يطلق BitTorrent BTTInferGrid، وهو شبكة حوسبة للاستنتاج الذكي موزعة

مع تطبيق عوامل الذكاء الاصطناعي في سيناريوهات معقدة متنوعة مثل تدفقات عمل الشركات، والإنتاج الآلي، والتنفيذ الذاتي، دخلت صناعة الذكاء الاصطناعي العالمية رسمياً مرحلة جديدة من "التنفيذ الذاتي" بعد مرحلة "الاستجابة السلبية"، وقد انتقل مركز المنافسة في الصناعة بالفعل بعيداً عن مقارنة معلمات النماذج الكبيرة فقط، ليصبح التركيز على قدرة التنفيذ العملي، وتمثل قدرة الاستدلال المنطقي القوية الأساس المحوري لهذا التحول.

تغير نموذج تطبيقات الاستخدام، مما أدى إلى تحول جوهري في الطلب على البنية التحتية للقوة الحسابية: مركز استهلاك القوة الحسابية يتجه باستمرار من تدريب النماذج إلى الاستدلال التشغيلي، وهذه الميزة لم تعد قابلة للعكس. لكن النظام المركزي السائد للقوة الحسابية، عند مواجهة طلبات استدلال ضخمة ومتكررة وذات تقلبات حادة بين الذروة والانخفاض، يُظهر مشكلات مثل ارتفاع تكاليف التشغيل، وضعف المرونة في التوسع، وعدم كفاية استقرار الخدمة، مما يواجه صناعة الذكاء الاصطناعي بأزمة إمدادات قوة حسابية.

في 17 يونيو، أطلقت BitTorrent، وهي إيكوسистем ناشطة منذ فترة طويلة في النقل اللامركزي، منتجًا استراتيجيًا بارزًا يُدعى BTTInferGrid، والذي يركز على مجال الاستدلال الذكي الاصطناعي، ويبني شبكة حوسبة لامركزية. تعتمد هذه المنصة على بنية موزعة لامركزية لجمع موارد قوة الحوسبة GPU غير المستخدمة من جميع أنحاء العالم بكفاءة، وتزيل الحواجز بين مزودي الموارد ومطوري الذكاء الاصطناعي، وتقدم خدمات حوسبة استدلال ذكي اصطناعي مفتوحة وسهلة الدخول، مع إمكانية التحقق من نتائج الحسابات على السلسلة، ونظام تسعير مرن حسب الاستخدام.

باستغلال ميزات التقنية اللامركزية، لا يقتصر BTTInferGrid على سد الثغرات في قوة الحوسبة المركزية التقليدية في سيناريوهات التحميل العالي والتقلبات، بل يحقق أيضًا قفزة نوعية في جانب إمدادات قوة الحوسبة، ويُعيد هيكلة منطق توزيع وتدفق الموارد في نظام قوة الحوسبة بأكمله.

في الوقت نفسه، فإن BTTInferGrid هو منتج استراتيجي تم تطويره من قبل BitTorrent بناءً على خدمة BTFS الحالية، وهو ليس فقط تمديدًا مهمًا لقدرات BitTorrent الطويلة الأمد في جدولة الموارد اللامركزية من مجال التخزين إلى مجال الحوسبة، بل أيضًا خطوة حاسمة في تخطيطها لقطاع الذكاء الاصطناعي اللامركزي.

تهدف BTTInferGrid إلى إعادة هيكلة نظام إمدادات قوة الحوسبة من خلال نموذج لامركزي، لحل مشكلات تكلفة قوة الحوسبة العالية ونقص العرض في استنتاج الذكاء الاصطناعي، مع تحسين كفاءة الاستنتاج للنماذج الكبيرة وتخفيض التكاليف وزيادة الإنتاجية، وبالتالي توفير بنية تحتية لقوة الحوسبة عالية الأداء ومرنة وذات قيمة ممتازة للصناعة.

