بناء بنية تحتية مفتوحة للذكاء الاصطناعي: داخل رؤية Gonka للحوسبة اللامركزية

يهدف Gonka إلى اللامركزية في حوسبة الذكاء الاصطناعي، مما يمنح المطورين ومزودي الأجهزة وصولًا متوقعًا وقابلًا للتحقق، مع تحدي هيمنة عمالقة السحابة المركزية.

مع تزايد تركيز السيطرة على حوسبة الذكاء الاصطناعي بين عدد قليل من مزودي السحابة وعمالقة الأجهزة، برز Gonka كشبكة من الطبقة الأولى تركز على بنية تحتية لذكاء اصطناعي لامركزية عالية الكفاءة. يعتقد مؤسس المشروع أنه من خلال معاملة الحوسبة كبنية تحتية مفتوحة وقابلة للتحقق بدلاً من خدمة مغلقة، يمكن لـ Gonka فتح الوصول العالمي إلى موارد الذكاء الاصطناعي وتحدي القيود الهيكلية للأنظمة المركزية الحالية.

1. ما هو Gonka، وما المشكلة التي يحلها؟

Gonka هو شبكة لامركزية من الطبقة الأولى للحوسبة عالية الكفاءة للذكاء الاصطناعي، مصممة لمعالجة مشكلة هيكلية تحت ازدهار الذكاء الاصطناعي اليوم: كيف يتم إنتاج وتخصيص وتحفيز الحوسبة للذكاء الاصطناعي.

اليوم، لم تعد النماذج هي العقبة الرئيسية في الذكاء الاصطناعي، بل السيطرة على الحوسبة. تت集中 GPUs المتقدمة بين عدد قليل من مصنعي الأجهزة ومزودي السحابة ذات النطاق الواسع، مما يجعل حوسبة الذكاء الاصطناعي مكلفة، غامضة، ومتزايدة التقييد بالجغرافيا والسياسة. تتسارع الولايات المتحدة والصين في تجميع السيطرة على الرقائق والطاقة وسعة مراكز البيانات، مما يضع بقية العالم في موقف تابع ويحد من قدرته على المنافسة في اقتصاد الذكاء الاصطناعي.

هذا يؤثر على الشركات الناشئة والمناطق بأكملها. يواجه المطورون تقلبات في الأسعار، نقص في القدرة، واحتكار الموردين، بينما تخاطر العديد من الدول بالتخلف بسبب محدودية الوصول إلى البنية التحتية الأساسية للذكاء الاصطناعي.

يعيد Gonka التفكير في ذلك على مستوى البروتوكول. بدلاً من معاملة الحوسبة كخدمة مغلقة يتحكم فيها مزودو الخدمات المركزية، استلهمنا من أنظمة أثبتت إمكانية تنسيق البنية التحتية الفيزيائية على نطاق واسع من خلال حوافز مفتوحة. تمامًا كما أظهر البيتكوين في الأجهزة والطاقة، يطبق Gonka مبادئ مماثلة على حوسبة الذكاء الاصطناعي، ليس على مستوى التطبيق، بل على مستوى البروتوكول نفسه.

باستخدام آلية إثبات العمل المعتمدة على Transformer، توجه الشبكة تقريبًا كل قوة GPU المتاحة نحو أعباء عمل ذات معنى في الذكاء الاصطناعي. اليوم، يتركز هذا العمل بشكل رئيسي على استنتاجات الذكاء الاصطناعي، مع خطط للتدريب في المستقبل. يكسب المضيفون مكافآت بناءً على مساهمتهم الحسابية المُحققة، وليس على تخصيص رأس المال أو الآليات المضاربة. وعلى عكس العديد من الأنظمة اللامركزية، لا يتم حرق الحوسبة على مهام أمنية مجردة أو عمل توافق مكرر، بل تُستخدم بشكل منتج.

