White paper

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

DecAIHub: یک دفتر کل اعتبارسنجی برای هوش مصنوعی غیرمتمرکز

نسخه 1.0

چکیده

تقاطع هوش مصنوعی (AI) و فناوری‌های بلاک‌چین یک اکوسیستم در حال گسترش سریع ایجاد کرده است که با "هوش مصنوعی‌شویی" (AI-washing) و "آن‌چین‌شویی" (onchain-washing) گسترده همراه است — یعنی اغراق استراتژیک در توانایی‌های هوش مصنوعی و وابستگی به بلاک‌چین. فقدان افشاگری‌های استاندارد و قابل تأیید، عدم تقارن اطلاعاتی شدیدی ایجاد می‌کند و فعالان بازار را مجبور می‌سازد تا به جای شواهد اساسی، به روایت‌های بازاریابی تکیه کنند. DecAIHub یک دفتر کل اعتبارسنجی دقیق را پیشنهاد می‌کند که برای پر کردن این شکاف طراحی شده است. DecAIHub با معرفی یک "گذرنامه پروژه" ساختاریافته و یک چارچوب شواهد لایه‌بندی‌شده، حقایق قابل تأیید را به طور سیستماتیک از نویز اطلاعاتی جدا می‌کند. این وایت‌پیپر (whitepaper) اصول معماری دفتر کل را ترسیم کرده و طبقه‌بندی (taxonomy) ما، دسته‌بندی شواهد، ارزیابی ضرورت و پایه ریاضی شاخص DecAI Fit را شرح می‌دهد. همان‌طور که اثبات‌های رمزنگاری حالت‌های شبکه را ایمن می‌کنند، چارچوب ما نیز حالت اطلاعاتی اکوسیستم هوش مصنوعی-کریپتو را ایمن می‌سازد و دفاعی قوی در برابر دستکاری و یک مکانیسم غربالگری قابل اعتماد برای ذینفعان ارائه می‌دهد.

1. مقدمه

فضای هوش مصنوعی غیرمتمرکز (DeAI) از یک بحران حاد اعتبارسنجی رنج می‌برد. با گسترش بازار پروژه‌های هوش مصنوعی-کریپتو، اصطلاح "هوش مصنوعی غیرمتمرکز" اغلب از مجموعه‌ای از ویژگی‌های فناوری قابل تأیید، به یک روایت بازاریابی فاقد جوهر قابل تأیید تقلیل یافته است. پروژه‌ها اغلب ادعای ادغام عمیق هوش مصنوعی و ضرورت شدید بلاک‌چین را دارند، در حالی که مصنوعات زیربنایی مورد نیاز برای اثبات این ادعاها ممکن است به صورت عمومی در دسترس نباشند. این محیطِ خوداظهاریِ بدون محدودیت، عدم تقارن اطلاعاتی بین افراد داخلی پروژه و ذینفعان خارجی — از جمله سرمایه‌گذاران، محققان و تنظیم‌کنندگان — را تشدید می‌کند.

مشکل اصلی صرفاً کمبود اطلاعات نیست، بلکه کمبود اطلاعات قابل مقایسه و تأیید شده است. تجمیع‌کننده‌های بازار فعلی و ردیاب‌های امور مالی غیرمتمرکز (DeFi) بر فراداده‌هایی تکیه می‌کنند که منعکس‌کننده موقعیت تجاری هستند تا ماهیت فنی. در نتیجه، اکوسیستم با خطرات "هوش مصنوعی‌شویی" مواجه است — جایی که تکامل‌های پایه API ممکن است به عنوان مدل‌های هوش مصنوعی اختصاصی معرفی شوند — و "توکن‌شویی" (token-washing) — جایی که توکن‌ها ممکن است بدون نیاز عملکردی اثبات‌شده وارد اکوسیستم‌ها شوند.

برای حل این مشکل، اکوسیستم نیازمند یک اتاق پایاپای (clearinghouse) معتبر برای ادعاهای قابل تأیید است. DecAIHub به عنوان یک دفتر کل اعتبارسنجی عمل می‌کند، نه یک دایرةالمعارف سنتی. این پلتفرم بر این فرض بنا شده است که ادعاهای فاقد مصنوعات قابل تأیید، از نویز بازاریابی غیرقابل تشخیص هستند. رویکرد ما پارادایم ارزیابی را از "اعتماد به وایت‌پیپر" به "تأیید ردپای شواهد" تغییر می‌دهد و یک سیگنال سریع، دقیق و قابل مقایسه از همسویی واقعی یک پروژه با نظریه هوش مصنوعی غیرمتمرکز ارائه می‌دهد.

