الفعاليات
معهد أبحاث CoinW
الملخص
شبكة Templar (الشبكة الفرعية 3، ويُشار إليها اختصارًا بـ SN3) هي شبكة فرعية لامركزية مخصصة لمرحلة ما قبل تدريب النماذج اللغوية الكبيرة، وتم بناؤها ضمن منظومة Bittensor. وتكمن فكرتها الجوهرية في تحويل عملية ما قبل تدريب النماذج الضخمة، التي تتسم بارتفاع التكلفة والمركزية الشديدة، إلى نظام شبكي صناعي المستوى يعمل بصورة تعاونية عبر موارد حوسبة موزعة حول العالم، وذلك من خلال آليات مبتكرة مثل "خوارزمية SparseLoCo لضغط الاتصال" و"بروتوكول Gauntlet لتقييم المساهمة". وعلى مستوى البنية المعمارية، تتجاوز هذه الشبكة القيود المادية للشبكات المرتبطة بمراكز البيانات المركزية التقليدية، فلا تكتفي بخفض عتبة الوصول إلى القدرة الحاسوبية، بل تحقق أيضًا حماية البيانات الحساسة ومقاومة الرقابة. ومن منظور المنظومة وأداء البيانات، نجحت Templar بالفعل في تقديم نموذج "Covenant-72B" الذي يضم 72 مليار مؤشر، مما يثبت بشكل قاطع الجدوى الكاملة للتدريب اللامركزي في التطبيقات الصناعية. وتسد Templar فجوة تدريب النماذج الأساسية الثقيلة على المستوى الصناعي داخل منظومة Bittensor، وتمتلك على المدى الطويل إمكانات التحول إلى بنية تحتية مفتوحة المصدر ومرنة للذكاء الاصطناعي، قادرة على العمل بالتوازي مع عمالقة Web2 التقنيين.
1. الانطلاق من النماذج الممثلة لعصر Web2: الواقع الحالي وحدود تدريب النماذج الكبيرة
1.1 احتكار القدرة الحاسوبية في عصر Web2
مع تطور البنية التحتية للذكاء الاصطناعي التوليدي، أصبح توزيع القدرة الحاسوبية والتحكم فيها من القضايا الجوهرية في المنافسة التقنية العالمية. ووفق الفهم التقليدي وفي عصر Web2، فقد تم بناء الخندق الدفاعي الحاسوبي لتطوير نماذج الذكاء الاصطناعي المتقدمة بواسطة عدد محدود من عمالقة التكنولوجيا. إذ تحتكر مزودات السحابة الكبرى مثل AWS وAzure الموارد الحاسوبية المادية الأساسية، بينما تقدم شركات خدمات النماذج مثل OpenAI وAnthropic وGoogle خدمات تدريب واستدلال للنماذج مغلقة المصدر أو شبه مفتوحة المصدر من خلال مراكز بيانات مركزية ضخمة تضم مئات الآلاف من وحدات GPU عالية الأداء.
1.2 القيود الجوهرية للنموذج التقليدي
رغم أن العمالقة المركزيين قد دفعوا بشكل كبير تطوير النماذج المتقدمة، فإن هذا النهج عالي الكثافة من حيث رأس المال والأجهزة يحمل قيودًا واضحة. أولها المركزية الشديدة وارتفاع عتبة الدخول، إذ يكاد يكون من المستحيل على المطورين العاديين أو الشركات الصغيرة والمتوسطة المشاركة، مما يجعل الابتكار محتكرًا من قبل قلة من الاحتكارات التقنية. وثانيها الهشاشة النظامية، حيث إن تعرض مركز بيانات مركزي كبير لعطل مادي أو شبكي يخلق خطر نقطة فشل واحدة قد يؤدي إلى انقطاعات واسعة النطاق في الخدمة. والأهم من ذلك وجود مخاطر متعلقة بخصوصية البيانات والامتثال، إذ يتعين رفع بيانات المستخدمين والمؤسسات إلى السحب الخاصة لهذه الشركات العملاقة، ما يثير مخاوف كبيرة بشأن تسرب البيانات. وأخيرًا، فإن هذه البنية تكون شديدة التأثر بحظر تصدير أجهزة معينة أو ضوابط القوائم البيضاء، وتفتقر إلى خاصية مقاومة الهشاشة أمام الرقابة والعوامل الجيوسياسية.
