🪙 دانشکدهٔ ۳ · زیرساخت و روایت‌های بازار
هوش مصنوعی و بلاک‌چین: کاربرد واقعی یا هیاهو؟
AI and blockchain projects: substance versus hype
پیش‌نیازها: اوراکل‌ها و زیرساخت: Chainlink و ریسک دستکاری قیمت
📚 آموزش در سه سطح
از سطح ساده شروع کنید؛ اگر روشن بود، سطح بعد را بخوانید. سطح مناسب شما ذخیره می‌شود.
🌱 توضیح ساده
هوش مصنوعی از پرطرفدارترین موضوعات سال‌های اخیر است و در بازار کریپتو هم ده‌ها پروژه خود را «پروژهٔ هوش مصنوعی» معرفی کرده‌اند. برخی از آن‌ها مسئلهٔ واقعی را حل می‌کنند و برخی فقط از این برچسب برای جذب توجه استفاده می‌کنند. این درس به شما یاد می‌دهد به‌جای هیجان، سؤال بپرسید.
تشبیهی ساده: رستورانی روی تابلوی خود نوشته «غذای ارگانیک». برای اطمینان باید ببینید مواد اولیه را از کجا می‌خرد و آیا آشپزخانه‌اش واقعاً متفاوت است. در پروژه‌های هوش مصنوعی هم باید پرسید: هوش مصنوعی دقیقاً کجای کار است؟ بلاک‌چین چه چیزی اضافه می‌کند؟ و اگر توکن را حذف کنیم، آیا سرویس همچنان کار می‌کند؟
دسته‌های اصلی این پروژه‌ها عبارت‌اند از: بازارهای اجارهٔ توان پردازشی (GPU) میان افراد ناشناس؛ بازارهای داده که مالکان داده را به خریداران وصل می‌کنند؛ شبکه‌هایی که با پاداش توکن، مدل‌سازان را به رقابت در کیفیت مدل تشویق می‌کنند؛ «عامل‌های هوشمند» (AI agents) که کیف پول دارند و خودشان تراکنش انجام می‌دهند؛ و سیستم‌های «اثبات انسان بودن» که می‌خواهند در دنیای پر از ربات، انسان را از ماشین تشخیص دهند. هر دسته ریسک و منطق ارزش خاص خود را دارد.
📘 توضیح متوسط
بلاک‌چین در چند زمینه به هوش مصنوعی واقعاً کمک می‌کند: پرداخت و انگیزه میان طرف‌هایی که به هم اعتماد ندارند (مثلاً پرداخت خودکار به صاحب یک GPU پس از انجام کار)، ثبت منشأ و مالکیت داده یا مدل، و مقاومت در برابر سانسور یا تمرکز. اما خودِ آموزش و اجرای مدل‌های بزرگ روی لایهٔ اول بلاک‌چین عملاً غیرممکن است؛ محاسبه روی زنجیره میلیون‌ها برابر گران‌تر و کندتر از سرورهای معمولی است. در عمل تقریباً همهٔ محاسبات هوش مصنوعی خارج از زنجیره انجام می‌شود و بلاک‌چین فقط برای تسویه، هماهنگی و ثبت استفاده می‌شود.
همین موضوع «مسئلهٔ راستی‌آزمایی» را می‌سازد: از کجا بدانیم محاسبه‌ای که خارج از زنجیره انجام شده، درست و با همان مدل ادعاشده بوده است؟ راه‌حل‌هایی مثل اثبات دانش صفر برای یادگیری ماشین (zkML)، راستی‌آزمایی خوش‌بینانه با امکان اعتراض، و محیط‌های اجرای امن سخت‌افزاری (TEE) در حال توسعه‌اند، اما هنوز برای مدل‌های بزرگ پرهزینه یا محدودند. پروژه‌ای که ادعای «هوش مصنوعی کاملاً غیرمتمرکز و قابل اعتماد» دارد، باید دقیقاً بگوید این مسئله را چگونه حل کرده است.
