موجة جديدة من ابتكارات Bittensor في مجال الذكاء الاصطناعي تظهر من الشبكات الفرعية اللامركزية للشبكة، ويُظهر ملخص هذا الأسبوع إلى أي مدى امتد النظام البيئي إلى ما بعد تعدين العملات المشفرة ليشمل علم الجينوم، واكتشاف الأدوية، وتنبؤات الأسواق، ومبيعات المؤسسات. بين 27 يوليو و2 أغسطس 2026، نشرت الفرق التي تبني على Bittensor أبحاثًا جديدة، وأطلقت عملية تدريب ضخمة تمتد عبر ثلاث قارات، ونقلت أحمال عمل حقيقية للمؤسسات عبر بنية تحتية لامركزية لأول مرة.
Summary
أهم النقاط
- شارك Minos في تأليف ورقة بحثية مع OpenAI حول الحوسبة العلمية في عصر الذكاء الاصطناعي الوكيلي، مع تسليط الضوء على محرك HelixForge المعتمد على وحدات GPU كدراسة حالة أساسية.
- عمل HelixForge بسرعة أكبر بـ 60 مرة من BamSurgeon على معيار مطابق وقلّل خطأ تردد الطفرات بأكثر من النصف.
- أطلقت Macrocosmos تدريب Orion-16B، وهو نموذج يحتوي على 16 مليار مُعامِل يعمل على IOTA عبر ثلاث قارات مع حوض حوسبة يتوسع حتى 256 وحدة GPU.
- أكملت Beam أول عملية نقل لامركزية من شبكة فرعية إلى أخرى، حيث نقلت 107 جيجابايت بين Cloudflare R2 وHippius في حوالي ست دقائق.
- شغّلت Engy نموذج Kimi K3 الذي يحتوي على 2.8 تريليون مُعامِل على 80 وحدة GPU من نوع RTX 5090 مخصصة للمستهلكين، دون استخدام أي عتاد من مراكز البيانات.
أبحاث مبتكرة في الذكاء الاصطناعي وتطورات في محركات GPU
شارك Minos في تأليف ورقة بحثية جديدة مع OpenAI بعنوان “الحوسبة العلمية في عصر الذكاء الاصطناعي الوكيلي”، وهو تعاون يضفي ثقلًا أكاديميًا على العمل المتداول بالفعل داخل الشبكات الفرعية البحثية لـ Bittensor. تتركز دراسة الحالة الأكثر تعقيدًا في الورقة حول HelixForge، وهو محرك أصيل لوحدات GPU من تطوير Minos، يُستخدم لتوليد الجينومات المخفية لتقييم SN107 لأغراض القياس المرجعي.
على معيار مطابق مقابل BamSurgeon، وهو أداة واسعة الاستخدام في علم الجينوم، عمل HelixForge بسرعة أكبر بـ 60 مرة من البداية إلى النهاية وقلّل خطأ تردد الطفرات بأكثر من النصف. هذا النوع من مكاسب السرعة مهم لأن أعباء عمل المحاكاة الجينومية معروفة ببطئها الشديد واستهلاكها الكبير للحوسبة؛ إذ يشير النهج الأصيل لوحدات GPU الذي يقلل زمن التشغيل وهامش الخطأ في آن واحد إلى أن نموذج الحوسبة اللامركزية لـ Bittensor يمكنه منافسة، وفي بعض الحالات التفوق على، البرمجيات العلمية الراسخة. لماذا يهم هذا الأمر: إذا صمدت أرقام HelixForge أمام مزيد من التدقيق، فإنه يضع الأبحاث المرتبطة بـ Bittensor كمساهم شرعي في علم الأحياء الحاسوبي، وليس مجرد ظاهرة هامشية مرتبطة بالكريبتو.