بالنسبة للمطورين، يوفر هذا وصولًا متوقعًا إلى حوسبة الذكاء الاصطناعي دون الاعتماد على واجهات برمجة التطبيقات المغلقة أو مزود سحابة واحد. بشكل أوسع، يعامل Gonka حوسبة الذكاء الاصطناعي كبنية تحتية أساسية، فعالة، قابلة للتحقق، وموزعة عالميًا، بدلاً من أن تكون موردًا يتحكم فيه عدد قليل من حراس البوابة.

2. كيف يختلف نموذج إثبات العمل في Gonka عن مشاريع الذكاء الاصطناعي اللامركزية الأخرى مثل Bittensor؟

الفرق الرئيسي يكمن في ما يحدده كل شبكة على أنه “عمل” وكيفية خلق القيمة حوله.

تركز العديد من مشاريع الذكاء الاصطناعي اللامركزية، بما في ذلك Bittensor، على التنسيق على مستوى النموذج أو الشبكة. غالبًا ما تتشكل حوافزها بواسطة الرهان، التفويض، أو أنظمة التقييم بين الأقران، حيث لا تكون المكافآت والتأثير دائمًا متناسبة مباشرة مع المساهمة الحسابية الخام. قد يكون هذا النهج فعالًا لبعض مشاكل التنسيق، لكنه لا يحقق بالضرورة الأمثل للبنية التحتية للحوسبة عالية الكفاءة على نطاق واسع.

يختار Gonka مسارًا مختلفًا. فهو مصمم كشبكة تعتمد على الحوسبة أولاً، حيث يُعرف “العمل” على أنه حوسبة ذكاء اصطناعي قابلة للتحقق. يعتمد إثبات العمل في Gonka على آلية إثبات العمل المعتمدة على Transformer التي تقيس العمل الحقيقي لوحدة معالجة الرسومات، وليس تخصيص رأس المال أو المشاركة المضاربة. ترتبط قوة التصويت والمكافآت مباشرة بالمساهمة الحسابية المُحققة، مما ينسجم مع أداء البنية التحتية الفعلي.

ميزة أخرى مهمة هي الكفاءة. في العديد من الأنظمة اللامركزية، يُستهلك جزء كبير من الحوسبة المتاحة بواسطة التوافق، التحقق، أو العمل المكرر الذي لا قيمة له خارج الشبكة. على سبيل المثال، في أنظمة مثل Bittensor، يُخصص حوالي 60% من المكافآت للرهان، والذي ضروري لأمان الشبكة، لكنه لا يساهم في الحوسبة الذكاء الاصطناعي. يقلل تصميم Gonka القائم على Sprint من هذا الحمل، مما يسمح بتوجيه تقريبًا كل موارد GPU المتاحة نحو أعباء عمل ذات معنى في الذكاء الاصطناعي، خاصة الاستنتاج.

بعبارات بسيطة، تركز مشاريع مثل Bittensor على تنسيق الذكاء، بينما يركز Gonka على بناء الأساس الاقتصادي والبنيوي للحوسبة الذكاء الاصطناعي نفسها. تعمل هذه الأساليب على طبقات مختلفة من المكدس، ويُحسن نموذج Gonka عمدًا لمزودي الأجهزة والأعباء الحقيقية للذكاء الاصطناعي.

3. لماذا اختار Gonka التركيز على استنتاج الذكاء الاصطناعي بدلاً من التدريب؟

تم بناء Gonka كشبكة تعتمد على الحوسبة أولاً، وهذا المنظور يشكل بشكل طبيعي نقطة انطلاقنا.

كان قرار التركيز على الاستنتاج أولاً مسألة تسلسل، وليس قيدًا. فالاستخدام الحقيقي للذكاء الاصطناعي اليوم يحدث بشكل رئيسي في الاستنتاج، وهو أيضًا المكان الذي تظهر فيه عنق الزجاجة في البنية التحتية بشكل أكبر. مع انتقال أنظمة الذكاء الاصطناعي من التجربة إلى الإنتاج، يصبح الاستنتاج المستمر مكلفًا، محدود القدرة، ومتحكمًا فيه بشكل كبير من قبل مزودي الخدمات المركزية.

