التكنولوجيا

تعد شبكة Orochi شبكة بيانات Web3 متخصصة في البنية التحتية للبيانات القابلة للتحقق (VDI)، وتتمثل مهمتها الأساسية في بناء إطار عمل موثوق لتفاعل البيانات بين البلوكشين والبيئات خارج السلسلة. بالاستناد إلى تقنيات مثل البراهين ذات المعرفة الصفرية (ZKP)، وzkDatabase، وخط أنابيب البيانات القابلة للتحقق، والتشفير المتماثل بالكامل (FHE)، وبيئة التنفيذ الموثوقة (TEE)، تسعى Orochi إلى جعل كل مرحلة من مراحل البيانات — بدءًا من الإنشاء، مرورًا بالتخزين والحساب، وصولًا إلى المخرجات النهائية — قابلة للتحقق. وهذا يتيح للمستخدمين التحقق المستقل من صحة البيانات ودقة العمليات الحسابية دون الحاجة إلى الاعتماد على موثوقية الكيانات المركزية.

Bluwhale AI (BLUAI) هي بنية تحتية ذكية للبيانات مصممة لبيئة Web3. من خلال استخدام تضمين الهوية، وتحليل السلوك على السلسلة، والحوسبة الخصوصية، تقوم بتحويل بيانات المستخدم المنتشرة عبر شبكات البلوكشين إلى ملفات تعريف ذكية يمكن لوكلاء AI والتطبيقات اللامركزية وأنظمة المؤسسات الوصول إليها. تهدف Bluwhale AI إلى إنشاء طبقة الذكاء الخاصة بـ Web3—حماية ملكية بيانات المستخدم وخصوصيته—مع تمكين AI من فهم سلوك المستخدم وتفضيلاته وهويته على السلسلة. مما يدعم التوصيات المخصصة، واتخاذ القرارات الذكية، والخدمات الآلية، وتطبيقات الاقتصاد الرقمي الجديدة.

تعد تقنية تضمين الهوية (Identity Embedding) جوهر عمل Bluwhale AI في بناء ملفات تعريف ذكية للمستخدمين على السلسلة. تعتمد هذه التقنية على نماذج التعلم الآلي لتحليل أنماط سلوك المستخدمين، وتوزيع أصولهم، وتفاعلاتهم مع البروتوكولات، وخصائص هوياتهم عبر شبكات البلوكشين، ثم تحول نقاط البيانات هذه إلى تمثيل موحد متجه للهوية. على عكس عناوين المحفظة التقليدية التي تقتصر على تسجيل بيانات المعاملات، تتيح تقنية تضمين الهوية لأنظمة AI استيعاب التفضيلات السلوكية للمستخدمين، وملامح المخاطر، وعادات المشاركة، مما يسفر عن نموذج هوية رقمية أكثر شمولًا.

يختلف Bluwhale AI وFetch.ai اختلافًا جوهريًا في توجههما الأساسي، رغم كونهما مشروعَي بنية تحتية محوريَين في مجال تقاطع الذكاء الاصطناعي والبلوكشين. يركز Bluwhale AI على بناء طبقة ذكاء لـ Web3، تستخدم تضمين الهوية وتصنيف المستخدمين لتمكين الذكاء الاصطناعي من فهم المستخدمين على السلسلة. أما Fetch.ai، فيكرس جهوده لإنشاء شبكة وكلاء AI مستقلة، تتيح التعاون التلقائي وتنفيذ المهام من خلال وكلاء أذكياء.

تُمثّل Glamsterdam مرحلة ترقية حاسمة في خارطة الطريق لـ Ethereum، حيث يهدف أحد أهدافها الجوهرية إلى نقل Ethereum من التنفيذ التسلسلي التقليدي إلى التنفيذ المتوازي. ولإنجاز ذلك، تعمل Ethereum على تطوير قوائم الوصول إلى الكتل (BAL)، وتحسين الوصول إلى الحالة، وتعديل بنية تنفيذ الكتل – وكلّها تهدف إلى رفع إنتاجية الطبقة 1 وكفاءة استخدام الموارد، مع الحفاظ على اللامركزية والأمان.