تدريب نماذج ذكاء اصطناعي واسعة النطاق على عتاد لامركزي
أكبر قصة بنية تحتية هذا الأسبوع هي إطلاق Macrocosmos لنموذج Orion-16B، وهو تشغيل تدريب حي لنموذج يحتوي على 16 مليار مُعامِل مبني على IOTA. على عكس بناء مركز بيانات مركزي تقليدي، يتم تدريب هذا النموذج في وقت واحد عبر ثلاث قارات باستخدام مزيج غير متجانس من وحدات GPU من نوع RTX 4090 وRTX 5090 المخصصة للمستهلكين.
تدريب Orion-16B عبر ثلاث قارات
ما يميز Orion-16B عن سلفه Orion-100B هو طبيعة حوض الحوسبة الخاص به. بدلًا من الاعتماد على مجموعة ثابتة ومُدقَّقة من الآلات، يستخدم هذا التشغيل حوضًا غير مُقيَّد وغير متوقع من المساهمين، يتوسع حتى 256 وحدة GPU في أي وقت. هذا الاختيار التصميمي هو اختبار مباشر لما إذا كان يمكن تدريب النماذج الكبيرة بشكل موثوق عندما يكون عرض العتاد الأساسي متقلبًا ومفتوحًا لأي شخص يرغب في المساهمة بدورات حوسبة. إنه ابتعاد ذو دلالة عن الطريقة التي تتبعها معظم المختبرات المتقدمة في التدريب، حيث تكون الحوسبة مركزية التحكم ويمكن التنبؤ بها.
Engy تشغّل Kimi K3 على وحدات GPU مخصصة للمستهلكين
بشكل منفصل، تمكن فريق Engy من تشغيل نموذج Kimi K3 الكامل الذي يحتوي على 2.8 تريليون مُعامِل على 80 وحدة GPU من نوع RTX 5090 مخصصة للمستهلكين، دون استخدام أي عتاد من فئة مراكز البيانات أو شبكات متخصصة. تخطط Engy لفتح الوصول إلى النموذج عبر منصتها الخاصة. يوضح هذا الإنجاز أن النماذج المفتوحة على مستوى الحدود القصوى لا تتطلب بالضرورة البنية التحتية الحصرية والمكلفة التي كانت تقليديًا تعيق الوصول إلى أحدث تقنيات الذكاء الاصطناعي. لهذا الأمر آثار حقيقية على من يمكنه تشغيل والتجربة مع أكبر النماذج المفتوحة المتاحة اليوم.
نقل بيانات لامركزي وتوسّع البنية التحتية
أكملت Beam أول عملية نقل لامركزية من شبكة فرعية إلى أخرى هذا الأسبوع، حيث نقلت 107 جيجابايت من البيانات من Cloudflare R2 إلى Hippius في حوالي ست دقائق. يبدو هذا إنجازًا صغيرًا في الظاهر لكنه يحمل نقطة أكبر خلفه: للمرة الأولى، انتقلت البيانات بين شبكتين فرعيتين لامركزيتين متميزتين دون الاعتماد على وسيط مركزي يتولى المسار بأكمله.
أنفاق Beam التي تربط البيانات الخاصة والسحابية
تهدف المرحلة التالية، Beam Tunnels، إلى توسيع هذه الشبكة نفسها لتشمل مصادر البيانات الخاصة، وربط الأنظمة المحلية (on-premise) وتخزين السحابة مباشرة بالشبكات الفرعية لـ Bittensor. معًا، يدفع النقل المكتمل وميزة الأنفاق القادمة Beam نحو أن تصبح طبقة بيانات قابلة للبرمجة تقع بين شبكة Bittensor اللامركزية والبنية التحتية المؤسسية التي تشغّلها الشركات بالفعل. هذا النوع من نقل البيانات اللامركزي مهم من أجل التبنّي لأنه يقلل الاحتكاك أمام الشركات التي ترغب في الاستفادة من حوسبة ونماذج Bittensor دون تمزيق إعدادات السحابة أو الأنظمة المحلية الحالية لديها.
