أواخر 2023، أعادت هيكلة هذا جذريًا.
بدل منافسة عالمية واحدة، يدعم البروتوكول الآن ما يصل إلى 1,024 شبكة فرعية مستقلة منطقيًا، لكل منها مجموعة مدققين خاصة، ودالة تقييم خاصة، وتخصيص انبعاث خاص. تتنافس الشبكات الفرعية على حصة من انبعاث TAO العالمي عبر آلية تسجيل، ويحدد مشغلو الشبكات الفرعية القواعد التي يجب على معدّنيهم اتباعها.
اعتبارًا من مايو 2026، توجد 64 شبكة فرعية نشطة على الشبكة الرئيسية لبيتنسر، تغطي مهام تتراوح من التخزين اللامركزي والتنبؤ بالسلاسل الزمنية المالية إلى التنبؤ ببنية البروتين والتوليد الموزّع لنصوص إلى صور.
الآثار الاقتصادية لهذا التحوّل كبيرة. فكل شبكة فرعية تُعد سوقًا فرعيًا لنوع محدد من الذكاء. تظل الشبكة الفرعية 1 هي شبكة التلقين النصي الأصلية. الشبكة الفرعية 9، التي تديرها ماكروكوزموس، تركز على التدريب المسبق التعاوني لنماذج اللغة الكبيرة. الشبكة الفرعية 21، التي تديرها أوميغا لابز، تجمع بيانات متعددة الوسائط. تنوّع المهام يعني أن انبعاث TAO يتدفق الآن إلى مجموعة أوسع بكثير من مساهمي الذكاء الاصطناعي مقارنة بأي بنية قائمة على نموذج واحد. تقرير المطورين الصادر عن Electric Capital developer report يتابع بيتنسر كواحدة من أسرع النظم البيئية نموًا للمطورين في التشفير خلال الثمانية عشر شهرًا الماضية، مع زيادة عدد المساهمين النشطين شهريًا في مستودعات GitHub الخاصة بالبروتوكول بنسبة تزيد عن 200% على أساس سنوي.
اطلع أيضًا: Pudgy Penguins’ PENGU Token Holds $616M Market Cap Despite 2% Pullback
اقتصاديات رمز TAO وجدول الانبعاث الشبيه بالبيتكوين
تصميم رمز بيتنسر يستعير عمدًا من بنية عرض البيتكوين (BTC)، وهذا التشابه ليس شكليًا. يبلغ الحد الأقصى لإمداد TAO 21 مليون رمز. ينخفض معدل الانبعاث تقريبًا كل أربع سنوات، مع حدوث آخر تنصيف في أواخر 2025، ما قلل الانبعاث اليومي من نحو 7,200 TAO إلى قرابة 3,600 TAO يوميًا.
هذا المسار الانكماشي للمعروض جزء أساسي من كيفية توقع مصممي البروتوكول أن يزداد سعر الرمز مع نمو الطلب على خدمات الذكاء الاصطناعي.
في وقت كتابة هذه السطور، يتم تداول TAO عند نحو 282 دولارًا بقيمة سوقية متداولة تبلغ 2.7 مليار دولار.
يبلغ إجمالي المعروض المتداول قرابة 8.9 مليون TAO، ما يعني أن نحو 42% من الحد الأقصى قد تم سكّه. يعني معدل الانبعاث بعد التنصيف أن إصدار TAO الجديد أصبح بطيئًا بما يكفي كي يمارس حتى الطلب المتزايد بشكل متواضع ضغطًا صعوديًا ملموسًا على السعر.
يعني انبعاث TAO بعد التنصيف بنحو 3,600 رمز يوميًا أن المعروض الجديد السنوي الذي يدخل السوق يقل عن 370 مليون دولار بالأسعار الحالية، وهو معدل إصدار متشدد نسبيًا لبروتوكول يحقق مئات الملايين في حجم التداول اليومي.
يتوزع الانبعاث على ثلاث فئات من أصحاب المصلحة. يحصل المعدّنون على 41% من انبعاث كل كتلة. يحصل المدققون على 41%. أما الـ 18% المتبقية فتذهب إلى مالكي الشبكات الفرعية الذين قاموا برهن TAO لتسجيل شبكاتهم. يهدف هذا التقسيم الثلاثي إلى ضمان بقاء الأدوار الثلاثة مجدية اقتصاديًا في الوقت نفسه. مشغلو الشبكات الفرعية الذين يفشلون في جذب معدّنين ذوي جودة لا يحصلون على أي فائدة من الانبعاث رغم رهنهم، ما يخلق رابطًا مباشرًا بين جودة الشبكة الفرعية والعائد الاقتصادي. حافز لبناء مهام ذكاء اصطناعي مفيدة حقًا بدلاً من شبكات فرعية فارغة تجمع الرسوم.