من منظور تصميم الشبكة، يُعد الاستنتاج أيضًا المكان الصحيح للبدء. فهو يسمح لنا بالتحقق من المبادئ الأساسية لـ Gonka — الحوسبة القابلة للتحقق، تخصيص الموارد بكفاءة، وتوافق الحوافز — تحت أعباء عمل إنتاجية حقيقية. أعباء العمل في الاستنتاج مستمرة، قابلة للقياس، ومناسبة بشكل جيد لبيئة لامركزية حيث تهم كفاءة واستغلال الأجهزة.

أما التدريب، خاصة على نطاقات أكبر، فهو نوع مختلف من المشكلات ذات ديناميكيات تنسيق وخصائص تنفيذية خاصة بها. تركيزنا ينصب على بناء بنية تحتية تعمل وفق الطلب الحقيقي أولاً، والاستنتاج هو المكان الذي تتواجد فيه تلك الطلبات اليوم. لكن Gonka يخطط أيضًا لإضافة التدريب في المستقبل، وتخصص الشبكة 20% من جميع إيرادات الاستنتاج لدعم تدريب النماذج المستقبلية.

4. كيف يتحقق Gonka من أن المعدنين يؤدون فعلاً عمل استنتاج الذكاء الاصطناعي الذي يدعون أنهم أكملوه؟

التحقق في Gonka مدمج مباشرة في كيفية قياس وتقييم الشبكة للحوسبة.

يتم تنفيذ مهام الاستنتاج خلال فترات قصيرة ومحددة زمنياً تسمى Sprint. في كل Sprint، يُطلب من المضيفين تشغيل استنتاج على نماذج Transformer كبيرة يتم تهيئتها عشوائيًا لكل دورة. نظرًا لأن هذه المهام مكثفة حسابيًا وتتغير باستمرار، فهي لا يمكن أن تُحسَب مسبقًا، أو تُحاكى، أو يُعاد استخدامها من عمليات سابقة. الطريقة الوحيدة لإنتاج مخرجات صالحة هي إجراء الحساب الحقيقي.

تتحقق الشبكة من النتائج عبر التحقق مما إذا كانت المخرجات تتطابق مع المتوقع من تشغيل النموذج فعليًا

للحفاظ على كفاءة النظام، لا تتحقق Gonka من كل عملية حسابية على حدة. بدلاً من ذلك، تتحقق من جزء من النتائج بشكل مستمر وتزيد من عمليات التحقق للمشاركين الذين يُشتبه في تزوير نتائجهم. جزء من مكافأة المضيفين يتكون من رسوم مقابل العمل المفيد. لا تُدفع هذه الرسوم إذا لم يمر العمل المنجز بالتحقق. يضمن هذا النهج تقليل الحمل التشغيلي مع الحفاظ على أن تقديم نتائج غير صحيحة أو مزورة لا يكون مجديًا.

مع مرور الوقت، يُعترف بالمضيفين الذين يرسلون نتائج صحيحة باستمرار كمساهمين موثوقين ويكتسبون مشاركة أكبر في الشبكة. هذا المبدأ نفسه، وهو مكافأة الحساب الحقيقي، هو ما يدعم الحوافز والتأثير في Gonka.

5. تسيطر OpenAI وGoogle وMicrosoft على بنية تحتية هائلة للحوسبة مع قواعد عملاء راسخة. ما الذي يجعل Gonka تنافسيًا ضد هؤلاء القائمين؟

التحدي ليس في التقنية نفسها، بل في كيفية السيطرة على الوصول إلى الحوسبة.

