تشهد مجال الذكاء الاصطناعي عملية تكتل سريعة. فهناك خمسة مختبرات رائدة (OpenAI وAnthropic وGoogle DeepMind وMeta وxAI) تسيطر على معظم النماذج الأكثر كفاءة في العالم، والبيانات الخاصة التي تم تدريبها عليها، ومجموعات الحوسبة اللازمة لتدريب المزيد. ويُعد الذكاء الاصطناعي اللامركزي هو الرد الذي ينبع من عالم العملات المشفرة.
الذكاء الاصطناعي اللامركزي، أو DeAI، هو مفهوم يقوم على فكرة أن المكونات نفسها التي تجعل الذكاء الاصطناعي الحديث يعمل يمكن تنسيقها بواسطة تقنية البلوك تشين وحوافز الرموز الرقمية بدلاً من شركة واحدة. ولا يهدف هذا النهج إلى التفوق على OpenAI في التدريب باستخدام مجموعة من وحدات معالجة الرسومات (GPU) تبلغ قيمتها 10 مليارات دولار، بل إلى بناء بدائل مفتوحة على المستويات التي تنجح فيها اللامركزية فعليًا.
ما هو الذكاء الاصطناعي اللامركزي؟
يشير مصطلح «الذكاء الاصطناعي اللامركزي»، الذي يُختصر غالبًا بـ DeAI، إلى أنظمة الذكاء الاصطناعي المبنية على بنية تحتية تعتمد على تقنية البلوك تشين، والتي يتم تنسيقها من خلال حوافز قائمة على الرموز الرقمية — حيث يتم توزيع عمليات الحوسبة والبيانات والنماذج واتخاذ القرارات على العديد من المشاركين بدلاً من شركة واحدة.
أصبح الاختصار "DeAI" (حرف D كبير، و AI كبير) هو المعيار السائد في هذا المجال؛ ونحن نستخدمه بالتبادل مع مصطلح "الذكاء الاصطناعي اللامركزي" في جميع أجزاء هذا النص. هذا المصطلح أوسع نطاقًا من أي مشروع فردي. فهو يشمل مجموعة (أسواق الحوسبة في القاعدة، وشبكات البيانات والنماذج في الوسط، وأطر عمل الوكلاء في القمة) متصلة بواسطة طبقات تنسيق بلوك تشين.
تأسست DeAI لمواجهة ثلاثة اتجاهات. أولاً، تركيز أبحاث الذكاء الاصطناعي الرائدة في خمسة مختبرات تؤثر قراراتها الداخلية المتعلقة بالتوافق والسلامة والتسعير على الجميع. ثانياً، غموض النماذج المغلقة التي تم تدريبها على بيانات لا يمكن للجمهور رؤيتها ولم يوافق عليها. ثالثاً، عدم التوافق بين مختبرات الذكاء الاصطناعي والمستخدمين الذين تم تدريب النماذج على بياناتهم: تتدفق القيمة في اتجاه واحد، دون أن يعود أي رمز أو حصة أو عائد إلى المساهمين.
لا تُحل أي من هذه المشكلات بشكل كامل بمجرد إضافة تقنية البلوك تشين. لكن يصبح من الممكن معالجة كل منها بشكل أفضل عندما يتسنى تنسيق الملكية والمدفوعات والإثباتات في نظام لا يتطلب ترخيصًا.
الذكاء الاصطناعي اللامركزي مقابل التعلم الاتحادي
يبدو أن مصطلحي "الذكاء الاصطناعي اللامركزي" و"التعلم الاتحادي" متشابهان، لكنهما يعالجان مشكلتين مختلفتين تمامًا. فالتعلم الاتحادي هو تقنية للتعلم الآلي تحافظ على الخصوصية وتستخدمها كبرى شركات التكنولوجيا؛ أما "الذكاء الاصطناعي اللامركزي" فهو حركة متأصلة في عالم العملات المشفرة وتستند إلى سلاسل الكتل والرموز الرقمية.
