تظهر تطورات "من الدعاية المبالغ فيها إلى الواقع" في DePIN وAI أن الابتكار الحقيقي يكمن في حل التحديات الواقعية بشكل عملي وفعال - كما تقول السيدة سيلفيا تو من إدارة رأس المال بليتش (Bullish Capital Management).
◇◇◇
DePIN: شبكة البنية التحتية الفيزيائية اللامركزية
مشروع DePIN هو محاولة نظرية لتوفير فائدة حقيقية للأصول المشفرة (العملات الرقمية). ومع ذلك، فإن القليل فقط يمتلك نموذج عمل منطقي يمكنه حقًا حل مشكلات العالم الحقيقي وتدمير الشركات القائمة، ويكون من الصعب تقليده. الكثير منها لا يعدو كونه حلول تبحث عن مشكلة.
ولكن من بين الاستثناءات الجديرة بالملاحظة هو شبكة تتبع الرحلات "Wingbits". والسبب في ذلك هو أنها تحاول حل مشاكل Web2 من خلال حوافز Web3. إذا كان لديك تجربة تتبع رحلة مثل رحلة BA117 من لندن إلى نيويورك، فمن المحتمل أنك استخدمت مواقع مثل FlightAware أو Flightradar.
〈خريطة تتبع الرحلات لـ Wingbits، المصدر: Wingbits – تحويل تتبع الرحلات.〉تقوم شركات تتبع الرحلات ببيع بيانات الرحلات لشركات الطيران المشتريين، وكذلك للمحللين الماليين الذين يسعون لاستكشاف تحركات الطائرات الخاصة واتجاهات الاندماج والاستحواذ، مما يحقق أرباحًا كبيرة. كما تشمل مصادر الإيرادات الإعلانات على المنصة والاشتراكات.
لكن لا يتم تسجيل تكاليف بنية تحتية أو تكاليف أجهزة كبيرة كاستثمار في المعدات. وذلك لأن الأجهزة المعروفة باسم "جهاز استقبال ADS-B" تتكون من هوائي وكمبيوتر صغير للغاية "راسبيري باي (Raspberry Pi)", والذي يمكن لعشاق الطيران شراؤه وإعداده. وغالبًا ما يتلقى هؤلاء الهواة اشتراكًا مجانيًا (حق استخدام مجاني) في منصة تتبع الرحلات المفضلة لديهم دون توقع أي عائد.
التحدي هو أن عشاق هذا المجال ليس لديهم حوافز لتحسين جودة البيانات إلى أقصى حد. بدون حوافز إيجابية، سيتم تثبيت أجهزة استقبال ADS-B في أماكن غير مناسبة. على سبيل المثال، قد يتم تثبيتها في زاوية غرفة المعيشة، أو قد يتم توفيرها بشكل زائد في المناطق الحضرية ذات الكثافة السكانية العالية، مما يؤدي إلى تغطية غير كافية في المناطق الريفية.
〈جهاز استقبال ADS-B التقليدي (يسار) وعتاد Wingbits (يمين)، المصدر: Wingbits – Transforming Flight Tracking.〉تقوم Wingbits بإحداث تغيير ثوري في تتبع الرحلات من خلال استخدام نظام مشابه لمؤشر الفضاء الهرمي السداسي لأوبر (Uber)، مما يحفز الهواة على وضع المحطات استراتيجياً بناءً على الارتفاع. تتيح هذه المقاربة تحقيق تغطية مثلى، بيانات عالية الجودة، وقبل كل شيء، مكافآت عادلة للمساهمين في الشبكة.
نجحت Wingbits في تغطية 75% من أكبر الشبكات بعدد محطات (أجهزة) يعادل 1/11 من العدد التقليدي. من المتوقع أن تتجاوز هذه الكفاءة العالية بمقدار كبير شبكة تتبع الرحلات الحالية، حيث يُتوقع نشر أكثر من 4000 محطة في المستقبل، مما سيمكنها من تقديم بيانات عالية الجودة للمستخدمين.
لقد أصبح من الممكن توضيح حالات الاستخدام في العالم الحقيقي التي يمكن أن يفهمها الناس العاديون، من خلال الاستفادة من الحوافز المتعلقة بالأصول الرقمية (العملات المشفرة)، لذلك يبدو أنه يمكنني شرح هذا المفهوم بسهولة لعائلتي في المستقبل.