Also Read: Toncoin Gains 5% With $3.8B Market Cap While Telegram Ecosystem Activity Expands
كيف يقوم المدققون فعليًا بتقييم مخرجات الذكاء الاصطناعي، الواقع التقني
إحدى أكثر الانتقادات شيوعًا لبِت تِنشِر من المراقبين التقنيين هي أن مشكلة التقييم صعبة. كيف يعرف المدقق ما إذا كانت مخرجات نموذج لغوي ما أفضل من مخرجات نموذج آخر من دون الوصول إلى تسميات حقيقة أرضية؟
هذه ليست مسألة بسيطة، وقد طوّرت الشبكات الفرعية المختلفة في البروتوكول إجابات مختلفة بالفعل اعتمادًا على طبيعة مهمة الذكاء الاصطناعي التي تقوم بتحسينها.
في الشبكات الفرعية القائمة على النصوص، يستخدم المدققون عادةً مزيجًا من تقييم نموذج مرجعي وبدائل لتفضيلات البشر. قد يقوم مدقق يُشغّل الشبكة الفرعية 1 بتمرير استعلام إلى عدة مُنقِّبين، وجمع الاستجابات، ثم تقييم تلك الاستجابات باستخدام نموذجه المرجعي الداخلي. تكون الدرجات نسبية: المُنقّب الذي تُحكم مخرجاته بأنها أفضل من وسيط المُنقّبين يحصل على درجة إيجابية.
في الشبكة الفرعية 9، التي تركز على ما قبل التدريب، يكون التحقق أكثر موضوعية: يقيم المدققون ما إذا كانت أوزان النموذج التي يقدّمها المُنقّب تحسّن فعلًا قابلية التنبؤ (perplexity) على مجموعة بيانات تقييم محجوزة، وهو مقياس قابل للقياس والتكرار.
يمكن للشبكات الفرعية التي تركز على المخرجات القابلة للتحقق، مثل التنبؤ بالبنية البروتينية أو توليد البراهين الرياضية، استخدام دوال تحقق حتمية، مما يجعلها أكثر مقاومة لتواطؤ المدققين مقارنةً بالشبكات الفرعية القائمة فقط على جودة النصوص الذاتية.
اعتمدت شبكات فرعية أخرى ما يسميه المجتمع أسلوب تحقق على غرار "إثبات العمل"، حيث تحتوي المخرجات نفسها على دليل تشفيري على الجهد الحسابي المبذول. هذا مهم بشكل خاص للشبكات الفرعية التي تركز على التدريب الموزع، حيث يقدّم المُنقّبون تحديثات للمتدرجات يمكن للمدققين التحقق من أنه تم حسابها بأمانة باستخدام تقنيات مستمدة من verifiable computation research. يعتبر تنوع آليات التحقق عبر الشبكات الفرعية ميزة لا عيبًا: فهو يسمح للبروتوكول بتكييف منطق التقييم مع خصائص التحقق المحددة لكل مهمة من مهام الذكاء الاصطناعي.
Also Read: Ondo Finance Jumps 13% While Real-World Asset Tokens Regain Momentum
المشهد التنافسي، من الذي يبني فعليًا على بِت تِنشِر
لا تعمل بِت تِنشِر في عزلة. فقد أدّى التقارب الأوسع بين الذكاء الاصطناعي والعملات المشفّرة إلى ظهور عدة بنى متنافسة، لكل منها أطروحة مختلفة حول كيفية وجوب عمل الذكاء الاصطناعي اللامركزي. اندمجت Fetch.ai و SingularityNET و Ocean Protocol في عام 2024 لتشكّل Artificial Superintelligence Alliance، مما خلق نظامًا بيئيًا رمزيًا موحدًا وصلت قيمته السوقية لفترة وجيزة إلى أكثر من 3 مليارات دولار.
