هوش مصنوعی و ارزهای دیجیتال در سال 2026: چگونه بلاک‌چین‌ها به زیرساخت هوش مصنوعی تبدیل می‌شوند

در 1 آوریل 2026، شبکه آکاش اعلام کرد که مشتریان آن بیش از 5 میلیون دلار هزینه جمعی در محاسبات داشته‌اند، پول واقعی که برای قدرت پردازش واقعی در یک بازار بلاک‌چین پرداخت شده است. این رقم نقطه عطف سال را نشان می‌دهد: در سال 2026، ادغام هوش مصنوعی و ارزهای دیجیتال دیگر یک داستان نبود که صنعت برای خود تعریف کند، بلکه به لایه‌ای تبدیل شد که سایر چیزها بر روی آن ساخته می‌شوند. توکن‌های ارز دیجیتال متمرکز بر هوش مصنوعی در آگوست 2026 حدود 21 میلیارد دلار ارزش دارند و 40 سنت از هر دلار سرمایه‌گذاری ریسک‌پذیر در شرکت‌های ارز دیجیتال در سال 2025 به شرکت‌هایی که هم هوش مصنوعی و هم ارز دیجیتال می‌سازند، اختصاص یافته است، که بیش از دو برابر سهم سال قبل است. استدلال دیگر تنها این نیست که یک توکن به شدت افزایش می‌یابد؛ بلکه این است که هوش مصنوعی در داخل یک handful از شرکت‌های بسیار بزرگ متمرکز شده است و شبکه‌های باز می‌توانند یک جایگزین برای محاسبات، آموزش، پرداخت‌ها و نمایندگانی که معاملات زنجیره‌ای انجام می‌دهند، ارائه دهند. این مقاله نقشه‌برداری می‌کند که چگونه این زیرساخت واقعاً کار می‌کند، لایه به لایه، و به همان اندازه مهم، هر قسمت چه چیزی را ثابت نمی‌کند.

به اختصار

• توکن‌های ارز دیجیتال متمرکز بر هوش مصنوعی در آگوست 2026 حدود 21 میلیارد دلار ارزش دارند و 40 سنت از هر دلار سرمایه‌گذاری در ارزهای دیجیتال در سرمایه‌گذاری ریسک‌پذیر در سال 2025 را تشکیل می‌دهند، اما این صنعت در مقایسه با صدها میلیارد دلار هزینه شده توسط شرکت‌های بزرگ فناوری در هوش مصنوعی، بسیار کوچک باقی مانده است.
• آن را به عنوان یک پشته بخوانید: یک لایه محاسباتی (Render، Akash، io.net)، یک لایه هوش (Bittensor) و یک لایه نماینده (NEAR، ASI Alliance)، بیشتر کارهای مرتبط با هوش مصنوعی خارج از دفتر ثبت انجام می‌شود.
• Qubic استثنای ساختاری است که هوش مصنوعی را از طریق استخراج (Useful Proof of Work) پیش می‌برد، با محاسبات برون‌سپاری که از 29 ژوئیه 2026 در شبکه اصلی در حال تولید است، چهار مقاله ارزیابی شده توسط همتا در سال 2026، و نمره بهتری در ARC-AGI-3 که از 0.18 به 0.38 افزایش یافته است، همه بر روی CPU بدون GPU.
• هر عنوان نیاز به یک خوانش دوم دارد: قیمت یک توکن درآمد نیست، یک ویژگی عملیاتی پذیرش نیست، یک پاداش برتری نیست، و صفت «غیرمتمرکز» تنها در صورتی معتبر است که هر جزء مورد حسابرسی قرار گیرد، از جمله GDPR.

خواندن صنعت بدون تبلیغات

قبل از لایه‌ها، یک رشته در تمام این متن وجود دارد، زیرا این چیزی است که زیرساخت را از بازاریابی جدا می‌کند. هر عدد در عنوان این صنعت به یک سوال باریک‌تر از آنچه به نظر می‌رسد پاسخ می‌دهد. ارزش بازار یک توکن درآمد نیست و نه بودجه‌ای که برای ماشین‌ها هزینه شده است.

