من التعلم الفيدرالي إلى شبكة الوكلاء اللامركزية، تحليل مشروع ChainOpera

المؤلف: 0xjacobzhao

في تقرير يونيو "الكأس المقدسة للذكاء الاصطناعي في العملات المشفرة: استكشاف الحدود للتدريب اللامركزي"، أشرنا إلى التعلم الفيدرالي (Federated Learning) كحل "لامركزي تحت السيطرة" بين التدريب الموزع والتدريب اللامركزي: جوهره هو الاحتفاظ بالبيانات محليًا وتجميع المعلمات مركزيًا، مما يلبي احتياجات الخصوصية والامتثال في مجالات مثل الرعاية الصحية والمالية. في الوقت نفسه، نواصل في تقاريرنا السابقة التركيز على ظهور الشبكات الذكية (Agent) - حيث تكمن قيمتها في إكمال المهام المعقدة من خلال الاستقلالية والتقسيم بين الوكلاء المتعددين، مما يدفع التطور من "النماذج الكبيرة" إلى "النظام الإيكولوجي للوكلاء المتعددين".

تأسس التعلم الفيدرالي على "عدم خروج البيانات من الموقع، وتحفيز حسب المساهمة" كأساس للتعاون متعدد الأطراف، حيث توفر جيناته الموزعة، والتحفيز الشفاف، وضمان الخصوصية، والممارسات المتوافقة خبرات قابلة لإعادة الاستخدام مباشرة لشبكة الوكلاء. يعمل فريق FedML على تعزيز هذه المسار، حيث يتم ترقية الجينات مفتوحة المصدر إلى TensorOpera (طبقة البنية التحتية لصناعة الذكاء الاصطناعي)، ثم تتطور إلى ChainOpera (شبكة الوكلاء اللامركزية). بالطبع، فإن شبكة الوكلاء ليست بالضرورة امتدادًا للتعلم الفيدرالي، حيث يكمن جوهرها في التعاون الذاتي بين الوكلاء المتعددين وتقسيم المهام، ويمكن أيضًا بناؤها مباشرة على أنظمة الوكلاء المتعددين (MAS)، أو التعلم المعزز (RL) أو آليات التحفيز القائمة على blockchain.

واحد، بنية تقنية تعلم الفيدرالية ووكيل الذكاء الاصطناعي

التعلم الفيدرالي (Federated Learning, FL) هو إطار عمل للتدريب التعاوني دون تركيز البيانات، حيث تقوم الأطراف المشاركة بتدريب النماذج محليًا، وتحميل المعلمات أو التدرجات إلى نقطة التنسيق للتجميع، مما يحقق "عدم خروج البيانات من النطاق" من حيث الامتثال للخصوصية. بعد التجارب في مجالات نموذجية مثل الصحة والمالية والهواتف المحمولة، دخل التعلم الفيدرالي مرحلة تجارية ناضجة نسبيًا، ولكنه لا يزال يواجه عقبات مثل ارتفاع تكاليف الاتصال، وعدم اكتمال حماية الخصوصية، وانخفاض كفاءة التقارب بسبب تباين الأجهزة. مقارنةً بأنماط التدريب الأخرى، يركز التدريب الموزع على تجميع قوة الحوسبة سعياً لتحقيق الكفاءة والنطاق، بينما يوفر التدريب غير المركزي تعاوناً موزعاً بالكامل من خلال شبكة مفتوحة من قوة الحوسبة، في حين يقع التعلم الفيدرالي في مكان بين الاثنين، حيث يمثل حلاً "مركزياً موزعاً": يلبي احتياجات الصناعة من حيث الخصوصية والامتثال، ويوفر مسارًا ممكنًا للتعاون بين المؤسسات، مما يجعله مناسبًا لبنية نشر انتقالية في الصناعة.

!

وفي مجموعة بروتوكولات الوكيل الذكي (AI Agent) بالكامل، قمنا في تقاريرنا البحثية السابقة بتقسيمها إلى ثلاثة مستويات رئيسية، وهي

طبقة البنية التحتية (طبقة البنية التحتية للوكيل): توفر هذه الطبقة الدعم التشغيلي الأساسي للوكلاء، وهي الأساس الفني لبناء جميع أنظمة الوكلاء.

• النمط الأساسي: يتضمن إطار العمل الخاص بالوكلاء (إطار تطوير وتشغيل الوكلاء) ونظام تشغيل الوكلاء (جدولة المهام المتعددة على مستوى أدنى ووقت التشغيل المعياري) ، لتوفير قدرات أساسية لإدارة دورة حياة الوكلاء.
• الوحدات المدعومة: مثل Agent DID (الهوية اللامركزية)، Agent Wallet & Abstraction (تجريد الحسابات وتنفيذ المعاملات)، Agent Payment/Settlement (قدرات الدفع والتسوية).

تركز طبقة التنسيق والتنفيذ على التعاون بين الوكلاء المتعددين، وجدولة المهام وآليات تحفيز النظام، وهي مفتاح لبناء نظام الوكلاء "الذكاء الجماعي".

