دمج الذكاء الاصطناعي والتمويل اللامركزي: ما وراء ألعاب AlphaGo على السلسلة (I)

مقدمة: عندما يصبح الذكاء الاصطناعي "اللاعب الجديد" في الألعاب على السلسلة

في عام 2025، تجاوز إجمالي القيمة المقفلة (TVL) في بروتوكولات التمويل اللامركزي (DeFi) العالمية 100 مليار دولار، ومع ذلك لا تزال قضايا مثل عدم كفاءة السوق وتجزئة السيولة دون حل. وفي الوقت نفسه، أدخل النمو الهائل لتقنيات الذكاء الاصطناعي (مثل GPT-4 و Llama 2) متغيرًا جديدًا في التمويل اللامركزي—وكلاء الذكاء الاصطناعي. لا تستطيع هذه "الروبوتات" الموجودة على السلسلة تنفيذ الاستراتيجيات المحددة مسبقًا فحسب، بل يمكنها أيضًا تحسين القرارات ديناميكيًا من خلال التعلم الآلي وحتى الانخراط في الألعاب مع أنظمة الذكاء الاصطناعي الأخرى. ومع ذلك، فإن هذه الثورة التكنولوجية مصحوبة بخلافات حادة: هل سيدفع الذكاء الاصطناعي التمويل اللامركزي نحو هاوية ألعاب المحصلة الصفرية؟ كيف يمكن ضمان العدالة في الأسواق الموجودة على السلسلة؟

في الجزء الأول، سنلقي نظرة متعمقة على الحالة المميزة ونكشف عن المسار التقني لدمج الذكاء الاصطناعي والتمويل اللامركزي، وفي الجزء الثاني، سنركز على التأثير الاقتصادي والمخاطر المحتملة.

الذكاء الاصطناعي يعيد تشكيل المنطق الأساسي للتمويل اللامركزي

1.1 الاحتياجات التطورية للتمويل اللامركزي

منذ دمج تقنية البلوك تشين مع التمويل اللامركزي (DeFi)، شهد النظام البيئي للتمويل اللامركزي ابتكارًا وتطورًا سريعًا. في المراحل المبكرة، كان المبدأ الأساسي للتمويل اللامركزي هو "الكود هو القانون"، مما يعني أن جميع البروتوكولات وسلوكيات المعاملات كانت تخضع لسيطرة العقود الذكية، مما يقلل الاعتماد على الوسطاء. ومع ذلك، مع توسع نطاق السوق وارتفاع أحجام المعاملات، تغيرت احتياجات التمويل اللامركزي، مع ظهور عمليات مالية أكثر تعقيدًا ومتطلبات استراتيجية، مما يدفع التمويل اللامركزي نحو اتجاهات أكثر دقة وذكاءً.

التداول عالي التردد وإدارة السيولة واستراتيجيات المراجحة—شائعة جدًا في الأسواق المالية التقليدية—تغلغلت تدريجيًا في عالم التمويل اللامركزي. مع تزايد تقلبات السوق وتعقيدها، لم تعد القواعد التقليدية والخوارزميات الثابتة قادرة على تلبية المتطلبات. في هذه المرحلة، يصبح إدخال الذكاء الاصطناعي أمرًا أساسيًا لحل هذه المشكلة. من خلال التعلم العميق وخوارزميات التحسين، يمكن للذكاء الاصطناعي تحليل كميات هائلة من بيانات السوق في الوقت الفعلي لصياغة استراتيجيات تداول وحلول إدارة سيولة أكثر دقة. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي أن يساعد في زيادة خفض الحواجز أمام استخدام مشاريع التمويل اللامركزي. يمكن أن يؤدي إجراء سلسلة من التفاعلات على السلسلة من خلال وكلاء الذكاء الاصطناعي باستخدام أوامر اللغة الطبيعية إلى تقليل تكاليف تعلم المستخدم بشكل كبير.

1.2 التأثيرات التآزرية للذكاء الاصطناعي والتمويل اللامركزي

مع التقدم المستمر في تكنولوجيا الذكاء الاصطناعي، يتحول مجال التمويل اللامركزي تدريجيًا من نماذج تعتمد على التعليمات البرمجية البحتة إلى نماذج ذكية تعتمد على البيانات في اتخاذ القرارات. لا يساعد الذكاء الاصطناعي في تحسين كفاءة تنفيذ الاستراتيجية فحسب، بل يكتشف أيضًا الفرص والمخاطر المحتملة في السوق من خلال تحليل البيانات المتعمق، وبالتالي تعزيز مستوى ذكاء نظام التمويل اللامركزي بأكمله.

