نظرة عامة

بينما تتطور الذكاء الاصطناعي بسرعة، فإنه يتطلب المزيد من قوة الحساب، ومعالجة البيانات، والتعاون. لا يمكن لأنظمة البلوكشين التقليدية، مع حدود أدائها، أن تلبي بعد الطلبات المتزايدة لتطبيقات الذكاء الاصطناعي.

ظهرت جيل جديد من سلاسل الكتلة من الطبقة 1 المصممة للذكاء الاصطناعي. تركز هذه المشاريع على حل التحديات الرئيسية مثل الكفاءة والخصوصية الخاصة بالبيانات وتوزيع الموارد والتعاون اللامركزي بتكنولوجيا مبتكرة.

يستعرض هذا المقال ويحلل مشاريع الذكاء الاصطناعي الرئيسية مثل Bittensor و Vana و Kite AI و Nillion و Sahara من خلال التركيز على تقنياتها الأساسية وحالات استخدامها والإمكانيات المستقبلية.

ما هو طبقة الذكاء الاصطناعي 1؟

يعد سلسلة كتل Layer 1 شبكة سلسلة كتل أساسية بنظام توافقها وبنيتها التحتية الخاصة. على عكس حلول الطبقة 2، التي تعتمد على سلاسل كتل موجودة، تقوم سلاسل كتل Layer 1 بإنشاء وصيانة نظام بيئي متمركز تمامًا.

الطبقة الأولى للذكاء الاصطناعي هي سلسلة كتل مبنية للذكاء الاصطناعي. هدفها الرئيسي هو إنشاء نظام مركزي لتدريب نماذج الذكاء الاصطناعي، وتشغيل المهام الذكية، ومشاركة البيانات، وتقديم حوافز.

تدمج مشاريع طبقة الذكاء الاصطناعي 1 تقنية سلسلة الكتل لتعزيز الشفافية والعدالة في نظم الذكاء الاصطناعي ومواجهة المشكلة المستمرة لكون الذكاء الاصطناعي "صندوقًا أسود" من خلال استخدام قابلية التحقق وعدم القابلية للتغيير في سلسلة الكتل.

الأهمية:
اندماج الذكاء الاصطناعي والبلوكتشين هو مجال رئيسي للابتكار التكنولوجي، مدفوعًا بديناميكية واضحة للعرض والطلب:
يعتمد الذكاء الاصطناعي على كم هائل من البيانات والطاقة الحسابية: يمكن للبلوكشين توفير تخزين بيانات موزع، واستضافة نماذج، وأسواق لقوة الحساب؛
قرارات الذكاء الاصطناعي غير شفافة: توفر سجلات البلوكشين عمليات يمكن تتبعها والتحقق منها، مما يزيد من موثوقية؛
نقص آليات الحوافز: يمكن لاقتصاد رمز البلوكشين الأصلي تحفيز مساهمي البيانات وعقد الحسابات ومطوري النماذج بشكل فعال؛
ملكية البيانات والنموذج صعبة التحديد: العقود الذكية والتحقق على السلسلة توفر أساسًا لملكية الأصول الذكية والمعاملات.
هذه الاحتياجات الأساسية هي القوة الدافعة وراء النمو السريع لمشاريع الذكاء الاصطناعي المستوى 1.

ميزات رئيسية
الطبقة الذكية 1 ليست مجرد سرد جديد؛ بل لديها تركيز تكنولوجي مميز مقارنة بالبلوكشينات عامة الغرض:
قوة الحوسبة عالية الأداء وقدرات المعالجة المتوازية: توفير الدعم الأساسي لتدريب النماذج والاستدلال؛
دعم وكيل الذكاء الاصطناعي الأصلي: تطوير بيئات التشغيل وآليات التفاعل مصممة خصيصًا لوكلاء الذكاء الاصطناعي؛
آليات تحفيز البيانات الأصلية: استخدام الرموز لتحفيز تقديم البيانات والتعاون في النموذج؛
التحقق والمعاملة على السلسلة للنماذج والمهام: تمكين التكامل الحقيقي للويب3 من الأصول الذكية.

أربعة اتجاهات رئيسية تدفع تقنية الذكاء الاصطناعي المستوى الأول
ظهور طبقة الذكاء الاصطناعي 1 ليس مصادفة؛ إنه مدفوع بأربعة اتجاهات رئيسية:
انفجار الذكاء الاصطناعي الانشائي: انتشار النماذج الكبيرة دفع بزيادة طلب القوة الحسابية والبيانات بشكل متسارع؛
تطور آليات حوافز الويب 3: إنشاء دورة اقتصادية للبيانات والنماذج وقوة الحساب.
الإنشاء التدريجي لنظام الوكيل الذكاء الاصطناعي: متطلبات بيئة تنفيذ أساسية آمنة وشبكة قيم قوية.
تحول ملموس نحو تجزئة سلسلة الكتل: تحويل سلاسل الكتل من الطبقة 1 من 'عامة الغرض' إلى تركيبات 'متخصصة'.