إذا كان عاما 2024 و2025 هما فترة "الحرب الألفية للنماذج" وتنافس المعلمات المدعوم بمجموعات آلاف البطاقات في صناعة الذكاء الاصطناعي، فإن عام 2026، مع التوسع الواسع لتطبيق وكلاء الذكاء الاصطناعي، يدخل الذكاء الاصطناعي رسميًا عصر الانفجار التطبيقي الواسع النطاق "لمرحلة الاستدلال". يُعد الاستدلال في الذكاء الاصطناعي المرحلة الحاسمة لتحويل قيمة النموذج إلى واقع، حيث يحول "النموذج المُدرَّب" إلى تطبيقات عملية وقيمة تجارية وخدمات يومية. باختصار، التدريب هو "تعليم الذكاء الاصطناعي"، والاستدلال هو "تمكين الذكاء الاصطناعي من الاستخدام الفعلي" — على سبيل المثال، تمييز سيارة القيادة الذاتية لعلامة التوقف على طريق لم تسلكه من قبل، هو سلوك استدلال نموذجي. إن قدرة الاستدلال تؤثر مباشرة على تجربة المستخدم، وتكاليف التشغيل، والقيمة التجارية للمنتجات القائمة على الذكاء الاصطناعي.

يوجد إجماع واسع في الصناعة على أن أكثر من 70% من موارد الحوسبة في المستقبل ستُستخدم لسيناريوهات الاستدلال. وقد تنبأ أوراكل بأن حجم سوق حوسبة الاستدلال سيتجاوز في النهاية حجم سوق حوسبة التدريب. كما أشار الأكاديمي في الأكاديمية الصينية للهندسة، زهنغ وي مين، إلى أن معظم حوسبة الحالية تُستهلك في التفاعل اليومي بين المستخدمين والنماذج الكبيرة. من حيث تكوين التكاليف، فإن人力 يمثل فقط 3% وبيانات 2% من تكاليف استدلال النماذج الكبيرة، بينما تصل نسبة الحوسبة إلى 95%؛ وتكون تكاليف الحوسبة للتطبيقات الرائدة كبيرة جدًا، حيث تبلغ تكلفة استدلال ChatGPT اليومية حوالي 700 ألف دولار أمريكي، ووصلت تكلفة DeepSeek V3 إلى 87 ألف دولار أمريكي.

عندما انتقلت متطلبات قوة الحوسبة للذكاء الاصطناعي من التدريب المركّز لدى عدد قليل من كبرى شركات التكنولوجيا إلى سيناريوهات استنتاج تجارية لملايين المطورين في مختلف الصناعات، تغيرت معايير تقييم البنية التحتية الأساسية. في عصر التدريب، كان المطورون يركزون بشكل رئيسي على الحجم والكفاءة المركّزين للقوة الحاسوبية؛ أما في عصر الاستنتاج، حيث تواجه خدمات الذكاء الاصطناعي ملايين المستخدمين النهائيين مباشرة، فإن التفاعلات اليومية التي تصل إلى تريليونات تخلق استهلاكًا هائلاً للقوة الحاسوبية، فتحول تركيز المطورين إلى تكلفة كل استدعاء، وسرعة الاستجابة، واستقرار الخدمة. اليوم، أصبحت إمدادات القوة الحاسوبية، وتكلفة الاستدعاء، وتوافر الخدمة هي المعايير الأساسية لتقييم البنية التحتية للذكاء الاصطناعي، وهي أيضًا العوامل الحاسمة لنجاح تنفيذ تطبيقات الذكاء الاصطناعي.

ومع ذلك، فإن عيوب نظام القوة الحسابية المركزة السائد تصبح أكثر وضوحًا أمام الطلب المتزايد بشكل أسّي على الاستنتاج: ارتفاع مستمر في تكاليف إيجار GPU، وتعطل متكرر لخدمات المنصات، وإغلاق العديد من تطبيقات الذكاء الاصطناعي بسبب تكلفة القوة الحسابية. وتتجلى هذه المشكلات بشكل جماعي في الجوانب الثلاثة التالية:

أولاً، عدم كفاية مرونة جدولة القوة الحسابية وعدم القدرة على التكيف مع تقلبات حركة المرور، مما يؤدي إلى خلل بين التكلفة والاستقرار: على الرغم من أن الشركات الرائدة في الذكاء الاصطناعي ومزودي السحابة يزيدون باستمرار استثماراتهم في البنية التحتية للقوة الحسابية، إلا أن طلب الاستنتاج ينمو بسرعة ويظهر خصائص واضحة من الذروة والانخفاض—ففي ساعات النهار أثناء ذروة العمل أو التسويق، يمكن أن يزداد عدد الطلبات بعشرات المرات؛ بينما ينخفض فجأة في منتصف الليل. تفتقر مراكز البيانات المركزية إلى القدرة على الجدولة المرنة لمواكبة هذه التغيرات الديناميكية: إذا تم تجهيز البنية التحتية وفقًا للذروة، فإن تكاليف الاستهلاك خلال فترات الانخفاض تكون مرتفعة جدًا؛ وإذا تم تجهيزها وفقًا للمتوسط، فستتعطل الخدمة خلال فترات الذروة، مما يضعها في مأزق بين "التكلفة العالية" و"الاستقرار المنخفض". في الوقت نفسه، يجب إضافة تكاليف متعددة إلى القوة الحسابية المركزية، مثل بناء مراكز البيانات، والكهرباء، والصيانة، والأرباح التجارية، مما يؤدي في النهاية إلى ارتفاع تكلفة القوة الحسابية بشكل كبير، ويُقلص بشكل كبير من مساحة التجربة والخطأ للفِرق الصغيرة والمبتكرة، مما يستدعي بشكل عاجل حلولًا جديدة تجمع بين الميزة التكلفة والمرونة في الجدولة.

ثانيًا، تستمر أسعار تأجير وحدات معالجة الرسوميات (GPU) في الارتفاع، حيث تعيق التكاليف المرتفعة تطبيق الابتكارات لدى الشركات الصغيرة والمتوسطة والمطورين: على الرغم من أن النماذج الكبيرة المفتوحة المصدر (مثل Qwen وDeepSeek) خفّضت من عتبة الدخول إلى مجال الذكاء الاصطناعي، إلا أن نشر وتشغيل هذه النماذج لا يزال يعتمد على قوة حوسبة استنتاجية مستقرة ورخيصة وسهلة الوصول. لكن الواقع هو أن تكاليف تأجير وحدات GPU تواصل الارتفاع؛ فعلى سبيل المثال، ارتفع سعر الإيجار للوحدة الواحدة من وحدة H100 الشائعة من 1.70 دولار أمريكي في أكتوبر 2025 إلى 2.35 دولار أمريكي في مارس 2026، بزيادة تقارب 40٪ خلال ستة أشهر. وتُثني التكاليف المرتفعة العديد من المطورين الأفراد والشركات الصغيرة والمتوسطة الذين يمتلكون حلولًا ممتازة عن المضي قدمًا، مما يدفعهم إلى حالة "لديهم نموذج، لكن لا توجد قوة حوسبة"، مما يثبط بشدة حيوية الابتكار والنمو الواسع النطاق في صناعة الذكاء الاصطناعي.

ثالثًا، لا تُستغل بشكل فعال كميات هائلة من موارد GPU غير المستخدمة عالميًا، مما يؤدي إلى خلل حاد بين العرض والطلب: في مقابل ندرة قوة الحوسبة في السوق، توجد موارد ضخمة من قوة الحوسبة عالية الأداء غير المستخدمة، موزعة على أجهزة الأفراد، ومختبرات الجامعات، وغرف الخوادم الصغيرة، والمرافق الموروثة من انتقال العملات المشفرة. نظرًا لغياب قنوات وصول معيارية ومحركات جدولة فعالة، لا يمكن لهذه القوى الحاسوبية الدخول إلى سوق الاستنتاج الرئيسي، مما يخلق حالة متناقضة حيث يواجه طالبو القوة الحاسوبية صعوبة في الحصول على بطاقة واحدة، بينما تظل قوى الحوسبة من الناحية العرضية في حالة سبات، مما يشير إلى إمكانات كبيرة لتحسين كفاءة استخدام الموارد، وضرورة عاجلة لحل خلل العرض والطلب.

بالتالي، يواجه سوق قوة الحوسبة للذكاء الاصطناعي حاليًا ثلاث مشكلات هيكلية: من ناحية، لا تستطيع العرض المركزي الموازنة بين التكلفة والمرونة، ومن ناحية أخرى، تستمر إيجارات قوة الحوسبة في الارتفاع مما يكبح الابتكار في مجال الذكاء الاصطناعي، وفي الوقت نفسه، هناك موارد GPU غير مستخدمة بكميات هائلة لا تزال نائمة ولم تُفعّل لفترة طويلة. ومواجهةً لهذه التحديات الصناعية، يقدم BTTInferGrid حلًا جديدًا مدعومًا بتقنية لامركزية لحل مشكلة عدم التوافق بين العرض والطلب على قوة الحوسبة.

