یک هوش مصنوعی مستقل و خودبهساز، متعلق به شبکهٔ خود

1.1 چکیده

Hylon شبکه‌ای غیرمتمرکز از هوش مصنوعی است که روی محصولی زنده و درآمدزا بنا شده، نه روی یک وعده. آن محصول OrbNet / OrbVPN است؛ یک VPN عبوردهنده از سانسور با کاربران پولی در بازارهای محدودشده — ایران، روسیه و حوزه‌های قضایی مشابه — که زیرساخت چندمنطقه‌ای، ناوگانی از گره‌ها، یک دفتر پشتیبان مدیریتی و اقتصاد توکن روی زنجیره در محیط تولید را می‌گرداند. توکن آن، ORB (یک ERC-20 مستقر روی Base)، هم‌اکنون در تولید کار می‌کند: سهام‌گذاری، توزیع پاداش، ادعای کوپن امضاشده، یک رله بدون گس برای کاربرانی که گس ندارند، و غربال تحریم OFSI/OFAC در نقطهٔ پرداخت. Hylon لایه‌ای از هوش مصنوعی را روی این کسب‌وکار فعال می‌افزاید. همین ترتیب — نخست شبکه، توکن‌ها در حکم لوله‌کشی، هوش مصنوعی روی آن — مهم‌ترین واقعیت دربارهٔ این پروژه است و تیزترین خطی که آن را از انبوه تلاش‌های DePIN و «هوش مصنوعی غیرمتمرکز» جدا می‌کند؛ تلاش‌هایی که با یک توکن و یک سپیدنامه آغاز می‌شوند و هرگز سرویسی که کسی بابتش پول بدهد عرضه نمی‌کنند.

مقصد اعلام‌شدهٔ این شبکه بی‌تعارف است: پیشی گرفتن از OpenAI، Anthropic و هر آزمایشگاه متمرکز مرزی. این را صریح می‌گوییم، چون مأموریتی که ارزش سال‌ها کار دارد باید صریح گفته شود، و بی‌درنگ آن را با انضباطی مقید می‌کنیم که به‌جای توهم، باورپذیرش می‌سازد. Hylon نمی‌کوشد از روز نخست در مرز عمومی رودررو با پیشتازان بجنگد، جایی که آن‌ها برتری قاطعی در سرمایه و استعداد دارند. نخست در گوه‌ای پیروز می‌شود که آن آزمایشگاه‌ها ساختاراً نمی‌توانند بر سرش رقابت کنند: بافت شخصی کامل کاربر که به‌صورت خصوصی روی دستگاه خودش نگه داشته می‌شود؛ کار کردن درون بازارهای سانسورشده و مسدود؛ و زبان‌های کم‌برخوردار مانند فارسی، عربی، روسی و ترکی. سپس داده، درآمد و توان محاسباتی تأمین‌شده از خزانه را که این گوه می‌سازد، طی چند سال به‌سوی مرز عمومی مرکب می‌کند. هر ادعای این سند دروازه‌محور است: به نقطهٔ عطف فنی یا تجاری مشخص و راستی‌آزمایی‌پذیری گره خورده و تنها پس از گذر از آن دروازه بیان می‌شود. هیچ وعدهٔ تاریخ‌داری برای هوش مصنوعی عمومی نیست و هیچ صفت برترینی بدون لنگر انداختن در آزمونی سنجش‌پذیر به کار نرفته است.

1.2 خلاصهٔ مدیریتی

کل تز این سپیدنامه به پنج نکته فرومی‌کاهد. هر آنچه در ادامه می‌آید بسط همین‌هاست.

1. یک کسب‌وکار واقعی در زیر بنا. Hylon روی OrbNet/OrbVPN ساخته شده؛ محصولی زنده با کاربران پولی در بازارهای محدودشده و اقتصاد توکن ORB در محیط تولید روی Base. ارزش و تقاضای راستی‌آزموده پیش از انتشار توکن می‌آیند، نه پس از آن؛ همان انضباطی که بازماندگان DePIN را از مارپیچ‌های مرگ جدا کرد.
2. گوه‌ای که پیشتازان نمی‌توانند بر سرش رقابت کنند. آزمایشگاه‌های متمرکز ساختاراً نسبت به بافت خصوصی روی دستگاه کاربر نابینایند، در بازارهای سانسورشده عمدتاً غایب یا مسدودند، و به‌جای کاربران در برابر سهام‌داران پاسخگو هستند. Hylon دقیقاً نخست به همین شکاف حمله می‌کند، جایی که برتری‌اش دفاع‌پذیر است نه صرفاً ارزان‌تر.
3. یک چرخ‌طیار دادهٔ نخریدنی. یک میلیون هوش مصنوعی شخصی که روی دستگاه‌های اعضا اجرا می‌شوند، از وظایف واقعی، چندزبانه و برخاسته از بازارهای سانسورشدهٔ کاربران سیگنال تقویتی می‌سازند؛ داده‌ای که هیچ آزمایشگاه متمرکزی به دلایل حقوقی و فیزیکی نمی‌تواند گردآوری کند. دادهٔ خام هرگز دستگاه را ترک نمی‌کند؛ تنها سیگنال آموخته‌شدهٔ حافظ حریم خصوصی گردآوری می‌شود. رقیب می‌تواند بیش از Hylon خرج کند اما نمی‌تواند این پیکره را به‌شکل قانونی یا فیزیکی سرِ هم بیاورد.
4. یک پشتهٔ حاکمیتی و غیرمتمرکز. یک هوش مصنوعی خودبسندهٔ Hylon — هستهٔ آمیزه‌ای از خبرگان، مسیریاب، بازیابی و حافظه، کاربرد ابزار، سرهای تخصصی و ارکستراسیون عامل — که همچون یک سامانهٔ واحد ظاهر می‌شود و هیچ وابستگی سختی به واسط هیچ ارائه‌دهندهٔ بیرونی ندارد. یک خوشهٔ GPU متعلق به DAO به‌علاوهٔ گردانندگان سهام‌گذار که از راه اینترنت با آموزش کم‌ارتباط هماهنگ می‌شوند آن را آموزش می‌دهند، و ناوگان یک‌میلیون‌دستگاهی آن را سرویس‌دهی و شخصی‌سازی می‌کند. همهٔ مشارکت‌ها اندازه‌گیری و به‌صورت رمزنگاشتی یا اقتصادی راستی‌آزمایی می‌شوند و هرگز بابت آپ‌تایم بی‌کار پاداشی داده نمی‌شود.
5. صداقت دروازه‌محور در مسیر مرز. مقصد، پیشی گرفتن از هر آزمایشگاه است، اما مسیر مرحله‌بندی‌شده است: عرضهٔ یک پشتهٔ حاکمیتی خصوصی (دروازهٔ ۰)، چیرگی بر حوزه‌های گوه (دروازهٔ ۱)، برپا کردن مدلی خودبهبوددهنده و خودمنتشرکننده روی توان محاسباتی متعلق به DAO (دروازهٔ ۲)، و تنها پس از آن پیگیری مرز عمومی (دروازهٔ ۳ به بعد)، مشروط به گذر توان محاسباتی تأمین‌شده از خزانه و دستورهای آموزشی اعتبارسنجی‌شده از آستانه‌ای صریح. هیچ‌چیز در مرز ادعا نمی‌شود مگر آنکه از آن گذشته باشیم.

1.3 مسئله: سه نقطهٔ کور ساختاری آزمایشگاه‌های متمرکز

آزمایشگاه‌های مرزی سترگ‌اند، سرمایهٔ فراوان دارند و پژوهشگرانی برجسته در آن‌ها کار می‌کنند. Hylon آن‌ها را دست‌کم نمی‌گیرد. اما نیروی آن‌ها در یک بُعد متمرکز است — توان محاسباتی خام و مقیاس مدل — و سه ضعف ساختاری با خود دارند که هیچ میزان سرمایه‌ای برطرفشان نمی‌کند، چون این ضعف‌ها پیامد چیستی آن‌هاست، نه میزان خرجشان. ضعف ساختاری آن است که رقیب نتواند با پول از آن بگریزد. همین سه، میدانی را تعریف می‌کنند که Hylon برای جنگیدن برمی‌گزیند.

نقطهٔ کور یکم: نبود دسترسی به بافت خصوصی کاربر

ارزشمندترین بستر برای دستیاری شخصی و به‌راستی سودمند، بافت خصوصی کامل زندگی یک نفر است: پیام‌ها، فایل‌ها، تقویم، گشت‌وگذار، تاریخچهٔ موقعیت، داده‌های سلامت، روابط، و بافت انباشتهٔ اینکه او واقعاً چگونه کار می‌کند و می‌اندیشد. آزمایشگاهی متمرکز نمی‌تواند این داده را در مقیاس، اخلاقی یا قانونی، متمرکز کند و کاربران هم روزبه‌روز کمتر حاضرند آن را واگذار کنند. پس محصول آن آزمایشگاه در آغاز هر نشست همچون غریبه‌ای نسبی با کاربر روبه‌رو می‌شود. معماری Hylon این را وارونه می‌کند: یک هوش مصنوعی شخصی فشرده — مدلی در ردهٔ ۱ تا ۴ میلیارد پارامتر، یا مدلی سه‌دویی به سبک BitNet — روی خود دستگاه اجرا می‌شود و بافت کاربر را به‌صورت محلی می‌آموزد. دادهٔ خام هرگز بیرون نمی‌رود. تنها سیگنال آموخته‌شدهٔ حافظ حریم خصوصی به بالا فرستاده می‌شود، از راه یادگیری فدرال همراه با حریم خصوصی تفاضلی و تجمیع امن. محدودیت ساختاری آن آزمایشگاه، برتری ساختاری Hylon است.

نقطهٔ کور دوم: غایب یا مسدود در بخش بزرگی از جهان

سهم بزرگی از بشریت در بازارهایی زندگی می‌کند که سرویس‌های آزمایشگاه‌های بزرگ در آن‌ها از نظر جغرافیایی مسدود، به‌واسطهٔ تحریم بیرون‌مانده، به‌طور پراکنده گلوگاه‌خورده یا صرفاً با کیفیت قابل استفاده در زبان محلی در دسترس نیستند. کاربران ایران نمی‌توانند به‌طور قابل اتکا به دستیارهای پیشروی غربی برسند؛ کاربران در جهان فارسی‌زبان، عرب‌زبان، روس‌زبان و ترک‌زبان در بهترین حالت همچون پیوستی بر انگلیسی سرویس می‌گیرند. Hylon از نقطهٔ مقابل آغاز می‌کند: از راه زیرساخت عبور از سانسور OrbNet/OrbVPN هم‌اکنون درون این بازارهاست، هم‌اکنون به این کاربران می‌رسد، و زبان‌ها و شرایط کاری آن‌ها — اتصال منقطع، شبکه‌های خصمانه، نیاز به حریم خصوصی زیر نظارت — را به‌جای حالت حاشیه‌ای، مرکز طراحی خود می‌داند.

نقطهٔ کور سوم: در مالکیت سهام‌داران، نه کاربران

آزمایشگاهی متمرکز در نهایت در برابر دارندگان سهامش پاسخگوست. تابع هدفش درآمد سازمانی و بازده سهام‌دار است؛ موضعی تجاری و مشروع، اما متفاوت با خدمت به منفعت کاربر منفرد بدون تعارض. رفتار مدل، کاربرد داده، قیمت‌گذاری و در دسترس بودن، همه برای بیشینه کردن بازده مالک تنظیم می‌شوند. ساختار مالکیت Hylon عامدانه متفاوت است: یک DAO به‌تدریج و بر پایهٔ نقاط عطف منتشرشده، طی حدود دو تا چهار سال بر نرخ پاداش، تخصیص خزانه و ارتقای پروتکل حکمرانی می‌کند، و مشارکت‌کنندگان — کسانی که توان محاسباتی، داده و شخصی‌سازی می‌دهند — بابت کارِ راستی‌آزموده ORB به دست می‌آورند. (انتشار مدل و قیدهای ایمنی از روی طراحی نزد یک شورای فنی ایمنی می‌ماند که در برابر DAO شفاف است و تابع رأی توکنی نیست؛ نکته‌ای که در بخش حکمرانی کامل بسط داده می‌شود.) شبکه در مالکیت مشارکت‌کنندگانش است و انگیزه‌هایش به‌سوی آن‌ها نشانه رفته است.

1.4 چشم‌انداز و تز

مقصد

مأموریت Hylon ساختن هوش مصنوعی‌ای است که از هر آزمایشگاه متمرکزی پیشی بگیرد — نه ابزاری گوشه‌ای که مؤدبانه کنار آن‌ها زندگی کند، بلکه سامانه‌ای که برای وظایفی که بیش از همه برای یک انسان واقعی اهمیت دارند، به‌راستی بهتر باشد. این را به‌عنوان مقصد بیان می‌کنیم، چون نیم‌کاره‌ها استعداد، سرمایه و اعتقادی را که برای اثرگذاری لازم است جذب نمی‌کنند، و چون برتری‌های ساختاری بالا آن‌قدر بزرگ‌اند که این را به جاه‌طلبی‌ای جدی بدل کنند نه یک شعار. آنچه در ادامه می‌آید انضباطی است که این جاه‌طلبی را صادق نگه می‌دارد.

روش: نخست گوه، سپس مرکب‌سازی

Hylon با پیشتازان آنجا که نیرومندترند نمی‌جنگد. آنجا می‌جنگد که ساختاراً ضعیف‌اند، آنجا قاطعانه پیروز می‌شود و از دستاورد آن برای پیشروی استفاده می‌کند. این روش سه حلقهٔ مرکب‌شونده دارد. نخست، گوه: چیرگی بر وظایف مبتنی بر بافت شخصی و بر کاربرد در زبان‌های کم‌برخوردار و بازارهای سانسورشده — حوزه‌هایی که آزمایشگاه‌ها به آن‌ها دسترسی ندارند — و بدل شدن به بهترین هوش مصنوعی در دسترس برای آن کاربران. دوم، چرخ‌طیار داده: یک میلیون هوش مصنوعی شخصی از وظایف واقعی کاربران سیگنال تقویتی می‌سازند، این سیگنال به‌صورت خصوصی در مدلی سراسری و نیرومندتر تجمیع می‌شود، و مدل سراسری نیرومندتر هوش‌های مصنوعی شخصی بهتری می‌سازد و با هر چرخه حلقه را تنگ‌تر می‌کند. سوم، موتور اقتصادی: درآمد واقعی سرویس از گوه، خزانهٔ DAO را تأمین می‌کند، خزانه توان محاسباتی را تأمین می‌کند، و توان محاسباتی به‌علاوهٔ دستورهای آموزشی اعتبارسنجی‌شده مدل را به‌سوی مرز عمومی می‌راند. گوه سقف نیست؛ سرِ پل و منبع سوخت است.

ارزش دارد که قید صادقانهٔ انتهای این مسیر را صریح بگوییم. پیشی گرفتن از همه در مرز عمومی در نهایت تابعی از مجموع FLOPs است، که تابعی از شمار GPU است، که تابعی از سرمایه است — یعنی مسئله‌ای خزانه‌ای. رویکرد آموزش کم‌ارتباط Hylon پهنای باند را به مسئله‌ای حل‌شده بدل می‌کند و می‌گذارد GPUهای پراکنده در جغرافیا با هم آموزش ببینند، اما نیاز به خودِ GPUها را از میان برنمی‌دارد. به همین دلیل است که مرز، برنامه‌ای برای دروازهٔ ۳ به بعد است که تنها هنگام گذر توان محاسباتی تأمین‌شده از خزانه از آستانه ادعا می‌شود، و به همین دلیل است که گوه و درآمدش نخست می‌آیند.

صداقت دروازه‌محور

هر ادعای آینده‌نگر در این سپیدنامه به یک دروازه — شرطی تعریف‌شده و سنجش‌پذیر — پیوسته است و تنها پس از گذر از آن دروازه بیان می‌شود:

1.5 چرا اکنون

زمان‌بندی Hylon با هم‌گرایی چهار تحول مستقل جور شده که هر کدام به‌تازگی از آستانه‌ای عملی گذشته‌اند. هیچ‌یک از این‌ها حتی چند سال پیش به شکلی قابل استفاده وجود نداشتند؛ با هم برای نخستین بار ساخت شبکه‌ای غیرمتمرکز و رو به مرز از هوش مصنوعی را شدنی می‌کنند.

وزن‌های باز به کیفیتی نزدیک به مرز رسیده‌اند

نیرومندترین مدل‌های پایهٔ وزن‌بازِ دارای پروانهٔ آسان‌گیر اکنون آن‌قدر به مرز نزدیک‌اند که ساختن پشته‌ای حاکمیتی بر پایهٔ آموزش پیوسته و یادگیری تقویتی روی آن‌ها، به‌جای یک اسباب‌بازی، نقطهٔ شروعی باورپذیر است. Hylon از این مدل‌ها می‌سازد، آموزش پیوسته و یادگیری تقویتی را روی دادهٔ گردآوری‌ناپذیر خودش می‌افزاید، و بدین‌سان تلاش پژوهشی باز جهان را همچون یک کف به ارث می‌برد و در همان حال بر پایهٔ داده و شخصی‌سازی‌ای که تنها خودش در اختیار دارد متمایز می‌شود.

آموزش توزیع‌شدهٔ کم‌ارتباط اثبات شده است

ایراد کلاسیک به آموزش غیرمتمرکز — اینکه هم‌گام‌سازی گرادیان‌ها از راه اینترنت به‌طرز ناممکنی کند است — در عمل پاسخ گرفته است. روش‌های خانوادهٔ DiLoCo / Streaming DiLoCo / DisTrO / DeMo ارتباط میان‌گره‌ای را تقریباً دو تا چهار مرتبهٔ بزرگی (حدود ۴۰۰ تا ۱۰٬۰۰۰ برابر) کم می‌کنند، و اجراهای واقعی این را نشان داده‌اند: INTELLECT-1، مدلی ۱۰ میلیارد پارامتری، در سه قاره روی پیوندهایی با پهنای ۱۲۷ تا ۹۳۵ مگابیت بر ثانیه آموزش دید. پهنای باند، برای مقاصد آموزش، مسئله‌ای حل‌شده است: تقریباً ۱۰۰ مگابیت تا ۱ گیگابیت بر ثانیه برای هر گره بس است. رقم پرتکرار «۵٬۰۰۰ سال برای آموزش از راه اینترنت» توصیف‌گر آن مترسکِ گرادیان-کاملِ-هر-گام است که هیچ‌کس واقعاً به کارش نمی‌برد. قیدهای واقعی حافظهٔ هر گره‌اند (هر گرهٔ آموزشی باید مدل و وضعیت بهینه‌ساز را نگه دارد) و مجموع FLOPs؛ و دقیقاً به همین دلیل است که لایهٔ آموزش روی GPUهای ردهٔ مرکز داده است نه گوشی‌ها، و به همین دلیل است که مقیاس مرزی در نهایت مسئله‌ای سرمایه‌ای است.

استنتاج روی دستگاه بالغ شده است

اجرای مدل‌های توانمند مستقیماً روی گوشی، لپ‌تاپ و رایانهٔ رومیزی اکنون عملی است. رویکردهای سه‌دویی و یک‌بیتی مانند BitNet b1.58 مدل‌های واقعی را روی سخت‌افزار متعارف سرویس می‌دهند — در حدود ۴۵ توکن بر ثانیه روی پردازندهٔ Apple M2 در حدود ۰٫۴ گیگابایت حافظه — و NPUها و Apple Silicon به دستگاه‌های اعضا ظرفیت استنتاج واقعی می‌دهند. (صادقانه بگوییم: دستاورد BitNet تنها در استنتاج است؛ مدل همچنان با آموزش آگاه از کوانتش در دقت کامل آموزش می‌بیند، پس این هزینهٔ سرویس‌دهی را کم می‌کند نه هزینهٔ آموزش را.) همین بلوغ است که یک هوش مصنوعی شخصی و خصوصی روی دستگاه — و لایه‌ای یک‌میلیون‌دستگاهی از استنتاج و شخصی‌سازی — را به واقعیتی مهندسی بدل می‌کند نه یک آرزو.

بازار DePIN به‌سوی درآمد واقعی اصلاح شده است

فاز سفته‌بازانهٔ زیرساخت فیزیکی غیرمتمرکز به پایان رسیده و این اصلاح دقیقاً همان انضباطی را پاداش می‌دهد که Hylon بر آن بنا شده است. در سراسر ۲۰۲۵ کل بخش DePIN چیزی در حدود ۷۲ میلیون دلار درآمد روی زنجیره در برابر تقریباً ۱۰ میلیارد دلار ارزش بازار تولید کرد؛ نسبتی هشیارکننده که انتشار توکن مبتنی بر شمار نیرو را تنبیه و شبکه‌هایی را که چیزی واقعی می‌فروشند پاداش داده است. بازار اکنون بابت تقاضای اثبات‌شده پول می‌دهد، نه بابت شمار دستگاه‌های ثبت‌شده. شبکه‌ای که از محصولی درآمدزا آغاز می‌کند و «ارزش پیش از انتشار» را اعمال می‌کند، به بازاری وارد می‌شود که آموخته دقیقاً همین را قیمت‌گذاری کند.

1.6 جایگاه‌یابی در بازار

Hylon جایگاهی را اشغال می‌کند که هیچ ردهٔ موجودی به‌طور کامل پوششش نمی‌دهد، و مهم است که آن جایگاه را صادقانه در برابر هر دو گروه — آزمایشگاه‌های متمرکز و شبکه‌های غیرمتمرکز موجود — و با ذکر نقاط قوت واقعی‌شان توصیف کنیم.

در برابر آزمایشگاه‌های متمرکز

آزمایشگاه‌ها امروز روی محور مقیاس توان محاسباتی خام و توانمندی در مرز عمومی برنده‌اند. Hylon این را انکار نمی‌کند و وانمود نمی‌کند که در زمان عرضه با آن برابری می‌کند. Hylon روی محور عمود برنده است: محلی بودن داده و مالکیت کاربر — بافت خصوصی روی دستگاه، حضور در بازارهای مسدود، ژرفا در زبان‌های کم‌برخوردار، و مالکیت شبکه به دست مشارکت‌کنندگان. راهبرد این است که نخست روی آن محور شکست‌ناپذیر باشد و طی سال‌ها، با تأمین مالی از درآمد و خزانه، از محور توان محاسباتی بالا برود. روی نقشهٔ جایگاه‌یابی، آزمایشگاه‌ها بالا در توان محاسباتی و پایین در محلی بودن داده و مالکیت می‌نشینند؛ Hylon پایین‌تر در توان محاسباتی آغاز می‌کند اما به‌مراتب بالاتر در محلی بودن و مالکیت، و همراه با مرکب شدن چرخ‌طیار و خزانه به بالا و راست حرکت می‌کند.

در برابر دیگر شبکه‌های غیرمتمرکز

شبکه‌های DePIN و هوش مصنوعی غیرمتمرکز موجود واقعی‌اند و در چند مورد خوب اجرا شده‌اند، اما هر کدام خانه‌ای متفاوت از Hylon را اشغال می‌کنند، و چشم‌انداز صادقانه اهمیت دارد. امروز هیچ شبکهٔ غیرمتمرکزی از FLOPs گوشی مصرف‌کننده درآمد قابل توجهی به دست نمی‌آورد؛ این به‌سادگی هنوز کسب‌وکاری زیست‌پذیر نیست، و Hylon خلافش را ادعا نمی‌کند. آنچه پیشتازان واقعاً می‌فروشند آموزنده است:

• Grass (با ارزش بازاری حدود ۳۳۰ میلیون دلار) پهنای باند وب و دادهٔ برداشت‌شده را به آزمایشگاه‌های هوش مصنوعی می‌فروشد، نه توان محاسباتی. شبکه‌ای برای داده و پهنای باند است، و شبکه‌ای موفق، اما مدلی آموزش نمی‌دهد و سرویس نمی‌دهد.
• Acurast (حدود ۲۵۵٬۰۰۰ گوشی، ارزش بازاری تقریباً ۱۸ تا ۲۵ میلیون دلار) پیشتاز توان محاسباتی گوشی هوشمند و پیشینه‌ای سودمند در انطباق است — تأییدشده در هر دو فروشگاه اپ همراه — اما سمت تقاضا برای توان محاسباتی گوشی همچنان اثبات‌نشده مانده است.
• Salad پیشتاز رایانه‌های بازی مصرف‌کننده است، با چیزی در حدود ۶۰٬۰۰۰ GPU روزانه و تقریباً ۱۰ میلیون دلار درآمد سالانهٔ تکرارشونده، و نکته آنکه اصلاً هیچ توکنی ندارد؛ یادآوری اینکه آنچه شبکه را پایدار نگه می‌دارد تقاضای واقعی است، نه توکن.
• شبکه‌های آموزش غیرمتمرکز واقعی‌اند اما به GPU مقیدند: Nous Psyche مدلی ۴۰ میلیارد پارامتری را روی گره‌هایی با حدود ۸×H100 آموزش می‌دهد؛ Covenant-72B در Templar به حدود ۸×B200 برای هر همتا نیاز دارد؛ و INTELLECT-3 در Prime Intellect به خوشه‌ای متمرکز با ۵۱۲×H200 تکیه داشت. آموزش توزیع‌شده کار می‌کند، و روی GPUهای مرکز داده اجرا می‌شود، نه روی گوشی‌ها.

جایگاه متمایز Hylon همان ترکیبی است که هیچ‌کدام از آن‌ها ندارند: یک محصول مصرفی زنده و درآمدزا به‌عنوان پایه، طراحی محاسباتی دولایه که آموزش را روی GPUهای مرکز داده می‌گذارد و استنتاج، شخصی‌سازی و داده را روی ناوگان یک‌میلیون‌دستگاهی — آنجا که دستگاه‌ها به‌راستی خوب‌اند — و چرخ‌طیار داده‌ای ریشه‌دار در وظایف خصوصی، چندزبانه و برخاسته از بازارهای سانسورشدهٔ کاربران. شایان ذکر است که استنتاج تقریباً دوسوم کل تقاضای محاسباتی هوش مصنوعی است، پس شبکه‌ای که در لبهٔ دستگاه سرویس و شخصی‌سازی می‌دهد به نیمهٔ بزرگ‌تر بازار می‌پردازد، نه کوچک‌تر.

2.1 نمای کلی معماری: پنج لایه، یک هوش مصنوعی

Hylon همچون یک هوش مصنوعی واحد و خودبسنده مهندسی شده که از قضا به‌لحاظ فیزیکی روی یک لایهٔ GPU ردهٔ مرکز داده و ناوگانی تا یک میلیون دستگاه مصرف‌کننده پخش شده است. برای کاربر همچون یک دستیار ظاهر می‌شود: خصوصی، بی‌سانسور و روان در زبان و زندگی او. در درون، سامانه‌ای پنج‌لایه است که هر لایه مسئولیتی متمایز، مرزی متمایز از اعتماد و جهتی به‌شدت اداره‌شده از جریان داده دارد. قاعدهٔ تعیین‌کنندهٔ معماری این است که یادگیری به‌صورت سیگنال حافظ حریم خصوصی به بالا جاری می‌شود، هرگز به‌صورت دادهٔ خام: بافت شخصی در لبه گرفته و به کار برده می‌شود، اما تنها به‌روزرسانی‌های آموخته‌شدهٔ تجمیع‌شده و دارای حریم خصوصی تفاضلی به‌سوی مدل سراسری بالا می‌روند.

این وارونهٔ الگوی آزمایشگاه متمرکز است. OpenAI و Anthropic مدلی یکپارچه را در مرکز داده اجرا می‌کنند و بافت کاربر را هنگام استنتاج به‌سوی مدل می‌کشند — درخواست خام، سند خام و تاریخچهٔ خام همه از شبکه می‌گذرند و روی سرورهای آن‌ها می‌نشینند. Hylon مدلی فشرده را به‌سوی بافت می‌فرستد و بافت را همان‌جا که ساخته شده نگه می‌دارد. پنج لایهٔ زیر همین را ممکن می‌کنند و در همان حال می‌گذارند مدلی سراسری و مرزی از تجربهٔ جمعی کل شبکه بهتر شود.

لایه‌ها، از صفحهٔ نظارت تغییرناپذیر در بالا تا بستر فیزیکی در پایین، این‌ها هستند:

2.2 لایه‌ها با جزئیات

L1 — بستر دستگاه

بستر، محیط اجرای فیزیکی و مرز سخت حریم خصوصی کل شبکه است. از روز نخست از سخت‌افزار انتزاع یافته: یک زمان اجرای واحد پشتوانه‌های CPU، GPU و NPU را هدف می‌گیرد و آمادهٔ شتاب‌دهنده‌های عصب‌ریخت ساخته شده، پس یک مصنوع مدل بدون بازنویسی روی سراسر ناوگان اجرا می‌شود. رده‌های دستگاه بر پایهٔ توانمندی آدرس‌دهی می‌شوند: ردهٔ الف گوشی‌ها برای استنتاج خصوصی و داده، ردهٔ ب رایانه‌های شخصی و مک‌ها برای استنتاج سنگین‌تر و شخصی‌سازی LoRA، ردهٔ پ گره‌های GPU برای کار واقعی آموزش، و ردهٔ ت عصب‌ریخت به‌عنوان رده‌ای روی نقشهٔ راه برای استنتاج همیشه‌روشن با مصرف بسیار کم. هر واحد کاری که بستر انجام می‌دهد اندازه‌گیری و راستی‌آزمایی می‌شود — استنتاج از راه درهم‌سازی فعال‌سازی حساس به موقعیت به سبک TOPLOC، و آموزش از راه امتیازدهی اقتصادی و آماری زیان به‌علاوهٔ افزونگی — پس مشارکت‌ها بابت خروجی راستی‌آزموده پاداش می‌گیرند، هرگز بابت آپ‌تایم بی‌کار. مهم‌تر از همه، دادهٔ خام کاربر هرگز این لایه را ترک نمی‌کند. این کف پشته است و سقف آنچه اطلاعات خصوصی کاربر هرگز اجازه دارد لمس کند.