المشاريع الرئيسية

نظرة عامة على المشاريع ذات الرموز الأصلية

بيتينسور

الخلفية والرؤية
يهدف Bittensor إلى بناء شبكة تعاونية للذكاء الاصطناعي غير المركزية تكسر الحواجز المركزية في تطوير الذكاء الاصطناعي التقليدي. إنه يشجع المطورين العالميين ومزودي الحوسبة على تدريب وتحسين نماذج الذكاء الاصطناعي بشكل مشترك. رؤيته هي دفع تطور تآزر النظام البيئي للذكاء الاصطناعي من خلال آليات مدفوعة من السوق، مما يخلق شبكة ذكية مفتوحة وشفافة.

هندسة التكنولوجيا والهندسة المعمارية والابتكار
يعتمد Bittensor على بنية ثنائية الطبقات: تنسق الشبكة الجذرية النظام العالمي، بينما يدعم النظام البيئي للشبكة الفرعية مجموعة متنوعة من المهام الذكاء الاصطناعي. تكمن الابتكار الأساسي في آلية تخصيص الموارد ذات الدفع السوقي dTAO، التي تقدم رمز الشبكة الفرعية Alpha للتنافس في السوق. تُخصص الموارد حسب الطلب، بينما يتم تحقيق قوة التحقق بشكل لامركزي لتجنب التحكم من قبل كيان واحد. تُعزز هذه التصميمات كفاءة النظام ومقاومته للرقابة.

سيناريوهات التطبيق والنظام البيئي
تتضمن بيتنسور بيئة متعددة الشبكات الفرعية مع تطبيقات نموذجية مثل تارجون (متخصصة في توليد النصوص، على غرار النماذج اللغوية المتقدمة)، وتوفير خدمات واجهة برمجة تطبيقات LLM، وتوليد إشارات تداول مالية، وتعاون تسمية البيانات. تعرض هذه الوحدات الفرعية قدرة بيتنسور الواسعة في مجالات مثل توليد النصوص والتنبؤ المالي ومعالجة البيانات. تجذب المطورين ومستخدمي الصناعة.

اقتصاد الرموز والقيمة
يعتبر رمز $TAO نواة نظام Bittensor، ويستخدم لدفع تكلفة قوة الحوسبة ومكافأة المساهمين وتشغيل منافسة الشبكة الفرعية. يمكن لحاملي الرمز $TAO أن يرهنوا $TAO للمشاركة في حوكمة الشبكة أو كسب مكافآت الشبكة الفرعية. مع توسع نظام الشبكة الفرعية، يُتوقع زيادة الطلب على $TAO، مع وثيقة قيمته بقوة الحوسبة الشبكية ونشاط التطبيق.

المصدر

فانا

الخلفية والرؤية
هدف ڤانا هو إعادة تشكيل سيادة البيانات للسماح للمستخدمين بامتلاك بياناتهم الشخصية والاستفادة منها حقًا، بدلاً من استغلالها من قبل العمالقة التكنولوجيين. رؤيتها هي إعادة بناء قيمة البيانات من خلال التكنولوجيا اللامركزية، وبالتالي خلق نظام اقتصادي للبيانات يعتمد على مبدأ المستخدم.

هندسة التكنولوجيا والابتكار
تنقسم تقنية Vana إلى طبقة سائلية للبيانات وطبقة قابلية نقل البيانات، مكملة بتصميم تخزين غير وصي. الابتكار الرئيسي هو أن بيانات المستخدم تظل خارج سلسلة الكتل لضمان الخصوصية، مع تمكين مشاركة البيانات وتوزيع القيمة من خلال حوافز السيولة ومكافآت المساهمين. يوازن هذا النموذج الموجه نحو المستخدم حماية الخصوصية مع حوافز اقتصادية ذات مغزى.

سيناريوهات التطبيق والنظام البيئي
تشمل التطبيقات النموذجية لـ Vana Finquarium (سوق بيانات مالية)، و GPT Data DAO (جمع وحوكمة بيانات المحادثات)، ومشاريع بيانات Reddit/Twitter (استخدام بيانات وسائل التواصل الاجتماعي). تظهر هذه السيناريوهات إمكانيات Vana في مجالات مثل المالية، تدريب الذكاء الاصطناعي، وتحليل الاجتماعي. إنها تجذب المساهمين والمطورين للانضمام إلى النظام البيئي.

اقتصاد الرموز والقيمة
$VANA يشغل نظام النظام البيئي Vana. يكسب المستخدمون ذلك من خلال تقديم البيانات، والشركات تنفقها للوصول إلى تلك البيانات. كما يمكنه المشاركة في الحوكمة. مع نمو استخدام البيانات، يصبح قيمة الرمز مرتبطة بشكل متزايد بنشاط الشبكة.