تطبيقات عملية للذكاء الاصطناعي وشراكات في نظام Bittensor البيئي
بعيدًا عن اختراقات البنية التحتية والتدريب، تقوم عدة شبكات فرعية بتحويل الأبحاث إلى منتجات قابلة للنشر، وربما يكون هذا هو المكان الذي يظهر فيه الدليل الأكثر ملموسية على قيمة Bittensor.
مرشحات Nanobody من Metanova وYalotein
بدأت Metanova في إنتاج أفضل مرشحات nanobody الخاصة بـ NOVA بالشراكة مع Yalotein، وإرسال الجزيئات للاختبار المخبري. تم اختيار المرشحات من خلال مسابقة Metanova المعتمدة على Bittensor، والخطوة التالية هي تحديد ما إذا كانت هذه الجزيئات المصممة حاسوبيًا تعمل بالفعل في تجارب فيزيائية حقيقية. إنها نقطة تحقق حاسمة: يمكن للتصميم الحاسوبي توليد مرشحات واعدة بسرعة، لكن النتائج المخبرية وحدها يمكنها تأكيد ما إذا كان العلم يترجم إلى الواقع.
نموذج التنبؤ الخاص بـ Synth، وتجربة Leadpoet مع Dropbox، وعرض Babelbit للترجمة
نشرت Synth ورقة بحثية توضح كيف قامت بمواءمة نموذج TimesFM 2.5 من Google من أجل مسابقة التنبؤ الخاصة بـ SN50. بدلًا من التنبؤ بنتيجة محتملة واحدة، يرسم النموذج المعدّل عدة مسارات سوقية محتملة مع عدم اليقين المرتبط بكل منها. ومن اللافت أن Synth جعلت النموذج تنافسيًا على SN50 بأقل من ساعة تدريب على وحدة GPU واحدة مخصصة للألعاب، مما يشير إلى أن التكييف الماهر يمكن أن يكون أهم من القدرة الحاسوبية الخام في مهام التنبؤ.
على جانب المؤسسات، تقوم Dropbox وأحد شركائها في قنوات المبيعات بتجربة Leadpoet، وهي أداة مصممة لمساعدة فرق المبيعات على تحديد الشركات الأكثر احتمالًا للتحول إلى عملاء، حتى يعرف المندوبون من يجب إعطاؤه الأولوية. في الوقت نفسه، أجرت Babelbit مقارنة مباشرة حية لترجمة خطابها مقابل Google على نفس نشرة الأخبار الألمانية. في ذلك العرض، بدا أن واجهة برمجة اللغات (Language API) الخاصة بـ Babelbit أوضح وأكثر دقة، مع ترددات وعبارات مشوشة أقل من منافسها.
مجتمعة، تُظهر تطورات هذا الأسبوع اقتصاد الشبكات الفرعية لـ Bittensor وهو يدفع في آن واحد نحو أبحاث الجينوم، وتدريب النماذج الموزعة، وحركة بيانات المؤسسات، ومنتجات الذكاء الاصطناعي التطبيقية. الخيط المشترك هو أن الحوسبة اللامركزية غير المقيّدة تثبت قدرتها على التعامل مع أعباء عمل كان يُعتقد سابقًا أنها تتطلب بنية تحتية مركزية محكمة التحكم — وهو ادعاء سيخضع لمزيد من التدقيق فقط مع نضوج هذه التجارب التشغيلية وعمليات التدريب إلى استخدام إنتاجي.
الأسئلة الشائعة
ما هو HelixForge وكيف يكون أداؤه مقارنة بالمحركات السابقة؟
HelixForge هو محرك أصيل لوحدات GPU طوّره Minos ويعمل بسرعة أكبر بـ 60 مرة من BamSurgeon على معايير مطابقة ويقلل خطأ تردد الطفرات بأكثر من النصف، مما يجعله دراسة حالة بارزة في الورقة البحثية المشتركة مع OpenAI حول الحوسبة العلمية.
