أعطِ الموضوع اهتماماً قليلاً.
قالت 0G إنها تجاوزت عتبة هامة قبل عدة أشهر. أعدت الآن تدريب نفس النموذج بشكل علني، بهدف إظهار ما يمكن أن تقدمه الذكاء الاصطناعي اللامركزي فعلياً ولماذا كان إنجازها السابق يستحق مزيداً من الاهتمام.
في يوليو 2025، دربت 0G نموذجاً بحجم 107 مليار معامل يسمى DiLoCoX-107B بالتعاون مع تشاينا موبايل. ظهر البحث لاحقاً على arXiv بعد مراجعة الأقران. وفقاً للورقة البحثية، حقق النظام كفاءة تواصل أفضل بـ357 مرة مقارنة بأساليب AllReduce التقليدية. حتى مع ذلك، بالكاد حقق الإنجاز انتشاراً في السوق.
ذكر الفريق أن التوقيت لم يخدمهم. في منتصف 2025، كان اهتمام سوق العملات المشفرة منصباً على انطلاق الشبكات الرئيسية وقصص التوكن، في حين أن النتائج التقنية لم تلقَ اهتماماً كبيراً. تمت معالجة العمل بجدية، لكنه لم ينل اهتماماً إلا من دائرة صغيرة تتابع المجال عن كثب.
أراد 0G الآن مع عودة الذكاء الاصطناعي اللامركزي للتصدر، أن يعيد هذا الإنجاز إلى الواجهة.
جهود إعادة التدريب العامة
تطرح الشركة هذه المرة عملية إعادة التدريب بشكل مفتوح أمام الجميع.
تخطط 0G لتوثيق كل مرحلة، بما في ذلك نقاط التحقق، ومقاييس التقارب، ومصادر البيانات. كما ذكرت أن العملية ستُتحقق من صحتها عبر بيئات التنفيذ الموثوقة باستخدام zerogAuth. عند إتمام العمل، ستتاح أوزان النموذج كمصدر مفتوح.
تسعى 0G في نهاية المطاف لإثبات أن الذكاء الاصطناعي اللامركزي يمكن تدقيقه، وإعادة إنتاجه، والتحقق منه بطريقة لا تستطيع معظم الأنظمة المغلقة مجاراتها.
أكثر من مجرد سباق للمعلمات
يدور معظم الحديث حول الذكاء الاصطناعي حتى الآن حول عدد المعاملات. تجذب الأرقام الأكبر الانتباه، لكن 0G تجادل أن قيمة النموذج تأتي من النظام الكامل حوله.
يفتتح الفريق الاختبار الفعلي من مرحلة التدريب ويواصل حتى التحقق، التخزين، الخدمة، والدمج داخل المنتجات العملية.
يُعد كفاءة الاتصال من أهم النقاط التقنية. يستخدم DiLoCoX موازاة الأنابيب، وسياسة محسن مزدوج للتحديثات المحلية والعالمية، وآلية تراكب التأخير بمرحلة واحدة، وضغط تدرج متكيف. بشكل مبسط، يقلل التصميم من كمية التواصل المطلوبة أثناء التدريب الموزع، والتي غالباً ما تكون نقطة البطء لهذه الأنظمة.
تدخل 0G النموذج أيضاً في منصة متكاملة تشمل التحقق على السلسلة، وتخزيناً لا مركزياً، وتوفر بيانات، واستدلالاً، وتسوية نهائية. يؤدي ذلك إلى خلق بيئة عمل حقيقية وليس مجرد عرض بحثي منفرد.
يأتي التحقق كجزء آخر من العرض. مع بيئات التنفيذ الموثوقة، يمكن للمستخدمين التحقق من أكثر من مجرد وجود النموذج. يستطيعون فحص كيف تم تدريبه وما البيانات التي دخلت في العملية. بالنسبة لـالذكاء الاصطناعي اللامركزي، يغير ذلك نموذج الثقة بشكل ملموس.
القصة الحقيقية هي النطاق الترددي
ذكرت 0G أن الجزء الأهم من نتيجة DiLoCoX-107B كان طريقة تدريب النموذج.
يقول الفريق إن نموذج 107 مليار تم تشغيله على اتصالات إنترنت عادية بسرعة واحد جيجابت في الثانية بدلاً من إعدادات مراكز البيانات المتخصصة. يشير هذا الأمر مباشرة إلى واحدة من أكبر الافتراضات في الذكاء الاصطناعي، وهي أن تدريب النماذج المتقدمة يتطلب ظروف شبكات نادرة ومكلفة.
إذا استمر هذا الحال مع مرور الوقت، قد يكون التأثير كبيرًا. تسهم المتطلبات التقنية المنخفضة في فتح الباب لمزيد من المشاركين، من مجموعات البحث إلى الشركات والمؤسسات العامة. في هذا السياق، تصبح عملية التنسيق هي التحدي الرئيسي، وتم بناء الأنظمة اللامركزية بالضبط من أجل هذا النوع من المشكلات.
