في وقتٍ قريب، اكتشفتُ شيئًا مثيرًا أثناء تصفحي لـ GitHub الخاص بـ NEAR: فريق NEAR AI قد فتح مصدر اختبارٍ جديد، حيث نجح باستخدام النموذج الكبير المفتوح المصدر الصيني DeepSeek في حل 672 مسألة إثبات رياضي شديدة الصعوبة. عندما سألتُ الذكاء الاصطناعي، اكتشفتُ أن هذه المسائل تُسمى PutnamBench، وهي أسئلة من أصعب مسابقات الرياضيات الجامعية في أمريكا الشمالية. ببساطة، القدرة على اجتياز هذا الاختبار تدل على أن الذكاء الاصطناعي يمتلك قدرة استنتاج منطقية شديدة الدقة. وفقًا لتقرير @MSBIntel، تكلّف تنفيذ حل NEAR لجميع المسائل الـ 672 متوسط 0.17 دولار أمريكي لكل سؤال، بمجموع لا يتجاوز 110 دولارات تقريبًا. كمقارنة، فإن الحلول الأخرى التي حققت درجة كاملة استخدمت نماذج OpenAI بسعر متوسط 44.5 دولارًا لكل سؤال، بينما بلغ سعر Claude 3.52 دولارًا لكل سؤال. لكن لماذا تهتم سلسلة عامة بهذه المسائل الرياضية المتقدمة؟ في الواقع، الهدف الحقيقي من جعل الذكاء الاصطناعي يقوم بإثباتات منطقية رياضية هو التدقيق الأمني للعقود الذكية، أو ما يُعرف تقنيًا بالتحقق الشكلي. على سبيل المثال: استخدام المنطق الرياضي للتحقق من كل سطر من الكود بحثًا عن الثغرات. إذا أصبح بإمكان قوة حوسبة الذكاء الاصطناعي المفتوحة المصدر تحقيق هذا التحقق بتكلفة منخفضة جدًا — على سبيل المثال بضعة سنتات فقط — فربما في المستقبل، يمكن حتى للمشاريع الصغيرة أو المطورين العاديين ضمان وتدقيق عقودهم الذكية ضد الحوادث الأمنية بتكلفة ضئيلة جدًا. رغم أن هذا لا يرتبط مباشرة بسعر عملة near:native، إلا أنه يُعد مؤشرًا على أن الفريق يعمل بجد.