المصدر: https://www.vana.org/

نيليون

الخلفية والرؤية
تقوم Nillion ببناء شبكة حوسبة موجهة نحو الخصوصية مصممة لحل تحديات خصوصية البيانات. من خلال الاستفادة من "الحوسبة العمياء" - وهي طريقة تمكن الحساب على البيانات المشفرة - تهدف إلى دعم تبني تطبيقات الذكاء الاصطناعي و Web3 بشكل آمن وبمقياس كبير.

الهندسة المعمارية التكنولوجية والابتكار
في قلب Nillion تقع Nil Message Compute (NMC)، وهو نموذج "الحوسبة العمياء" الذي يدمج الحوسبة متعددة الأطراف (MPC) والبراهين الصفرية المعرفة (ZKPs) لتمكين تبادل البيانات بدون علم. ابتكارها الأساسي يكمن في تحقيق التوافق بدون سلسلة كتلية تقليدية، مع الحفاظ على معالجة مشفرة بدون تسرب صفري، مما يفتح آفاقًا جديدة لتطبيقات الخصوصية الحرجة.

سيناريوهات التطبيق والنظام البيئي
تتضمن تطبيقات Nillion المصادقة على الويب3 (حماية خصوصية هوية المستخدم)، وتدريب الخصوصية الذكية (تدريب النماذج على البيانات المشفرة)، ونمذجة البيانات السرية (حوسبة الخصوصية على مستوى المؤسسات). تظهر هذه السيناريوهات تطبيقاتها الواسعة في إدارة الهوية، تطوير الذكاء الاصطناعي، ومعالجة بيانات الأعمال، مجذبة لمستخدمي الصناعة ذوي الاحتياجات الخصوصية.

اقتصاد الرمز المميز والقيمة
$NIL يعمل كرمز استخدام أساسي لشبكة Nillion. يسهل الدفع لمهام الحساب ، ويحفز مشغلي العقد ، ويدعم نمو النظام البيئي بشكل عام. مع زيادة الطلب على الحساب الذي يحافظ على الخصوصية ، يرتبط قيمة $NIL بشكل متزايد بنشاط الشبكة والطاقة المحسوبة المساهمة ، مما يؤهله للإمكانات الطويلة الأمد القوية.

المصدر

هايبر سايكل

الخلفية والرؤية
هايبرسايكل هو مشروع يوفر بنية تحتية عالية الأداء للوكلاء الذكاء الاصطناعي. يتعاون مع سينغيولاريتي نت لتسريع التعاون عبر المنصات والتشغيل الفعال لوكلاء الذكاء الاصطناعي. رؤيته هي بناء البنية التحتية لدعم الجيل القادم من تطبيقات الذكاء الاصطناعي، مما يدفع اعتماد تقنية الذكاء الاصطناعي على نطاق واسع.

هندسة التكنولوجيا والابتكار
تركز الهندسة المعمارية التقنية لـ HyperCycle على طبقة دعم حوسبة الذكاء الاصطناعي عالية الأداء التي تتعاون بشكل عميق مع بيئة عمل SingularityNET. تشمل نقاط التحسين دعم عمليات الذكاء الاصطناعي عالية الأداء ، وقدرات التعاون عبر الأنظمة الأساسية ، وتحسين كفاءة تنفيذ وكيل الذكاء الاصطناعي ، وتوفير دعم أساسي لأنظمة الوكلاء المتعددة المعقدة.

سيناريوهات التطبيق والنظام البيئي
لم يتم إطلاق HyperCycle بعد بالكامل، ولكن التطبيقات النموذجية الخاصة به قد تشمل مجموعات وكلاء الذكاء الاصطناعي، مثل معالجة المهام الموزعة أو التعاون الذكي عبر الأنظمة. مع تعاونه مع SingularityNET، من المتوقع أن يغطي نظامه التطبيقات الذكية في مجالات مثل التعليم والرعاية الصحية والمالية، مع إمكانيات واعدة.

اقتصاد الرموز والقيمة
$HYPC هو رمز HyperCycle، يستخدم لدفع موارد الحوسبة، ومكافأة المساهمين، والمشاركة في حوكمة النظام البيئي. كجزء من بنية التحتية للذكاء الاصطناعي عالي الأداء، فإن قيمة $HYPC مرتبطة ارتباطا وثيقا بمقدار استخدام وطلب الحوسبة لوكلاء الذكاء الاصطناعي. يعتمد نموه على المدى الطويل على نضوج النظام البيئي.

المصدر

OriginTrail

الخلفية والرؤية للمشروع
تدمج OriginTrail تكنولوجيا الرسم البياني المعرفي مع الذكاء الاصطناعي لبناء منصة لامركزية لإدارة أصول المعرفة. وهدفها تعزيز قابلية تحقق البيانات وتعزيز التعاون عبر المجالات، مع رؤية لدفع التحول الرقمي في مجالات مثل سلاسل الإمداد والبحوث العلمية من خلال تبادل المعرفة الموثوق به.