يهدف BTTInferGrid إلى ربط الموارد المُهملة من وحدات معالجة الرسوميات (GPU) الموزعة عالميًا مع مطورين ذكاء اصطناعي كثر بكفاءة، من خلال نموذج لامركزي، مما يكسر جذريًا احتكار وحاجز قوة الحوسبة المركزي. من ناحية، يدمج المنصة قوى الحوسبة المُهملة المتناثرة لبناء بنية تحتية للحوسبة مفتوحة ومشتركة؛ ومن ناحية أخرى، يربط قنوات الاتصال بين العرض والطلب، ويُزيل الحواجز الدخولية وصناديق الظلام التسعيرية في النماذج المركزية التقليدية. وفي الوقت نفسه، وبفضل آليات التحفيز والتعاون الخاصة بـ DePIN، يستطيع BTT InferGrid توليد قوى استدلال عالية الكفاءة من حيث التكلفة باستمرار، مما يحل جذريًا المشكلات الأساسية المتمثلة في ارتفاع تكلفة قوة الحوسبة ونقص العرض، ويُطلق فعليًا كفاءة الاستدلال والقيمة التجارية للنماذج الكبيرة.

يُعرّف BTTInferGrid بوضوح وتحديد كشبكة حوسبة لامركزية مصممة خصيصًا لسيناريوهات الاستنتاج الذكي الاصطناعي، ويربط بين عرض قوى الحوسبة GPU غير المستخدمة عالميًا وطلب السوق على خدمات الاستنتاج الذكي الاصطناعي، ويوفر نظامًا عالميًا لخدمات الحوسبة الذكية الاصطناعية يتيح الوصول المفتوح، وقابلية التحقق من النتائج، والدفع حسب الاستخدام.

بشكل محدد، يعتمد BTTInferGrid على آليات الشبكة الأساسية DePIN لمواءمة عرض قوة الحوسبة مع الطلب المتزايد بشكل هائل على الاستنتاجات الخاصة بالذكاء الاصطناعي، مما يحقق تمكين القيمة من كلا الطرفين:

· في جانب عرض قوة الحوسبة، يتم تجميع فعال للموارد المُهدرة والمتفرقة من وحدات معالجة الرسوميات (GPU) عالميًا، لبناء بنية تحتية للحوسبة مفتوحة ومشتركة. كما يستفيد النظام من آليات الحوافز والجدولة الذكية الخاصة بـ DePIN، مما يفتح قناة ربحية منخفضة العتبة ومستدامة لمالكي قوة الحوسبة، ويجعل "وحدات GPU المُهملة والخاملة" حول العالم تتحول فعليًا إلى "أصول سائلة"، وفي الوقت نفسه يضمن استقرار قوة الحوسبة وتوسعتها المرنة، ليُنتج خدمة استنتاج عالمية عالية القيمة، قابلة للتوسع، وأمنة وموثوقة.

على جانب طلب قوة الحوسبة، تقدم BTTInferGrid خدمة استنتاج عالمية سهلة الربط، وقابلة للتحقق على السلسلة، ومبنية على نظام الدفع حسب الاستخدام، موجهةً لمطوري الذكاء الاصطناعي حول العالم. مقارنةً بأسعار التسعير المرتفعة لشركات السحابة المركزية، تتمتع BTTInferGrid بميزة تكلفة قصوى وقدرة على التوسع المرن، مما يساعد فرق الابتكار الصغيرة والمتوسطة والمطورين المستقلين على خفض تكاليف التجربة والخطأ، وإكمال التحقق من المنتجات وتحديث الأعمال بكفاءة، مع دعم عكسي لبيئة توريد قوة الحوسبة من الجانب العلوي.

بهذه الطريقة، يحل BTTInferGrid بشكل عملي احتياجات المطورين الذكاء الاصطناعي العاجلة للحوسبة منخفضة التكلفة وعالية المرونة في مرحلة "التنافس على التطبيقات"، كما يفتح قناة مستدامة لتحويل قيمة الموارد الأجهزة غير المستخدمة على نطاق عالمي إلى عوائد.

الأهم من ذلك، سيقوم منصة BTTInferGrid ببناء عجلة نمو إيجابية ذاتية الكفاية: حيث ستتوسع باستمرار عقد GPU غير المستخدمة، وسينخفض تكلفة قوة الحوسبة للاستنتاج، مما يجذب مطورين أكثر للانضمام؛ وستزداد الطلب على السوق باستمرار، مما يشجع المزيد من مزودي قوة الحوسبة العالمية على الانضمام إلى النظام البيئي. تقوم BTTInferGrid بإعادة هيكلة إمدادات قوة الحوسبة بنموذج لامركزي، وتحول قوة الحوسبة المتخصصة النادرة والمرتفعة التكلفة إلى بنية تحتية عامة للذكاء الاصطناعي متاحة للجميع وقابلة للطلب حسب الحاجة.

