هوش مصنوعی بهسرعت در حال تثبیت است. پنج آزمایشگاه پیشرو (OpenAI، Anthropic، Google DeepMind، Meta و xAI) بر بیشتر مدلهای توانمند جهان، دادههای اختصاصیای که بر اساس آنها آموزش دیدهاند و خوشههای محاسباتی لازم برای آموزش مدلهای بیشتر تسلط دارند. هوش مصنوعی غیرمتمرکز پاسخ بومی حوزه رمزارز است.
هوش مصنوعی غیرمتمرکز، یا DeAI، ایدهای است که بر اساس آن همان مؤلفههایی که هوش مصنوعی مدرن را به کار میاندازند، بهجای یک شرکت واحد، توسط بلاکچینها و مشوقهای توکن هماهنگ شوند. هدف آن رقابت با OpenAI در خوشه پردازشگر گرافیکی ۱۰ میلیارد دلاری نیست، بلکه ایجاد جایگزینهای باز در لایههایی است که غیرمتمرکزسازی واقعاً در آنها کار میکند.
هوش مصنوعی غیرمتمرکز چیست؟
هوش مصنوعی غیرمتمرکز، که اغلب با نام اختصاری DeAI شناخته میشود، به سیستمهای هوش مصنوعی اطلاق میشود که بر بستر بلاکچین ساخته شده و توسط مشوقهای توکن هماهنگ میشوند؛ به این صورت که محاسبات، دادهها، مدلها و تصمیمگیری به جای یک شرکت واحد، در میان شرکتکنندگان متعدد توزیع میگردد.
کوتهنوشت «DeAI» (با حروف بزرگ D و AI) اکنون در سراسر این حوزه استاندارد شده است؛ ما در سراسر متن آن را بهطور مترادف با «هوش مصنوعی غیرمتمرکز» بهکار میبریم. این اصطلاح گستردهتر از هر پروژهٔ منفرد است. این عبارت یک پشته را در بر میگیرد (بازارهای محاسباتی در پایین، شبکههای داده و مدل در میان، چارچوبهای عامل در بالا) که توسط لایههای هماهنگی بلاکچین به هم متصل شدهاند.
DeAI برای مقابله با سه روند وجود دارد. اول، تمرکز هوش مصنوعی پیشرفته در پنج آزمایشگاه که تصمیمات آنها در زمینه همراستایی داخلی، ایمنی و قیمتگذاری بر همه تأثیر میگذارد. دوم، عدم شفافیت مدلهای بسته که بر دادههایی آموزش دیدهاند که عموم قادر به مشاهده آنها نیست و رضایت نداده است. سوم، ناهماهنگی بین آزمایشگاههای هوش مصنوعی و کاربرانی که دادههایشان بر روی آنها آموزش دیده است: ارزش یکطرفه جریان دارد و هیچ توکن، سهم یا درآمدی به مشارکتکنندگان بازنمیگردد.
هیچیک از این مشکلات با افزودن یک بلاکچین بهطور کامل حل نمیشوند. اما هر یک زمانی که مالکیت، پرداختها و اثباتها بتوانند در یک سیستم بدون نیاز به مجوز هماهنگ شوند، قابل حلشدنتر میشوند.
هوش مصنوعی غیرمتمرکز در مقابل یادگیری فدرال
«هوش مصنوعی غیرمتمرکز» و «یادگیری فدرال» نامهای مشابهی دارند اما مشکلات بسیار متفاوتی را حل میکنند. یادگیری فدرال یک تکنیک حفظ حریم خصوصی در یادگیری ماشین است که توسط شرکتهای بزرگ فناوری استفاده میشود؛ DeAI یک جنبش بومی رمزارز است که حول بلاکچینها و توکنها شکل گرفته است.
