الملخض الأساسي
منصة (Chutes (SN64 هو منصة حوسبة ذكاء اصطناعي لا مركزية بنموذج Serverless مبنية على شبكة Bittensor. في سباق حوسبة الذكاء الاصطناعي ضمن Web3، يتمثل تموضعه الأساسي في نموذج مشابه لمنصات طلب السيارات وPaaS (المنصة كخدمة). تقوم المنصة بدمج قدرات GPU غير المستغلة والموزعة عالميًا، مع تقنيات جدولة متقدمة قائمة على الحاويات، لتوفير واجهات API لاستدلال الذكاء الاصطناعي جاهزة للاستخدام وبنموذج الدفع حسب الاستخدام.
على مستوى البنية الأساسية، يعتمد Chutes على آلية لعب ثنائية الأدوار كلاسيكية: يوفّر المعدّنون العتاد الأساسي للاستجابة للطلبات الخارجية في أي وقت، بينما يقيّم المدققون الجودة ويخصصون الأوزان بشكل فوري، مما يشكّل شبكة استدلال على مستوى صناعي تجمع بين التكلفة المنخفضة والقدرة العالية على المعالجة المتزامنة. حاليًا، يتصدر Chutes مجال الحوسبة اللامركزية من خلال تشغيل حلقة أعمال مغلقة حقيقية. فقد عالج أكثر من 9.1 تريليون Token، ولديه أكثر من 400,000 مستخدم نشط، وأصبح أول شبكة فرعية ضمن منظومة Bittensor تعلن ذاتيًا تجاوز تقييم 100 مليون دولار. ومن خلال إعادة ضخ إيرادات الأعمال الحقيقية في قيمة الرمز، يمتلك Chutes القدرة على أن يصبح بنية تحتية بمستوى يونيكورن في مسار الذكاء الاصطناعي اللامركزي على المدى الطويل.
الخلفية الصناعية: صعود استدلال الذكاء الاصطناعي ومعضلة نموذج Web2
قبل التعمق في منصات الحوسبة، يجب توضيح مرحلتين أساسيتين في دورة حياة نموذج الذكاء الاصطناعي: مرحلة ما قبل التدريب (Training) والاستدلال (Inference).
نموذج ما قبل التدريب: هذه هي “مرحلة التعلم” في نماذج الذكاء الاصطناعي. يحتاج الباحثون إلى إدخال كميات هائلة من البيانات، مثل النصوص المأخوذة من الإنترنت بالكامل، إلى الشبكات العصبية، ثم تعديل مليارات أو حتى تريليونات المعاملات داخل النموذج بشكل مستمر عبر عمليات ضرب مصفوفية واسعة النطاق. هذه العملية تستغرق وقتًا طويلًا للغاية وتتطلب عرض نطاق عالٍ للحوسبة العنقودية، مثل NVLink، مما يجعلها استثمارًا كثيف الأصول.
نموذج الاستدلال: هذه هي “مرحلة التطبيق” في نموذج الذكاء الاصطناعي. بعد اكتمال تدريب النموذج، تصبح المعاملات ثابتة. في هذه المرحلة، يُدخل المستخدم كلمة توجيهية (Prompt)، ويولّد النموذج الكلمة التالية ذات الاحتمالية الأعلى من خلال حساب الانتشار الأمامي (Forward Pass). وبالمقارنة مع التدريب، فإن القدرة الحاسوبية المطلوبة لكل عملية استدلال تكون أقل، لكنها تتطلب قدرة عالية جدًا على المعالجة المتزامنة، وزمن استجابة منخفضًا للغاية (Latency)، واستقرارًا تشغيليًا على مدار الساعة طوال أيام الأسبوع.
2.2 منطق تطور مسار القدرة الحاسوبية وتحول تركيز الصناعة
عند النظر إلى تطور مسار القدرة الحاسوبية بالكامل، يمكننا رؤية خط تطور واضح: من الحوسبة العامة المبكرة عبر CPU، إلى صعود الحوسبة المتوازية عبر GPU، وتأسيس منظومة CUDA، ثم إلى ازدهار شرائح TPU وASIC المصممة خصيصًا للذكاء الاصطناعي.
في السنوات القليلة الماضية، كان تركيز رأس المال والتكنولوجيا منصبًا بالكامل تقريبًا على “كيفية تدريب نماذج أكثر ذكاءً”. لكن مع القفزة في قدرات النماذج الكبيرة مفتوحة المصدر مثل سلسلة Llama وDeepSeek، تقلصت بسرعة فجوة الذكاء بين النماذج مفتوحة المصدر والعمالقة مغلقة المصدر مثل GPT-4. وبذلك، يتحول مركز التقاط القيمة في صناعة الذكاء الاصطناعي بشكل لا رجعة فيه من “مرحلة ما قبل تدريب النماذج” إلى “استدلال النماذج”. والسبب هو أنه لكي تحقق النماذج الكبيرة تحقيق دخل حقيقيًا وتمكينًا واسع النطاق عبر مختلف الصناعات، يجب أن تمتلك توافرًا عاليًا وقدرة استجابة منخفضة التأخير على مدار الساعة طوال أيام الأسبوع. عند هذه النقطة، تصبح “كيفية تشغيل النماذج بتكلفة منخفضة، وباستقرار، وبسرعة” أكبر نقطة ألم في الصناعة.
يهيمن على مسار الاستدلال الحالي في Web2 بشكل رئيسي الأنواع التالية من المشاركين:
مزودو واجهات API للنماذج مغلقة المصدر: مثل (OpenAI (ChatGPT، و(Anthropic (Claude، و(Google (Gemini. توفّر هذه الجهات واجهات API سهلة الاستخدام للغاية، لكنها تعمل كنظام صندوق أسود، وتكلفتها مرتفعة، كما تفرض ارتباطًا قويًا بمنظومتها.