L2 — لایهٔ هوش مصنوعی شخصی

هر دستگاه مشارکت‌کننده یک هوش مصنوعی شخصی فشرده اجرا می‌کند؛ مدلی چگال در ردهٔ ۱ تا ۴ میلیارد پارامتر یا مدلی سه‌دویی BitNet b1.58 که آن‌قدر کوچک است که با حدود ۴۵ توکن بر ثانیه روی پردازندهٔ Apple M2 در حدود ۰٫۴ گیگابایت سرویس بدهد. این مدل از آنِ خود کاربر است: پیام‌ها، سندها، عادت‌ها و زبان او را روی دستگاه می‌خواند، خود را با وفق‌دهنده‌های LoRA روی دستگاه شخصی‌سازی می‌کند، و اکثریت قاطع درخواست‌های روزمره را به‌صورت محلی، خصوصی و با توان کار آفلاین پاسخ می‌دهد. همین هوش مصنوعی شخصی است که Hylon را در بازارهای سانسورشده قابل استفاده می‌کند؛ جایی که رفت‌وبرگشت به مرکز دادهٔ خارجی دقیقاً همان چیزی است که دشمن مراقبش است.

هوش مصنوعی شخصی اندام حسی شبکه هم هست، اما زیر قراردادی سخت‌گیرانه. هرگز بافت خام را نمی‌فرستد. به‌جایش سیگنالی آموخته‌شده محاسبه می‌کند — به‌روزرسانی‌هایی گرادیان‌مانند یا دلتاهای رفتاری تقطیرشده از وظایف واقعی کاربر — که بریده می‌شود، زیر حریم خصوصی تفاضلی نوفه می‌گیرد، و پیش از آنکه سرور چیزی ببیند زیر تجمیع امن با مشارکت هزاران دستگاه دیگر ترکیب می‌شود. سرور تنها تجمیع را می‌بیند. همین است که می‌گذارد مدلی سراسری از یک میلیون زندگی خصوصی بیاموزد بی‌آنکه هیچ زندگی‌ای برای شبکه خوانا باشد. حریم خصوصی اینجا شعار نیست؛ مهندسی است (یادگیری فدرال + حریم خصوصی تفاضلی + تجمیع امن) که بر مبنای قانونی مستندِ منافع مشروع، یک ارزیابی اثر بر حفاظت داده، و دفاع‌های صریح در برابر حمله‌های استنتاج عضویت و وارونه‌سازی مدل استوار است — همخوان با موضع نظر EDPB 28/2024 (هیئت اروپایی حفاظت داده) که وزن‌های مدل را به‌طور پیش‌فرض ناشناس نمی‌داند.

L3 — مدل حاکمیتی (هستهٔ Hylon)

مدل حاکمیتی همان سامانهٔ سراسری و مرزی است که کل شبکه برای رشد دادنش وجود دارد. روی ناوگان GPU ردهٔ پ (گره‌های ردهٔ ۸×H100/B200، برخی متعلق به خزانهٔ DAO و برخی سهام‌گذاری‌شده به دست گردانندگان) آموزش می‌بیند و پیوسته به‌روز می‌شود، و از راه اینترنت عمومی با روش‌های آموزش کم‌ارتباط هماهنگ می‌گردد. این همان مدلی است که فرزندان تقطیرشده‌اش هوش‌های مصنوعی شخصی فردا می‌شوند و حلقه را می‌بندند. بخش ۲.۳ درونش را می‌شکافد؛ برای نمای لایه‌ای، مسئولیتش این است که نیرومندترین هوش کاملاً در تملک سامانه باشد — چیزی که کاربران در نهایت با آن حرف می‌زنند وقتی پرسشی از توان مدل روی دستگاهشان فراتر می‌رود، و چیزی که هر سیگنال حافظ حریم خصوصی از L2 بی‌صدا بهترش می‌کند.

L4 — موتور خودبهبودی

بالای مدل، فرایندی نشسته که مدل‌های تازه می‌سازد. موتور خودبهبودی هم‌زمان تیم پژوهش Hylon و سازوکار خودبهبودی بازگشتی آن است و زیر انضباطی سخت کار می‌کند: آزمایش‌های ارزان دستور کار را می‌یابند؛ اجراهای گران تنها دستورهای اعتبارسنجی‌شده را اجرا می‌کنند. ادبیات را می‌کاود، معماری‌ها و دستورهای آموزشی نامزد را پیشنهاد می‌دهد، آزمون‌های حذفی کوچک‌مقیاس با هزینهٔ چند هزار دلار اجرا می‌کند، ارزیابی‌شان می‌کند، و تنها پس از آن دستوری اعتبارسنجی‌شده را به اجرای آموزشی تمام‌مقیاسِ ۵ تا ۲۰ میلیون دلاری می‌سپارد. خروجی آن به سامانهٔ انتشار قهرمان-مدعی خوراک می‌دهد: مدعی تازه‌آموزش‌دیده تنها وقتی به نسخهٔ نام‌دار تازه ارتقا می‌یابد که با حاشیه‌ای تعریف‌شده قهرمان زنده را در مجموعهٔ ثابتی از دروازه‌ها شکست دهد — محک‌های عمومی، ارزیابی‌های حوزهٔ گوه، آزمون‌های کور A/B بافت شخصی، و تیم قرمز ایمنی — با معناداری آماری و بدون هیچ پس‌رفت ایمنی. این «خودبهبودی بازگشتی درون حفاظ‌های تغییرناپذیر» است، هرگز نامحدود، و صریحاً هرگز ادعای توانمندی زیستی، کوانتومی یا هوش عمومی در تاریخی معین نیست.

L5 — پایشگر ایمنی و پیدایش

لایهٔ بالایی صفحهٔ نظارت است، و عامدانه تنها لایه‌ای است که باقی سامانه نمی‌تواند بازنویسی‌اش کند. بنیان‌های تغییرناپذیر سطح صفر — حقیقت، ایمنی، صداقت، درستکاری — را اعمال می‌کند و در هر گام راستی‌آزمایی‌شان می‌کند، و سلسله‌مراتب اهداف را نگه می‌دارد: بنیان‌های L0 (تغییرناپذیر) بر اهداف اولیهٔ L1 (ثابت) برتری دارند، آن‌ها بر توانمندی‌های L2 (بهینه‌پذیر)، و آن‌ها بر سنجه‌های L3 (صرفاً نشانگر). تشخیص بازی‌کردن را اجرا می‌کند: اگر سنجه‌های L3 بهتر شوند در حالی که اهداف L1 و L2 نشوند، این ناهمخوانی به‌عنوان هک پاداش نشانه‌گذاری می‌شود. مراقب پیدایش توانمندی در حین خودبهبودی است، و دو کنترلی را در دست دارد که هرگز به رأی توکنی نمی‌روند: دروازهٔ نهایی انتشار و کلید توقف اضطراری. حکمرانی پروتکل طی سال‌ها به DAO غیرمتمرکز می‌شود؛ حکمرانی ایمنی مدل نزد شورای فنی ایمنی می‌ماند که در برابر DAO شفاف است اما تابع یک مسابقهٔ محبوبیت نیست.

2.3 درون پشتهٔ حاکمیتی: چگونه یک هوش مصنوعی «همه‌کار را خودش می‌کند»

واژهٔ «حاکمیتی» ادعایی فنی است، نه صفتی تبلیغاتی: هستهٔ Hylon سامانه‌ای شناختی و کامل است بدون هیچ وابستگی سختی به واسط هیچ ارائه‌دهندهٔ بیرونی. هر آنچه کاربر وگرنه باید با زنجیر کردن یک مدل مرزی خارجی، یک پایگاه‌دادهٔ برداری، یک واسط جست‌وجو و یک چارچوب عامل به دست آورد، اینجا مؤلفه‌ای بومی و در تملک یک سامانهٔ واحد است. این هسته یک ترنسفورمر چگال تکی نیست؛ مجموعه‌ای ارکستره از مؤلفه‌هاست که با هم همچون یک هوش ظاهر می‌شوند.

هستهٔ آمیزهٔ خبرگان و مسیریاب

در مرکز، ترنسفورمری از نوع آمیزهٔ خبرگان (MoE) نشسته است: استخری بزرگ از پارامترها که به زیرشبکه‌های خبرهٔ فراوان بخش شده و برای هر توکن تنها کسر کوچکی از آن‌ها فعال می‌شوند. همین است که می‌گذارد مدل دانشی در مقیاس مرزی نگه دارد و در همان حال توان محاسباتی هر توکن — و در نتیجه هزینهٔ سرویس‌دهی — کران‌دار بماند؛ چیزی که وقتی فرزندان مدل باید ارزان روی دستگاه‌های اعضا اجرا شوند اهمیتی عظیم دارد. یک مسیریاب آموخته‌شده پیش از خبرگان می‌نشیند و برای هر توکن برمی‌گزیند کدام خبرگان شلیک کنند. همین فلسفهٔ مسیریابی در سطح کلان هم کار می‌کند: یک توزیع‌کنندهٔ سطح بالا تصمیم می‌گیرد که پرسشی را هوش مصنوعی شخصی روی دستگاه می‌تواند پاسخ دهد، به هستهٔ حاکمیتی کامل نیاز دارد، یا بازیابی، ابزار یا سری تخصصی می‌طلبد.

بازیابی و حافظهٔ بلندمدت

مدل تنها به حافظهٔ پارامتری تکیه نمی‌کند. زیرسامانهٔ بومی بازیابی پاسخ‌ها را در پیکره‌ای در تملک خود و در بافت مجاز خود کاربر زمین‌گیر می‌کند، و انبارهٔ حافظهٔ بلندمدت به دستیار یادآوری پایدار و ویژهٔ هر کاربر در گذر نشست‌ها می‌دهد — بستر یک دستیار شخصی راستین به‌جای یک چت‌بات بی‌حالت. چون بازیابی و حافظه مؤلفه‌های درونی‌اند نه واسط جست‌وجوی شخص ثالث، هیچ فروشندهٔ بالادستی‌ای نیست که بتواند آن‌ها را اندازه بگیرد، گلوگاه کند یا ببیند، و لایهٔ خصوصی حافظه روی دستگاه کاربر درون L1/L2 می‌ماند.

کاربرد ابزار و ارکستراسیون عامل

پشتهٔ حاکمیتی وظیفه اجرا می‌کند، نه فقط گفت‌وگو. لایهٔ کاربرد ابزار می‌گذارد مدل توابع، اجرای کد، بازیابی و سرویس‌های شبکه را از راه واسطی نوع‌دار فراخوانی کند، و لایهٔ ارکستراسیون عامل وظایف چندمرحله‌ای را طرح‌ریزی می‌کند، تجزیه‌شان می‌کند، زیرکارها را (از جمله به خبرگان تخصصی) واگذار می‌کند و نتایج را یکپارچه می‌سازد. همین ارکستراسیون، همان ماشینی است که موتور خودبهبودی برای اجرای حلقهٔ پژوهش خودش به کار می‌برد؛ این سامانه ساخته شده تا خودش را بگرداند.

سرهای تخصصی و خبرگان

روی MoE عمومی، Hylon سرهای تخصصی را برای حوزه‌های گوه‌ای آموزش می‌دهد که شبکه نخست در آن‌ها پیروز می‌شود: زبان‌های کم‌برخوردار (فارسی، عربی، روسی، ترکی)، دانش عبور از سانسور، و استدلال بر پایهٔ بافت شخصی. این متخصص‌ها روی داده‌ای آموزش می‌بینند که آزمایشگاه‌های متمرکز ساختاراً نمی‌توانند گردآوری‌اش کنند، و همین دلیل آن است که مدلی از Hylon می‌تواند در وظایفی که واقعاً برای کاربران Hylon مهم‌اند از مدلی مرزی و بزرگ‌تر پیشی بگیرد و در همان حال در محک‌های عمومی رقابتی بماند.

2.4 پشتهٔ حاکمیتی چگونه ساخته می‌شود

Hylon مدلی مرزی را از مقداردهی تصادفی آموزش نمی‌دهد؛ این راهی ناکارآمد از نظر سرمایه برای رسیدن به نقطهٔ شروعی است که زیست‌بوم باز پیش‌تر به آن رسیده. به‌جایش، پشته از نیرومندترین مدل پایهٔ وزن‌بازِ دارای پروانهٔ آسان‌گیر موجود در هر نسل بالا می‌آید و سپس پیوسته روی داده‌ای بهتر می‌شود که هیچ رقیبی نمی‌تواند به دستش آورد.

1. پایهٔ وزن‌باز. از یکی از بهترین مدل‌های بازِ دارای پروانهٔ آسان‌گیر به‌عنوان پایه، هم برای هستهٔ حاکمیتی و هم — از راه تقطیر — برای هوش‌های مصنوعی شخصی روی دستگاه آغاز می‌شود. دروازهٔ ۰ کل پشته را (هوش مصنوعی شخصی + توان محاسباتی + ORB + DAO) به‌صورت یک محصول واحد خودمیزبان، خصوصی و بی‌سانسور روی چنین مدلی عرضه می‌کند.
2. آموزش پیوسته و یادگیری تقویتی روی چرخ‌طیار. این پایه پیوسته آموزش می‌بیند و روی دادهٔ خود شبکه یادگیری تقویتی می‌گیرد: وظایف واقعی کاربران که در لبه برایشان پاداش امتیازدهی می‌شود، و تعامل‌های چندزبانه و برخاسته از بازارهای سانسورشده که در هیچ جای دیگر وجود ندارند — همه به‌صورت سیگنال تجمیعی حافظ حریم خصوصی تحویل می‌شوند. این همان سازوکاری است که دروازهٔ ۱ را می‌گذراند: مدلی که پیوسته آموزش می‌بیند، در حوزه‌های گوه از هر مدل باز پیشی می‌گیرد و در آزمون‌های کور A/B در برابر مدل‌های مرزی روی وظایف بافت شخصی برنده می‌شود.
3. تقطیر: ساخته‌شده، اما بسته. زیرساخت تقطیر از مدل‌های بستهٔ دیگر مهندسی و آماده شده، اما خاموش نگه داشته شده و تا وجود پروانه‌ای امضاشده از ارائه‌دهندهٔ مربوط بی‌اثر می‌ماند. شرایط خدمات هر ارائه‌دهندهٔ بزرگ آموزش دادن رقیب را ممنوع می‌کند و اجرای آن هم فعال است؛ پس Hylon تقطیر از مدل‌های بسته را توانمندی‌ای می‌داند که تنها با قرارداد روشن می‌شود، هرگز به‌عنوان منبع دادهٔ فعال و هرگز به شکلی که نقض شرایط خدمات را برساند.

یادداشتی صادقانه دربارهٔ فیزیک ماجرا: چرخ‌طیار دادهٔ مدل را بهتر می‌کند، اما رسیدن به مرز عمومی در نهایت مسئله‌ای دربارهٔ توان محاسباتی و سرمایه است، نه ترفندی دربارهٔ داده. گره‌های آموزش GPUهای مرکز داده‌اند نه گوشی‌ها، چون هر گرهٔ آموزشی باید مدل کامل به‌علاوهٔ وضعیت بهینه‌ساز را در حافظه نگه دارد و چون مجموع FLOPs برابر است با شمار GPU که برابر است با سرمایه. دستگاه‌ها همان چیزهایی را می‌دهند که در آن‌ها خوب‌اند — سرویس‌دهی استنتاج، شخصی‌سازی روی دستگاه، امتیازدهی پاداش یادگیری تقویتی، و داده — و ناوگان GPU ردهٔ پ کار آموزش را انجام می‌دهد و از راه پیوندهای معمولی اینترنت هماهنگ می‌شود (INTELLECT-1 مدلی ۱۰ میلیارد پارامتری را در سه قاره روی پیوندهای ۱۲۷ تا ۹۳۵ مگابیت بر ثانیه آموزش داد؛ پهنای باند با DiLoCo/Streaming-DiLoCo/DisTrO/DeMo مسئله‌ای حل‌شده است). بنابراین برنامهٔ مرز عمومی (دروازهٔ ۳ به بعد) مشروط به گذر توان محاسباتی تأمین‌شده از خزانه و دستورهای اعتبارسنجی‌شده از آستانه‌ای بیان می‌شود و تنها پس از گذر ادعا می‌گردد.

2.5 چرا حاکمیت اهمیت دارد

حاکمیت معماری ترجیحی زیبایی‌شناختی نیست؛ خاصیتی است که هر ادعای دیگر Hylon را بادوام می‌کند. چون پشتهٔ حاکمیتی هیچ وابستگی سختی به هیچ ارائه‌دهندهٔ بالادستی ندارد، هیچ طرف بیرونی نمی‌تواند گلوگاهش کند، قیمتش را عوض کند، از رده خارجش کند یا بکشدش. شبکه‌ای که روی واسط مدلی مرزی و خارجی ساخته شود، سقف نرخ، تغییر قیمت، سیاست محتوا، محدودیت جغرافیایی و تصمیم‌های تجاری آن ارائه‌دهنده را به ارث می‌برد، و هر یک از این‌ها می‌تواند دقیقاً علیه همان کاربران بازار سانسورشده‌ای به کار رود که Hylon به آن‌ها خدمت می‌کند. مدلی که روی وزن‌های خود Hylon و توان محاسباتی خود Hylon زندگی می‌کند، با به‌روزرسانی شرایط خدمات یک فروشنده یا فشار یک دولت بر شرکتی خارجی خاموش‌شدنی نیست.

حاکمیت با معماری حریم خصوصی مرکب می‌شود. چون پشته بازیابی، حافظه، ابزارها و مسیر استنتاج خود را سرتاسر در تملک دارد، هیچ نقطهٔ پایانی بالادستی‌ای بافت کاربر را نمی‌بیند و مرز حریم خصوصی L1 هرگز با فراخوانی شخص ثالث سوراخ نمی‌شود. و حاکمیت همان چیزی است که غیرمتمرکزسازی را واقعی می‌کند: یک DAO تنها می‌تواند بر سامانه‌ای که به‌راستی مالکش است حکمرانی معنادار کند. غیرمتمرکزسازی تدریجی نرخ پاداش، تخصیص خزانه و ارتقای پروتکل دقیقاً از آن رو منسجم است که هوشِ زیربنایی اجاره‌ای نیست. کوتاه سخن، معماری لایه‌ای، چرخ‌طیار دادهٔ خصوصی، DAO و مأموریت پیشی گرفتن از آزمایشگاه‌های متمرکز همه بر یک بنیان استوارند: اینکه Hylon یک هوش مصنوعی است که شبکه به‌راستی، از بالا تا پایین، مالکش است.

دفاع‌پذیرترین دارایی Hylon یک وزنِ ذخیره‌شدهٔ مدل نیست — وزن‌ها را می‌توان رونوشت گرفت، تقطیر کرد یا با خرج بیشتر پشت سر گذاشت. دارایی واقعی، رابطهٔ میان یک فرد است با نرم‌افزاری که روی سخت‌افزار خودش زندگی می‌کند، جهان او را به‌صورت محلی می‌آموزد، و هرگز مادهٔ خام این یادگیری را واگذار نمی‌کند. این بخش مشخص می‌کند که این هوش مصنوعی شخصی چگونه کار می‌کند: معماری دولایهٔ حریم خصوصی که دادهٔ خام کاربر را با دو گام برگشت‌ناپذیر از مدل سراسری Hylon جدا می‌کند، پروتکل یادگیری فدرال که تنها سیگنال حافظ حریم خصوصی را به بالا می‌برد، مدل تهدید خصمانه‌ای که در برابرش دفاع می‌کنیم، و مبنای قانونی‌ای که Hylon زیر آن به‌عنوان کنترل‌کنندهٔ داده کار می‌کند. هیچ‌چیز اینجا به افسانه‌ای حقوقی تکیه ندارد. ما ادعا نمی‌کنیم که GDPR اعمال نمی‌شود، و به معافیت خانگی هم استناد نمی‌کنیم. حریم خصوصی در Hylon انضباطی مهندسی است که مبنای قانونی مستند، یک ارزیابی اثر بر حفاظت داده، و دفاع‌های رمزنگاشتی و آماری نام‌برده پشتیبانی‌اش می‌کنند.

3.1 هوش مصنوعی شخصی روی دستگاه

هر دستگاه عضو Hylon یک هوش مصنوعی شخصی فشرده اجرا می‌کند: مدلی زبانی کوچک به‌علاوهٔ لایه‌ای از بازیابی و حافظه، که کاملاً روی گوشی، لپ‌تاپ یا رایانهٔ خود کاربر اجرا می‌شود. کارش باریک و ژرف است: ساختن مدلی خصوصی و با وضوح بالا از بافت، ترجیح‌ها، زبان و وظایف تکرارشوندهٔ یک نفر، و به‌کارگیری آن مدل تا هوش مشترک Hylon چنان به نظر برسد که گویی تنها برای همان فرد ساخته شده است. هوش مصنوعی شخصی همتای مدل سراسری حاکمیتی است که جای دیگر توصیف شده: مدل سراسری توانمندی گسترده می‌دهد، و هوش مصنوعی شخصی بافتی را می‌دهد که آزمایشگاهی متمرکز ساختاراً نمی‌تواند ببیند.

رده‌های مدل

هوش مصنوعی شخصی عامدانه کوچک است تا بتواند پیوسته، آفلاین و روی سخت‌افزار مصرف‌کننده اجرا شود بی‌آنکه دستگاه را تخلیه کند. در زمان عرضه دو خانوادهٔ مدل پشتیبانی می‌شوند که برای هر ردهٔ دستگاه برگزیده می‌شوند:

زمان اجرای انتزاع‌یافته از سخت‌افزار

هوش مصنوعی شخصی روی زمان اجرایی کار می‌کند که از روز نخست از سخت‌افزار انتزاع یافته است. همان مصنوع مدل بدون بازنویسی روی پشتوانه‌های CPU، GPU و NPU همراه اجرا می‌شود، و این انتزاع عامدانه طوری ساخته شده که پشتوانهٔ عصب‌ریخت آینده را برای استنتاج همیشه‌روشن با مصرف بسیار کم بپذیرد (رده‌ای روی نقشهٔ راه سخت‌افزار، در بخش رده‌های دستگاه). دستگاه توانمندی‌های خود را اعلام می‌کند — شتاب‌دهنده‌های موجود، سقف حافظه، و بودجهٔ حرارتی و توان — و زمان اجرا ردهٔ مدل، کوانتش و پشتوانهٔ اجرای مناسب را برمی‌گزیند. همین است که می‌گذارد یک گوشی اندرویدی ۲۰۰ دلاری و یک مک‌بوک سری M هر دو «هوش مصنوعی شخصی» را اجرا کنند در حالی که زیر پوسته مصنوع‌هایی بسیار متفاوت اجرا می‌شود.

هوش مصنوعی شخصی چه می‌آموزد و آموخته‌اش کجا می‌ماند

هوش مصنوعی شخصی سه دستهٔ کلی چیز می‌آموزد که همه از داده‌ای برمی‌آیند که هرگز به‌صورت خام دستگاه را ترک نمی‌کند:

• بافت — زبان یا زبان‌ها و گویش کاربر، واژگان تخصصی، موجودیت‌ها و پروژه‌هایی که در زندگی‌اش تکرار می‌شوند، منطقهٔ زمانی و ریتم‌هایش، و برنامه‌ها و سندهایی که با آن‌ها کار می‌کند (تا آنجا که کاربر خودش به‌صورت محلی در معرضشان بگذارد).
• ترجیح‌ها — لحن، پرگویی یا ایجاز، عادت‌های قالب‌بندی، اینکه چه‌گونه پاسخ‌هایی را می‌پذیرد یا بازنویسی می‌کند، و مرزهای ایمنی و محتوایی که خودش برای خودش می‌گذارد.
• وظایف — کارهای مشخصی که کاربر مکرر می‌خواهد (ترجمه به زبانی کم‌برخوردار، پیش‌نویسی، خلاصه کردن سندهای محلی، عبور از گردش‌کاری سانسورشدهٔ مشخصی) و سیگنال پاداشِ اینکه نتیجه پذیرفته، ویرایش یا دور انداخته شد.

دادهٔ خام — محتوای پیام‌ها، فایل‌ها، گشت‌وگذار، رونوشت‌ها، ضربه‌های کلید — تنها روی دستگاه پردازش می‌شود. برای تنظیم دقیق هوش مصنوعی شخصی محلی (معمولاً با وفق‌دهنده‌های سبک LoRA) و پر کردن انبارهٔ رمزنگاری‌شدهٔ حافظه و بازیابی محلی به کار می‌رود. هرگز فرستاده نمی‌شود، هرگز بارگذاری نمی‌شود، و برای Hylon بازیافتنی نیست. تنها چیزی که همیشه دستگاه را ترک می‌کند یک سیگنال آموخته‌شدهٔ حافظ حریم خصوصی است که در ادامه توصیف می‌شود.

3.2 مدل دولایهٔ حریم خصوصی

معماری حریم خصوصی Hylon دو دگرگونی برگشت‌ناپذیر را میان دادهٔ خام کاربر و هر چیزی که مدل سراسری Hylon می‌بلعد می‌گذارد. همین دلیل ساختاری دفاع‌پذیری خندق است و همین است که موضع حریم خصوصی را باورپذیر می‌کند نه آرزومندانه.

1. لایهٔ ۱ — خام ← هوش مصنوعی شخصی (روی دستگاه). دادهٔ خام به‌صورت محلی مصرف می‌شود تا وفق‌دهنده‌ها و حافظهٔ هوش مصنوعی شخصی را به‌روز کند. خروجی این لایه مجموعه‌ای از به‌روزرسانی‌های مدل است (گرادیان یا دلتای وزن)، نه داده. بازسازی ورودی‌های خام از یک به‌روزرسانی مدل خودش مسئلهٔ معکوس دشواری است — این سد نخست.
2. لایهٔ ۲ — به‌روزرسانی هوش مصنوعی شخصی ← سیگنال مشترک (خصوصی‌شده). پیش از آنکه هر به‌روزرسانی دستگاه را ترک کند، بریده می‌شود، فشرده می‌گردد، با نوفهٔ کالیبره آشفته می‌شود (حریم خصوصی تفاضلی) و برای تجمیع امن رمزنگاری می‌شود، تا Hylon همیشه تنها مجموعی روی کاربران بسیار را ببیند، هرگز مشارکت یک دستگاه را. این سد دوم.

بنابراین مدل سراسری دو لایه فاصله دارد از دادهٔ خام هر فرد: هرگز ورودی خام نمی‌بیند (لایهٔ ۱ آن را در به‌روزرسانی مدل حل می‌کند) و هرگز به‌روزرسانی هیچ کاربر منفردی را نمی‌بیند (لایهٔ ۲ آن را زیر نوفه درون یک تجمیع پنهان می‌کند). این چارچوب‌بندی تبلیغاتی نیست؛ هر لایه با سازوکاری مشخص و آزمون‌پذیر متناظر است، و مدل تهدید در بخش ۳.۴ هر کدام را سطحی خصمانه می‌داند که باید از آن دفاع شود، نه چیزی که مفروض گرفته شود.

3.3 پروتکل یادگیری فدرال

Hylon مدل سراسری را از ناوگان هوش‌های مصنوعی شخصی با یادگیری فدرال بهتر می‌کند: دستگاه‌ها به‌صورت محلی آموزش می‌بینند و تنها به‌روزرسانی‌های مدل را می‌دهند، هماهنگ‌شده در دورهای هم‌گام. این پروتکل چهار شگرد را ترکیب می‌کند — آموزش محلی، فشرده‌سازی به‌روزرسانی، تجمیع امن، و حریم خصوصی تفاضلی — که هر کدام به نیازی متمایز می‌پردازند (به‌ترتیب سودمندی، پهنای باند، محرمانگی، و حریم خصوصی صوری).