1.2.1 ميزة المعلومات: تكامل البيانات الموجودة على السلسلة وخارجها

في بروتوكولات التمويل اللامركزي التقليدية، تأتي بيانات السوق بشكل أساسي من المعلومات الموجودة على السلسلة، مثل بيانات معاملات البلوك تشين وأرصدة مجمعات الأصول وحالات مجمعات السيولة. ومع ذلك، فإن إدخال الذكاء الاصطناعي يمكّن التمويل اللامركزي من الجمع بين البيانات الموجودة خارج السلسلة والبيانات الموجودة على السلسلة بشكل عضوي، مما يزيد من تعزيز القدرات التنبؤية. على سبيل المثال، من خلال تقديم أوراكل لتوفير بيانات الأسعار خارج السلسلة وتحليل هذه البيانات باستخدام تكنولوجيا التعلم الآلي، يمكن للذكاء الاصطناعي التنبؤ بدقة أكبر باتجاهات أسعار السوق، وبالتالي المساعدة في صياغة استراتيجيات تداول فعالة. هذه الميزة المتمثلة في تكامل المعلومات تجعل الذكاء الاصطناعي أداة تكنولوجية مهمة في بروتوكولات التمويل اللامركزي.

1.2.2 ترقية الألعاب: أتمتة MEV

في الأنظمة المالية اللامركزية، كانت قيمة MEV (Miner Extractable Value) القابلة للاستخراج من قبل المعدنين باستمرار موضوعًا ساخنًا يثير القلق. تشير MEV إلى الإيرادات الإضافية التي يمكن للمعدنين الحصول عليها عن طريق تعديل ترتيب المعاملات في الكتلة. في الماضي، اعتمد استخراج MEV بشكل أساسي على الاستراتيجيات والعمليات اليدوية، والتي لم تكن غير فعالة فحسب، بل تأثرت أيضًا بسهولة بالعوامل البشرية.

ومع ذلك، مع تطور تكنولوجيا الذكاء الاصطناعي، تطورت طرق استخراج MEV من القنص اليدوي التقليدي إلى العمليات الذكية الآلية. يمكن للذكاء الاصطناعي تحليل البيانات الموجودة على السلسلة في أجزاء من الألف من الثانية وتحسين ترتيب المعاملات من خلال الخوارزميات لزيادة العائدات إلى أقصى حد. هذا التحول لا يحسن الكفاءة فحسب، بل يدفع أيضًا بروتوكولات التمويل اللامركزي نحو اتجاهات أكثر كفاءة وعدالة. مع أتمتة الذكاء الاصطناعي، تتم إعادة تعريف قواعد اللعبة في أسواق التمويل اللامركزي.

1.3 تعريف واضح لـ DeFAI

يمثل DeFAI (DeFi + AI) نتاج التكامل العميق بين التمويل اللامركزي (DeFi) والذكاء الاصطناعي (AI)، ويهدف إلى تعزيز ذكاء النظام البيئي للتمويل اللامركزي، وتجربة المستخدم، وكفاءة رأس المال. يتمثل جوهره في تحقيق اتخاذ القرارات الآلي، وتنفيذ المهام المعقدة (مثل التداول، وتحسين العائد، والعمليات عبر السلاسل)، وتجريد تفاعلات المستخدم (مثل تعليمات اللغة الطبيعية) من خلال وكلاء الذكاء الاصطناعي، وبالتالي خفض الحواجز أمام استخدام التمويل اللامركزي وتحسين الاستراتيجيات المالية.