هندسة التكنولوجيا والهندسة المعمارية والابتكار
تم بناء نواة OriginTrail على تكنولوجيا مخطط المعرفة ونظام لامركزي لتخزين والتحقق من أصول المعرفة. الابتكار الرئيسي في ذلك هو تمكين مشاركة المعرفة القابلة للتحقق، وضمان موثوقية البيانات، وتسهيل التكامل عبر المجالات. وهذه توفر بنية تحتية قوية لتطبيقات البيانات المعقدة.

سيناريوهات التطبيق والنظام البيئي
تشمل التطبيقات النموذجية لـ OriginTrail تتبع سلسلة التوريد (ضمان شفافية منشأ المنتج) والتحقق من ثقة البيانات (تصديق البيانات العلمية). لقد شراكت النظام البيئي بالفعل مع مختلف الصناعات، مثل سلاسل إمداد الغذاء وإدارة بيانات الرعاية الصحية. وهذا يعكس القيمة العملية الحقيقية لرسوم العلم.

اقتصاد الرموز والقيمة
$TRAC هو رمز OriginTrail الأصلي، ويُستخدم لدفع رسوم تخزين البيانات والتحقق، ولتحفيز عمليات العقدة. مع توسيع تطبيقات رسوم المعرفة إلى مجالات أكثر، يرتبط طلب $TRAC بحجم بيانات النظام البيئي واعتماد الصناعة، مما يوفر دعم قيمة مستقرة.

المصدر: https://origintrail.io/

الهندسة المعمارية التقنية الرئيسية

تعتبر الطبقة الأولى من البلوكشين العامة للذكاء الاصطناعي شبكات بلوكشين تم بناؤها خصيصًا لدعم تطبيقات الذكاء الاصطناعي. تقدم بنية تحتية فعالة وآمنة وقابلة للتوسيع لمهام مثل تدريب النماذج الذكية والاستدلال ومعالجة البيانات والعمليات التعاونية.

على عكس سلاسل الكتلة التقليدية من الطبقة 1 (مثل إيثريوم، سولانا)، يجب أن تتسع الذكاء الاصطناعي للطبقة 1 لاحتياجات مثل توزيع قوة الحساب، وخصوصية البيانات، وتنفيذ النموذج، والحكم اللامركزي. هذه تمنح هندستها الفنية ابتكارات فريدة.

أدناه نظرة عامة على الهندسيات التقنية الرئيسية لسلاسل كتل AI Layer 1، مع التركيز على الاتجاهات الرئيسية والمشاريع النموذجية مثل Kite AI و Bittensor.

الرؤية المستقبلية وقيمة الاستثمار

1. تطور تكنولوجي: الذكاء والتكامل

التكامل الشامل للذكاء الاصطناعي متعدد الوسائط
سيتجاوز نظام الذكاء الاصطناعي المستقبلي التخصصات الفردية (على سبيل المثال، إنشاء النصوص) ويتجه نحو التكامل متعدد الوسائط (النصوص، الصور، الصوت، الفيديو، وحتى بيانات الاستشعار). قد يوسع نظام الشبكة الفرعية الخاص بـ Bittensor لدعم تدريب النماذج متعددة الوسائط، ويمكن أن تصبح البنية التحتية لوكيل الذكاء الاصطناعي HyperCycle النواة للتعاون عبر الوسائط.

آلية الاتفاق التكيفية
سيتم تحسين آليات مثل PoAI (Kite AI) و dTAO (Bittensor) بشكل أكبر من خلال إدخال خوارزميات تكيفية تعدل بشكل ديناميكي قواعد التوافق استنادًا إلى تعقيد المهمة ومتطلبات الطاقة الحسابية واحتياجات الخصوصية لتحسين الكفاءة والعدالة.

التوحيد في الحوسبة الخصوصية
تقنيات "الحساب الأعمى" و ZKP/MPC لـ Nillion قد تصبح معايير صناعية. ستحول حماية الخصوصية من وظيفة حافة إلى مكون أساسي في طبقة الذكاء الاصطناعي 1. سيسرع أيضًا التكامل العميق لـ TEE (بيئة التنفيذ الموثوقة) مع تقنية البلوكشين.

المقدمة الأولية للحوسبة الكمومية
بحلول عام 2030، قد تبدأ الحوسبة الكمومية في دمجها مع نظام الذكاء الاصطناعي، خاصة في مجالات الحوسبة عالية الأداء (على سبيل المثال، HyperCycle). وسيؤدي هذا بشكل كبير إلى زيادة سرعة التدريب وقدرات التحسين للنماذج المعقدة.

الرؤية: ستنتقل التكنولوجيا من الابتكار اللامركزي إلى التكامل والتوحيد، حيث تكمن التنافسية الأساسية للنظام البيئي للذكاء الاصطناعي في الذكاء والقدرة على التكيف عبر المجالات.