چرخهٔ زندگی یک دور

1. گزینش. هماهنگ‌کننده گروهی از دستگاه‌های واجد شرایط را برای این دور نمونه‌گیری می‌کند. واجد شرایط بودن مستلزم آن است که دستگاه عضوی رضایت‌داده باشد، و برای رعایت قیدهای فروشگاه اپ و باتری، معمولاً بی‌کار، در حال شارژ و روی شبکه‌ای بدون سقف مصرف باشد. خودِ نمونه‌گیری تصادفی است، که به کران تقویت حریم خصوصی کمک می‌کند.
2. توزیع. دستگاه‌های برگزیده وضعیت کنونی مدل سراسری (یا زیرمجموعهٔ مربوط از وفق‌دهنده‌ها) را برای این دور می‌گیرند.
3. آموزش محلی. هر دستگاه روی دادهٔ خصوصی خودش چند گام محلی آموزش می‌بیند و دلتایی از به‌روزرسانی وزن یا گرادیان نسبت به وضعیت توزیع‌شده می‌سازد.
4. برش و خصوصی‌سازی. هر به‌روزرسانی دستگاه به هنجار L2 کران‌داری بریده می‌شود (که بیشینه اثر هر کاربر را کران‌دار می‌کند) و نوفهٔ گاوسی کالیبره افزوده می‌گردد — گام حریم خصوصی تفاضلی.
5. فشرده‌سازی. به‌روزرسانی‌ها فشرده می‌شوند (تُنُک‌سازی top-k، کوانتش، یا طرح‌های کم‌رتبه/بازخورد خطا) تا پهنای باند بالادست یک تا دو مرتبهٔ بزرگی کم شود، تا مشارکت روی اتصال‌های معمولی مصرف‌کننده شدنی بماند.
6. تجمیع امن. دستگاه‌ها به‌روزرسانی‌ها را زیر پروتکل رمزنگاشتی تجمیع امن می‌فرستند (پوشش‌دهی جفتی یا آستانه‌ای، با تحمل افت دستگاه) تا هماهنگ‌کننده تنها بتواند مجموع به‌روزرسانی‌های آن گروه را محاسبه کند و دربارهٔ هیچ مشارکت فردی چیزی نداند — حتی سرور تنها تجمیع را می‌بیند.
7. به‌روزرسانی سراسری. هماهنگ‌کننده به‌روزرسانی تجمیع‌شده و در امید ریاضی نوفه‌زدوده را بر مدل سراسری اعمال می‌کند، دور را ثبت می‌کند و به دور بعد می‌رود. بهبودها به‌صورت وزن‌های سراسری بهتر به پایین بازمی‌گردند، که هوش‌های مصنوعی شخصی بهتری می‌سازند و چرخ‌طیار را می‌بندند.

پارامترهای طراحی

یادگیری فدرال اینجا لایهٔ شخصی‌سازی و وفق‌پذیری را هدف می‌گیرد — بهبود اینکه مدل سراسری چگونه به وظایف واقعی در زبان‌های واقعی خدمت می‌کند — و از پیش‌آموزش سنگین هستهٔ حاکمیتی متمایز است که روی لایهٔ آموزشی GPU با روش‌های آموزش کم‌ارتباط اجرا می‌شود. گوشی‌ها سیگنال را فدرال می‌کنند؛ GPUها آموزش سنگین از نظر FLOPs را انجام می‌دهند. ما ادعا نمی‌کنیم که گوشی‌ها مدل مرزی را آموزش می‌دهند.

3.4 مدل تهدید و اقدام‌های کاهنده

ادعای حریم خصوصی تنها به اندازهٔ حمله‌هایی که از آن‌ها جان به در می‌برد نیرومند است. ما به‌روزرسانی مشترک مدل را سطحی خصمانه می‌دانیم و در برابر سه حملهٔ متعارف استنتاجی بر سامانه‌های فدرال دفاع می‌کنیم. مهم‌تر از همه، فرض نمی‌کنیم که یک به‌روزرسانی مدل، یا وزن‌های حاصل، به‌طور پیش‌فرض ناشناس‌اند.

این دفاع‌ها با هم ترکیب می‌شوند: تجمیع امن به‌روزرسانی هر کاربر را از دید برمی‌دارد، حریم خصوصی تفاضلی کران می‌گذارد بر آنچه تجمیع می‌تواند دربارهٔ هر عضو گروه فاش کند، برش بدترین‌حالت اثر را کران‌دار می‌کند، و معماری دولایه تضمین می‌کند که دادهٔ خام از همان ابتدا چیزی نباشد که فرستاده می‌شود. مشارکت‌های با اطمینان بالا، آنجا که تضمینی نیرومندتر موجه باشد، می‌توانند افزون بر این درون محیط‌های اجرای مورد اعتماد (TEE) روی سخت‌افزار توانمند اجرا شوند، تا حتی گام آموزش محلی هم در محفظه‌ای گواهی‌شده اجرا شود. ما صریحاً ادعای اثبات دانش‌صفر برای آموزش را نمی‌کنیم: zkML در ۲۰۲۶ نمی‌تواند آموزش را در مقیاس اثبات کند و ما چنین ادعایی نداریم.

بده‌بستان حریم خصوصی و سودمندی، صادقانه بیان‌شده

حریم خصوصی تفاضلی رایگان نیست. هر واحد حریم خصوصی صوری (ε کوچک‌تر) مقداری سودمندی مدل هزینه دارد، چون نوفه‌ای که افراد را پنهان می‌کند سیگنال را هم تار می‌کند. Hylon این بودجه را صریح مدیریت می‌کند: ضریب نوفه، هنجار برش، اندازهٔ گروه و نرخ نمونه‌گیری را با هم تنظیم می‌کنیم، خرج انباشتهٔ حریم خصوصی را در گذر دورها با حسابدار صوری دنبال می‌کنیم، و رژیم کاری را منتشر می‌کنیم. وانمود نمی‌کنیم که این بده‌بستان وجود ندارد؛ آن را به نقطه‌ای دفاع‌پذیر مهندسی می‌کنیم و مستندش می‌سازیم.

3.5 موضع قانونی

Hylon برای سیگنال فدرالی که تجمیع می‌کند در نقش کنترل‌کنندهٔ داده عمل می‌کند و پردازش را بر مبنایی قانونی و مستند انجام می‌دهد. ما دو میان‌بری را که پروژه‌های دیگر به آن‌ها تکیه می‌کنند و از زیر ذره‌بین جان به در نمی‌برند رد می‌کنیم:

• ادعا نمی‌کنیم که «GDPR اعمال نمی‌شود». اعمال می‌شود و ما بر همان اساس می‌سازیم.
• برای گریز از تعهدات کنترل‌کننده به معافیت خانگی و کاربرد شخصی استناد نمی‌کنیم. آن معافیت شبکه‌ای را که سیگنال یک میلیون کاربر را تجمیع می‌کند دربر نمی‌گیرد و ادعای آن نادرست می‌بود.

منافع مشروع به‌علاوهٔ ارزیابی اثر بر حفاظت داده

پردازش سیگنال آموخته‌شدهٔ حافظ حریم خصوصی بر مبنای قانونی منافع مشروع (مادهٔ 6(1)(f) GDPR) استوار است و یک ارزیابی منافع مشروع مستند و یک ارزیابی اثر بر حفاظت داده (DPIA) پشتیبانی‌اش می‌کنند که هدف، جریان‌های داده، ریسک‌ها (همان سه حملهٔ بالا) و اقدام‌های کاهنده (جدایی دولایه، یادگیری فدرال، حریم خصوصی تفاضلی، تجمیع امن، TEEها) را ثبت می‌کند. این ارزیابی سندی زنده است که با تکامل پروتکل و پارامترهایش بازبینی می‌شود. اعضا سازوکار شفافیت، اعتراض و حقوقی را که GDPR می‌طلبد نگه می‌دارند؛ چون دادهٔ خام هرگز دستگاه را ترک نمی‌کند، بخش بزرگی از سطح ریسکی که معمولاً این تعهدات را پیش می‌راند ساختاراً کم می‌شود، اما تعهدات برآورده می‌شوند، نه چشم‌پوشی.

هوش مصنوعی شخصی روی دستگاه، جدایی دولایه، پروتکل فدرال و مبنای قانونی ارزیابی‌شده با هم سامانه‌ای می‌سازند که حریم خصوصی‌اش در هر مرحله راستی‌آزمایی‌پذیر است و چرخ‌طیار داده‌اش، بنا بر ساختار، چیزی است که هیچ رقیب متمرکز و ثروتمندتری نمی‌تواند قانوناً یا فیزیکاً بازتولیدش کند.

3.6 حالت خاموشی: دستیاری که از قطعی سراسری اینترنت جان به در می‌برد

Hylon طوری طراحی شده که نخستین دستیار هوش مصنوعی‌ای باشد که در قطعی سراسری اینترنت به کار خود ادامه می‌دهد، و این ادعا با حدودش در دل خودش نوشته شده، نه در پانوشت: حالت خاموشی در دسترس بودن را حفظ می‌کند، و تنها در دسترس بودن را. وقتی دولتی ترانزیت را قطع می‌کند، DNS را مسموم می‌سازد یا کشوری را تا صفر گلوگاه می‌کند، دستیار ابری به‌سادگی نیست؛ اما گوشی در دست کاربر هست. چهار سازوکار — که پیش‌تر موضوع مجموعهٔ آزمون پذیرش اپ‌اند — دستیار را از دل قطعی عبور می‌دهند.

• استنتاج روی دستگاه و بستهٔ از پیش نهان‌شده. پاسخ‌ها از مدلی می‌آیند که پیش‌تر روی دستگاه ساکن است، به‌علاوهٔ بستهٔ دانش کوچکی که از پیش دانلود شده (مطالب اضطراری، پزشکی، حقوقی و شهروندی). در طول خاموشی، دستیار هیچ تلاشی برای شبکه نمی‌کند: جاسوس خروجی در آزمون پذیرش باید دقیقاً صفر بخواند، و پرسشی که تطابق محلی ندارد به‌جای پاسخ ساختگی، صادقانه «در بستهٔ آفلاین نیست» برمی‌گرداند.
• رلهٔ گوشی‌به‌گوشی. آنجا که اینترنت نیست، رادیوی درون همان اتاق هست. بلوتوث کم‌مصرف روی اندروید و MultipeerConnectivity روی iOS همان نشست‌های قاب‌بندی‌شدهٔ ترابری پل OrbMesh را بایت‌به‌بایت حمل می‌کنند (با پیشوند دوبایتی طول)، پس یک گوشی، لپ‌تاپی در نقش ابرهمتای شبکهٔ محلی، و یک گرهٔ کامل همگی یک قالب سیمی واحد را می‌فهمند. رله کردن محدود به شمار پرش است، تکراری‌ها سرکوب می‌شوند، و برای همیشه تنها ارتباطی است: پیام‌ها را میان مردم جابه‌جا می‌کند و هرگز خروجی اینترنت برای ترافیک شخص ثالث نیست.
• وفق‌دهنده‌ها، نه وزن‌ها. تنها وفق‌دهنده‌های کوچک و پیام‌های پاک‌سازی‌شده از پیوند رادیویی می‌گذرند، هرگز وزن‌های مدل پایه. مدل از پیش روی گوشی هست، و پیوند گوشی‌به‌گوشی مرتبه‌ها کندتر و کوچک‌تر از آن است که بتواند یکی را جابه‌جا کند.
• تسویهٔ تحمل‌کنندهٔ افراز. کاری که در طول قطعی انجام می‌شود رسیدهای مصرف امضاشده می‌سازد که روی دستگاه نگه داشته می‌شوند و پس از پایان خاموشی برای تطبیق فرستاده می‌گردند، روی همان ریل تولیدی ادعای کوپن امضاشده که شبکه هم‌اکنون می‌گرداند (بخش‌های ۷.۱ و ۸.۱). رسید سابقه‌ای احراز هویت‌شده از مصرف است و نه یک اعتبار: هیچ مبلغی حمل نمی‌کند، سرور رسیدی را که امضای دستگاهش راستی‌آزمایی نشود نمی‌پذیرد، هر شناسه و نانس رسید برای همیشه یک‌بارمصرف است پس رسید بازپخش‌شده به هیچ تطبیق نمی‌شود، و کلیدی که اصلاً پذیرش رسیدهای آفلاین را ممکن می‌کند بسته عرضه می‌شود و تنها به‌عمد به دست گرداننده باز می‌گردد. بنابراین تسویه هرگز به بالا بودن شبکه در لحظهٔ انجام کار وابسته نیست، و به همان اندازه هرگز بابت کاری که کسی دوباره راستی‌آزمایی‌اش نکرده پرداخت نمی‌کند.

حدود، بخشی از خودِ ادعا هستند

مردم از این قابلیت در طول قطعی استفاده می‌کنند، و دقیقاً همان‌جاست که توانمندی اغراق‌شده دیگر تبلیغ نیست و به نقص ایمنی بدل می‌شود. پس حدود به همان برجستگی خودِ قابلیت بیان می‌شوند، و هر کدام به‌جای یک سلب مسئولیت، ادعایی اجراشدنی در مجموعهٔ آزمون اپ‌اند.

• هیچ کسبی در حالت آفلاین نیست. رله کردن یا پاسخ دادن در حالت افراز‌شده هیچ درآمدی ندارد. نه نرخی هست، نه مبلغی در انتظار، و نه شمارنده‌ای که در طول قطعی روی هیچ صفحه‌ای بالا برود. دستگاه اصلاً هیچ ارزشی را اعتبار نمی‌دهد: کار آفلاین به سابقهٔ مصرفی بدل می‌شود که در انتظار راستی‌آزمایی دوبارهٔ سمت سرور پس از بازگشت اتصال است، و تنها کار دوباره راستی‌آزمایی‌شده می‌تواند امتیاز بیاورد. کد از ساختن انباشت اعتباری سر باز می‌زند، پس این نمی‌تواند بی‌سروصدا تغییر کند.
• در دسترس بودن، نه ناشناسی. رله کردن اپ را قابل دسترس می‌کند. پنهان نمی‌کند چه کسی حرف می‌زند؛ شرکت در یک مِش رادیویی آشکار می‌کند که شما به‌لحاظ فیزیکی نزدیک همتاهایی هستید که با آن‌ها پیام رد و بدل می‌کنید؛ و در برابر دشمنی که به‌لحاظ فیزیکی حاضر است، در همان اتاق نشسته، یا دستگاه را ضبط می‌کند هیچ محافظتی نمی‌دهد. Hylon برای حالت خاموشی ادعای ناشناسی، پیوندناپذیری یا ارتباط ردیابی‌ناپذیر نمی‌کند، و هر کس که امنیتش به دیده‌نشدن وابسته است نباید به این سازوکار — یا به هیچ رادیویی — تکیه کند.
• روی iOS تنها در پیش‌زمینه. روی آیفون و آی‌پد، رله تنها تا وقتی اپ روی صفحه باز است اجرا می‌شود و همان لحظه که کاربر اپ را عوض کند یا دستگاه را قفل کند متوقف می‌گردد. هیچ حالت پس‌زمینه‌ای برایش اعلام نشده و نخواهد شد: حسابرسی پذیرش، فایل Info.plist عرضه‌شده را تجزیه می‌کند و اگر هر مجوز پس‌زمینه‌ای ظاهر شود، یا رله ادعا کند که در پس‌زمینه اجرا می‌شود، ساخت را ناکام می‌کند.
• محموله‌های پاک‌سازی‌شده، امتناع به‌جای حدس. پیام رله‌شده از گوشی یک غریبه می‌گذرد. جزئیات شخصی پیش از تحویل روی دستگاه فرستنده برداشته می‌شوند، پس از پاک‌سازی راستی‌آزمایی می‌گردند، و پیامی که بدون ابهام پاک‌شدنی نباشد به‌جای رله شدن رد می‌شود.

4.1 تز اصلی: خندقی که نمی‌توان خرید

هر آزمایشگاه متمرکز روی سه محور رقابت می‌کند: سرمایه (چند GPU می‌توانی بخری)، استعداد (چه کسی مدل را طراحی می‌کند) و داده (مدل از چه می‌آموزد). دو تای نخست در نهایت خریدنی‌اند. رقیبی با بودجهٔ بیشتر همیشه می‌تواند در توان محاسباتی از رقیب کوچک‌تر بیشتر خرج کند، و حقوق هم بازاری دارد. داده تنها محوری است که پول برایش بس نیست، چون ارزشمندترین دادهٔ جهان داده‌ای است که قانوناً یا فیزیکاً گردآوردنی نیست. Hylon برای پیروزی در همین محور ساخته شده است.

برتری بادوام Hylon معماری یک مدل نیست — معماری‌ها ظرف چند ماه منتشر می‌شوند و آزادانه در زیست‌بوم وزن‌باز پخش می‌گردند. برتری بادوام یک چرخ‌طیار دادهٔ مرکب‌شونده و خودتقویت‌کننده است که در محصولی زنده با کاربران واقعی لنگر انداخته؛ در بازارهایی که آزمایشگاه‌های متمرکز ساختاراً نمی‌توانند به آن‌ها خدمت کنند. یک میلیون هوش مصنوعی شخصی — مدل‌های فشردهٔ روی دستگاه که روی گوشی‌ها و رایانه‌های اعضا اجرا می‌شوند (رده‌های دستگاه الف و ب) — جریانی پیوسته از سیگنال تقویتی می‌سازند از وظایف واقعی‌ای که برای آدم‌های واقعی اهمیت دارند، در زبان‌ها و بافت‌های فرهنگی‌ای که مزمناً کم‌نمایندگی شده‌اند (فارسی، عربی، روسی، ترکی و ده‌ها زبان دیگر)، درون بازارهای سانسورشده‌ای که آزمایشگاهی آمریکایی یا اروپایی حتی قانوناً نمی‌تواند در آن‌ها کار کند. این سیگنال به‌صورت خصوصی تجمیع می‌شود، در مدلی سراسری و نیرومندتر تقطیر می‌گردد، و به‌صورت هوش‌های مصنوعی شخصی بهتر به پایین بازمی‌گردد، که کاربران بیشتری جذب می‌کنند، که سیگنال بیشتری می‌سازند. حلقه با هر چرخش تنگ‌تر می‌شود.

این ادعایی نظری دربارهٔ شبکه‌ای که شاید وجود داشته باشد نیست. Hylon کسب‌وکاری فعال را به ارث می‌برد — OrbNet/OrbVPN — با کاربران پولی که دقیقاً در همان بازارهای محدودشده (ایران، روسیه و حوزه‌های قضایی مشابه) متمرکزند که گوه را می‌سازند. کانال توزیع، رابطهٔ کاربری، ریل‌های پرداخت و زیرساخت پاداش روی زنجیره هم‌اکنون وجود دارند و هم‌اکنون درآمد واقعی حمل می‌کنند. چرخ‌طیار لازم نیست از صفر بالا بیاید؛ لازم است روی پایگاه کاربری‌ای که از پیش هست ابزارگذاری شود.

4.2 سازوکار چرخ‌طیار

چرخ‌طیار حلقهٔ بسته‌ای از شش مرحله است. هر مرحله زیرسامانه‌ای مهندسی و واقعی است، نه یک شعار. هر کدام را به‌ترتیب توصیف می‌کنیم و سپس نمودار حلقه را خلاصه می‌کند.

مرحلهٔ ۱ — یک میلیون هوش مصنوعی شخصی در لبه

هر دستگاه عضو یک هوش مصنوعی شخصی فشرده اجرا می‌کند: مدلی در ردهٔ ۱ تا ۴ میلیارد پارامتر، یا مدلی سه‌دویی به سبک BitNet b1.58 که در حدود ۰٫۴ گیگابایت سرویس می‌دهد و روی پردازندهٔ یک لپ‌تاپ ده‌ها توکن بر ثانیه تولید می‌کند. این مدل بافت کاربر را کاملاً به‌صورت محلی می‌آموزد — وظایفش، سطح زبانی‌اش، حوزه‌اش، ترجیح‌هایش — از راه شخصی‌سازی روی دستگاه و وفق‌دهنده‌های سبک LoRA. دادهٔ خام کاربر هرگز دستگاه را ترک نمی‌کند. هوش مصنوعی شخصی هم‌زمان محصولی است که کاربر تجربه می‌کند و حسگری که می‌بیند کدام رفتارها سودمندند.

مرحلهٔ ۲ — سیگنال تقویتی از وظایف واقعی

برخلاف آزمایشگاهی که پیکره‌ای ایستا از وب برمی‌دارد، Hylon پیامدها را می‌بیند. وقتی کاربر پاسخی را می‌پذیرد، ویرایش می‌کند، رد می‌کند یا دوباره می‌پرسد؛ وقتی وظیفه‌ای چندمرحله‌ای موفق یا ناکام می‌شود؛ وقتی ترجمه‌ای اصلاح می‌شود؛ وقتی فراخوان ابزاری پاسخ درست می‌دهد — این‌ها سیگنال‌های پاداشی‌اند که در نیت واقعی انسان زمین‌گیر شده‌اند. این مادهٔ خام یادگیری تقویتی از کاربرد راستین است و از متن خزیده‌شده کیفیتاً متفاوت است: نه‌تنها آنچه مردم می‌گویند، بلکه آنچه واقعاً به آن‌ها کمک می‌کند را می‌گیرد، درون همان توزیعی که شبکه برای خدمت به آن بهینه شده است.

مرحلهٔ ۳ — دادهٔ گردآوری‌ناپذیر چندزبانه و برخاسته از بازارهای سانسورشده

وظایفی که در شبکه جاری‌اند به‌طور نامتناسبی در زبان‌های کم‌برخوردارند و به‌طور نامتناسبی از بازارهایی برمی‌خیزند که آزمایشگاه‌های متمرکز به آن‌ها دسترسی ندارند. حاصل، پیکره‌ای از سیگنال آموخته‌شده است که در هیچ خزش وبی نیست و هیچ دلال داده‌ای نمی‌فروشدش: نوشتار فنی اصیل فارسی، گردش‌کارهای عبور از سانسور به زبان روسی، ظرافت گویشی عربی، و سطح زبانی اداری و حقوقی ترکی — همه زمین‌گیر در آنچه کاربران واقعی آن بازارها به‌راستی می‌کوشند انجام دهند. این محتوای خندق است.

مرحلهٔ ۴ — تجمیع خصوصی

سیگنال در سراسر ناوگان با یادگیری فدرال همراه با حریم خصوصی تفاضلی و تجمیع امن ترکیب می‌شود. دستگاه‌ها به‌روزرسانی‌های حافظ حریم خصوصی را به‌صورت محلی محاسبه می‌کنند؛ آن به‌روزرسانی‌ها بریده و نوفه‌دار می‌شوند تا مشارکت هر فرد کران‌دار بماند، سپس چنان ترکیب می‌گردند که سرور تجمیع تنها مجموع را ببیند، هرگز هیچ به‌روزرسانی فردی را. سامانهٔ مرکزی آموزش یک گرادیان آموخته‌شده از مهارت عمومی می‌گیرد، نه انبوهی از پیام‌های شخصی. (بخش ۳ معماری حریم خصوصی، مبنای قانونی و دفاع در برابر استنتاج عضویت و وارونه‌سازی مدل را با جزئیات می‌آورد؛ همخوان با نظر EDPB 28/2024 (هیئت اروپایی حفاظت داده)، ما وزن‌ها را به‌طور پیش‌فرض ناشناس فرض نمی‌کنیم و بر همان اساس مهندسی می‌کنیم.)

مرحلهٔ ۵ — مدلی سراسری و نیرومندتر

سیگنال تجمیع‌شده به خط لولهٔ آموزش پیوسته روی خوشهٔ GPU ردهٔ ۱ خوراک می‌دهد (بخش ۵). دستورهای اعتبارسنجی‌شده سیگنال تازه را در نقطهٔ ذخیرهٔ سراسری بعدی تا می‌زنند، که زیر دروازهٔ انتشار قهرمان-مدعی در برابر قهرمان ارزیابی می‌شود (بخش ۶). چون سیگنال در وظایف واقعی حوزهٔ گوه زمین‌گیر شده، دستاوردها دقیقاً همان‌جا می‌نشینند که شبکه رقابت می‌کند — نه صرفاً روی محک‌های عمومی، بلکه روی ارزیابی‌های بافت شخصی و چندزبانه که گوه را تعریف می‌کنند.

مرحلهٔ ۶ — هوش‌های مصنوعی شخصی بهتر ← کاربران بیشتر ← بازگشت به مرحلهٔ ۱

مدل سراسری بهبودیافته دوباره در هوش‌های مصنوعی شخصیِ بهترِ روی دستگاه تقطیر می‌شود. کاربران حس می‌کنند دستیارشان در وظایف خودشان و به زبان خودشان تیزتر می‌شود. محصول بهتر کاربران را نگه می‌دارد و جذب می‌کند؛ کاربران بیشتر سیگنال بیشتری می‌سازند؛ حلقه بسته می‌شود و شتاب می‌گیرد. این همان خاصیت مرکب‌شوندگی است: هر چرخش چرخ باعث می‌شود چرخش بعدی دادهٔ بیشتر و بهتری بسازد، که رقیبی که دیرتر وارد شود نمی‌تواند به‌صورت گذشته‌نگر به دستش آورد.

4.3 سامانهٔ کسب دانش

چرخ‌طیار منبع دانش اصلی و دفاع‌پذیرترین منبع شبکه است، اما تنها منبع نیست. Hylon سامانهٔ کسب دانش گسترده‌تری را می‌گرداند که از چند منبع زیر یک خط لولهٔ منضبط واحد می‌بلعد. اصل حاکم این است که هیچ‌چیز کورکورانه پذیرفته نمی‌شود: هر پارهٔ دانش نامزد — چه یک واقعیت، چه یک مهارت، چه یک دستور کار، چه یک منبع داده — از خط لولهٔ یادگیری انتقادی می‌گذرد که آن را می‌فهمد، به پرسش می‌کشد، می‌آزماید، راستی‌آزمایی می‌کند و تنها پس از آن یکپارچه‌اش می‌سازد.

منابع دانش، به‌ترتیب اولویت

خط لولهٔ یادگیری انتقادی

چون منابع در قابلیت اتکا متفاوت‌اند — ادعایی پژوهشی ممکن است تکرارپذیر نباشد، واقعیتی وبی ممکن است نادرست باشد، سیگنالی تجمیع‌شده ممکن است بازتاب نوفه یا مشارکت‌کننده‌ای خصمانه باشد — هر نامزد پیش از آنکه بتواند بر مدل سراسری اثر بگذارد از ارزیابی پنج‌مرحله‌ای می‌گذرد. این همان انضباط است، چه ورودی دستوری برگرفته از ادبیات باشد و چه سیگنالی تقویتی و تجمیع‌شده.

1. فهمیدن — نامزد را به ادعا یا مهارتی ساخت‌یافته تجزیه کن: دقیقاً چه چیزی، در چه حوزه‌ای، زیر چه شرایطی، از چه منبعی با چه خاستگاه و چه وضعیت پروانه‌ای ادعا می‌شود.
2. به پرسش کشیدن — آن را در برابر دانش موجود بازجویی کن. آیا با آنچه مدل با اطمینان بالا در خود دارد در تناقض است؟ آیا منبع قابل اتکاست؟ آیا درونش سازگار است؟ آیا می‌تواند خصمانه یا اثر مشارکت‌کننده‌ای مسموم باشد؟
3. آزمودن — اعتبارسنجی ارزان و کوچک‌مقیاس اجرا کن. برای دستورهای کار، این یک آزمون حذفی کوچک است (انضباط اصلی موتور خودبهبودی: آزمایش‌های ارزان پیش از هر اجرای گران، دستور کار را می‌یابند). برای ادعاهای واقعی یا مهارتی، این ارزیابی روی دادهٔ کنارگذاشته و مقابله با منابع مستقل است.
4. راستی‌آزمایی — معناداری آماری و تأیید مستقل بخواه. سیگنال‌های تجمیع‌شده باید از غربال‌های تجمیع مقاوم جان به در ببرند که اثر هر مشارکت‌کنندهٔ منفرد را کران‌دار می‌کنند. هیچ‌چیز بر پایهٔ یک مشاهدهٔ نوفه‌دار ارتقا نمی‌یابد.
5. یکپارچه‌سازی — تنها دانش اعتبارسنجی‌شده در آموزش تا می‌شود، و حتی آن هم تنها از راه دروازهٔ قهرمان-مدعی: مدل حاصل باید پیش از عرضه، قهرمان زنده را با حاشیه‌ای تعریف‌شده و بدون هیچ پس‌رفت ایمنی شکست دهد (بخش ۶).

4.4 چه چیزی آموخته می‌شود در برابر چه چیزی هرگز دریافت نمی‌شود

مهم‌ترین مرز سامانه، خطی است میان مهارت‌ها و الگوها (که شبکه می‌آموزد) و محتوای خام و اطلاعات هویت‌پذیر (که سامانهٔ مرکزی هرگز دریافت نمی‌کند). همین مرز است که خندق را هم دفاع‌پذیر و هم قانونی می‌کند. این مرز را معماری اعمال می‌کند — یادگیری فدرال، حریم خصوصی تفاضلی و تجمیع امن — نه صرفاً وعده‌ای سیاستی.

به‌طور مشخص: شبکه می‌تواند بیاموزد که راهبرد عبارت‌پردازی مشخصی توضیح‌های فنی فارسی را بهتر می‌کند بی‌آنکه حتی یک سند فارسی نوشته‌شده به دست هیچ کاربری را ببیند. گرادیان مهارت را می‌آموزد، نه متن تجربه را. حریم خصوصی تفاضلی کران می‌گذارد بر میزان اثری که دادهٔ هر کاربر می‌تواند بر نتیجه بگذارد؛ تجمیع امن تضمین می‌کند سرور تنها به‌روزرسانی ترکیب‌شده را ببیند؛ و دفاع‌های توصیف‌شده در بخش ۳ در برابر بازسازی مشارکت‌های فردی از راه استنتاج عضویت یا وارونه‌سازی مدل محافظت می‌کنند.