لا نرى Gonka كمنافسة مع شركات مثل OpenAI، Google، أو Microsoft بالمعنى التقليدي. فهي تبني وتدير بعض من أكثر أنظمة الذكاء الاصطناعي المركزية تقدمًا في العالم، وستستمر تلك الأنظمة في لعب دور رئيسي.

الفرق يكمن في الطبقة من المكدس التي نعالجها. مزودو الخدمات المركزية يتحكمون في بنية تحتية هائلة، لكن ذلك التحكم يأتي مع تنازلات. الوصول إلى الحوسبة مغلق، والأسعار غير واضحة، والقدرة تتشكل حسب الأولويات الداخلية. بالنسبة للعديد من المطورين والمناطق، يؤدي ذلك إلى تقلبات، واحتكار، وتوقعات محدودة على المدى الطويل.

تم تصميم Gonka كبنية تحتية مفتوحة بدلاً من خدمة. تُوفر الحوسبة بواسطة شبكة لامركزية من المضيفين، وتُشكل التوافر بواسطة العرض والطلب الحقيقيين على الحوسبة. تتوافق الحوافز على مستوى الشبكة، حيث تُكافأ الحوسبة المُحققة وتشجع تحسين البنية التحتية المستمر.

هذا يجعل Gonka تنافسيًا ليس عن طريق استبدال القائمين، بل من خلال تمكين حالات استخدام غير مخدومة بشكل كافٍ من قبل المنصات المركزية، الأحمال التي تتطلب الانفتاح، الوصول المتوقع، والشفافية على مستوى البنية التحتية. من خلال إنشاء سوق يتنافس فيه مزودو الأجهزة مباشرة على الأداء والكفاءة، يخفض Gonka أيضًا تكلفة حوسبة الذكاء الاصطناعي، مما يجعلها في متناول مجموعة أوسع من المطورين والشركات الناشئة والمناطق.

6. منذ إطلاقه في أغسطس 2025، نمت Gonka إلى 2200 مطور و12,000 سعة GPU معادلة. ما الذي يدفع هذا الاعتماد؟

ما يدفع هذا الاعتماد ليس الضجة قصيرة الأمد، بل التوافق الهيكلي.

من جانب العرض، يبحث المضيفون عن بدائل للنماذج المركزية التي لا تستغل أجهزتهم بشكل كامل. من جانب الطلب، يواجه المطورون تقلبات في الأسعار، قيود في القدرة، وواجهات برمجة تطبيقات مغلقة من مزودي الخدمات المركزية. مع انتقال أعباء العمل في الذكاء الاصطناعي إلى الإنتاج، تصبح التوقعات والوصول مهمة بنفس قدر الأداء الخام.

كلما انضم المزيد من المضيفين، سواء بشكل مستقل أو من خلال تجمعات (وهو موضوع أوسع بحد ذاته)، أصبح الشبكة أكثر فائدة للمطورين. مع دخول المزيد من أعباء العمل عبر الإنترنت، يخلق ذلك طلبًا مستدامًا يجذب البنية التحتية بشكل أكبر. لقد كان هذا التفاعل هو المحرك الرئيسي للاعتماد.

وتعكس وتيرة الاعتماد أن حوافز Gonka تتوافق مع الاحتياجات الواقعية على كلا الجانبين. يُكافأ المضيفون على الحوسبة المفيدة، ويحصل المطورون على وصول موثوق إلى قدرة الاستنتاج، وتنمو الشبكة بشكل عضوي مع تعزيز تلك المصالح بعضها البعض.

يحدث الكثير من هذا التنسيق بشكل مفتوح داخل مجتمع Gonka، بما في ذلك المناقشات المستمرة في Discord الخاص بـ Gonka.

7. مؤخرًا، حصلت Gonka على استثمار بقيمة $50 مليون من Bitfury مع الحفاظ على نموذج حوكمة لامركزي. كيف توازن Gonka بين رأس المال المؤسسي ورؤيتها لللامركزية؟

النقطة الأساسية هي أن Gonka لامركزية من التصميم على مستوى البروتوكول، وليس فقط في السرد. الحوكمة في الشبكة مرتبطة بالمساهمة الحاسوبية القابلة للتحقق وليس بملكية رأس المال.

