هل لا يحقق الذكاء الاصطناعي أرباحًا؟ لقد ظهرت بوادر الأمل لـ DeAI

المؤلف: تشانغ فينغ

لا شك أن الذكاء الاصطناعي (AI) هو أكثر الاتجاهات التكنولوجية سخونة في العالم، حيث تعيد تقنية الذكاء الاصطناعي تشكيل مختلف الصناعات بسرعة غير مسبوقة. ومع ذلك، وراء هذا الازدهار والضجيج، تكمن حقيقة قاسية وهي أن الغالبية العظمى من أعمال الذكاء الاصطناعي، وخاصة الشركات الناشئة، لم تجد مساراً مربحاً مستداماً. لقد وقعت في مأزق “استحسان ولكن عدم اهتمام”، حيث تتعايش ازدهار التكنولوجيا مع خسائر تجارية.

أ. لماذا “خسارة المال لكسب الدعاية”؟

إن أزمة ربحية الأعمال القائمة على الذكاء الاصطناعي ليست ناتجة عن فشل التقنية نفسها، بل هي نتيجة للنموذج المركزي الذي أدى إلى تناقضات هيكلية. بشكل محدد، يمكن تلخيصها في الأسباب الثلاثة الكبرى التالية:

التركيز المفرط: تكاليف باهظة واحتكار من قبل قلة. الذكاء الاصطناعي السائد اليوم، وخاصة النماذج الكبيرة، هو مثال على صناعة “الأصول الثقيلة”. تتطلب عمليات التدريب والاستدلال استهلاك كميات ضخمة من قوة الحوسبة (GPU) والتخزين والطاقة. هذا أدى إلى انقسام حاد: من جهة، هناك عمالقة التكنولوجيا الذين يمتلكون رؤوس أموال ضخمة (مثل Google وMicrosoft وOpenAI)، قادرين على تحمل استثمارات تصل إلى مئات الملايين أو حتى مليارات الدولارات؛ ومن جهة أخرى، هناك عدد كبير من الشركات الناشئة، التي تضطر إلى “تقديم” جزء كبير من تمويلها لمقدمي خدمات السحابة للحصول على قوة الحوسبة، مما يضغط بشكل كبير على هوامش الربح. شكلت هذه النموذج “احتكار قوة الحوسبة”، مما قضى على حيوية الابتكار. على سبيل المثال، حتى OpenAI، في مراحلها المبكرة، اعتمدت بشكل كبير على استثمارات Microsoft الضخمة وموارد الحوسبة السحابية Azure، مما أتاح لها دعم تطوير وتشغيل ChatGPT. بالنسبة لأغلب اللاعبين، فإن التكاليف الثابتة المرتفعة تجعل من الصعب تحقيق ربحية على نطاق واسع.

مأزق البيانات: حواجز الجودة ومخاطر الخصوصية. وقود الذكاء الاصطناعي هو البيانات. تواجه شركات الذكاء الاصطناعي المركزية عادةً مشكلتين رئيسيتين للحصول على بيانات تدريب عالية الجودة وبكميات كبيرة. أولاً، تكلفة الحصول على البيانات مرتفعة. سواء كان ذلك من خلال جمع البيانات المدفوعة، أو وضع علامات على البيانات، أو استخدام بيانات المستخدمين، فإن الأمر يتطلب استثمارات ضخمة من المال والوقت. ثانيًا، مخاطر الخصوصية والامتثال للبيانات كبيرة. مع تشديد القوانين العالمية المتعلقة بالبيانات (مثل GDPR وCCPA)، فإن جمع واستخدام البيانات دون إذن صريح من المستخدمين قد يؤدي في أي وقت إلى دعاوى قانونية وغرامات ضخمة. على سبيل المثال، واجهت العديد من الشركات التقنية المعروفة غرامات باهظة بسبب مشكلات استخدام البيانات. وهذا يشكل تناقضًا: فلا يمكن تطوير الذكاء الاصطناعي بدون بيانات، ولكن الحصول على البيانات واستخدامها أمر صعب للغاية.