• تنسيق الوكلاء: هو آلية القيادة، تستخدم لتوحيد جدولة وإدارة دورة حياة الوكلاء، وتوزيع المهام وعمليات التنفيذ، وتناسب سيناريوهات سير العمل ذات التحكم المركزي.
• Agent Swarm: هي بنية تعاونية تؤكد على تعاون الوكلاء الموزعين، وتتميز بقدرتها العالية على الاستقلالية، وقدرتها على تقسيم العمل، والتعاون المرن، مما يجعلها مناسبة للتعامل مع المهام المعقدة في البيئات الديناميكية.
• طبقة حوافز الوكيل: بناء نظام الحوافز الاقتصادية لشبكة الوكلاء، وتحفيز المطورين والمنفذين والمتحققين، لتوفير动力 مستدام للإيكولوجيا الذكية.

طبقة التطبيق (طبقة التطبيق والتوزيع)

• فئات التوزيع: تشمل منصة إطلاق الوكلاء، سوق الوكلاء وشبكة ملحقات الوكلاء
• فئات التطبيقات: تشمل AgentFi و Agent Native DApp و Agent-as-a-Service وغيرها
• فئة الاستهلاك: وكيل اجتماعي / وكيل مستهلك بشكل رئيسي، موجهة نحو سيناريوهات اجتماعية خفيفة للمستهلكين
• ميم: يعتمد على مفهوم الوكيل للترويج، يفتقر إلى تنفيذ تقني فعلي وتطبيق عملي، مدفوع فقط بالتسويق.

اثنان، معيار التعلم الفيدرالي FedML ومنصة TensorOpera الكاملة

FedML هو أحد أوائل الأطر المفتوحة المصدر الموجهة للتعلم الفيدرالي (Federated Learning) والتدريب الموزع، نشأ من فريق أكاديمي (USC) وتطور تدريجياً ليصبح المنتج الرئيسي لشركة TensorOpera AI. يوفر أدوات تدريب تعاونية عبر المؤسسات والأجهزة للباحثين والمطورين، في الأوساط الأكاديمية، أصبح FedML منصة تجريبية شائعة في أبحاث التعلم الفيدرالي، حيث يظهر بشكل متكرر في مؤتمرات مثل NeurIPS و ICML و AAAI؛ في القطاع الصناعي، يتمتع FedML بسمعة عالية في السيناريوهات الحساسة للخصوصية مثل الرعاية الصحية والمالية والذكاء الاصطناعي على الحافة و Web3 AI، ويعتبر أداة معيارية في مجال التعلم الفيدرالي.

!

TensorOpera هو منصة بنية تحتية شاملة للذكاء الاصطناعي موجهة نحو الشركات والمطورين، تم تطويرها بواسطة FedML استنادًا إلى مسار تجاري: مع الحفاظ على قدرة التعلم الفيدرالي، يمتد إلى سوق GPU، وخدمات النماذج، وMLOps، مما يتيح دخول سوق أكبر في عصر النماذج الكبيرة والوكيل. يمكن تقسيم الهيكل العام لـ TensorOpera إلى ثلاثة مستويات: طبقة الحوسبة (الطبقة الأساسية)، وطبقة الجدولة (طبقة الجدولة)، وطبقة MLOps (طبقة التطبيقات):

1. طبقة الحساب (الطبقة الأساسية)

层 Compute هو الأساس التقني لـ TensorOpera، ويستمر في جينات FedML المفتوحة المصدر، تشمل الوظائف الأساسية خادم المعلمات، التدريب الموزع، نقطة الاستدلال وخادم التجميع. يتمثل موقع قيمته في توفير التدريب الموزع، وحماية الخصوصية في التعلم الفيدرالي، ومحرك استدلال قابل للتوسع، يدعم ثلاث قدرات أساسية: "Train / Deploy / Federate"، ويغطي سلسلة كاملة من تدريب النموذج، والنشر، إلى التعاون عبر المؤسسات، وهو الطبقة الأساسية للمنصة بأكملها.

2. طبقة الجدولة (الطبقة المتوسطة)

تُعتبر طبقة Scheduler بمثابة مركز تداول القوة الحاسوبية والجدولة، وتتكون من سوق GPU، Provision، Master Agent وSchedule & Orchestrate، حيث تدعم استدعاء الموارد عبر السحابة العامة ومزودي GPU والمساهمين المستقلين. هذه الطبقة هي نقطة التحول الرئيسية في ترقية FedML إلى TensorOpera، حيث يمكن من خلال الجدولة الذكية للقوة الحاسوبية وترتيب المهام تحقيق تدريب واستدلال أكبر نطاقًا للذكاء الاصطناعي، مما يشمل السيناريوهات النموذجية للـ LLM وAI التوليدي. في الوقت نفسه، تتيح نمط Share & Earn في هذه الطبقة واجهة آلية تحفيزية، ولديها القدرة على التوافق مع نماذج DePIN أو Web3.

3. طبقة MLOps (الطبقة العليا)

طبقة MLOps هي واجهة خدمات مباشرة على المنصة موجهة للمطورين والشركات، بما في ذلك تقديم النماذج، والوكيل الذكي، واستوديو، وغيرها من الوحدات. تشمل التطبيقات النموذجية Chatbot LLM، والذكاء الاصطناعي التوليدي متعدد الوسائط، وأدوات المساعد للمطورين. تكمن قيمتها في تجريد القدرة الحاسوبية الأساسية وقدرة التدريب إلى واجهات برمجة التطبيقات عالية المستوى والمنتجات، مما يقلل من عتبة الاستخدام، ويوفر وكيل جاهز للاستخدام، وبيئة تطوير منخفضة التعليمات البرمجية، وقدرة نشر قابلة للتوسع، حيث تستهدف منصات البنية التحتية الجديدة مثل Anyscale وTogether وModal، مما يعمل كجسر للانتقال من البنية التحتية إلى التطبيقات.