من حيث ميزات أداء المنتج، فإن معظم منصات GPU اللامركزية المتاحة حاليًا في السوق تعاني من مشكلات شائعة مثل عتبة عالية للوصول إلى القوة الحسابية، ونقص في موثوقية الخدمة، وصعوبة استدامة النموذج الاقتصادي. أما BTTInferGrid، فقد قام بتحسين البنية التحتية من الجذور، وحقق تقدمًا شاملاً في ثلاثة أبعاد رئيسية: تجميع القوة الحسابية، والتحقق من الخدمة، واستدامة النظام الاقتصادي، مما يشكل ميزة تنافسية فريدة، على النحو التالي:

1. شبكة إمداد قوة الحوسبة المفتوحة التي تجمع بسرعة موارد GPU غير المستخدمة عالميًا: إن عتبة الدخول إلى قوة الحوسبة السحابية التقليدية مرتفعة (مثل الحاجة إلى مراكز بيانات متوافقة، وعناوين IP عامة ثابتة، ومحولات مكلفة)، بينما يبني BTTInferGrid شبكة إمداد قوة حوسبة مفتوحة بالكامل، حيث يمكن لأي كيان أو فرد يمتلك موارد حوسبة غير مستخدمة مثل GPU، شريطة تلبية معايير الأداء الأساسية (مثل سعة ذاكرة العرض، ومعيار القوة الحسابية) ومتطلبات استقرار الشبكة، الاتصال بشكل سلس. يقلل هذا التصميم بشكل كبير من عتبة المشاركة في جانب إمداد قوة الحوسبة، مما يسمح بتركيز موارد قوة الحوسبة من GPU غير المستخدمة عالميًا بسرعة فائقة في شكل شبكة ومصفوفة.

2. جودة الخدمة القابلة للتحقق وسلوك العقد، لحل مشكلة الثقة اللامركزية: أكبر نقطة ألم في الحوسبة اللامركزية هي المصداقية — كيف يمكن منع عمال المناجم من التظاهر باستخدام بطاقات رسومية منخفضة الأداء كأنها بطاقات عالية الأداء؟ كيف يمكن ضمان صحة وموثوقية نتائج الاستدلال؟ يبني BTTInferGrid دائرة مغلقة قابلة للتحقق المتقاطع من خلال جدولة المهام (توزيع ذكي)، التحدي والتحقق (فحص عشوائي كRYPTOGRAFI)، تقييم التوافق (درجة سمعة ديناميكية)، والتنسيق على السلسلة (عقود ذكية للحوافز والعقوبات)، مما يعزز بشكل فعال مصداقية خدمات الاستدلال.

3. نموذج اقتصادي مُوجه بالطلب لبناء نظام إيكولوجي مستدام: غالبًا ما تقع مشاريع DePIN المبكرة في دوامة موتية تتمثل في "إطلاق كبير للعملات المعدنية لجذب العقد لاستخراجها بشكل عشوائي، لكنها تواجه تضخمًا في العملة وهبوطًا في السعر وخروج العقد بسبب غياب الطلب الحقيقي". منذ البداية، حددت BTTInferGrid هدفًا ببناء نظام اقتصادي مُوجه بالطلب الحقيقي — حيث يُستند التحفيز الأساسي إلى عمليات استدعاء الاستنتاج الفعلية وأداء العقد. فقط عندما يدفع مطورو الذكاء الاصطناعي فعليًا لاستدعاء النماذج، يحصل مقدمو القوة الحسابية على حصة أساسية من العائدات وزيادة في السمعة. يُعزز هذا التصميم نموًا تكيفيًا صحيًا بين حجم العرض والطلب في السوق، مما يضمن تطورًا طويل الأمد ومستدامًا للنظام الإيكولوجي.