در یادگیری فدرال، مدلی روی دستگاههای متعدد (تلفن شما، سرورهای یک بیمارستان، پایگاه داده یک بانک) آموزش میبیند، بدون اینکه دادههای خام هرگز از دستگاه مربوطه خارج شوند. تنها بهروزرسانیهای مدل منتقل میشوند. گوگل جیبورد از آن برای پیشبینی کلمه بعدی استفاده میکند؛ اپل از آن برای یادگیری روی دستگاه استفاده میکند؛ کنسرسیومهای پزشکی از آن برای آموزش مدلهای تشخیصی بدون افشای سوابق بیماران استفاده میکنند. یک طرف مرکزی، معمولاً شرکتی که مالک مدل است، همه چیز را هماهنگ میکند.
DeAI نقطه مقابل هماهنگی متمرکز است. محاسبات، دادهها و گاهی خود مدل توسط بسیاری از طرفهای مستقل مالکیت و اداره میشوند. یک بلاکچین آنها را هماهنگ میکند؛ توکنها مشارکتهای مفید را پاداش میدهند.
این دو را میتوان ترکیب کرد، زیرا تکنیکهای یادگیری فدرال میتوانند درون سیستمهای DeAI اجرا شوند تا حریم خصوصی حفظ شود. اما یادگیری فدرال بهتنهایی DeAI نیست. یادگیری فدرال دربارهٔ نحوهٔ انجام محاسبات است. DeAI دربارهٔ این است که مالک سیستم کیست.
چگونه هوش مصنوعی غیرمتمرکز کار میکند
DeAI یک فناوری واحد نیست؛ بلکه یک پشته است. چهار لایه اهمیت دارند که هر کدام پروژههای خاص خود را دارند.
لایه محاسباتی
برای آموزش و اجرای مدلهای هوش مصنوعی به GPUها و سایر سختافزارها نیاز است. اینجاست که DeAI به طور مستقیم با DePIN همپوشانی دارد. شبکههایی مانند Render، Akash و io.net قدرت پردازش گرافیکی غیرمتمرکز را برای کارهای هوش مصنوعی اجاره میدهند، از علاقهمندان فردی که کارهای استنتاج (inference) را اجرا میکنند گرفته تا استارتاپهایی که در مقیاس وسیع به ریزتنظیم (fine-tuning) میپردازند. کمبود GPU در سالهای ۲۰۲۴–۲۰۲۶ این لایه را به فعالترین بخش اکوسیستم DeAI تبدیل کرده است.
لایهٔ داده
مجموعههای داده برای آموزش مدلها لازم هستند. بازارهای داده غیرمتمرکز به صاحبان داده اجازه میدهند بدون واگذاری کنترل، از مجموعههای داده درآمدزایی کنند. شبکههای ذخیرهسازی مانند فایلکوین و آرواو میزبان وزنههای مدل، مجموعههای داده آموزشی و خروجیها هستند. حجم در اینجا هنوز در مقایسه با دلالان داده متمرکز اندک است، اما زیرساخت کار میکند.
لایه مدل
مدلهای بدون محدودیت وزنی که هر کسی میتواند آنها را اجرا، ریزتنظیم یا تغییر دهد. شبکههای آموزشی مبتنی بر توکن که برجستهترین آنها Bittensor است، به شرکتکنندگان برای ارائه بهبودهای مفید مدل در وظایف خاص پاداش میدهند. توجه داشته باشید که «open-weight» به تنهایی (مانند Llama از متا و مدلهای Mistral) DeAI نیست. اینها متنباز هستند. DeAI بر پایهٔ متنباز بودن، هماهنگی بلاکچین و اقتصاد توکن را نیز اضافه میکند.
لایه استنتاج و عامل
وقتی یک مدل وجود دارد، کسی باید آن را اجرا کند. شبکههای استنتاج غیرمتمرکز آن کار را در میان اپراتورهای متعدد گره توزیع میکنند. در بالای آن لایهٔ عامل هوش مصنوعی قرار دارد – برنامههای خودمختاری که به نمایندگی از کاربر عمل میکنند و بهطور فزایندهای پرداختها را با ارزهای دیجیتال تسویه میکنند. اولاس و پروتکل ویرچوالز پراکندهترین پروژهها در این زمینه هستند که هر دو هنوز در حال بلوغاند.