توزيع القيمة غير المتوازن: يتم استبعاد المساهمين والمبدعين من الأرباح. في النظام البيئي الحالي للذكاء الاصطناعي، فإن توزيع القيمة غير عادل للغاية. يعتمد تدريب نماذج الذكاء الاصطناعي على سلوكيات بيانات المستخدمين التي ينتجها عدد لا يحصى من المستخدمين، والمحتوى الذي ينتجه المبدعون (نصوص، صور، أكواد، إلخ)، بالإضافة إلى الأكواد المصدرية التي يساهم بها المطورون حول العالم. ومع ذلك، فإن هؤلاء المساهمين الرئيسيين يكاد يكونون غير قادرين على الحصول على أي عائد من القيمة التجارية الهائلة التي تخلقها نماذج الذكاء الاصطناعي. هذه ليست فقط مشكلة أخلاقية، بل هي نموذج تجاري غير مستدام. إنها تثبط عزيمة المساهمين في البيانات ومبدعي المحتوى، وعلى المدى الطويل، ستقوض أساس تحسين نماذج الذكاء الاصطناعي المستمر والابتكار. حالة نموذجية هي أن العديد من الفنانين والكتّاب يتهمون شركات الذكاء الاصطناعي باستخدام أعمالهم للتدريب وتحقيق الأرباح، دون منح أي تعويض، مما أثار جدلاً واسعاً ونزاعات قانونية.

ثانيًا، نمط الربح الجديد

DeAI (الذكاء الاصطناعي اللامركزي) ليس تقنية واحدة، بل هو نموذج جديد يجمع بين blockchain و cryptography و الحوسبة الموزعة. يهدف إلى إعادة بناء علاقات الإنتاج في الذكاء الاصطناعي بطريقة لامركزية، مما يعالج بشكل مستهدف النقاط الثلاث الكبرى المذكورة أعلاه، ويفتح آفاقًا للربح.

DeAI من خلال نموذج “التمويل الجماعي”، يقوم بتوزيع طلبات الطاقة الحاسوبية على العقد غير المستخدمة في جميع أنحاء العالم (أجهزة الكمبيوتر الشخصية، مراكز البيانات، إلخ). هذا مشابه لـ “Airbnb للمعالجات الرسومية”، مما يشكل سوقًا عالميًا تنافسيًا للطاقة الحاسوبية، قادرًا على خفض تكاليف الطاقة الحاسوبية بشكل كبير. يحصل المشاركون على حوافز رمزية من خلال مساهمتهم في الطاقة الحاسوبية، مما يحقق تحسين تخصيص الموارد.

DeAI من خلال تقنيات مثل “التعلم الفيدرالي” و “التشفير المتجانس”، تحقق “البيانات لا تتحرك، النموذج يتحرك”. لا يحتاج إلى تجميع البيانات الأصلية في مكان واحد، بل يقوم بتوزيع النموذج على مصادر البيانات المختلفة للتدريب المحلي، ويجمع فقط تحديثات المعلمات المشفرة. هذا يحمي الخصوصية البيانات بشكل أساسي، وفي نفس الوقت يستفيد بشكل قانوني ومنظم من قيمة البيانات الموزعة. يمكن لمالكي البيانات أن يقرروا بحرية ما إذا كانوا سيقدمون بياناتهم والاستفادة منها.

DeAI من خلال “اقتصاديات الرموز” و"العقود الذكية"، أنشأت نظام توزيع قيمة شفاف وعادل. يمكن لمساهمي البيانات، ومقدمي القوة الحاسوبية، ومطوري النماذج وحتى مستخدمي النماذج، الحصول تلقائيًا على مكافآت رمزية وفقًا لمستوى مساهماتهم، وذلك عبر العقود الذكية. وهذا يجعل الذكاء الاصطناعي يتحول من “صندوق أسود” تسيطر عليه الشركات الكبرى إلى اقتصاد مفتوح يبنيه المجتمع بشكل مشترك ويتشارك فيه.

ثالثاً، هيكل التحول ثلاثي الطبقات

يتطلب نقل الأعمال التجارية التقليدية المركزية للذكاء الاصطناعي إلى نموذج DeAI إعادة هيكلة منهجية على ثلاثة مستويات: التقنية، والأعمال، والحوكمة.