باختصار، من خلال شبكة عرض مفتوحة تسمح بربط سلس لأي وحدات معالجة رسومية غير مستخدمة تلبي معايير الأداء من أي مكان في العالم، إلى بناء خط دفاع موثوق به بالكامل يعتمد على أربعة حلقات مغلقة: جدولة المهام، التحقق من التحديات، تقييم الإجماع، والعقوبات والحوافز على السلسلة، ثم الانتقال الكامل بعيدًا عن فقاعات المضاربة وربط الحوافز على نموذج اقتصادي موجه بالطلب المستند إلى عمليات الاستدلال الذكاء الاصطناعي الحقيقية — يعيد BTTInferGrid تعريف آلية توزيع الموارد الحسابية من خلال ثلاثة أبعاد: جمع الموارد، موثوقية الخدمة، وتوزيع القيمة.

BTTInferGrid ليست مجرد "تجميع قوة الحوسبة"، بل هي شبكة حوسبة لامركزية دقيقة تجمع بين جدولة وتنفيذ مهام الاستدلال الذكي، وتطابق وربط العرض والطلب على قوة الحوسبة، وتنسيق الموارد على السلسلة والتسوية، وغيرها من الوظائف المتعددة.

في نظام BTTInferGrid البيئي اللامركزي للقوة الحاسوبية، يشكل جميع المشاركين ثلاث دورات أساسية حول "الإمداد، والاستخدام، والتحقق" من القوة الحاسوبية:

· مورّدو قوة الحوسبة (المناجم): توفير موارد GPU غير مستخدمة، وقبول وتنفيذ مهام الاستنتاج الذكي، حيث يوزّع النظام تلقائيًا المكافآت المقابلة بناءً على كمية العمل المُثبتة، وجودة إنجاز المهمة، ودرجة الأداء الديناميكية.

· مُطلِب قوة الحوسبة (مطوّرو الذكاء الاصطناعي): توفر BTTInferGrid واجهات برمجة تطبيقات موحدة وقياسية، تدعم وصول المطورين إلى موارد GPU موزعة عالميًا.

· حراس الشبكة (المُحققون): يشاركون في نظام التحقق والتقييم اللامركزي، ويقومون بمراجعة وتحدي عشوائي لأداء الحوسبة لعقد التعدين، وتحديد السلوكيات غير الطبيعية وضمان جودة خدمة الشبكة. في الوقت نفسه، يحصل المحققون على مكافآت من خلال الحفاظ على سلامة الشبكة، مما يضمن معًا عدالة الشبكة وموثوقيتها.

بشكل عام، يقدم BTTInferGrid خدمة استنتاج ذكاء اصطناعي أكثر فعالية من حيث التكلفة، وقابلة للتوسع بشكل عالٍ، وآمنة وموثوقة للمطورين في مجال الذكاء الاصطناعي، مما يخفف بشكل فعال مشكلات انقطاع المنتج وفقدان العملاء الناتجة عن نقص قوة الحوسبة. أما بالنسبة لمزودي وحدات معالجة الرسومات، فيمكنه تفعيل موارد الأجهزة الطرفية والغير مستخدمة عالميًا، وإنشاء قناة ربح مستدامة لمزودي موارد وحدات معالجة الرسومات، بحيث تُستغل كل وحدة حوسبة قيمتها المطلوبة في عصر الاستنتاج.

في تنفيذ المنتجات المحددة، على عكس نموذج الأصول الثقيلة للشركات السحابية المركزية التقليدية التي "تُركّز أولاً على تجميع الأجهزة ثم تنتظر الطلب"، فإن DePIN تواجه منذ البداية تحديات تنسيق ثنائية الطابع — فالفائض في العرض يؤدي إلى توقف العقد وانهيار الاقتصاد الرقمي، بينما نقص العرض يُضعف تجربة المطورين وكفاءة النظام. ولذلك، وضعت BTTInferGrid استراتيجية إطلاق تدريجية واضحة ومستقرة وموجهة بالطلب، وتتجاهل النمو العشوائي والغير منظم، وتُركّز أولاً على استخدام الموارد، والاستدامة الاقتصادية، والتوسع المستقر للبنية التحتية التقنية.

· الهدف قصير الأجل (2026): تشغيل الشبكة من الصفر، وإكمال توصيل العقد الأساسية الأساسية وتأكيد خدمة الاستنتاج الموزعة، مع توسيع حجم عقد GPU تدريجيًا.

· الهدف المتوسط الأجل (2027): تنويع النظام البيئي، وتحسين استقرار وخصوصية وأمان الشبكة، مع التوافق مع مزيد من تنسيقات نماذج الذكاء الاصطناعي وإطارات الاستدلال، والتوسع تدريجيًا نحو تطبيقات مثل الدقة الدقيقة للنماذج.