مهمترین پروژههای DeAI که باید در سال ۲۰۲۶ بشناسید
DeAI یک دستهبندی است، نه یک رقیب واحد برای OpenAI. پروژهها را بر اساس آنچه واقعاً انجام میدهند گروهبندی کنید.
بلاکچینهای بومی هوش مصنوعی و شبکههای آموزشی
بیتنسور (TAO) پراستنادترین مثال است. این سیستم ۱۲۸ زیرشبکهٔ فعال دارد که هر یک بازار تخصصی برای یک وظیفهٔ هوش مصنوعی است: پیشآموزش مدل زبانی، توکنسازی تصاویر، پیشبینی مالی، گفتار و جستجو.
ماینرها در هر زیرشبکه برای پاداش توکن بر اساس کیفیت خروجی رقابت میکنند. در سهماهه اول سال ۲۰۲۶، انویدیا ۴۲۰ میلیون دلار سرمایهگذاری کرد و پولیچین کپیتال ۲۰۰ میلیون دلار افزود که جریانهای ورودی نهادی را به بیش از ۶۲۰ میلیون دلار رساند. درآمد شبکه در سهماهه گذشته به ۴۳ میلیون دلار رسید.
ائتلاف ASI
Fetch.ai، SingularityNET، Ocean Protocol و (بعداً) CUDOS در سال ۲۰۲۴ ادغام شدند تا «اتحادیه ابرهوش مصنوعی» را تشکیل دهند و توکنها را در FET تجمیع کردند با برنامههایی برای تغییر نام آن به ASI. بازبرندینگ کامل هرگز در صرافیها تکمیل نشد، بنابراین بیشتر صرافیها همچنان FET را فهرست میکنند.
در اکتبر ۲۰۲۵، اوشن پروتکل بهطور رسمی بهدلیل اختلافات حاکمیتی از اتحاد کنارهگیری کرد. اعضای باقیمانده (Fetch.ai، SingularityNET و CUDOS) به عرضه محصولات خود ادامه میدهند، از جمله ASI-1 mini، یک مدل زبانی بزرگ بومی Web3 با ۷ میلیارد پارامتر، و یک لایه ۱ برنامهریزیشده به نام ASI Chain.
نمایندگان
Olas بر اقتصاد عامل خودران تمرکز دارد: برنامههای مستقلی که به یکدیگر پرداخت میکنند، هماهنگ میشوند و وظایف را انجام میدهند. پروتکل Virtuals بر عاملهای هوش مصنوعی مصرفکننده، بهویژه در بازیها و شبکههای اجتماعی، تمرکز دارد. این لایه جدیدترین است و هنوز در حال بلوغ است.
چه چیزی واقعاً غیرمتمرکز است و چه چیزی نیست
DeAI دارای شتاب واقعی و شکافهای واقعی است. ارزیابی صادقانه، لایهبهلایه:
آموزش مدل فرانتیر: همچنان متمرکز
آموزش یک مدل در مقیاس GPT-5 نیازمند صدها میلیون دلار محاسبات هماهنگ، دادههای اختصاصی و یک تیم مهندسی متمرکز است. هیچ پروژهی DeAI این کار را در مقیاس فرانتیر انجام نمیدهد و به این زودیها هم انجام نخواهد داد.
حتی بزرگترین نقطه عطف فنی بیتنسور (اجرای پیشآموزش مشارکتی ۷۲ میلیارد پارامتری Covenant AI در مارس ۲۰۲۶) به مراتب کوچکتر از تلاشهای Frontier Lab بود. کووننت بعداً شبکه را ترک کرد و با اشاره به اختلافات حاکمیتی، این غیرمتمرکزسازی را «تئاتر» خواند؛ یادآوریای که «غیرمتمرکز» میتواند ریاضیات را توصیف کند بدون آنکه قدرت را توصیف نماید.