المصدر:كايت الذكاء الاصطناعي

2. توسيع النظام البيئي: عملية عالمية واختراق صناعي

تشكيل شبكة قوة حوسبة عالمية
سوف تدمج أسواق القوة الحاسوبية اللامركزية (على سبيل المثال، Gensyn، Bittensor) الموارد الشاغرة العالمية لتشكيل شبكة قوة حاسوبية مشابهة لـ"الإنترنت الذكية". قد تصبح القوة الحاسوبية ذات التكلفة المنخفضة في البلدان النامية إضافة رئيسية للنظام البيئي.

ازدهار البيئات الفرعية الخاصة بالصناعة
سيتم تقسيم النظم الفرعية العمودية مثل الشبكة الفرعية الطبية لـ Kite AI وتتبع سلسلة التوريد لـ OriginTrail إلى مزيد من الصناعات مثل التعليم والطاقة والترفيه. قد تطور كل نظام فرعي رموزًا وآليات حوكمة مستقلة.

التعاون بين السلاسل والنظم البيئية المتقاطعة
سينشأ طبقة الذكاء الاصطناعي 1 توافقًا أقوى مع سلاسل الكتل التقليدية (على سبيل المثال، إيثيريوم، بولكادوت). على سبيل المثال، يمكن لطبقة بيانات فانا أن تدمج مع بروتوكولات ديفي، وقد يتصل برسم معرفة أوريجين تريل بأسواق ال NFT.

نمو النظام البيئي الذي يقوده المستخدم
قد يمتد نموذج سيادة بيانات فانا إلى مزيد من المستخدمين الأفراد. ستصبح مصادر البيانات من وسائل التواصل الاجتماعي، أجهزة الإنترنت من الأشياء، إلخ، مدخلات مهمة لنظام الذكاء الاصطناعي، وسيصبح دور المساهمين في المجتمع أكثر بروزًا.
الرؤية: ستنتقل البيئة البيئية الذكية من التكنولوجيا إلى التطبيق والمستخدم، وبالتالي تشكيل هيكل شبكي عالمي متعدد الطبقات يتخلل جميع جوانب الحياة الاجتماعية.

3. التأثير الاقتصادي والاجتماعي: إعادة تشكيل القيمة

نضوج اقتصاد الرمز
الرموز مثل $TAO و $VANA و $NIL لن تكون مجرد أدوات دفع بل قد تتطور إلى "أصول ذكية"، حيث يكون قيمتها مرتبطة مباشرة بالمساهمة في الطاقة الحسابية وجودة البيانات وأداء النموذج. قد يصبح $HYPC من HyperCycle العملة القياسية في سوق وكلاء الذكاء الاصطناعي.

نماذج وظائف جديدة واقتصادية
سيؤدي نظام الذكاء الاصطناعي إلى ظهور مهن جديدة مثل "منقبي قوة الحسابات"، "مزودي البيانات"، و"محسني النماذج". قد يصبح آلية تقاسم الأرباح في فانا شائعة وتسمح للأفراد بكسب دخل ثابت من خلال المساهمة بالبيانات أو قوة الحسابات.

كفاءة اجتماعية محسّنة
سيقوم تطبيقات مثل شفافية سلسلة التوريد لـ OriginTrail وإنشاء إشارات مالية لـ Bittensor بتحسين تخصيص الموارد وتقليل الهدر. قد تقلل أسواق الاستدلال الذكي (على سبيل المثال، Ritual) من تكاليف الشركات للحصول على خدمات ذكاء.

تحديات الانقسام الرقمي
قد تستفيد المناطق المتقدمة أولاً من نظام الذكاء الاصطناعي، بينما تواجه المناطق النامية خطر التخلف بسبب الحواجز التكنولوجية ونقص البنية التحتية. وقد يزيد هذا بشكل محتمل من الفجوة الرقمية العالمية.
النظرة المستقبلية: ستعيد البيئة البيئية للذكاء الاصطناعي هيكل الاقتصاد. ستمكن الأفراد من المشاركة أكثر بينما تعزز الاختلافات الاجتماعية.

المصدر:أوريجين تريل

تحديات

1. التحديات التقنية

تعقيدات البيئة الذكية تقنيا تطرح العديد من القضايا الأساسية التي يجب معالجتها:

الطاقة والعقبات الخاصة بقوة الحوسبة
التحدي: تتطلب تدريب النموذج الذكي والاستدلال على القوة الحاسوبية الهائلة، خاصة للنماذج الضخمة متعددة الوسائط (على سبيل المثال، توليد الفيديو أو الاستدلال عبر النطاقات). تعتمد بيتنسور والتدريب الموزع لجينسين على تكامل الطاقة الحاسوبية العالمية، لكن إمدادات معالج الرسومات الحالية محدودة، واستهلاك الطاقة للحوسبة عالية الأداء هائل، مما قد يؤدي إلى زيادة التكاليف أو اختناقات في الشبكة.
التأثير: قد تقيد القدرة الحاسوبية غير الكافية توسع النظام البيئي، وقد تثير قضايا الطاقة جدلًا بيئيًا، مما قد يؤدي إلى تضرر استدامة المشروع.
الحلول المحتملة: تطوير خوارزميات منخفضة الطاقة (على سبيل المثال، البدائل الأكثر كفاءة للمحول)، دمج العقد الحوسبة التي تعمل بالطاقة المتجددة، أو استكشاف تطبيقات الحوسبة الكمية المبكرة.