في التعلم الفيدرالي، يتم تدريب النموذج عبر العديد من الأجهزة (هاتفك، وخوادم المستشفى، وقاعدة بيانات البنك) دون أن تغادر البيانات الأولية كل جهاز على الإطلاق. ولا تنتقل سوى تحديثات النموذج. يستخدم Google Gboard هذا النموذج للتنبؤ بالكلمة التالية؛ وتستخدمه Apple للتعلم على الجهاز؛ وتستخدمه الاتحادات الطبية لتدريب نماذج التشخيص دون الكشف عن سجلات المرضى. وتقوم جهة مركزية، عادةً ما تكون الشركة المالكة للنموذج، بتنسيق كل شيء.
تعد DeAI نقيض التنسيق المركزي. حيث تمتلك أطراف مستقلة عديدة موارد الحوسبة والبيانات، وأحيانًا النموذج نفسه، وتقوم بتشغيلها. وتقوم سلسلة الكتل بتنسيقها؛ بينما تُمنح الرموز الرقمية كمكافأة للمساهمات المفيدة.
يمكن الجمع بين الاثنين، حيث يمكن لتقنيات التعلم الفيدرالي أن تعمل داخل أنظمة DeAI للحفاظ على الخصوصية. لكن التعلم الفيدرالي وحده لا يُعد DeAI. يتعلق التعلم المتحد بكيفية إجراء العمليات الحسابية. أما DeAI فتتعلق بمسألة ملكية النظام.
كيف تعمل الذكاء الاصطناعي اللامركزي
DeAI ليست تقنية واحدة؛ بل هي مجموعة من التقنيات. هناك أربع طبقات مهمة، لكل منها مشاريعها الخاصة.
طبقة الحوسبة
وحدات معالجة الرسومات (GPU) والأجهزة الأخرى اللازمة لتدريب نماذج الذكاء الاصطناعي وتشغيلها. وهنا يتداخل نظام DeAI بشكل مباشر مع نظام DePIN. حيث تقوم شبكات مثل Render وAkash وio.net بتأجير طاقة وحدات معالجة الرسومات اللامركزية لأحمال عمل الذكاء الاصطناعي، بدءًا من الهواة الأفراد الذين يقومون بمهام الاستدلال وصولاً إلى الشركات الناشئة التي تجري عمليات الضبط الدقيق على نطاق واسع. أدى نقص وحدات معالجة الرسومات (GPU) في الفترة 2024-2026 إلى جعل هذه الطبقة الجزء الأكثر نشاطًا في نظام DeAI البيئي.
طبقة البيانات
مجموعات البيانات اللازمة لتدريب النماذج. تتيح أسواق البيانات اللامركزية لمالكي البيانات تحقيق عائد مالي من مجموعات البيانات دون التخلي عن السيطرة عليها. وتستضيف شبكات التخزين مثل Filecoin وArweave أوزان النماذج ومجموعات بيانات التدريب والنتائج. ولا يزال الحجم هنا متواضعًا مقارنةً بوسطاء البيانات المركزيين، لكن البنية التحتية تعمل بشكل جيد.
طبقة النموذج
نماذج مفتوحة المصدر يمكن لأي شخص تشغيلها أو ضبطها أو تعديلها. شبكات التدريب التي تعتمد على الحوافز الرمزية، وأبرزها Bittensor، تكافئ المشاركين على مساهمتهم في تحسين النماذج بشكل مفيد في مهام محددة. لاحظ أن "الوزن المفتوح" وحده (نماذج Llama من Meta و Mistral) ليس DeAI. إنه مفتوح المصدر. تضيف DeAI التنسيق عبر البلوكشين واقتصاديات الرموز الرقمية إلى جانب الانفتاح.
طبقة الاستدلال والوكلاء
بمجرد وجود النموذج، يتعين على شخص ما تشغيله. وتقوم شبكات الاستدلال اللامركزية بتوزيع هذا العمل على العديد من مشغلي العقد. وتقع فوق ذلك طبقة وكلاء الذكاء الاصطناعي - وهي برامج مستقلة تعمل نيابة عن المستخدم، وتقوم بشكل متزايد بتسوية المدفوعات بالعملات المشفرة. ويُعد كل من Olas و Virtuals Protocol أكثر المشاريع التي يُشار إليها في هذا المجال، وكلاهما لا يزال في مرحلة النضج.