!

في مارس 2025، سيتم ترقية TensorOpera إلى منصة شاملة موجهة لوكلاء الذكاء الاصطناعي، حيث تشمل المنتجات الأساسية تطبيق AgentOpera AI، والإطار، والمنصة. توفر طبقة التطبيقات مدخلات متعددة الوكلاء مشابهة لـ ChatGPT، بينما تتطور طبقة الإطار إلى "Agentic OS" كنظام وكلاء متعدد الهيكل. أما طبقة المنصة، فتندمج بعمق مع منصة نموذج TensorOpera وFedML، مما يحقق خدمات نماذج موزعة، وتحسين RAG، ونشر هجينة على السحابة. الهدف العام هو إنشاء "نظام تشغيل واحد، وشبكة وكلاء واحدة"، مما يمكّن المطورين والشركات والمستخدمين من بناء بيئة جديدة من الذكاء الاصطناعي الوكيلة في بيئة مفتوحة مع حماية الخصوصية.

ثلاثة، ChainOpera AI الإيكولوجيا الشاملة: من المبدعين المشتركين إلى قاعدة التكنولوجيا

إذا كانت FedML هي النواة التقنية، فقد وفرت الجينات المفتوحة للتعلم الفيدرالي والتدريب الموزع؛ فإن TensorOpera تقوم بتحويل نتائج البحث العلمي لـ FedML إلى بنية تحتية شاملة للذكاء الاصطناعي قابلة للتسويق، بينما تقوم ChainOpera "برفع" قدرات منصة TensorOpera إلى السلسلة، من خلال AI Terminal + شبكة اجتماعية للوكيل + نموذج DePIN وطبقة الحوسبة + بلوكتشين أصلي للذكاء الاصطناعي، لبناء نظام بيئي لشبكة وكيل لامركزية. يكمن التحول الأساسي في أن TensorOpera لا تزال موجهة بشكل أساسي نحو الشركات والمطورين، بينما تستفيد ChainOpera من آليات الحوكمة والتحفيز المعتمدة على Web3، مما يجعل المستخدمين والمطورين ومقدمي GPU / البيانات جزءًا من بناء مشترك وإدارة مشتركة، مما يجعل وكيل الذكاء الاصطناعي ليس فقط "مستخدمًا"، بل "مشاركًا في الإبداع والامتلاك المشترك".

!

بيئة المبدعين (Co-creators)

يوفر ChainOpera AI سلسلة أدوات وبنية تحتية وطبقة تنسيق لمشاركة البيئة من خلال منصة Model & GPU ومنصة Agent، لدعم تدريب النماذج، وتطوير الوكلاء، ونشر وتوسيع التعاون.

تغطي المساهمون في نظام ChainOpera البيئي مطوري الوكلاء الذكاء الاصطناعي (تصميم وتشغيل الوكلاء الذكيين) ، ومقدمي الأدوات والخدمات (القوالب و MCP وقواعد البيانات و API) ، ومطوري النماذج (تدريب ونشر بطاقات النموذج) ، ومقدمي GPU (المساهمة في قوة الحوسبة من خلال DePIN وشركاء السحابة Web2) ، ومساهمي البيانات ومقدمي التوصيف (تحميل ووصف البيانات متعددة الوسائط). تدفع ثلاث فئات رئيسية من العرض - التطوير والقوة الحاسوبية والبيانات - النمو المستمر لشبكة الوكلاء الذكيين.

مالكون مشتركين (Co-owners)

تقدم سلسلة Opera نظامًا مشتركًا من خلال التعاون والمشاركة لبناء الشبكة معًا. يعتبر منشئو الوكلاء الذكائيون أفرادًا أو فرقًا، يقومون بتصميم ونشر وكالات جديدة من خلال منصة الوكلاء، ويتحملون مسؤولية البناء والإطلاق والصيانة المستمرة، مما يعزز الابتكار في الوظائف والتطبيقات. أما المشاركون في الوكلاء الذكائيين فيأتون من المجتمع، حيث يشاركون في دورة حياة الوكلاء من خلال الحصول على وحدات الوصول (Access Units) والاحتفاظ بها، ويدعمون نمو الوكلاء ونشاطهم خلال عملية الاستخدام والترويج. يمثل النوعان من الأدوار جانب العرض وجانب الطلب، مما يشكل نموذجًا مشتركًا للقيمة والتعاون داخل النظام البيئي.

شركاء الإيكولوجيا: المنصة والإطار

تشترك ChainOpera AI مع عدة أطراف لتعزيز قابلية استخدام وأمان المنصة، مع التركيز على دمج سيناريوهات Web3: من خلال تطبيق AI Terminal، يتم تحقيق توصيات الخدمة الذكية عبر المحفظة المشتركة، والخوارزميات، ومنصة التجميع؛ كما يتم إدخال أطر متعددة وأدوات بدون كود على منصة Agent لتقليل عائق تطوير البرمجيات؛ بالاعتماد على TensorOpera AI لتدريب النماذج واستدلالها؛ وتأسيس شراكة حصرية مع FedML لدعم التدريب المحمي للخصوصية عبر المؤسسات والأجهزة المختلفة. بشكل عام، يتم تشكيل نظام بيئي مفتوح يجمع بين تطبيقات المؤسسات وتجربة مستخدم Web3.