2. Templar (SN3): إعادة بناء مرحلة ما قبل تدريب النماذج الكبيرة عبر "شبكة لامركزية"
1.2 ما هي Templar: مختبر لامركزي لتدريب النماذج الكبيرة
من أجل كسر احتكار عمالقة التكنولوجيا، وُلدت Templar (SN3). وعلى خلاف المنصات التقليدية، فهي لا تقتصر على نقل البيانات، بل تستهدف مباشرة الجزء الأكثر تكلفة والأكثر جوهرية في سلسلة صناعة الذكاء الاصطناعي، وهو ما قبل التدريب اللامركزي للنماذج اللغوية فائقة الضخامة. وبصياغة مبسطة، فإن الدور الذي تؤديه Templar يماثل دور Anthropic أو OpenAI في عالم Web2؛ إذ يمكن فهمها على أنها مختبرات تدريب النماذج الكبيرة التابعة لهذه الشركات، لكن تشغيلها مبني على شبكة موزعة.
2.2 من الأنظمة المغلقة إلى التعاون المفتوح: ما المشكلة التي حلّتها Templar
يكمن التحول الأساسي الذي تقدمه Templar في تحويل عملية التدريب، التي كانت محصورة سابقًا داخل مركز بيانات مركزي واحد، إلى شبكة تعاون مفتوحة بلا إذن مسبق. فهي تكسر آلية القائمة البيضاء التقليدية، وتسمح لأي وحدة GPU متقدمة وخاملة حول العالم بالانضمام إلى الشبكة أو مغادرتها في أي وقت، بما يحقق مشاركة بلا إذن فعليًا ومرونة عالية جدًا على مستوى النظام.
وفي الوقت نفسه، تعتمد Templar نموذج التعلم الاتحادي القائم على مبدأ "البيانات تبقى في مكانها والنماذج هي التي تتحرك"، بحيث تبقى بيانات التدريب على الجهاز المحلي لجهة التعدين، بينما لا تنقل الشبكة سوى بيانات التدرج المضغوطة والمشفرة، مما يعالج بصورة مثالية تحديات الخصوصية المتعلقة بتدريب البيانات الحساسة عبر الدول والمؤسسات. كما توفر بنية العقد اللامركزية لقنوات البحث والتطوير العالمي في الذكاء الاصطناعي "قناة قدرة حاسوبية مظلمة" للالتفاف على العقوبات الصادرة عن أي دولة ذات سيادة واحدة، وبالتالي تحقيق مقاومة قصوى للرقابة.
3.2 الدور داخل منظومة TAO: قاعدة ما قبل تدريب ثقيلة تمثل البنية الصناعية الأساسية
في هذه المنظومة، يقف وراء Templar فريق Covenant AI من الطراز الأول. وقد بنى هذا الفريق تقسيمًا واضحًا للأدوار: تقوم Basilica (SN39) بدور شبكة البنية التحتية الأساسية التي توفر تأجير القدرة الحاسوبية دون الحاجة إلى الثقة؛ وتتولى Grail (SN81) مهمة الضبط الدقيق بالتعلم المعزز لضمان توافق النماذج مع القيم البشرية؛ أما Templar (SN3) فدورها هو «قاعدة صناعية ثقيلة»، وهي مسؤولة تحديدًا عن مرحلة ما قبل التدريب الأساسية للنماذج التأسيسية التي تُبنى من الصفر.
3. البنية الأساسية: كيف يكتمل ما قبل التدريب واسع النطاق داخل الشبكة
1.3 التعاون الموزع: كسر حدود الشبكات المادية
يعتمد تدريب الذكاء الاصطناعي التقليدي بدرجة كبيرة على وصلات الألياف البصرية الخاصة عالية السرعة داخل مراكز البيانات المركزية. أما Templar، فتقوم بضغط بيانات الاتصال بين العقد بأكثر من مئة مرة من خلال خوارزمية SparseLoCo الفريدة الخاصة بها. وهذا يعني أن الشبكة لم تعد تعتمد على ألياف بصرية من الفئة العليا، بل تحتاج فقط إلى اتصال إنترنت منزلي عادي لربط عقد حوسبة موزعة حول العالم للعمل التعاوني.
2.3 ضبط الجودة دون حاجة إلى الثقة
في الشبكات المفتوحة التي لا تتطلب إذنًا مسبقًا، ومن أجل منع المُعدّنين من "التراخي" أو التصرف بسوء نية، قدمت Templar بروتوكول Gauntlet. وهو نظام صارم يتكون من طبقتين للتصفية ونظام تصنيف ائتماني ديناميكي (OpenSkill). حيث يقوم المدققون في الشبكة باختبار المساهمة الفعلية للبيانات التي يرسلها كل مُعدّن إلى النموذج بدقة، ولا تحصل على درجات مرتفعة ومكافآت إلا العقد التي تحسن جودة النموذج فعلًا، مما يقضي فعليًا على إمكانية الغش من المنظور المعماري.