الدعم الأخير من شريك مؤسسي مثل Bitfury لا يترجم إلى سيطرة على الشبكة. مشاركتهم تعكس خبرة عميقة في بناء بنية تحتية للحوسبة على نطاق واسع، لكنها لا تمنح امتيازات خاصة داخل البروتوكول. في Gonka، التمويل نفسه لا يتحول إلى تأثير. تُتخذ القرارات بشأن الاستثمارات بواسطة مجتمع Gonka، الذي صوت لاختيار بيع GNK من صندوق المجتمع إلى Bitfury.

عمليًا، يُحدد قوة التصويت والمشاركة في قرارات الشبكة بناءً على مقدار الحوسبة الذكاء الاصطناعي المُحققة التي يساهم بها المشارك فعليًا. يتزايد التأثير من خلال العمل الحقيقي: وحدات معالجة الرسومات المتصلة، الأداء المستدام، والمساهمة المثبتة في أعباء العمل. لا يمكن شراؤه أو اكتسابه من خلال الاستثمار المالي فقط؛ بل يجب كسبه من خلال تشغيل البنية التحتية. ينطبق هذا على الأفراد، والمشغلين الكبار، والمشاركين المؤسساتيين على حد سواء.

هذا الفصل مقصود. يمكن لرأس المال المؤسسي تسريع التطوير المبكر، والبحث، ونمو النظام البيئي، لكن اللامركزية تُفرض بواسطة آليات الحوافز والحوكمة في الشبكة. لا يمكن لأي مشارك، مؤسسيًا كان أم لا، أن يسيطر بشكل مهيمن دون مساهمة حوسبة موثقة ومتوازنة.

يتيح هذا النهج لـ Gonka العمل مع شركاء بنية تحتية ذوي خبرة مع الحفاظ على مبدأه الأساسي: أن تُحكم الشبكة بواسطة من يشغلها، وليس بواسطة من يمولها.

8. إذا أصبحت استنتاجات الذكاء الاصطناعي سلعة، فإن القيمة عادةً تتدفق إلى من يسيطر على النماذج، وليس على البنية التحتية. كيف تلتقط Gonka قيمة مستدامة طويلة الأمد؟

تلك النمطية صحيحة بشكل رئيسي في الأنظمة المغلقة، حيث تسيطر نفس الشركات على النماذج، والبنية التحتية، والوصول. في تلك الأنظمة، تتركز القيمة ليس فقط في السيطرة، بل أيضًا في الهوامش، ويقتصر المشاركة في الأرباح على مجموعة ضيقة من المساهمين الشركات.

اليوم، يمكن للناس دفع مقابل استخدام AI من قبل OpenAI، Anthropic، أو مزودين آخرين، لكنهم لا يشاركون بشكل فعلي في اقتصاديات حوسبة الذكاء الاصطناعي نفسها. لا توجد طريقة للمشاركة المباشرة أو الاستفادة من طبقة الحوسبة وراء تلك الأنظمة. الشركات العامة مثل Nvidia، Meta، أو Google تعرض التعرض للذكاء الاصطناعي فقط كجزء من أعمال أوسع، وليس كمستوى اقتصادي مستقل للحوسبة. ونتيجة لذلك، تظل أحد أسرع أجزاء اقتصاد الذكاء الاصطناعي مغلقة إلى حد كبير.

وفي الوقت نفسه، رغم أن الاستنتاج قد يصبح سلعة على السطح، إلا أن الحوسبة لا تتغير. فهي مقيدة بتوفر الأجهزة، والطاقة، والجغرافيا، والتنسيق. مع تزايد الطلب على الاستنتاج عالميًا، يتحول عنق الزجاجة بشكل متزايد من النماذج إلى الوصول إلى حوسبة موثوقة وفعالة من حيث التكلفة على نطاق واسع، ويصبح ذلك العنق الزجاجي ذا قيمة هيكلية.