یک ویژگی زنده ثابت نمی‌کند که کسی از آن استفاده می‌کند. یک عرضه بزرگ اعلام شده از GPU نشان نمی‌دهد که این ماشین‌ها در یک وظیفه آموزشی چگونه همکاری می‌کنند. یک نمره مرجع تنها زمانی یک مقایسه را پشتیبانی می‌کند که نسخه آزمایشی، قوانین و شرایط مطابقت داشته باشند. به این ترتیب، صنعت واقعاً جالب است؛ به طریقی دیگر، تنها یک سری بیانیه‌های مطبوعاتی است.

مقیاس باید به وضوح بیان شود و این مهم‌ترین هشدار در اینجا است. هوش مصنوعی غیرمتمرکز یک مکمل کوچک در مرحله اولیه برای هوش مصنوعی متمرکز است، نه یک جایگزین. هایپر اسکیلرهایی مانند مایکروسافت و متا هر کدام بیش از ۱۰۰ میلیارد دلار در هزینه‌های سرمایه‌گذاری هوش مصنوعی صرف می‌کنند و هزینه‌های نهادی کل در هوش مصنوعی در سال ۲۰۲۶ به صدها میلیارد دلار می‌رسد. کل بخش توکن‌های هوش مصنوعی غیرمتمرکز، که حدود ۲۱ میلیارد دلار سرمایه‌گذاری دارد، یک خطای گرد کردن در کنار آن است. آنچه در ادامه می‌آید یک لایه جوان، واقعی و در حال حرکت سریع را توصیف می‌کند، نه یک رقیب از قبل موجود.

چرا بلاک‌چین‌ها و هوش مصنوعی با هم می‌آیند

این ارتباط تصادفی نیست. هوش مصنوعی، همانطور که منتقدانش اشاره می‌کنند، یک جعبه سیاه است که توسط چند شرکت بزرگ کنترل می‌شود و بلاک‌چین‌ها سه چیز را ارائه می‌دهند که یک جعبه سیاه ندارد: تسویه حساب شفاف، منشأ قابل تأیید داده‌ها و نتایج، و یک لایه انگیزشی که می‌تواند سخت‌افزار بیگانگان را بدون مالکیت مرکزی هماهنگ کند. از طرف دیگر، هوش مصنوعی به بلاک‌چین‌ها راهی برای مدیریت پیچیدگی سیستم‌های چند زنجیره‌ای و تغذیه عوامل می‌دهد که عمل می‌کنند نه اینکه فقط ثبت کنند.

اما باید از همان ابتدا تمایزی قائل شد، زیرا این موضوع در همه جا در زیر مطرح می‌شود.

در هر معماری که در اینجا بررسی شده، بخش عمده‌ای از کار هوش مصنوعی خارج از زنجیره انجام می‌شود. مستندات شبکه خاص Bittensor، به عنوان مثال، کار انجام شده در زیرشبکه‌های خود را از زنجیره‌ای که مشارکت و جوایز را هماهنگ می‌کند، جدا می‌کند. بلاک‌چین جنبه‌هایی از تنظیمات را ثبت می‌کند، قوانین مشارکت را تعیین می‌کند و پرداخت‌ها را تنظیم می‌کند؛ محاسبات واقعی در مکان‌های دیگر بر روی ماشین‌های معمولی اجرا می‌شود.

روش عملی برای نگه‌داشتن همه چیز در کنار هم این است که به صورت لایه‌ای فکر کنیم، زیرا پروژه‌هایی که تحت اصطلاح «توکن‌های هوش مصنوعی» جمع‌آوری شده‌اند، طبقات مختلف یک ساختمان را اشغال می‌کنند و آن‌ها همسایه‌های نزدیک‌تری نسبت به رقبای یکدیگر هستند.