المصدر:TFSC

الخصوصية وتنفيذ التقنيات الأمنية
التحدي: يحتاج "الحساب الأعمى" من Nillion والتخزين غير الاحتجازي من Vana إلى ضمان عدم تسرب البيانات في البيئات اللامركزية ، لكن ZKP (براهين المعرفة الصفرية) و MPC (الحوسبة متعددة الأطراف) يتحملان تكاليف حسابية عالية ، مما قد يقلل من الكفاءة. تواجه TEE (بيئة التنفيذ الموثوقة) الخاصة ب Kite الذكاء الاصطناعي أيضا مخاطر أمان الثقة في الأجهزة وسلسلة التوريد.
التأثير: إذا لم تتمكن تقنيات الخصوصية من تحقيق التوازن بين الكفاءة والأمان، فقد يتم تقييد استخدامها في سيناريوهات عالية الإنتاجية (على سبيل المثال، التستخدم في الاستنتاج في الوقت الحقيقي).
الحلول المحتملة: تحسين خوارزميات التشفير (مثل ZKP خفيف الوزن)، تطوير رقائق الحوسبة الخاصة بالخصوصية، أو إدخال آليات الثقة التحققية على السلسلة.

نقص التوافق والموحدة
التحدي: مشاريع طبقة الذكاء الاصطناعي 1 (على سبيل المثال، Bittensor، Kite AI) تقوم كل منها ببناء شبكات فرعية أو وحدات مستقلة ولكنها تفتقر إلى معايير بروتوكول موحدة، مما يجعل التعاون عبر النظام البيئي صعبًا. على سبيل المثال، قد تواجه مجموعات وكلاء الذكاء الاصطناعي لـ HyperCycle صعوبة في التكامل مباشرة مع رسم معرفي لـ OriginTrail.
التأثير: قد يضعف تشتت النظام البيئي التنافسية العامة، وسيحتاج المطورون إلى التكيف مع منصات مختلفة، مما يزيد تكاليف التطوير مرارا وتكرارا.
الحلول المحتملة: تعزيز بروتوكولات التشغيل المشترك عبر السلاسل (على سبيل المثال ، آليات الجسر مثل Polkadot) أو المعايير الصناعية (على سبيل المثال ، تنسيقات نموذج الذكاء الاصطناعي الموحدة).

المصدر:ويكي بولكادوت

حوكمة النموذج والتتبع
التحدي: الذكاء الاصطناعي اللامركزي (على سبيل المثال، الشبكة الفرعية Targon لشركة Bittensor) يفتقر إلى آليات حوكمة فعالة على السلسلة لتتبع وتقييد سوء الاستخدام، ويمكن استخدامه لتوليد معلومات كاذبة أو محتوى خبيث. على الرغم من أن الرسم البياني للمعرفة في OriginTrail يمكنه التحقق من مصداقية البيانات، إلا أنه من الصعب مراقبة الإخراج الذكي الديناميكي المُولَّد في الوقت الحقيقي.
التأثير: يمكن أن يؤدي سوء استخدام التكنولوجيا إلى أزمة ثقة وعرقلة اعتماد النظام البيئي على نطاق واسع.
الحلول المحتملة: إدخال ميكنيزمات المصادقة على الهوية على السلسلة، أو آليات تتبع المحتوى، أو تطوير أدوات مراجعة أخلاقية مركزية.

2. التحديات السوقية

تنافس السوق واعتماد المستخدمين داخل نظام الذكاء الاصطناعي أمور حاسمة لنجاح تجاريته. التحديات الحالية تشمل:

التنافس المكثف وتشتت النظام البيئي
التحدي: تتداخل مشاريع طبقة الذكاء الاصطناعي 1 (على سبيل المثال، Bittensor مقابل Kite AI) والبيئات الخاصة بها (على سبيل المثال، Vana مقابل Nillion) في الوظائف (على سبيل المثال، تخصيص قوة الحساب، الخصوصية في البيانات)، مما يؤدي إلى تشتت الموارد والمستخدمين. كما أن الشركات التقنية التقليدية العمالقة (على سبيل المثال، Google، Microsoft) يقومون أيضًا بتوجيه أنفسهم بحلول ذكاء اصطناعي مركزية. إنها تستفيد من البيئات الناضجة ومزايا العلامة التجارية لالتقاط حصة السوق.
التأثير: قد تواجه المشاريع اللامركزية صعوبة في التطور بسبب نقص قواعد المستخدمين أو تكاليف الهجرة المرتفعة للمطورين.
الحلول المحتملة: جذب الأسواق النيش من خلال وضع متفرد (على سبيل المثال، يركز Bittensor على منافسة الشبكة الفرعية، و Vana على سيادة البيانات)، أو التعاون مع الشركات التقليدية (على سبيل المثال، OriginTrail مع صناعة سلسلة التوريد) لتوسيع التأثير.