عمالقة خدمات السحابة التقليدية (Cloud as a Service) : مثل (AWS (Amazon Web Services، وMicrosoft Azure، وGoogle Cloud. توفّر هذه الجهات آلات افتراضية منخفضة المستوى أو خدمات تأجير GPU عارية المعدن، مع مرونة عالية، لكنها تأتي بتكاليف تشغيل وصيانة مرتفعة للغاية.
منصات الاستدلال كخدمة المتخصصة (MaaS) : مثل Together AI، وAnyscale، وHuggingFace Inference Endpoints. تتخصص هذه المنصات في تقديم خدمات إدارة الاستدلال للنماذج مفتوحة المصدر.
ومع ذلك، عندما يستخدم المطورون خدمات عمالقة Web2 مثل OpenAI API أو AWS أو Together AI، فإنهم لا يزالون يواجهون ثلاثة تحديات يصعب تجاوزها:
ضريبة حوسبة مرتفعة وتسوية مالية غير دقيقة : تكاليف استهلاك البرمجيات والعتاد، مثل إيجار المواقع، وأنظمة التبريد، وشراء الخوادم باهظة الثمن، إلى جانب تكاليف الصيانة في مراكز البيانات المركزية، تكون مرتفعة للغاية، مما يؤدي في النهاية إلى تمرير تكاليف استدعاء API العالية إلى المطورين. بالإضافة إلى ذلك، غالبًا ما تتم محاسبة خدمات السحابة التقليدية على أساس “الساعة” أو “الجهاز الكامل”، وهو ما لا يناسب التطبيقات واسعة النطاق ذات الطلبات المتزامنة الضخمة والفورية. وخلال فترات انخفاض الاستخدام، يحدث غالبًا هدر كبير في الموارد الخاملة.
تعقيدات ومخاطر البنية التحتية: بالنسبة للفرق الناشئة التي تحاول تجاوز واجهات API الخاصة بمزودي السحابة واستئجار أجهزتها الخاصة لنشر النماذج الكبيرة مفتوحة المصدر، فإنها تواجه منحنى تعلم شديد الانحدار. إذ تحتاج إلى معالجة قضايا معقدة مثل اختيار وحدات GPU، وضبط التعريفات منخفضة المستوى، وتحسين أطر تسريع الاستدلال مثل vLLM وTensorRT، وصيانة العقد، وتنسيق العناقيد القائمة على الحاويات، مما يفرض عتبة هندسية مرتفعة للغاية.
الارتباط القسري بالمزود ومخاطر خصوصية البيانات: بمجرد أن تدمج الشركة خدماتها بعمق مع واجهات API الخاصة بمزوّد سحابة محدد، تصبح خططها التقنية المستقبلية وهيكل تكاليفها خاضعة بالكامل لطرف خارجي. والأهم من ذلك، بالنسبة للقطاعات شديدة الحساسية مثل الرعاية الصحية والتمويل والقانون، فإن إرسال بيانات الأعمال الخاصة إلى خوادم API مركزية لمعالجتها ينطوي على مخاطر عالية من تسرب البيانات ومخاطر الامتثال.
3. الحلول: Chutes يستخدم “الشبكة” لإعادة بناء استدلال الذكاء الاصطناعي
ضمن منظومة Bittensor الكبيرة والواضحة التقسيم، تمتلك كل شبكة فرعية دورها الخاص. على سبيل المثال، تؤدي (Templar(SN3 دور “مصنع سيارات”، حيث تتمثل مهمتها الأساسية في البدء من الصفر وتجميع القدرة الحاسوبية لتدريب نماذج مفتوحة المصدر من الطراز الأول؛ أما(Chutes (SN64، فتمتلك تموضعًا مختلفًا تمامًا، إذ تركز على “الخدمات التشغيلية”، وتؤدي دور “منصة طلب سيارات” في عصر Web3.
لا يتحمل Chutes نفسه مسؤولية إنتاج النماذج، لكنه من خلال بروتوكول الشبكة الخاص به يدمج بكفاءة “المركبات” الموزعة عالميًا، أي قدرات GPU الخاملة المنتشرة حول العالم، مما يسمح للنماذج مفتوحة المصدر الجاهزة والمتقدمة بالعمل بكفاءة على هذه العقد، وبالتالي تقديم خدمات استدلال سلسة للمطورين الخارجيين. وبشكل جوهري، يبني Chutes بنية PaaS (المنصة كخدمة) لامركزية، صديقة للمصدر المفتوح، وعالية التوحيد القياسي، فوق البلوكشين.
التغيير الجوهري الذي يقدمه Chutes للمطورين هو تحقيق تجربة Serverless حقيقية. عند استخدام Chutes، لا يحتاج المطورون إلى القلق بشأن اختيار العتاد الأساسي، أو إعداد البيئة، أو صيانة العناقيد. يكفيهم تعديل بضعة أسطر من الكود للاندماج بسلاسة في الشبكة عبر واجهات API متوافقة بالكامل مع صيغة OpenAI.
في ما يتعلق بضبط التكاليف، يعتمد Chutes على آلية المدفوعات الصغيرة المشفّرة الأصلية في البلوكشين (Micropayments)، لتحقيق تسوية فائقة الدقة ونادرة في القطاع. هذه الطريقة التخريبية في التسوية تلغي تمامًا هدر الموارد الناتج عن نموذج الفوترة بالساعة في الاستضافة السحابية التقليدية. وفي التطبيقات العملية، تجعل هذه الميزة سعره أرخص بحوالي 85% من خدمات السحابة التقليدية كخدمة مثل AWS، وتوفر ما لا يقل عن 40% من التكلفة مقارنة بمعظم منصات API المركزية في السوق.