سنجه‌های عینی ارزیابی عبارت‌اند از: درآمد واقعی از مشتریان (ترجیحاً به استیبل‌کوین یا دلار، نه پاداش توکنی که خود پروژه چاپ می‌کند)، ساعت‌های پردازش فروخته‌شده، تعداد توسعه‌دهندگان و مخزن کد باز، و مقایسهٔ قیمت و کیفیت با سرویس‌های متمرکز. ادغام‌ها و تغییر نام‌ها هم در این حوزه رایج است؛ برای نمونه در سال ۲۰۲۴ پروژه‌های Fetch.ai، SingularityNET و Ocean Protocol اعلام کردند توکن‌هایشان را در «اتحاد ابرهوش مصنوعی» (ASI) ادغام می‌کنند. چنین رویدادهایی را باید از منابع رسمی پیگیری کرد، چون جزئیاتشان ممکن است بعداً تغییر کند.
🔬 توضیح تخصصی
قیمت توکن‌های این حوزه اغلب بیشتر با اخبار کلی صنعت هوش مصنوعی همبسته است تا با کاربرد خود پروتکل؛ یعنی روایت بر بنیاد غلبه دارد. نشانه‌های هشدار عبارت‌اند از: ارزش بازار و FDV بسیار بالا در برابر درآمد ناچیز، سهم کوچک عرضهٔ در گردش با آزادسازی‌های بزرگ در پیش، و محصولی که در عمل فقط رابطی روی API یک شرکت هوش مصنوعی متمرکز است و توکن هیچ نقش ضروری‌ای در آن ندارد. نسبت ارزش به درآمد (مثلاً ارزش بازار تقسیم بر درآمد سالانهٔ واقعی) ابزار ساده و مفیدی برای سنجیدن فاصلهٔ روایت با واقعیت است.
«هوش‌مصنوعی‌شویی» (AI washing) پدیده‌ای فراتر از کریپتوست: در مارس ۲۰۲۴ کمیسیون بورس و اوراق بهادار آمریکا (SEC) دو مشاور سرمایه‌گذاری را به‌دلیل ادعاهای نادرست دربارهٔ استفاده از هوش مصنوعی جریمه کرد. پیام برای تحلیلگر روشن است: ادعای استفاده از هوش مصنوعی باید با شواهد فنی، مانند کد، مقاله، بنچمارک قابل تکرار یا دموی مستقل، پشتیبانی شود.
عامل‌های هوشمندی که کلید کیف پول دارند، سطح حملهٔ تازه‌ای می‌سازند: اگر مدل زبانی با متن مخرب در یک صفحهٔ وب یا پیام (تزریق دستور، prompt injection) فریب بخورد، ممکن است دارایی را به آدرس مهاجم بفرستد. محدودیت سقف خرج، فهرست سفید آدرس‌ها و تأیید انسانی برای تراکنش‌های بزرگ، حداقل حفاظت‌اند. پروژه‌های اثبات انسان بودن نیز با پرسش‌های جدی حریم خصوصی روبه‌رو هستند، چون دادهٔ زیستی برخلاف رمز عبور قابل تعویض نیست. ارزیابی حرفه‌ای باید فنی، اقتصادی، حقوقی و اخلاقی باشد، نه فقط بر اساس هیجان بازار.
🌍 مثال واقعی: راه‌اندازی Worldcoin و واکنش ناظران: ژوئیه و اوت ۲۰۲۳
Worldcoin که سم آلتمن از بنیان‌گذاران آن است، در ۲۴ ژوئیهٔ ۲۰۲۳ رسماً راه‌اندازی شد. ایدهٔ پروژه این است که با اسکن عنبیهٔ چشم توسط دستگاهی به نام Orb، برای هر انسان یک «شناسهٔ جهانی» (World ID) بسازد تا در دنیای پر از هوش مصنوعی، انسان بودن قابل اثبات باشد؛ ثبت‌نام‌کنندگان توکن WLD هم دریافت می‌کردند.