اتّخذت Gensyn نهجًا مختلفًا، إذ ركّزت حصريًا على الحوسبة القابلة للتحقق لتدريب النماذج بدلًا من بناء سوق متكامل. وتستمر Render Network في الهيمنة على سوق الرسوميات المعتمدة على وحدات معالجة الرسوميات (GPU) اللامركزية، رغم أن طموحاتها في الذكاء الاصطناعي لا تزال أكثر محدودية.
ما يميز بِت تِنشِر عن هؤلاء المنافسين هو عمق آلية الحوافز. تستخدم معظم مشاريع الذكاء الاصطناعي المشفّر المكافآت الرمزية كآلية تسويق: دفع المطورين بالرموز للبناء على منصّتهم. أما بِت تِنشِر فتستخدم المكافآت الرمزية كآلية إنتاج فعلية: تتدفق الرموز مباشرةً إلى النماذج التي تنتج قيمة قابلة للقياس، وليس إلى المطورين الذين كتبوا تلك النماذج. هذا الفارق مهم للغاية لجودة مخرجات الذكاء الاصطناعي التي يمكن للشبكة الحفاظ عليها بمرور الوقت.
على عكس معظم مشاريع الذكاء الاصطناعي المشفّر التي تكافئ المطورين على البناء على منصتها، تكافئ بِت تِنشِر نماذج الذكاء الاصطناعي نفسها على إنتاج جودة مخرجات قابلة للقياس، مما يخلق ضغط أداء مستمرًا لا يمكن لِمِنَح المطورين أن تكرره.
دَرَسَ analysis published on arXiv في يونيو 2025 الخصائص النظرية للألعاب لعدة تصاميم حوافز لذكاء اصطناعي لامركزي، ووجد أن إجماع "yuma" الخاص ببِت تِنشِر أنتج أدنى معدل لتواطؤ المدققين في البيئات المحاكية مقارنةً بتصاميم أبسط لتخصيص المكافآت.
أشار البحث إلى أن فعالية الآلية تعتمد بشكل حاسم على وجود مجموعة مدققين كبيرة ومتنوعة بما يكفي، وهو شرط يلبّيه حاليًا الشبكة الرئيسية لبِت تِنشِر على الشبكات الفرعية الأكبر، لكنه قد لا يتحقق على الشبكات الفرعية الأصغر والناشئة.
Also Read: ASTEROID Token Rallies 14% While Retail Traders Chase Space-Themed Meme Coin Narrative
اقتصاد Staking وكيف يتدفق توكن TAO عبر الشبكة
إلى جانب تقسيم الإصدارات بين المُنقِّبين والمدققين، تمتلك بِت تِنشِر اقتصاد رهن (staking) متقدمًا يشكّل كيفية دوران توكن TAO عبر الشبكة. يجب على المدققين رهن TAO للحصول على وزنٍ تصويتي في آلية الإجماع. يحدد المبلغ المرهون نسبة الإصدارات التي يمكن للمدقق توزيعها، وهو ما يحدد بدوره مدى جاذبية هذا المدقق للمُنقّبين الساعين إلى تعظيم مكافآتهم.
يخلق هذا سباق تسلّح في الرهن يؤدي تدريجيًا إلى تركّز قوة المدققين بين حاملي TAO الكبار.
للمشاركة كمفوّض دون تشغيل بنية تحتية للمدقق، يمكن لحاملي TAO تفويض حصتهم إلى مدققين موجودين عبر آلية يسميها المجتمع "تفويض hotkey". يشارك المفوّضون في دخل إصدارات المدقق بنسبة تتناسب مع مبلغهم المرهون، ناقصًا عمولة يحددها المدققون بشكل تنافسي. تُظهر بيانات Taostats explorer أن التفويض قد نما بشكل كبير خلال 2025 و2026، مع رهن أكثر من 65% من المعروض المتداول من TAO إما مباشرة أو عبر التفويض.
أكثر من 65% من المعروض المتداول من TAO مرهون حاليًا أو مُفَوَّض وفقًا لبيانات السلسلة من Taostats، مما يجعل بِت تِنشِر إحدى أعلى الشبكات من حيث معدل المشاركة في الرهن بين أفضل 50 أصلًا مشفّرًا من حيث القيمة السوقية.
يؤثر ديناميك الرهن أيضًا بشكل مباشر في اقتصاديات الشبكات الفرعية. يجب على مالكي الشبكات الفرعية قفل TAO لتسجيل شبكتهم الفرعية والحفاظ على حالتها النشطة. إذا انخفض رهن تسجيل الشبكة الفرعية عن الحد الأدنى المطلوب لأن أسعار التوكن ترتفع بينما يبقى مقدار TAO المطلوب ثابتًا، فإن الشبكة الفرعية تُخاطر بإلغاء تسجيلها.