في الشبكات اللامركزية، كان التحدي الأكبر دائمًا هو كيفية حماية المطالبات وبيانات الأعمال التي يدخلها المستخدمون إلى عقد مجهولة. واستجابةً لمخاوف الخصوصية العميقة لدى مستخدمي المؤسسات، يقوم Chutes حاليًا بنشر بيئات التنفيذ الموثوقة TEE (Trusted Execution Environments) بالكامل داخل شبكته.
تستخدم تقنية TEE التشفير على مستوى العتاد لعزل منطقة ذاكرة محمية بشكل صارم داخل CPU/GPU. وهذا يعني أن العقد اللامركزية يمكنها معالجة طلبات الاستدلال داخل “صندوق أسود” مشفّر، وحتى المعدّنين الذين يوفرون القدرة الحاسوبية لا يمكنهم التجسس على بيانات الإدخال الحساسة الخاصة بالمستخدم طوال عملية الحساب. إن إدخال هذه التقنية الأساسية يحل بشكل جذري نقاط الألم المتعلقة بالامتثال والخصوصية في الشبكات اللامركزية عند النشر التجاري على مستوى المؤسسات، ويمهّد الطريق لاعتماد واسع النطاق من قبل شركات Web2.
البنية الأساسية: كيف يتم تنفيذ استدلال الذكاء الاصطناعي داخل الشبكة
ضمن البنية التحتية الموزعة في الطبقة الأساسية لـ Chutes، يقوم النظام بتوزيع كميات هائلة من مهام الاستدلال إلى الشبكة العالمية من خلال آليات معقدة للتوجيه وتوازن الأحمال. وينقسم المشاركون الأساسيون بوضوح إلى فئتين، ويتم ضمان جودة الخدمة النهائية من خلال مزيج ذكي من التشفير وآليات السوق الاقتصادية.
المعدّنون (مزود الخدمة): بعد انضمام عقد الحوسبة حول العالم إلى النظام عبر آلية الرهن (Staking)، يتوجب عليها تحميل “النماذج الساخنة الدائمة” (Permanently Hot Models) التي يحددها النظام وفقًا لتعليمات الشبكة. يشير مصطلح “النماذج الساخنة” إلى أن المعاملات الضخمة للنموذج قد تم تحميلها مسبقًا داخل ذاكرة الفيديو (VRAM) الخاصة بوحدات GPU. وبالاعتماد على تقنيات جدولة متقدمة قائمة على الحاويات، يجب على هذه العقد الحفاظ على توفر عالٍ للنظام في جميع الأوقات، من أجل معالجة طلبات API عالية التزامن مع أدنى زمن بدء بارد (Cold Start Latency).
المدققون (مفتشو الجودة): في شبكة لامركزية، لا توجد جهة مركزية للإشراف، ولذلك يتم الاعتماد على المدققين. يقوم المدققون بإرسال طلبات اختبار عشوائية بشكل مستمر إلى المعدّنين، بالإضافة إلى توجيه الطلبات التجارية الحقيقية. ويتم تقييم أداء المعدّنين بشكل صارم عبر عدة أبعاد أساسية، مثل زمن الاستجابة (زمن توليد أول كلمة TTFT)، ومعدل الإنتاجية (عدد التوكنات المولدة في الثانية)، ودقة المخرجات. المعدّنون الذين يحققون أداءً عاليًا يحصلون على مكافآت مجزية على شكل رموز الشبكة، بينما يتم استبعاد من يحققون أداءً ضعيفًا أو يحاولون التصرف بشكل خبيث بشكل حاسم، وقد تتم مصادرة رهوناتهم.
تعمل هذه البنية القائمة على نظرية الألعاب اللامركزية، المبنية فوق إجماع Bittensor، على تحويل الدوافع القائمة على المصالح إلى آلية تضمن جودة الخدمة، مما يسمح لشبكة موزعة بشكل فضفاض بتقديم استقرار على مستوى صناعي يضاهي مراكز البيانات المركزية المتقدمة.
المحرّك الاقتصادي: الانتقال من “التضخم” إلى “توليد الإيرادات الحقيقية”
في الدورات السابقة لعالم الكريبتو، وقعت العديد من مشاريع الحوسبة في Web3 في حلقة موت: حيث اعتمدت بشكل مفرط على تضخم الرموز لجذب القدرة الحاسوبية (ما يُعرف بالتعدين)، ومع تراجع أداء السوق الثانوية، كانت القدرة الحاسوبية تتلاشى بسرعة. في المقابل، تكمن القوة التنافسية الأساسية لـ Chutes في نجاحه في تشغيل حلقة أعمال لامركزية صحية ومستدامة.
حاليًا، تقوم شبكة Chutes بمعالجة حجم كبير من طلبات API الحقيقية من جانب الشركات (B2B) والمستخدمين النهائيين (C2C) يوميًا. ومن خلال نظام الرموز، تقوم الشبكة بفرض رسوم على هذه الخدمات الفعلية. والأهم من ذلك، وبالاعتماد على آلية الرهن التلقائي والتسوية المدمجة في النظام، يتم تحويل هذه الإيرادات القادمة من العالم الحقيقي (والتي قد تبدأ بمدفوعات نقدية تقليدية) في النهاية إلى قوة شراء حقيقية لأصول النظام (الرموز). تعمل هذه الآلية على إعادة ضخ القيمة بشكل مستمر إلى حاملي الرموز وجميع المشاركين في صيانة الشبكة، مما يحقق انتقالًا حقيقيًا من نموذج “حرق الأموال لشراء القدرة الحاسوبية” إلى نموذج اقتصادي مستدام قائم على “توليد الإيرادات من الأعمال الحقيقية”.