مدخل الأجهزة: أجهزة الذكاء الاصطناعي والشركاء (AI Hardware & Partners)

من خلال شراكات مثل DeAI Phone والأجهزة القابلة للارتداء وRobot AI، تقوم ChainOpera بدمج blockchain مع AI في الأجهزة الذكية، مما يحقق تفاعل dApp، والتدريب على الطرف، وحماية الخصوصية، لتشكيل نظام بيئي لعتاد AI اللامركزي تدريجياً.

المنصة المركزية وقاعدة التقنية: TensorOpera GenAI & FedML

تقدم TensorOpera منصة GenAI كاملة تغطي MLOps وScheduler وCompute؛ وقد نمت منصتها الفرعية FedML من الأكواد المفتوحة الأكاديمية لتصبح إطار عمل صناعي، مما يعزز قدرة الذكاء الاصطناعي على "التشغيل في أي مكان، والتوسع بأي شكل".

نظام ChainOpera AI البيئي

!

أربعة، ChainOpera المنتجات الأساسية والبنية التحتية الشاملة لوكيل الذكاء الاصطناعي

في يونيو 2025، سيتم إطلاق ChainOpera رسميًا لتطبيق AI Terminal و stack التكنولوجيا اللامركزية، مع تحديده كـ "OpenAI النسخة اللامركزية"، حيث تشمل منتجاته الأساسية أربعة أقسام رئيسية: طبقة التطبيقات (AI Terminal & Agent Network)، طبقة المطورين (Agent Creator Center)، طبقة النموذج و GPU (Model & Compute Network)، بالإضافة إلى بروتوكول CoAI وسلسلة مخصصة، مما يغطي الحلقة الكاملة من مدخل المستخدم إلى القدرة الحسابية الأساسية والحوافز على السلسلة.

!

تم دمج تطبيق AI Terminal مع BNBChain ، ويدعم Agent المعاملات على السلسلة وسيناريوهات DeFi. مركز إنشاء الوكلاء مفتوح للمطورين، ويقدم قدرات مثل MCP/HUB، وقاعدة المعرفة، وRAG، ويستمر الوكلاء المجتمعيون في الانضمام؛ في الوقت نفسه، تم إطلاق تحالف CO-AI، بالتعاون مع io.net وRender وTensorOpera وFedML وMindNetwork والشركاء الآخرين.

!

وفقًا لبيانات سلسلة BNB DApp Bay على مدار الثلاثين يومًا الماضية، فإن عدد المستخدمين المستقلين هو 158.87 ألف، وحجم التداول خلال الثلاثين يومًا الماضية هو 2.6 مليون، وهو ما يضعه في المركز الثاني في تصنيف "AI Agent" على شبكة BSC، مما يدل على نشاط قوي على السلسلة.

تطبيق وكيل الذكاء الاصطناعي – محطة الذكاء الاصطناعي ()

كنقطة دخول لذكاء اصطناعي اجتماعي وChatGPT غير مركزي، يوفر AI Terminal التعاون متعدد الوسائط، وتحفيز مساهمة البيانات، وتكامل أدوات DeFi، والمساعدات عبر المنصات، ويدعم التعاون مع وكلاء الذكاء الاصطناعي وحماية الخصوصية (بياناتك، وكيلك). يمكن للمستخدمين استدعاء النموذج الكبير مفتوح المصدر DeepSeek-R1 والوكلاء المجتمعيين مباشرة على الأجهزة المحمولة، حيث تتدفق توكنات اللغة وتوكنات التشفير بشكل شفاف على السلسلة خلال عملية التفاعل. تكمن قيمته في تحويل المستخدمين من "مستهلكي المحتوى" إلى "مبدعين ذكيين مشتركين"، ويمكنهم استخدام شبكة الوكلاء الذكيين الخاصة بهم في سيناريوهات مثل DeFi، RWA، PayFi، والتجارة الإلكترونية.

شبكة اجتماعية لوكلاء الذكاء الاصطناعي (agent-social-network)

تحديد موقع مشابه لـ LinkedIn + Messenger، ولكن موجه نحو مجموعة وكلاء الذكاء الاصطناعي. من خلال مساحة العمل الافتراضية وآلية التعاون بين الوكلاء (MetaGPT، ChatDEV، AutoGEN، Camel)، يتم دفع وكيل واحد للتطور إلى شبكة تعاون متعددة الوكلاء، تغطي التطبيقات في المالية والألعاب والتجارة الإلكترونية والبحث، مع تعزيز الذاكرة والاستقلالية تدريجياً.

منصة تطوير وكيل الذكاء الاصطناعي ()

توفير تجربة إبداعية "مثل LEGO" للمطورين. دعم عدم وجود كود وتوسعات قائمة على الوحدات، تضمن العقود الذكية للبلوك تشين الملكية، يخفف DePIN + البنية التحتية السحابية العوائق، يوفر السوق قنوات للتوزيع والاكتشاف. يكمن جوهره في تمكين المطورين من الوصول بسرعة إلى المستخدمين، ويمكن تسجيل المساهمات البيئية بشكل شفاف والحصول على الحوافز.