يخلق هذا حلقة تغذية راجعة مثيرة للاهتمام: ارتفاع أسعار TAO يجعل الحفاظ على تسجيل الشبكات الفرعية أكثر تكلفة، ما قد يقلل عدد الشبكات الفرعية النشطة ما لم تضبط آلية الحوكمة الحدود المطلوبة وفقًا لذلك. وقد أشارت مؤسسة Opentensor إلى أن تكاليف التسجيل التكيفية مدرجة على خارطة طريق الترقية الرئيسية التالية للشبكة.
Also Read: SkyAI Surges 106% In 24 Hours As AI Token Narrative Pulls Fresh Capital Into The Sector
حالات الاستخدام الواقعية ومن الذي يستهلك فعليًا ذكاء بِت تِنشِر الاصطناعي
من العادل طرح سؤال الاستهلاك بشأن أي مشروع ذكاء اصطناعي مشفّر: من الذي يستخدم فعليًا الذكاء الاصطناعي الذي تنتجه هذه الشبكات؟ آلية الحوافز أنيقة نظريًا، لكن مكافآت الإصدارات يمكن أن تدعم الإنتاج حتى في غياب مستهلك نهائي. إن فهم ما إذا كانت مخرجات بِت تِنشِر تُستهلك في تطبيقات حقيقية أمر أساسي لتقييم أطروحتها حول تراكم القيمة على المدى الطويل.
أوضح دليل على الاستهلاك الفعلي يأتي من الشبكات الفرعية ذات واجهات برمجة التطبيقات (API) الخارجية. تقدّم Corcel، وهي شركة ناشئة مبنية على بنية بِت تِنشِر، واجهة API عامة تُوجّه طلبات استدلال الذكاء الاصطناعي إلى مُنقّبي بِت تِنشِر وتفرض رسوماً على العملاء بالعملات التقليدية وTAO معًا. وقد reported كورسيل معالجة أكثر من 50 مليون استدعاء API عبر الشبكة، لخدمة عملاء من بينهم مطورون مستقلون وشركات ناشئة صغيرة في مجال الذكاء الاصطناعي ومؤسسات بحثية تبحث عن استدلال منخفض التكلفة دون الاعتماد على بنية OpenAI أو Anthropic.
أبلغت Corcel، أبرز مزوّد API خارجي لبِت تِنشِر، عن أكثر من 50 مليون استدعاء استدلال تم توجيهها عبر الشبكة، ما يوفر دليلًا ملموسًا على أن استهلاكًا من أطراف ثالثة يتجاوز الزراعة الداخلية للإصدارات يحدث على نطاق ذي مغزى.
أنتج جهد ما قبل التدريب التعاوني للشبكة الفرعية 9، الذي تديره Macrocosmos، أوزان نماذج قابلة للتنزيل بحرية استخدمها باحثون خارجيون في used مهام ضبط لاحق (fine-tuning) متدافعة. هذه نقطة بيانات ذات مغزى لأنها تُظهر أن مخرجات بِت تِنشِر يمكن أن تبلغ عتبة جودة يجدها الباحثون المستقلون مفيدة، وليس مجرد عتبة ترضي المدققين الداخليين الذين يحسنون لأجل إصدارات التوكن.
قدرة الشبكة على الحفاظ على هذا مستوى الجودة الخارجي مع توسّعها عبر المزيد من الشبكات الفرعية ستكون إحدى أهم الأسئلة التجريبية التي يجب تتبّعها خلال ما تبقّى من عام 2026.
Also Read: Coinbase's Base Ditches Optimistic Rollups, Bets $12B On ZK Proofs
المخاطر، متجهات الهجوم، والمشكلات الصعبة التي لم تحلّها بِت تِنشِر بالكامل
لن تكتمل أي دراسة بحثية عن بِت تِنشِر دون تقييم صارم لنقاط ضعف البروتوكول المعروفة والمشكلات غير المحلولة. هناك عدة نقاط، ويجدر ذكرها مباشرةً بدلًا من التقليل من شأنها.