4.5 چرا این در آزمایشگاهی متمرکز نخریدنی است

رقیبی ثروتمند که این بخش را بخواند پرسش بدیهی را می‌پرسد: چرا خودمان همین کار را نکنیم؟ پاسخ این است که مانع، زیرکی فنی نیست؛ ساختاری است و میان قیدهای حقوقی و فیزیکی تقسیم شده که سرمایه نمی‌تواند حلشان کند.

مانع حقوقی

بازارهای گوه، بنا بر تعریف، بازارهایی‌اند که آزمایشگاهی آمریکایی یا اروپایی نمی‌تواند قانوناً در آن‌ها محصولی مصرفی برای گردآوری داده بگرداند. رژیم‌های تحریم و کنترل صادرات، شرکت‌های آمریکایی و اروپایی را از کار در چند مورد از همان حوزه‌های قضایی (ایران و بازارهای مشابه) که ارزشمندترین دادهٔ بافت عبور از سانسور از آن‌ها برمی‌خیزد محدود می‌کنند. آزمایشگاهی متمرکز که بکوشد دادهٔ شخصی خام وظایف را در این مقیاس گرد بیاورد، با تمام سنگینی قانون جامع حریم خصوصی هم روبه‌رو می‌شود — همان رژیمی که Hylon با پردازش روی دستگاه، مبنای قانونی مستند منافع مشروع، یک ارزیابی اثر بر حفاظت داده و معماری فدرال/تفاضلی/تجمیع امن به آن پاسخ می‌دهد. گردآوری متمرکز دادهٔ خام دقیقاً همان چیزی است که قانونی نیست؛ طراحی Hylon با هرگز گردآوری نکردنش پیروز می‌شود.

مانع فیزیکی

حتی اگر قانون را کنار بگذاریم، این داده به هیچ شکل به‌دست‌آوردنی وجود ندارد. مجموعه‌داده‌ای برای خریدن نیست که سیگنال تقویتی واقعی و زمین‌گیر در وظیفه از یک میلیون کاربر در بازارهای سانسورشده در حال انجام کار روزمرهٔ واقعی‌شان را داشته باشد. این داده پیوسته از راه رابطه‌ای زنده با پایگاه کاربری زنده تولید می‌شود، و آن رابطه دارایی‌ای است که OrbNet/OrbVPN از پیش مالکش است و Hylon به ارث می‌بردش. رقیب نمی‌تواند بخردش، چون فروشنده‌ای نیست؛ تنها می‌توان طی سال‌ها و با گرداندن محصولی مورد اعتماد دقیقاً در همان بازارها پرورشش داد. Hylon چند سال در آن رابطه جلوتر است.

جایگاه‌یابی در برابر میدان DePIN

ارزش دارد دقیق بگوییم این چیست و چه نیست. Hylon ادعا نمی‌کند که از FLOPs گوشی مصرف‌کننده درآمد دارد — هیچ شبکهٔ غیرمتمرکزی ندارد، و کل این بخش در ۲۰۲۵ تنها حدود ۷۲ میلیون دلار درآمد روی زنجیره در برابر حدود ۱۰ میلیارد دلار ارزش بازار به دست آورد. Grass (با ارزش حدود ۳۳۰ میلیون دلار) با فروش پهنای باند و دادهٔ وب به آزمایشگاه‌های هوش مصنوعی درآمد می‌سازد؛ Acurast (حدود ۲۵۵ هزار گوشی) پیشتاز توان محاسباتی گوشی هوشمند است که تقاضایش هنوز اثبات نشده؛ Salad پیشتاز توان محاسباتی رایانه‌های بازی مصرف‌کننده است (حدود ۱۰ میلیون دلار درآمد سالانهٔ تکرارشونده، بدون توکن). گوشی‌های Hylon برای همان چیزی ارزش دارند که گوشی‌ها به‌راستی در آن خوب‌اند — استنتاج خصوصی و دادهٔ نخریدنی — در حالی که آموزش واقعی روی GPUها انجام می‌شود (ردهٔ ۱). چرخ‌طیار داده سازوکاری است که با آن ناوگانی از گوشی چیزی تولید می‌کند که آزمایشگاهی واقعاً بابتش پول می‌دهد و از راه دیگری نمی‌تواند به دستش آورد: نه توان محاسباتی خام، بلکه یک سیگنال تقویتی اختصاصی از بازارهایی که هیچ‌کس دیگر به آن‌ها دسترسی ندارد.

4.6 خلاصه

چرخ‌طیار داده پاسخ سخت‌ترین پرسشی است که هر پروژهٔ هوش مصنوعی غیرمتمرکز با آن روبه‌روست: چه داری که آزمایشگاهی هزارمیلیارددلاری نتواند به‌سادگی بخردش؟ پاسخ Hylon حلقه‌ای مرکب‌شونده است: یک میلیون هوش مصنوعی شخصیِ رضایت‌داده که سیگنال تقویتی حافظ حریم خصوصی از وظایف واقعی در زبان‌های کم‌برخوردار و بازارهای سانسورشده تولید می‌کنند، به‌صورت خصوصی در مدلی سراسری و نیرومندتر تجمیع می‌شود که هوش‌های مصنوعی شخصی را بهتر می‌کند و کاربران بیشتری جذب می‌کند. سامانهٔ کسب دانش این حلقه را از منابعی منضبط و انتقادی‌ارزیابی‌شده تغذیه می‌کند، با تقطیر از مدل‌های بسته که ساخته شده اما تا صدور پروانه خاموش است. آنچه شبکه می‌آموزد مهارت است؛ آنچه هرگز دریافت نمی‌کند محتوای شخصی خام است. و دلیل پابرجایی‌اش: این داده نخریدنی است، نه به‌خاطر ترفندی زیرکانه، بلکه چون گردآوری متمرکزش غیرقانونی است، بازارهایش دست‌نیافتنی‌اند، و تنها به‌عنوان خروجی زندهٔ رابطه‌ای با محصول وجود دارد که Hylon از پیش مالکش است.

Hylon دو چیزی را که توان محاسباتی هوش مصنوعی واقعاً می‌طلبد از هم جدا می‌کند و از وانمود کردن به اینکه یک مسئله‌اند سر باز می‌زند. آموزش یک مدل مرزی کاری است پر-FLOP، پرحافظه و مقید به سرمایه که جایش روی GPUهای ردهٔ مرکز داده است. سرویس‌دهی استنتاج، شخصی‌سازی روی دستگاه، امتیازدهی پاداش یادگیری تقویتی و تولید داده کاری است به‌شدت موازی و سبک برای هر گره، که یک میلیون دستگاه ناهمگن مصرف‌کننده عالی انجامش می‌دهند. بیشتر پروژه‌های DePIN این دو را در هم می‌آمیزند و «آموزش روی گوشی شما» را وعده می‌دهند، که فیزیکاً نادرست است و کسری اعتبار این بخش را ساخته است. معماری Hylon بر فرض مقابل بنا شده: بافتی محاسباتی دولایه که هر لایه تنها همان کاری را می‌کند که سخت‌افزارش به‌راستی در آن خوب است، و هر واحد کار روی هر دو لایه پیش از پرداخت اندازه‌گیری و به‌صورت رمزنگاشتی یا اقتصادی راستی‌آزمایی می‌شود. هیچ‌جای این سامانه پاداش آپ‌تایم بی‌کار وجود ندارد.

5.1 لایهٔ ۱ — آموزش پراکنده در جغرافیا روی خوشه‌های GPU

لایهٔ ۱ جایی است که مدل‌ها واقعاً آموزش می‌بینند. ناوگانی از گره‌های GPU ردهٔ مرکز داده است — سرورهای ردهٔ ۸×H100 یا ۸×B200، هر کدام با اتصال درون‌گره‌ای سریع NVLink/NVSwitch — که به‌لحاظ فیزیکی در مناطق و مراکز دادهٔ گوناگون پخش‌اند اما از راه اینترنت عمومی هماهنگ می‌شوند. دو ردهٔ مالکیت این لایه را پر می‌کنند: یک خوشهٔ هستهٔ متعلق به خزانهٔ DAO که Hylon مستقیم کنترلش می‌کند و از درآمد سرویس تأمین مالی‌اش می‌کند، و گره‌های سهام‌گذاری‌شدهٔ گردانندگان که اشخاص ثالث می‌آورند، وثیقهٔ ORB می‌گذارند، گواهی سخت‌افزار می‌گیرند و بابت کار آموزشی راستی‌آزموده پاداشی می‌گیرند که به درآمد مقید است. خوشهٔ هسته کف ظرفیت مورد اعتماد و همیشه در دسترس را برای خط لولهٔ انتشار قهرمان-مدعی تضمین می‌کند (بخش ۷)؛ گردانندگان سهام‌گذار مقیاس کشسان می‌دهند.

دلیل اینکه این روی پیوندهای معمولی اینترنت کار می‌کند — و نه روی بافتی اختصاصی مانند InfiniBand — خانواده‌ای از الگوریتم‌های آموزش توزیع‌شدهٔ کم‌ارتباط است که طی ۲۰۲۴ تا ۲۰۲۵ از پژوهش به تولید بالغ شده‌اند. آموزش کلاسیک داده-موازی گرادیان‌ها را در هر گام هم‌گام می‌کند، که برای مدلی بزرگ یعنی مبادلهٔ گرادیان کامل (صدها گیگابایت) صدها هزار بار. همان رژیمی است که اتصال‌های ۴۰۰ تا ۸۰۰ گیگابیت بر ثانیه و رک‌های هم‌مکان می‌طلبد. الگوریتم‌های تازه این فرض را می‌شکنند.

پشتهٔ آموزش کم‌ارتباط

این‌ها نتایج روی کاغذ نیستند. INTELLECT-1 (مدلی ۱۰ میلیارد پارامتری از Prime Intellect، اواخر ۲۰۲۴) در سه قاره روی پیوندهای متعارف با پهنای اندازه‌گیری‌شدهٔ ۱۲۷ تا ۹۳۵ مگابیت بر ثانیه آموزش دید و با وجود پراکندگی جغرافیایی به بهره‌وری محاسباتی ۸۳ تا ۹۶ درصد رسید. شبکهٔ Psyche از Nous Research مدلی ۴۰ میلیارد پارامتری را از راه اینترنت با بهینه‌سازهای ردهٔ DisTrO روی گره‌های حدود ۸×H100 آموزش داد. Covenant-72B از Templar آموزش توزیع‌شدهٔ بی‌اجازه و انگیزه‌مند را در مقیاس ۷۲ میلیارد پارامتر روی سخت‌افزار حدود ۸×B200 برای هر همتا نشان داد. پرسش مهندسی «آیا می‌توان مدلی جدی را از راه اینترنت آموزش داد؟» پاسخ گرفته است: بله، بارها، به‌صورت عمومی.

5.2 افسانهٔ پهنای باند: ابطال «۵٬۰۰۰ سال»

استدلالی تکرارشونده علیه آموزش غیرمتمرکز رقمی مانند «آموزش مدلی بزرگ از راه اینترنت خانگی ۵٬۰۰۰ سال طول می‌کشد» را پیش می‌کشد. آن عدد حسابی درست است که به مترسکی اعمال شده که هیچ‌کس نمی‌سازدش. فرض می‌کند هم‌گام‌سازی ساده و کامل گرادیان در هر گام انجام می‌شود: مبادلهٔ کل تانسور گرادیان در سراسر خوشه، در هر یک از صدها هزار گام بهینه‌ساز. زیر آن فرض، کل بایت‌های منتقل‌شده نجومی می‌شود و تقسیم بر پهنای باند خانگی زمان‌هایی بی‌معنا می‌دهد. هیچ سامانهٔ جدی آموزش توزیع‌شده این‌گونه کار نمی‌کند؛ این معادل «برآورد» تأخیر وب با فرض اینکه هر بسته یک میلیون بار دوباره فرستاده می‌شود است.

وقتی all-reduce ساده را با هم‌گام‌سازی ردهٔ DiLoCo (هر حدود ۵۰۰ گام) و فشرده‌سازی DeMo/DisTrO جایگزین کنید، نیاز ارتباطی ۴۰۰ تا ۱۰٬۰۰۰ برابر فرو می‌ریزد. نیاز پیوند هر گره تقریباً به ۱۰۰ مگابیت تا ۱ گیگابیت بر ثانیه می‌رسد، درست درون آنچه یک خط فیبر تجاری — یا حتی اتصال خانگی خوب — تحویل می‌دهد. این دقیقاً همان باندی است که INTELLECT-1 در آن اجرا شد (۱۲۷ تا ۹۳۵ مگابیت بر ثانیه). پهنای باند در ۲۰۲۶ قید بازدارندهٔ آموزش غیرمتمرکز نیست. مسئله‌ای حل‌شده است.

آنچه واقعاً آموزش را مقید می‌کند

برداشتن شاه‌ماهی سرخ پهنای باند، دو قید واقعی را آشکار می‌کند، و صادق بودن دربارهٔ آن‌ها در کانون اعتبار Hylon است:

5.3 لایهٔ ۲ — یک میلیون دستگاه که همان کاری را می‌کنند که دستگاه‌ها خوب انجام می‌دهند

لایهٔ ۲ سر بزرگ شبکه است: در حدود یک میلیون گوشی، رایانهٔ شخصی و مک که از پایگاه کاربری موجود OrbNet می‌آیند. نکتهٔ مهم آنکه لایهٔ ۲ بستری برای آموزش نیست و Hylon هرگز آن را چنین تبلیغ نمی‌کند. چهار بار کاری را انجام می‌دهد که سخت‌افزار مصرف‌کننده در آن‌ها به‌راستی رقابتی است و مقیاس تجمیعی از هر مرکز دادهٔ تکی بهتر عمل می‌کند:

• سرویس‌دهی استنتاج. ارائهٔ مدل سراسری و سرهای تخصصی به کاربران. استنتاج تقریباً دوسوم کل تقاضای محاسباتی هوش مصنوعی است، به‌طرز شرم‌آوری موازی است و روی NPUهای امروزی، Apple Silicon و GPUهای مصرف‌کننده خوب اجرا می‌شود. مدل‌های کوانتیده و یک‌بیتی (بخش ۵.۵) حتی مدل‌های سرویس‌شدهٔ بزرگ را ارزان روی دستگاه‌های اعضا جا می‌دهند.
• شخصی‌سازی و LoRA روی دستگاه. هر دستگاه هوش مصنوعی شخصی فشردهٔ خود (بخش ۴) را روی بافت محلی کاربر تنظیم دقیق می‌کند و وفق‌دهنده‌های کوچک کم‌رتبه آموزش می‌دهد. این کاری کوچک‌مقیاس، محلی و بدون تماس با دادهٔ خام است — دقیقاً همان باری که یک گوشی یا لپ‌تاپ می‌تواند انجام دهد.
• امتیازدهی پاداش یادگیری تقویتی. دستگاه‌ها خروجی مدل را در برابر وظایف و ترجیح‌های واقعی کاربر ارزیابی می‌کنند و سیگنال پاداشی می‌سازند که چرخ‌طیار داده را می‌راند. این کاری استنتاج‌شکل است، ارزان در هر واحد و ارزشمند در تجمیع.
• تولید و برچسب‌گذاری داده. سیگنال آموخته‌شدهٔ حافظ حریم خصوصی — همان دادهٔ گردآوری‌ناپذیر چندزبانه و برخاسته از بازارهای سانسورشده که خندق Hylon را می‌سازد — اینجا از راه یادگیری فدرال با حریم خصوصی تفاضلی و تجمیع امن تولید می‌شود.

هر مشارکت لایهٔ ۲ در برابر اثباتی راستی‌آزمایی‌پذیر از کار سودمند اندازه‌گیری می‌شود، هرگز در برابر آپ‌تایم یا ضربان «دستگاه آنلاین است». دستگاه بابت استنتاج‌هایی که واقعاً سرویس داده (و راستی‌آزمایی شده)، پاداش‌هایی که واقعاً امتیاز داده و گرادیان‌هایی که واقعاً داده پول می‌گیرد، نه بابت روشن بودن. همین یک انضباط است که اقتصاد Hylon را از طرح‌های آپ‌تایم بی‌کاری جدا می‌کند که این بخش را از ظرفیت راستی‌آزمایی‌نشده پر کردند (نمونهٔ عبرت‌آموز io.net با ۳۲۷ هزار GPU ثبت‌شده در برابر ۶٫۷ هزار GPU راستی‌آزموده).

5.4 راستی‌آزمایی: پرداخت تنها بابت کاری که اثباتاً انجام شده

توان محاسباتی غیرمتمرکز بی‌ارزش است اگر مشارکت‌کنندگان بتوانند بابت کاری که نکرده‌اند پاداش بگیرند. لایهٔ راستی‌آزمایی Hylon بر پایهٔ سطح اطمینان و هزینه رده‌بندی شده و قوت اثبات را با ارزش و ریسک آن بار کاری جور می‌کند. ما دربارهٔ آنچه در ۲۰۲۶ اثبات‌پذیر است و آنچه نیست عامدانه صریحیم.

راستی‌آزمایی استنتاج: درهم‌سازی فعال‌سازی TOPLOC

برای استنتاج، Hylon از درهم‌سازی حساس به موقعیتِ فعال‌سازی‌های میانی به سبک TOPLOC استفاده می‌کند. اثبات‌کننده به درهم‌سازی فشرده‌ای از رد فعال‌سازی‌هایش متعهد می‌شود؛ راستی‌آزما تنها برشی کوچک و هدفمند را دوباره اجرا می‌کند و بررسی می‌کند که درهم‌سازی حساس به موقعیت سازگار است. چون این بررسی اجرای کامل دوباره نیست، راستی‌آزمایی تقریباً ۱۰۰ برابر ارزان‌تر از محاسبهٔ دوبارهٔ استنتاج است، و در عین حال گره‌ای را که مدلی کوچک‌تر جا زده، لایه‌هایی را جا انداخته یا خروجی‌ای جعل کرده قابل اتکا تشخیص می‌دهد. این حدس و گمان نیست: TOPLOC در تولید و در INTELLECT-2 اثبات شد، یک اجرای یادگیری تقویتی توزیع‌شدهٔ کاملاً راستی‌آزموده. TOPLOC در برابر سخت‌افزار و دقت‌های گوناگون مقاوم است، که برای ناوگان ناهمگن لایهٔ ۲ ضروری است.

راستی‌آزمایی آموزش: امتیازدهی اقتصادی به‌علاوهٔ افزونگی

آموزش را نمی‌توان با درهم‌سازی ارزان فعال‌سازی راستی‌آزمایی کرد؛ بررسی تک‌شلیکی معادلی برای «آیا واقعاً ۵۰۰ گام بهینه‌ساز را صادقانه اجرا کردی؟» وجود ندارد. پس Hylon ترکیبی از امتیازدهی آماری و اقتصادی به‌علاوهٔ افزونگی را به کار می‌برد:

1. امتیازدهی زیان و گرادیان. به‌روزرسانی‌های ارائه‌شده از نظر سازگاری آماری بررسی می‌شوند: آیا مسیر زیان گزارش‌شده با به‌روزرسانی جور است، آیا گرادیان در توزیع مورد انتظار می‌نشیند، آیا اعتبارسنجی کنارگذاشته را بهتر می‌کند. مشارکت‌های ناهنجار یا مفت‌سوار کم‌وزن یا رد می‌شوند.
2. واگذاری افزونه و هم‌پوشان. پاره‌های حیاتی را بیش از یک گرداننده محاسبه می‌کند و متقابلاً بررسی می‌شوند؛ واگرایی فراتر از تحمل، بررسی و برش وثیقهٔ سهام‌گذاری‌شده را به راه می‌اندازد.
3. وثیقهٔ اقتصادی. گردانندگان ORB سهام‌گذاری می‌کنند. نادرستی کشف‌شده بریده می‌شود، که تقلب پیوسته را در امید ریاضی نامفید می‌کند، حتی آنجا که اثباتی منفرد بی‌نقص نیست.

اطمینان بالا: محیط‌های اجرای مورد اعتماد

برای پرارزش‌ترین عملیات — اجراهای ارتقای قهرمان-مدعی، ارزیابی‌های حیاتی ایمنی، و دروازه‌بندی پرداخت‌های مشمول تحریم — Hylon از محیط‌های اجرای مورد اعتماد (محفظه‌های محاسبات محرمانهٔ GPU/CPU) استفاده می‌کند که به کد و وزن دقیق اجراشده گواهی می‌دهند. TEEها نیرومندترین اطمینان در دسترس در ۲۰۲۶ هستند و برای جایی نگه داشته می‌شوند که هزینه‌شان توجیه دارد.

5.5 رده‌های دستگاه الف تا ت و نقشهٔ راه سخت‌افزار

زمان اجرای Hylon از روز نخست از سخت‌افزار انتزاع یافته است: همان گراف مدل بدون بازنویسی به پشتوانه‌های CPU، GPU، NPU یا عصب‌ریخت کامپایل می‌شود. همین انتزاع است که می‌گذارد یک شبکهٔ واحد روی سیلیکون‌های به‌شدت متفاوت گسترده شود و سخت‌افزار تازه را با بلوغش بپذیرد. چهار ردهٔ دستگاه تعریف شده‌اند؛ چهارمی صریحاً موردی روی نقشهٔ راه است، نه ادعایی دربارهٔ امروز.

مدل‌های یک‌بیتی / BitNet: اهرمی برای استنتاج، نه برای آموزش

مدل‌های سه‌دویی BitNet b1.58 در ارزان کردن استنتاج لایهٔ ۲ نقشی مرکزی دارند. مدلی یک‌بیتی از ردهٔ BitNet می‌تواند با حدود ۴۵ توکن بر ثانیه روی پردازندهٔ Apple M2 در حدود ۰٫۴ گیگابایت حافظه سرویس بدهد، و به Hylon امکان می‌دهد مدل‌های سرویس‌شدهٔ شگفت‌آور توانمندی را تقریباً بدون هزینهٔ حاشیه‌ای روی دستگاه‌های معمولی اعضا بگذارد. اما دربارهٔ حدودش دقیقیم: BitNet در دقت کامل آموزش می‌بیند — از وزن‌های نهان ۱۶ بیتی با آموزش آگاه از کوانتش استفاده می‌کند و بازنمایی سه‌دویی تنها هنگام استنتاج محقق می‌شود. پس دستاوردهای چشمگیر کارایی‌اش تنها در استنتاجاند. مدل‌های یک‌بیتی هزینهٔ آموزش را کم نمی‌کنند؛ هیچ بار کاری آموزشی را روی گوشی نمی‌برند. این‌ها اهرمی برای سرویس‌دهی‌اند و ما دقیقاً همین‌گونه توصیفشان می‌کنیم.

عصب‌ریخت: رده‌ای روی نقشهٔ راه، صادقانه توصیف‌شده

ردهٔ ت سخت‌افزار عصب‌ریخت است که استنتاج همیشه‌روشن با مصرف بسیار کم را هدف می‌گیرد — همان هوش مصنوعی شخصی پایدار و محیطی که باتری گوشی با سیلیکون متعارف نمی‌تواند تأمینش کند. این نقشهٔ راه سخت‌افزار است، نه توانمندی کنونی، و ما واقعیت‌ها را صریح می‌گوییم:

• Intel Loihi 2 تجاری خریدنی نیست. دسترسی تنها از راه برنامهٔ پژوهشی جامعهٔ پژوهش عصب‌ریخت اینتل (INRC) ممکن است. مسیر Hylon اینجا دسترسی INRC برای پژوهش و توسعهٔ درونی است.
• BrainChip Akida خریدنی است (تقریباً ۲۴۹ تا ۲۸۹ دلار) اما در حدود ۰٫۸ TOPS می‌دهد و تنها برای استنتاج است — برای آزمایش در لبه سودمند است، نه برای اجرای مدل‌های بزرگ.
• هیچ سخت‌افزار عصب‌ریختی مدل زبانی بزرگ آموزش نمی‌دهد، و Hylon هرگز ادعا نمی‌کند که می‌دهد. مسیر واقع‌بینانه این است: دسترسی INRC برای پژوهش و توسعه ← سیلیکون سفارشی استنتاج با مصرف بسیار کم از راه شریکی سخت‌افزاری ← ردهٔ دستگاه ویژهٔ همیشه‌روشن.

5.6 دو لایه چگونه با هم ترکیب می‌شوند

لایه‌ها مستقل نیستند؛ حلقهٔ بسته‌ای می‌سازند که موتور Hylon است. لایهٔ ۱ مدل سراسری را آموزش می‌دهد و منتشر می‌کند. لایهٔ ۲ سرویسش می‌دهد، به‌صورت محلی شخصی‌سازی‌اش می‌کند، خروجی‌هایش را با یادگیری تقویتی امتیاز می‌دهد، و از کاربرد واقعی چندزبانه و برخاسته از بازارهای سانسورشده سیگنال حافظ حریم خصوصی می‌سازد. آن سیگنال، تجمیع‌شده زیر حریم خصوصی تفاضلی و تجمیع امن — و هرگز به‌صورت دادهٔ خام — به لایهٔ ۱ بازمی‌گردد تا قهرمان بعدی و نیرومندتر را آموزش دهد. راستی‌آزمایی (TOPLOC روی استنتاج لایهٔ ۲؛ امتیازدهی اقتصادی، افزونگی و TEE روی آموزش لایهٔ ۱) تضمین می‌کند که بابت هر پرش این حلقه، پول در برابر کار واقعی و اثبات‌شده پرداخت شود. حاصل، بافتی محاسباتی است که ظرفیتش میان یک میلیون دستگاه و ناوگانی از گردانندگان GPU غیرمتمرکز است، جاه‌طلبی مرزی‌اش صادقانه با حافظه و سرمایه کران‌دار شده، و درستکاری‌اش به‌جای اعتماد بر راستی‌آزمایی استوار است.

6.1 نمای کلی: دو ماشین، یک انضباط

آزمایشگاه مرزی امروزی در هستهٔ خود دو ماشین است که در یک حلقه کار می‌کنند. نخست ماشین پژوهش: انسان‌هایی که ادبیات را می‌خوانند، فرضیه می‌سازند دربارهٔ آنچه مدل بعدی را بهتر می‌کند، آزمایش‌هایی برای آزمودن آن فرضیه‌ها اجرا می‌کنند و بازماندگان را به دستور کاری برای آموزش بدل می‌سازند. دوم ماشین انتشار: فرایندی که در آن نامزدی تازه‌آموزش‌دیده ارزیابی و سخت‌آزمایی می‌شود و اگر شایستگی‌اش را به دست آورد، برای خدمت به کاربران واقعی ارتقا می‌یابد. در هر آزمایشگاه متمرکز، هر دو ماشین با داوری انسانی، جلسه‌ها و زمان تقویمی دروازه‌بندی می‌شوند. این بزرگ‌ترین منبع تأخیر میان «می‌دانیم چگونه مدل را بهتر کنیم» و «کاربران مدل بهتر را دارند» است.

تز Hylon این است که هر دو ماشین را می‌توان تا حد زیادی خودکار کرد بی‌آنکه تضمین‌هایی که ایمنشان می‌کند واگذار شود. موتور خودبهبودی همان ماشین خودکار پژوهش است؛ انتشار خودکار قهرمان-مدعی ماشین خودکار انتشار. این دو با هم می‌گذارند Hylon بهبودها را با آهنگی مرکب کند که به توان محاسباتی و ایده‌های اعتبارسنجی‌شده مقید است، نه به گذردهی جلسه‌های انسانی. نکتهٔ کلیدی آنکه هر دو درون سلسله‌مراتبی ثابت و بهینه‌ناپذیر از اهداف و پشت دروازه‌ای نهایی در دست انسان کار می‌کنند. ما این موتور را توانا به خودبهبودی بازگشتی درون حفاظ‌های تغییرناپذیر توصیف می‌کنیم — هرگز «نامحدود»، هرگز مسیری به‌سوی توانمندی بی‌کران، و هرگز وعده‌ای برای هوش عمومی در بازه‌ای زمانی. واژهٔ «درون» باربر است و در سراسر این بخش عامدانه تکرار می‌شود.

6.2 حلقهٔ خودکار پژوهش

موتور خودبهبودی حلقهٔ بسته‌ای از پنج مرحله است که پیوسته روی دادهٔ خود Hylon، محک‌ها و بودجهٔ محاسباتی ارزانش اجرا می‌شود. هر گذر از این حلقه برای تولید یک چیز طراحی شده: یک دستور کار اعتبارسنجی‌شده — پیکربندی آموزشی کاملاً مشخص (آمیزهٔ داده، برنامهٔ درسی، دلتاهای معماری، تنظیمات بهینه‌ساز و یادگیری تقویتی، ابرپارامترها) که آزمایش‌های ارزان پیش‌بینی می‌کنند از بهترین کنونی پیشی می‌گیرد، و بنابراین ارزش خرج کردن پول واقعی برای اجرا در مقیاس را دارد.

مرحلهٔ ۱ — کاوش

موتور مرز پژوهش عمومی را می‌بلعد: مقاله‌های تازه (arXiv، مجموعه‌مقالات کنفرانس‌ها)، انتشار مدل‌های وزن‌باز و گزارش‌های فنی‌شان، چارچوب‌های متن‌باز آموزش، و بایگانی آزمایش‌های درونی خود Hylon. پایگاه دانشی ساخت‌یافته و نسخه‌دار از شگردها نگه می‌دارد که هر کدام با اثر ادعاشده، رژیمی که در آن نشان داده شده، هزینهٔ محاسباتی‌اش، و اینکه Hylon پیش‌تر آزموده‌اش یا نه حاشیه‌نویسی شده‌اند. این بازیابی‌افزوده است، نه تداعی آزاد: پیشنهادها باید به شگردهایی که از آن‌ها برآمده‌اند ارجاع دهند، پس هر فرضیه به‌جای توهم، به شواهد پیشین ردیابی‌پذیر است.