لایه محاسباتی: اجاره GPU‌های غیرفعال جهان

طبقه همکف قدرت محاسباتی خام است. یک گروه از شبکه‌ها از انگیزه‌های توکنی برای تجمیع GPU‌های کم‌استفاده از مراکز داده، استودیوها و افراد استفاده می‌کند و سپس این ظرفیت را معمولاً با قیمتی بسیار پایین‌تر از ابر متمرکز اجاره می‌دهد. Render Network در زمینه رندر گرافیکی شروع به کار کرد و به سمت هوش مصنوعی و تصویرسازی تولیدی گسترش یافت، با مدلی از توکن که عرضه را به محض انجام کار می‌سوزاند. Akash به عنوان یک «ابر فوق‌العاده» غیرمتمرکز برای بارهای عمومی در کانتینرها عمل می‌کند و، همانطور که ذکر شد، در آوریل ۲۰۲۶ حدود ۵ میلیون دلار هزینه محاسباتی تجمعی گزارش کرده است. تجمیع‌کننده‌های جدیدتر مانند io.net GPU‌ها را از منابع متعدد در خوشه‌هایی به اندازه کافی بزرگ تجمیع می‌کنند تا آموزش غیرمتمرکز واقع‌گرایانه باشد.

در اینجا، انضباط حقایق در برابر ادعاها خود را نشان می‌دهد. شمارش کارت‌های گرافیکی موجود یک اندازه‌گیری از عرضه است، نه یک تضمین عملکرد: کارهای بزرگ آموزش توزیع‌شده نیاز دارند که پردازنده‌ها به طور مداوم اطلاعات را تبادل کنند، به همین دلیل کتابخانه ارتباطی خاص NVIDIA برای بارهای توزیع‌شده پهنای باند، تأخیر و همگام‌سازی بین GPU‌ها را بهینه می‌کند. یک میدان از ماشین‌های دور و یک خوشه به‌هم‌پیوسته منابع متفاوتی برای همان تعداد اسمی کارت هستند.

خوانش صادقانه از این لایه این است که در زمان‌های فشار ظرفیت متمرکز، هزینه، دسترسی و تاب‌آوری را به دست می‌آورد و در برابر بازیگران موجود در پشتیبانی، انطباق و قابلیت اطمینان از دست می‌دهد. این یک سوپاپ اطمینان و یک گزینه کم‌هزینه‌تر است، هنوز انتخاب پیش‌فرض نیست.

لایه هوش: بازارها برای نتایج، نه ماشین‌ها

یک طبقه بالاتر، سوال از سخت‌افزار به خود کار یادگیری ماشین تغییر می‌کند. Bittensor واضح‌ترین مثال است: به جای اجاره سخت‌افزار، یک مجموعه از زیرشبکه‌های مستقل را میزبانی می‌کند، هر کدام یک بازار کوچک که در آن شرکت‌کنندگان نتایجی مانند استنتاج، پیش‌بینی یا امتیاز داده‌ها تولید می‌کنند، و اعتبارسنج‌ها نتایج را رتبه‌بندی می‌کنند و توکن TAO به بازار اجازه می‌دهد تا نه یک بنیاد، بلکه خود بازار تصمیم بگیرد که جوایز به کجا بروند.

حدود 118 تا 128 زیرشبکه در میانه سال 2026 فعال بودند و Bittensor نزدیک به 3.5 میلیارد دلار ارزش بازار داشت، اگرچه در آگوست 2026 NEAR از آن پیشی گرفت و در صدر دسته هوش مصنوعی قرار گرفت، یادآوری می‌کند که رهبری در اینجا تثبیت نشده است.

مکانیسم مهم‌ترین در این سطح، قانون امتیاز است و آسان است که از آن غافل شوید. یک زیرشبکه تنها زمانی ارزش تولید می‌کند که آنچه را که پاداش می‌دهد، واقعاً چیزی باشد که خریدار می‌خواهد: پاداش دادن به سرعت، سرعت را می‌دهد، پاداش دادن به دقت واقعی، چیز دیگری را می‌دهد. یک بلاک‌چین می‌تواند به‌طور وفادار یک امتیاز توافق‌شده را ثبت کند، اما اینکه آیا این امتیاز چیزی مفید را اندازه‌گیری می‌کند، سوالی جداگانه است که زنجیره نمی‌تواند به آن پاسخ دهد. این مشکل واقعی باز این لایه است، بیشتر از هر معیار توکنی.