(1) إعادة هيكلة التكنولوجيا من المركزية إلى اللامركزية

طبقة القدرة الحاسوبية تعتمد على مشاريع الشبكات اللامركزية للبنية التحتية الفيزيائية (DePIN) مثل شبكة Akash، شبكة Render وغيرها، لبناء برك حوسبة موزعة مرنة ومنخفضة التكلفة، لتحل محل خدمات السحابة المركزية التقليدية.

طبقة البيانات تعتمد على التعلم الفيدرالي كإطار تدريب أساسي، مع دمج تقنيات التشفير مثل التشفير المتجانس والحساب الآمن متعدد الأطراف لضمان خصوصية البيانات وأمانها. إنشاء سوق بيانات قائم على blockchain، مثل Ocean Protocol، يسمح لتداول البيانات مع ضمان حقوقها وأمانها.

طبقة النموذج تقوم بنشر نموذج الذكاء الاصطناعي المدرب على شكل “عقد ذكي للذكاء الاصطناعي” على blockchain، مما يجعله شفافًا وقابلًا للتحقق، ويمكن استدعاؤه دون إذن. كل استخدام للنموذج والعائدات الناتجة يمكن تسجيلها وتوزيعها بدقة.

(2) إعادة بناء الأعمال من خدمات البيع إلى بناء النظام البيئي المشترك

من SaaS إلى DaaS (البيانات كخدمة) و MaaS (النموذج كخدمة)، لم تعد الشركات تبيع فقط عدد مكالمات API، بل أصبحت كمبنيين للنظام البيئي، من خلال إصدار رموز وظيفية أو رموز حوكمة، لتحفيز المجتمع على المشاركة في بناء الشبكة. وقد توسعت مصادر الإيرادات من رسوم الخدمة الأحادية، إلى زيادة قيمة الرموز الناتجة عن نمو النظام البيئي، وتقاسم أرباح رسوم المعاملات وغيرها.

لذلك، بناء منصة مهام لامركزية، حيث يتم نشر مهام مثل وسم البيانات، وتعديل النماذج، وتطوير التطبيقات الخاصة بالمشاهد على شكل “جوائز”، والتي يتولى تنفيذها أعضاء المجتمع العالمي للحصول على مكافآت، مما يقلل بشكل كبير من تكاليف التشغيل ويحفز حيوية الابتكار.

(ثالثًا) من النظام الشركات إلى إعادة هيكلة الحوكمة لـ DAO

استنادًا إلى حوكمة المجتمع، فإن حاملي رموز الحوكمة، المشاركين في المجتمع (المساهمين، المستخدمين) لهم الحق في التصويت على القرارات الرئيسية، مثل اتجاه تعديل معلمات النموذج، استخدام أموال الخزانة، وأولوية تطوير الميزات الجديدة، وما إلى ذلك. وهذا يحقق حقًا “المستخدم هو المالك”.

استنادًا إلى الانفتاح والشفافية، يتم رفع جميع الأكواد، النماذج (بعضها مفتوح المصدر)، سجلات المعاملات وقرارات الحوكمة إلى السلسلة، لضمان علنية وشفافية العملية، وإقامة علاقات تعاونية لا تحتاج إلى ثقة، وهذا بحد ذاته يعد أصلًا قويًا للعلامة التجارية وضمانًا للثقة.

كمثال على التحول من منصة بيانات اللوجستيات التقليدية إلى DeAI، فإن معضلة منصة بيانات اللوجستيات التقليدية هي أنها رغم تجمع بيانات الشحن البحري، والشحن البري، والتخزين من جميع الأطراف، إلا أن المشاركين “لا يرغبون في المشاركة” بسبب القلق من تسرب الأسرار التجارية، مما يؤدي إلى وجود جزر بيانات، وقيمة محدودة للمنصة. إن جوهر التحول إلى DeAI هو تحرير قيمة البيانات وتحفيزها بشكل عادل دون الكشف عن البيانات الأصلية:**

بناء شبكة حساب موثوقة تقنيًا. لم يعد النظام الأساسي يخزن البيانات مركزيًا، بل تحول إلى طبقة تنسيق قائمة على blockchain. يتم استخدام أنماط تقنية مثل التعلم الفيدرالي، مما يسمح لنموذج الذكاء الاصطناعي “بالهبوط” إلى الخوادم المحلية في الشركات (مثل شركات الشحن، والمخازن) للتدريب، مع تجميع فقط تحديثات المعلمات المشفرة، وتحسين النموذج التنبؤي العالمي بشكل مشترك (مثل وقت وصول السفن إلى الميناء، ومخاطر زيادة الحمل في المخازن)، لتحقيق “البيانات لا تتحرك، القيمة تتحرك”.