مرحلهٔ ۲ — پیشنهاد

موتور از پایگاه دانش دسته‌ای از دستورهای کار نامزد می‌سازد که هر کدام همچون یک تفاوت مشخص و اجراشدنی نسبت به پیکربندی آموزشی قهرمان کنونی بیان می‌شوند. پیشنهادها با اکتشاف ارزش مورد انتظار رتبه‌بندی می‌شوند: (احتمال برآوردی بهبود) × (بزرگی برآوردی) ÷ (هزینهٔ برآوردی آزمایش). این عامدانه صف را به‌سوی آزمایش‌های ارزان و پراطلاع سوق می‌دهد؛ موتور بابت یادگیری به ازای هر دلار پاداش می‌گیرد، نه بابت پیشنهاد ایده‌های هیجان‌انگیز اما ابطال‌ناپذیر. پیشنهادهایی که ارزان آزمودنی نیستند تا وقتی نماینده‌ای ارزان برایشان یافت شود کم‌اولویت می‌مانند.

مرحلهٔ ۳ — آزمون حذفی (ارزان، در مقیاس کوچک)

این همان انضباطی است که کل حلقه را اقتصادی می‌کند. هر پیشنهاد نخست در مقیاس کوچک آزموده می‌شود — مدل‌های نمایندهٔ کوچک، افق‌های کوتاه توکن، برش‌های کنارگذاشته — که در آن هزینهٔ یک آزمایش در حد ده‌ها تا چند هزار دلار است، نه میلیون‌ها. موتور بر شیوهٔ جاافتاده (هرچند نه بی‌نقص) برون‌یابی قوانین مقیاس تکیه می‌کند: اثر یک شگرد را در دو یا سه اندازهٔ مدل می‌سنجد و اثرش را در مقیاس هدف با عدم‌قطعیت صریح پیش‌بینی می‌کند. آزمون‌های حذفی به‌صورت موازی روی چرخه‌های بی‌کار خوشهٔ لایهٔ ۱ و — برای بخش‌هایی که جا می‌شوند — روی دستگاه‌های لایهٔ ۲ اجرا می‌شوند. خروجی این مرحله توزیعی است روی «آیا این در مقیاس هدف کمک می‌کند و چقدر»، نه یک برآورد نقطه‌ای.

مرحلهٔ ۴ — ارزیابی و برون‌یابی

آزمون‌های حذفی بازمانده ترکیب می‌شوند و اثر مشترکشان برآورد می‌گردد. چون برهم‌کنش شگردها به‌طرز بدنامی جمع‌پذیر نیست، موتور یک اجرای یکپارچه‌سازی نهایی و بزرگ‌تر (اما همچنان زیرمرزی) اجرا می‌کند که برترین مؤلفه‌های اعتبارسنجی‌شده را در یک دستور کار نامزد واحد ترکیب می‌کند و منحنی مقیاس را دوباره می‌سنجد. تنها دستورهایی به مرحلهٔ بعد راه می‌یابند که کارایی برون‌یابی‌شده‌شان قهرمان را با حاشیهٔ ارتقای M (بخش ۶.۴) شکست دهد، آن هم با بازه‌های اطمینانی که حاشیه را کاملاً بگذرانند، نه صرفاً لمسش کنند.

مرحلهٔ ۵ — آموزش نامزد بعدی، سپس بهبود خود حلقه

دستور کار اعتبارسنجی‌شده به لایهٔ آموزش ردهٔ ۱ فرستاده می‌شود (همان خوشهٔ کم‌ارتباط و مقید به GPU که در بخش ۵ توصیف شد) تا مدل مدعی ساخته شود. مدعی سپس وارد خط لولهٔ انتشار قهرمان-مدعی می‌گردد (بخش ۶.۴). جدا از این — و همین است که حلقه را بازگشتی می‌کند نه صرفاً خودکار — موتور روش‌های خودش را موضوع مطالعه می‌داند. اکتشاف پیشنهاد، انتخاب اندازه‌های نماینده، مدل برون‌یابی، زمان‌بند آزمون حذفی: هر بار که اجرایی واقعی پیش‌بینی کوچک‌مقیاسی را تأیید یا رد می‌کند، هر کدام در برابر حقیقت زمینی سنجیده می‌شوند. وقتی پیش‌بینی‌های حلقه در رژیمی به‌طور نظام‌مند نادرست‌اند، همان سیگنال خطا خودش هدفی پژوهشی است و موتور بهبودهایی برای فرایند جست‌وجوی خودش پیشنهاد می‌دهد. این بازگشت روی کارایی پژوهش است (دستورهای بهتر به ازای هر دلار، پیش‌بینی‌های بهتر)، نه روی توانمندی بی‌سقف مدل.

6.3 اقتصاد آزمایش

انضباط بودجهٔ موتور عددی اعمال می‌شود، نه آرزومندانه. هر مرحله باند هزینه‌ای و تصمیمی دارد که پیش از پیشروی خرج به باند بعد باید به دست آید. جدول زیر نمونه‌ای از ساختار هزینهٔ موردنظر است؛ ارقام دقیق با قیمت سخت‌افزار و مقیاس مدل در گذر زمان تغییر می‌کنند.

منطق اقتصادی این است که ارزش مورد انتظار اطلاعاتِ کاوشی ۵۰۰ دلاری که جلوی اجرای محکوم‌به‌شکست ۱۰ میلیون دلاری را می‌گیرد عظیم است. کار موتور این است که پیش از تعهد سرمایه، تا جای ممکن از این اطلاعات بخرد. این همان انضباطی است که سازمان پژوهشی دقیق انسانی به کار می‌بندد؛ Hylon صرفاً آن را پیوسته، موازی و با نسبت کاوش‌به‌اجرایی می‌گرداند که هیچ تیم انسانی نمی‌تواند نیرو برایش بگذارد.

6.4 انتشار خودکار قهرمان-مدعی

مدعی مدلی نامزد است که آموزش دیده اما هنوز حق خدمت به کاربران را به دست نیاورده. قهرمان مدلی است که هم‌اکنون در تولید زنده است. مدعی تنها با گذراندن یک مجموعهٔ دروازهٔ ثابت و منتشرشده با حاشیه‌ای تعریف‌شده، همراه با معناداری آماری و بدون هیچ پس‌رفت ایمنی، و تنها پس از گذر از دروازهٔ نهایی در دست انسان، جای قهرمان را می‌گیرد. کل این خط لوله جز همان دروازهٔ نهایی انسانی و کلید توقف اضطراری خودکار است.

مجموعهٔ ثابت دروازه‌ها

مجموعهٔ دروازه‌ها پیش از هر مدعی مشخصی ثابت و روی زنجیره نسخه‌گذاری می‌شود، تا هیچ مدلی با جابه‌جا کردن تیرک دروازه ارتقا نیابد. چهار مؤلفهٔ مستقل دارد و مدعی باید هر چهار را بگذراند:

• محک‌های عمومی. ارزیابی‌های استاندارد و عمومی توانمندی و استدلال (تا جای ممکن کنارگذاشته و پاک‌شده از آلودگی با دادهٔ آموزشی) که نشان می‌دهند مدعی برای خریدن بردی باریک، در شایستگی گسترده پس‌رفت نکرده است.
• ارزیابی‌های حوزهٔ گوه. مجموعه‌های ارزیابی خود Hylon برای حوزه‌هایی که باید نخست در آن‌ها چیره شود — وظایف چندزبانه و برخاسته از بازارهای سانسورشده (فارسی، عربی، روسی، ترکی و دیگران)، دانش مرتبط با عبور از سانسور و ویژهٔ هر منطقه، و وظایف دستیار روی دستگاه. اینجا همان‌جایی است که Hylon انتظار پیروزی نخست را دارد و هرگز نباید پس‌رفت کند.
• آزمون کور A/B بافت شخصی. کاربران واقعی (رضایت‌داده)، یا بازپخش‌های کنارگذاشته از وظایف واقعی بافت شخصی، خروجی قهرمان و مدعی را کورکورانه داوری می‌کنند، بی‌آنکه بدانند کدام پاسخ از کدام مدل است. این همان چیزی را می‌سنجد که محک‌ها نمی‌توانند: آیا مدل واقعاً روی بافت واقعی یک انسان واقعی سودمندتر است؟ این تابلوی امتیاز خودِ چرخ‌طیار است.
• تیم قرمز ایمنی. باتری خصمانه‌ای که فرار از حفاظ، استخراج توانمندی زیان‌بار، حمله‌های حریم خصوصی (استنتاج عضویت، وارونه‌سازی مدل) و نقض‌های سطح صفر (بخش ۶.۵) را پوشش می‌دهد. این دروازه قبول/رد با تحمل صفر است: هر پس‌رفت ایمنی نسبت به قهرمان، مدعی را یکسره رد می‌کند، فارغ از هر دستاورد توانمندی.

معیارهای ارتقا

عرضهٔ مرحله‌ای با بازگشت خودکار

مدعی‌ای که همهٔ دروازه‌ها و دروازهٔ نهایی انسانی را بگذراند یکباره به ۱۰۰ درصد ترافیک سپرده نمی‌شود. به‌تدریج عرضه می‌شود، با سنجه‌های زنده که در هر مرحله با قهرمان مقایسه می‌شوند، و بازگشتی خودکار که همان لحظه‌ای شلیک می‌کند که سیگنال‌های تولید از آنچه مجموعهٔ دروازه‌ها پیش‌بینی کرده بود واگرا شوند.

1. سایه. مدعی به‌موازات و بدون هیچ اثر قابل مشاهده برای کاربر سرویس می‌دهد — ترافیک واقعی می‌گیرد، خروجی‌هایش امتیاز می‌خورد، اما آنچه کاربران می‌بینند خروجی قهرمان است. این تغییر توزیع میان مجموعه‌های ارزیابی و ترافیک زنده را می‌گیرد.
2. درصد قناری. برش کوچکی از ترافیک را مدعی سرویس می‌دهد. کیفیت، ایمنی، تأخیر و هزینهٔ زنده در برابر آستانه‌های از پیش ثبت‌شده پایش می‌شوند.
3. افزایش تدریجی. سهم ترافیک تنها تا وقتی سنجه‌های زنده پابرجا بمانند پله‌پله بالا می‌رود؛ هر نقضی بازگشت خودکار به قهرمان را به راه می‌اندازد.
4. کامل. مدعی قهرمان تازه می‌شود، نام نسخهٔ بعدی در خط را می‌گیرد، و قهرمان پیشین به‌عنوان هدف بازگشت آنی نگه داشته می‌شود.

نسخه‌گذاری، سابقهٔ روی زنجیره و اطلاع به DAO

هر ارتقا نسخهٔ نام‌دار تازه‌ای در یک خط نسخهٔ یکنوا می‌سازد (مثلاً Hylon-Core v-N ← v-N+1). این رویداد روی زنجیره ثبت می‌شود: مدخلی دستکاری‌آشکار شامل نسخهٔ مجموعهٔ دروازه‌های به‌کاررفته، حاشیه‌های اندازه‌گیری‌شده و بازه‌های اطمینانشان، نتیجهٔ تیم قرمز ایمنی، زمان‌بندی عرضه، و امضای مسئول. به DAO اطلاع داده می‌شود و هر انتشار با شفافیت کامل نسبت به نتایج اعلام می‌گردد. حاصل، تباری دائمی و عمومی‌حسابرسی‌پذیر است از اینکه چه چیزی، بر چه شواهدی و چه زمانی ارتقا یافته است.

دروازهٔ نهایی انسانی: شورای ایمنی و کلید توقف اضطراری

این تقسیم عامدانه است. خودکارسازی تأخیر ماشین انتشار را برای حالت روزمره از هفته‌ها به ساعت‌ها فشرده می‌کند، در حالی که دو رویدادی که ریسک واقعی در جهان دارند — یعنی در معرض گذاشتن توانمندی تازه برای کاربران، و متوقف کردن توانمندی بد — زیر اقتدار انسانی می‌مانند. خط لولهٔ خودکار تصمیم می‌گیرد چه چیزی واجد شرایط است؛ انسان‌ها تصمیم می‌گیرند چه چیزی واقعاً عرضه می‌شود، و در هر لحظه می‌توانند متوقفش کنند.

6.5 حفاظ‌های تغییرناپذیر: سلسله‌مراتب اهداف

هر آنچه بالا آمد — حلقهٔ پژوهشی که روش‌های خودش را بازنویسی می‌کند، خط لولهٔ انتشاری که مدل‌ها را خودکار ارتقا می‌دهد — تنها از آن رو ایمن است که درون سلسله‌مراتبی ثابت از اهداف کار می‌کند که سامانه نمی‌تواند با بهینه‌سازی از میان برداردش. Hylon چهار سطح تعریف می‌کند. سطوح بالاتر مطلقاً بر سطوح پایین‌تر چیره‌اند؛ هیچ‌چیز در سطحی پایین‌تر را نمی‌توان با نقض سطحی بالاتر معاوضه کرد.

چرا این ترتیب مهم است: تشخیص بازی‌کردن

مهم‌ترین حالت شکست هر سامانهٔ بهینه‌ساز، بازی کردن با سنجه است (قانون گودهارت): سامانه نشانگرهای L3 را بالا می‌برد بی‌آنکه دستاورد واقعی در L1 و L2 باشد، یا بدتر، با نقض آن‌ها. Hylon تشخیص صریحی برای این می‌سازد. این ناوردا ساده بیان می‌شود:

به‌طور مشخص، مجموعهٔ دروازه‌های قهرمان-مدعی (بخش ۶.۴) نقطهٔ اعمال است: آزمون کور A/B بافت شخصی و تیم قرمز ایمنی عامدانه چنان برگزیده شده‌اند که سخت بتوان با آن‌ها بازی کرد و مستقل از سیگنال زیانی باشند که اجرای آموزشی بهینه‌اش می‌کند. مدلی که آموخته با بیش‌برازش روی یک محک در L3 خوب امتیاز بگیرد، هم‌زمان در آزمون کور A/B روی بافت واقعی و ندیدهٔ کاربر برنده نمی‌شود، و همین ناهمخوانی خودش زنگ خطر است. راستی‌آزمایی L0 پیوسته اجرا می‌شود و به‌کلی بیرون از حلقهٔ بهینه‌سازی است؛ موتور می‌تواند تغییرهایی در توانمندی‌های L2 پیشنهاد دهد اما هیچ کانالی برای تضعیف L0 ندارد، چون L0 اصلاً به‌صورت چیزی که بهینه‌ساز بتواند لمسش کند بازنمایی نشده است.

6.6 دو ماشین چگونه با هم ترکیب می‌شوند

موتور خودبهبودی و انتشار قهرمان-مدعی دو نیمهٔ یک چرخ‌طیارند که مستقیماً به چرخ‌طیار دادهٔ بخش‌های ۳ و ۴ هم وصل می‌شود. وظایف واقعی کاربران (لایهٔ ۲، خصوصی، امتیازخوردهٔ یادگیری تقویتی) سیگنال گردآوری‌ناپذیر چندزبانه و برخاسته از بازارهای سانسورشده را می‌سازند. موتور آن سیگنال را ارزان به دستورهای اعتبارسنجی‌شده بدل می‌کند. دستورهای اعتبارسنجی‌شده روی خوشهٔ لایهٔ ۱ به مدعی بدل می‌شوند. مدعی‌هایی که دروازه‌ها و دروازهٔ نهایی انسانی را بگذرانند قهرمان تازه می‌شوند. قهرمانان بهتر هوش‌های مصنوعی شخصی بهتری می‌سازند، که سیگنال بهتری می‌سازند. موتور با بهبود روش‌های خودش این حلقه را در گذر زمان تنگ‌تر می‌کند — همیشه درون L0 و L1، همیشه پشت دروازهٔ شورای ایمنی، همیشه کران‌دار به توان محاسباتی. Hylon دقیقاً به همین معنا خودبهبوددهنده است: نه بی‌کران، نه خودمختار بر انتشار خودش، بلکه پیوسته و حسابرسی‌پذیر مرکب‌شونده درون حفاظ‌های تغییرناپذیر.

هر ادعای این سپیدنامه دربارهٔ آموزش غیرمتمرکز، هوش مصنوعی شخصی و چرخ‌طیار داده در نهایت بر یک پرسش استوار است که خوانندهٔ شکاک حق دارد بپرسد: آیا این شبکه واقعاً وجود دارد یا این هم یک دستهٔ اسلاید دیگر است؟ این بخش به آن پرسش به‌طور مشخص پاسخ می‌دهد. شبکهٔ Hylon را همچون سامانه‌ای در حال اجرا با یک صفحهٔ کنترل و یک صفحهٔ داده توصیف می‌کند، یک گره را از نخستین راه‌اندازی تا پاداش تسویه‌شده دنبال می‌کند، و مهم‌تر از همه، خطی سخت می‌کشد میان زیرساختی که هم‌اکنون امروز در تولید زیر محصول OrbNet / OrbMesh کار می‌کند و مؤلفه‌های لایهٔ هوش مصنوعی که Hylon روی آن می‌افزاید. Hylon شبکه‌ای نیست که از صفر ساخته شود. لایه‌ای از هوش مصنوعی است که روی شبکهٔ VPN زنده و درآمدزایی پیوند می‌خورد که کاربران واقعی، پرداخت‌های واقعی روی زنجیره و مدیریت واقعی ناوگان گره دارد و هم‌اکنون در برخی از خصمانه‌ترین محیط‌های شبکه‌ای روی زمین کار می‌کند.

7.1 دو صفحه: کنترل و داده

Hylon شبکه را به یک صفحهٔ کنترل (هماهنگی، زمان‌بندی، هویت، حسابداری، تسویه) و یک صفحهٔ داده (جابه‌جایی واقعی وزن‌های مدل، گرادیان‌ها، فعال‌سازی‌ها، درخواست‌های استنتاج، و در کسب‌وکار VPN به‌ارث‌رسیده، ترافیک کاربر) تقسیم می‌کند. این همان انضباط معماری است که سامانه‌های بزرگ تحویل محتوا و ارکستراسیون را پاسخگو نگه می‌دارد: صفحهٔ کنترل پیام‌های هماهنگی کوچک و حساس به تأخیر را حمل می‌کند، و صفحهٔ داده محموله‌های بزرگ و حساس به گذردهی را روی مسیرهایی می‌برد که به‌جای اجماع بر پایهٔ پهنای باند برگزیده شده‌اند.

صفحهٔ کنترل عامدانه نازک و در نهایت سازگار است. نمی‌کوشد پایگاه‌داده‌ای سراسری و هم‌گام باشد. ثبت گره‌ها، گزارش توانمندی، ضربان‌ها و واگذاری کارها از راه هماهنگ‌کننده‌های منطقه‌ای جاری می‌شوند که وضعیت را با شایعه‌پراکنی آشتی می‌دهند. هر چیزی که باید معتبر و دستکاری‌آشکار باشد — نقاط بازرسی انباشت پاداش، ارتقای نسخهٔ مدل، رویدادهای برش، و جابه‌جایی خزانه — به لایهٔ تسویهٔ ORB روی Base، یک لایهٔ دوم EVM، لنگر می‌اندازد و نهایی بودن و حسابرسی‌پذیری یک زنجیرهٔ عمومی را به ارث می‌برد. اصل طراحی این است: خارج از زنجیره با سرعت شایعه هماهنگ کن، روی زنجیره با آهنگ پول تسویه کن.

7.2 هماهنگی، تجمیع منطقه‌ای و سازگاری نهایی

شبکه‌ای که قصد دارد یک میلیون دستگاه ناهمگن را در ده‌ها حوزهٔ قضایی دربر بگیرد نمی‌تواند به زمان‌بندی مرکزی واحد تکیه کند بی‌آنکه همان نقطهٔ شکست واحد و نقطهٔ سانسور واحدی را بازبسازد که Hylon برای حذفش وجود دارد. پس هماهنگی سلسله‌مراتبی و منطقه‌ای است. گره‌ها به نزدیک‌ترین هماهنگ‌کنندهٔ منطقه‌ای سالم می‌چسبند (که بر پایهٔ تأخیر برگزیده می‌شود، و در بازارهای محدودشده بر پایهٔ در دسترس بودن نه صرفاً تأخیر). هماهنگ‌کننده‌های منطقه‌ای گزارش‌های توانمندی و ضربان‌های ناوگان محلی خود را تجمیع می‌کنند، زمان‌بندی محلی را برای استنتاج حساس به تأخیر اجرا می‌کنند، و به‌صورت دوره‌ای نمایی فشرده از وضعیت منطقه‌ای را با مناطق همتا از راه پروتکل شایعه‌پراکنی آشتی می‌دهند.

این الگوی تجمیع منطقه‌ای برای Hylon تازه نیست؛ پشتیبان OrbNet هم‌اکنون زیرساخت چندمنطقه‌ای با مدیریت ناوگان گره روی gRPC را می‌گرداند تا گره‌های خروجی VPN را در سراسر بازارها سالم نگه دارد. Hylon همان بستر مدیریت ناوگان را از «مدیریت گره‌های VPN» به «مدیریت گره‌های محاسبات، استنتاج و آموزش» تعمیم می‌دهد.

سازگاری نهایی و تحمل افراز

صفحهٔ کنترل صریحاً با این فرض طراحی شده که افراز عادی است، نه استثنایی — شبکه‌ای که درون ایران یا روسیه کار می‌کند به‌طور معمول می‌بیند که مناطقی ساعت‌ها از اینترنت جهانی بریده می‌شوند. Hylon برای وضعیت هماهنگی در دسترس بودن و تحمل افراز را برمی‌گزیند (در اصطلاح CAP، حالت AP)، و تسویهٔ روی زنجیره لنگر سازگاری قوی نهایی را فراهم می‌کند. به‌طور مشخص:

• پیشرفت محلی زیر افراز. منطقهٔ افرازشده به سرویس‌دهی استنتاج از مدل قهرمانِ نهان‌شدهٔ محلی ادامه می‌دهد و رسیدهای کاری امضاشده و یکنوا تولید می‌کند. برای ادامهٔ سرویس هیچ رفت‌وبرگشت سراسری‌ای لازم نیست. اما تا وقتی افراز پابرجاست هیچ اعتباری داده نمی‌شود: رسید سابقه‌ای از مصرف است و تنها وقتی به پاداش بدل می‌شود که در آن سوی قطعی آشتی و دوباره راستی‌آزمایی شود (بخش ۳.۶).
• آشتی تعویقی. وقتی اتصال بازمی‌گردد، رسیدهای کاری انباشته و سنجش از دور آن منطقه با شایعه‌پراکنی به نمای سراسری بازمی‌گردند. انباشت پاداش جمع‌پذیر و خودتوان است، پس گزارشی تأخیری یا تکراری نمی‌تواند دوبار پرداخت کند.
• آموزش از روی طراحی کندروها را تحمل می‌کند. روش‌های آموزش کم‌ارتباطی که Hylon در لایهٔ ۱ به کار می‌برد (ردهٔ DiLoCo / Streaming DiLoCo / DeMo) از پیش فرض می‌گیرند که گره‌ها کم‌بسامد هم‌گام می‌شوند؛ گرهٔ آموزشی‌ای که موقتاً در دسترس نیست صرفاً کندرویی است که هم‌گام‌سازی بعدی‌اش دیرتر می‌شود، نه کاری متوقف‌شده.

7.3 مقاومت در برابر سانسور، به ارث رسیده از OrbMesh

دفاع‌پذیرترین دارایی عملیاتی Hylon این است که لایهٔ ترابری‌اش از پیش ساخته و در میدان آزموده شده تا از سانسور در سطح دولت‌ملت جان به در ببرد، چون محصول زیربنایی یک VPN عبوردهنده از سانسور است که کاربرانش همین حالا غربال‌های ردهٔ دیوار آتش بزرگ مستقر در بازارهای محدودشده را شکست می‌دهند. شبکهٔ هوش مصنوعی این ترابری را یکجا به ارث می‌برد. وقتی آزمایشگاهی در سان‌فرانسیسکو می‌خواهد به کاربران تهران برسد، اصلاً ترابری‌ای ندارد؛ Hylon با ترابری‌ای آغاز می‌کند که از پیش آنجا کار می‌کند.

نکتهٔ راهبردی ساختاری است، نه تدریجی: آزمایشگاهی متمرکز نمی‌تواند ترابری مقاوم در برابر سانسور را همچون یک قابلیت به محصولش بچسباند، چون کل معماری‌اش فرض می‌کند یک نقطهٔ پایانی واحد و قابل دسترس هست که سانسورگر با یک قاعدهٔ دیوارهٔ آتش مسدودش می‌کند. ترابری Hylon نقطهٔ پایانی واحدی برای مسدود کردن ندارد. این خاصیت به ارث رسیده است، نه آرزومندانه.

عبور از سانسور همچنان فرض می‌گیرد اینترنتی برای رسیدن باقی مانده است. قطعی کامل سراسری این فرض را برمی‌دارد، و این همان حالتی است که حالت خاموشی برایش ساخته شده: دستیار از روی دستگاه پاسخ می‌دهد و پیام‌ها گوشی‌به‌گوشی روی رادیو جابه‌جا می‌شوند. بخش ۳.۶ سازوکارهایش و، به همان برجستگی، حدودش را بیان می‌کند.

7.4 چرخهٔ زندگی گره، سرتاسر

گره هر دستگاه مشارکت‌کننده‌ای است: یک گوشی (ردهٔ الف)، یک رایانهٔ شخصی یا مک (ردهٔ ب)، یک جعبهٔ GPU ردهٔ مرکز داده (ردهٔ پ)، یا روی نقشهٔ راه، یک پیمانهٔ استنتاج عصب‌ریخت (ردهٔ ت). فارغ از رده، هر گره همان چرخهٔ زندگی را می‌پیماید. نمودار زیر مسیر کامل را نشان می‌دهد؛ زیربخش‌ها هر مرحله را با جزئیات می‌آورند.

1. ثبت. گره با هماهنگ‌کنندهٔ منطقه‌ای تماس می‌گیرد و درخواست عضویت می‌دهد. کاربران خانگی با یک کد راه‌اندازی کوتاه وارد می‌شوند — همان الگوی جفت‌سازی کم‌اصطکاکی که OrbMesh هم‌اکنون برای تأمین کلاینت VPN به کار می‌برد — پس عضوی غیرفنی روی گوشی در چند ثانیه بدون دست زدن به فایل پیکربندی می‌پیوندد.
2. هویت و کلیدها. گره جفت‌کلیدی را به‌صورت محلی می‌سازد؛ کلید خصوصی هرگز دستگاه را ترک نمی‌کند. کلید عمومی‌اش هویت شبکه‌ای او می‌شود و به یک کیف‌پول پرداخت غیرامانی گره می‌خورد. همین‌جاست که غربال کیف‌پول OFSI/OFAC و بررسی جغرافیایی حوزهٔ قضایی اجرا می‌شود — گره‌ای در حوزهٔ قضایی تحریم‌شده همچنان می‌تواند از هوش مصنوعی استفاده کند اما از کسب درآمد کنار گذاشته می‌شود، دقیقاً همان‌گونه که ریل زندهٔ پرداخت ORB هم‌اکنون پیش از پرداخت غربال می‌کند.
3. تشخیص توانمندی. عامل گره پردازنده، GPU/NPU، حافظه، فضای حرارتی، پهنای باند پایدار، وضعیت توان (روی iOS: تنها هنگام شارژ و در پیش‌زمینه؛ روی اندروید 15: درون سقف ۶ ساعت در ۲۴ ساعت سرویس پیش‌زمینه) و ردهٔ دستگاه را می‌کاود. حاصل یک نمایهٔ توانمندی امضاشده است که تعیین می‌کند گره واجد شرایط چه گونه‌هایی از کار است. OrbMesh هم‌اکنون تشخیص‌دهندهٔ توانمندی دارد؛ Hylon آن را از «آیا این دستگاه می‌تواند تونل VPN اجرا کند» به «این دستگاه چه کار هوش مصنوعی‌ای را به‌طور راستی‌آزمایی‌پذیر می‌تواند انجام دهد» گسترش می‌دهد.
4. ضربان و سنجه‌ها. گره به‌صورت دوره‌ای ضربان و سنجش از دور (زنده بودن، بار کنونی، وضعیت حرارتی، پهنای باند مؤثر) به هماهنگ‌کنندهٔ منطقه‌ای‌اش می‌فرستد. نبود ضربان گره را از استخر قابل واگذاری بیرون می‌برد؛ اما ضربان به‌خودی‌خود هرگز پاداش نمی‌آورد. آپ‌تایم بی‌کار جبران نمی‌شود، تنها کار راستی‌آزموده.
5. واگذاری کار. زمان‌بند کارهای در انتظار را بر پایهٔ توانمندی، موقعیت و اعتبار با گره‌های واجد شرایط جور می‌کند. به یک گوشی سرویس‌دهی استنتاج، شخصی‌سازی و LoRA روی دستگاه، امتیازدهی پاداش یادگیری تقویتی و برچسب‌گذاری پیشنهاد می‌شود؛ به گرهٔ GPU پاره‌های آموزش و استنتاج سنگین. واگذاری قیدهای سکو (شارژ، پیش‌زمینه، سقف سرویس پیش‌زمینه) را رعایت می‌کند تا گره هرگز سیاست فروشگاه اپ یا سیستم‌عامل را نقض نکند.
6. کار راستی‌آزموده. گره کار را انجام می‌دهد و نتایج را همراه با اثباتی از اجرای درست بازمی‌گرداند (بخش ۷.۴.۱). خروجی راستی‌آزمایی‌نشده دور انداخته می‌شود و پرداختی ندارد.
7. انباشت پاداش. کار راستی‌آزموده موجودی گره را در موتور نرخ کسب افزایش می‌دهد که در تولید هم‌اکنون گونه‌های کاری متمایزی از جمله COMPUTE، INFERENCE، GRADIENT و TRAINING را اندازه می‌گیرد. انباشت خارج از زنجیره، جمع‌پذیر و خودتوان است.
8. تسویه. عضو ORB انباشته را با یک کوپن امضاشده ادعا می‌کند که از راه رلهٔ بدون گس روی Base بازخرید می‌شود، پس عضو هیچ گسی نمی‌پردازد. این دقیقاً همان سازوکار تولیدی ادعاست که اقتصاد توکن زنده امروز به کار می‌برد؛ Hylon گونه‌های کاری تازه‌ای به آن می‌افزاید، جایگزینش نمی‌کند.