سيناريوهات التطبيق الأساسية للذكاء الاصطناعي في التمويل اللامركزي

2.1 تنفيذ العمليات المدفوعة بالذكاء الاصطناعي

من خلال تجميع نماذج أو وكلاء الذكاء الاصطناعي المختلفة ودمج واجهات برمجة التطبيقات (APIs) من تطبيقات التمويل اللامركزي المختلفة، يمكن للمستخدمين تنفيذ عمليات التمويل اللامركزي بسرعة من خلال واجهة دردشة تشبه ChatGPT. يعزز هذا المزيج بين DeFAI تجربة المستخدم على السلسلة، مما يوفر واجهة شاملة لعمليات التمويل اللامركزي. لم يعد المستخدمون بحاجة إلى التنقل بين واجهات المستخدم المختلفة لتنفيذ عمليات التمويل اللامركزي، ولا يحتاجون إلى البحث وتعلم كيفية الجمع بين البروتوكولات المختلفة لتحقيق النتائج المرجوة، مثل مبادلة 100 SOL إلى USDC ثم إيداعها في بروتوكول إقراض. يحتاج المستخدمون فقط إلى نقل نواياهم من خلال الدردشة في واجهة الدردشة.

مثال: Bankr

Bankr هي منصة مدفوعة بالذكاء الاصطناعي تستفيد من التكنولوجيا المتقدمة وتتكامل مع مزود محفظة الطرف الثالث Privy لإنشاء محافظ رقمية بشكل آمن وتسهيل معاملات البلوك تشين، بما في ذلك تداول ونقل الأصول الرقمية. (فيديو تجريبي: https://x.com/bankrbot/status/1893788678776070481)

مثال: Griffain

مشروع DeFAI (DeFi + AI) يعتمد على بلوك تشين Solana، ويتمثل تمركزه الأساسي في كونه محرك وكيل للذكاء الاصطناعي، ويهدف إلى تبسيط عمليات التمويل اللامركزي من خلال التفاعل باللغة الطبيعية، وتحقيق اتصال سلس بين احتياجات المستخدم والنظام البيئي للبلوك تشين. يمكن للمستخدمين التفاعل مباشرة مع بروتوكولات التمويل اللامركزي من خلال تعليمات لغوية شبيهة بالبشر (مثل "شراء 200 دولار أمريكي من عملة SOL" أو "التحويل عبر السلاسل والتخزين") دون الحاجة إلى تشغيل العقود الذكية يدويًا أو فهم التفاصيل التقنية الأساسية.

تنشر Griffain العديد من الوكلاء المتخصصين داخليًا، ويركز كل منهم على مهام محددة:

وكيل إدارة عمليات الإنزال الجوي: يتتبع ويطالب تلقائيًا بعمليات الإنزال الجوي المؤهلة؛

وكيل تحسين العائد: يحلل البيانات الموجودة على السلسلة ويعدل تخصيص الأصول ديناميكيًا لزيادة العائدات إلى أقصى حد؛

وكيل إدارة المحافظ: يراقب مخاطر الأصول ويقدم اقتراحات لإعادة التوازن؛

بحث عن الرموز: ينشئ تقارير بناءً على المعلومات الموجودة على السلسلة.

2.2 تقييم الائتمان وإدارة المخاطر

يعتبر تقييم الائتمان وإدارة المخاطر في التمويل اللامركزي أمرًا أساسيًا لضمان استقرار البروتوكول وأمن أموال المستخدمين. بالمقارنة مع الأنظمة المالية التقليدية، لا يزال نظام الائتمان الخاص بالتمويل اللامركزي غير كامل، حيث يعتمد تقييم ائتمان المستخدم بشكل أساسي على الضمانات. ومع ذلك، فإن إدخال تكنولوجيا الذكاء الاصطناعي يوفر فرصًا أكثر ابتكارًا لبروتوكولات التمويل اللامركزي، وخاصة في تقييم الائتمان والتحكم في المخاطر.

مثال: نموذج تسجيل الائتمان بالذكاء الاصطناعي الخاص بـ Spectral Finance

قدمت Spectral Finance لأول مرة درجة Multi-Asset Credit Risk Oracle (MACRO) في عام 2022، حيث جمعت سلوك المستخدمين على السلسلة مع بيانات التاريخ الائتماني لتقديم تحليل أكثر ذكاءً لمخاطر الائتمان لأسواق الإقراض.