تطبيق أصول البيانات والتحفيز بالرموز في الأعمال. إصدار نقاط عملية على المنصة، حيث تقوم شركات اللوجستيات بـ"تعدين" مكافآت النقاط من خلال مساهمة البيانات (معلمات النموذج). بينما يقوم العملاء في الأسفل (مثل أصحاب الشحن) بدفع الرموز للاستعلام عن “نتائج التوقع” عالية الدقة (على سبيل المثال: معدل الدقة للرحلات الجوية في الأسبوع المقبل)، بدلاً من شراء البيانات الأصلية. يتم توزيع العائدات تلقائياً على المساهمين في البيانات من خلال العقود الذكية.

بناء DAO في الإدارة الصناعية**،** يتم اتخاذ القرارات الرئيسية (مثل تطوير الميزات الجديدة، وتعديل الرسوم) من خلال تصويت مشترك من حاملي الرموز (أي المشاركين الرئيسيين)، مما يحول المنصة من قيادة شركة خاصة إلى مجتمع صناعي.

تحولت المنصة من هيئة مركزية تحاول استخراج رسوم الوساطة من البيانات إلى نظام عصبي مشترك ومشترك ومشترك في سلسلة التوريد بأكملها، من خلال حل مشكلة الثقة، مما عزز بشكل كبير كفاءة التعاون في الصناعة وقدرتها على مواجهة المخاطر.

الرابعة، الامتثال والأمان

على الرغم من أن آفاق DeAI واعدة، إلا أن تطورها لا يزال في مراحله المبكرة، ويواجه مجموعة من التحديات التي لا يمكن تجاهلها.

الامتثال وعدم اليقين القانوني. فيما يتعلق بالتشريعات المتعلقة بالبيانات، حتى لو لم تتحرك البيانات، فإن أنماط التعلم الفيدرالي وما إلى ذلك في معالجة البيانات الشخصية لا تزال بحاجة إلى الامتثال الصارم لمتطلبات اللوائح مثل GDPR المتعلقة ب"تحديد الأغراض" و"تقليل البيانات" وحقوق المستخدمين (مثل حق النسيان). يجب على الأطراف المعنية تصميم آليات موثوقة للامتثال والترخيص والخروج.

فيما يتعلق بقوانين الأوراق المالية، من السهل على الهيئات التنظيمية في الدول المختلفة (مثل SEC الأمريكية) اعتبار الرموز المصدرة من المشروع أوراقًا مالية، مما يضعها تحت مراجعة تنظيمية صارمة. كيف يمكن تجنب المخاطر القانونية عند تصميم نموذج الاقتصاد الرمزي هو المفتاح لبقاء المشروع.

مسؤولية المحتوى، إذا أنتج نموذج DeAI المنشور على السلسلة محتوى ضار أو متحيز أو غير قانوني، فمن هو المسؤول؟ هل هو مطور النموذج، أو مزود القدرة الحاسوبية، أو حاملي رموز الحوكمة؟ هذا يطرح تحديات جديدة على النظام القانوني القائم.

تحديات الأمان والأداء، قد تواجه نماذج الأمان التي تم نشرها على السلاسل العامة أنواعًا جديدة من هجمات، مثل استغلال الثغرات في العقود الذكية، أو التخريب الخبيث لنظام التعلم الفيدرالي من خلال بيانات مسمومة.

اختناق الأداء هو سرعة المعاملات (TPS) وقيود التخزين في blockchain نفسها، قد لا تدعم طلبات الاستدلال الكبيرة ذات التردد العالي والكمون المنخفض. وهذا يتطلب دمجًا فعالًا لحلول توسيع Layer2 والحوسبة خارج السلسلة.