الوضع الحالي للمنظومة وأداء البيانات المثير للإعجاب
استنادًا إلى التتبع الأخير لبيانات السلسلة والبيانات التشغيلية، أظهرت شبكة Chutes قدرة استثنائية على المعالجة (Throughput) ومعدل اختراق عميق للسوق ضمن سيناريوهات الأعمال ذات التزامن العالي:
اختراق في حجم الأعمال الأساسي: قامت شبكة Chutes بمعالجة أكثر من 9.1 تريليون Token، وهو رقم كبير سواء ضمن Web3 أو حتى مقارنة بالعديد من منصات Web2 المتوسطة. ويمكن أن تصل قدرتها اليومية القصوى إلى 50 مليار عملية، مع خدمة أكثر من 400,000 مستخدم نهائي ومطوّر.
موقع قيادي مطلق في السوق: بفضل هذه البيانات التشغيلية القوية، أصبحت Chutes أول شبكة ضمن منظومة Bittensor تعلن ذاتيًا تجاوز تقييم 100 مليون دولار.
تكامل عميق في المنظومة وخصائص “الماء والكهرباء والفحم”: خارجيًا، نجحت Chutes في خدمة عدد كبير من التطبيقات المختلفة. داخليًا، أصبحت تدريجيًا مزود القدرة الحاسوبية الأساسي للشبكات الفرعية الأخرى داخل منظومة Bittensor، خصوصًا تلك التي تركز على التطبيقات العمودية ومعالجة البيانات، لتؤدي دور البنية التحتية الأساسية “الماء والكهرباء والفحم” للمنظومة اللامركزي للذكاء الاصطناعي.
مؤشرات صحية لاقتصاد الرموز: حتى تاريخ 7 أبريل 2026، بلغ سعر رمز Alpha الخاص بشبكة Chutes حوالي 0.085 TAO. استقطبت الشبكة حوالي 13,666 حامل رمز، وضمّت 244 عقدة تعدين نشطة و12 عقدة تحقق. بلغ معدل الإصدار(Emission) نسبة8.77%. أما في مجمع السيولة (DEX)، فقد شكّل TAO نسبة 7.88% وAlpha نسبة 92.12%. سواء من حيث حجم القدرة الحاسوبية أو رأس المال، تُعد Chutes من المشاريع الرائدة ضمن منظومة TAO، وتعكس هذه البيانات بوضوح مستوى الطلب الفعلي في السوق.
مشهد المنافسة، التحديات المحتملة، والتوقعات النهائية
لقد غادر مسار الحوسبة اللامركزية (DePIN + AI) بشكل كامل مرحلة “الوعود النظرية والـ Whitepapers”، ودخل مرحلة المنافسة الحقيقية القائمة على التنفيذ، والتكلفة، والاستقرار. بالمقارنة مع المنصات التي تكتفي بتوفير تأجير العتاد، فإن أقوى ميزة تنافسية لـ Chutes تكمن في قدرتها على تقديم خدمات استدلال على مستوى تجاري تم التحقق منها عبر بيانات تشغيل ضخمة، إلى جانب تفوقها الساحق من حيث التكلفة مقارنة بعمالقة Web2 التقليديين. ومع الدمج المستقبلي الكامل لبنية TEE الخاصة بالخصوصية، توفّر Chutes بنية تحتية مثالية للمطورين الذين يسعون للهروب من احتكار وهيمنة البيانات لدى عمالقة وادي السيليكون، حيث تجمع بين عدم الحاجة إلى إذن (Permissionless) والكفاءة الاقتصادية.
رغم الأداء القوي والبيانات الحالية، لا تزال Chutes بحاجة إلى تجاوز تحديات أساسية للانتقال من Web3 إلى التبني الواسع:
اختبار المرونة تحت التزامن الشديد: عند ظهور تطبيق AI جماهيري بملايين المستخدمين يوميًا (DAU) ودخوله الشبكة بشكل مفاجئ، سيكون التحدي الأكبر هو: هل يمكن للشبكة اللامركزية الحفاظ على زمن استجابة منخفض (Milliseconds) دون انقطاع رغم الضغط الهائل على القدرة الحاسوبية.
كسر عقلية السوق المؤسسي: رغم توفر تقنية TEE، لا يزال إقناع الشركات التقليدية بالانتقال إلى بروتوكولات API لامركزية يتطلب وقتًا طويلًا من التثقيف وبناء الثقة، خاصة في القطاعات الخاضعة للامتثال.
مع دخول عصر التفاعل عالي التردد بين النماذج متعددة الوسائط (MultiModal Machine Learning) ووكلاء الذكاء الاصطناعي، سيشهد الطلب على الاستدلال بين الآلات نموًا أسيًا. في هذا السياق، ستصبح طبقة استدلال لامركزية منخفضة التكلفة، بدون قيود، وتدعم المدفوعات الدقيقة عند الطلب، بنية تحتية أساسية لا غنى عنها للجيل القادم من الإنترنت. لا تمثل Chutes مجرد لامركزية في توزيع القدرة الحاسوبية، بل تمثل أيضًا تعميمًا عالميًا للموارد الفكرية مفتوحة المصدر في المجتمع البشري.
وإذا نجحت Chutes في تجاوز تحديات التوسع في التعامل مع حركة المرور وكسر فجوة الثقة مع المؤسسات التقليدية، فإنها تمتلك القدرة على أن تصبح خلال السنوات القادمة منصة “يونيكورن” وبنية تحتية مركزية ذات قدرة عالية على التقاط القيمة في مسار الذكاء الاصطناعي اللامركزي.