لایه عامل: نرم‌افزاری که ابزارهای خود را می‌پردازد

حتی بالاتر، عوامل خودمختار وجود دارند، نرم‌افزارهایی با یک کیف پول و هویت که می‌توانند در محدودیت‌های تعیین‌شده توسط اپراتور خود عمل کنند. NEAR لایه 1 خود را حول این اقتصاد «عاملانه» دوباره موقعیت‌یابی کرده است، با هدف اینکه راه‌آهن تسویه‌حساب برای عوامل عمل‌کننده در زنجیره‌ها باشد و اتحاد سوپرهوش مصنوعی، که با توکن FET تثبیت شده است، چندین پروژه را در یک پشته متمرکز بر عوامل تجمیع می‌کند. این دسته جوان است اما به سرعت در حال رشد است: استقرار عوامل خودمختار در تمام بلاک‌چین‌ها در فوریه 2026 از 20,000 فراتر رفته است، تقریباً سه برابر سطح پایان 2025.

استاندارد x402 پاسخ HTTP 402 «پرداخت مورد نیاز» را که مدت‌ها خوابیده بود، دوباره زنده می‌کند: یک سرور می‌تواند برای یک منبع پرداختی را درخواست کند و یک مشتری سازگار می‌تواند پرداخت کند و به‌طور خودکار دوباره تلاش کند، که به یک عامل اجازه می‌دهد تا یک جریان داده یا یک تماس استنتاج را بدون دخالت انسانی خریداری کند. آنچه که این تصمیم نمی‌گیرد، این است که چه خریدهایی باید به عامل اجازه داده شود. یک سقف هزینه، یک لیست خدمات تأییدشده و یک قانون افزایش برای درخواست‌های غیرمعمول انتخاب‌هایی هستند که اپراتور باید تعریف کند. دادن یک کیف پول به یک نرم‌افزار همانند دادن قضاوت به آن نیست و اینجاست که ارزهای دیجیتال برنامه‌پذیر که همیشه فعال هستند، هم یک مزیت واقعی سرعت نسبت به مالی سنتی و هم منبعی از جدیدترین خطرات هستند.

آنچه که ثبت می‌شود و آنچه که نمی‌تواند تأیید کند

یک محدودیت عرضی شایسته یک پاراگراف خاص است، زیرا به هر لایه بالاتر اعمال می‌شود. یک بلاک‌چین می‌تواند یک ثبت پایدار از اطلاعات ارائه‌شده را حفظ کند، اما نمی‌تواند یک مشاهده خارجی را تنها به این دلیل که شرکت‌کنندگان آن را نوشته‌اند، درست کند. مستندات اوراکل اتریوم به‌طور مستقیم مشکل را چارچوب‌بندی می‌کند: برنامه‌ها به مکانیزم‌هایی نیاز دارند تا منبع، یکپارچگی و در دسترس بودن هر داده‌ای که به زنجیره آورده می‌شود را ارزیابی کنند. این برای هوش مصنوعی نیز صدق می‌کند. ثبت یک خروجی به معنای تأیید دقت آن نیست؛ تعیین اینکه چه کسی یک مجموعه داده را ارائه کرده است، به معنای تعیین این نیست که او حق استفاده از آن را داشته است. هر جا که این مقاله یک قابلیت را توصیف می‌کند، روش تأیید بخشی است که واقعاً اهمیت دارد.

Qubic در کانون توجه: ادغام محاسبات در اجماع

بیشتر بخش بالایی به محاسبات مربوط می‌شود یا نتایج را طبقه‌بندی می‌کند. یک شبکه مسیر ساختاری متفاوتی را دنبال می‌کند که شایسته بررسی دقیق‌تری است، زیرا این واضح‌ترین مثال متضاد است. Qubic یک لایه ۱ متمرکز بر هوش مصنوعی است که یک شبکه از تراکنش‌ها و یک برنامه تحقیقاتی در زمینه هوش مصنوعی را گرد هم می‌آورد و راه درست برای درک آن این است که سه نقش را به‌طور جداگانه بررسی کنیم تا اینکه آن‌ها را در یک شعار ترکیب کنیم.