الأصول المشفرة ✕ الذكاء الاصطناعي
مثل دورة السوق، هناك أيضًا قمم وقيعان في الطلب على الحوسبة. تصبح وحدات معالجة الرسوميات باهظة الثمن، وارتفاع الأسعار بسبب قيود العرض.
إن مفهوم استخدام "الوقت الفارغ" للكمبيوترات التي يستخدمها المستهلكون العاديون ليس شيئًا جديدًا، ولكن النقطة التي تتعلق بحل التحديات المتعلقة بالمزامنة بين عدة كمبيوترات هي نقطة متقدمة.
إكزو لابز (Exo Labs) هو فريق المشروع المتقدم الذي حقق اختراقًا في الحوسبة الطرفية، حيث يمكن تنفيذ نماذج الذكاء الصناعي على الأجهزة الموجهة للمستهلكين العاديين، مثل MacBook. بمعنى آخر، تظل البيانات الحساسة تحت إدارة المستخدم، مما يقلل من المخاطر المرتبطة بالتخزين أو المعالجة عبر السحابة.
〈تم تقسيم نموذج مكون من 9 طبقات إلى 3 أجزاء، كل منها يعمل على جهاز منفصل، المصدر: Transparent Benchmarks – 12 Days of EXO, EXO Labs.〉تقوم Exo Labs بتطوير بنية تحتية برمجية مبتكرة تُعرف باسم الاستدلال المتوازي في خط الأنابيب. وهذا يقوم بتقسيم نماذج اللغة الكبيرة (LLM) إلى "أجزاء"، مما يسمح للأجهزة المختلفة بتشغيل أجزاء مختلفة من النموذج مع استمرار اتصالها بنفس الشبكة. لهذه الطريقة مزايا مختلفة، بما في ذلك تقليل التأخير (الزمن المستغرق)، وتعزيز الأمان، وكفاءة التكاليف، والأهم من ذلك حماية الخصوصية.
في مجال الخصوصية، هناك أيضًا اهتمام بمشروع Bagel AI. حيث قام هذا المشروع بتطوير ZKLoRA (التكيف المنخفض الرتبة المعتمد على المعرفة الصفرية) مع الحفاظ على الخصوصية أثناء ضبط نموذج LLM. التغيرات الابتكارية التي يجلبها هذا المشروع ستسمح بإنشاء نماذج متخصصة في مجالات مثل الخدمات القانونية والرعاية الصحية والمالية، مما يمكن من استخدام البيانات الحساسة في التعلم المعزز دون تحمل مخاطر تسرب المعلومات السرية.
حماية الخصوصية هي موضوع يثير الانتباه، لكن التحدي الأكبر لمعظم نماذج اللغة الكبيرة هو الهلوسة. وهذا يشير إلى تقديم الذكاء الاصطناعي لمعلومات خاطئة أو مضللة وكأنها حقائق.
قال لي مدير محفظة ذات مرة: "الحكمة تكمن في دمج وجهات النظر المتعارضة وكشف الحقيقة الدقيقة التي تقع بين رأيين متطرفين".
Blocksense هو فريق المشروع الذي طور نهجًا فريدًا يُسمى توافق zkSchellingCoin. تهدف هذه الطريقة إلى دمج الحقائق الذاتية من مصادر متعددة (على سبيل المثال، LLMs المختلفة) للوصول إلى حقيقة واحدة وشائعة. تخيل على سبيل المثال تنفيذ نفس الاستعلام على ChatGPT وClaude وGrok وLlama. حتى إذا أعطى نموذج واحد مخرجات خاطئة، فإن احتمال أن تولد النماذج الأربعة جميعها نفس النتيجة منخفض إحصائيًا.
〈نظرة عامة على zkSchellingCoin Consensus، المصدر: Blocksense Network – zk Rollup للأوراكل القابلة للبرمجة.〉يمكن تطبيق zkSchellingCoin Consensus أيضًا لإضافة القابلية للتحقق إلى استنتاجات AI. على سبيل المثال، التأكد من أن وكيل AI أرسل بشكل صحيح USD Coin (USDC) إلى الخزنة (وجهة التشغيل) التي تقدم أعلى عائد.
إن الثقة في الذكاء الاصطناعي تعزز بشكل كبير من خلال آلية يمكن من خلالها للجهات الخارجية التحقق من هذه الأفعال. إذا كان بالإمكان تحقيق هذه الطبقة من التحقق دون التأثير على التكاليف أو الكمون، فقد يكون هناك احتمال كبير لتحقيق اختراق كبير في حالات الاستخدام في العالم الحقيقي.