چند روز بعد، در ۲ اوت ۲۰۲۳، دولت کنیا فعالیت پروژه را تا روشن شدن نگرانی‌های امنیتی و حریم خصوصی متوقف کرد و نهادهای ناظر دادهٔ چند کشور دیگر نیز بررسی‌هایی آغاز کردند؛ برای نمونه نهاد حفاظت از دادهٔ اسپانیا در مارس ۲۰۲۴ دستور توقف موقت جمع‌آوری داده را صادر کرد. پروژه در اکتبر ۲۰۲۴ نام خود را به World تغییر داد.
درس تحلیلی: یک مسئلهٔ واقعی (تشخیص انسان از ربات) می‌تواند با راه‌حلی همراه شود که ریسک‌های حقوقی و اخلاقی بزرگی دارد. ارزیابی چنین پروژه‌ای بدون بررسی ریسک نظارتی کامل نیست.
🔤 واژگان تخصصی
شبکه‌ای که با پاداش توکن، افراد را به ارائهٔ منابع فیزیکی مثل GPU، ذخیره‌سازی یا پهنای باند تشویق می‌کند.
مثال: بازاری که صاحبان GPU بیکار را به کسانی که به رندر یا محاسبه نیاز دارند وصل می‌کند.
برنامه‌ای مبتنی بر مدل هوش مصنوعی که می‌تواند خودکار تصمیم بگیرد و اقدام کند، از جمله امضای تراکنش با کیف پول.
مثال: رباتی که با کیف پول خود، طبق دستور کاربر، هزینهٔ یک سرویس را پرداخت می‌کند.
استفاده از اثبات دانش صفر برای اثبات اینکه خروجی یک مدل از ورودی مشخص و با مدل مشخصی به‌دست آمده است.
مثال: اثبات اینکه امتیاز اعتباری با همان مدل اعلام‌شده محاسبه شده، بدون افشای داده.
اغراق یا ادعای نادرست دربارهٔ استفاده از هوش مصنوعی برای جذب سرمایه یا مشتری.
مثال: جریمهٔ دو مشاور سرمایه‌گذاری از سوی SEC در مارس ۲۰۲۴ به همین دلیل.
سازوکاری برای اثبات اینکه یک حساب متعلق به انسانی یکتا است، نه ربات یا حساب تکراری.
مثال: World ID در پروژهٔ Worldcoin که با اسکن عنبیه ساخته می‌شود.
قرار دادن متن مخرب در ورودی مدل هوش مصنوعی برای وادار کردن آن به انجام کاری خارج از دستور کاربر.
مثال: صفحهٔ وبی که به عامل هوشمند دستور می‌دهد موجودی کیف پول را به آدرسی دیگر بفرستد.
🔑 نکات کلیدی
- تقریباً همهٔ محاسبات هوش مصنوعی خارج از زنجیره انجام می‌شود؛ بلاک‌چین بیشتر برای پرداخت، هماهنگی و ثبت به کار می‌رود.
- پرسش کلیدی: اگر توکن را حذف کنیم، آیا سرویس همچنان کار می‌کند؟
- درآمد واقعی از مشتریان را از پاداش توکنی که خود پروژه چاپ می‌کند جدا کنید.
- راستی‌آزمایی محاسبات خارج از زنجیره مسئلهٔ حل‌نشده‌ای است؛ ادعای «کاملاً قابل اعتماد» را با جزئیات فنی بسنجید.
- عامل‌های هوشمند دارای کیف پول در برابر تزریق دستور آسیب‌پذیرند و به سقف خرج و تأیید انسانی نیاز دارند.