3.3 التحقق من الجاهزية الصناعية في التسليم: نموذج Covenant-72B
لقد تم التحقق من هذه البنية بشكل كامل في التطبيقات الهندسية الفعلية. فقد نجحت Templar مؤخرًا في تقديم نموذج “Covenant-72B”، وهو نموذج ذو بنية كثيفة يضم 72 مليار مؤشر ويستند إلى مجموعة بيانات ضخمة تقارب 1.1 تريليون رمز. وقد شاركت في مشروع التدريب هذا أكثر من 70 عقدة نظيرة مستقلة بالكامل وموزعة جغرافيًا، مع إمكانية انضمام العقد أو مغادرتها بشكل ديناميكي في أي وقت. وفي اختبارات المقاييس المعيارية من نوع zero-shot، سجل Covenant-72B نتيجة 67.1 في اختبار MMLU، وهي نتيجة تضاهي بالكامل نموذج Meta LLaMA-2-70B الذي تم تدريبه داخل مراكز بيانات مركزية ذات قدرة حاسوبية هائلة، في حين استخدم Covenant-72B فقط 1.1 تريليون رمز، أي ما يعادل 50% من حجم بيانات الأخير. أما نظيره في صناعة Web2 فهو أقرب إلى نماذج مثل OPUS من Anthropic أو Codex من OpenAI.
4. آليات الحوافز والتعاون: كيف يتحول التعاون عبر الإنترنت إلى «دورة إيجابية»
1.4 اقتصاد رمزي ديناميكي مدفوع بـ dTAO
إن التشغيل الفعال لـ Templar لا ينفصل عن النموذج الاقتصادي الرمزي المتقدم في Bittensor والمتمثل في “dynamic TAO (dTAO)”. وفي هذه الشبكة:
المُعدّنون: عقد موزعة حول العالم تساهم بالقدرة الحاسوبية للأجهزة وتنفذ تدريب النماذج محليًا. وبعد إرسال نتائج تدريب عالية الجودة، تحصل على مكافآت بالرموز.
المدققون: يمثلون "حارس المرمى"، إذ يتولون فحص عمل المُعدّنين، والحفاظ على عدالة النظام وأمنه، وضمان تطور النموذج في الاتجاه الصحيح.
المستثمرون: إن شراء رموز Alpha المستقلة الخاصة بـ Templar ورهنها يمثل في جوهره رهانًا ذا طابع مضاعف على جودة النموذج المستقبلية وحجم القدرة الحاسوبية في هذه الشبكة الفرعية.
2.4 الحلقة النظامية المغلقة بين القدرة الحاسوبية والقيمة والشبكة
في لعبة السوق الحرة هذه، ترتبط جودة النموذج بالعائد الاقتصادي ارتباطًا وثيقًا. فكلما كانت النماذج التي تنتجها Templar أفضل، ارتفعت قيمة رموزها؛ كما أن ارتفاع قيمة الرموز يجذب بدوره عددًا أكبر من المُعدّنين الأقوى من مختلف أنحاء العالم للانتقال إلى هذه الشبكة. وتخلق هذه الآلية عجلة نمو إيجابية تربط بإحكام بين القدرة الحاسوبية والقيمة وأثر الشبكة، لتشكل حلقة نظامية يصعب كسرها.
5. الوضع المنظومي
من منظور التشغيل الناظمي الحالي، يمتلك مشروع Templar بالفعل حجمًا سوقيًا ملحوظًا. إذ تبلغ قيمته السوقية الحالية 88 مليون دولار أمريكي. ومن حيث هيكل المشاركين، فقد شاركت بالفعل أكثر من 70 عقدة نظيرة مستقلة وموزعة بشكل فعلي في مشروع ما قبل التدريب المشترك لنموذج فائق الضخامة بمستوى 72B. ومع بناء فريق Covenant AI لشبكات فرعية محيطة حول SN3 مثل SN39 (تأجير القدرة الحاسوبية) وSN81 (الضبط الدقيق بالتعلم المعزز)، بدأ يتشكل مبدئيًا نظام شبكي متكامل في المنبع والمصب يتمحور حول إنتاج النماذج الكبيرة اللامركزية.