العوامل الأساسية لنموذج درجة MACRO

تعتمد درجة MACRO الخاصة بـ Spectral Finance على بيانات متعددة الأبعاد، بما في ذلك الإقراض والسداد وتاريخ التصفية وحتى عوامل تقلبات السوق. تتم معالجة هذه البيانات كميًا من خلال نماذج التعلم الآلي لتزويد المستخدمين بدرجات ائتمانية دقيقة. تعتمد الدرجات الائتمانية للمستخدمين على عدة عوامل رئيسية:

تاريخ الإقراض والسداد والإيداع: سلوك معاملات المستخدم على بروتوكولات التمويل اللامركزي، وخاصة تكرار وموثوقية الإقراض والسداد.

تاريخ التصفية: تأثير سجلات التصفية من عناوين المحفظة الأخرى في محفظة المستخدم على تقييم الائتمان.

عوامل الصحة: مثل نسبة القرض إلى القيمة (LTV) وتقييم عوامل مخاطر السوق الأخرى.

طول تاريخ المحفظة واتجاهات المعاملات: يؤثر وقت استخدام المحفظة وأنماط المعاملات أيضًا على الدرجات الائتمانية.

تقلبات السوق والتفاعل مع بروتوكولات الإقراض: يلعب تكرار التفاعل مع بروتوكولات التمويل اللامركزي المختلفة وتقلبات السوق أيضًا أدوارًا مهمة في تقييم الائتمان.

رموز NFC (ائتمان غير قابل للاستبدال) وإدارة الائتمان

لتعزيز انعكاس واستخدام رصيد المستخدمين في النظام البيئي للتمويل اللامركزي (DeFi)، قدمت Spectral Finance رموز Non-Fungible Credit (NFC). رموز NFC هي رموز ERC721 تمثل سجل معاملات المستخدمين على السلسلة. يحمل كل رمز NFC درجة MACRO الخاصة بالمستخدم ويمكنه إعادة حساب الدرجة عند بدء قروض جديدة.

حاليًا، تحولت Spectral نحو تطوير إطار عمل وكيل الذكاء الاصطناعي في ورقتها البيضاء، على الرغم من أن نموذج تقييم الائتمان بالذكاء الاصطناعي الخاص بها لا يزال استكشافًا جيدًا.

2.3 الاستراتيجيات الآلية وتحسين العائد

في سوق التمويل اللامركزي (DeFi)، تعتبر الاستراتيجيات الآلية وتحسين العائد أمرًا أساسيًا لتحسين عوائد المستخدمين وتقليل مخاطر الاستثمار. مع التقدم المستمر في تكنولوجيا الذكاء الاصطناعي والتعلم الآلي، بدأت العديد من البروتوكولات المبتكرة في استكشاف كيفية استخدام هذه التقنيات لأتمتة قرارات الاستثمار وتخصيص الأصول لتحقيق تحسين أكثر كفاءة للعائد. يعتبر ARMA و Amplifi Lending Agents مثالين نموذجيين يساعدان المستخدمين على تحقيق عوائد استثمارية أفضل في سوق التمويل اللامركزي من خلال الأتمتة والذكاء.

حالة: بروتوكول إدارة الأصول ARMA

ARMA هو بروتوكول آلي لإدارة العائد تم تطويره بواسطة Giza Tech ويركز على أصول USDC. يراقب ARMA باستمرار ويقيم الفرص عبر البروتوكولات مثل AAVE و Morpho و Compound و Moonwell، ويعيد تخصيص الأموال تلقائيًا إلى المجمعات ذات العائد الأعلى. تشمل وظائفه الأساسية إعادة تخصيص الأصول تلقائيًا، وتحسين العائد، وتقليل تكلفة المعاملات، والحفاظ على أمان قوي وتحكم كامل للمستخدم.

تعمل استراتيجية تحسين العائد الخاصة بـ ARMA من خلال عدة جوانب:

إعادة التوازن التلقائي عبر البروتوكولات: يحلل ARMA معدلات الإقراض في الوقت الفعلي عبر بروتوكولات إقراض متعددة، ويقيم APR ومكافآت البروتوكول ومكافآت النظام البيئي وتكاليف المعاملات، ثم ينقل الأموال تلقائيًا إلى المجمعات الأكثر ملاءمة. يضمن هذا التعديل الديناميكي قدرة المستخدمين على زيادة العوائد إلى أقصى حد.