⚠️ اشتباهات رایج
- پذیرفتن برچسب «هوش مصنوعی» بدون دیدن کد، محصول یا معیار قابل تکرار؛ این برچسب به‌راحتی برای بازاریابی استفاده می‌شود.
- شمردن پاداش توکنی به‌عنوان درآمد؛ پرداختی که با چاپ توکن تأمین شود، تقاضای واقعی را نشان نمی‌دهد.
- فرض اینکه مدل هوش مصنوعی روی بلاک‌چین اجرا می‌شود؛ معمولاً فقط نتیجه یا پرداخت روی زنجیره ثبت می‌شود.
- نادیده گرفتن ریسک حریم خصوصی و نظارتی در پروژه‌هایی که دادهٔ حساس یا زیستی جمع می‌کنند.
🛠 تمرین عملی: کارت ارزیابی یک پروژهٔ هوش مصنوعی
- یک پروژهٔ کریپتویی با برچسب هوش مصنوعی انتخاب کنید و دستهٔ آن را مشخص کنید (پردازش، داده، شبکهٔ مدل، عامل هوشمند یا اثبات انسان بودن).
- از مستندات رسمی بنویسید کدام بخش روی زنجیره و کدام بخش خارج از زنجیره اجرا می‌شود.
- توضیح دهید توکن چه نقشی دارد و آیا سرویس بدون آن هم قابل ارائه بود.
- هر دادهٔ عمومی دربارهٔ درآمد یا میزان استفاده (مثلاً ساعت‌های پردازش) را با تاریخ و منبع ثبت کنید.
- ارزش بازار و FDV را از CoinGecko با تاریخ ثبت کنید و در ماشین‌حساب عرضهٔ آزمایشگاه، نسبت آن‌ها را حساب کنید.
- سه ریسک اصلی (فنی، اقتصادی، نظارتی یا اخلاقی) را با شواهد بنویسید.
✅ معیار درستی: کارت ارزیابی تفکیک روشن روی‌زنجیره و خارج‌اززنجیره دارد، نقش توکن را با استدلال بررسی کرده و هر عدد منبع و تاریخ دارد.
🔒 در هیچ تمرینی از سرمایهٔ واقعی، عبارت بازیابی (Seed Phrase)، کلید خصوصی یا اتصال کیف پول اصلی استفاده نکنید.
📝 آزمون تطبیقی
هر بار ۵ سؤال از بانک ۸ سؤالی این درس انتخاب می‌شود؛ سؤال‌هایی که قبلاً اشتباه زده‌اید زودتر برمی‌گردند. حدنصاب قبولی ۸۰٪ (۴ از ۵) است و درس بعد با قبولی باز می‌شود.
✍️ پرسش تشریحی
چارچوبی پنج‌مرحله‌ای برای تشخیص پروژهٔ «هوش مصنوعی + بلاک‌چین» واقعی از پروژهٔ صرفاً تبلیغاتی پیشنهاد کنید و آن را روی یک دستهٔ دلخواه (مثلاً بازار GPU) به کار ببرید.
بعد از نوشتن، پاسخ خود را با این معیارها بسنجید
خودارزیابی: هر نکته‌ای را که پاسخ شما به‌روشنی پوشش داده علامت بزنید.
🤖 دستیار آموزشی
دستیار آفلاین آکادمی: پاسخ‌ها فقط از متن درس‌ها و واژگان همین آکادمی پیدا می‌شوند و منبع هر پاسخ نشان داده می‌شود. هوش مصنوعی مولد نیست، حدس نمی‌زند و هیچ سیگنال خرید و فروشی نمی‌دهد.
📎 منابع مطالعاتی
🏁 معیار تسلط بر این درس: می‌توانید برای هر پروژهٔ هوش مصنوعی در کریپتو نقش واقعی بلاک‌چین و توکن را مشخص کنید، درآمد واقعی را از پاداش تورمی جدا کنید و ریسک‌های فنی و نظارتی آن را برشمارید.