استخدمت NEAR أداة DeepSeek لحل 600 مسألة رياضيات، وهي تعمل على جعل تدقيق الكود على السلسلة بتكلفة منخفضة للغاية

الكاتب: تشانغآن، TechFlow

مقدمة TechFlow: تم حل 672 سؤالًا من أصعب مسابقات الرياضيات الجامعية في أمريكا الشمالية بالكامل بواسطة فريق NEAR AI باستخدام Agent. بلغت التكلفة الإجمالية حوالي 111 دولارًا أمريكيًا، أي ما يعادل 0.17 دولار لكل سؤال. اعتمد فريق NEAR AI في هذا الاختبار على نموذج DeepSeek V4 مفتوح المصدر من الصين. لم تكن هذه مجرد منافسة بين النماذج الذكية، فخلف فاتورة الحوسبة تختبئ صناعة البنية التحتية التي تهدف إلى جعل "التحقق الشكلي" للعقود الذكية المكلفة أكثر شيوعًا وشمولاً.

كشفت بيانات اختبار من مكتبة كود مفتوحة المصدر عن التكلفة الأساسية لحل المشكلات باستخدام النماذج الكبيرة.

وفقًا للبيانات التي نشرها المؤسس المشارك لـ NEAR Protocol أليكس سكيدانوف والقنوات الرسمية، تمكن Agent الخاص بـ NEAR AI من حل جميع مسائل الرياضيات البالغ عددها 672 في PutnamBench.

للمتابعين غير الملمين، PutnamBench ليست مجرد بنك أسئلة عادي، بل هو معيار مبني على مسائل مسابقة الرياضيات الجامعية المرموقة في أمريكا الشمالية (William Lowell Putnam).

بعبارة أبسط، يتعلق الأمر بالسماح للذكاء الاصطناعي بإجراء استدلال منطقي رياضي صارم لمعرفة ما إذا كان بإمكانه حل المشكلات ذاتيًا. أنجزت NEAR AI جميع الإجابات بتكلفة بلغت حوالي 111.85 دولارًا أمريكيًا. وبالمتوسط، كلف حل المسألة الواحدة 0.17 دولار.

للمقارنة، كانت فواتير الحلول الأخرى الحاصلة على العلامة الكاملة أعلى بكثير.

بحسب بيانات جمعتها MSBIntel، يبلغ متوسط تكلفة حل السؤال الواحد باستخدام GPT-5.6 من OpenAI حوالي 44.5 دولار، بينما يكلف استخدام Claude Opus 5 من Anthropic نحو 3.52 دولار للسؤال الواحد.

في هذا الاختبار المحدد، اعتمدت NEAR على حل DeepSeek V4 وخفضت التكلفة إلى واحد من كل 250 مقارنة بـ GPT-5.6.

شبكة البلوك تشين تحل مسائل رياضية: الهدف يتجاوز الظاهر

جهود فريق البلوك تشين في حل مسائل الرياضيات لا تستهدف سوق التعليم.

الشرط الأساسي في اختبار PutnamBench هو قابلية التحقق آليًا: يجب ألا تكون إجابة الذكاء الاصطناعي مجرد نص، بل ينبغي عليه كتابة كود إثبات صارم باستخدام Lean 4 (لغة مساعدة شائعة للإثباتات).

يجب ألا يحتوي هذا الكود على ثغرات لغوية أو تجاوز خطوات الاستنتاج، كما يجب أن يجتاز التحقق الآلي بشكل كامل. في مجال علوم الحاسوب، يعرف هذا باسم التحقق الشكلي.

أما في صناعة التشفير، فالعقود الذكية تدير مليارات الدولارات، ويعتمد التدقيق البرمجي التقليدي على البشر لاكتشاف الثغرات، فيما يستخدم التحقق الشكلي منطقًا رياضيًا صارمًا لإثبات سطرًا بسطر أن الكود لن يخطئ في جميع الحالات الممكنة.

طوال السنوات الماضية، ظل العائق الأكبر أمام التحقق الشكلي هو كونه مكلفًا وبطيئًا؛ فهو يتطلب خبراء أمن من الدرجة الأولى وفترات زمنية طويلة، ولا يتحمله إلا كبار المشاريع ذات الميزانيات الضخمة.

أثبت اختبار NEAR AI الأخير إمكانية استخدام النماذج الذكية مفتوحة المصدر لتوليد إثباتات رياضية موثوقة بالجملة، وبأقل التكاليف.

بنية تحتية شعبية لأمان الشبكة

خفض العتبة أمام التحقق الشكلي إلى عدة سنتات هو العمل الذي تؤسس له NEAR حاليًا.

في الوقت الراهن، أصبح هذا الكود الذي يربط DeepSeek مع Lean 4 مفتوح المصدر بالكامل. الاتجاه المعلن التالي من NEAR هو استخدام هذه الأدوات منخفضة التكلفة مباشرة للتحقق من أمان بروتوكول NEAR نفسه والعقود الذكية الأساسية التابعة له.

يمكنك فهم ذلك بأنه توزيع للتقنية على شريحة أوسع، أو بشكل أبسط، هو نشاط عملي من قبل الفريق يرتبط بسردية الذكاء الاصطناعي.

إذا استطاع الذكاء الاصطناعي مفتوح المصدر أن ينتج بثبات إثباتات أمان قابلة للتحقق آليًا، فهذا يعني أن المطورين العاديين وفرق المشاريع الصغيرة يمكنهم تنفيذ التحقق الشكلي قبل نشر العقود، وبتكلفة لا تتجاوز بضع سنتات، مما يقلل من احتمال حدوث مشاكل في العقود الذكية.

ومع ذلك، وبموضوعية، لا يرتبط ذلك مباشرة بتقلبات سعر رمز NEAR على المدى القصير. غير أن استخدام عشرات السنتات للكشف عن المشاكل خلال المنافسة بين شبكات البلوك تشين يعد أكثر قيمة تجارية حقيقية بكثير من إنفاق الملايين على إصلاح الأضرار بعد وقوعها.