2. چارچوب اعتبارسنجی

در قلب معماری DecAIHub، "گذرنامه پروژه" (Project Passport) قرار دارد — یک موجودیت یکپارچه و ساختاریافته که به عنوان واحد پایه اعتبارسنجی (مشابه یک تراکنش در شبکه بلاک‌چین) عمل می‌کند. گذرنامه، داده‌های پراکنده پروژه را در یک قرارداد داده خواندن-توسط-ماشین استاندارد می‌کند که شامل فراداده‌های نرمال‌شده، پیوندهای متعارف و از همه مهم‌تر، یک لایه شواهد (Evidence Layer) است.

برای جداسازی سیستماتیک سیگنال از نویز، DecAIHub از یک سیستم طبقه‌بندی شواهد لایه‌بندی‌شده استفاده می‌کند که منابع را بر اساس قابلیت تأیید مستقل آنها رتبه‌بندی می‌کند:

• سطح 1 (شواهد اولیه - بالاترین وزن): مصنوعاتی که به طور مستقیم و مستقل قابل تأیید هستند. این شامل حقایق درون‌زنجیره‌ای (قراردادهای هوشمند تأیید شده، داده‌های کاوشگر بلاک‌چین)، مخازن عمومی رسمی با تاریخچه انتشار فعال (مانند GitHub)، مستندات فنی رسمی و ممیزی‌های امنیتی منتشر شده توسط شخص ثالث است. منابع سطح 1 بلوک‌های سازنده اساسی اعتماد در دفتر کل هستند.
• سطح 2 (شواهد زمینه‌ای - وزن متوسط): منابع ثانویه‌ای که پشتیبانی زمینه‌ای ارائه می‌دهند اما نمی‌توانند به عنوان اثبات مستقلِ ادعاهای فناوری عمل کنند. این شامل داده‌های تجمیع‌کننده‌های معتبر (CoinGecko، CoinMarketCap)، کاتالوگ‌های اکوسیستم و داشبوردهای تحلیل درون‌زنجیره‌ای است.
• سطح 3 (نویز اطلاعاتی - کمترین وزن): منابع سطح سوم مانند پست‌های رسانه‌های اجتماعی، تبلیغات اینفلوئنسرها، بیانیه‌های مطبوعاتی و ادعاهای تأیید نشده جامعه. این منابع تا حد زیادی از فرآیند رسمی امتیازدهی اعتبارسنجی مستثنی می‌شوند.

این چارچوب همچنین بین شفافیت تعبیه‌شده در معماری (AET) — سیگنال‌های اجباری توسط فناوری، مانند گزارش‌های تراکنش درون‌زنجیره‌ای — و شفافیت تولیدشده داوطلبانه (VPT)، که نیازمند سرمایه‌گذاری عمدی سازمانی است (مانند ممیزی‌های امنیتی و مستندات جامع)، تمایز قائل می‌شود. بسته‌بندی استراتژیک (Strategic bundling) عمدتاً در حاشیه داوطلبانه عمل می‌کند و به عنوان یک شاخص معتبر از ماهیت پروژه عمل می‌کند. از طریق پروتکل‌های قضاوت محافظه‌کارانه، هر ادعایی که فاقد پشتیبانی سطح 1 باشد، به طور پیش‌فرض به عنوان "تأیید نشده" (unverified) در نظر گرفته می‌شود؛ این امر خطرات مثبت کاذب را محدود کرده و ارزیابی‌های مقاوم در برابر دستکاری را در برابر تاکتیک‌های خصمانه مانند افشای انتخابی و تزریق ابهام تضمین می‌کند.