الملخض الأساسي
منصة (Chutes (SN64 هو منصة حوسبة ذكاء اصطناعي لا مركزية بنموذج Serverless مبنية على شبكة Bittensor. في سباق حوسبة الذكاء الاصطناعي ضمن Web3، يتمثل تموضعه الأساسي في نموذج مشابه لمنصات طلب السيارات وPaaS (المنصة كخدمة). تقوم المنصة بدمج قدرات GPU غير المستغلة والموزعة عالميًا، مع تقنيات جدولة متقدمة قائمة على الحاويات، لتوفير واجهات API لاستدلال الذكاء الاصطناعي جاهزة للاستخدام وبنموذج الدفع حسب الاستخدام.
على مستوى البنية الأساسية، يعتمد Chutes على آلية لعب ثنائية الأدوار كلاسيكية: يوفّر المعدّنون العتاد الأساسي للاستجابة للطلبات الخارجية في أي وقت، بينما يقيّم المدققون الجودة ويخصصون الأوزان بشكل فوري، مما يشكّل شبكة استدلال على مستوى صناعي تجمع بين التكلفة المنخفضة والقدرة العالية على المعالجة المتزامنة. حاليًا، يتصدر Chutes مجال الحوسبة اللامركزية من خلال تشغيل حلقة أعمال مغلقة حقيقية. فقد عالج أكثر من 9.1 تريليون Token، ولديه أكثر من 400,000 مستخدم نشط، وأصبح أول شبكة فرعية ضمن منظومة Bittensor تعلن ذاتيًا تجاوز تقييم 100 مليون دولار. ومن خلال إعادة ضخ إيرادات الأعمال الحقيقية في قيمة الرمز، يمتلك Chutes القدرة على أن يصبح بنية تحتية بمستوى يونيكورن في مسار الذكاء الاصطناعي اللامركزي على المدى الطويل.
الخلفية الصناعية: صعود استدلال الذكاء الاصطناعي ومعضلة نموذج Web2
قبل التعمق في منصات الحوسبة، يجب توضيح مرحلتين أساسيتين في دورة حياة نموذج الذكاء الاصطناعي: مرحلة ما قبل التدريب (Training) والاستدلال (Inference).
نموذج ما قبل التدريب: هذه هي “مرحلة التعلم” في نماذج الذكاء الاصطناعي. يحتاج الباحثون إلى إدخال كميات هائلة من البيانات، مثل النصوص المأخوذة من الإنترنت بالكامل، إلى الشبكات العصبية، ثم تعديل مليارات أو حتى تريليونات المعاملات داخل النموذج بشكل مستمر عبر عمليات ضرب مصفوفية واسعة النطاق. هذه العملية تستغرق وقتًا طويلًا للغاية وتتطلب عرض نطاق عالٍ للحوسبة العنقودية، مثل NVLink، مما يجعلها استثمارًا كثيف الأصول.
نموذج الاستدلال: هذه هي “مرحلة التطبيق” في نموذج الذكاء الاصطناعي. بعد اكتمال تدريب النموذج، تصبح المعاملات ثابتة. في هذه المرحلة، يُدخل المستخدم كلمة توجيهية (Prompt)، ويولّد النموذج الكلمة التالية ذات الاحتمالية الأعلى من خلال حساب الانتشار الأمامي (Forward Pass). وبالمقارنة مع التدريب، فإن القدرة الحاسوبية المطلوبة لكل عملية استدلال تكون أقل، لكنها تتطلب قدرة عالية جدًا على المعالجة المتزامنة، وزمن استجابة منخفضًا للغاية (Latency)، واستقرارًا تشغيليًا على مدار الساعة طوال أيام الأسبوع.
2.2 منطق تطور مسار القدرة الحاسوبية وتحول تركيز الصناعة
عند النظر إلى تطور مسار القدرة الحاسوبية بالكامل، يمكننا رؤية خط تطور واضح: من الحوسبة العامة المبكرة عبر CPU، إلى صعود الحوسبة المتوازية عبر GPU، وتأسيس منظومة CUDA، ثم إلى ازدهار شرائح TPU وASIC المصممة خصيصًا للذكاء الاصطناعي.
في السنوات القليلة الماضية، كان تركيز رأس المال والتكنولوجيا منصبًا بالكامل تقريبًا على “كيفية تدريب نماذج أكثر ذكاءً”. لكن مع القفزة في قدرات النماذج الكبيرة مفتوحة المصدر مثل سلسلة Llama وDeepSeek، تقلصت بسرعة فجوة الذكاء بين النماذج مفتوحة المصدر والعمالقة مغلقة المصدر مثل GPT-4. وبذلك، يتحول مركز التقاط القيمة في صناعة الذكاء الاصطناعي بشكل لا رجعة فيه من “مرحلة ما قبل تدريب النماذج” إلى “استدلال النماذج”. والسبب هو أنه لكي تحقق النماذج الكبيرة تحقيق دخل حقيقيًا وتمكينًا واسع النطاق عبر مختلف الصناعات، يجب أن تمتلك توافرًا عاليًا وقدرة استجابة منخفضة التأخير على مدار الساعة طوال أيام الأسبوع. عند هذه النقطة، تصبح “كيفية تشغيل النماذج بتكلفة منخفضة، وباستقرار، وبسرعة” أكبر نقطة ألم في الصناعة.
يهيمن على مسار الاستدلال الحالي في Web2 بشكل رئيسي الأنواع التالية من المشاركين:
مزودو واجهات API للنماذج مغلقة المصدر: مثل (OpenAI (ChatGPT، و(Anthropic (Claude، و(Google (Gemini. توفّر هذه الجهات واجهات API سهلة الاستخدام للغاية، لكنها تعمل كنظام صندوق أسود، وتكلفتها مرتفعة، كما تفرض ارتباطًا قويًا بمنظومتها.