معدن‌کاران کار تولید می‌کنند؛ محاسبه‌گران بر وضعیت توافق می‌کنند. Qubic رویکرد خود را در استخراج به نام «مدل اثبات کار مفید» (uPoW) می‌نامد: به جای سوزاندن برق بر روی هش‌های دلخواه، معدن‌کاران وظایف محاسباتی مبتنی بر شبکه‌های عصبی مصنوعی را اجرا می‌کنند و راه‌حل‌های ارائه‌شده آن‌ها پروژه هوش مصنوعی شبکه، Aigarth، را تغذیه می‌کند و در عین حال رتبه‌بندی آن‌ها را در دوره‌های هفتگی تعیین می‌کند. از سوی دیگر، محاسبه‌گران که به ۶۷۶ هویت فعال محدود هستند و برای توافق به ۴۵۱ رأی نیاز دارند، سیستم تراکنش‌ها و قراردادهای هوشمند را اجرا می‌کنند. وسوسه‌انگیز است که این را به «تربیت هوش مصنوعی توافق است» خلاصه کنیم، اما این دو مکانیزم را ترکیب می‌کند: تولید یک راه‌حل مفید و توافق بر یک تراکنش به‌طور طراحی شده به هم متصل هستند، اما این‌ها عملیات‌های مجزایی هستند. درک صحیح این تمایز به خودی خود نشانه‌ای از یک توصیف صادقانه است.

Aigarth یک برنامه تحقیقاتی است، نه یک هوش کامل. Aigarth هوش مصنوعی غیرمتمرکز توسعه‌یافته بر روی Qubic است که از یک تحقیق تکاملی استفاده می‌کند که در آن سیستم‌های کاندید تحت یک تابع ارزیابی مشترک ارزیابی می‌شوند و بهترین عملکردها انتخاب می‌شوند. تیم علمی آن همچنین Neuraxon را توسعه می‌دهد، یک معماری الهام‌گرفته از زیست‌شناسی که در آن نورون‌های مصنوعی دارای حالات تحریکی، خنثی و بازدارنده هستند. آنچه Qubic را از اکثر بخش متمایز می‌کند، یک تأیید واقعی خارجی است: چهار مقاله از Neuraxon در کنفرانس‌های بین‌المللی در سال ۲۰۲۶ پذیرفته شده‌اند، مقاله «حالت بافر خنثی» جایزه بهترین ارائه را در کنفرانس AMLDS ۲۰۲۶ که توسط IEEE در اوزاکا برگزار شد، به دست آورد و کار Multi-Neuraxon در مجموعه مقالات AGI-26 از Springer منتشر شد. تعداد بسیار کمی از پروژه‌های رمزنگاری دارای تحقیقات ارزیابی‌شده توسط همتایان و جوایز از این نوع هستند و این واضح‌ترین نقطه تمایز Qubic است.

مسیر معیارها به همان سمت اشاره می‌کند و این یک پیشرفت واقعی است به شرطی که به درستی خوانده شود. در ARC-AGI-3، یکی از سخت‌ترین آزمون‌های استدلال تعاملی در هوش مصنوعی، معماری Neuraxon Qubic از نمره ۰.۱۸ در اوایل ژوئیه ۲۰۲۶ به ۰.۲۵ در اوت رسید، طبق جلسات عمومی پروژه، و هم‌بنیان‌گذار دیوید ویوانکوس نمره جدیدی از ۰.۳۸ را در سپتامبر ۲۰۲۶ گزارش کرد.

آنچه این عدد را قابل توجه می‌کند، نحوه دستیابی به آن است: بر روی CPU‌های معمولی، بدون GPU و بدون مدل زبانی بزرگ، با استفاده از طراحی الهام‌گرفته از زیست‌شناسی که کد و مجموعه داده‌های آن متن‌باز است. هشدارها در کنار آن هستند: این اعداد خودگزارش‌شده‌اند، ۰.۳۸ یک اجرای بهتر است نه یک ورودی تثبیت‌شده در رتبه‌بندی، و از نظر مطلق نمره هنوز پایین است، بالای رتبه‌بندی ARC-AGI-3 به مراتب بالاتر است. به‌طور صادقانه خوانده شود، این داستان یک شتاب و یک روش است، نه یک مقصد، و این یک ادعای قوی‌تر از یک عدد تنها در عنوان است.

یک مکانیزم زنده هنوز به معنای پذیرش نیست. در یک خلاصه منتشر شده در ۱۳ اوت ۲۰۲۶، تیم Qubic گزارش داد که محاسبات برون‌سپاری شده از ۲۹ ژوئیه بر روی mainnet به‌طور زنده در حال اجرا است و به برنامه‌ها این امکان را می‌دهد که اقداماتی خارج از زنجیره را تحریک کنند، سومین رکن با منطق قراردادهای هوشمند و داده‌های اوراکل‌ها. این امر در دسترس بودن را برقرار می‌کند.

