شيء واحد لاحظته في الذكاء الاصطناعي اللامركزي هو أن المشاريع غالبًا ما تُجمع معًا ببساطة لأنها تشترك في نفس السرد.
للوهلة الأولى، كلاهما يقع تحت مظلة "الذكاء الاصطناعي اللامركزي". لكن كلما تعمقت في الأمر، أدركت أكثر أنهما يعالجان تحديات مختلفة تمامًا.
Bittensor تركز بشكل كبير على الذكاء نفسه. الشبكة تكافئ المشاركين على إنتاج مخرجات مفيدة، مع وجود المدققين الذين يقومون بتقييم الأداء باستمرار. ببساطة، إنها سوق حيث تتنافس قدرات الذكاء الاصطناعي للحصول على المكافآت.
يبدو أن OpenLedger يتعامل مع المشكلة من زاوية مختلفة.
بدلًا من السؤال: «أي نموذج هو الأذكى؟»، فإنه يسأل: «من ساهم في المعرفة الكامنة وراء النتيجة، وكيف ينبغي أن تتدفق القيمة إليهم؟»
هذا التمييز أكبر مما يبدو.
مع ازدياد قوة أنظمة الذكاء الاصطناعي، تصبح مسألة الإسناد أكثر أهمية. يلعب مقدمو البيانات والمساهمون والبناؤون جميعًا دورًا في إنشاء مخرجات قيّمة، ومع ذلك فإن معظم الأنظمة تكافح لتتبع مصدر ذلك القيمة بدقة.
هنا يبرز إطار «إثبات الإسناد» لدى OpenLedger بالنسبة لي. الهدف ليس مجرد توليد ذكاء—بل إنشاء سلسلة واضحة تربط المخرجات بالبيانات والمساهمين الذين ساعدوا في جعلها ممكنة.
ما أراه مثيرًا للاهتمام هو أن OpenLedger يتعامل مع البيانات باعتبارها شيئًا أكثر من مجرد وقود خام. من خلال DataNets، تصبح البيانات الوصفية وسجل الإصدارات وتتبع المساهمات جزءًا من البنية التحتية نفسها. إن التركيز لا يكون فقط على إنتاج الإجابات، بل أيضًا على الحفاظ على السياق خلف تلك الإجابات.
بالطبع، فإن الإسناد على نطاق واسع يمثل تحديًا صعبًا. تُنشئ مجموعات البيانات المتشابهة والمساهمات المتداخلة والتعقيد الحسابي عقبات حقيقية. لكني أقدّر المشاريع التي تكون مستعدة لمعالجة مشكلات بنية تحتية صعبة بدلًا من مطاردة سرديات أسهل.
بالنسبة لي، الفارق بسيط:
• يركز Bittensor على مكافأة الذكاء.
• تركز OpenLedger على مكافأة المساهمة.
كلاهما مهم. كلاهما يحل مشكلات حقيقية.
السؤال هو ما إذا كانت اقتصاديات الذكاء الاصطناعي في المستقبل ستقدّر القدرة وحدها، أم أنها ستطالب أيضًا بملكية قابلة للتحقق، وإسناد، وتوزيع قيمة شفاف.
هذه هي الجزء الذي أراقبه عن كثب.