كفاءة التعاون تعني أن التعاون الموزع على الرغم من كونه عادلاً، إلا أن كفاءة اتخاذ القرار والتنفيذ قد تكون أقل من الشركات المركزية. كيفية تحقيق التوازن بين الكفاءة والعدالة هي فن يحتاج إلى استكشاف مستمر في إدارة DAOs.

تعتبر DeAI ثورة في علاقات الإنتاج، ومن خلال التقنية الموزعة، واقتصاد الرموز، وحوكمة المجتمع، من المتوقع أن تكسر احتكار الشركات الكبرى، وتحرر قوة الحسابات والبيانات غير المستغلة على مستوى العالم، وتبني نظامًا بيئيًا جديدًا للذكاء الاصطناعي يكون أكثر عدلاً واستدامة، وربما أكثر ربحية.

خمسة، اتجاهات الاستكشاف الحالية

تطور أدوات الذكاء الاصطناعي الحالية لا يزال بعيدًا عن تحقيق الذكاء الاصطناعي اللامركزي المثالي. نحن حاليًا في مرحلة مبكرة تهيمن عليها الخدمات المركزية، ولكن بعض الاستكشافات قد أشارت إلى اتجاهات المستقبل.

! j0HbQ2gIVS6NXJdpjJ7khn2w5mdTIC5I0Ud3pNRR.jpeg

التحديات الحالية والاستكشافات المستقبلية. على الرغم من أن DeAI المثالي لم يتحقق بعد، إلا أن الصناعة تقوم بالفعل بمحاولات قيمة، مما يساعدنا على رؤية مسار المستقبل والعوائق التي يجب التغلب عليها.

مثل نموذج التعاون لنظام الوكلاء المتعددين. بعض المشاريع تستكشف بناء بيئة تتعاون فيها الوكلاء الذكاء الاصطناعي وتتطور معًا. على سبيل المثال، يهدف مشروع AMMO إلى إنشاء “شبكة تعايش بين البشر والذكاء الاصطناعي”، حيث يوفر إطار عمل متعدد الوكلاء وبيئة محاكاة RL Gyms، مما يسمح لوكلاء الذكاء الاصطناعي بالتعلم من التعاون والمنافسة في مشاهد معقدة. يمكن اعتبار ذلك محاولة لبناء قواعد التفاعل الأساسية لعالم DeAI.

مثل محاولات نموذج الحوافز الأولية. في تصور DeAI، يجب أن يحصل المستخدمون الذين يساهمون بالبيانات والعقد الذين يقدمون القدرة الحاسوبية على مكافآت عادلة. تحاول بعض المشاريع إعادة توزيع القيمة مباشرةً على المساهمين في النظام البيئي من خلال نظام حوافز قائم على التشفير. بالطبع، لا يزال هناك تحدٍ كبير في كيفية عمل هذا النموذج الاقتصادي على نطاق واسع وبشكل مستقر وعادل.

كما أن الانتقال إلى AI الأكثر استقلالية: تُظهر منتجات Deep Research القوة الكبيرة للذكاء الاصطناعي في مهام معينة (مثل استرجاع المعلومات، والتحليل). يمكنها التخطيط والتنفيذ بشكل مستقل للعمليات متعددة الخطوات وتحسين النتائج بشكل متكرر، وهذه القدرة على أتمتة المهام هي أساس عمل وكلاء الذكاء الاصطناعي بشكل مستقل في شبكة DeAI المستقبلية.

بالنسبة لممارسي الذكاء الاصطناعي الذين يكافحون في البحر الأحمر، من الأفضل لهم بدلاً من الانغماس في الأنماط القديمة، أن يتبنوا بشجاعة البحر الأزرق الجديد الخاص بـ DeAI. هذه ليست مجرد تحول في المسار التكنولوجي، بل هي إعادة تشكيل فلسفة تجارية — من “الاستخراج” إلى “التحفيز”، ومن “الإغلاق” إلى “الانفتاح”، ومن “احتكار الأرباح” إلى “النمو الشامل”.