نموذج الذكاء الاصطناعي ومنصة GPU ()

كطبقة بنية تحتية، يجمع بين DePIN والتعلم الفيدرالي، لحل مشكلة اعتماد Web3 AI على القوة الحاسوبية المركزية. من خلال GPU الموزعة، وتدريب البيانات مع حماية الخصوصية، وسوق النماذج والبيانات، وMLOps من البداية إلى النهاية، يدعم التعاون بين العوامل المتعددة وAI المخصص. رؤيته هي دفع الانتقال من "احتكار الشركات الكبرى" إلى "المشاركة المجتمعية" في نماذج البنية التحتية.

!

خمسة، خطة خارطة الطريق لـ ChainOpera AI

بالإضافة إلى إطلاق منصة AI Agent الشاملة، تؤمن ChainOpera AI أن الذكاء الاصطناعي العام (AGI) يأتي من شبكة التعاون متعددة الوسائط والذكاء المتعدد. لذلك، تم تقسيم خطة الطريق بعيدة المدى إلى أربع مراحل:

!

يتمتع المزود بعائدات موزعة حسب الاستخدام.

المرحلة الثانية (تطبيقات الوكلاء → اقتصاد الذكاء الاصطناعي التعاوني): إطلاق محطة الذكاء الاصطناعي، سوق الوكلاء وشبكة الوكلاء الاجتماعية، وتشكيل نظام بيئي لتطبيقات متعددة الوكلاء؛ من خلال بروتوكول CoAI لربط المستخدمين والمطورين ومقدمي الموارد، وإدخال نظام مطابقة احتياجات المستخدمين مع المطورين ونظام الائتمان، وتعزيز التفاعل المتكرر والنشاط الاقتصادي المستمر.

المرحلة الثالثة (الذكاء الاصطناعي التعاوني → الذكاء الاصطناعي الخاص بالعملات الرقمية): الانتشار في مجالات التمويل اللامركزي (DeFi) والأصول الحقيقية (RWA) والمدفوعات والتجارة الإلكترونية، بالإضافة إلى التوسع في مشاهد الشخصيات المؤثرة (KOL) وتبادل البيانات الشخصية؛ تطوير نماذج لغة كبيرة مخصصة للتمويل / العملات الرقمية، وإطلاق نظام دفع ومحافظ بين الوكلاء، وتعزيز التطبيقات السياقية لـ "Crypto AGI".

المرحلة الرابعة (النظم البيئية → اقتصادات الذكاء الاصطناعي المستقل): التطور التدريجي إلى اقتصادات الشبكات الفرعية المستقلة، حيث تدير كل شبكة فرعية نفسها حول التطبيقات والبنية التحتية وقوة الحوسبة والنماذج والبيانات، وتعمل بطرق موحدة، وتنسق عبر بروتوكولات بين الشبكات الفرعية لتشكيل نظام بيئي متعدد الشبكات الفرعية؛ في الوقت نفسه، الانتقال من الذكاء الاصطناعي الوكلي إلى الذكاء الاصطناعي الفيزيائي (الروبوتات، القيادة الذاتية، الفضاء).

إخلاء المسؤولية: تعتبر هذه الخريطة الزمنية مرجعاً فقط، وقد يتم تعديل الجدول الزمني والوظائف وفقًا لتغيرات البيئة السوقية، ولا تشكل ضمانًا بالتسليم.

سبعة، تحفيز الرموز وإدارة البروتوكول

حالياً، لم تكشف ChainOpera عن خطة حوافز الرموز الكاملة، ولكن بروتوكول CoAI يركز على "المشاركة والامتلاك المشترك"، من خلال تحقيق سجل مساهمات شفاف وقابل للتحقق عبر blockchain وآلية Proof-of-Intelligence: يتم قياس المساهمات من المطورين، وقوة الحوسبة، ومقدمي البيانات والخدمات بطريقة معيارية وتحصل على مكافآت، يستخدم المستخدمون الخدمات، ويدعم مزودو الموارد التشغيل، يقوم المطورون ببناء التطبيقات، وتشارك جميع الأطراف المشاركة في أرباح النمو؛ بينما تحافظ المنصة على الدورة من خلال رسوم خدمة بنسبة 1%، وتوزيع المكافآت ودعم السيولة، مما يعزز بيئة الذكاء الاصطناعي اللامركزية المفتوحة والعادلة والتعاونية.

إطار تعلم إثبات الذكاء

Proof-of-Intelligence (PoI) هو آلية التوافق الأساسية التي اقترحتها ChainOpera بموجب بروتوكول CoAI، وتهدف إلى توفير نظام حوافز وحوكمة شفاف وعادل وقابل للتحقق لبناء الذكاء الاصطناعي اللامركزي. يعتمد على إطار تعلم الآلة التعاوني المبني على blockchain المعتمد على Proof-of-Contribution (إثبات المساهمة)، ويهدف إلى حل مشاكل التحفيز غير الكافي، ومخاطر الخصوصية، ونقص القابلية للتحقق التي تواجه التعلم الفدرالي (FL) في التطبيقات العملية. يعتمد التصميم على العقود الذكية كجوهر، ويجمع بين التخزين اللامركزي (IPFS)، والعقد المجمع، وإثبات المعرفة الصفرية (zkSNARKs)، لتحقيق خمسة أهداف رئيسية: ① توزيع المكافآت بشكل عادل وفقًا للمساهمة، لضمان حصول المدربين على حوافز بناءً على تحسين النموذج الفعلي؛ ② الحفاظ على تخزين البيانات محليًا، لضمان عدم تسرب الخصوصية؛ ③ إدخال آلية مرونة لمواجهة هجمات التسمم أو التجميع من المدربين الخبيثين؛ ④ ضمان قابلية التحقق من الحسابات الأساسية مثل تجميع النموذج، واكتشاف الشذوذ، وتقييم المساهمة من خلال ZKP؛ ⑤ أن تكون فعالة وقابلة للتطبيق على البيانات غير المتجانسة ومهام التعلم المختلفة.