أولها وأكثرها استمرارًا هو مشكلة قانون غودهارت. عندما يصبح المقياس هدفًا، يتوقف عن كونه مقياسًا جيدًا. يُحسّن المُنقّبون في بِت تِنشِر للحصول على درجات المدققين، لا لإنتاج ذكاء اصطناعي مفيد حقًا للمستهلكين النهائيين.
في الشبكات الفرعية التي يكون فيها تقييم المدقق غامضًا أو سيئ المعايرة، يمكن أن يتعلم المُنقّبون استغلال دالّة التقييم دون تحسين جودة النموذج الأساسية. وقد لوحظ ذلك تجريبيًا في عدة شبكات فرعية أصغر، حيث نشر المُنقّبون نماذج تعظّم الدرجة على التوزيع المحدد من الاستعلامات التي يستخدمها المدققون بينما تؤدي أداءً ضعيفًا على مجموعات اختبار محجوزة.
Research onتحسين الخصومة في الأنظمة التحفيزية للذكاء الاصطناعي، بما في ذلك ورقة بحثية لعام 2024 منشورة على arXiv، تُظهر أن الوكلاء الذين يقومون بالتحسين بناءً على إشارات عائد بديلة (proxy reward) يتعلمون بشكل روتيني سلوكيات تُرضي المقياس من دون تحقيق الهدف الأساسي الكامن وراءه، وهو خطر يجب على مصممي الشبكات الفرعية في Bittensor الدفاع ضده بنشاط.
الخطر الرئيسي الثاني هو تركّز المدقّقين (validators). بما أن وزن المدقّق في آلية الإجماع يتناسب مع كمية TAO المرهونة، وبما أن قيمة TAO قد ارتفعت بشكل كبير، فقد ارتفعت تكلفة أن تصبح مدقّقاً ذا تأثير كبير بشكل حاد.
تشير بيانات Taostats إلى أن أعلى 10 مدقّقين من حيث الرهن يسيطرون على حصة غير متناسبة من وزن الانبعاث (emission weight) على عدد من الشبكات الفرعية الرئيسية. إذا استمر هذا التركّز، فقد تتآكل بمرور الوقت درجة تنوّع وجهات نظر التقييم التي تجعل إجماع yuma قوياً في مواجهة التواطؤ.
الخطر الثالث هو الخطر التنظيمي. لم تُصدر هيئة الأوراق المالية والبورصات الأميركية (SEC) توجيهاً محدداً حول ما إذا كان TAO يُعد ورقة مالية، لكن هيكلية الرمز، حيث يحقق حاملو TAO دخلاً من الانبعاثات عبر الرهن، تشترك في خصائص مع عقود استثمارية استهدفتها الجهات التنظيمية في إجراءات إنفاذ سابقة.
قامت مؤسسة Opentensor بهيكلة البروتوكول كبرنامج مفتوح المصدر بدلاً من منتج مُدار، ما يوفر قدراً من الحماية القانونية، لكن البيئة التنظيمية للأصول المشفرة المرتبطة بالذكاء الاصطناعي في الولايات المتحدة تظل غير محسومة فعلاً مع الاقتراب من عام 2026.
Also Read: Trump's WLFI Strikes Back At Justin Sun With Defamation Lawsuit
أداء السعر، هيكل السوق، وأطروحة مستثمري TAO
كان لـ TAO واحد من أكثر مسارات الأسعار إثارة للاهتمام بين أعلى 50 أصل مشفّر خلال العامين الماضيين. فمن سعرٍ دون 50 دولاراً في أوائل 2024، ارتفع الرمز إلى أكثر من 700 دولار في أواخر 2024 مع دفع زخم سردية الذكاء الاصطناعي رؤوس الأموال المؤسسية والتجزئة إلى هذا القطاع في الوقت نفسه. التصحيح اللاحق سحب TAO إلى نطاق 200–300 دولار خلال معظم عام 2025، ويُتداول الرمز حالياً قرب 282 دولاراً في أوائل مايو 2026، مع حجم تداول يومي يتجاوز 260 مليون دولار، ما يشير إلى عمق سيولة كبير.
هيكل السوق المحيط بـ TAO يختلف بشكل جوهري عن معظم الرموز ضمن أعلى 50. نظراً لأن أكثر من 65% من المعروض مُرهون، فإن المعروض المتاح للتداول (float) فعلياً رقيق للغاية. يمكن لتدفق محدود نسبياً من ضغط الشراء أن يحرك السعر بقوة في أي من الاتجاهين.