عمالقة خدمات السحابة التقليدية (Cloud as a Service) : مثل (AWS (Amazon Web Services، وMicrosoft Azure، وGoogle Cloud. توفّر هذه الجهات آلات افتراضية منخفضة المستوى أو خدمات تأجير GPU عارية المعدن، مع مرونة عالية، لكنها تأتي بتكاليف تشغيل وصيانة مرتفعة للغاية.
منصات الاستدلال كخدمة المتخصصة (MaaS) : مثل Together AI، وAnyscale، وHuggingFace Inference Endpoints. تتخصص هذه المنصات في تقديم خدمات إدارة الاستدلال للنماذج مفتوحة المصدر.
ومع ذلك، عندما يستخدم المطورون خدمات عمالقة Web2 مثل OpenAI API أو AWS أو Together AI، فإنهم لا يزالون يواجهون ثلاثة تحديات يصعب تجاوزها:
ضريبة حوسبة مرتفعة وتسوية مالية غير دقيقة : تكاليف استهلاك البرمجيات والعتاد، مثل إيجار المواقع، وأنظمة التبريد، وشراء الخوادم باهظة الثمن، إلى جانب تكاليف الصيانة في مراكز البيانات المركزية، تكون مرتفعة للغاية، مما يؤدي في النهاية إلى تمرير تكاليف استدعاء API العالية إلى المطورين. بالإضافة إلى ذلك، غالبًا ما تتم محاسبة خدمات السحابة التقليدية على أساس “الساعة” أو “الجهاز الكامل”، وهو ما لا يناسب التطبيقات واسعة النطاق ذات الطلبات المتزامنة الضخمة والفورية. وخلال فترات انخفاض الاستخدام، يحدث غالبًا هدر كبير في الموارد الخاملة.
تعقيدات ومخاطر البنية التحتية: بالنسبة للفرق الناشئة التي تحاول تجاوز واجهات API الخاصة بمزودي السحابة واستئجار أجهزتها الخاصة لنشر النماذج الكبيرة مفتوحة المصدر، فإنها تواجه منحنى تعلم شديد الانحدار. إذ تحتاج إلى معالجة قضايا معقدة مثل اختيار وحدات GPU، وضبط التعريفات منخفضة المستوى، وتحسين أطر تسريع الاستدلال مثل vLLM وTensorRT، وصيانة العقد، وتنسيق العناقيد القائمة على الحاويات، مما يفرض عتبة هندسية مرتفعة للغاية.
الارتباط القسري بالمزود ومخاطر خصوصية البيانات: بمجرد أن تدمج الشركة خدماتها بعمق مع واجهات API الخاصة بمزوّد سحابة محدد، تصبح خططها التقنية المستقبلية وهيكل تكاليفها خاضعة بالكامل لطرف خارجي. والأهم من ذلك، بالنسبة للقطاعات شديدة الحساسية مثل الرعاية الصحية والتمويل والقانون، فإن إرسال بيانات الأعمال الخاصة إلى خوادم API مركزية لمعالجتها ينطوي على مخاطر عالية من تسرب البيانات ومخاطر الامتثال.
3. الحلول: Chutes يستخدم “الشبكة” لإعادة بناء استدلال الذكاء الاصطناعي
ضمن منظومة Bittensor الكبيرة والواضحة التقسيم، تمتلك كل شبكة فرعية دورها الخاص. على سبيل المثال، تؤدي (Templar(SN3 دور “مصنع سيارات”، حيث تتمثل مهمتها الأساسية في البدء من الصفر وتجميع القدرة الحاسوبية لتدريب نماذج مفتوحة المصدر من الطراز الأول؛ أما(Chutes (SN64، فتمتلك تموضعًا مختلفًا تمامًا، إذ تركز على “الخدمات التشغيلية”، وتؤدي دور “منصة طلب سيارات” في عصر Web3.
لا يتحمل Chutes نفسه مسؤولية إنتاج النماذج، لكنه من خلال بروتوكول الشبكة الخاص به يدمج بكفاءة “المركبات” الموزعة عالميًا، أي قدرات GPU الخاملة المنتشرة حول العالم، مما يسمح للنماذج مفتوحة المصدر الجاهزة والمتقدمة بالعمل بكفاءة على هذه العقد، وبالتالي تقديم خدمات استدلال سلسة للمطورين الخارجيين. وبشكل جوهري، يبني Chutes بنية PaaS (المنصة كخدمة) لامركزية، صديقة للمصدر المفتوح، وعالية التوحيد القياسي، فوق البلوكشين.
التغيير الجوهري الذي يقدمه Chutes للمطورين هو تحقيق تجربة Serverless حقيقية. عند استخدام Chutes، لا يحتاج المطورون إلى القلق بشأن اختيار العتاد الأساسي، أو إعداد البيئة، أو صيانة العناقيد. يكفيهم تعديل بضعة أسطر من الكود للاندماج بسلاسة في الشبكة عبر واجهات API متوافقة بالكامل مع صيغة OpenAI.
في ما يتعلق بضبط التكاليف، يعتمد Chutes على آلية المدفوعات الصغيرة المشفّرة الأصلية في البلوكشين (Micropayments)، لتحقيق تسوية فائقة الدقة ونادرة في القطاع. هذه الطريقة التخريبية في التسوية تلغي تمامًا هدر الموارد الناتج عن نموذج الفوترة بالساعة في الاستضافة السحابية التقليدية. وفي التطبيقات العملية، تجعل هذه الميزة سعره أرخص بحوالي 85% من خدمات السحابة التقليدية كخدمة مثل AWS، وتوفر ما لا يقل عن 40% من التكلفة مقارنة بمعظم منصات API المركزية في السوق.