تعليم المستخدم وعوائق اعتماد التكنولوجيا
التحدي: الطبيعة اللامركزية لنظام الذكاء الاصطناعي (على سبيل المثال، الحوافز المرتبطة بالرموز، والحكم على السلسلة) تعتبر معقدة بالنسبة للمستخدمين العاديين والشركات. على سبيل المثال، يتطلب نموذج تقديم بيانات Vana من المستخدمين فهم مفهوم سيادة البيانات، ومشاركة الشبكة الفرعية في Bittensor تتطلب من المطورين أن يكونوا لديهم خبرة في كل من تكنولوجيا السلسلة الكتلية والذكاء الاصطناعي.
التأثير: قد تحد منحنى التعلم الحاد من مشاركة المستخدم وتباطؤ نمو النظام البيئي.
الحلول المحتملة: تطوير واجهات سهلة الاستخدام (على سبيل المثال، أدوات تحميل البيانات المبسطة لـ Vana)، توفير موارد تعليمية، أو تقليل حواجز دخول المطورين من خلال SDKs.

عدم الاستقرار في اقتصاد الرمز المميز
تحدي: ترتبط الرموز مثل $TAO و $VANA و $NIL بنشاط النظام البيئي، ولكن قد تؤدي التقلبات السوقية إلى سلوك مدفوع بالتكهن (على سبيل المثال، تهوي الأسعار بعد الضجة الأولية). رهان $HYPC لـ HyperCycle يعاني من عدم وضوح قيمته التثبيطية حيث لم تُنشأ تطبيقاته بالكامل.
التأثير: قد يؤدي عدم استقرار سعر الرمز إلى تقويض ثقة المستخدم، مما يؤثر على الاستثمارات طويلة الأجل ومشاركة النظام البيئي.
الحلول المحتملة: تصميم آليات رمزية أكثر صلابة (على سبيل المثال، حرق ديناميكي، مكافآت قفل طويلة الأمد) أو تعزيز القيمة الجوهرية للرمز من خلال حالات استخدام في العالم الحقيقي (على سبيل المثال، سيناريوهات دفع سلسلة التوريد لـ OriginTrail).

المصدر

استدامة نماذج الأعمال
تحدي: يستخدم العديد من مشاريع نظام الذكاء الاصطناعي حوافز الرموز لجذب المستخدمين المبكرين، ولكن نماذج الربحية على المدى الطويل تظل غامضة. على سبيل المثال، يحتاج سوق الاستدلال التابع لريتوال إلى إثبات كفاءته من حيث التكلفة على خدمات السحابة المركزية، ويحتاج تدريب جينسين الموزع إلى تحقق تنافسيته التجارية.
تأثير: نقص التدفقات الدائمة للعائدات قد يؤدي إلى ثغرات تمويل المشروع، مما يقيد توسيع النظام البيئي.
الحلول المحتملة: استكشاف نماذج عمل هجينة (على سبيل المثال، الاشتراك + دفعات الرموز)، أو توقيع عقود طويلة الأمد مع عملاء المؤسسات (على سبيل المثال، خدمات الحوسبة الخصوصية لـ Nillion).

3. التحديات التنظيمية

مع تصبح التكنولوجيا الذكاء الاصطناعي والبلوكشين أكثر انتشارًا، تزداد أهمية المنظر النظامي العالمي تأثيرًا على النظم البيئية الذكاء الاصطناعي:

الخصوصية والامتثال عبر الحدود للبيانات
التحدي: تشير مشاريع مثل Vana و Nillion إلى سيادة البيانات والخصوصية، ولكن هناك فروق تنظيمية كبيرة بين الدول فيما يتعلق بتخزين البيانات ونقلها عبر الحدود (على سبيل المثال، لائحة حماية البيانات العامة للاتحاد الأوروبي). قد يُنظر إلى التخزين اللامركزي على أنه وسيلة لتفادي التنظيم، مما يؤدي إلى مخاطر قانونية.
التأثير: قد تضعف تكاليف الامتثال المتزايدة تنافسية المشاريع عالميا وحتى تؤدي إلى حظر الأسواق في مناطق معينة.
الحلول المحتملة: تطوير إطارات الامتثال المرنة (على سبيل المثال، نشر العقد الإقليمي) أو التعاون مع الجهات التنظيمية المحلية (على سبيل المثال، ممارسات الامتثال لسلسلة التوريد في الاتحاد الأوروبي لشركة OriginTrail).