مورد پذیرش یک معیار جداگانه است که نیاز دارد تا برنامه‌ها واقعاً از آن استفاده کنند و اقدامات با موفقیت به پایان برسند، چیزی که تنها با اعلام آن اثبات نمی‌شود. نامگذاری این شکاف انتقادی به Qubic نیست؛ این همان آزمایشی است که این مقاله به هر پروژه‌ای اعمال می‌کند.

مقایسه‌ای کوتاه‌تر: Akash به عنوان بازار محاسبات

در مقایسه با Qubic، Akash تضاد را ملموس می‌کند. این از یک نیاز آشنا آغاز می‌شود: یک توسعه‌دهنده به منابعی برای اجرای یک برنامه نیاز دارد، تأمین‌کنندگان مستقل پیشنهاداتی می‌دهند، توسعه‌دهنده یک پیشنهاد را قبول می‌کند، یک اجاره ایجاد می‌شود و یک وثیقه تأمین‌شده به تأمین‌کننده پرداخت می‌کند در حالی که نرم‌افزار روی سخت‌افزار تأمین‌کننده اجرا می‌شود. بلاک‌چین توافق و پرداخت را هماهنگ می‌کند؛ محاسبات یک میزبانی عادی است.

کنترل‌های عملی همان‌هایی هستند که هر تصمیم میزبانی نیاز دارد. آیا ماشین انتخاب‌شده با مدل مطابقت دارد؟ آیا برنامه می‌تواند بازیابی شود اگر یک تأمین‌کننده قطع شود؟ داده‌ها کجا ذخیره می‌شوند و چگونه پشتیبان‌گیری و دسترسی مدیریت می‌شود؟ یک بازار انتخاب تأمین‌کنندگان را گسترش می‌دهد؛ این یک برنامه عملیاتی ارائه نمی‌دهد و اجاره یک ماشین هیچ حقی را بر روی یک مدل یا مجموعه داده‌ای که روی آن قرار دارد منتقل نمی‌کند.

نقطه دقیق مقایسه این است: Akash میزبانی را برای یک برنامه سازماندهی می‌کند، در حالی که Qubic مشارکت‌های محاسباتی را به سیستم استخراج و محاسبه خود مرتبط می‌کند در کنار یک برنامه تحقیقاتی. نامیدن هر دو به عنوان << crypto IA >> دقیقاً تمایزی را پنهان می‌کند که یک توسعه‌دهنده قبل از انتخاب اینکه چه چیزی بسازد به آن نیاز دارد.

محدودیتی که هیچ‌کس از آن فرار نمی‌کند: واقعاً چقدر غیرمتمرکز است؟

مقاله‌ای که فقط قابلیت‌ها را فهرست کند، بازاریابی خواهد بود، بنابراین انتقاد مرکزی از این حوزه باید بیان شود: << IA غیرمتمرکز >> در برخی اجزا غیرمتمرکز و در برخی دیگر متمرکز است و برچسب باید به صورت جزئی ارزیابی شود. اپراتورهای سخت‌افزار می‌توانند مستقل باشند در حالی که همه به همان رابط نرم‌افزاری، همان تأمین‌کننده مدل یا همان منبع داده وابسته‌اند.

طراحی Bittensor، به عنوان مثال، به هر مالک زیرشبکه وظیفه می‌دهد تا قوانین تشویق خود را تعریف کند، بنابراین مشارکت تأمین‌کننده و تعریف قوانین انواع مختلفی از کنترل هستند. سقف 676 محاسبه‌گر Qubic نیز شمارش سازمان‌های کنترل‌شده به طور مستقل نیست؛ قضاوت در مورد تمرکز واقعی نیاز به اطلاعاتی دارد که چه کسی صندلی‌ها را اداره می‌کند و چگونه استخراج آنها را پشتیبانی می‌کند، چیزی که محدودیتی که پروتکل نشان می‌دهد به تنهایی نمی‌تواند قضاوت کند.