كيف يتم تدريب نموذج الذكاء الاصطناعي Orion-16B بطريقة فريدة؟
يتم تدريب Orion-16B عبر ثلاث قارات باستخدام مزيج غير متجانس من وحدات GPU من نوع RTX 4090 وRTX 5090 المخصصة للمستهلكين، مستفيدًا من حوض حوسبة غير مقيّد يمكن أن يتوسع حتى 256 وحدة GPU، وهو إعداد أكثر عدمًا في القدرة على التنبؤ مقارنة بتشغيل Orion-100B السابق.
ما التقدم الذي تم إحرازه في نقل البيانات اللامركزي داخل نظام Bittensor البيئي؟
نفذت Beam بنجاح أول عملية نقل لامركزية بين الشبكات الفرعية، حيث تم نقل 107 جيجابايت من Cloudflare R2 إلى Hippius في حوالي ست دقائق، وهي الآن تتوسع مع Beam Tunnels لربط الأنظمة المحلية الخاصة وتخزين السحابة بالشبكات الفرعية لـ Bittensor.
ما التطبيقات العملية التي تظهر من جهود الذكاء الاصطناعي المرتبطة بـ Bittensor؟
تشمل التطبيقات الاختبارات المخبرية المبكرة لمرشحات nanobody من Metanova وYalotein، ونموذج التنبؤ المعدّل من Synth لمسارات السوق، وتجربة Dropbox لأداة المبيعات Leadpoet، وعرض Babelbit الحي لترجمة الكلام بالمقارنة مباشرة مع Google.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”ما هو HelixForge وكيف يكون أداؤه مقارنة بالمحركات السابقة؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”HelixForge هو محرك أصيل لوحدات GPU طوّره Minos ويعمل بسرعة أكبر بـ 60 مرة من BamSurgeon على معايير مطابقة ويقلل خطأ تردد الطفرات بأكثر من النصف، مما يجعله دراسة حالة بارزة في الورقة البحثية المشتركة مع OpenAI حول الحوسبة العلمية.”}},{“@type”:”Question”,”name”:”كيف يتم تدريب نموذج الذكاء الاصطناعي Orion-16B بطريقة فريدة؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”يتم تدريب Orion-16B عبر ثلاث قارات باستخدام مزيج غير متجانس من وحدات GPU من نوع RTX 4090 وRTX 5090 المخصصة للمستهلكين، مستفيدًا من حوض حوسبة غير مقيّد يمكن أن يتوسع حتى 256 وحدة GPU، وهو إعداد أكثر عدمًا في القدرة على التنبؤ مقارنة بتشغيل Orion-100B السابق.”}},{“@type”:”Question”,”name”:”ما التقدم الذي تم إحرازه في نقل البيانات اللامركزي داخل نظام Bittensor البيئي؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”أكملت Beam أول عملية نقل لامركزية من شبكة فرعية إلى أخرى، حيث نقلت 107 جيجابايت من Cloudflare R2 إلى Hippius في حوالي ست دقائق، وهي الآن تتوسع مع Beam Tunnels لربط الأنظمة المحلية الخاصة وتخزين السحابة بالشبكات الفرعية لـ Bittensor.”}},{“@type”:”Question”,”name”:”ما التطبيقات العملية التي تظهر من جهود الذكاء الاصطناعي المرتبطة بـ Bittensor؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”تشمل التطبيقات الاختبارات المخبرية المبكرة لمرشحات nanobody من Metanova وYalotein، ونموذج التنبؤ المعدّل من Synth لمسارات السوق، وتجربة Dropbox لأداة المبيعات Leadpoet، وعرض Babelbit الحي لترجمة الكلام بالمقارنة مباشرة مع Google.”}}]}
تم إعداد المقال بمساعدة الذكاء الاصطناعي ومراجعته من قبل الفريق التحريري.