يُعد نظام ePBS (فصل مقترح الباني المضمن) في إيثيريوم أحد أبرز آليات البروتوكول التي تلقى متابعة واسعة ضمن ترقية Glamsterdam. يتمثل هدفه الجوهري في دمج بناء الكتل مباشرة داخل طبقة البروتوكول، مع الحفاظ على لامركزية الشبكة وأمنها، مما يسهم في تحسين هيكل سوق MEV (القيمة القصوى القابلة للاستخراج)، وتقليل الاعتماد على مرحلات الأطراف الثالثة، وتعزيز الشفافية والعدالة في عملية إنتاج الكتل.

تمثل ترقية Ethereum Glamsterdam ترقية البروتوكول من الجيل التالي في خارطة طريق Ethereum. وتهدف بشكل أساسي إلى رفع إنتاجية الطبقة 1 Operar، وتحسين آليات بناء الكتل، وزيادة قابلية التوسع في الشبكة وجودة تجربة المستخدم، مع الحفاظ على اللامركزية والأمان. وتشمل أبرز مكونات هذه الترقية: فصل المُقترح عن المُنشئ المضمن (ePBS)، وقوائم الوصول للكتل (BAL)، وقدرات التنفيذ المتوازي. وتُعد هذه الترقية محطة حاسمة في توسيع السلسلة الرئيسية لـ Ethereum.

تعتمد كل من شبكة GEODNET وشبكات CORS التقليدية على تقنية RTK لتوفير خدمات تحديد مواقع عالية الدقة، لكن GEODNET تعمل وفق نموذج البنية التحتية المادية اللامركزية (DePIN)، في حين تُبنى وتُدار شبكات CORS التقليدية في الغالب بشكل مركزي من قبل مؤسسات حكومية أو هيئات مساحية أو مشغلين تجاريين. ورغم اعتماد النظامين على محطات مرجعية تابعة لنظام GNSS لإنتاج بيانات تصحيح المواقع، فإنهما يختلفان جوهريًا في منهجيات التوسع الشبكي، وهياكل التكاليف، ونماذج المشاركة.

RTK (النظام الحركي في الوقت الفعلي، 实时动态定位) هي تقنية تحديد المواقع عالية الدقة تعتمد على أنظمة الملاحة العالمية عبر الأقمار الصناعية (GNSS). تعمل هذه التقنية على حساب أخطاء إشارات الأقمار الصناعية آنياً في محطة مرجعية، ثم تنقل بيانات التصحيح إلى أجهزة المستخدمين، مما يرفع دقة GPS العادي من مستوى الأمتار إلى مستوى السنتيمترات. تدمج GEODNET تقنية RTK مع شبكة بنية تحتية مادية لامركزية (DePIN)، مستفيدةً من محطات مرجعية GNSS موزعة عالمياً لتوليد بيانات التصحيح ومشاركتها باستمرار. يوفر ذلك خدمات تحديد مواقع عالية الدقة بتغطية أوسع وتكلفة أقل. على خلاف شبكات RTK التقليدية، تعتمد GEODNET على حوافز قائمة على الرموز لتمويل توسع البنية التحتية، مما يتيح نمواً عالمياً يقوده المجتمع.

ينتمي كل من GEODNET وHelium إلى قطاع الشبكات المادية اللامركزية (DePIN)، غير أن البنى التحتية التي يطورانها تخدم أغراضًا مختلفة. فـ GEODNET توفر بنية تحتية لبيانات المواقع، لحل مشكلة التحديد الدقيق لموقع الأجهزة، بينما تقدم Helium بنية تحتية للاتصال، لمعالجة كيفية توصيل الأجهزة بالشبكة. يستخدم كلاهما حوافز الرموز لتطوير البنية التحتية الواقعية، لكنهما يختلفان اختلافًا كبيرًا في مستخدميهما المستهدفين، وأنواع البيانات، ونماذج الأعمال، والتطبيقات الصناعية.

