أصبحت وكلاء الذكاء الاصطناعي أكثر قدرة بكثير من روبوتات الدردشة. فهي بدأت في التخطيط وتنفيذ المهام والتفاعل مع التطبيقات والمساعدة في سير عمل أكثر تعقيدًا باستمرار. ومع نمو هذه القدرات، يصبح سؤال واحد أكثر أهمية: كيف نجعل الذكاء الاصطناعي المستقل جديرًا بالثقة؟
هنا يتخذ @NEAR Protocol نهجًا مثيرًا للاهتمام مع IronClaw 1.0.
بدلاً من السماح لنموذج ذكاء اصطناعي بالتفكير وتنفيذ الإجراءات دون رقابة، يقدّم IronClaw طبقة Guard تفصل بين اتخاذ القرار والتنفيذ. تتطلب العمليات الحساسة موافقة صريحة، مما يخلق طبقة إضافية من الأمان لسير العمل المدعوم بالذكاء الاصطناعي.
النتائج مدعومة بأداء قوي في الاختبارات المعيارية (benchmarks). باستخدام نموذج الأساس DeepSeek-V4-Flash، حقق IronClaw 93.5% على PinchBench، و88.6% على ClawBench، و76.4% على OfficeQA، ما يبرهن أن النهج المعتمد على الأمان أولًا لا يحتاج بالضرورة إلى التضحية بالأداء.
من الميزات التي لفتت انتباهي أيضًا أنها تعمل بنظام نقاط تحقق مستمر. بدلًا من فقدان التقدم بعد حدوث انقطاع، يستأنف IronClaw العمل من حيث توقّف تمامًا. وبالاقتران مع ذاكرة متعددة القنوات عبر واجهة سطر الأوامر (CLI) والويب وSlack وTelegram، يبدو الأمر مصممًا للاستخدام المؤسسي الحقيقي، وليس مجرد عروض توضيحية منعزلة.
بالنظر إلى ما هو أبعد من #IronClaw نفسها، فإن @NEAR Protocol يعمل على بناء منظومة أوسع للذكاء الاصطناعي اللامركزي، حيث يمكن للمستخدمين والمطورين الاعتماد على بنية تحتية للذكاء الاصطناعي سرّية وقابلة للتحقق. وفي تلك الرؤية، يصبح الحجز (staking) أكثر من مجرد وسيلة لكسب المكافآت—إذ يساعد في تأمين الشبكة اللامركزية التي سيعتمد عليها وكلاء الذكاء الاصطناعي في المستقبل.
مع استمرار تطور الذكاء الاصطناعي، قد تصبح بنية النظام والأمان والبنية التحتية بنفس أهمية حجم النموذج.
ما الذي تعتقد أنه سيثبت أهميته الأكبر بالنسبة لجيل وكلاء الذكاء الاصطناعي القادم: نماذج أقوى أم بنية تحتية أكثر موثوقية؟