أهم مشاريع إزالة الذكاء الاصطناعي (DeAI) التي يجب معرفتها في عام 2026
DeAI هي فئة، وليست منافسًا واحدًا لـ OpenAI. قم بتصنيف المشاريع وفقًا لما تقوم به فعليًا.
سلاسل الكتل التي تعتمد على الذكاء الاصطناعي وشبكات التدريب
يُعد «بيتنسور» (TAO) المثال الأكثر تداولاً. فهو يدير 128 «شبكة فرعية» نشطة، كل منها عبارة عن سوق متخصص في مهمة واحدة من مهام الذكاء الاصطناعي: التدريب المسبق لنماذج اللغة، وتضمين الصور، والتنبؤات المالية، ومعالجة الكلام، والبحث.
يتنافس المُعدِّنون على كل شبكة فرعية للحصول على مكافآت من الرموز الرقمية بناءً على جودة الإنتاج. في الربع الأول من عام 2026، خصصت شركة NVIDIA مبلغ 420 مليون دولار كحصة، وأضافت Polychain Capital مبلغ 200 مليون دولار، مما رفع إجمالي التدفقات المؤسسية إلى ما يزيد عن 620 مليون دولار. وبلغت إيرادات الشبكة 43 مليون دولار في الربع الأخير.
تحالف ASI
اندمجت كل من Fetch.ai وSingularityNET وOcean Protocol و(لاحقًا) CUDOS في عام 2024 لتشكيل «تحالف الذكاء الاصطناعي الفائق» (Artificial Superintelligence Alliance)، حيث تم دمج العملات الرقمية في عملة FET مع وجود خطط لإعادة تسميتها إلى ASI. ولم تكتمل عملية تغيير العلامة التجارية بالكامل في البورصات، لذا لا تزال معظمها تُدرج عملة FET.
في أكتوبر 2025، انسحب بروتوكول أوشن رسميًا من التحالف بسبب خلافات حول الحوكمة. يواصل الأعضاء المتبقون (Fetch.ai و SingularityNET و CUDOS) طرح المنتجات، بما في ذلك ASI-1 mini، وهو نموذج لغة كبير (LLM) أصلي لـ Web3 يحتوي على 7 مليارات معلمة، وطبقة 1 مخطط لها تسمى ASI Chain.
الوكلاء
تركز "أولاس" على اقتصاد الوكلاء المستقلين: وهي برامج مستقلة تدفع لبعضها البعض، وتنسق فيما بينها، وتُنجز المهام. أما "بروتوكول فيرتشوالز" فيركز على وكلاء الذكاء الاصطناعي المخصصين للمستهلكين، لا سيما في مجالي الألعاب والشبكات الاجتماعية. وتُعد هذه الطبقة الأحدث، ولا تزال في مرحلة النضوج.
ما هو اللامركزي فعليًا وما هو غير ذلك
تتمتع مبادرة DeAI بزخم حقيقي وتواجه ثغرات حقيقية. تقييم صادق، خطوة بخطوة:
تدريب نموذج "فرونتير": لا يزال مركزياً
يتطلب تدريب نموذج بحجم GPT-5 مئات الملايين من الدولارات من حيث القدرات الحاسوبية المنسقة والبيانات الخاصة وفريق هندسي مركزي. ولا يوجد أي مشروع من مشاريع DeAI يقوم بذلك على نطاق واسع، ولن يحدث ذلك في المستقبل القريب.
حتى أكبر إنجاز تقني حققته «بيتنسور» (عملية التدريب التعاوني المسبق لنظام «كوفينانت إيه آي» الذي يضم 72 مليار معلمة في مارس 2026) كان أقل بكثير من جهود «فرونتير لاب». انسحبت Covenant لاحقًا من الشبكة، واصفة اللامركزية بـ"المسرحية" بسبب خلافات حول الحوكمة، في تذكير بأن مصطلح "لامركزي" يمكن أن يصف الحسابات الرياضية دون أن يصف السلطة.