وحتى 7 أبريل، يبلغ سعر رمز Alpha الخاص بـ Templar نحو 0.071 TAO، مع وجود حوالي 7,519 عنوانًا يحتفظ بالرمز، و253 مُعدّنًا، و3 مدققين، ونسبة انبعاث تبلغ 2.58%. وفي الوقت نفسه، تبلغ نسبة TAO في مجمع السيولة 6.71%، بينما تبلغ نسبة Alpha 93.29%. واستنادًا إلى السعر وعدد حاملي الرموز، فقد نجحت Templar في بناء قاعدة مستخدمين معينة ومستوى معين من الاهتمام، لكنها لا تزال إجمالًا في المرحلة المبكرة من الانتشار.
مصدر البيانات: https://bittensormarketcap.com/subnets/3
6. المشهد التنافسي والمزايا والعيوب
1.6 التموضع الصناعي والكفاءات الأساسية
في ظل مركزية موارد الحوسبة بدرجة عالية، تقدم Templar للصناعة حلًا تقنيًا قادرًا على مقاومة مخاطر نقطة الفشل الواحدة. وتكمن ميزتها الأساسية في تحول نموذجي تقوده هندسة الآليات: فهي تحقق مشاركة حقيقية بلا إذن مسبق، وتستخدم التعلم الاتحادي لحماية سيادة البيانات وخصوصيتها. ومن خلال الجمع بين آليات نظرية الألعاب والتدريب الموزع، تقلل Templar بدرجة كبيرة اعتماد المطورين على مزود قدرة حاسوبية واحد، وتبني قنوات حوسبة قادرة على تجاوز الرقابة.
2.6 التحديات المتطورة باستمرار وخطط المعالجة
يواجه التدريب اللامركزي منذ فترة طويلة تحديات تتعلق باختناقات الاتصال الشبكي وتفاوت مكونات الأجهزة كلما توسع نطاقه. واستجابة لذلك، وضعت Templar خطة للتحسين والتطوير المستمر على المستوى التقني. فمن جهة، يجري السعي إلى تحسين التدريب غير المتزامن عبر ترقية الخوارزميات وتقديم مكافآت لمجتمع المطورين المتخصصين، بهدف القضاء الكامل على التقطعات الناتجة عن قيود الشبكة. ومن جهة أخرى، تعمل Templar على تطوير جيل جديد من البنى غير المتجانسة، مصمم للسماح لبطاقات الرسومات الاستهلاكية المنتشرة على نطاق واسع (مثل RTX 4090) بالاتحاد في عناقيد افتراضية، بما يوقظ فعليًا القدرة الحاسوبية الهائلة الكامنة ضمن الذيل الطويل لدى الجمهور.
7. النظرة المستقبلية: هل يمكن ترسيخ نماذج كبيرة صناعية المستوى بشكل لامركزي؟
في المرحلة الحالية، نجحت Templar (SN3) في إثبات جدوى تقديم نماذج عالية الأداء بمستوى صناعي عبر القدرة الحاسوبية الموزعة، وذلك من خلال تسليم Covenant-72B. أما قدرتها على تحقيق اختراقات إضافية مستقبلًا فستعتمد على إنشاء حلقة تجارية مغلقة وإدخال السيولة.
وعلى مستوى التطبيق التجاري، تخطط Templar لإدخال آلية “token-gated” لمنح حاملي الرموز وصولًا حصريًا إلى النماذج المتقدمة، بهدف تحقيق حلقة مكتملة من البحث والتطوير وصولًا إلى التقاط القيمة التجارية. وعلى مستوى مالي أشمل، ومع تسارع الامتثال التنظيمي في صناعة العملات المشفرة (مثل اعتماد صناديق ETF المرتبطة بـ TAO)، فإن تدفق رؤوس الأموال المؤسسية التقليدية سيزيد مباشرة ميزانيتها الاقتصادية، مما سيجذب عقدًا أعلى جودة للانضمام في محاولات تدريب الجيل التالي من النماذج الكبيرة.
وفي الرؤية بعيدة المدى، سيؤدي نضج تقنيات وكلاء الذكاء الاصطناعي إلى خلق طلب هائل، ومن المتوقع أن توفر Templar بنية تحتية للحوسبة والمدفوعات بلا إذن مسبق لتلبية هذا الطلب. إن Templar ليست مجرد مكمل لنموذج Web2، بل تدفع أيضًا تقنية الذكاء الاصطناعي نحو الشفافية مفتوحة المصدر، وتستكشف مسارًا مرنًا يمكنه العمل بالتوازي مع المختبرات المركزية وتعزيز التعاون العالمي.