في الشبكات اللامركزية، كان التحدي الأكبر دائمًا هو كيفية حماية المطالبات وبيانات الأعمال التي يدخلها المستخدمون إلى عقد مجهولة. واستجابةً لمخاوف الخصوصية العميقة لدى مستخدمي المؤسسات، يقوم Chutes حاليًا بنشر بيئات التنفيذ الموثوقة TEE (Trusted Execution Environments) بالكامل داخل شبكته.
تستخدم تقنية TEE التشفير على مستوى العتاد لعزل منطقة ذاكرة محمية بشكل صارم داخل CPU/GPU. وهذا يعني أن العقد اللامركزية يمكنها معالجة طلبات الاستدلال داخل “صندوق أسود” مشفّر، وحتى المعدّنين الذين يوفرون القدرة الحاسوبية لا يمكنهم التجسس على بيانات الإدخال الحساسة الخاصة بالمستخدم طوال عملية الحساب. إن إدخال هذه التقنية الأساسية يحل بشكل جذري نقاط الألم المتعلقة بالامتثال والخصوصية في الشبكات اللامركزية عند النشر التجاري على مستوى المؤسسات، ويمهّد الطريق لاعتماد واسع النطاق من قبل شركات Web2.
البنية الأساسية: كيف يتم تنفيذ استدلال الذكاء الاصطناعي داخل الشبكة
ضمن البنية التحتية الموزعة في الطبقة الأساسية لـ Chutes، يقوم النظام بتوزيع كميات هائلة من مهام الاستدلال إلى الشبكة العالمية من خلال آليات معقدة للتوجيه وتوازن الأحمال. وينقسم المشاركون الأساسيون بوضوح إلى فئتين، ويتم ضمان جودة الخدمة النهائية من خلال مزيج ذكي من التشفير وآليات السوق الاقتصادية.
المعدّنون (مزود الخدمة): بعد انضمام عقد الحوسبة حول العالم إلى النظام عبر آلية الرهن (Staking)، يتوجب عليها تحميل “النماذج الساخنة الدائمة” (Permanently Hot Models) التي يحددها النظام وفقًا لتعليمات الشبكة. يشير مصطلح “النماذج الساخنة” إلى أن المعاملات الضخمة للنموذج قد تم تحميلها مسبقًا داخل ذاكرة الفيديو (VRAM) الخاصة بوحدات GPU. وبالاعتماد على تقنيات جدولة متقدمة قائمة على الحاويات، يجب على هذه العقد الحفاظ على توفر عالٍ للنظام في جميع الأوقات، من أجل معالجة طلبات API عالية التزامن مع أدنى زمن بدء بارد (Cold Start Latency).
المدققون (مفتشو الجودة): في شبكة لامركزية، لا توجد جهة مركزية للإشراف، ولذلك يتم الاعتماد على المدققين. يقوم المدققون بإرسال طلبات اختبار عشوائية بشكل مستمر إلى المعدّنين، بالإضافة إلى توجيه الطلبات التجارية الحقيقية. ويتم تقييم أداء المعدّنين بشكل صارم عبر عدة أبعاد أساسية، مثل زمن الاستجابة (زمن توليد أول كلمة TTFT)، ومعدل الإنتاجية (عدد التوكنات المولدة في الثانية)، ودقة المخرجات. المعدّنون الذين يحققون أداءً عاليًا يحصلون على مكافآت مجزية على شكل رموز الشبكة، بينما يتم استبعاد من يحققون أداءً ضعيفًا أو يحاولون التصرف بشكل خبيث بشكل حاسم، وقد تتم مصادرة رهوناتهم.
تعمل هذه البنية القائمة على نظرية الألعاب اللامركزية، المبنية فوق إجماع Bittensor، على تحويل الدوافع القائمة على المصالح إلى آلية تضمن جودة الخدمة، مما يسمح لشبكة موزعة بشكل فضفاض بتقديم استقرار على مستوى صناعي يضاهي مراكز البيانات المركزية المتقدمة.
المحرّك الاقتصادي: الانتقال من “التضخم” إلى “توليد الإيرادات الحقيقية”
في الدورات السابقة لعالم الكريبتو، وقعت العديد من مشاريع الحوسبة في Web3 في حلقة موت: حيث اعتمدت بشكل مفرط على تضخم الرموز لجذب القدرة الحاسوبية (ما يُعرف بالتعدين)، ومع تراجع أداء السوق الثانوية، كانت القدرة الحاسوبية تتلاشى بسرعة. في المقابل، تكمن القوة التنافسية الأساسية لـ Chutes في نجاحه في تشغيل حلقة أعمال لامركزية صحية ومستدامة.
حاليًا، تقوم شبكة Chutes بمعالجة حجم كبير من طلبات API الحقيقية من جانب الشركات (B2B) والمستخدمين النهائيين (C2C) يوميًا. ومن خلال نظام الرموز، تقوم الشبكة بفرض رسوم على هذه الخدمات الفعلية. والأهم من ذلك، وبالاعتماد على آلية الرهن التلقائي والتسوية المدمجة في النظام، يتم تحويل هذه الإيرادات القادمة من العالم الحقيقي (والتي قد تبدأ بمدفوعات نقدية تقليدية) في النهاية إلى قوة شراء حقيقية لأصول النظام (الرموز). تعمل هذه الآلية على إعادة ضخ القيمة بشكل مستمر إلى حاملي الرموز وجميع المشاركين في صيانة الشبكة، مما يحقق انتقالًا حقيقيًا من نموذج “حرق الأموال لشراء القدرة الحاسوبية” إلى نموذج اقتصادي مستدام قائم على “توليد الإيرادات من الأعمال الحقيقية”.