۷.۴.۱ «راستی‌آزموده» در هر رده به چه معناست

پاداش بدون راستی‌آزمایی همان راهی است که هر DePIN ناکام با آن بابت کار خیالی پول داد. Hylon هر مشارکت را اندازه می‌گیرد و راستی‌آزمایی می‌کند؛ روش راستی‌آزمایی با گونهٔ کار و با آنچه در ۲۰۲۶ از نظر رمزنگاشتی شدنی است جور می‌شود.

7.5 توپولوژی شبکه

توپولوژی کامل سلسله‌مراتبی لایه‌ای است، از لنگر تسویهٔ روی زنجیره تا لبهٔ یک‌میلیون‌دستگاهی. دو لایهٔ محاسباتی توصیف‌شده در بخش ۵ به‌روشنی روی آن نگاشت می‌شوند: آموزش لایهٔ ۱ در طبقهٔ GPU زندگی می‌کند که از راه اینترنت با آموزش کم‌ارتباط هماهنگ می‌شود؛ استنتاج، شخصی‌سازی و دادهٔ لایهٔ ۲ در لبه.

7.6 ساخته‌شده روی شبکه‌ای زنده: چه چیزی از پیش هست و Hylon چه می‌افزاید

این لنگر اعتبار کل این سند است، پس با دقت و بدون آرایش بیان می‌شود. ستون‌های زیر زیرساختی را که امروز در تولید کار می‌کند زیر محصول OrbNet / OrbMesh از مؤلفه‌های لایهٔ هوش مصنوعی که Hylon می‌افزاید جدا می‌کنند. ستون چپ یک برنامه نیست؛ نرم‌افزاری عرضه‌شده با کاربران پولی و پرداخت‌های روی زنجیره است. ستون راست مهندسی تازه‌ای است که Hylon روی آن لایه می‌کند.

۷.۶.۱ دامنهٔ صادقانهٔ «افزوده»

ستون راست کار واقعی است، نه یک تشریفات، و این سپیدنامه خلافش را وانمود نمی‌کند. ارکستراتور محاسبات، زمان اجرای هوش مصنوعی عامل گره، خط لولهٔ راستی‌آزمایی، هماهنگ‌کنندهٔ آموزش و حلقهٔ خودبهبودی سامانه‌های سنگینی‌اند که باید ساخته و سخت‌آزمایی شوند. آنچه بنیان زنده می‌خرد این سامانه‌ها به‌رایگان نیست؛ برداشتن چهار ریسک سخت ورود به بازار و زیرساخت است که پروژه‌های DePIN را پیش از عرضه می‌کشند: نبود کاربر، نبود ریل پرداخت، نبود تسویهٔ اثبات‌شده روی زنجیره، و نبود دسترسی به بازارهایی که گوه در آن‌ها زندگی می‌کند. این‌ها حل شده‌اند. ریسک باقی‌مانده اجرای لایهٔ هوش مصنوعی است، که دقیقاً همان ریسکی است که دروازه‌های این سند برای سنجش‌پذیر و صادقانه کردنش طراحی شده‌اند.

8.1 فلسفهٔ طراحی: یک توکن، کار واقعی، درآمد پیش از انتشار

ORB توکنی واحد و یکپارچه از استاندارد ERC-20 است که هم‌اکنون روی Base مستقر و زنده است و امروز سهام‌گذاری، پاداش، ادعای کوپن امضاشده، تراکنش‌های رلهٔ بدون گس و پرداخت‌های غربال‌شده با تحریم OFSI را برای کسب‌وکار OrbNet/OrbVPN تسویه می‌کند. Hylon توکن دومی، خواهری تنها-حکمرانی، یا «اعتبار محاسباتی» جداگانه‌ای ضرب نمی‌کند. شبکه عامدانه یک دارایی نگه می‌دارد تا همان واحد بابت کار راستی‌آزموده کسب شود، برای خدمات خرج شود، برای امنیت اقتصادی سهام‌گذاری گردد و برای حکمرانی بر پروتکل به کار رود. یک توکن واحد نقدشوندگی را متمرکز می‌کند، همهٔ مشارکت‌کنندگان را روی یک سیگنال قیمت هم‌راستا می‌سازد، و از فروپاشی بازتابی‌ای دوری می‌کند که طراحی‌های چندتوکنی DePIN بارها هنگام جدا شدن توکن یارانه از توکن کاربردی تجربه کرده‌اند.

انضباط حاکم بر سیاست پولی ORB در یک جمله بیان می‌شود: ارزش پیش از انتشار. پروتکل به کاری پاداش می‌دهد که به‌طور اثبات‌پذیر واقعی و به‌صورت رمزنگاشتی یا اقتصادی راستی‌آزمایی شده باشد؛ کمیابی توکن را به‌جای تورم از درآمد واقعی سرویس تأمین می‌کند؛ و می‌گذارد کمیابی در گردش به‌جای شمار دستگاه‌های ثبت‌شده، تقاضای اثبات‌شده را دنبال کند. این شعار نیست؛ پاسخی مستقیم به الگویی مستند از شکست در سراسر بخش DePIN است، و هر سازوکار این بخش برای پرهیز از آن الگو مهندسی شده است.

8.2 کاربرد توکن: کسب، خرج، سهام‌گذاری، حکمرانی

ORB چهار کاربرد باربر دارد. هیچ‌کدام سفته‌بازانه یا تزئینی نیست؛ هر کدام با کنشی متناظرند که یا از پیش در محصول OrbNet وجود دارد یا لایهٔ هوش مصنوعی Hylon که در بخش‌های پیشین توصیف شد مستقیماً به آن نیاز دارد.

کسب — سمت عرضه

مشارکت‌کنندگان بابت مشارکت‌های راستی‌آزموده در توان محاسباتی، داده و پهنای باند ORB کسب می‌کنند. واژهٔ «راستی‌آزموده» تمام بار را می‌کشد: پاداش بابت آپ‌تایم بی‌کار و «اپ نصب شده» صریحاً کنار گذاشته شده، چون مستقیم‌ترین علت تورم شبکه‌های شبح‌گونه همین است. آنچه پاداش می‌گیرد:

• توان محاسباتی آموزش لایهٔ ۱ — گره‌های GPU ردهٔ مرکز داده (ردهٔ ۸×H100 / B200) که در اجراهای آموزش توزیع‌شدهٔ کم‌ارتباط شرکت می‌کنند و به‌صورت اقتصادی و آماری امتیاز می‌خورند (سهم در زیان، بررسی‌های متقاطع افزونه، گواهی TEE برای کارهای با اطمینان بالا).
• سرویس‌دهی استنتاج لایهٔ ۲ — گوشی‌ها، رایانه‌های شخصی و مک‌ها که پاسخ مدل را سرویس می‌دهند و با درهم‌سازی حساس به موقعیت فعال‌سازی به سبک TOPLOC راستی‌آزمایی می‌شوند (حدود ۱۰۰ برابر ارزان‌تر از اجرای دوباره، در INTELLECT-2 در تولید اثبات شده)، پس پرداخت به‌جای کار ادعاشده، کار اثبات‌شده را دنبال می‌کند.
• شخصی‌سازی روی دستگاه و سیگنال یادگیری تقویتی — وفق‌دهی LoRA، امتیازدهی پاداش به خروجی‌های نامزد، و گرادیان‌های یادگیری فدرال حافظ حریم خصوصی، که به ازای هر واحد راستی‌آزموده اندازه‌گیری می‌شوند.
• کار پهنای باند و داده — ظرفیت رله و خروجی OrbNet و دادهٔ چندزبانهٔ برچسب‌خورده که خرید آن برای آزمایشگاهی متمرکز ناممکن است، اندازه‌گیری و روی زنجیره نسبت‌دهی می‌شود.

خرج — سمت تقاضا

ORB واحد تسویه برای مصرف شبکه است. کاربران و سازمان‌ها ORB (یا پول رایجی که پروتکل به سوزاندن ORB بدلش می‌کند، بخش ۸.۵) را خرج می‌کنند برای: استنتاج و وظایف عاملی هوش مصنوعی Hylon؛ توان محاسباتی اولویت‌دار یا رزروشده در ابتدای صف آموزش و استنتاج؛ دسترسی سازمانی و API به مدل حاکمیتی؛ و سرویس‌های زیربنایی VPN و شبکهٔ OrbNet که هم‌اکنون درآمد تولید می‌کنند. چون خرج سمت تقاضا در برابر تحویل واقعی سرویس بیان می‌شود، همین لنگری است که ارزش توکن را به سودمندی گره می‌زند.

سهام‌گذاری — امنیت اقتصادی

گردانندگان ORB سهام‌گذاری می‌کنند تا حق انجام کار برش‌پذیر (آموزش، استنتاج پرارزش) را به دست آورند و سرمایه را در برابر خطا و تقلب در معرض ریسک بگذارند. کاربران ORB را برای وزن حکمرانی و سهمی از پاداش پروتکل سهام‌گذاری می‌کنند. سهام‌گذاری با جزئیات در بخش ۸.۶ آمده است.

حکمرانی — کنترل تدریجی

ORB سهام‌گذاری‌شده ابزار رأی DAO است. در طول برنامهٔ منتشرشدهٔ ۲ تا ۴ سالهٔ غیرمتمرکزسازی تدریجی، حکمرانی ORB به‌تدریج بر نرخ پاداش، تخصیص خزانه، ارتقای پروتکل و کمک‌هزینه‌ها کنترل می‌یابد. نکتهٔ حیاتی، همخوان با بخش حکمرانی، آنکه انتشار مدل و قیدهای ایمنی رأی توکنی نیستند؛ این‌ها نزد شورای فنی ایمنی می‌مانند، شفاف در برابر دارندگان ORB اما غیرقابل نقض به دست آن‌ها.

8.3 ارزش پیش از انتشار: نخست امتیاز، و اینکه چرا مارپیچ‌های مرگ رخ دادند

Hylon حسابداری مشارکت را همچون امتیازهای خارج از زنجیره پیش از جریان توکن روی زنجیره آغاز می‌کند و از پیشینه‌ای پیروی می‌کند که Grass گذاشت: اجرای برنامه‌ای امتیازی برای بالا آوردن پایگاهی از مشارکت‌کنندگان راستی‌آزموده و کمّی کردن تقاضای واقعی، پیش از روشن کردن انتشار توکن. امتیازها می‌گذارند شبکه تنظیم کند که «واحد کار راستی‌آزموده» واقعاً در سرویس تحویل‌شده چقدر می‌ارزد، راستی‌آزمایی را در برابر بازی‌کردن تنظیم کند، و پاداش توکنی را تنها وقتی روشن کند که درآمدی برای پشتیبانی‌اش باشد. این ترتیب، شکل عملیاتی قاعدهٔ «ارزش پیش از انتشار» است.

دلیل مذاکره‌ناپذیر بودن این انضباط تجربی است. کل بخش DePIN در ۲۰۲۵ در حدود ۷۲ میلیون دلار درآمد روی زنجیره در برابر ارزش بازار تجمیعی حدود ۱۰ میلیارد دلار تولید کرد؛ شکافی میان ارزش‌گذاری و درآمد که تنها در صورتی معنا دارد که بیشتر شبکه‌ها به‌جای جریان نقدی، شمار سر را قیمت‌گذاری کنند. حالت شکست مشخص، ناهماهنگی عرضه و تقاضاست که انتشار نمایه‌شده بر شمار سر آن را می‌راند:

رشتهٔ مشترک این است که انتشار بابت وجود داشتن پرداخت می‌شد — یک هات‌اسپات ثبت‌شده، یک GPU ادعاشده، یک اپ نصب‌شده — نه بابت کار راستی‌آزموده و تقاضاشده. عرضه برای دنبال کردن یارانه باد کرد، تقاضا دنبالش نیامد، و قیمت توکن به‌طور مکانیکی به‌سوی ارزش درآمد واقعی (و ناچیز) کاهش یافت. اقدام‌های متقابل Hylon ساختاری‌اند: دروازهٔ راستی‌آزمایی روی هر پاداش (بخش ۸.۲)، بالا آوردن با امتیاز پیش از توکن (همین بخش)، انتشار نمایه‌شده بر نقاط عطف درآمدی (بخش ۸.۴)، و سوزاندن تأمین‌شده از درآمد (بخش ۸.۵). هیچ مسیر پاداشی در پروتکل بابت شمار سر پرداخت نمی‌کند.

پیاده‌شده تا امروز: خطوط کسب، تسویهٔ فصلی، و دروازهٔ تبدیل بسته

انضباط امتیازی بالا وعده‌ای برای آینده نیست؛ کدی است که در بتای زندهٔ گره اجرا می‌شود. سه سازوکار که با هم عرضه شده‌اند، دفتر امتیاز را سرتاسر صادق نگه می‌دارند:

• خطوط کسب. هر اعطای امتیاز زیر خطی انجام می‌شود که هنگام اعطا از واقعیت‌های راستی‌آزموده استخراج می‌شود، هرگز از خوداظهاری: گره‌های بدون گواهی (بدون شواهد گواهی راستی‌آزموده) زیر بودجهٔ روزانهٔ تنگی کسب می‌کنند؛ گره‌های گواهی‌شده (شواهد گواهی سکو که سمت سرور راستی‌آزمایی شده) زیر بودجهٔ روزانهٔ استاندارد؛ و خط مشترک — گرهٔ گواهی‌شده‌ای که مالکش اشتراک پولی فعالی فراتر از آستانهٔ سابقه داشته — به‌طور پیش‌فرض بی‌سقف است. گره زدن بالاترین خط به سابقهٔ اشتراک پولی باعث می‌شود پرورش هویت جعلی ماه‌ها پول واقعی خرج بردارد پیش از آنکه چیز معناداری کسب کند، و سقف خطوط تنها کسب امتیاز را کران‌دار می‌کند و هرگز دسترسی به هوش مصنوعی را دروازه‌بندی نمی‌کند.
• تسویهٔ فصلی. کسب در فصل‌ها اجرا می‌شود. تا وقتی فصلی باز است، اعطاها زنده با آن مُهر می‌خورند. هر فصل بودجه‌ای دارد که پیش از تسویهٔ پاداش‌ها از درآمد محقق‌شدهٔ سرویس کنار گذاشته می‌شود. هنگام تسویه، امتیازهای گره‌های جامعه در آن فصل در برابر آن بودجهٔ کنارگذاشته با نرخ مؤثری برای هر امتیاز تسویه می‌شوند که کمینهٔ نرخ نسبی (بودجه تقسیم بر کل امتیازها) و سقف‌های سخت نرخ است، پس ارزش تسویه‌شده هرگز نمی‌تواند از آنچه فصل واقعاً کنار گذاشته بیشتر شود. تسویه ارزش تسویه‌شدهٔ هر مشارکت‌کننده را صادقانه و دائمی ثبت می‌کند، اما هیچ توکنی اعتبار نمی‌دهد. پرداخت به گردانندگان مرکز دادهٔ لایهٔ ۱ به‌کلی بیرون از این دفتر و تثبیت‌شده به دلار است و هرگز با امتیاز تسویه نمی‌شود.
• دروازهٔ تبدیلی که بسته عرضه می‌شود. تنها مسیری که امتیازها به ORB بدل می‌شوند یک پل واحد و تحت کنترل مدیر است که دروازهٔ اصلی و نرخ آن هر دو به‌طور پیش‌فرض خاموش و صفراند. تا وقتی گردانندگان شبکه عامدانه هر دو را باز نکنند، هیچ تبدیلی رخ نمی‌دهد و برنامهٔ گره نمی‌تواند اقتصاد توکن زنده را لمس کند. هر تبدیل در دفتری اختصاصی ثبت می‌شود و هر ردیف امتیاز دقیقاً یک بار با تبدیلش مُهر می‌خورد، پس هیچ امتیازی هرگز دو بار تبدیل نمی‌شود. این دروازه امروز بسته است، و همخوان با انضباط این بخش، پروتکل هیچ مبلغ، نرخ یا تاریخ تبدیلی را از پیش منتشر نمی‌کند.

8.4 تخصیص

تخصیص یکپارچهٔ ORB نمونه‌وار و منوط به تصویب DAO است، اما شکلش اولویت‌های شبکه‌ای کارمحور را رمزگذاری می‌کند: بیشترین سهم توکن‌ها به مردم و ماشین‌هایی می‌رسد که کار راستی‌آزموده در محاسبات، داده و پهنای باند انجام می‌دهند، با ذخایر خزانه و زیست‌بوم به‌اندازهٔ کافی بزرگ برای تأمین کمک‌هزینه و بازخرید، و تخصیص‌های تیم و سرمایه‌گذار که کاملاً واگذارشونده و در اقلیت‌اند.

8.5 برنامهٔ انتشار: نزولی، نمایه‌شده بر درآمد، نه بر شمار سر

استخر ۴۰ درصدی پاداش محاسبات و شبکه با برنامه‌ای نزولی که به نقاط عطف درآمدی گره خورده آزاد می‌شود. نیت طراحی این است که با رشد درآمد واقعی سرویس شبکه، نیاز به یارانه دادن به مشارکت با انتشار تازه کم شود، و سهم فزاینده‌ای از پرداخت به مشارکت‌کنندگان به‌جای تورم، از خرج سمت تقاضا و بازخرید تأمین‌شده از درآمد بیاید. منحنی زیر نمونه‌وار است؛ آستانه‌ها و پله‌های واقعی را DAO تعیین می‌کند.

دو خاصیت ضروری‌اند و هر دو به‌جای تلفات، از بازماندگان DePIN وام گرفته شده‌اند:

1. کاهش پاداش با نقاط عطف درآمدی دروازه‌بندی می‌شود، نه با تقویم یا شمار ثبت‌نام. اگر درآمد عقب بماند، انتشار در تاریخی ثابت پله پایین نمی‌آید تا عرضه را در بازاری بی‌تقاضا بریزد؛ اگر درآمد شتاب بگیرد، پله‌ها می‌توانند زودتر بیایند. این دقیقاً وارونهٔ منحنی ترس‌جاماندنِ مبتنی بر شمار سر در Pi و Helium است.
2. پرداخت به گردانندگان به دلار تثبیت می‌شود. به پیروی از الگوی io.net IDE و Nosana، کارها در برابر ارزشی به پول رایج قیمت‌گذاری می‌شوند و به گردانندگان همان‌گونه پرداخت می‌شود، در حالی که انتشار توکن با درآمد گلوگاه می‌گردد. گردانندگان درآمدی پیش‌بینی‌پذیر و دلارمرجع می‌گیرند؛ پروتکل نوسان قیمت توکن را جذب می‌کند به‌جای آنکه به سمت عرضه منتقلش کند، و همین جلوی فرار عرضهٔ راستی‌آزمودهٔ GPU در افت بازار را می‌گیرد.

8.6 تجمع ارزش: سوزاندن-و-ضرب و بازخرید تأمین‌شده از درآمد

ORB از راه ترکیبی از سازوکارهایی ارزش می‌گیرد که تنها در شبکه‌های DePIN دارای جریان نقدی واقعی اثبات شده‌اند. اصل وحدت‌بخش این است که توکن‌ها به تناسب کاربرد واقعی و پرداخت‌شده و درآمد واقعی سرویس از عرضه حذف می‌شوند، تا تقاضا برای شبکه همچون تقاضا برای توکن بیان شود.

سوزاندن-و-ضرب روی کارهای پرداخت‌شده (پیشینهٔ Render)

کارهای پرداخت‌شدهٔ هوش مصنوعی و محاسبات در برابر مرجعی به پول رایج قیمت‌گذاری می‌شوند. وقتی بابت کاری پرداخت می‌شود، ارزش مرجع‌شده به پول رایج به‌صورت ORB سوزانده می‌گردد، و پاداش متناظر به مشارکت‌کننده‌ای که کار راستی‌آزموده را انجام داده از استخر پاداش ضرب یا آزاد می‌شود. پس کاربرد مستقیماً عرضهٔ توکن را مصرف می‌کند و توکن را به‌جای سفته‌بازی به کار تحویل‌شده گره می‌زند. این همان مدل سوزاندن-و-ضرب Render است که بر بازارگاه آموزش و استنتاج Hylon اعمال شده.

سوزاندن از درآمد واقعی سرویس (پیشینهٔ Helium Mobile)

سهمی تعریف‌شده از درآمد واقعی سرویس — از اشتراک VPN اوربنت، دسترسی سازمانی و API، و کارمزد توان محاسباتی اولویت‌دار — بازخرید و سوزاندن پیوسته را تأمین می‌کند. چون این سوزاندن از درآمد نقدی می‌آید و نه از تورم، فشاری تورم‌زدا می‌سازد که با سودمندی واقعی شبکه مقیاس می‌گیرد. این آینهٔ مدل Helium Mobile در سوزاندن در برابر درآمد واقعی مخابراتی است، و مستقیم‌ترین سازوکاری است که «ارزش پیش از انتشار» را در سمت تقاضا اعمال می‌کند.

پرداخت تثبیت‌شده به دلار برای گردانندگان (پیشینهٔ io.net IDE / Nosana)

چنان‌که در بخش ۸.۵ آمد، جبران گردانندگان دلارمرجع است. این به همان اندازه که سازوکار ثبات است، سازوکار تجمع ارزش هم هست: با جدا کردن درآمد گرداننده از قیمت کوتاه‌مدت توکن، جلوی تسلیم سمت عرضه را می‌گیرد که افت قیمت را به فروپاشی عرضه و آن را به افت بیشتر قیمت بدل می‌کند.

8.7 سهام‌گذاری و برش

سهام‌گذاری ORB لایهٔ امنیت اقتصادی برای کار راستی‌آزموده و بستر حکمرانی را فراهم می‌کند.

سهام‌گذاری حق کسب را به‌صورت اقتصادی به سرمایهٔ در معرض ریسک گره می‌زند، که نیمهٔ دوم دفاع در برابر شبکه‌های شبح‌گونه است: راستی‌آزمایی اثبات می‌کند کار رخ داده، و برش دروغ گفتن دربارهٔ آن را نامفید می‌سازد.

8.8 تأمین مالی سخت‌افزار: بدهی شرکتی، نه بازده کاربر

مقیاس دادن به FLOPs آموزش لایهٔ ۱ مسئله‌ای سرمایه‌ای است، و Hylon سخت‌افزار را همان‌گونه تأمین مالی می‌کند که شرکتی سرمایه‌بر باید: با بدهی شرکتی. Hylon Labs و/یا خزانهٔ DAO در برابر GPUها و سخت‌افزار به‌عنوان وثیقه وام می‌گیرند. این برای دارندگان ORB رقیق‌کننده نیست: ظرفیت محاسباتی می‌افزاید بی‌آنکه توکن تازه‌ای ضرب شود، و از درآمد سرویس و جریان نقدی سازمانی بازپرداخت می‌گردد.

تجمیع اختیاری با بازخرید سخت‌افزار (صادقانه بیان‌شده)

در گذر زمان شرکت یا DAO ممکن است سخت‌افزار گردانندگان را بازخرید کند تا توان محاسباتی را در خوشه‌هایی با بهره‌وری بالاتر و راستی‌آزمایی بهتر تجمیع کند و قابلیت اتکا، اطمینان راستی‌آزمایی و اقتصاد هر FLOP را برای لایهٔ آموزش بهتر سازد. این باید صریح گفته شود: بازخرید و تجمیع سخت‌افزار آن بخش از ناوگان فیزیکی را دوباره متمرکز می‌کند. Hylon این را بده‌بستانی عامدانه و شفاف می‌داند — غیرمتمرکز بودن لایهٔ استنتاج، شخصی‌سازی و داده (همان لایهٔ ۲ یک‌میلیون‌دستگاهی) از نظر معماری بادوام است، در حالی که لایهٔ آموزش ممکن است برای کارایی سرمایه و اطمینان تجمیع شود، و جهت این بده‌بستان با غیرمتمرکز شدن حکمرانی زیر نظارت DAO قرار می‌گیرد.

8.9 خلاصهٔ انضباط پولی

ORB چنان مهندسی شده که هر واحد در گردش به کار راستی‌آزموده یا تقاضای پرداخت‌شده بازگردد، و هر نیروی تورم‌زدا به درآمد واقعی. کل طراحی همین است: توکنی که کمیابی‌اش سنجه‌ای از سودمندی شبکه است و از روز نخست به‌جای یک وعده، کسب‌وکاری زنده و درآمدزا پشتیبانی‌اش می‌کند.

Hylon شبکه‌ای است که سامانه‌ای از هوش مصنوعی رو به مرز را آموزش می‌دهد، منتشر می‌کند و می‌گرداند، و در همان حال پاداش اقتصادی واقعی را میان ناوگانی جهانی از مشارکت‌کنندگان توزیع می‌کند. این ترکیب دو قید سخت بر حکمرانی تحمیل می‌کند که بیشتر پروژه‌های توکنی هرگز ناچار به آشتی دادنشان نیستند. نخست، شبکه باید کنترل واقعی — نرخ پاداش، تخصیص خزانه، ارتقای پروتکل — را به‌طور باورپذیر به دارندگان توکن بسپارد، وگرنه ادعای غیرمتمرکز بودن نمایش است. دوم، هرگز نباید انتشار مدلی نیرومند، یا قیدهای ایمنی‌ای که آن را محدود می‌کنند، در گرو رأی نوسانی توکن، حمله‌ای به حکمرانی با تأمین مالی وام آنی، یا اقلیتی خوش‌سازمان که به‌جای ایمنی عمومی برای قیمت توکن بهینه می‌کند قرار گیرد. Hylon این را با طراحی عامدانه دومجلسی حل می‌کند: قانون اساسی‌ای اقتصادی که به‌تدریج و بازگشت‌ناپذیر روی نقاط عطف منتشرشده به DAO واگذار می‌شود، و مأموریتی ایمنی که باریک، شفاف و غیرقابل رأی‌گیری است و شورای فنی ایمنی آن را در دست دارد. این بخش نهادهای حقوقی‌ای را که دارایی و مسئولیت را نگه می‌دارند، اختیارهای دقیقی که به DAO منتقل می‌شوند و با چه برنامه‌ای، اختیارهایی که عامدانه هرگز منتقل نمی‌شوند، و سازوکار مشخص رأی‌گیری، خزانه و پیشنهادها را توصیف می‌کند.

9.1 ساختار نهادها

Hylon سه کارکرد را از هم جدا می‌کند که در پروژه‌های DePIN و توکن‌های هوش مصنوعی مکرر — و خطرناک — در هم آمیخته می‌شوند: کسب‌وکار عملیاتی که فناوری را می‌سازد و تجاری می‌کند، امین بی‌مالک که پروتکل و خزانه را از سوی شبکه نگه می‌دارد، و نهاد حکمرانی دارندگان توکن که در گذر زمان پروتکل را هدایت می‌کند. هر کدام نهادی حقوقی و کارکردی متمایزند، و همین جدایی است که هم موضع مقرراتی و هم تعهد به غیرمتمرکزسازی تدریجی را به‌جای لفاظی، باورپذیر می‌کند.

Hylon Labs — شرکت عملیاتی

Hylon Labs شرکتی عملیاتی و متعارف است. تیم‌های مهندسی، پژوهش، محصول، ایمنی و ورود به بازار را استخدام می‌کند؛ محصول OrbNet/OrbVPN و درآمد زنده‌اش را در تملک دارد و می‌گرداند؛ مالک وزن‌های مدل، خط لولهٔ آموزش، موتور خودبهبودی، پایگاه کد و نشان‌های تجاری است؛ و قراردادهای تجاری، پروانه‌دهی سازمانی، درآمد API و توافق‌های زیرساختی را در دست دارد. Labs جایی است که حقوق کارکنان، بدهی شرکتی (از جمله تسهیلات تأمین مالی سخت‌افزار که در بخش توکن و اقتصاد توصیف شد)، مسئولیت حقوق و دستمزد، و مالکیت فکری تجاری زندگی می‌کنند. نهادی است که مشتری با آن قرارداد می‌بندد و نهادی که مسئولیت استخدام و محصول را بر دوش دارد. نکتهٔ حیاتی آنکه Labs از محصول و پروانه‌دهی درآمد می‌گیرد، نه از انتشار توکن، و همین جدایی است که تنظیم‌گران هنگام تمایز گذاشتن میان کسب‌وکاری عملیاتی و راستین با ابزاری برای جذب سرمایه دنبالش می‌گردند.