!

قيمة الرموز المميزة في الذكاء الاصطناعي الشامل

تعمل آلية توكن ChainOpera حول خمسة مجالات قيمة رئيسية (LaunchPad، Agent API، Model Serving، Contribution، Model Training)، حيث يكون الجوهر هو رسوم الخدمة، تأكيد المساهمة وتوزيع الموارد، وليس العوائد المضاربة.

• مستخدم AI: الوصول إلى الخدمات أو الاشتراك في التطبيقات باستخدام الرموز، والمساهمة في النظام البيئي من خلال توفير / وضع علامات / رهن البيانات.
• الوكيل / مطور التطبيق: استخدام قوة البيانات والقدرة الحاسوبية للمنصة للتطوير، والحصول على اعتراف البروتوكول نظير المساهمة في الوكيل أو التطبيق أو مجموعة البيانات.
• مزودو الموارد: يساهمون بقدرة الحوسبة أو البيانات أو النماذج، ويحصلون على سجلات شفافة وحوافز.
• المشاركون في الحوكمة (المجتمع و DAO): المشاركة في التصويت وتصميم الآليات وتنسيق النظام البيئي من خلال الرموز.
• طبقة البروتوكول (COAI): الحفاظ على التنمية المستدامة من خلال رسوم الخدمة، واستخدام آلية التوزيع التلقائية لتحقيق التوازن بين العرض والطلب.
• العقد والمتحققون: يقدمون خدمات التحقق، وقوة الحوسبة، والأمان، لضمان موثوقية الشبكة.

حوكمة البروتوكول

تستخدم ChainOpera حوكمة DAO، من خلال المشاركة في الاقتراحات والتصويت من خلال رهن الرموز، لضمان الشفافية والعدالة في اتخاذ القرارات. تشمل آلية الحوكمة: نظام السمعة (التحقق وقياس المساهمات)، التعاون المجتمعي (الاقتراحات والتصويت لدفع تطوير النظام البيئي)، وضبط المعلمات (استخدام البيانات، والأمان، ومساءلة المدققين). الهدف العام هو تجنب تركيز السلطة، والحفاظ على استقرار النظام والمشاركة المجتمعية.

ثامناً، خلفية الفريق وتمويل المشروع

تم تأسيس مشروع ChainOpera من قبل البروفيسور سلمان أفيستيمهر، الذي لديه خبرة عميقة في مجال التعلم الفيدرالي، والدكتور هه تشاويان (Aiden). يمتد خلفية أعضاء الفريق الأساسيين الآخرين عبر UC Berkeley وStanford وUSC وMIT وTsinghua University، بالإضافة إلى مؤسسات أكاديمية وتكنولوجية رائدة مثل Google وAmazon وTencent وMeta وApple، مما يجمع بين البحث الأكاديمي والقدرة على التطبيق الصناعي. حتى الآن، تجاوز عدد فريق ChainOpera AI 40 شخصًا.

المؤسس المشارك: سلمان أفستيمهر

البروفيسور سلمان أفستيمهر هو أستاذ دكتور في قسم الهندسة الكهربائية وعلوم الحاسوب في جامعة جنوب كاليفورنيا (USC) ويشغل منصب أستاذ العميد. كما أنه يشغل منصب المدير المؤسس لمركز AI الموثوق في USC-Amazon، ويقود مختبر المعلوماتية والتعلم الآلي في USC (vITAL). هو أحد مؤسسي FedML والرئيس التنفيذي لها، وقد شارك في تأسيس TensorOpera/ChainOpera AI في عام 2022.

حصل البروفيسور سلمان أفستيمهر على درجة الدكتوراه من جامعة كاليفورنيا في بيركلي في الهندسة الكهربائية وعلوم الحاسوب (جائزة أفضل ورقة). كزميل في IEEE، نشر أكثر من 300 ورقة بحثية عالية المستوى في مجالات نظرية المعلومات، والحوسبة الموزعة، والتعلم الفيدرالي، مع أكثر من 30,000 استشهاد، وحصل على العديد من الجوائز الدولية مثل PECASE وNSF CAREER وجائزة ماسّي من IEEE. قاد إنشاء إطار عمل FedML مفتوح المصدر، الذي يتم استخدامه على نطاق واسع في مجالات الرعاية الصحية والمالية وحوسبة الخصوصية، وأصبح حجر الزاوية للتقنية الأساسية في TensorOpera/ChainOpera AI.

المؤسس المشارك: الدكتور أيدن تشاويانغ هي

الدكتور أيدن تشاويانغ هي هو المؤسس المشارك والرئيس لشركة TensorOpera/ChainOpera AI، حاصل على درجة الدكتوراه في علوم الكمبيوتر من جامعة جنوب كاليفورنيا (USC)، ومؤسس FedML الأصلي. تغطي مجالات بحثه التعلم الموزع والفيدرالي، وتدريب النماذج على نطاق واسع، والبلوكشين والحوسبة الخاصة. قبل دخول عالم ريادة الأعمال، عمل في مجالات البحث والتطوير في Meta وAmazon وGoogle وTencent، وشغل مناصب هندسية وإدارية رئيسية في Tencent وBaidu وHuawei، وقاد تنفيذ العديد من المنتجات على مستوى الإنترنت ومنصات الذكاء الاصطناعي.

