التكنولوجيا

تبني Meta نظامًا بيئيًا لتوليد المحتوى بالذكاء الاصطناعي يرتكز على Llama، وتدمج الذكاء الاصطناعي في منتجاتها الاجتماعية وأنظمتها الإعلانية وأجهزتها الذكية، مما يمنحها موقعًا تنافسيًا متميزًا في مواجهة Google وOpenAI والآخرين.

تُعد نظارات Meta الذكية فئة من أجهزة الحوسبة القابلة للارتداء، تعمل بتقنية الذكاء الاصطناعي متعدد الوسائط (AI) كجوهر لها. تهدف إلى دمج نماذج اللغة الكبيرة مع أنظمة الإدراك البصري للتفاعل مع العالم الواقعي، لتتيح للمستخدمين الوصول الفوري إلى المعلومات وتنفيذ المهام عبر الصوت والصور والوعي البيئي. وهذا يُحوِّل الذكاء الاصطناعي من "أداة تطبيق" إلى "طبقة ذكاء محيطي."

تعد T-RIZE منصة بنية تحتية قائمة على البلوكشين، مصممة خصيصًا لترميز الأصول الواقعية (RWAs). تتمثل مهمتها الأساسية في تحويل العقارات، والأسهم الخاصة، وحصص الصناديق، وغيرها من الأصول الملموسة إلى أصول رقمية على السلسلة. وبالاستفادة من RizeNet (محرك إصدار الأصول)، والتعلم الموحد، ونظام إدارة الامتثال، تُنشئ المنصة إطارًا فنيًا متكاملًا لإصدار الأصول وإدارتها وتداولها وتحليلها. مقارنة بالتوريق التقليدي للأصول، تُعزز T-RIZE سيولة الأصول عبر تقنية البلوكشين والعقود الذكية، مع تقليل العوائق التي تحول دون الاستثمار عبر الحدود وإدارة الأصول.

RIZE هو الرمز الوظيفي الأصلي لمنظومة ترميز الأصول الواقعية (RWA) من T-RIZE، وهو مصمم لبناء نظام اقتصادي موحد يشمل إصدار الأصول، والحوكمة على السلسلة، وحوافز الشبكة، واحتجاز القيمة. عبر دمج الطلب على إصدار الأصول، وسيناريوهات الاستخدام ضمن المنظومة، وآليات تداول الرمز، لا يقتصر دور RIZE على أداء مهام الدفع والحوكمة فحسب، بل يمثل أيضًا ناقلاً قيمياً مهماً يربط بين الأصول الواقعية وشبكات البلوكشين.

Biconomy هو بروتوكول بنية تحتية لـ Web3 متخصص في تجريد الحساب (Account Abstraction)، يهدف إلى تقليل تعقيد تفاعلات البلوكشين عبر حسابات ذكية، وتجريد الرسوم، وبيئات تنفيذ معيارية، وآليات تنسيق المعاملات، مما يُقرّب تطبيقات Web3 من تجربة مستخدم Web2. ومع نضوج معيار ERC-4337، قامت Biconomy بتجميع مكدس تقني كامل—يشمل Nexus Smart Account وPaymaster وBundler وبيئة التنفيذ المعيارية (MEE) وSupertransaction—مما يُحفّز تحول حسابات البلوكشين من المحافظ التقليدية إلى حسابات ذكية قابلة للبرمجة.

يتمثل الفرق الجوهري بين OKZOO ومشاريع DePIN التقليدية في نوع الموارد التي تنتجها الشبكة وتستخدمها. تركز مشاريع DePIN التقليدية على موارد البنية التحتية مثل معدل التجزئة وشبكات الاتصالات وعرض النطاق الترددي والموقع الجغرافي. في المقابل، تركز OKZOO على جمع البيانات البيئية والبنية التحتية لبيانات AI. عبر أجهزة P-mini، تجمع OKZOO بيانات بيئية واقعية وتدمج بين آليات الحوافز AI Pet وAIOT لبناء شبكة AIoT.