آلية المضاعفة الذكية: يطالب ARMA تلقائيًا بالأرباح المتراكمة ويعيد استثمارها، ويستبدل جميع رموز المكافآت مرة أخرى بالعملة المستقرة الأصلية، مما يزيد من تأثير المضاعفة. يتم تحسين تردد المضاعفة ديناميكيًا بناءً على حجم المركز و APR وتكاليف المعاملات، مما يزيد من العوائد.

منطق تبادل الرموز: يستخدم ARMA عملات USDC و USDT للوصول إلى مجموعة واسعة من فرص العائد. عندما يكون الفرق في العائد بين الرموز المختلفة كبيرًا، ينفذ ARMA عمليات تبادل الرموز لتحسين العوائد. يتم إجراء جميع العمليات من خلال بروتوكولات DEX المتكاملة، مما يضمن قدرة المستخدمين على سحب رموز الإيداع الأصلية الخاصة بهم في أي وقت.

حالة: استراتيجية الاستثمار Amplifi Lending Agents

Amplifi Lending Agents هي أداة آلية لتحسين استراتيجية الإقراض تم تطويرها بواسطة Amplifi.Fi بناءً على خوارزميات الذكاء الاصطناعي. يعمل البروتوكول على تحسين سلوك الإقراض واستراتيجيات توليد العائد للمستخدمين في سوق التمويل اللامركزي من خلال التعلم العميق وتحليل البيانات. هدفه الأساسي هو مساعدة المستخدمين على تحقيق أفضل عوائد استثمارية في بيئات السوق المعقدة من خلال تخصيص الأصول الذكي وإدارة المخاطر وتحسين العائد.

source：https://amplifi-2.gitbook.io/documentation

وظائف Amplifi Lending Agents الأساسية:

إدارة الأصول الديناميكية (التحسين وإعادة التوازن): يعمل محرك الذكاء الاصطناعي/التعلم الآلي الخاص بـ Amplifi على تحسين تخصيص الأصول باستمرار بناءً على استراتيجيات مؤسسية خاصة. يقوم تلقائيًا بإعادة تخصيص الأصول إلى المجمعات ذات العائد الأعلى ويضمن الإدارة الفعالة لاستراتيجيات Bitcoin والعملات المستقرة.

وظيفة عبر السلاسل: من خلال Polyhedras zkBridge، يوفر Amplifi سيولة سلسة عبر السلاسل، دون الحاجة إلى قيام المستخدمين بسد الفجوة يدويًا أو دفع رسوم الغاز. يضمن zkBridge عمليات فعالة وآمنة عبر السلاسل، مما يبسط تجربة المستخدم مع تقليل المخاطر.

تجريد الحساب: يدعم Amplifi المعاملات الخالية من الغاز (المدفوعة من قبل الراعي) وتسجيل الدخول إلى Web2 (مثل Facebook و Gmail وما إلى ذلك)، مما يسهل على المستخدمين إنشاء وإدارة المحافظ. بهذه الطريقة، يبسط Amplifi عمليات التمويل اللامركزي، مما يسمح للمستخدمين غير المألوفين بتقنية blockchain بالمشاركة بسهولة.

استراتيجيات Amplifi الذكية: يجمع محرك الذكاء الاصطناعي/التعلم الآلي الخاص بـ Amplifi بين خوارزميات التحسين المتعددة، بما في ذلك الخوارزميات التطورية والتدرج اللوني ونظرية Markowitz للمحفظة. توازن هذه الاستراتيجيات بين المخاطر والعائد من خلال طرق مرجحة وتحسين تخصيص الأصول باستمرار لضمان تحقيق المستثمرين أفضل العوائد في ظل ظروف السوق المختلفة.

استراتيجية التحسين: تقوم Amplifi باستمرار بتقييم تغيرات السوق وتعديل تخصيص الأصول ديناميكيًا من خلال التطبيق الشامل لتقنيات تعلم الآلة للحفاظ على عوائد سنوية مستقرة (APY). عندما تتجاوز تقلبات APY العتبات المعقولة، يقوم النظام تلقائيًا بتشغيل استراتيجيات إعادة التخصيص لضمان أن تكون المحفظة دائمًا في حالة مثالية.

إعادة تخصيص الأصول: من خلال مراقبة تغييرات APY على منصات DeFi (مثل AAVE)، يمكن لـ Amplifi إعادة تخصيص الأصول تلقائيًا عندما يتقلب APY بشكل كبير لزيادة عوائد المستخدم إلى أقصى حد.