برای هر کسی که بر روی این شبکه‌ها می‌سازد، آزمون عملی یک حسابرسی از وابستگی‌ها است: شناسایی اینکه چه کسی می‌تواند خدمات را قطع کند، قوانین خود را تغییر دهد یا به داده‌های خود دسترسی پیدا کند، سپس تکرار این برای مدل، میزبانی، ریل پرداخت و رابط. یک سرویس می‌تواند حتی اگر یک جزء توزیع شده باشد، در معرض یک تأمین‌کننده واحد باقی بماند.

همچنین یک پیامد قابل توجه اروپایی وجود دارد. مقامات حفاظت از داده‌های فرانسه، CNIL، واضح بوده‌اند: استفاده از یک بلاک‌چین الزامات تحت RGPD را حذف نمی‌کند: مسئولیت‌ها باید همیشه تخصیص یابند و پیامدهای معماری، از جمله انتقال‌های بین‌المللی داده‌ها، باید همچنان ارزیابی شوند. یک برچسب << غیرمتمرکز >> این کار را برای شما انجام نمی‌دهد.

حکم صادقانه‌ترین درباره این بخش از درون آن می‌آید. در بحث درباره تحقیق Multi-Neuraxon در تاریخ ۳۱ اوت ۲۰۲۶، عصب‌شناس Qubic، خوزه سانچز، صریح بود: مقیاس‌پذیری هنوز اثبات نشده و تیم هنوز به حوزه یک مقایسه مستقیم بدهکار است و گفت: <<ما همچنین به حوزه یک پایه تبدیل‌کننده بدهکاریم>>. این ثبت درست برای سال ۲۰۲۶ است: تحقیق واقعی و زیرساخت واقعی، اندازه‌گیری شده با نتایج قابل تکرار و کاربران پرداخت‌کننده به جای اندازه وعده.

سرمایه‌گذاری ریسک‌پذیر از این لایه زیرساخت حمایت می‌کند زیرا این بخشی است که واقعاً به هوش مصنوعی نیاز دارد و سال آینده از طریق معیارهایی که دیگران می‌توانند تکرار کنند و تقاضایی که کسی واقعاً پرداخت کرده است، خوانده خواهد شد.

سوالات متداول

آیا یک مدل هوش مصنوعی باید بر روی یک بلاک‌چین کار کند؟ خیر. در تمام معماری‌های ارائه شده در اینجا، بخش عمده‌ای از محاسبات خارج از ثبت انجام می‌شود؛ زنجیره مشارکت یا پرداخت را هماهنگ می‌کند در حالی که مدل‌ها بر روی سخت‌افزار تأمین‌کننده اجرا می‌شوند.

آیا توزیع سخت‌افزار مدل را باز می‌کند؟ خیر. توزیع سخت‌افزار، دسترسی به کد منبع، مجوزهای مدل و دسترسی به داده‌های آموزشی ویژگی‌های متمایزی هستند که هرکدام نیاز به اثبات خاص خود دارند.

آیا استفاده از یک توکن اثبات می‌کند که یک سرویس مشتریان پرداخت‌کننده دارد؟ خیر. یک توکن می‌تواند مشوق‌های پروتکل را تأمین مالی کند؛ تقاضای واقعی باید شناسایی کند که چه چیزی خریداری شده، در چه دوره‌ای و آیا فعالیت شامل یارانه‌ها است.

Qubic چه تفاوتی با دیگران دارد؟ این سیستم آموزش هوش مصنوعی را در استخراج (uPoW) ادغام می‌کند به جای اینکه محاسبات را اجاره دهد یا طبقه‌بندی کند و آن را با چهار مقاله ارزیابی شده توسط همتایان در سال ۲۰۲۶ و همچنین نمره ARC-AGI-3 در حال افزایش (بهترین نمره گزارش شده ۰.۳۸، خودگزارش شده، بر روی CPU بدون GPU) پشتیبانی می‌کند.

آیا هوش مصنوعی غیرمتمرکز واقعاً غیرمتمرکز است؟ تنها به صورت مؤلفه به مؤلفه. محاسبات می‌تواند توزیع شود در حالی که داده‌ها، مدل‌ها، حاکمیت و تأمین انرژی این‌گونه نیستند؛ آزمایش صادقانه یک حسابرسی از وابستگی‌های هر بخش، از جمله GDPR است.