OKZOO (AIOT) هي بنية تحتية لـ AIoT تدمج شبكات AI وإنترنت الأشياء والبلوكشين، حيث تجمع البيانات الواقعية عبر أجهزة استشعار بيئية موزعة، وتوظف آليات التفاعل مع الحيوانات الأليفة الذكية ورموز AIOT لتحفيز المستخدمين على المساهمة بالبيانات. تهدف OKZOO إلى إنشاء شبكة بيانات بيئية عالمية توفر مصادر موثوقة وفورية وقابلة للتحقق لنماذج AI والأجهزة الذكية والتطبيقات الواقعية.

يجمع OKZOO البيانات الواقعية—مثل جودة الهواء، ودرجة الحرارة، والرطوبة، والضوضاء—عبر جهاز الاستشعار البيئي P-mini، ثم يرفعها إلى شبكة لامركزية للتحقق والتسجيل. تتكون عملية رفع البيانات الكاملة من ست مراحل: جمع البيانات البيئية، والمعالجة المسبقة للجهاز، والتحقق من الشبكة، والتسجيل على السلسلة، وتكامل بيانات AI، وتوزيع المكافآت. على عكس شبكات IoT التقليدية، يدمج OKZOO المساهمة بالبيانات، والحوافز على السلسلة، وحالات استخدام AI، مما يتيح للبيانات الواقعية أن تتحول باستمرار إلى أصول رقمية قابلة للتحقق وموارد AI.

يكمن الفارق الجوهري بين SQD وThe Graph في بنية معالجة البيانات: يعتمد The Graph بشكل رئيسي على Subgraph لإنشاء فهارس بيانات مخصصة للتطبيقات، بينما يستخدم SQD بنية موزعة من خزان البيانات و شبكة العمال (Workers)، مما يتيح استعلامات تاريخية أكثر مرونة وتحليلًا متعدد الشبكات. من وجهة نظر المطوّر، يُعد The Graph الأنسب لبناء واجهات استعلام موحدة حول بروتوكولات محددة، بينما يركز SQD على الوصول إلى البيانات على السلسلة بكميات كبيرة، وإنجاز المهام التحليلية المعقدة، ومعالجة البيانات لحظيًا. الحلان عنصران أساسيان في بنية بيانات Web3، لكنهما يختلفان اختلافًا كبيرًا في أهداف التصميم والمنهجيات التقنية.

تُمثّل Subsquid (SQD) طبقة بيانات بلوكشين لامركزية مخصصة لتطبيقات Web3، حيث تعتمد على بحيرة بيانات موزعة وشبكة من عُقد العاملين (Worker nodes) وطبقة استعلام (Portal) لتوفير وصول عالي الأداء ومنخفض التكلفة وقابل للتوسع إلى البيانات على السلسلة للمطورين. وبخلاف عُقد RPC التقليدية التي تقرأ بيانات البلوكشين مباشرة، تقوم SQD بجمع البيانات وفهرستها وتخزينها بشكل استباقي، مما يُمكّن التطبيقات من استرداد البيانات التاريخية المعقدة والبيانات في الوقت الفعلي بسرعة فائقة.

بخلاف عقد RPC التقليدية التي تفحص البلوكشين في الوقت الفعلي، تُعزز SQD كفاءة الاستعلامات المعقدة بدرجة كبيرة من خلال المعالجة المسبقة للبيانات وفهرستها. ومع توليد الكتل والمعاملات الجديدة على البلوكشين، تستقبل شبكة SQD البيانات الأولية باستمرار وتخزنها في بحيرة بيانات موزعة. تتولى عقد العمل مهام الفهرسة ومعالجة البيانات، فيما تدير طبقة البوابة طلبات المطورين وتنسق موارد الشبكة، لتسليم النتائج المنظمة إلى التطبيق في النهاية.

تشكل عُقد Worker البنية التحتية الجوهرية المسؤولة عن معالجة البيانات وتنفيذ الاستعلامات داخل شبكة SQD. فهي تسترجع البيانات الأولية من البلوكشين، ثم تفهرسها وتتحقق منها وتحسّن التخزين، إلى جانب الاستجابة لاستعلامات طبقة البوابة. ومن خلال التعاون الموزع، تتكاتف عُقد Worker المتعددة لتشكيل شبكة لامركزية لخدمات البيانات.

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.