المراجع
الموقع الرسمي لـ :Templar:
حساب Templar على X:
ديسكورد الخاص بـ Templar:
https://discord.com/invite/N5xgygBJ9r
مخطط الشموع اليابانية على Taostats:
https://taostats.io/subnets/3/chart
بيانات bittensormarketcap:
https://bittensormarketcap.com/subnets/3
معهد أبحاث CoinW
الملخص
شبكة Templar (الشبكة الفرعية 3، ويُشار إليها اختصارًا بـ SN3) هي شبكة فرعية لامركزية مخصصة لمرحلة ما قبل تدريب النماذج اللغوية الكبيرة، وتم بناؤها ضمن منظومة Bittensor. وتكمن فكرتها الجوهرية في تحويل عملية ما قبل تدريب النماذج الضخمة، التي تتسم بارتفاع التكلفة والمركزية الشديدة، إلى نظام شبكي صناعي المستوى يعمل بصورة تعاونية عبر موارد حوسبة موزعة حول العالم، وذلك من خلال آليات مبتكرة مثل "خوارزمية SparseLoCo لضغط الاتصال" و"بروتوكول Gauntlet لتقييم المساهمة". وعلى مستوى البنية المعمارية، تتجاوز هذه الشبكة القيود المادية للشبكات المرتبطة بمراكز البيانات المركزية التقليدية، فلا تكتفي بخفض عتبة الوصول إلى القدرة الحاسوبية، بل تحقق أيضًا حماية البيانات الحساسة ومقاومة الرقابة. ومن منظور المنظومة وأداء البيانات، نجحت Templar بالفعل في تقديم نموذج "Covenant-72B" الذي يضم 72 مليار مؤشر، مما يثبت بشكل قاطع الجدوى الكاملة للتدريب اللامركزي في التطبيقات الصناعية. وتسد Templar فجوة تدريب النماذج الأساسية الثقيلة على المستوى الصناعي داخل منظومة Bittensor، وتمتلك على المدى الطويل إمكانات التحول إلى بنية تحتية مفتوحة المصدر ومرنة للذكاء الاصطناعي، قادرة على العمل بالتوازي مع عمالقة Web2 التقنيين.
1. الانطلاق من النماذج الممثلة لعصر Web2: الواقع الحالي وحدود تدريب النماذج الكبيرة
1.1 احتكار القدرة الحاسوبية في عصر Web2
مع تطور البنية التحتية للذكاء الاصطناعي التوليدي، أصبح توزيع القدرة الحاسوبية والتحكم فيها من القضايا الجوهرية في المنافسة التقنية العالمية. ووفق الفهم التقليدي وفي عصر Web2، فقد تم بناء الخندق الدفاعي الحاسوبي لتطوير نماذج الذكاء الاصطناعي المتقدمة بواسطة عدد محدود من عمالقة التكنولوجيا. إذ تحتكر مزودات السحابة الكبرى مثل AWS وAzure الموارد الحاسوبية المادية الأساسية، بينما تقدم شركات خدمات النماذج مثل OpenAI وAnthropic وGoogle خدمات تدريب واستدلال للنماذج مغلقة المصدر أو شبه مفتوحة المصدر من خلال مراكز بيانات مركزية ضخمة تضم مئات الآلاف من وحدات GPU عالية الأداء.
1.2 القيود الجوهرية للنموذج التقليدي
رغم أن العمالقة المركزيين قد دفعوا بشكل كبير تطوير النماذج المتقدمة، فإن هذا النهج عالي الكثافة من حيث رأس المال والأجهزة يحمل قيودًا واضحة. أولها المركزية الشديدة وارتفاع عتبة الدخول، إذ يكاد يكون من المستحيل على المطورين العاديين أو الشركات الصغيرة والمتوسطة المشاركة، مما يجعل الابتكار محتكرًا من قبل قلة من الاحتكارات التقنية. وثانيها الهشاشة النظامية، حيث إن تعرض مركز بيانات مركزي كبير لعطل مادي أو شبكي يخلق خطر نقطة فشل واحدة قد يؤدي إلى انقطاعات واسعة النطاق في الخدمة. والأهم من ذلك وجود مخاطر متعلقة بخصوصية البيانات والامتثال، إذ يتعين رفع بيانات المستخدمين والمؤسسات إلى السحب الخاصة لهذه الشركات العملاقة، ما يثير مخاوف كبيرة بشأن تسرب البيانات. وأخيرًا، فإن هذه البنية تكون شديدة التأثر بحظر تصدير أجهزة معينة أو ضوابط القوائم البيضاء، وتفتقر إلى خاصية مقاومة الهشاشة أمام الرقابة والعوامل الجيوسياسية.