الوضع الحالي للمنظومة وأداء البيانات المثير للإعجاب
استنادًا إلى التتبع الأخير لبيانات السلسلة والبيانات التشغيلية، أظهرت شبكة Chutes قدرة استثنائية على المعالجة (Throughput) ومعدل اختراق عميق للسوق ضمن سيناريوهات الأعمال ذات التزامن العالي:
اختراق في حجم الأعمال الأساسي: قامت شبكة Chutes بمعالجة أكثر من 9.1 تريليون Token، وهو رقم كبير سواء ضمن Web3 أو حتى مقارنة بالعديد من منصات Web2 المتوسطة. ويمكن أن تصل قدرتها اليومية القصوى إلى 50 مليار عملية، مع خدمة أكثر من 400,000 مستخدم نهائي ومطوّر.
موقع قيادي مطلق في السوق: بفضل هذه البيانات التشغيلية القوية، أصبحت Chutes أول شبكة ضمن منظومة Bittensor تعلن ذاتيًا تجاوز تقييم 100 مليون دولار.
تكامل عميق في المنظومة وخصائص “الماء والكهرباء والفحم”: خارجيًا، نجحت Chutes في خدمة عدد كبير من التطبيقات المختلفة. داخليًا، أصبحت تدريجيًا مزود القدرة الحاسوبية الأساسي للشبكات الفرعية الأخرى داخل منظومة Bittensor، خصوصًا تلك التي تركز على التطبيقات العمودية ومعالجة البيانات، لتؤدي دور البنية التحتية الأساسية “الماء والكهرباء والفحم” للمنظومة اللامركزي للذكاء الاصطناعي.
مؤشرات صحية لاقتصاد الرموز: حتى تاريخ 7 أبريل 2026، بلغ سعر رمز Alpha الخاص بشبكة Chutes حوالي 0.085 TAO. استقطبت الشبكة حوالي 13,666 حامل رمز، وضمّت 244 عقدة تعدين نشطة و12 عقدة تحقق. بلغ معدل الإصدار(Emission) نسبة8.77%. أما في مجمع السيولة (DEX)، فقد شكّل TAO نسبة 7.88% وAlpha نسبة 92.12%. سواء من حيث حجم القدرة الحاسوبية أو رأس المال، تُعد Chutes من المشاريع الرائدة ضمن منظومة TAO، وتعكس هذه البيانات بوضوح مستوى الطلب الفعلي في السوق.
مشهد المنافسة، التحديات المحتملة، والتوقعات النهائية
لقد غادر مسار الحوسبة اللامركزية (DePIN + AI) بشكل كامل مرحلة “الوعود النظرية والـ Whitepapers”، ودخل مرحلة المنافسة الحقيقية القائمة على التنفيذ، والتكلفة، والاستقرار. بالمقارنة مع المنصات التي تكتفي بتوفير تأجير العتاد، فإن أقوى ميزة تنافسية لـ Chutes تكمن في قدرتها على تقديم خدمات استدلال على مستوى تجاري تم التحقق منها عبر بيانات تشغيل ضخمة، إلى جانب تفوقها الساحق من حيث التكلفة مقارنة بعمالقة Web2 التقليديين. ومع الدمج المستقبلي الكامل لبنية TEE الخاصة بالخصوصية، توفّر Chutes بنية تحتية مثالية للمطورين الذين يسعون للهروب من احتكار وهيمنة البيانات لدى عمالقة وادي السيليكون، حيث تجمع بين عدم الحاجة إلى إذن (Permissionless) والكفاءة الاقتصادية.
رغم الأداء القوي والبيانات الحالية، لا تزال Chutes بحاجة إلى تجاوز تحديات أساسية للانتقال من Web3 إلى التبني الواسع:
اختبار المرونة تحت التزامن الشديد: عند ظهور تطبيق AI جماهيري بملايين المستخدمين يوميًا (DAU) ودخوله الشبكة بشكل مفاجئ، سيكون التحدي الأكبر هو: هل يمكن للشبكة اللامركزية الحفاظ على زمن استجابة منخفض (Milliseconds) دون انقطاع رغم الضغط الهائل على القدرة الحاسوبية.
كسر عقلية السوق المؤسسي: رغم توفر تقنية TEE، لا يزال إقناع الشركات التقليدية بالانتقال إلى بروتوكولات API لامركزية يتطلب وقتًا طويلًا من التثقيف وبناء الثقة، خاصة في القطاعات الخاضعة للامتثال.
مع دخول عصر التفاعل عالي التردد بين النماذج متعددة الوسائط (MultiModal Machine Learning) ووكلاء الذكاء الاصطناعي، سيشهد الطلب على الاستدلال بين الآلات نموًا أسيًا. في هذا السياق، ستصبح طبقة استدلال لامركزية منخفضة التكلفة، بدون قيود، وتدعم المدفوعات الدقيقة عند الطلب، بنية تحتية أساسية لا غنى عنها للجيل القادم من الإنترنت. لا تمثل Chutes مجرد لامركزية في توزيع القدرة الحاسوبية، بل تمثل أيضًا تعميمًا عالميًا للموارد الفكرية مفتوحة المصدر في المجتمع البشري.
وإذا نجحت Chutes في تجاوز تحديات التوسع في التعامل مع حركة المرور وكسر فجوة الثقة مع المؤسسات التقليدية، فإنها تمتلك القدرة على أن تصبح خلال السنوات القادمة منصة “يونيكورن” وبنية تحتية مركزية ذات قدرة عالية على التقاط القيمة في مسار الذكاء الاصطناعي اللامركزي.