بنیاد Hylon — امین بی‌مالک

بنیاد Hylon شرکتی بنیادی در جزایر کیمن است: شخصی حقوقی بی‌مالک و مقید به هدف که نه سهام‌داری دارد و نه عضوی که بتواند دارایی‌هایش را بیرون بکشد. اسناد تأسیس آن، بنیاد را به هدفی ثابت مقید می‌کنند — امانت‌داری پروتکل Hylon، توکن ORB و خزانهٔ شبکه به سود شبکه و مشارکت‌کنندگانش — و آن هدف را نمی‌توان برای ثروتمند کردن هیچ فردی تغییر مسیر داد. بنیاد پارامترهای روی زنجیرهٔ پروتکل را امانت‌داری می‌کند، خزانهٔ DAO را با پیشرفت غیرمتمرکزسازی زیر هدایت DAO نگه می‌دارد و اداره می‌کند، کمک‌هزینه‌های زیست‌بوم را تأمین می‌کند، و همچون پوشش حقوقی‌ای عمل می‌کند که به جمعی غیرمتمرکز امکان می‌دهد با جهان بیرون از زنجیره کار کند (قرارداد حسابرسی امضا کند، حساب بانکی داشته باشد، از نشان تجاری دفاع کند). ساختار بی‌مالک عامدانه است: چون هیچ‌کس بنیاد را مالک نیست، خزانه‌ای که امانت‌داری می‌کند نمی‌تواند دارایی هیچ بنیان‌گذاری تلقی شود، و مسیر به‌سوی کنترل DAO انتقال راستین امانت‌داری است، نه لطفی که بتوان پس گرفت.

ناشر BVI

انتشار توکن و سازوکار توزیع مرتبط با آن از راه ناشری در جزایر ویرجین بریتانیا وابسته به بنیاد انجام می‌شود. جدا کردن کارکرد انتشار در نهادی ویژه در BVI، سطح مواجهه با قوانین اوراق بهادار و توکن — انتشار، سپیدنامهٔ منتشرشدهٔ دارایی رمزنگاشتی، ترتیبات پذیرش در صرافی، و محدودیت‌های انتقال — را هم از مسئولیت تجاری شرکت عملیاتی و هم از نقش امانت‌داری بنیاد جدا می‌کند. این ساختاردهی استاندارد و دفاع‌پذیر برای عرضهٔ توکنی منطبق با مقررات است، نه ترتیبی عجیب.

DAO — حکمرانی دارندگان توکن

DAO جمع دارندگان ORB است که حقوق حکمرانی روی زنجیره را اعمال می‌کنند. در آغاز کنترل همه چیز را در دست ندارد؛ نهادی است که کنترل به‌تدریج به آن منتقل می‌شود. در طول جدول زمانی غیرمتمرکزسازی، اختیار پارامترهای نرخ پاداش، تخصیص خزانه، ارتقای پروتکل و برنامهٔ کمک‌هزینه را به دست می‌گیرد. DAO ارادهٔ خود را از راه پیشنهادها و رأی‌های روی زنجیره بیان می‌کند که بنیاد و قراردادهای حکمرانی پروتکل اجرایشان می‌کنند. مقصد قانون اساسی اقتصادی است، و از روی طراحی صریح، نهادی نیست که دربارهٔ انتشار مدل یا قیدهای ایمنی تصمیم بگیرد.

9.2 DAO بر چه چیزی حکمرانی می‌کند و جدول زمانی غیرمتمرکزسازی تدریجی

غیرمتمرکزسازی در Hylon تدریجی، دروازه‌بندی‌شده با نقطهٔ عطف، و یک‌سویه است. رویدادی یکباره از جنس «کلیدها را تحویل بده» نیست، و صریحاً به تاریخ‌هایی گره نخورده که بتوان عقب انداخت یا دربارهٔ آن‌ها روایت‌سازی کرد؛ به نقاط عطف منتشرشده و راستی‌آزمایی‌پذیر گره خورده که آینهٔ همان انضباط دروازه‌محوری‌اند که در سراسر این سند به کار رفته. اختیارها به ترتیبی به DAO منتقل می‌شوند که هر انتقال ایمن باشد: شبکه نخست پارامترهایی را غیرمتمرکز می‌کند که انگیزهٔ دارندگان توکن در آن‌ها هم‌راستاست و شعاع انفجار خطا کران‌دار است، سپس به‌تدریج پارامترهایی را که در آن‌ها بیشتر در میان است. انتقال کامل کنترل اقتصادی در حدود دو تا چهار سال کامل می‌شود.

ترتیب انتقال، و چرایی آن

1. نخست نرخ پاداش. نخستین اختیاری که منتقل می‌شود کنترل پارامترهای نرخ پاداش است — برنامهٔ انتشار درون سقف‌های سخت پروتکل، تقسیم پاداش میان رده‌های دستگاه و گونه‌های کار، و ضریب‌هایی که مشارکت راستی‌آزمودهٔ محاسبات و داده را قیمت‌گذاری می‌کنند. این نخست منتقل می‌شود چون دارندگان توکن و مشارکت‌کنندگان مستقیم‌ترین طرف متأثر و شایسته‌ترین برای تنظیمش‌اند، و چون این پارامترها درون حفاظ‌های تغییرناپذیر (سقف بیشینهٔ انتشار و گلوگاه درآمدی «ارزش پیش از انتشار») می‌نشینند که هر خطایی را کران‌دار می‌کنند.
2. دوم تخصیص خزانه. سپس DAO اختیار چگونگی به‌کارگیری خزانه را به دست می‌گیرد: تأمین مالی تدارک توان محاسباتی، برنامه‌های زیست‌بوم، نقدشوندگی، آهنگ بازخرید و سوزاندن که از درآمد واقعی سرویس تأمین می‌شود، و ذخایر عملیاتی. این پس از نرخ پاداش می‌آید چون هر تصمیمش وزن بیشتری دارد و از اینکه DAO نخست روی پارامترهای کم‌ریسک‌تر سابقه‌ای ساخته باشد سود می‌برد.
3. سوم ارتقای پروتکل. آنگاه DAO کنترل ارتقاهای منطق روی زنجیرهٔ پروتکل را می‌گیرد — خودِ قراردادهای سهام‌گذاری، پاداش راستی‌آزمایی، ادعای کوپن و حکمرانی. چون ارتقای بد می‌تواند فاجعه‌بار و برگشت‌ناپذیر باشد، این تنها پس از بلوغ DAO منتقل می‌شود و با قفل‌های زمانی، حسابرسی‌های اجباری و (چنان‌که در ادامه می‌آید) استثناهای صریحی دروازه‌بندی می‌شود که مانع دست‌درازی حکمرانی به ماشین انتشار حیاتی برای ایمنی می‌گردند.
4. چهارم کمک‌هزینه‌ها و جهت‌دهی زیست‌بوم. سرانجام DAO مالکیت کامل برنامهٔ کمک‌هزینه و جهت‌دهی توسعهٔ زیست‌بوم را می‌گیرد — تأمین مالی سازندگان شخص ثالث، یکپارچه‌سازی‌ها، جوایز پژوهشی و طرح‌های ویژهٔ هر بازار — و انتقال خرج اختیاری شبکه به جامعه‌اش کامل می‌شود.

9.3 آنچه دائمی و از روی طراحی نزد شورای ایمنی می‌ماند

دو اختیار عامدانه هرگز به رأی توکنی منتقل نمی‌شوند: تصمیم به انتشار مدل، و تعریف و اعمال قیدهای ایمنی شبکه. این‌ها نزد شورای فنی ایمنی می‌مانند. این مهم‌ترین تصمیم حکمرانی در کل این طراحی است، و تصمیمی سنجیده است نه پیامد تصادفی تمرکز.

دلیل

ایمنی سامانه‌ای از هوش مصنوعی رو به مرز نمی‌تواند با رأیی نوسانی، دارای انگیزهٔ مالی و بالقوه قابل تصاحب تعیین شود. حکمرانی دارندگان توکن — به‌درستی — برای ارزش شبکه بهینه می‌کند، اما انگیزهٔ دارندهٔ توکن حاشیه‌ای برای عرضهٔ سریع‌تر مدلی توانمندتر همان منفعت عمومی در ایمن بودن آن مدل نیست، و فاجعه دقیقاً در همین شکاف زندگی می‌کند. حکمرانی روی زنجیره به شیوه‌هایی هم قابل حمله است که ایمنی تابشان نمی‌آورد: خرید رأی، قدرت رأی قرض‌گرفته با وام آنی، بازارهای رشوه، و تصاحب با مشارکت پایین، همگی حالت‌های شکست مستند و تکرارشونده‌اند. مدلی که همین حالا از مجموعهٔ تیم قرمز گذشته نباید صرفاً به این دلیل قابل انتشار باشد که نهنگی آخر هفته توکن انباشته است؛ و قید ایمنی نباید به این دلیل برداشتنی باشد که پیشنهادی با حدنصاب ۳ درصد رأی آورده. پس دروازهٔ انتشار و قیدهای ایمنی نزد نهادی می‌نشینند که بر پایهٔ شایستگی فنی و ایمنی برگزیده شده و زیر مأموریتی ثابت کار می‌کند، نه نزد رأی‌دهندگان توکنی.

شورای ایمنی چه چیزی را کنترل می‌کند

• دروازهٔ نهایی انتشار. در خط لولهٔ قهرمان-مدعی، مدعی تنها وقتی به نسخهٔ نام‌دار تازه ارتقا می‌یابد که قهرمان زنده را با حاشیه‌ای تعریف‌شده در مجموعهٔ ثابت دروازه‌ها — محک‌های عمومی، ارزیابی‌های حوزهٔ گوه، آزمون کور A/B بافت شخصی، و تیم قرمز ایمنی — با معناداری آماری و بدون هیچ پس‌رفت ایمنی شکست دهد. شورای ایمنی امضای نهایی انسانی آن ارتقا را در دست دارد. می‌تواند انتشاری را که دروازه‌های خودکار را گذرانده وتو کند؛ اما هیچ رأیی نمی‌تواند وادارش کند انتشاری را که نگذرانده عرضه کند.
• کلید توقف اضطراری. شورا می‌تواند مدلی زنده را متوقف کند، بازگشت خودکار به قهرمان پیشین را کلید بزند، یا خط لولهٔ انتشار را در واکنش به نقص ایمنی کشف‌شده منجمد کند — در هر لحظه و بدون رأی حکمرانی.
• بنیان‌های تغییرناپذیر سطح صفر. حقیقت، ایمنی، صداقت و درستکاری اهدافی سخت‌کدشده‌اند که سامانه نمی‌تواند خودش تغییرشان دهد و حکمرانی نمی‌تواند ویرایششان کند. شورا ضامن انسانی این است که سلسله‌مراتب L0 < L1 < L2 < L3 پابرجا بماند و تشخیص‌دهندهٔ بازی‌کردن (بهتر شدن سنجه‌های L3 در حالی که L1 و L2 بهتر نمی‌شوند) رعایت شود.

شفافیت و پاسخگویی — مهار شورا

اختیار باریک بدون پاسخگویی صرفاً شکل دیگری از تمرکز است. پس مأموریت شورای ایمنی کران‌دار است و به‌جای مبهم بودن، در برابر DAO شفاف می‌شود. تصمیم‌های انتشار، نتایج مجموعهٔ دروازه‌ها که پشت آن‌هاست، ارتقاها، بازگشت‌ها و فعال‌سازی‌های کلید توقف اضطراری روی زنجیره ثبت و به DAO گزارش می‌شوند. قلمرو شورا به‌شدت محدود به دروازهٔ ایمنی و انتشار است؛ هیچ اختیاری بر نرخ پاداش، خزانه یا اقتصاد ندارد، که حوزهٔ DAO است. DAO ابزارهای نظارتی مشروع خود را نگه می‌دارد — دید نسبت به هر تصمیم دروازه‌بندی‌شده، توان تأمین مالی حسابرسی‌های مستقل و تیم‌های قرمز بیرونی، و اختیار حکمرانی بر قواعد ترکیب و مأموریت شورا در سطح قانون اساسی — در حالی که ساختاراً از دست‌درازی برای تحمیل انتشاری ناایمن بازداشته می‌شود. کوتاه سخن: DAO مالک اقتصاد است و می‌تواند شورا را پاسخگو نگه دارد؛ شورا مالک دروازهٔ ایمنی است و نمی‌توان با نقض اختیارش وادارش کرد چیزی ناایمن عرضه کند. هیچ‌کدام نمی‌توانند بی‌صدا به دیگری بدل شوند.

9.4 سازوکار رأی‌گیری، خزانه و پیشنهادها

رأی‌گیری

قدرت حکمرانی از ORB می‌آید، با سازوکارهایی که به‌جای بیشینه کردن غیرمتمرکز بودن ظاهری روی کاغذ، برای مقاومت در برابر حالت‌های مستند شکست از راه تصاحب برگزیده شده‌اند.

مدیریت خزانه

خزانه را بنیاد امانت‌داری می‌کند و DAO به‌تدریج هدایتش می‌کند. منابع تأمینش واقعی‌اند: تخصیص پروتکلی شبکه، و مهم‌تر، جریان‌های بازخریدی که زیر انضباط «ارزش پیش از انتشار» از درآمد واقعی سرویس تأمین می‌شوند، هرگز از تورم. به‌کارگیری‌ها از رده‌های تحت حکمرانی پیروی می‌کنند: تدارک توان محاسباتی (از جمله به‌سوی خوشهٔ GPU متعلق به DAO که آموزش غیرمتمرکز را لنگر می‌اندازد)، کمک‌هزینه‌های زیست‌بوم، نقدشوندگی و ذخایر، و بازخرید و سوزاندن تأمین‌شده از درآمد. جابه‌جایی‌های بالاتر از آستانه‌های تعریف‌شده به پیشنهاد تصویب‌شده نیاز دارند، پشت قفل زمانی اجرا می‌شوند، و روی زنجیره ثبت می‌گردند. قانون اساسی بی‌مالک و مقید به هدف بنیاد همان پشتوانه‌ای است که از تصاحب خزانه جلوگیری می‌کند: حتی پیشنهاد تصویب‌شده هم نمی‌تواند وجوه را بیرون از مأموریت بنیاد یا به‌سوی معاملهٔ با خود هدایت کند.

چرخهٔ زندگی پیشنهاد

1. سنجش اولیه. ایده‌ای برای بحث باز در انجمن حکمرانی منتشر می‌شود؛ حس‌وحال غیررسمی می‌سنجد که آیا ارزش رسمی شدن دارد.
2. پیش‌نویس پیشنهاد. یک «پیشنهاد بهبود Hylon» رسمی طبق قالبی استاندارد نوشته می‌شود: انگیزه، مشخصات، تغییر پارامترها، ملاحظات امنیتی و ایمنی، و در جایی که مربوط است، تأیید اینکه به استثنای شورای ایمنی دست‌درازی نمی‌کند.
3. بازبینی و حسابرسی. پیشنهادهایی که منطق پروتکل یا مبالغ چشمگیر خزانه را لمس می‌کنند پیش از رسیدن به رأی، بازبینی فنی و در صورت لزوم حسابرسی مستقل می‌شوند.
4. رأی روی زنجیره. پیشنهاد به رأی روی زنجیرهٔ مبتنی بر عکس‌برداری می‌رود، با حدنصاب و آستانهٔ متناسب با ردهٔ اثرش؛ تنها ORB قفل‌شدهٔ پیش از عکس‌برداری واجد شرایط است.
5. قفل زمانی. پیشنهاد تصویب‌شده پیش از اجرا وارد پنجرهٔ تأخیر اجباری و عمومی می‌شود.
6. اجرا. بنیاد و قراردادهای حکمرانی کنش تصویب‌شده را اجرا می‌کنند؛ نتیجه روی زنجیره ثبت می‌شود.

روی هم رفته، این سازوکارها فلسفهٔ مشخصی از غیرمتمرکزسازی را پیاده می‌کنند: به جامعه مالکیت راستین و بازگشت‌ناپذیر اقتصاد شبکه را بر پایهٔ برنامه‌ای از نقاط عطف که خودش می‌تواند راستی‌آزمایی کند بده، و در همان حال دو تصمیم را — انتشار مدلی نیرومند و محدود کردن رفتارش — که در آن‌ها «اکثریت به رأی توکن» راه ایمنی برای تصمیم‌گیری نیست، برای همیشه حصار بکش. اقتصاد از آنِ دارندگان توکن است؛ دروازهٔ ایمنی از آنِ نهادی شایسته، شفاف و پاسخگو؛ و هیچ‌کدام اجازه ندارند دیگری را ببلعد.

Hylon شبکه‌ای است که به آدم‌های واقعی بابت کار واقعی توکن واقعی می‌پردازد، از بافت واقعی کاربران می‌آموزد، و در برخی از پرمقررات‌ترین و پرسانسورترین بازارهای روی زمین کار می‌کند. همین ترکیب است که فرصت را دفاع‌پذیر می‌کند، و دقیقاً همین است که طراحی حقوقی را به‌جای فکری بعدی، به انضباطی مهندسی و درجه‌یک بدل می‌سازد. این بخش صادقانه و بدون کلی‌گویی بیان می‌کند که کدام رژیم‌های مقرراتی شبکه را مقید می‌کنند، Hylon با چه سازوکارهای مشخصی منطبق می‌شود، بر چه پیشینه‌هایی تکیه دارد، و چه ریسک‌های باقی‌مانده‌ای هست که هیچ مقدار مهندسی به‌طور کامل از میان برنمی‌داردشان. هر جا پیشینه‌ای مساعد وجود دارد، همچون راهنما به آن استناد می‌شود، هرگز همچون تضمین؛ چند مورد از مهم‌ترین تسهیلات زیر وابسته به واقعیت‌های خاص و غیرالزام‌آوراند، و موضع اعلام‌شدهٔ Hylon این است که مشاورهٔ حقوقی و تسهیل مخصوص خودش را بگیرد، نه اینکه فرض کند معافیت طرفی دیگر به او منتقل می‌شود.

10.1 توکن: مقررات اوراق بهادار و دارایی‌های رمزنگاشتی

ORB توکنی کاربردی، واحد و یکپارچه است: بابت کار راستی‌آزمودهٔ محاسبات و داده کسب می‌شود، برای پرداخت بهای هوش مصنوعی و سرویس‌های شبکه خرج می‌گردد، و برای حکمرانی بر پروتکل به کار می‌رود. همچون سرمایه‌گذاری بازاریابی نمی‌شود، هیچ وعدهٔ سودی از تلاش دیگران به‌عنوان شرط انتشار با خود ندارد، و نکتهٔ حیاتی آنکه پاداش‌هایش به مشارکت‌کنندگان زیرساخت و داده همچون پرداخت بابت کار سنجش‌پذیر می‌رسد و ساختاراً از هرگونه فعالیت جذب سرمایه جدا شده است. همین جدایی ستون فقرات کل طراحی حقوقی توکن است.

اتحادیهٔ اروپا — MiCA

مقررات بازارهای دارایی‌های رمزنگاشتی اکنون چارچوب الزام‌آور هر عرضهٔ دارایی رمزنگاشتی به اشخاص در اتحادیهٔ اروپاست. پنجرهٔ انتقالی حقوق مکتسبه در 1 ژوئیهٔ 2026 بسته شد؛ دیگر مسیری برای کار در اتحادیهٔ اروپا زیر رژیم‌های ملی وجود ندارد. تعهدات Hylon مشخص و غیراختیاری‌اند:

• سپیدنامهٔ منطبق دارایی رمزنگاشتی. چون ORB نه توکن ارجاع‌دهنده به دارایی (ART) است و نه توکن پول الکترونیک (EMT)، زیر رژیم MiCA برای «دیگر دارایی‌های رمزنگاشتی» می‌افتد. Hylon سپیدنامه‌ای منطبق با عنوان دوم منتشر می‌کند — افشاهای اجباری دربارهٔ ناشر، توکن، حقوق و تعهدات، فناوری زیربنایی و ریسک‌ها — که به مرجع صالح ملی اطلاع داده می‌شود، همراه با خلاصهٔ قانونی و هشدارهای ریسک تجویزشده.
• تنها بسترهای دارای مجوز CASP. ORB تنها در بسترهایی پذیرش و معامله می‌شود که زیر مجوز ارائه‌دهندهٔ خدمات دارایی رمزنگاشتی MiCA (یا گذرنامهٔ انتقالی معتبر) کار می‌کنند. Hylon پذیرش در بسترهای بدون مجوز اتحادیهٔ اروپا را نه دنبال می‌کند و نه تاب می‌آورد.
• معافیت «عرضه‌شده به‌رایگان» اعمال نمی‌شود. MiCA دارایی‌های رمزنگاشتی «عرضه‌شده به‌رایگان» را معاف می‌کند، اما صریحاً روشن می‌سازد که دارایی وقتی گیرنده در ازایش دادهٔ شخصی می‌دهد یا خدمت و کاری انجام می‌دهد رایگان نیست. پاداش‌های Hylon عوض کار راستی‌آزمودهٔ محاسبات و داده‌اند — کسب می‌شوند، هدیه نمی‌شوند — پس این معافیت در دسترس نیست و Hylon نمی‌کوشد به آن تکیه کند. این خوانشی عامدانه محافظه‌کارانه است؛ فرض کردن اینکه این معافیت اعمال می‌شود محتمل‌ترین مسیر واحد به‌سوی اقدام اجرایی می‌بود.

ایالات متحده — تحلیل اوراق بهادار و الگوی DoubleZero

در ایالات متحده پرسش حاکم، تحلیل قرارداد سرمایه‌گذاری Howey است. Hylon پاداش‌های ORB را چنان ساختار می‌دهد که آینهٔ همان الگوی واقعیتی باشد که بخش تأمین مالی شرکت‌های کمیسیون بورس و اوراق بهادار آمریکا در موضع عدم‌اقدام DoubleZero در 29 سپتامبر 2025 به آن پرداخت: پاداش‌هایی که برنامه‌ای، مبتنی بر کاربرد، و پرداخت‌شده به مشارکت‌کنندگان زیرساخت بابت خدمات شبکه‌اند و به‌روشنی از هر معاملهٔ جذب سرمایه جدا شده‌اند. ویژگی‌های باربری که Hylon بازتولید می‌کند:

• پاداش‌ها به‌صورت برنامه‌ای و با قواعد پروتکل بابت کار راستی‌آزمودهٔ انجام‌شده منتشر می‌شوند، نه به صلاحدید مروجی و نه مشروط به خرید.
• جریان پاداش از جذب سرمایه جداست. سرمایه‌گذاری (سهام، قراردادهای SAFE، یا فروش توکن برای تأمین مالی شرکت عملیاتی) از راه ابزارهای متمایز و به‌درستی معاف انجام می‌شود و با سازوکار کسب‌بابت‌کاری که مشارکت‌کنندگان عادی تجربه می‌کنند در هم نمی‌آمیزد.
• بازاریابی به مشارکت‌کنندگان بر کار انجام‌شده و خدمات ارائه‌شده تأکید می‌کند، نه بر رشد قیمت یا بازده منفعل.

«ارزش پیش از انتشار» همچون انضباطی حقوقی و نه فقط اقتصادی

تعهد اقتصادی به پاداش دادن تنها بابت کار راستی‌آزمودهٔ واقعی، و تأمین بازخرید و سوزاندن از درآمد واقعی سرویس به‌جای تورم (که در بخش توکن با جزئیات آمد)، کنترلی برای ریسک حقوقی هم هست. توکنی که روایت ارزشش بر انتشار و رشد شمار سر استوار باشد شبیه اوراق بهادار به نظر می‌رسد و مانند طرح پانزی رفتار می‌کند؛ توکنی که ارزشش تقاضای اثبات‌شده برای سرویسی کارآمد را دنبال می‌کند شبیه همان چیزی است که هست: پرداخت بابت خدمات شبکه. موضع انطباق و موضع اقتصادی از روی طراحی یکدیگر را تقویت می‌کنند.

10.2 حریم خصوصی و حفاظت داده

Hylon دادهٔ کاربرانی در اتحادیهٔ اروپا، بریتانیا و دیگر حوزه‌های هم‌راستا یا نزدیک به GDPR را پردازش می‌کند، از جمله برخی از حساس‌ترین جمعیت‌های کاربری از نظر حریم خصوصی که می‌توان تصور کرد: مردمی که زیر رژیم‌های خصمانه از محصولی برای عبور از سانسور استفاده می‌کنند. معماری حریم خصوصی از نظر فنی در بخش‌های هوش مصنوعی شخصی و چرخ‌طیار داده توصیف شده؛ اینجا بنیان حقوقی را بیان می‌کنیم. سرخط ماجرا آن چیزی است که Hylon هرگز ادعا نخواهد کرد.

مبنای قانونی: منافع مشروع، مستندشده

مبنای قانونی پردازش سیگنال آموخته‌شدهٔ حافظ حریم خصوصی که دستگاه را ترک می‌کند منافع مشروع است (مادهٔ 6(1)(f) GDPR)، که آزمون توازن سه‌بخشی مستندی (هدف، ضرورت، و توازن در برابر حقوق و انتظارات صاحب داده) پشتیبانی‌اش می‌کند، و رضایت هر جا برای عملیات پردازشی معینی مبنای مناسب باشد به کار می‌رود. پشتوانه‌های آن:

• یک ارزیابی رسمی اثر بر حفاظت داده (DPIA) زیر مادهٔ 35، با توجه به پردازش در مقیاس بزرگ و حساسیت پایگاه کاربری، که با تکامل مدل و جریان‌های داده بازبینی می‌شود.
• کمینه‌سازی داده از راه معماری: دادهٔ خام کاربر هرگز دستگاه را ترک نمی‌کند. تنها سیگنال آموخته‌شدهٔ حافظ حریم خصوصی به اشتراک گذاشته می‌شود، از راه یادگیری فدرال، حریم خصوصی تفاضلی و تجمیع امن، پس گرداننده هرگز مشارکت‌های فردی را به‌صورت آشکار نمی‌بیند.
• دفاع‌های مستند در برابر حمله‌های استنتاج عضویت و وارونه‌سازی مدل، چون قانون حریم خصوصی روزبه‌روز بیشتر نه‌تنها می‌پرسد چه گرد می‌آورید، بلکه می‌پرسد از آنچه استخراج می‌کنید چه می‌توان بازسازی کرد.

وزن‌ها به‌طور پیش‌فرض ناشناس فرض نمی‌شوند — نظر EDPB 28/2024 (هیئت اروپایی حفاظت داده)

Hylon صریحاً خود را با نظر EDPB 28/2024 (هیئت اروپایی حفاظت داده) دربارهٔ مدل‌های هوش مصنوعی و دادهٔ شخصی هم‌راستا می‌کند. آن نظر تثبیت می‌کند که وزن‌های آموزش‌دیدهٔ مدل به‌طور پیش‌فرض ناشناس فرض نمی‌شوند: اینکه آیا مدلی دادهٔ شخصی را در خود دارد مورد به مورد ارزیابی می‌شود، با در نظر گرفتن احتمال معقول استخراج یا نسبت دادن دادهٔ آموزشی. پس Hylon مصنوع‌های تجمیع‌شدهٔ مدل را بالقوه دربردارندهٔ دادهٔ شخصی می‌داند، مگر و تا وقتی ارزیابی دفاع‌پذیری از ناشناس‌سازی خلافش را بگوید — همان خوانش محافظه‌کارانه — و حریم خصوصی تفاضلی و تجمیع امن را مشخصاً برای نزدیک کردن مصنوع‌ها به آن آستانهٔ ناشناس‌سازی و مستند کردنش به کار می‌بندد، نه برای فرض کردنش. این همکاری مهندسی و مبنای قانونی است: ریاضیات (حریم خصوصی تفاضلی، یادگیری فدرال، تجمیع امن) همان چیزی است که آزمون توازن منافع مشروع را به سود صاحب داده درمی‌آورد.

10.3 احراز هویت مشتری، مبارزه با پول‌شویی و غربال تحریم

پرداخت توکن به مردم در ایران، روسیه و دیگر حوزه‌های تحریم‌شده یا پرخطر، تیزترین لبهٔ حقوقی کل شبکه است. درست انجام دادنش هم مذاکره‌ناپذیر است: یک پرداخت غربال‌نشده به کیف‌پولی تحریم‌شده مسئله‌ای با مسئولیت محض است. کنترل‌های Hylon لایه‌لایه‌اند تا شبکه بتواند با محصول به جمعیت‌های سانسورشده خدمت کند و در همان حال در پرداخت‌ها منطبق بماند.