2. Templar (SN3): إعادة بناء مرحلة ما قبل تدريب النماذج الكبيرة عبر "شبكة لامركزية"
1.2 ما هي Templar: مختبر لامركزي لتدريب النماذج الكبيرة
من أجل كسر احتكار عمالقة التكنولوجيا، وُلدت Templar (SN3). وعلى خلاف المنصات التقليدية، فهي لا تقتصر على نقل البيانات، بل تستهدف مباشرة الجزء الأكثر تكلفة والأكثر جوهرية في سلسلة صناعة الذكاء الاصطناعي، وهو ما قبل التدريب اللامركزي للنماذج اللغوية فائقة الضخامة. وبصياغة مبسطة، فإن الدور الذي تؤديه Templar يماثل دور Anthropic أو OpenAI في عالم Web2؛ إذ يمكن فهمها على أنها مختبرات تدريب النماذج الكبيرة التابعة لهذه الشركات، لكن تشغيلها مبني على شبكة موزعة.
2.2 من الأنظمة المغلقة إلى التعاون المفتوح: ما المشكلة التي حلّتها Templar
يكمن التحول الأساسي الذي تقدمه Templar في تحويل عملية التدريب، التي كانت محصورة سابقًا داخل مركز بيانات مركزي واحد، إلى شبكة تعاون مفتوحة بلا إذن مسبق. فهي تكسر آلية القائمة البيضاء التقليدية، وتسمح لأي وحدة GPU متقدمة وخاملة حول العالم بالانضمام إلى الشبكة أو مغادرتها في أي وقت، بما يحقق مشاركة بلا إذن فعليًا ومرونة عالية جدًا على مستوى النظام.
وفي الوقت نفسه، تعتمد Templar نموذج التعلم الاتحادي القائم على مبدأ "البيانات تبقى في مكانها والنماذج هي التي تتحرك"، بحيث تبقى بيانات التدريب على الجهاز المحلي لجهة التعدين، بينما لا تنقل الشبكة سوى بيانات التدرج المضغوطة والمشفرة، مما يعالج بصورة مثالية تحديات الخصوصية المتعلقة بتدريب البيانات الحساسة عبر الدول والمؤسسات. كما توفر بنية العقد اللامركزية لقنوات البحث والتطوير العالمي في الذكاء الاصطناعي "قناة قدرة حاسوبية مظلمة" للالتفاف على العقوبات الصادرة عن أي دولة ذات سيادة واحدة، وبالتالي تحقيق مقاومة قصوى للرقابة.
3.2 الدور داخل منظومة TAO: قاعدة ما قبل تدريب ثقيلة تمثل البنية الصناعية الأساسية
في هذه المنظومة، يقف وراء Templar فريق Covenant AI من الطراز الأول. وقد بنى هذا الفريق تقسيمًا واضحًا للأدوار: تقوم Basilica (SN39) بدور شبكة البنية التحتية الأساسية التي توفر تأجير القدرة الحاسوبية دون الحاجة إلى الثقة؛ وتتولى Grail (SN81) مهمة الضبط الدقيق بالتعلم المعزز لضمان توافق النماذج مع القيم البشرية؛ أما Templar (SN3) فدورها هو «قاعدة صناعية ثقيلة»، وهي مسؤولة تحديدًا عن مرحلة ما قبل التدريب الأساسية للنماذج التأسيسية التي تُبنى من الصفر.
3. البنية الأساسية: كيف يكتمل ما قبل التدريب واسع النطاق داخل الشبكة
1.3 التعاون الموزع: كسر حدود الشبكات المادية
يعتمد تدريب الذكاء الاصطناعي التقليدي بدرجة كبيرة على وصلات الألياف البصرية الخاصة عالية السرعة داخل مراكز البيانات المركزية. أما Templar، فتقوم بضغط بيانات الاتصال بين العقد بأكثر من مئة مرة من خلال خوارزمية SparseLoCo الفريدة الخاصة بها. وهذا يعني أن الشبكة لم تعد تعتمد على ألياف بصرية من الفئة العليا، بل تحتاج فقط إلى اتصال إنترنت منزلي عادي لربط عقد حوسبة موزعة حول العالم للعمل التعاوني.
2.3 ضبط الجودة دون حاجة إلى الثقة
في الشبكات المفتوحة التي لا تتطلب إذنًا مسبقًا، ومن أجل منع المُعدّنين من "التراخي" أو التصرف بسوء نية، قدمت Templar بروتوكول Gauntlet. وهو نظام صارم يتكون من طبقتين للتصفية ونظام تصنيف ائتماني ديناميكي (OpenSkill). حيث يقوم المدققون في الشبكة باختبار المساهمة الفعلية للبيانات التي يرسلها كل مُعدّن إلى النموذج بدقة، ولا تحصل على درجات مرتفعة ومكافآت إلا العقد التي تحسن جودة النموذج فعلًا، مما يقضي فعليًا على إمكانية الغش من المنظور المعماري.