المصدر

أخلاقيات الذكاء الاصطناعي والمساءلة
التحدي: يمكن أن تولد الذكاء الاصطناعي اللامركزي (على سبيل المثال، الشبكة الفرعية لتوليد النصوص من Bittensor) محتوى ضار، ولكن قد تواجه الحكومة على السلسلة صعوبة في تحديد المساءلة. تطالب الجهات التنظيمية العالمية (على سبيل المثال، قانون الاتحاد الأوروبي للذكاء الاصطناعي) بشفافية ومساءلة صارمة لتطبيقات الذكاء الاصطناعي عالية المخاطر، مما يتعارض مع الطبيعة اللامركزية للتعتيم.
التأثير: يمكن أن تضطر الضغوط التنظيمية المشاريع إلى ضبط هندستها أو الانسحاب من بعض الأسواق، مما يزيد من التعقيد التشغيلي.
الحلول المحتملة: إدخال تتبع على السلسلة (مثل التحقق من المحتوى القائم على OriginTrail)، أو التعاون مع الجمعيات الصناعية لتطوير معايير أخلاقيات الذكاء الاصطناعي.

المصدر

الرموز والتنظيم المالي
التحدي: قد يتم تصنيف الرموز مثل $TAO و $VANA على أنها أوراق مالية أو أدوات دفع. يجب عليها الامتثال للوائح مالية (على سبيل المثال، قانون الأوراق المالية لدى SEC في الولايات المتحدة). قد يؤدي استخدام $HYPC من HyperCycle لعمليات الدفع عبر الحدود إلى إثارة الشكوك في مجال مكافحة غسيل الأموال (AML).
التأثير: يمكن أن تحد من عدم اليقين التنظيمي من دوران الرمز وأثر نموذج الاقتصاد في النظام البيئي.
الحلول المحتملة: توضيح سمات الفائدة للرموز (بدلاً من السمات الاستثمارية)، أو التقديم لاختبار صندوق الرمل التنظيمي (على سبيل المثال، نماذج مشاريع البلوكتشين في سنغافورة).

متطلبات الامتثال الخاصة بالصناعة
التحدي: يجب أن تتوافق شبكة Kite AI الطبية وحوسبة الخصوصية لشركة Nillion مع التنظيمات الخاصة بالصناعة (على سبيل المثال، HIPAA لحماية البيانات الصحية). قد تواجه الهندسيات اللامركزية صعوبة في توفير قدرات التدقيق المطلوبة من قبل الأنظمة التقليدية.
التأثير: يمكن أن تؤدي تعقيدات الامتثال في الصناعة إلى تأخير تنفيذ المشروع وتقييد الوصول إلى السوق.
الحلول المحتملة: شراكة مع مزودي تكنولوجيا الامتثال (على سبيل المثال، أدوات التدقيق على السلسلة)، أو التركيز على الأسواق ذات العتبات التنظيمية المنخفضة للنشر المبكر.

المصدر

استنتاج

مع استمرار تطور تكنولوجيا الذكاء الاصطناعي، تظهر مشاريع سلسلة الكتل AI Layer 1 كبنية تحتية حيوية لمعالجة التحديات في مجالات الحوسبة، ومعالجة البيانات، والتنسيق اللامركزي. من خلال الاستفادة من الهياكل المعمارية المبتكرة، تظهر هذه المشاريع إمكانات قوية لتحسين كفاءة نظام الذكاء الاصطناعي، وتعزيز خصوصية البيانات، وتحسين توزيع وتحفيز الموارد الحسابية.

بينما تبدو آفاق مشاريع الذكاء الاصطناعي من الطبقة 1 واعدة، إلا أنها ليست بدون عقبات. قد تعيق تفاصيل التنفيذ والتكامل بين المجالات عملية التقدم السريع. لا تزال عمليات الاعتماد في مراحلها الأولى، مع عدم تحقيق السوق للثقة في تحقيق الاندماج بين الذكاء الاصطناعي والبلوكتشين بالكامل بعد. التباس التنظيمي يعقد المشهد بشكل إضافي. وقبل كل شيء، الحفاظ على الخصوصية مع تمكين المشاركة في البيانات ذات المغزى يظل تحديًا مركزيًا — وغير محلول — خاصة في نشر المستوى الشركات.

في الختام، على الرغم من أن هذه المشاريع تجلب الابتكار التكنولوجي والفرص التحولية، يجب على المشاركين البقاء حذرين من المخاطر المرتبطة. ستكون التكرار التكنولوجي المستمر والتحقق السوقي القوي أمرين أساسيين لضمان الاستدامة على المدى الطويل والصمود في هذا المجال المتطور بسرعة.