لهذا تداعيات اقتصادية أوسع. عندما يتركز الوصول إلى الحوسبة، يُدفع المناطق بأكملها إلى موقف تابع، مما يحد من الابتكار المحلي، والنمو الإنتاجي، والمشاركة في اقتصاد الذكاء الاصطناعي.
الدول التي لا تملك وصولاً مميزًا إلى السحابات ذات النطاق الواسع أو GPUs المتقدمة مضطرة لاستهلاك الذكاء الاصطناعي كخدمة، بدلاً من بنائه أو المساهمة في بنيته التحتية الأساسية.

تم بناء Gonka حول ذلك العنق الزجاجي على مستوى البروتوكول. بدلاً من امتلاك النماذج أو جني الإيجارات، ينسق الشبكة كيفية إنتاج الحوسبة، والتحقق منها، وتخصيصها من خلال قواعد مفتوحة وبدون إذن. يمثل GNK المشاركة المباشرة في اقتصاد حوسبة الذكاء الاصطناعي نفسه، وليس حقوق ملكية في شركة، بل وصول وتأثير مرتبط بالمساهمة الحقيقية والقابلة للتحقق.

كما يغير هذا النموذج من يمكنه المشاركة. يمكن لمالكي الأجهزة، من المشغلين الكبار إلى حاملي GPU الأصغر، المساهمة مباشرة في أعباء عمل الذكاء الاصطناعي وكسب بناءً على الحوسبة المُحققة، سواء بشكل مستقل أو من خلال تجمعات. يحصل المطورون على وصول إلى حوسبة متوقعة وشفافة دون أن يكونوا مقيدين بمزود واحد أو نماذج تسعير غامضة.

وعلى نطاق أوسع، نرى مستقبلين محتملين يظهران. أحدهما حيث تملك وتسيطر على معظم قدرات الذكاء الاصطناعي عدد قليل من الشركات والدول، والآخر حيث تسمح الشبكات المفتوحة بتنسيق الحوسبة عالميًا، مع تدفق القيمة إلى من يساهم فعليًا بالموارد. تم بناء Gonka للطريق الثاني.

كما أنه من المهم عدم إغفال دور النماذج المفتوحة المصدر. فهي منذ البداية كانت محركًا رئيسيًا للابتكار في الذكاء الاصطناعي، خاصة بين المطورين والشركات الناشئة. نعتقد أن الشبكات مثل Gonka تدعم بشكل طبيعي تطوير واعتماد النماذج المفتوحة من خلال توفير حوسبة قابلة للتحقق ومتاحة، مما يتيح للذكاء أن يظل مفتوحًا، وتنافسيًا، وغير مقيد بالبنية التحتية المملوكة.

9. ما الخبرة المحددة في صناعة الذكاء الاصطناعي التي دفعت المؤسسين للاعتقاد بأن البنية التحتية اللامركزية ضرورية؟

لم تأتِ قناعتنا من النظرية، بل من سنوات العمل مع الحوسبة الموزعة ومن بناء أنظمة ذكاء اصطناعي داخل بيئات مركزية على نطاق واسع.

في Snap ومن خلال Product Science، عملنا على أنظمة ذكاء اصطناعي إنتاجية حيث قرارات الوصول إلى الحوسبة تحدد مباشرة ما يمكن بناؤه ونشره. رأينا كيف تُتخذ قرارات البنية التحتية عندما يصبح الذكاء الاصطناعي حرجًا تجاريًا، ومدى السيطرة الشديدة على تلك القرارات.