3.3 التحقق من الجاهزية الصناعية في التسليم: نموذج Covenant-72B
لقد تم التحقق من هذه البنية بشكل كامل في التطبيقات الهندسية الفعلية. فقد نجحت Templar مؤخرًا في تقديم نموذج “Covenant-72B”، وهو نموذج ذو بنية كثيفة يضم 72 مليار مؤشر ويستند إلى مجموعة بيانات ضخمة تقارب 1.1 تريليون رمز. وقد شاركت في مشروع التدريب هذا أكثر من 70 عقدة نظيرة مستقلة بالكامل وموزعة جغرافيًا، مع إمكانية انضمام العقد أو مغادرتها بشكل ديناميكي في أي وقت. وفي اختبارات المقاييس المعيارية من نوع zero-shot، سجل Covenant-72B نتيجة 67.1 في اختبار MMLU، وهي نتيجة تضاهي بالكامل نموذج Meta LLaMA-2-70B الذي تم تدريبه داخل مراكز بيانات مركزية ذات قدرة حاسوبية هائلة، في حين استخدم Covenant-72B فقط 1.1 تريليون رمز، أي ما يعادل 50% من حجم بيانات الأخير. أما نظيره في صناعة Web2 فهو أقرب إلى نماذج مثل OPUS من Anthropic أو Codex من OpenAI.
4. آليات الحوافز والتعاون: كيف يتحول التعاون عبر الإنترنت إلى «دورة إيجابية»
1.4 اقتصاد رمزي ديناميكي مدفوع بـ dTAO
إن التشغيل الفعال لـ Templar لا ينفصل عن النموذج الاقتصادي الرمزي المتقدم في Bittensor والمتمثل في “dynamic TAO (dTAO)”. وفي هذه الشبكة:
المُعدّنون: عقد موزعة حول العالم تساهم بالقدرة الحاسوبية للأجهزة وتنفذ تدريب النماذج محليًا. وبعد إرسال نتائج تدريب عالية الجودة، تحصل على مكافآت بالرموز.
المدققون: يمثلون "حارس المرمى"، إذ يتولون فحص عمل المُعدّنين، والحفاظ على عدالة النظام وأمنه، وضمان تطور النموذج في الاتجاه الصحيح.
المستثمرون: إن شراء رموز Alpha المستقلة الخاصة بـ Templar ورهنها يمثل في جوهره رهانًا ذا طابع مضاعف على جودة النموذج المستقبلية وحجم القدرة الحاسوبية في هذه الشبكة الفرعية.
2.4 الحلقة النظامية المغلقة بين القدرة الحاسوبية والقيمة والشبكة
في لعبة السوق الحرة هذه، ترتبط جودة النموذج بالعائد الاقتصادي ارتباطًا وثيقًا. فكلما كانت النماذج التي تنتجها Templar أفضل، ارتفعت قيمة رموزها؛ كما أن ارتفاع قيمة الرموز يجذب بدوره عددًا أكبر من المُعدّنين الأقوى من مختلف أنحاء العالم للانتقال إلى هذه الشبكة. وتخلق هذه الآلية عجلة نمو إيجابية تربط بإحكام بين القدرة الحاسوبية والقيمة وأثر الشبكة، لتشكل حلقة نظامية يصعب كسرها.
5. الوضع المنظومي
من منظور التشغيل الناظمي الحالي، يمتلك مشروع Templar بالفعل حجمًا سوقيًا ملحوظًا. إذ تبلغ قيمته السوقية الحالية 88 مليون دولار أمريكي. ومن حيث هيكل المشاركين، فقد شاركت بالفعل أكثر من 70 عقدة نظيرة مستقلة وموزعة بشكل فعلي في مشروع ما قبل التدريب المشترك لنموذج فائق الضخامة بمستوى 72B. ومع بناء فريق Covenant AI لشبكات فرعية محيطة حول SN3 مثل SN39 (تأجير القدرة الحاسوبية) وSN81 (الضبط الدقيق بالتعلم المعزز)، بدأ يتشكل مبدئيًا نظام شبكي متكامل في المنبع والمصب يتمحور حول إنتاج النماذج الكبيرة اللامركزية.
وحتى 7 أبريل، يبلغ سعر رمز Alpha الخاص بـ Templar نحو 0.071 TAO، مع وجود حوالي 7,519 عنوانًا يحتفظ بالرمز، و253 مُعدّنًا، و3 مدققين، ونسبة انبعاث تبلغ 2.58%. وفي الوقت نفسه، تبلغ نسبة TAO في مجمع السيولة 6.71%، بينما تبلغ نسبة Alpha 93.29%. واستنادًا إلى السعر وعدد حاملي الرموز، فقد نجحت Templar في بناء قاعدة مستخدمين معينة ومستوى معين من الاهتمام، لكنها لا تزال إجمالًا في المرحلة المبكرة من الانتشار.