بافر هو بروتوكول إعادة تخزين سائل أصلي (nLRP) قائم على نظام إيثريوم البيئي. يجمع تصميمه الأساسي بين رموز السيولة وعائد إعادة التخزين وأمن العقدة وقدرات توسيع الطبقة 2، في بنية موحدة تُبنى على تخزين ETH الأصلي مع Poner en staking. يتيح ذلك للمستخدمين التفاعل مع شبكة عائد أوسع على السلسلة مع الحفاظ على سيولة أصولهم. ومن خلال وحدات مثل pufETH وSecure-Signer ووحدة إعادة التخزين وUniFi Rollup، يعمل بروتوكول بافر على بناء الجيل التالي من البنية التحتية لعائد إيثريوم.

DeepNode هي شبكة بنية تحتية لا مركزية قائمة على الذكاء الاصطناعي، ترتكز على مبدأ "الذكاء المفتوح". عبر ربط مطوّري النماذج، والمُدقِّقين، والمُعدِّنين، والمستخدمين النهائيين، تُشكّل نظامًا بيئيًا تعاونيًا مفتوحًا وقابلًا للتحقق ومستدام التطور في مجال الذكاء الاصطناعي. ولا يقتصر هدفها على توفير موارد حوسبة موزعة، بل يتعداه لبناء نظام شبكي ذكي قادر على التعلم الدائم، والتحسين المستمر، والتوسع الذاتي.

Arcium هي شبكة بنية تحتية لـ Web3 متخصصة في الحوسبة المشفرة، وهدفها الأساسي تمكين الحوسبة المعقدة دون الكشف عن البيانات الأولية. من خلال دمج الحوسبة متعددة الأطراف (MPC)، وشبكات العقد الموزعة، وآليات الحوسبة القابلة للتحقق، تسعى Arcium إلى بناء بنية تحتية للحوسبة تحقق التوازن بين الخصوصية والأمان وقابلية التوسع، مما يسمح باستخدام البيانات وتحليلها والتحقق منها مع الحفاظ على سريتها.

ChainOpera AI هي شبكة بنية تحتية لامركزية للذكاء الاصطناعي صُممت خصيصًا لعصر وكلاء AI. ففي جوهرها، تربط بين وكلاء AI ومطوّري النماذج ومزوّدي معدل التجزئة والمستخدمين النهائيين عبر الذكاء التعاوني، لتكوين نظام بيئي ذكي مفتوح. وخلافًا لمنصات AI التقليدية التي تعتمد على نماذج فردية وخدمات سحابية مركزية، تستخدم ChainOpera AI شبكات البلوكشين وقوة التجزئة الموزعة والحوافز على السلسلة لجعل قدرات الذكاء الاصطناعي قابلة للمشاركة والاستدعاء وقابلة للتأليف أو قابلة للتركيب، تمامًا مثل موارد الإنترنت.

يشير مفهوم الذكاء الاصطناعي للخصوصية إلى البنية التحتية للذكاء الاصطناعي التي تحمي بيانات المستخدمين وعمليات الحوسبة أثناء تدريب النماذج والاستدلال، وذلك عبر الشبكات اللامركزية، وبيئات التنفيذ الموثوقة (TEEs)، أو تقنيات الحوسبة الحافظة للخصوصية. من أبرز المشاريع في هذا المجال حاليًا: Venice وBittensor وPhala Network. تتخصص Venice في خدمات الاستدلال بالذكاء الاصطناعي التي تضع الخصوصية في المقدمة، بينما تدير Bittensor شبكة تعاونية مفتوحة لنماذج الذكاء الاصطناعي، وتقدم Phala Network إمكانيات حوسبة خصوصية عبر بيئات التنفيذ الموثوقة.