2.4 تحليل السوق وتتبع المشاعر

يركز تحليل السوق وتتبع المشاعر بالذكاء الاصطناعي في DeFi على دعم اتخاذ القرارات المستندة إلى البيانات، مع وجود قدرات أساسية في التكامل في الوقت الفعلي للمعلومات متعددة الأبعاد وتحديد كمية مخاطر السوق. يمكن لأنظمة الذكاء الاصطناعي تحليل سلوكيات المعاملات على السلسلة (مثل التحويلات الكبيرة، وتغييرات مجمع السيولة)، ومشاعر وسائل التواصل الاجتماعي خارج السلسلة (مثل مشاعر Twitter)، ومؤشرات السوق الكلية (مثل تقلبات أسعار BTC) في وقت واحد، والتنبؤ باتجاهات تقلبات الأصول قصيرة الأجل من خلال نماذج تعلم الآلة وتحديد إشارات المخاطر المحتملة (مثل تحذيرات من ثغرات العقود أو مخاطر استنفاد السيولة). في الوقت نفسه، يستخدم الذكاء الاصطناعي تقنية معالجة اللغة الطبيعية لتسجيل الأحداث الإخبارية عاطفياً، وإنشاء اقتراحات لتخصيص الأصول ديناميكيًا أو تشغيل استراتيجيات التحوط التلقائي، مما يساعد المستخدمين على تقليل عدم تناسق المعلومات وتحسين كفاءة اتخاذ القرارات في بيئات السوق المعقدة.

مثال: AIXBT

أداة وكيل ذكاء اصطناعي متخصصة تركز على مجال العملات المشفرة، وتدمج تحليل البيانات في الوقت الفعلي وتقنية معالجة اللغة الطبيعية لتزويد المستخدمين برؤى حول اتجاهات السوق ودعم قرارات التداول. يمكنه تتبع وتحليل الموضوعات الشائعة ومشاعر السوق والمؤشرات الرئيسية على Crypto Twitter في الوقت الفعلي، مما يساعد المستثمرين على التقاط ديناميكيات الصناعة بسرعة وتحديد فرص الاستثمار المحتملة. تشمل وظائف AIXBT الأساسية تجميع البيانات من منصات متعددة، وتحليل المشاعر الاجتماعية، وتوليد الاستراتيجيات الآلية، والتفوق بشكل خاص في تحليل التغريدات من أكثر من 400 من قادة الرأي الرئيسيين (KOLs)، واستخلاص معلومات عالية القيمة، وتوليد اقتراحات تداول قابلة للتنفيذ.

بالإضافة إلى ذلك، يتمتع AIXBT بقدرات تفاعلية، مما يسمح للمستخدمين بالتواصل معه مباشرةً عبر وسائل التواصل الاجتماعي للحصول على تقارير تحليلية مخصصة. في المستقبل، مع نضوج تقنية وكيل الذكاء الاصطناعي، من المتوقع أن يقلل AIXBT بشكل أكبر من الحواجز التي تحول دون المشاركة في سوق العملات المشفرة، مما يدفع DeFi نحو اتجاهات أكثر ذكاءً وآلية.

الهيكل الفني والمشهد التنافسي

3.1 مسارات لنماذج الذكاء الاصطناعي على السلسلة

حاليًا، الاتجاه التنموي المحتمل الأكثر شيوعًا هو التنفيذ خفيف الوزن على السلسلة. يتضمن ذلك تقليل استهلاك موارد السلسلة عن طريق الحوسبة خارج السلسلة ودفع النتائج والإثباتات الحسابية. أحد الأساليب هو zkML.

يتحقق zkML من عملية الاستدلال لنماذج تعلم الآلة من خلال إثباتات عدم المعرفة الصفرية (مثل zkSNARKs)، مما يضمن صحة النتائج الحسابية دون الكشف عن معلمات النموذج أو بيانات الإدخال. عمليته الأساسية هي:

الحوسبة خارج السلسلة: قم بتشغيل نموذج ML خارج السلسلة لإنشاء نتائج الاستدلال.

إنشاء إثبات: استخدم تقنية zk لإنشاء إثبات رياضي موجز يشير إلى أن عملية الاستدلال تتوافق مع النموذج المحدد مسبقًا (مثل أوزان النموذج، والهندسة المعمارية) ولم يتم العبث بها.