3. طبقه‌بندی و دامنه

تعریف مرزهای اکوسیستم هوش مصنوعی غیرمتمرکز، پیش‌نیازی برای غربالگری سیستماتیک است. حوزه هوش مصنوعی-کریپتو ابهام ساختاری شدید و هم‌رخدادی برچسب‌ها را نشان می‌دهد؛ پروژه‌ها اغلب چندین دسته را در بر می‌گیرند و به طور همزمان به عنوان زیرساخت، ارائه‌دهندگان محاسبات و پروتکل‌های DeFi عمل می‌کنند.

DecAIHub این مشکل را از طریق یک طبقه‌بندی چند-برچسبیِ به‌شدت نرمال‌شده حل می‌کند که پروژه‌ها را به بخش‌های عملکردی اصلی (مانند زیرساخت، هوش مصنوعی/عامل‌ها، هوش مصنوعی/محاسبات، هوش مصنوعی/داده‌ها، هوش مصنوعی/استنتاج) دسته‌بندی می‌کند. با این حال، تحلیل تشخیصی ما نشان می‌دهد که ابهام ساختاری برچسب‌ها از عدم قطعیت کیفیت مستندات متمایز است. یک بخش ممکن است مرزهای سیال اما مستندات دقیق داشته باشد (مانند هوش مصنوعی/محاسبات)، یا ممکن است از نظر ساختاری ساده باشد اما فاقد شواهد قابل تأیید شدید باشد (مانند توکن‌های Meme).

بنابراین، دامنه اعتبارسنجی DecAIHub صراحتاً تقاطع واقعیت هوش مصنوعی (AI Reality) و ضرورت درون‌زنجیره‌ای (On-chain Necessity) را هدف قرار می‌دهد. ما یک پروژه معتبر هوش مصنوعی غیرمتمرکز را نه تنها با برچسب‌های خود-اختصاص‌داده‌شده‌اش، بلکه با توانایی آن در نشان دادن موارد زیر تعریف می‌کنیم:

1. واقعیت هوش مصنوعی: وجود یک توانایی واقعی هوش مصنوعی — خواه استنتاج مدل، آموزش، برچسب‌گذاری داده‌ها یا عامل‌های خودمختار — که توسط معماری‌های فنی، معیارها یا دموهای قابل تکرار پشتیبانی می‌شود.
2. ضرورت درون‌زنجیره‌ای: یک نیاز قابل اثبات برای زیرساخت بلاک‌چین که فراتر از صدور توکن است و معمولاً شامل تسویه حساب بدون نیاز به اعتماد (trustless settlement)، محاسبات قابل تأیید، مقاومت در برابر سانسور یا مدیریت وضعیت غیرمتمرکز است.

با اعمال این مرزها، DecAIHub هم پروژه‌های هوش مصنوعی سنتی که توکن‌های بی‌مورد صادر می‌کنند و هم پروژه‌های کریپتوی سنتی که اصطلاحات هوش مصنوعی را به طور سطحی اتخاذ می‌کنند، فیلتر می‌کند. طبقه‌بندی حاصل، یک داربست قوی برای محاسبه بعدی شاخص DecAI Fit فراهم می‌کند.

4. شواهد و اعتبارسنجی

همان‌طور که اثبات کار (Proof-of-Work) برای ایجاد اجماع به هزینه‌های محاسباتی متکی است، DecAIHub نیز برای ایجاد قابلیت تأیید به اقتصاد شواهد (Economy of Evidence) متکی است. در یک محیط بدون نیاز به اعتماد (trustless environment)، کیفیت پروژه از طریق مصنوعات پرهزینه و دشوار برای جعل شدن سیگنال داده می‌شود، نه صرفاً ادعاها.

چارچوب ما یک فرآیند غربالگری دو مرحله‌ای را معرفی می‌کند که "شکاف شواهد" (evidence gap) را ارزیابی می‌کند — اختلاف بین ادعاهای مطرح شده و مصنوعات قابل تأیید سطح 1. این شکاف به صورت ساختاری با تمایز بین موارد زیر ارزیابی می‌شود:

• شفافیت تعبیه‌شده در معماری (AET): افشاگری‌هایی که به طور پیش‌فرض به دلیل فناوری زیربنایی وجود دارند، مانند داده‌های درون‌زنجیره‌ای قابل دسترسی از طریق کاوشگرهای بلوک عمومی. این موارد اختیاری نیستند و از نظر ساختاری کم‌هزینه‌اند.
• شفافیت تولیدشده داوطلبانه (VPT): افشاگری‌هایی که نیازمند تلاش سازمانی عمدی و پرهزینه هستند، مانند ممیزی‌های امنیتی رسمی، مخازن GitHub که به طور فعال نگهداری می‌شوند و مستندات فنی جامع.