الحوسبة: اللامركزية الحقيقية
تتميز وحدات معالجة الرسومات (GPU) بقدرتها على الاستبدال، كما أن المهام قصيرة المدة، والتحقق من النتائج أمر بسيط، ولهذا السبب أصبح العرض متاحًا بالفعل في هذا المجال. تعالج منصة Render حوالي 1.5 مليون إطار شهريًا؛ وتجاوزت منصة Akash 5 ملايين دولار في الإنفاق على الحوسبة خلال الربع الأول من عام 2026؛ بينما تجمع منصة io.net وحدات معالجة الرسومات من أكثر من 130 دولة. يمكن للبطاقة نفسها التي تشغل لعبة فيديو في الليل أن تشغل مهمة استدلال في صباح اليوم التالي، ولا يحتاج العميل إلى معرفة من يملكها.
الاستدلال: أمر ممكن ومتنامي
الاستدلال لا يعتمد على حالة النظام، والمهام صغيرة الحجم، والنتائج قابلة للتحقق منها — وهي الخطوة الطبيعية التالية نحو اللامركزية بعد الحوسبة الأولية. تستفيد الشبكات من وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين والألعاب، والتي كانت ستظل خاملة لولا ذلك، لذا يمكن في كثير من الأحيان تشغيل نموذج صغير الحجم مثل Llama-3-8B بنصف تكلفة AWS أو Azure. تضيق الفجوة مع نمو حجم النموذج؛ ولا يزال تقديم نموذج يحتوي على 400 مليار معلمة بشكل لامركزي أصعب من تقديمه على منصة فائقة التوسع.
أسواق البيانات: في مرحلة مبكرة لكنها حقيقية
تُثبت شبكات مثل «فانا» (Vana) للبيانات الشخصية و«غراس» (Grass) للبيانات المستخرجة من الويب أن تبادل البيانات اللامركزي أمر قابل للتحقيق من الناحية التقنية. أما السؤال الأصعب فيتعلق بالطلب. فمختبرات الذكاء الاصطناعي تمتلك بالفعل ما تحتاجه: بيانات مستخرجة من الويب المفتوح بالإضافة إلى صفقات مباشرة متميزة (مثل Reddit–Google، وNYT–OpenAI، وShutterstock). تحل الأسواق اللامركزية مشكلة في جانب العرض لا يواجهها جانب الطلب بعد، على الرغم من أن ذلك سيتغير إذا أصبحت بيانات التدريب أكثر تنافسية.
البحث والتطوير المدعوم بالرموز الرقمية: العمل في مجالات متخصصة ضيقة
تُعد مكافآت التوكنات وسيلة فعالة لتحقيق تحسين تدريجي في المهام القابلة للقياس (دقة تحويل الكلام إلى نص، وجودة التضمين، ومعايير تصنيف الصور)، وتنتج شبكات Bittensor الفرعية نماذج تنافسية في تلك المجالات بالذات. ما لا يمكن للرموز المميزة تمويله بسهولة هو الأبحاث الرائدة، التي تتطلب سنوات من رأس المال الصبور، وتجارب باهظة التكلفة، والتسامح مع الفشل. كما تثير نزاعات الحوكمة في Bittensor سؤالًا هيكليًا: لا يعمل البحث والتطوير المرتبط بالرموز المميزة إلا بقدر ما يعمل البروتوكول المحيط به.
الخلاصة
السؤال المثير للاهتمام بشأن DeAI في عام 2026 هو: أي طبقات من البنية التحتية ستصمد عند خضوعها للتدقيق؟ فعمليات الحوسبة والاستدلال تؤدي مهام حقيقية وقابلة للقياس لصالح العملاء الذين يدفعون مقابل هذه الخدمات.
تشهد أسواق البيانات والنماذج نمواً، لكنها لم تثبت جدواها بعد. ولا تزال طبقة الحوكمة (الجزء الذي يحدد ما إذا كانت كلمة "لامركزية" تصف العمليات الحسابية أم السلطة) تثير الجدل، كما يتضح من انسحاب "أوشن" من تحالف ASI وانسحاب "كوفينانت" من "بيتنسور".
لن تحل DeAI محل OpenAI في عام 2026، وربما لن تفعل ذلك أبدًا. لكنها تعمل على تطوير بدائل حقيقية في الطبقات الوسطى والطرفية من البنية التحتية، وهناك سيتفاعل معظم الناس مع الذكاء الاصطناعي في نهاية المطاف على أي حال.