التحقق على السلسلة: أرسل الإثبات إلى blockchain، حيث تتحقق العقود الذكية من شرعية النتائج عن طريق التحقق من الإثبات، دون الحاجة إلى إعادة تنفيذ الحساب.

تحل هذه الآلية مشكلة التكلفة العالية لتشغيل نماذج ML مباشرة على السلسلة (مثل القيود الحسابية لـ EVM) مع ضمان الشفافية ومقاومة الرقابة.

توجد بالفعل حالات استخدام ذات صلة، مثل إطار عمل ZKML الخاص بـ Modulus Labs.

تتمثل التقنية الأساسية لـ Modulus Labs في الحوسبة خارج السلسلة + التحقق على السلسلة، مع ميزات الإطار التي تشمل:

التحقق من سلامة تنفيذ الذكاء الاصطناعي: ضمان عدم العبث بنتائج استدلال نموذج الذكاء الاصطناعي من خلال إثباتات عدم المعرفة الصفرية (مثل ضمان أصالة مخرجات نموذج تقييم أسعار NFT). مثال: التعاون مع Upshot لوضع نتائج تقييم أسعار NFT التي تم إنشاؤها بواسطة الذكاء الاصطناعي (100 مليون في الساعة) على السلسلة من خلال إثباتات ZK، وتحقيق الجمع بين "قدرة الذكاء الاصطناعي + الأمان على السلسلة".

آلية مكافحة الغش: في سيناريوهات الألعاب (مثل AI Arena)، التحقق من الاتساق بين نماذج الذكاء الاصطناعي التي دربها اللاعبون والنماذج التي تم نشرها بالفعل في المسابقات، ومنع سلوكيات الغش المدفوعة بالمصالح الاقتصادية.

Open API: توفير واجهات برمجة تطبيقات "AI مقاومة للتلاعب" تسمح لمطوري dApp بدمج وظائف الذكاء الاصطناعي القابلة للتحقق دون التضحية بالأمان اللامركزي.

3.2 مقارنة المشاريع الرائدة

بالإضافة إلى طبقة البنية التحتية، المنافسة في طبقة تطبيقات DeFAI شديدة. بشكل عام، الحواجز أمام المنتج ليست عالية جدًا، ولم يتم العثور على أي بروتوكول تطبيق يتمتع باستقرار المنتج ودقته بشكل يفوق المنافسين الآخرين. وفي الوقت نفسه، يتم اختبار مدى ملاءمة المنتج للسوق (PMF) للتطبيقات الحالية من قبل المستخدمين. في البنية التحتية للذكاء الاصطناعي سريعة التطور اليوم، قد تظهر تطبيقات DeFAI أكثر فعالية في أي وقت، لتحل محل المشاريع الرائدة الحالية.

حاليًا، المشروع الرائد هو Griffain. يسمح منتجهم للمستخدمين بالتفاعل مع البلوك تشين من خلال اللغة الطبيعية ثم إجراء عمليات DeFi على السلسلة. سرعة تحديث منتج Griffain مثيرة للإعجاب. لديهم حاليًا منتجات مثل Agent Sniper و Agentic Commerce وتجميع واجهة برمجة تطبيقات متعددة الوكلاء (نظام الطاقة)، وما إلى ذلك، تم إطلاقها بالفعل، مع كون اتجاه البناء العام عبارة عن منصة تشغيل متكاملة للغة الطبيعية، مما يسمح للمستخدمين بتصفح وتشغيل مختلف المعلومات اليومية على السلسلة من خلال نافذة دردشة الروبوت.

مع استمرار الذكاء الاصطناعي في إعادة تشكيل مشهد DeFi من خلال البنى التقنية المتقدمة والتطبيقات المبتكرة، من الضروري إدراك المخاطر المحتملة والتحديات الأخلاقية التي تصاحب هذا التحول. في الجزء التالي من تحليلنا، سنتعمق في الجانب المظلم من DeFi المدفوعة بالذكاء الاصطناعي، ونستكشف المخاطر النظامية والعقبات التنظيمية والمعضلات الأخلاقية التي يمكن أن تحدد مستقبل هذا النظام البيئي الناشئ.