إن تطور "من المبالغة إلى الواقع" في DePIN وAI يظهر أن الابتكار الحقيقي يكمن في القدرة على حل تحديات العالم الحقيقي بشكل عملي وفعال. توضح مشاريع مثل Wingbits وExo Labs كيف يمكن أن ينتج عن blockchain وAI تأثيرات ذات مغزى.
أيضًا، من خلال الحوافز الاستراتيجية، تمكنت من إحداث ثورة في تتبع الرحلات، واستغلال قوة الأجهزة الموجهة للمستهلكين إلى أقصى حد، وتحقيق حوسبة آمنة وفعالة من حيث التكلفة. علاوة على ذلك، فإن التقدم في تقنيات مثل ZKLoRA التي تركز على الخصوصية، و zkSchellingCoin التي تحقق الحقيقة القابلة للتحقق، يعالج مثل هذه التقنيات الناشئة التحديات المهمة، ويفتح آفاقًا لمستقبل أكثر توزيعًا وكفاءة وقابلية للتحقق.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
«من الدعاية المبالغ فيها إلى الواقع»: فريق المشروع البارز في DePIN وAI لعام 2025 | CoinDesk JAPAN（コインデスク・ジャパン）
تظهر تطورات "من الدعاية المبالغ فيها إلى الواقع" في DePIN وAI أن الابتكار الحقيقي يكمن في حل التحديات الواقعية بشكل عملي وفعال - كما تقول السيدة سيلفيا تو من إدارة رأس المال بليتش (Bullish Capital Management).
◇◇◇
DePIN: شبكة البنية التحتية الفيزيائية اللامركزية
مشروع DePIN هو محاولة نظرية لتوفير فائدة حقيقية للأصول المشفرة (العملات الرقمية). ومع ذلك، فإن القليل فقط يمتلك نموذج عمل منطقي يمكنه حقًا حل مشكلات العالم الحقيقي وتدمير الشركات القائمة، ويكون من الصعب تقليده. الكثير منها لا يعدو كونه حلول تبحث عن مشكلة.
ولكن من بين الاستثناءات الجديرة بالملاحظة هو شبكة تتبع الرحلات "Wingbits". والسبب في ذلك هو أنها تحاول حل مشاكل Web2 من خلال حوافز Web3. إذا كان لديك تجربة تتبع رحلة مثل رحلة BA117 من لندن إلى نيويورك، فمن المحتمل أنك استخدمت مواقع مثل FlightAware أو Flightradar.
لكن لا يتم تسجيل تكاليف بنية تحتية أو تكاليف أجهزة كبيرة كاستثمار في المعدات. وذلك لأن الأجهزة المعروفة باسم "جهاز استقبال ADS-B" تتكون من هوائي وكمبيوتر صغير للغاية "راسبيري باي (Raspberry Pi)", والذي يمكن لعشاق الطيران شراؤه وإعداده. وغالبًا ما يتلقى هؤلاء الهواة اشتراكًا مجانيًا (حق استخدام مجاني) في منصة تتبع الرحلات المفضلة لديهم دون توقع أي عائد.
التحدي هو أن عشاق هذا المجال ليس لديهم حوافز لتحسين جودة البيانات إلى أقصى حد. بدون حوافز إيجابية، سيتم تثبيت أجهزة استقبال ADS-B في أماكن غير مناسبة. على سبيل المثال، قد يتم تثبيتها في زاوية غرفة المعيشة، أو قد يتم توفيرها بشكل زائد في المناطق الحضرية ذات الكثافة السكانية العالية، مما يؤدي إلى تغطية غير كافية في المناطق الريفية.
نجحت Wingbits في تغطية 75% من أكبر الشبكات بعدد محطات (أجهزة) يعادل 1/11 من العدد التقليدي. من المتوقع أن تتجاوز هذه الكفاءة العالية بمقدار كبير شبكة تتبع الرحلات الحالية، حيث يُتوقع نشر أكثر من 4000 محطة في المستقبل، مما سيمكنها من تقديم بيانات عالية الجودة للمستخدمين.
لقد أصبح من الممكن توضيح حالات الاستخدام في العالم الحقيقي التي يمكن أن يفهمها الناس العاديون، من خلال الاستفادة من الحوافز المتعلقة بالأصول الرقمية (العملات المشفرة)، لذلك يبدو أنه يمكنني شرح هذا المفهوم بسهولة لعائلتي في المستقبل.