نموذج تكلفة مختلف
تقول 0G أيضًا إن نظامها يقلل التكاليف بحوالي 95% مقارنة بالبدائل المركزية.
تعزو الشركة هذا الانخفاض إلى إزالة النفقات العامة المركزية المكلفة وليس إلى استخدام أجهزة أرخص. إذا استمرت هذه الأرقام في ظروف الاستخدام الواقعية، يصبح تدريب النماذج المتقدمة متاحًا لعدد أكبر بكثير من الجهات، بما في ذلك الجامعات، والشركات، والحكومات التي لا تمتلك ميزانية لإنفاق ضخم على الذكاء الاصطناعي.
قد يغير هذا مَن سيبني النماذج القوية أساسًا في المقام الأول.
هل يمكن للذكاء الاصطناعي اللامركزي أن ينافس؟
جادل المشككون منذ فترة طويلة أن الذكاء الاصطناعي اللامركزي لا يمكنه مجاراة الأداء. تعتقد 0G أن هذه المفاضلة التقليدية بدأت تضعف.
مع تحسن النتائج وانخفاض التكاليف، تتحول المناقشة إلى قضية المخرجات أكثر من الأيديولوجيا. هل يستطيع النظام تدريب نماذج قوية، والتحقق منها، والقيام بذلك بتكلفة يستطيع مزيد من الفرق تحملها؟
تظل المشاركة المفتوحة تنطوي على مخاطر حقيقية. يمكن أن يعرض التدريب الموزع الأنظمة لخطر تسميم البيانات، والتلاعب في التدرج، وتفاوت جودة المساهمين. تقول 0G إنها تعالج هذه القضايا من خلال ضمانات معمارية، واكتشاف الحالات الشاذة، والتحقق التشفيري.
ليس الهدف هو الأمان الكامل. الهدف هو جعل الإخفاقات مرئية وقابلة للتتبع.
ماذا تعني فعليًا تقنية الذكاء الاصطناعي القابل للتحقق
بالنسبة لـ 0G، يتمثل مفهوم الذكاء الاصطناعي القابل للتحقق في استبدال الثقة المبنية على السمعة بالثقة القائمة على الفحص.
بدلاً من أخذ مزود الخدمة عند كلمته، يحصل المستخدمون على طريقة للتحقق بشكل مستقل من كيفية تدريب النموذج وكيفية تشغيله. تمتلك هذه الفكرة قيمة واضحة في المجالات التي تحمل فيها المساءلة وزناً حقيقيًا، مثل المالية، والرعاية الصحية، والحكومة.
هنا يبدأ الذكاء الاصطناعي اللامركزي في التميز، مع أنظمة يمكن للناس فحصها بدلاً من مجرد الوثوق بها.
من عرض بحثي إلى نظام عملي
حقق مجال الذكاء الاصطناعي اللامركزي تقدمًا كبيرًا في فترة قصيرة. بدأت الأعمال المبكرة لإثبات المفهوم تفسح المجال لأنظمة مصممة للتدريب، والتحقق، والتخزين، والاستدلال، والتسوية الاقتصادية داخل بيئة واحدة.
ترغب 0G أن يقف نموذج DiLoCoX-107B كدليل على هذا التطور. يمثل الجهد العام لإعادة التدريب عملية بقدر ما يمثل أداء. تحاول الشركة إثبات أن الذكاء الاصطناعي اللامركزي يمكنه إنتاج نماذج قوية مع البقاء مفتوحًا للفحص.
الطريق إلى الأمام
تظل النماذج الأكبر في الأفق. تعتقد 0G أن النماذج التي تحتوي على مئات المليارات، وفي النهاية التريليونات، أصبحت في المتناول.
تعتمد المرحلة التالية بشكل أقل على طفرة علمية واحدة وتركز أكثر على تحسين التنسيق وتعزيز مشاركة الشبكة. في الذكاء الاصطناعي اللامركزي، قد يكون التنظيم بنفس أهمية القدرة الحسابية.
يعد إعادة تدريب دي لو كو اكس-107B محاولة لإعادة فتح نقاش تعتقد 0G أن السوق قد فاته في المرة الأولى. كما يشكل هذا اختبارًا إذا كان الذكاء الاصطناعي المفتوح والقابل للتحقق يمكن أن يجذب الانتباه بناءً على قوة النتائج بدلًا من الضجة الإعلامية.
تراهن الشركة حاليًا على أن إعادة التدريب العلنية، والتوثيق الشفاف، والوصول المفتوح ستمنح الذكاء الاصطناعي اللامركزي قاعدة أقوى في جولة المنافسة القادمة.