محاسبات: غیرمتمرکزسازی واقعی
GPUها قابل تعویض هستند، کارها کوتاهمدتاند و راستیآزمایی خروجی ساده است، به همین دلیل عرضه در اینجا محقق شده است. رندر ماهانه حدود ۱.۵ میلیون فریم را پردازش میکند؛ آکاش در سهماهه اول ۲۰۲۶ هزینههای محاسباتی خود را از ۵ میلیون دلار عبور داد؛ io.net GPUها را در بیش از ۱۳۰ کشور تجمیع میکند. همان کارتی که شبانه یک بازی ویدیویی را اجرا میکند، صبح روز بعد میتواند یک وظیفه استنتاج را اجرا کند و مشتری نیازی ندارد بداند مالک آن کیست.
نتیجهگیری: شدنی و رو به رشد
استنتاج بدون حالت است، کارها کوچک هستند و خروجیها قابل تأییدند - لایه طبیعی بعدی برای غیرمتمرکزسازی پس از محاسبات خام. شبکهها از GPUهای مصرفی و گیمینگ استفاده میکنند که در غیر این صورت بلااستفاده میماندند، بنابراین یک مدل کوچک و متنباز مانند Llama-3-8B اغلب میتواند با نصف هزینه AWS یا Azure ارائه شود. با بزرگتر شدن اندازه مدل، این شکاف کاهش مییابد؛ ارائهٔ غیرمتمرکز یک مدل ۴۰۰ میلیارد پارامتری همچنان دشوارتر از انجام آن در یک هایپراسکیلر است.
بازارهای داده: در مراحل اولیه اما واقعی
شبکههایی مانند Vana برای دادههای شخصی و Grass برای دادههای استخراجشده از وب ثابت میکنند که تبادل غیرمتمرکز دادهها از نظر فنی قابل حل است. سؤال دشوارتر، تقاضاست. آزمایشگاههای هوش مصنوعی از قبل آنچه نیاز دارند را در اختیار دارند: دادههای استخراجشده از وب باز بهعلاوه قراردادهای مستقیم ممتاز (Reddit–Google، NYT–OpenAI، Shutterstock). بازارهای غیرمتمرکز مشکل سمت عرضه را حل میکنند که سمت تقاضا هنوز آن را ندارد، هرچند اگر دادههای آموزشی بیش از پیش مورد مناقشه قرار گیرند، این وضعیت تغییر خواهد کرد.
تحقیق و توسعه مبتنی بر توکن: کار در حوزههای باریک
پاداشهای توکنی برای بهبود تدریجی در وظایف قابل اندازهگیری (دقت گفتار به متن، کیفیت ایمبدینگ، معیارهای طبقهبندی تصویر) به خوبی عمل میکنند و زیرشبکههای بیتنسور دقیقاً در همین حوزهها مدلهای رقابتی تولید میکنند. آنچه توکنها بهسادگی نمیتوانند تأمین مالی کنند، پژوهشهای تحولآفرین است که به سالها سرمایه صبورانه، آزمایشهای پرهزینه و تحمل شکست نیاز دارد. اختلافات حاکمیتی بیتنسور نیز یک پرسش ساختاری را مطرح میکند: پژوهش و توسعه همسو با توکن تنها به اندازه پروتکل پیرامون آن کارآمد است.
نتیجهگیری
سؤال جالب درباره DeAI در سال ۲۰۲۶ این است که کدام لایههای استک هنگام بررسی دقیق دوام میآورند. محاسبات و استنتاج برای مشتریان پرداختکننده کار واقعی و قابل اندازهگیری انجام میدهند.
بازارهای داده و مدل در حال رشد هستند اما اثباتنشدهاند. لایه حاکمیتی (بخشی که تعیین میکند آیا «غیرمتمرکز» به ریاضیات اشاره دارد یا به قدرت) همچنان جنجالهایی مانند خروج Ocean از اتحاد ASI و خروج Covenant از Bittensor را تولید میکند.
DeAI در سال ۲۰۲۶ جایگزین OpenAI نخواهد شد و شاید هرگز هم نشود. اما در لایههای میانی و حاشیهای استک، جایگزینهای واقعی میسازد و در نهایت بیشتر مردم از طریق همین لایهها با هوش مصنوعی تعامل خواهند داشت.