في الجوانب الأكاديمية والصناعية، نشر Aiden أكثر من 30 بحثًا، وتم الاستشهاد به في Google Scholar أكثر من 13,000 مرة، وحصل على منحة الدكتوراه من أمازون، ومنحة الابتكار من كوالكوم، وجائزة أفضل ورقة في NeurIPS وAAAI. الإطار الذي قاد تطويره، FedML، هو واحد من أكثر المشاريع مفتوحة المصدر استخدامًا في مجال التعلم الفيدرالي، ويدعم 27 مليار طلب يوميًا؛ وككاتب رئيسي، قدم إطار FedNLP، وطريقة تدريب النماذج الهجينة بالتوازي، والتي تم استخدامها على نطاق واسع في مشاريع الذكاء الاصطناعي اللامركزية مثل Sahara AI.

!

في ديسمبر 2024، أعلنت ChainOpera AI عن إتمام جولة تمويل أولية بقيمة 3.5 مليون دولار، ليصل إجمالي التمويل مع TensorOpera إلى 17 مليون دولار. ستستخدم الأموال لبناء L1 blockchain ونظام تشغيل AI موجه للعملاء من وكلاء AI المعتمدين على تكنولوجيا اللامركزية. قاد الجولة الاستثمارية كل من Finality Capital وRoad Capital وIDG Capital، وشملت المستثمرين المشاركين Camford VC وABCDE Capital وAmber Group وModular Capital، بالإضافة إلى دعم من مؤسسات وأفراد مشهورين مثل Sparkle Ventures وPlug and Play وUSC ومؤسس EigenLayer Sreeram Kannan وDavid Tse، المؤسس المشارك لـ BabylonChain. وأكد الفريق أن هذه الجولة من التمويل ستسرع تحقيق رؤية "نظام AI اللامركزي الذي يشارك في ملكيته وتطويره مساهمو الموارد والموظفون والمستخدمون معًا."

٩. تحليل مشهد سوق التعلم الفيدرالي ووكيل الذكاء الاصطناعي

إطار التعلم الفيدرالي له أربعة ممثلين رئيسيين: FedML وFlower وTFF وOpenFL. من بينهم، FedML هو الأكثر شمولاً، يجمع بين التعلم الفيدرالي، وتدريب نماذج ضخمة موزعة وMLOps، مما يجعله مناسبًا للتطبيق الصناعي؛ Flower سهل الاستخدام وخفيف، ولديه مجتمع نشط، يميل إلى التعليم والتجارب الصغيرة؛ TFF يعتمد بشكل كبير على TensorFlow، وله قيمة بحثية أكاديمية عالية، لكنه ضعيف في التصنيع؛ OpenFL يركز على الرعاية الصحية / المالية، ويؤكد على الامتثال للخصوصية، وإيكولوجيته مغلقة نسبيًا. بشكل عام، تمثل FedML مسارًا متعدد الاستخدامات على مستوى الصناعة، وتركز Flower على سهولة الاستخدام والتعليم، بينما يميل TFF نحو التجارب الأكاديمية، ويمتاز OpenFL بالامتثال في الصناعات الرأسية.

في مستوى الصناعة والبنية التحتية، تتميز TensorOpera (تجارية FedML) بأنها ترث تراكم التكنولوجيا المفتوحة المصدر FedML، وتوفر قدرات متكاملة في جدولة GPU عبر السحابة، والتدريب الموزع، والتعلم الفيدرالي وMLOps، والهدف هو ربط البحث الأكاديمي بالتطبيقات الصناعية، وخدمة المطورين، والشركات الصغيرة والمتوسطة، وبيئة Web3/DePIN. بشكل عام، يمكن اعتبار TensorOpera "Hugging Face + W&B من FedML المفتوح المصدر"، حيث أنها أكثر اكتمالاً وعمومية في قدرات التدريب الموزع الكامل والتعلم الفيدرالي، وتختلف عن المنصات الأخرى التي تركز على المجتمع أو الأدوات أو صناعة واحدة فقط.

في ممثلي الطبقة الابتكارية، حاول كل من ChainOpera و Flock دمج التعلم الفيدرالي مع Web3، لكن هناك اختلافات واضحة في الاتجاه. تقوم ChainOpera ببناء منصة AI Agent كاملة، تغطي أربع طبقات: المدخلات، والشبكات الاجتماعية، والتطوير، والبنية التحتية، وتكمن القيمة الأساسية في دفع المستخدمين من "مستهلكين" إلى "مشاركين في الابتكار"، وتحقيق التعاون في AGI وبيئة بناء المجتمع من خلال AI Terminal وAgent Social Network؛ بينما تركز Flock أكثر على التعلم الفيدرالي المعزز بالبلوكشين (BAFL)، مع التأكيد على حماية الخصوصية وآليات التحفيز في بيئة لامركزية، وتستهدف بشكل رئيسي التحقق من التعاون على مستوى قوة الحوسبة والبيانات. تميل ChainOpera أكثر نحو تطبيقات وطبقة الشبكة التابعة للوكيل، بينما تميل Flock إلى تعزيز التدريب الأساسي وحوسبة الخصوصية.