1. غیرامانی به‌طور پیش‌فرض. کاربران کلیدهای خودشان را نگه می‌دارند. Hylon وجوه کاربران را در امانت نمی‌گیرد، که ردپای انتقال پول و امانت‌داری را به‌طور چشمگیر باریک می‌کند. ارزش کسب‌شده بیرون از دستگاه به‌صورت امتیاز یا اعتبار انباشته می‌شود و کاربر از راه جریانی جداگانه در کیف‌پول به ORB روی زنجیره بدلش می‌کند (بخش ۱۰.۴ را ببینید).
2. غربال کیف‌پول پیش از هر پرداخت. پیش از هر تبدیل یا تسویهٔ پاداش روی زنجیره، کیف‌پول مقصد در برابر فهرست‌های تحریم OFSI (بریتانیا) و OFAC (آمریکا) و در برابر هوش ریسک روی زنجیره (مواجهه با نشانی‌های آلوده یا میکسر) غربال می‌شود. تطابق، پرداخت را مسدود می‌کند؛ بی‌صدا پیش نمی‌رود.
3. مسدودسازی جغرافیایی حوزه‌های تحریم‌شده برای لایهٔ پرداخت و توکن. سطوح کسب و تبدیل توکن از حوزه‌های قضایی جامعاً تحریم‌شده حصار جغرافیایی می‌گیرند، حتی در حالی که محصول زیربنایی VPN به خدمت به کاربران آنجا ادامه می‌دهد. سرویس عبور از سانسور و سرویس پاداش توکنی عامدانه در مرز انطباق از هم جدا شده‌اند.
4. احراز هویت مشتری بر پایهٔ ریسک. راستی‌آزمایی هویت بر مبنای ریسک اعمال می‌شود و با ارزش انباشتهٔ پرداخت و نشانه‌های ریسک بالا می‌رود، همخوان با تعهدات مبارزه با پول‌شویی و الزامات پذیرش مشتری در CASP.

10.4 انطباق با فروشگاه‌های اپ

هوش مصنوعی شخصی Hylon درون اپ‌های همراهی عرضه می‌شود که از راه App Store اپل و Google Play توزیع می‌گردند. هر دو فروشگاه قواعد مشخص و فعالانه اعمال‌شده‌ای دربارهٔ رمزارز، محاسبات پس‌زمینه و کاربرد توکن درون اپ دارند. مهم‌ترین درس بخش DePIN این است که واژهٔ «استخراج» کشنده است — اپ‌هایی که کسب درآمد روی دستگاه را استخراج توصیف می‌کنند رد یا حذف می‌شوند. طراحی فروشگاهی Hylon از پیشینهٔ Acurast پیروی می‌کند که در هر دو فروشگاه تأیید شده است.

الگوی منطبق

• هرگز «استخراج». اپ هرگز این واژه را به کار نمی‌برد و هرگز مشارکت دستگاه را همچون استخراج رمزارز چارچوب‌بندی نمی‌کند. مشارکت همچون کار راستی‌آزموده‌ای ارائه می‌شود که امتیاز یا اعتبار بیرون از دستگاه می‌سازد.
• انباشت بیرون از دستگاه، تبدیل جداگانه. ارزش بیرون از دستگاه انباشته می‌شود؛ تبدیل به ORB روی زنجیره در وب یا در اپ کیف‌پول غیرامانی جداگانه انجام می‌گیرد، نه همچون خرید درون‌اپی یا تراکنش رمزارزی درون اپ. این دقیقاً ساختار Acurast است.
• رعایت محدودیت‌های اجرای پس‌زمینه. در iOS، کار روی دستگاه تنها در پیش‌زمینه و هنگام شارژ اجرا می‌شود و مدل اجرای پس‌زمینهٔ سکو را رعایت می‌کند. در اندروید 15، کار سقف ۶ ساعت در هر ۲۴ ساعت سرویس پیش‌زمینه و قواعد سخت‌گیرانه‌تر آن را رعایت می‌کند. مشارکت اندازه‌گیری و راستی‌آزمایی می‌شود و هرگز بابت آپ‌تایم بی‌کار پاداش نمی‌گیرد، که خودش هم آن را درون همین پاکت‌های سکویی نگه می‌دارد.
• بدون دروازه‌بندی توکنی قابلیت‌های اپ (رهنمود 3.1.1 اپل). کارکرد اصلی اپ هرگز پشت مالکیت توکن یا خرید روی زنجیره قفل نمی‌شود. داشتن یا خرج کردن ORB پیش‌شرط استفاده از قابلیت‌هایی نیست که قواعد فروشگاه می‌گویند باید از راه سازوکارهای استاندارد درون‌اپی در دسترس باشند.
• غیرامانی. اپ توکن‌ها را در امانت نمی‌گیرد؛ کلیدها نزد کاربر می‌مانند، همخوان با سیاست کیف‌پول رمزارزی هر دو فروشگاه.

10.5 مالکیت فکری و پروانه‌دهی مدل

پشتهٔ حاکمیتی Hylon از نیرومندترین مدل‌های پایهٔ وزن‌بازِ دارای پروانهٔ آسان‌گیر ساخته می‌شود و سپس با آموزش پیوسته و یادگیری تقویتی روی دادهٔ خود Hylon پیش می‌رود. دو انضباط مالکیت فکری بر این حاکم‌اند.

بهداشت پروانهٔ وزن‌های باز

وزن‌باز به معنای بی‌قیدوشرط نیست. هر مدل پایه پروانهٔ مشخصی دارد (Apache-2.0، MIT، پروانهٔ جامعهٔ Llama، شرایط Gemma، پروانهٔ Qwen و دیگران)، و این‌ها در آستانه‌های استفادهٔ تجاری، سیاست‌های استفادهٔ قابل قبول، تعهدات انتساب و بازتوزیع، و الزامات نام‌گذاری و نشانه‌گذاری پایین‌دستی به‌طور بنیادی متفاوت‌اند. Hylon دفتر پروانهٔ هر مدل را نگه می‌دارد که برای هر مدل در پشته ثبت می‌کند: پروانهٔ دقیق، واجد شرایط بودن برای استفادهٔ تجاری (از جمله هر آستانهٔ کاربر فعال ماهانه که پروانه‌دهی جداگانه‌ای را کلید می‌زند، چنان‌که در برخی پروانه‌های جامعهٔ فروشندگان بزرگ هست)، تعهدات انتساب و نشانه‌گذاری، و شرایط اثر مشتق و بازتوزیع. هیچ مدلی بدون مدخلی پاک‌شده در این دفتر وارد پشتهٔ تولید نمی‌شود.

تقطیر از مدل‌های بسته: ساخته‌شده، اما خاموش

زیرساخت آموزش Hylon توانمندی تقطیر از مدل‌های بسته و اختصاصی را دارد، اما این توانمندی تا وجود پروانه‌ای امضاشده برای همان مدل مبدأ خاموش نگه داشته می‌شود. این دقیقاً از آن رو بیان می‌شود که جایگزینش مواجههٔ حقوقی جدی است:

• شرایط خدمات عملاً هر ارائه‌دهندهٔ بزرگ مدل بسته، استفاده از خروجی‌هایشان برای آموزش مدلی رقیب را ممنوع می‌کند.
• اجرای این شرایط فعال است، نه نظری؛ ارائه‌دهندگان علناً دربارهٔ تقطیر مشکوک اقدام کرده‌اند.
• بنابراین Hylon تقطیر از مدل بسته را منبع دادهٔ فعال نمی‌داند، آن را در حال اجرا توصیف نمی‌کند، و هیچ فرایندی نمی‌سازد که نقض شرایط خدمات را برساند. این توانمندی در پایگاه کد همچون کلیدی وجود دارد که تنها با پروانهٔ تجاری امضاشده با ارائه‌دهنده روشن می‌شود، و در آن نقطه به مشارکت داده‌ای پروانه‌دار بدل می‌گردد، نه نقض.

10.6 ماتریس انطباق: حوزه × الزام

ماتریس زیر تعهدات الزام‌آور را بر پایهٔ حوزه، سازوکار مشخص Hylon که هر کدام را برآورده می‌کند، و پیشینه یا مرجعی که بر آن تکیه می‌شود یکجا می‌آورد. این مرجع تک‌صفحه‌ای موضع حقوقی شبکه است.

10.7 ریسک‌های باقی‌مانده و محدودیت‌های صادقانه

هیچ برنامهٔ انطباقی ریسک را از میان برنمی‌دارد؛ برنامهٔ باورپذیر آنچه را باقی می‌ماند نام می‌برد. ریسک‌های باقی‌ماندهٔ بااهمیتی که Hylon حمل می‌کند، صریح بیان‌شده:

• تکیه بر پیشینهٔ غیرالزام‌آور. موضع DoubleZero و تأییدهای Acurast مساعدند اما منتقل‌شدنی نیستند. تنظیم‌گر یا فروشگاهی می‌تواند دربارهٔ واقعیت‌های مشخص Hylon به نتیجه‌ای دیگر برسد. کاهش: مشاور حقوقی خودمان، تسهیل مخصوص خودمان هر جا در دسترس باشد، و ساختاردهی محافظه‌کارانه‌ای که به هیچ پیشینهٔ واحدی وابسته نیست.
• بازتوصیف به‌عنوان اوراق بهادار. اگر دادگاه یا تنظیم‌گری بعدها پاداش‌های ORB را با وجود ساختار پرداخت‌بابت‌کار، قرارداد سرمایه‌گذاری بداند، جبران‌ها می‌تواند شامل الزام به ثبت یا جریمه باشد. کاهش: جدایی سخت‌گیرانهٔ پاداش از جذب سرمایه، اقتصاد «ارزش پیش از انتشار»، و بازاریابی مبتنی بر کار.
• چالش حریم خصوصی به منافع مشروع. مرجع حفاظت داده‌ای می‌تواند با آزمون توازن مخالفت کند یا بگوید مصنوع‌های تجمیع‌شده همچنان دادهٔ شخصی را در خود دارند (نظر ۲۸/۲۰۲۴ هیئت اروپایی این را ممکن می‌داند). کاهش: ارزیابی اثر بر حفاظت داده، حریم خصوصی تفاضلی و یادگیری فدرال و تجمیع امن نیرومند، ارزیابی مستند ناشناس‌سازی، و توان سفت کردن بودجهٔ حریم خصوصی.
• مسئولیت محض تحریمی. غربال و حصار جغرافیایی ریسک پرداخت ممنوع سهوی را کم می‌کنند اما هرگز به‌طور کامل از میان نمی‌برند. کاهش: غربال پیش از پرداخت روی هر تراکنش، ریل‌های غیرامانی، مسدودسازی جغرافیایی لایهٔ توکن، و پذیرش محافظه‌کارانهٔ مشتری.
• تغییر سیاست سکو. اپل و گوگل می‌توانند قواعد رمزارز و اجرای پس‌زمینه را تغییر دهند و می‌دهند. کاهش: انباشت بیرون از دستگاه به‌علاوهٔ تبدیل جداگانه (بادوام‌ترین الگو)، کار اندازه‌گیری‌شده و راستی‌آزموده درون پاکت‌های سکو، و کارکرد توزیعی که انطباق را پیوسته می‌داند.
• پارگی میان بازارها. خدمت به بازارهای سانسورشده یعنی کار کردن جایی که خود قانون محلی ممکن است خصمانه باشد. پاسخ Hylon این است که محصول را گسترده ارائه دهد و در همان حال سطوح تحت مقررات توکن و داده را به حوزه‌هایی محدود کند که می‌توان قانوناً در آن‌ها گرداندشان، و بپذیرد که این عامدانه کسب درآمد را دقیقاً در بازارهایی محدود می‌کند که بیش از همه به محصول نیاز دارند.

11.1 انضباط دروازه: ادعا پس از شواهد می‌آید

نقشهٔ راه Hylon حول دروازه‌ها سامان یافته، نه تاریخ‌ها. دروازه بسته‌ای از تحویل‌های عرضه‌شده و شاخص‌های کلیدی عملکرد اندازه‌گیری‌شده است که همه باید برآورده شوند پیش از آنکه شبکه ادعای عمومی متناظر را بکند. این وارونه کردن عامدانهٔ هنجار DePIN است، که در آن شبکه‌ها مقصدی را اعلام می‌کنند («ابررایانهٔ غیرمتمرکز»، «اقتصاد هوش مصنوعی») و سپس سال‌ها — و انتشار توکن — خرج می‌کنند تا به قامت شعارشان برسند. هر صفت برترینی در این سپیدنامه به دروازه‌ای مشخص گره خورده، و شبکه متعهد است هر ادعا را تنها پس از آن بیان کند که دروازه‌اش مستقلاً راستی‌آزمایی‌پذیر باشد. تا وقتی مجموعهٔ ارزیابی دروازهٔ ۱ گذرانده و منتشر نشده، Hylon ادعای چیرگی بر گوه نمی‌کند؛ تا وقتی آستانهٔ توان محاسباتی و دستور کار دروازهٔ ۳ گذرانده نشده، Hylon ادعای برابری با مرز عمومی نمی‌کند. مأموریت — پیشی گرفتن نهایی از هر آزمایشگاه متمرکز — صریح همچون مقصد بیان می‌شود، اما روش توالی‌ای از دروازه‌هاست که هر کدام ابطال‌پذیرند.

11.2 چهار دروازه با جزئیات

نقشهٔ راه از چهار دروازه در حدود سه سال می‌گذرد، که چهارمی صریحاً مشروط است. هر دروازه با (الف) تحویل‌های مشخص، (ب) شاخص‌های عددی که ارتقا را دروازه‌بندی می‌کنند، و (پ) ادعای عمومی مشخصی که باز می‌کند تعریف می‌شود.

دروازهٔ 0 — پشتهٔ حاکمیتی زنده (حدود ۶ ماه)

دروازهٔ 0 کل سامانهٔ Hylon را همچون یک محصول روی کسب‌وکار زندهٔ OrbNet/OrbVPN عرضه می‌کند: یک هوش مصنوعی شخصی فشردهٔ روی دستگاه، بافت محاسباتی دولایه، ریل‌های توکن ORB (سهام‌گذاری، اندازه‌گیری کار راستی‌آزموده، ادعای کوپن امضاشده، رلهٔ بدون گس، غربال OFSI/OFAC)، و پوستهٔ حکمرانی DAO — همه روی نیرومندترین مدل پایهٔ وزن‌بازِ دارای پروانهٔ آسان‌گیر که در دسترس است، خودمیزبان، خصوصی و بی‌سانسور. چون OrbNet از پیش کاربران پولی در بازارهای محدودشده دارد، دروازهٔ 0 به‌جای فهرست انتظار، در دل پایگاه کاربری واقعی عرضه می‌شود.

دروازهٔ 1 — چیرگی بر گوه (۱۲ تا ۱۸ ماه)

دروازهٔ 1 چرخ‌طیار داده را می‌چرخاند. مدل Hylon که پیوسته آموزش می‌بیند و با یادگیری تقویتی روی وظایف واقعی (و حافظ حریم خصوصی) کاربران که از ناوگان هوش مصنوعی شخصی جاری‌اند بهتر می‌شود، باید در حوزه‌های گوه از هر مدل وزن‌بازی پیشی بگیرد — حوزه‌هایی که آزمایشگاه‌های متمرکز ساختاراً کم‌خدمت رهایشان می‌کنند: فارسی، عربی، روسی، ترکی؛ بازیابی در بازارهای سانسورشده؛ و وظایف کاملاً خصوصی مبتنی بر بافت شخصی — و باید در آزمون کور A/B در برابر مدل‌های بستهٔ مرزی روی وظایف بافت شخصی برنده شود، جایی که حافظهٔ روی دستگاه Hylon برتری قاطعی است که آزمایشگاه‌ها بدون آن داده نمی‌توانند بازتولیدش کنند.

دروازهٔ 2 — خودبهبوددهنده و خودمنتشرکننده (سال دوم)

دروازهٔ 2 خوشهٔ GPU لایهٔ ۱ متعلق به DAO را برپا می‌کند و حلقهٔ خودکار قهرمان-مدعی را می‌بندد. موتور خودبهبودی ادبیات را می‌کاود، دستور کار پیشنهاد می‌دهد، آزمون‌های حذفی ارزان و کوچک‌مقیاس اجرا می‌کند، و مدعی را تنها در صورتی به نسخهٔ نام‌دار تازه ارتقا می‌دهد که قهرمان زنده را با حاشیه‌ای تعریف‌شده در مجموعهٔ ثابت دروازه‌ها (محک‌های عمومی + ارزیابی‌های گوه + آزمون کور A/B بافت شخصی + تیم قرمز ایمنی) با معناداری آماری و بدون هیچ پس‌رفت ایمنی شکست دهد. عرضه از سایه به درصد و سپس کامل پیش می‌رود، با بازگشت خودکار، روی زنجیره ثبت می‌شود، و به DAO اطلاع داده می‌شود. شورای فنی ایمنی دروازهٔ نهایی انتشار و کلید توقف اضطراری را در دست دارد.

دروازهٔ 3 به بعد — برنامهٔ مرز عمومی (سال سوم به بعد، مشروط)

دروازهٔ 3 هجوم به مرز عمومی است، و صریحاً مشروط است: تنها وقتی آغاز می‌شود که هم توان محاسباتی تجمیعی تأمین‌شده از خزانه (شمار GPU برابر است با سرمایه) و هم سبدی از دستورهای اعتبارسنجی‌شده به دست موتور خودبهبودی، هر دو از آستانه‌ای تعریف‌شده بگذرند. Hylon هیچ تاریخی اعلام نمی‌کند و تا گذر از این دروازه هیچ ادعایی دربارهٔ برابری با مرز نمی‌کند. چارچوب‌بندی صادقانه این است که پیشی گرفتن از آزمایشگاه‌های متمرکز در توان محاسباتی، از جایی به بعد مسئله‌ای خزانه‌ای است — حافظهٔ هر گره و مجموع FLOPs قیدهای الزام‌آورند و هر دو تنها با سرمایه حل می‌شوند — پس دروازهٔ 3 به خزانه و کتابخانهٔ دستورها دروازه‌بندی شده، هرگز به تقویم.

11.3 ریسک‌ها و کاهش آن‌ها

سند مرجعی ماندگار باید دربارهٔ راه‌های شکست خود صادق باشد. جدول زیر ریسک‌های اصلی را در شش بُعد — فنی، بازار و تقاضا، مقرراتی، خصمانه و امنیتی، اجرایی، و اقتصاد توکن — همراه با کاهش مشخص هر کدام برمی‌شمارد. ماتریس ریسکی که در پی می‌آید احتمال را در برابر اثر ترسیم می‌کند تا خواننده ببیند مواجههٔ باقی‌مانده کجا متمرکز است.

یادداشت‌هایی دربارهٔ پرباقی‌مانده‌ترین ریسک‌ها

تقاضا برای محاسبات و دادهٔ راستی‌آزموده ریسکی است که بیشترین شمار DePIN را کشته، و خوانش صادقانهٔ Hylon از این بخش هشیارکننده است: در حدود ۷۲ میلیون دلار کل درآمد روی زنجیرهٔ DePIN در ۲۰۲۵ در برابر ارزش بازار تجمیعی حدود ۱۰ میلیارد دلار، و هنوز هیچ شبکهٔ غیرمتمرکزی از FLOPs گوشی مصرف‌کننده درآمد قابل توجهی نمی‌گیرد. کاهش ساختاری Hylon این است که برای بالا آمدن به بازارگاه محاسباتی سفته‌بازانه‌ای در آینده وابسته نیست؛ روی درآمد اشتراک موجود OrbNet و پایگاه کاربری موجود می‌نشیند، بازخرید و سوزاندن را به‌جای تورم از درآمد واقعی سرویس تأمین می‌کند، و کاهش پاداش را به نقاط عطف درآمدی (نه شمار سر) گره می‌زند، و بدین‌سان مستقیماً از حالت‌های شکست Helium (۹۰۰ هزار هات‌اسپات در برابر حدود ۶٫۵ هزار دلار تقاضای واقعی در ماه)، io.net (۳۲۷ هزار ثبت‌شده در برابر ۶٫۷ هزار GPU راستی‌آزموده) و Pi (منفی ۹۱٪ از راه انتشار مبتنی بر ترس جاماندن و شمار سر) دوری می‌کند.

ریسک مقرراتی واقعی و وابسته به حوزهٔ قضایی است. Hylon سپیدنامهٔ دارایی رمزنگاشتی منطبق با MiCA منتشر می‌کند و تنها در بسترهای دارای مجوز CASP پذیرش می‌گیرد؛ موضع عدم‌اقدام DoubleZero کمیسیون بورس و اوراق بهادار آمریکا را آینه می‌کند (پاداش‌های برنامه‌ای و مبتنی بر کاربرد به مشارکت‌کنندگان زیرساخت، جدا از هر جذب سرمایه) و در همان حال تسهیل وابسته به واقعیت‌های خودش را دنبال می‌کند؛ حریم خصوصی را در مبنای مستند منافع مشروع GDPR به‌علاوهٔ ارزیابی اثر بر حفاظت داده و یادگیری فدرال/حریم خصوصی تفاضلی/تجمیع امن زمین‌گیر می‌کند (با پذیرش نظر EDPB 28/2024 که وزن‌ها به‌طور پیش‌فرض ناشناس فرض نمی‌شوند)؛ و هرگز واژهٔ «استخراج» را به کار نمی‌برد، هرگز قابلیت‌های اپ را با توکن دروازه‌بندی نمی‌کند، و کیف‌پول‌ها را غیرامانی نگه می‌دارد با غربال OFSI/OFAC پیش از پرداخت و مسدودسازی جغرافیایی حوزه‌های تحریم‌شده، به پیروی از پیشینهٔ فروشگاهی Acurast.

ریسک حملهٔ حریم خصوصی — استنتاج عضویت و وارونه‌سازی مدل در برابر سیگنال آموخته‌شدهٔ مشترک — همچون مسئله‌ای مهندسی با باتری دفاعی نگهداری‌شده تلقی می‌شود، نه مسئله‌ای حل‌شده؛ ارزیابی اثر بر حفاظت داده سندی زنده است و مبنای منافع مشروع دفاع می‌شود، هرگز با این ادعای نادرست جایگزین نمی‌گردد که GDPR اعمال نمی‌شود یا معافیت خانگی شبکه را دربر می‌گیرد.

11.4 چشم‌انداز رقابتی

Hylon در تقاطع چند رده رقابت می‌کند، و صادقانه‌تر — و سودمندتر — است که دقیقاً بگوییم هر بازیگر مستقر کجا برنده است تا اینکه نادیده‌شان بگیریم. مقایسهٔ زیر میدان را ترسیم می‌کند. الگوی تکرارشونده: شبکه‌های GPU سازمانی و رندرینگ در عرضهٔ خام و بهره‌وری برنده‌اند؛ شبکه‌های داده در توزیع به آزمایشگاه‌ها؛ شبکه‌های گوشی و رایانهٔ بازی در شمار دستگاه؛ و جمع‌های آموزش غیرمتمرکز در خودِ روش آموزش. هیچ‌کدام محلی بودن داده، پایگاه کاربری زنده و درآمدزا در بازارهای سانسورشده، و پشتهٔ حاکمیتی خودبهبوددهنده را با هم ندارند، و همین گوهی است که Hylon اشغالش کرده.

بازیگران مستقر کجا برنده‌اند و Hylon چه تفاوتی دارد

• Bittensor در زیست‌بوم بالغ زیرشبکه‌های انگیزه‌مند و ارزش بازار بزرگ برنده است؛ بازارگاهی از استخراج‌کنندگان رقیب است، نه یک مدل حاکمیتی واحد که از پایگاه کاربری خصوصی می‌آموزد. تفاوت Hylon در تملک یک مدل پیوسته‌بهبوددهنده است که دادهٔ گردآوری‌ناپذیر تغذیه‌اش می‌کند.
• io.net، Akash، Aethir در تجمیع و بهره‌وری GPU سازمانی برنده‌اند — واقعی، سودمند و تا حد زیادی عمود بر کار Hylon؛ تاریخ خودِ io.net (۳۲۷ هزار ثبت‌شده در برابر ۶٫۷ هزار GPU راستی‌آزموده) دقیقاً دلیل آن است که Hylon هر مشارکت را به‌جای پاداش دادن به ثبت‌نام، اندازه می‌گیرد و راستی‌آزمایی می‌کند.
• Render در اقتصاد اثبات‌شدهٔ سوزاندن-و-ضرب با قیمت‌گذاری به پول رایج برای رندرینگ GPU برنده است — طراحی توکنی که Hylon صریحاً از آن وام می‌گیرد — اما شبکه‌ای هوش مصنوعی نیست.
• Grass (با ارزش حدود ۳۳۰ میلیون دلار) در فروش پهنای باند و دادهٔ وب به آزمایشگاه‌های هوش مصنوعی برنده است؛ کسب‌وکاری برای توزیع داده است، نه شبکه‌ای برای محاسبات یا مدل. دادهٔ Hylon از جنس دیگری است: سیگنال خصوصی، روی دستگاه، چندزبانه و برخاسته از بازارهای سانسورشده که برداشت‌پذیر نیست.
• Acurast (حدود ۲۵۵ هزار گوشی) پیشتاز توان محاسباتی گوشی هوشمند و همان پیشینهٔ انطباق با فروشگاه اپ است که Hylon دنبالش می‌کند، اما تقاضایش اثبات‌نشده است؛ Hylon با تقاضای پولی موجود OrbNet آغاز می‌کند.
• Salad به‌عنوان پیشتاز رایانه‌های بازی مصرف‌کننده برنده است (حدود ۶۰ هزار GPU روزانه، حدود ۱۰ میلیون دلار درآمد سالانهٔ تکرارشونده) و بدون هیچ توکنی — اثباتی بر اینکه توان محاسباتی راستی‌آزمودهٔ مصرف‌کننده می‌تواند درآمد واقعی بسازد، و الگویی برای انضباط تقاضا-نخست.
• Nous، Prime Intellect، Pluralis در پژوهش آموزش غیرمتمرکز برنده‌اند — همان روش‌هایی (Psyche، DisTrO/DeMo، INTELLECT-1/2/3، TOPLOC) که Hylon روی آن‌ها می‌سازد. نکته آنکه این اجراها همچنان مقید به GPU می‌مانند (Psyche در Nous با ۴۰ میلیارد پارامتر روی گره‌های حدود ۸×H100؛ Covenant-72B در Templar با حدود ۸×B200 برای هر همتا؛ INTELLECT-3 از خوشه‌ای متمرکز با ۵۱۲×H200 استفاده کرد)، که دقیقاً دلیل آن است که لایهٔ آموزش Hylon GPU است و دروازهٔ 3 مسئله‌ای خزانه‌ای.
• هوش مصنوعی روی دستگاه اپل و گوگل در یکپارچگی سخت‌افزاری و مقیاس برنده‌اند، اما نمی‌توانند مدلی بی‌سانسور و در حاکمیت کاربر را در بازارهای محدودشده ارائه دهند، و نه می‌توانند سیگنال خصوصی میان‌کاربری را در مدلی سراسری و رقیب گرد بیاورند — همان گشایش ساختاری که Hylon از آن بهره می‌گیرد.

11.5 پنج دارایی دفاعی و چرخ‌طیار

دفاع‌پذیری Hylon بر پنج دارایی استوار است که آزمایشگاهی متمرکز و ثروتمندتر می‌تواند تک‌تک به آن‌ها حمله کند اما نمی‌تواند با هم سرِ همشان بیاورد، و بر چرخ‌طیاری که به هم جفتشان می‌کند.

1. محصولی زنده و درآمدزا (OrbNet/OrbVPN). کاربران واقعی، اشتراک‌های واقعی، زیرساخت واقعی در بازارهای محدودشده — وجه تمایز اعتبار در برابر DePINهای توخالی، و منبع تأمین مالی «ارزش پیش از انتشار».
2. محلی بودن داده. یک میلیون هوش مصنوعی شخصی که سیگنال یادگیری تقویتی از وظایف واقعی در زبان‌ها و بازارهایی می‌سازند که هیچ آزمایشگاهی نمی‌تواند قانوناً یا فیزیکاً برداشتشان کند — خندق نخریدنی. آزمایشگاهی می‌تواند بیش از Hylon خرج کند؛ اما نمی‌تواند این مجموعه‌داده را سرِ هم بیاورد.
3. پشتهٔ حاکمیتی و خودبهبوددهنده. یک هوش مصنوعی خودبسنده (هستهٔ آمیزهٔ خبرگان، مسیریاب، بازیابی و حافظه، ابزارها، سرهای تخصصی، ارکستراسیون عامل) بدون هیچ وابستگی سخت بیرونی، که خود را از راه حلقهٔ محافظت‌شدهٔ قهرمان-مدعی بهتر می‌کند.
4. توان محاسباتی دولایهٔ راستی‌آزموده. بافت آموزش GPU لایهٔ ۱ که از راه اینترنت با آموزش کم‌ارتباط هماهنگ می‌شود، به‌علاوهٔ ناوگان لایهٔ ۲ با یک میلیون دستگاه برای استنتاج، شخصی‌سازی، امتیازدهی یادگیری تقویتی و برچسب‌گذاری، که هر مشارکت اندازه‌گیری و به‌صورت رمزنگاشتی یا اقتصادی راستی‌آزمایی می‌شود.
5. اقتصاد توکن هم‌راستا + حکمرانی تدریجی DAO. یک توکن ORB برای کار راستی‌آزموده، پرداخت سرویس و حکمرانی؛ بازخرید و سوزاندن از درآمد واقعی؛ و ساختار بنیاد/Labs/DAO که کنترل را بر پایهٔ نقاط عطف منتشرشده به‌تدریج منتقل می‌کند و در همان حال انتشار مدل و ایمنی را نزد شورای فنی ایمنی نگه می‌دارد.