با اندازه‌گیری شکاف بین شدت ادعای روایی و مصنوعات VPT، دفتر کل به طور سیستماتیک پروژه‌های دارای "خطر اعتبارسنجی پایین" را پرچم‌گذاری می‌کند. چارچوب اعتبارسنجی از پروتکل‌های قضاوت محافظه‌کارانه استفاده می‌کند — جایی که شواهد مبهم یا متناقض به طور پیش‌فرض روی "تأیید نشده" تنظیم می‌شوند — و در نتیجه در برابر استراتژی‌های دستکاری خصمانه مانند افشای انتخابی، تزریق ابهام و تورم ادعاها دفاع می‌کند.

5. ضرورت درون‌زنجیره‌ای و توکن

یک ویژگی تعیین‌کننده پروژه‌های هوش مصنوعی-کریپتو، ادعای ضرورت مرکب است: ادعای اینکه هم زیرساخت بلاک‌چین و هم یک توکن بومی برای سیستم ضروری هستند. DecAIHub این ادعاها را از طریق آزمایش‌های تأیید صریح بررسی می‌کند.

ضرورت درون‌زنجیره‌ای و تست "جایگزینی زنجیره": ما ارزیابی می‌کنیم که آیا یک پروژه از بلاک‌چین برای منطق اساسی (مانند تأیید محاسبات غیرمتمرکز، مدیریت وضعیت) فراتر از صدور توکن استفاده می‌کند یا خیر. استاندارد نهایی، تست "جایگزینی زنجیره" (Replace-the-Chain) است: آیا حذف مؤلفه بلاک‌چین باعث از کار افتادن عملکرد اصلی پروژه یا مدل اعتماد آن می‌شود؟ پروژه‌هایی که ادعای ضرورت درون‌زنجیره‌ای فراگیر دارند در حالی که شواهد قابل تأیید یافت نمی‌شود، در منطقه "ادعا شده حیاتی" (Claimed-Critical) قرار می‌گیرند، که ممکن است نشان‌دهنده آن‌چین‌شویی (onchain-washing) بالقوه باشد.

کاربرد توکن (Token Utility): به طور مشابه، چارچوب ارزیابی می‌کند که آیا یک توکن بومی به یک عملکرد اقتصادی یا حاکمیتی مورد نیاز (مانند استیکینگ، دسترسی به شبکه، توزیع مشوق‌ها) پاسخ می‌دهد یا اینکه از نظر عملکردی با مکانیسم‌های موجود مانند استیبل‌کوین‌ها یا دارایی‌های لایه پایه (مانند ETH) قابل جایگزینی است. "کسری اعتبارسنجی توکن" بالا ممکن است نشان‌دهنده توکن‌شویی (token-washing) باشد، جایی که توکن ممکن است عمدتاً به عنوان یک مکانیسم تأمین مالی عمل کند تا یک ضرورت عملکردی اثبات‌شده.

6. حاکمیت و داده‌های باز

برای حفظ یکپارچگی سیستمیک، DecAIHub به یک ساختار رسمی حاکمیت داده پایبند است که شکاف بین روایت‌های پروژه و واقعیت قابل تأیید را پر می‌کند. طراحی دفتر کل، حداقل مؤلفه‌های ردیابی (مانند مستندات، کاوشگرهای بلوک، مخازن) را برای کاهش خطرات هم مثبت کاذب و هم منفی کاذب در ارزیابی پروژه اعمال می‌کند.