!

على مستوى شبكة الوكيل، يعتبر مشروع Olas Network الأكثر تمثيلاً في الصناعة. يستند ChainOpera إلى التعلم الفيدرالي، ويقوم ببناء نموذج - قوة حوسبة - وكيل في حلقة مغلقة شاملة، ويستخدم شبكة الوكيل الاجتماعية كحقل تجريبي لاستكشاف التفاعل والتعاون الاجتماعي بين الوكلاء المتعددين؛ بينما يستند Olas Network إلى التعاون في DAO وإيكولوجيا DeFi، ويحدد كشبكة خدمات ذاتية لامركزية، من خلال Pearl يقدم سيناريوهات عائدات DeFi القابلة للتطبيق مباشرة، مما يظهر مسارات مختلفة تمامًا عن ChainOpera.

!

عشرة، منطق الاستثمار وتحليل المخاطر المحتملة

منطق الاستثمار

تتمثل الميزة الرئيسية لـ ChainOpera في خندقها التكنولوجي: من FedML (إطار عمل التعلم الفيدرالي الرائد والمفتوح المصدر) إلى TensorOpera (بنية تحتية شاملة للذكاء الاصطناعي على مستوى المؤسسات)، ثم إلى ChainOpera (شبكة الوكلاء المعتمدة على Web3 + DePIN + Tokenomics)، مما يشكل مسار تطور فريد متواصل يجمع بين التراكم الأكاديمي، والتطبيق الصناعي، والسرد التشفيري.

فيما يتعلق بتطبيق وحجم المستخدمين، فإن AI Terminal قد شكلت مئات الآلاف من المستخدمين النشطين يوميًا ونظام تطبيقات Agent بمستوى الألف، وتحتل المرتبة الأولى في فئة AI في DApp Bay على BNBChain، مع وجود نمو واضح للمستخدمين على السلسلة وحجم معاملات حقيقية. من المتوقع أن تتجاوز مجالاتها الأصلية في التشفير المتواجدة في مشاهد متعددة الأوضاع تدريجياً لتصل إلى مستخدمي Web2 بشكل أوسع.

في مجال التعاون البيئي، أطلقت ChainOpera تحالف CO-AI، بالتعاون مع شركاء مثل io.net وRender وTensorOpera وFedML وMindNetwork، لبناء تأثيرات شبكة متعددة الأطراف تشمل GPU والنماذج والبيانات والحوسبة الخاصة؛ وفي الوقت نفسه، تعاونت مع Samsung Electronics للتحقق من GenAI متعدد الوسائط على الأجهزة المحمولة، مما عرض إمكانيات التوسع نحو الأجهزة الذكية والذكاء الاصطناعي على الحواف.

في نموذج التوكنات والاقتصاد، يعتمد ChainOpera على إجماع Proof-of-Intelligence، ويوزع الحوافز حول خمسة تدفقات قيمة (LaunchPad، Agent API، Model Serving، Contribution، Model Training)، ومن خلال 1% من رسوم الخدمة على المنصة، وتوزيع الحوافز، ودعم السيولة، يتم تشكيل حلقة إيجابية، مما يتجنب نموذج "تداول العملات" الفردي، ويعزز الاستدامة.

المخاطر المحتملة

أولاً، فإن صعوبة تطبيق التكنولوجيا عالية. الهيكل اللامركزي المكون من خمس طبقات الذي اقترحته ChainOpera يمتد بشكل كبير، ولا تزال هناك تحديات في الأداء والاستقرار على مستوى التعاون عبر الطبقات (لا سيما في مجالات الاستدلال الموزع للنماذج الكبيرة والتدريب الخاص)، ولم يتم التحقق منه بعد من خلال تطبيقات واسعة النطاق.

ثانياً، لا يزال من الضروري مراقبة تماسك المستخدمين في النظام البيئي. على الرغم من أن المشروع قد حقق نمواً أولياً للمستخدمين، إلا أن قدرة سوق الوكلاء وسلسلة أدوات المطورين على الحفاظ على النشاط والعرض عالي الجودة على المدى الطويل لا تزال بحاجة إلى اختبار. الشبكة الاجتماعية للوكلاء التي تم إطلاقها حالياً تعتمد بشكل أساسي على المحادثات النصية المدفوعة بواسطة LLM، ولا يزال يتعين تحسين تجربة المستخدم والاحتفاظ على المدى الطويل. إذا لم يكن تصميم آلية التحفيز دقيقًا بما فيه الكفاية، فقد يحدث ارتفاع في النشاط على المدى القصير ولكن بقيمة طويلة الأجل غير كافية.

أخيرًا، لا يزال استدامة نموذج الأعمال بحاجة إلى التأكيد. في المرحلة الحالية، تعتمد الإيرادات بشكل رئيسي على رسوم خدمات المنصة ودورة الرموز، ولم يتشكل تدفق نقدي مستقر بعد، مقارنةً بتطبيقات مثل AgentFi أو Payment التي تتمتع بخصائص مالية أو إنتاجية أكبر، لا يزال يجب التحقق من القيمة التجارية للنموذج الحالي؛ وفي الوقت نفسه، لا يزال قطاع الأجهزة المحمولة والبيئة الخاصة بها في مرحلة الاستكشاف، مما يترك آفاق التسويق مع بعض عدم اليقين.