· الأهداف طويلة الأجل (2028 وما بعده): أن تصبح البنية التحتية الأصلية للذكاء الاصطناعي، وبناء طبقة قوة حوسبة مفضلة لوكيلات الذكاء الاصطناعي والتطبيقات الآلية، وتوفير دعم قوة حوسبة مرنة للتطبيقات الكبيرة للذكاء الاصطناعي، بحيث تحقق في النهاية تنسيقًا مشتركًا بين قوة الحوسبة والتخزين الموزع والعقود الذكية على السلسلة ضمن هيكل موحد.

في التنفيذ العملي، تتبع BTTInferGrid أيضًا استراتيجية تطور تدريجية. في المرحلة الأولية للإطلاق، تعتمد الشبكة أساسًا على بطاقات الرسوميات الاحترافية، ويجب أن تخضع مصادر قوة الحوسبة (المنجمون) للمراجعة، بينما يمكن للمستخدمين من جانب الطلب استخدام خدمات الاستدلال عبر المنصة. في المستقبل، ستتطور إلى شبكة حوسبة فائقة مفتوحة بالكامل: تدعم أنواعًا متعددة من وحدات معالجة الرسوميات (GPU) مثل المستهلكية والاحترافية ووحدات مراكز البيانات، وتُربط وتُسعر وفقًا للأداء؛ يتم فتح الوصول للمنجمين مع إدخال آلية رهن لضمان جودة الخدمة؛ ومن جانب الطلب، يتم فتح واجهة برمجة تطبيقات موحدة، مع دعم تنسيقات نماذج الذكاء الاصطناعي وأطر الاستدلال المختلفة، وتقديم خيارات نشر مرنة.

حاليًا، تم توصيل BTTInferGrid بنجاح بعدد من النماذج الكبيرة المفتوحة المصدر الرائدة في مجال الذكاء الاصطناعي، بما في ذلك Qwen3.6 27B و Qwen2.5 7B Instruct من سلسلة Qwen الخاصة بعلي بابا كلاود، وكذلك Llama 3.1 8B Instruct من Meta. يمكن للمطورين الذكاء الاصطناعي استدعاء هذه النماذج بشكل مرن وفقًا لاحتياجات سيناريوهات الأعمال الخاصة بهم. في المستقبل، ستواصل المنصة توسيع نظام النماذج لتقديم دعم إضافي لنماذج متقدمة للمطورين.

الأهم من ذلك، يمتلك BTTInferGrid دعماً قوياً مبنياً على التراكم الطويل الأمد لـ BitTorrent وBTFS، مما يمنحه ميزات تطوير طبيعية. فقد عمقت BitTorrent وBTFS التابعة لها جهودهما لسنوات عديدة في مجال التخزين اللامركزي، حيث تمتلك BitTorrent وحدها أكثر من 100 مليون مستخدم نشط و2 مليار تثبيت، وقد أثبتت بنجاح جدوى نموذج DePIN، وركّزت على كفاءات ناضجة في توصيل الموارد، وتحفيز الرموز المميزة، والتسوية على السلسلة، وتشغيل المجتمع. كمنتج استراتيجي ضمن تخطيط BitTorrent لقطاع الذكاء الاصطناعي، تم تطوير BTTInferGrid بناءً على ترقية خدمات BTFS الحالية، مما يمكنه من نقل هذه الخبرات الناضجة بشكل سلس إلى مجال قوة الحوسبة للتنبؤ بالذكاء الاصطناعي، ويمكنه من دفع نمو البيئة بسرعة.

باستخدام تقنية اللامركزية، نجحت BTTInferGrid في حل مشكلة الصناعة المتمثلة في تزامن هدر قوة الحوسبة مع نقصها. إن مفاهيمها المفتوحة للوصول، والتعاون اللامركزي، والمساهمات القابلة للتحقق، والبناء المجتمعي لا تشكل فقط اختراقًا قويًا ضد احتكار قوة الحوسبة المركزي التقليدي، بل ترسم أيضًا خريطة مستقبلية مبتكرة لقوة حوسبة عالمية لامركزية، بفضل موقعها المنتج الواضح وبنية تقنيتها المتينة. هنا، سيتم تفعيل كل قوة حوسبة غير مستخدمة، ويمكن لكل مطور الوصول إلى المستقبل الذكي بتكلفة شمولية.