الأمر الذي برز أكثر هو مدى تركيز سوق الحوسبة للذكاء الاصطناعي فعليًا. عدد قليل من الشركات يسيطر على الوصول إلى GPUs المتقدمة، يحدد الأسعار، يضع حدودًا للسعة، ويقرر الحالات التي يمكن أن تكون قابلة للتنفيذ. هذا التركيز لا يشكل فقط الأسواق؛ بل يشكل القوة. السيطرة على الحوسبة تزداد أهمية في تحديد من يمكنه المشاركة في ابتكار الذكاء الاصطناعي على الإطلاق.

كما رأينا كيف يمتد هذا التركيز إلى ما هو أبعد من الاقتصاد إلى الجغرافيا والسيادة. يصبح الوصول إلى الحوسبة محدودًا إقليميًا، ويتأثر بتوفر الطاقة، وضوابط التصدير، واستراتيجيات البنية التحتية الوطنية. عمليًا، يضع ذلك مناطق بأكملها في موقف تابع هيكلي، ويحد من قدرتها على بناء أنظمة ذكاء اصطناعي تنافسية.

وفي الوقت ذاته، رأينا أنظمة لامركزية تنسق بنجاح البنية التحتية الفيزيائية على مستوى عالمي. البيتكوين كان مثالًا واضحًا، ليس كأصل مالي، بل كبروتوكول ينسق الحوافز حول الأجهزة والطاقة الحقيقية. هذا التباين جعل المشكلة واضحة.

برزت Gonka من ذلك الإدراك: إذا كانت حوسبة الذكاء الاصطناعي تصبح بنية تحتية أساسية، فهي بحاجة إلى نموذج تنسيق مفتوح، بدون إذن، ومرن، وليس واحدًا يتحكم فيه عدد قليل من الجهات الفاعلة.

10. ماذا يجب أن يحدث لكي تنجح Gonka في بيئة تنافسية حيث تقوم عمالقة التقنية باستمرار بترقية بنيتها التحتية وقدراتها للذكاء الاصطناعي؟

لا تحتاج Gonka إلى بناء أو إنفاق أكثر من عمالقة التقنية لتنجح. عليها أن تظل مركزة على طبقة مختلفة من المكدس، واحدة أقل قدرة هيكليًا على المعالجة من قبل اللاعبين المركزيين.

ستواصل الشركات التقنية الكبرى بناء بنية تحتية قوية للذكاء الاصطناعي. أنظمتها مصممة لبيئات مغلقة، وأولويات داخلية، وتحكم مركزي. يمكن أن يكون هذا النموذج فعالًا جدًا، لكنه يركز الوصول، وقوة التسعير، واتخاذ القرار.

لكي تنجح Gonka، يجب أن تقدم الشبكة باستمرار كفاءة على مستوى البنية التحتية، مع ضمان توجيه معظم الحوسبة نحو أعباء عمل حقيقية في الذكاء الاصطناعي بدلاً من عبء البروتوكول. يجب أن تظل الحوافز مرتبطة بشكل وثيق بالعمل الحسابي المُحقق، بحيث تتوسع المكافآت والتأثير مع المساهمة الحقيقية، وليس رأس المال أو المضاربة.

الأهم من ذلك، يجب أن تحافظ Gonka على بنية مفتوحة وبدون إذن مع قواعد بروتوكولية شفافة. الحوسبة للذكاء الاصطناعي أصبحت بشكل متزايد بنية تحتية أساسية، مماثلة للكهرباء في العصر الصناعي أو الإنترنت في أيامه الأولى. في تلك اللحظات، لم يكن السؤال عن الشركة التي لديها أفضل منتج، بل عن من لديه وصول إلى الشبكة الأساسية، وتحت أي ظروف.

ستستمر عمالقة التقنية في الوجود ولعب دور مهم. تنجح Gonka إذا أصبحت طبقة بنية تحتية تكميلية، تحد من التركز المفرط، توسع الوصول العالمي، وتسمح لنمو الابتكار في الذكاء الاصطناعي في بيئة اقتصادية أكثر انفتاحًا ولامركزية.