مهم‌تر از همه، DecAIHub متعهد به شفافیت بنیادی و داده‌های باز (Open Data) است و به اصول داده FAIR (قابل کشف، قابل دسترس، قابل تعامل و قابل استفاده مجدد) پایبند است. واحد پایه‌ای پلتفرم ما — طرح‌واره کارت پروژه (Project-Card Schema) — به عنوان یک قرارداد داده JSON خواندن-توسط-ماشین رسمی شده است که شامل سه ماژول اصلی است:

1. گذرنامه (Passport): فراداده‌های نرمال‌شده که زیرساخت پروژه، اجزای هوش مصنوعی و مدل‌های توکن را توصیف می‌کند.
2. پیوندها (Links): URLهای متعارف که به منابع اولیه مسیریابی می‌کنند.
3. شواهد (Evidence): جدول ارزیابی ساختاریافته که به طور صریح ادعاها را به مصنوعات سطح 1/2/3 متصل می‌کند.

برای توانمندسازی جامعه وسیع‌تر تحقیقاتی و تحلیلی، متدولوژی‌ها و داده‌های زیربنایی منبع‌باز هستند. مخزن تحقیقاتی ما، حاوی طرح‌واره تأیید کامل و متدولوژی‌های مرتبط، در GitHub در دسترس است (https://github.com/DecAIHub/papers)، و مجموعه داده بنیادی کارت‌های پروژه به صورت عمومی در Zenodo سپرده شده است (https://zenodo.org/records/18900950). این زیرساخت داده‌های باز به محققان، سرمایه‌گذاران و تنظیم‌کنندگان مستقل امکان می‌دهد تا تحلیل‌های ما را تکرار کنند، مقایسه‌های متقابل اکوسیستم انجام دهند و ابزارهای غربالگری سفارشی را بر روی چارچوب DecAIHub بسازند.

7. معیار DecAI Fit (محاسبات)

خروجی نهایی فرآیند اعتبارسنجی DecAIHub، معیار DecAI Fit است — یک شاخص ترکیبی (مدرج از 0 تا 6) که همسویی پروژه را با اصول هوش مصنوعی غیرمتمرکز نشان می‌دهد و به شدت توسط کیفیت شواهد محدود شده است. این شاخص برای مقاومت در برابر تورم طراحی شده و سقف‌های حاکمیتی (caps) به صراحت تعریف شده را در بر می‌گیرد.

7.1 نمرات مؤلفه‌ها

ارزیابی به چهار مؤلفه اساسی تقسیم می‌شود که هر کدام بین 0 تا 3 امتیاز می‌گیرند:

1. نمره هوش مصنوعی ($a$): عمق ادغام هوش مصنوعی را بر اساس پرچم‌های باینری (اعلام قصد، شرح عملکردی، در دسترس بودن دمو، معیارها و مستندات معماری) ارزیابی می‌کند. $a = \min(3, A_0 + A_1 + A_2 + A_3 + A_4)$
2. نمره درون‌زنجیره‌ای ($o$): وابستگی به بلاک‌چین را با استفاده از پرچم‌هایی برای وجود قرارداد، منطق اساسی درون‌زنجیره‌ای و تست حیاتی بودن "جایگزینی زنجیره" ارزیابی می‌کند. $o = \min(3, O_1 + O_2 + O_3)$
3. نمره توکن ($t$): کاربرد توکن (پرداخت، استیکینگ، حاکمیت) منهای یک جریمه برای قابلیت جایگزینی را ارزیابی می‌کند. پروژه‌های بدون توکن نمره خنثی 2 را دریافت می‌کنند. $t = \text{clamp}_{[0,3]}(T_1 + T_2 + T_3 - T_4)$
4. نمره شواهد ($e$): وجود شواهد سطح 1 را که از مؤلفه‌های فوق‌الذکر پشتیبانی می‌کنند، اندازه‌گیری می‌کند. $e = \min(3, E^{AI}{T1} + E^{OC}{T1} + E^{TK}_{T1})$

7.2 محاسبه پایه و سقف‌های حاکمیتی (Caps)

مجموع اولیه مؤلفه‌ها $S = a + o + t + e \in {0, \dots, 12}$ است. سپس نمره پایه ($B$) به صورت زیر محاسبه می‌شود: $$B = \max\left(1, \lceil S/2 \rceil\right) \in {1, \dots, 6}$$

برای اطمینان از اینکه تجمیع ریاضی شکاف‌های اساسی قابلیت تأیید را پنهان نمی‌کند، نمره پایه در معرض سقف‌های حاکمیتی (caps) متوالی قرار می‌گیرد. هر قانون فقط می‌تواند نمره نهایی را کاهش دهد:

• R0 (اجبار به صفر واقعیت هوش مصنوعی): اگر پروژه‌ای توانایی‌های هوش مصنوعی قابل تأیید را نشان ندهد ($a = 0$)، نمره نهایی بلافاصله روی 0 تنظیم می‌شود. پروژه‌ای بدون توانایی‌های هوش مصنوعی تأیید شده ($a = 0$) تا تاریخ بررسی، آستانه طبقه‌بندی به عنوان هوش مصنوعی غیرمتمرکز را برآورده نمی‌کند.
• R1 (سقف نویز اطلاعاتی): اگر پروژه‌ای منحصراً به شواهد سطح 3 متکی باشد، سقف نمره آن روی 2 قرار می‌گیرد.
• R2 (سقف گم‌شدن شواهد اصلی): اگر شواهد سطح 1 برای ابعاد هوش مصنوعی یا درون‌زنجیره‌ای مفقود باشد، سقف نمره روی 3 قرار می‌گیرد.
• R3 (سقف اعتبارسنجی توکن): اگر توکنی وجود داشته باشد اما فاقد شواهد سطح 1 برای کاربرد خود باشد، سقف نمره روی 4 قرار می‌گیرد.
• R4 (سقف واقعیت هوش مصنوعی): نمره نهایی نمی‌تواند از نمره پایه هوش مصنوعی پروژه تجاوز کند: اگر $a = 1$، سقف 3 است؛ اگر $a = 2$، سقف 5 است.

این محافظه‌کاری ساختاری تضمین می‌کند که نمرات بالا (5 و 6) منحصراً برای پروژه‌هایی رزرو شده‌اند که افشاگری‌های جامع، چندبعدی و تأیید شده در سطح 1 را ارائه می‌دهند.

8. نتیجه‌گیری

اکوسیستم هوش مصنوعی غیرمتمرکز دارای پتانسیل تکنولوژیکی عمیقی است، اما در حال حاضر توسط تورم روایی گسترده و هنجارهای افشای ناکافی تضعیف شده است. DecAIHub با ایجاد یک چارچوب اعتبارسنجی دقیق و مبتنی بر شواهد به این آسیب‌پذیری سیستمیک می‌پردازد. با عملیاتی کردن مفاهیمی مانند "آن‌چین‌شویی" و پیاده‌سازی معیار DecAI Fit با محدودیت‌های شدید، دفتر کل، نویزهای سفته‌بازانه را فیلتر کرده و پروژه‌هایی را برجسته می‌کند که توسط واقعیت مهندسی قابل اثبات پشتیبانی می‌شوند.

DecAIHub یک پلتفرم مشاوره مالی نیست؛ بلکه یک اتاق پایاپای اطلاعاتی تخصصی است. با بلوغ اکوسیستم، نیاز به تأیید تجربی و مستقل تنها تشدید خواهد شد. متدولوژی‌ها و طرح‌واره داده‌های باز تشریح شده در این وایت‌پیپر، زیرساخت اساسی مورد نیاز برای بازگرداندن اعتماد، شفافیت و پاسخگویی در تقاطع هوش مصنوعی و بلاک‌چین را فراهم می‌کنند.

مراجع

مبانی تجربی و روش‌شناختی چارچوب DecAIHub از مجموعه‌ای از هفت مقاله علمی جامع (A–G) گرفته شده است. مجموعه‌داده‌های اولیه، قوانین طبقه‌بندی، طرح‌واره‌های کارت پروژه و مدل‌های تأیید خصمانه که در این مطالعات به تفصیل شرح داده شده‌اند، برای بررسی عمومی و تکرار منبع‌باز هستند.

• مخزن تحقیقاتی DecAIHub: متدولوژی‌های فنی کامل، اسکریپت‌های تکرار و قراردادهای داده ساختاریافته (طرح‌واره‌های JSON) در آدرس زیر در دسترس هستند: https://github.com/DecAIHub/papers
• مجموعه داده کارت پروژه: سرشماری بنیادی از 845 نمایه پروژه هوش مصنوعی-بلاک‌چین، همراه با پیوند شواهد لایه‌بندی‌شده، به صورت عمومی در Zenodo در آدرس زیر سپرده شده است: https://zenodo.org/records/18900950