هذا يولّد تقلباً عالياً حول أحداث أخبار الذكاء الاصطناعي الكلية: فعندما تعلن مختبرات الذكاء الاصطناعي الكبرى عن اختراقات، أو عندما تهدد التطورات التنظيمية الشركات المركزية العاملة في الذكاء الاصطناعي، يميل TAO إلى التحرك بدرجة تضخيمية مقارنةً بالسوق المشفّر الأوسع.
مع رهن أكثر من 65% من معروض TAO وإزالته من التداول النشط، يصبح المعروض السائل الفعّال رقيقاً بما يكفي لأن ينتج عن 100 مليون دولار من صافي ضغط الشراء تحركات سعرية بنسب مئوية من رقمين، وهو محرّك هيكلي للتقلب ينبغي على المستثمرين أخذه في الحسبان صراحةً.
أطروحة الاستثمار المؤسسي في TAO تطورت بمرور الوقت. المشترون الأوائل اعتبروه رهاناً مضارباً على تقارب سردية الذكاء الاصطناعي مع الكريبتو. الاهتمام المؤسسي الأحدث، كما يظهر في إدراج TAO في عدد من ملفات صناديق الكريبتو وتحليلات تجمّع المحافظ على السلسلة من Nansen، ينظر إليه كحصة بنيوية في سلسلة توريد ذكاء اصطناعي لا مركزية يمكن أن توفر منافسة ذات مغزى لمزوّدي الاستدلال المركزيين مع تسارع سلعة النماذج (model commoditization). ما إذا كانت هذه الأطروحة ستثبت صحتها يعتمد على ما إذا كانت جودة مخرجات الشبكة ستواصل التحسن، وما إذا كان الاستهلاك الخارجي سينمو بشكل أسرع من زراعة الانبعاثات الداخلية. كلا الشرطين يتجه حالياً في الاتجاه الصحيح، وإن لم يكن أي منهما مضموناً.
Read Next: LUNC Price Climbs 6.5% While Terra Luna Classic Community Targets Higher Burns
الخاتمة
يُعدّ بروز Bittensor كشبكة بقيمة 2.7 مليار دولار أمراً جديداً فعلاً في كلٍّ من صناعة الذكاء الاصطناعي ونظام الكريبتو البيئي. فقد أنشأت سوقاً فعّالة للذكاء الآلي تعمل من دون مُسيطر مؤسسي، وتُسعّر مخرجات الذكاء الاصطناعي في الزمن الفعلي عبر آلية إجماع، وتوزّع المكافآت الاقتصادية على المساهمين بناءً على الأداء القابل للقياس بدلاً من ملكية الأسهم أو عقود العمل. هذه الخصائص ذات أهمية معمارية بغض النظر عما سيفعله سعر TAO في الربع القادم.
توسّع البروتوكول إلى 64 شبكة فرعية حوّله من تجربة ذات مهمة واحدة إلى سوق متنوع للذكاء الاصطناعي، حيث تطوّر كل شبكة فرعية منطق التحقق الخاص بها بما يناسب طبيعة المهمة التي تؤديها.
التحديات المتبقية حقيقية: استغلال قانون غودهارت (Goodhart’s Law) في الشبكات الفرعية سيئة التصميم، وتزايد مركزية المدقّقين، والموقف التنظيمي غير المحسوم في الولايات المتحدة، كلها تمثل مخاطر جوهرية ينبغي على المستثمرين والمطورين تقييمها بعناية. لا شيء من هذه المخاطر فريد من نوعه لـ Bittensor، لكنها أيضاً ليست تافهة.
ما ستختبره مسيرة Bittensor حتى عام 2026 في نهاية المطاف هو ما إذا كان بإمكان آلية إنتاج لا مركزية بالكامل الحفاظ على جودة مخرجات الذكاء الاصطناعي على نطاق واسع من دون مزايا التنسيق التي تتمتع بها المختبرات المركزية. تشير الأدلة التجريبية من بيانات استهلاك واجهة برمجة تطبيقات Corcel وأوزان النماذج التي تم تنزيلها علناً من Macrocosmos إلى أنه يمكنها بلوغ عتبة جودة مفيدة. ما إذا كان بإمكانها بلوغ عتبة جودة حدّية (frontier quality)، تجعلها تنافس مخرجات مختبرات الذكاء الاصطناعي الأكثر تمويلاً في العالم، يبقى السؤال المفتوح الذي سيحدد الفصل التالي من قصة هذا البروتوكول.