الأصول المشفرة ✕ الذكاء الاصطناعي
مثل دورة السوق، هناك أيضًا قمم وقيعان في الطلب على الحوسبة. تصبح وحدات معالجة الرسوميات باهظة الثمن، وارتفاع الأسعار بسبب قيود العرض.
إن مفهوم استخدام "الوقت الفارغ" للكمبيوترات التي يستخدمها المستهلكون العاديون ليس شيئًا جديدًا، ولكن النقطة التي تتعلق بحل التحديات المتعلقة بالمزامنة بين عدة كمبيوترات هي نقطة متقدمة.
إكزو لابز (Exo Labs) هو فريق المشروع المتقدم الذي حقق اختراقًا في الحوسبة الطرفية، حيث يمكن تنفيذ نماذج الذكاء الصناعي على الأجهزة الموجهة للمستهلكين العاديين، مثل MacBook. بمعنى آخر، تظل البيانات الحساسة تحت إدارة المستخدم، مما يقلل من المخاطر المرتبطة بالتخزين أو المعالجة عبر السحابة.
في مجال الخصوصية، هناك أيضًا اهتمام بمشروع Bagel AI. حيث قام هذا المشروع بتطوير ZKLoRA (التكيف المنخفض الرتبة المعتمد على المعرفة الصفرية) مع الحفاظ على الخصوصية أثناء ضبط نموذج LLM. التغيرات الابتكارية التي يجلبها هذا المشروع ستسمح بإنشاء نماذج متخصصة في مجالات مثل الخدمات القانونية والرعاية الصحية والمالية، مما يمكن من استخدام البيانات الحساسة في التعلم المعزز دون تحمل مخاطر تسرب المعلومات السرية.
حماية الخصوصية هي موضوع يثير الانتباه، لكن التحدي الأكبر لمعظم نماذج اللغة الكبيرة هو الهلوسة. وهذا يشير إلى تقديم الذكاء الاصطناعي لمعلومات خاطئة أو مضللة وكأنها حقائق.
قال لي مدير محفظة ذات مرة: "الحكمة تكمن في دمج وجهات النظر المتعارضة وكشف الحقيقة الدقيقة التي تقع بين رأيين متطرفين".
Blocksense هو فريق المشروع الذي طور نهجًا فريدًا يُسمى توافق zkSchellingCoin. تهدف هذه الطريقة إلى دمج الحقائق الذاتية من مصادر متعددة (على سبيل المثال، LLMs المختلفة) للوصول إلى حقيقة واحدة وشائعة. تخيل على سبيل المثال تنفيذ نفس الاستعلام على ChatGPT وClaude وGrok وLlama. حتى إذا أعطى نموذج واحد مخرجات خاطئة، فإن احتمال أن تولد النماذج الأربعة جميعها نفس النتيجة منخفض إحصائيًا.
إن الثقة في الذكاء الاصطناعي تعزز بشكل كبير من خلال آلية يمكن من خلالها للجهات الخارجية التحقق من هذه الأفعال. إذا كان بالإمكان تحقيق هذه الطبقة من التحقق دون التأثير على التكاليف أو الكمون، فقد يكون هناك احتمال كبير لتحقيق اختراق كبير في حالات الاستخدام في العالم الحقيقي.
إن تطور "من المبالغة إلى الواقع" في DePIN وAI يظهر أن الابتكار الحقيقي يكمن في القدرة على حل تحديات العالم الحقيقي بشكل عملي وفعال. توضح مشاريع مثل Wingbits وExo Labs كيف يمكن أن ينتج عن blockchain وAI تأثيرات ذات مغزى.
أيضًا، من خلال الحوافز الاستراتيجية، تمكنت من إحداث ثورة في تتبع الرحلات، واستغلال قوة الأجهزة الموجهة للمستهلكين إلى أقصى حد، وتحقيق حوسبة آمنة وفعالة من حيث التكلفة. علاوة على ذلك، فإن التقدم في تقنيات مثل ZKLoRA التي تركز على الخصوصية، و zkSchellingCoin التي تحقق الحقيقة القابلة للتحقق، يعالج مثل هذه التقنيات الناشئة التحديات المهمة، ويفتح آفاقًا لمستقبل أكثر توزيعًا وكفاءة وقابلية للتحقق.