مصدر البيانات: https://bittensormarketcap.com/subnets/3
6. المشهد التنافسي والمزايا والعيوب
1.6 التموضع الصناعي والكفاءات الأساسية
في ظل مركزية موارد الحوسبة بدرجة عالية، تقدم Templar للصناعة حلًا تقنيًا قادرًا على مقاومة مخاطر نقطة الفشل الواحدة. وتكمن ميزتها الأساسية في تحول نموذجي تقوده هندسة الآليات: فهي تحقق مشاركة حقيقية بلا إذن مسبق، وتستخدم التعلم الاتحادي لحماية سيادة البيانات وخصوصيتها. ومن خلال الجمع بين آليات نظرية الألعاب والتدريب الموزع، تقلل Templar بدرجة كبيرة اعتماد المطورين على مزود قدرة حاسوبية واحد، وتبني قنوات حوسبة قادرة على تجاوز الرقابة.
2.6 التحديات المتطورة باستمرار وخطط المعالجة
يواجه التدريب اللامركزي منذ فترة طويلة تحديات تتعلق باختناقات الاتصال الشبكي وتفاوت مكونات الأجهزة كلما توسع نطاقه. واستجابة لذلك، وضعت Templar خطة للتحسين والتطوير المستمر على المستوى التقني. فمن جهة، يجري السعي إلى تحسين التدريب غير المتزامن عبر ترقية الخوارزميات وتقديم مكافآت لمجتمع المطورين المتخصصين، بهدف القضاء الكامل على التقطعات الناتجة عن قيود الشبكة. ومن جهة أخرى، تعمل Templar على تطوير جيل جديد من البنى غير المتجانسة، مصمم للسماح لبطاقات الرسومات الاستهلاكية المنتشرة على نطاق واسع (مثل RTX 4090) بالاتحاد في عناقيد افتراضية، بما يوقظ فعليًا القدرة الحاسوبية الهائلة الكامنة ضمن الذيل الطويل لدى الجمهور.
7. النظرة المستقبلية: هل يمكن ترسيخ نماذج كبيرة صناعية المستوى بشكل لامركزي؟
في المرحلة الحالية، نجحت Templar (SN3) في إثبات جدوى تقديم نماذج عالية الأداء بمستوى صناعي عبر القدرة الحاسوبية الموزعة، وذلك من خلال تسليم Covenant-72B. أما قدرتها على تحقيق اختراقات إضافية مستقبلًا فستعتمد على إنشاء حلقة تجارية مغلقة وإدخال السيولة.
وعلى مستوى التطبيق التجاري، تخطط Templar لإدخال آلية “token-gated” لمنح حاملي الرموز وصولًا حصريًا إلى النماذج المتقدمة، بهدف تحقيق حلقة مكتملة من البحث والتطوير وصولًا إلى التقاط القيمة التجارية. وعلى مستوى مالي أشمل، ومع تسارع الامتثال التنظيمي في صناعة العملات المشفرة (مثل اعتماد صناديق ETF المرتبطة بـ TAO)، فإن تدفق رؤوس الأموال المؤسسية التقليدية سيزيد مباشرة ميزانيتها الاقتصادية، مما سيجذب عقدًا أعلى جودة للانضمام في محاولات تدريب الجيل التالي من النماذج الكبيرة.
وفي الرؤية بعيدة المدى، سيؤدي نضج تقنيات وكلاء الذكاء الاصطناعي إلى خلق طلب هائل، ومن المتوقع أن توفر Templar بنية تحتية للحوسبة والمدفوعات بلا إذن مسبق لتلبية هذا الطلب. إن Templar ليست مجرد مكمل لنموذج Web2، بل تدفع أيضًا تقنية الذكاء الاصطناعي نحو الشفافية مفتوحة المصدر، وتستكشف مسارًا مرنًا يمكنه العمل بالتوازي مع المختبرات المركزية وتعزيز التعاون العالمي.
المراجع
الموقع الرسمي لـ :Templar:
حساب Templar على X:
ديسكورد الخاص بـ Templar:
https://discord.com/invite/N5xgygBJ9r
مخطط الشموع اليابانية على Taostats:
https://taostats.io/subnets/3/chart
بيانات bittensormarketcap:
https://bittensormarketcap.com/subnets/3