في بداية عام 2026، أطلقت وادي السيليكون العديد من التطورات التي أثارت اهتمام المجتمع التكنولوجي العالمي. بدأ داخل شركة OpenAI التخلي تدريجيًا عن الاعتماد على مؤشر المستخدمين النشطين يوميًا (DAU) الذي استمر قرابة العشرين عامًا، وتحول إلى اعتماد مؤشر استهلاك التوكن اليومي (TPD) كمعيار رئيسي للأداء التشغيلي. هذا التحول ليس صدفة، ففي مؤتمر GTC 2026، أعاد الرئيس التنفيذي لشركة NVIDIA، هوان رونغ مين، تعريف مركز البيانات باعتباره “مصنع توكن”، مشيرًا إلى أن جوهر المنافسة المستقبلية هو “إجمالي التوكنات المعالجة لكل واط”. وهذه ليست ظاهرة معزولة، بل علامة على أن نموذج الاقتصاد الذكي الذي يعتمد على التوكن كمقياس وتبادل قد بدأ يتشكل بشكل كامل.
- قيمة وقياس التوكنات الذكية
1. التوكنات كمعيار للقيمة في العصر الذكي
من منظور علوم الحاسوب، التوكن هو الوحدة الأساسية لمعالجة المعلومات في نماذج الذكاء الاصطناعي. عند إدخال نص إلى النموذج، يُقسّم إلى كلمات أو أجزاء من الكلمات (subwords)؛ وصورة تُفكك إلى وحدات بكسل؛ ومقطع صوتي يُجزأ إلى شرائح زمنية. هذه الوحدات غير القابلة للتجزئة، يمكن تسميتها جميعًا توكنات.
في التطبيق العملي، تتبع قياسات التوكن قواعد محددة. على سبيل المثال، في النصوص الإنجليزية، قد يُحتسب كلمة قصيرة كتوكين واحد، بينما الكلمات الأطول تُقسّم إلى عدة توكنات؛ وقاعدة بسيطة تقول: توكن واحد يعادل تقريبًا أربعة أحرف إنجليزية. بالنسبة للنصوص الصينية، عادةً يُعادل كل حرف صيني من 1 إلى 2 توكنات. سواء في معالجة البيانات أثناء تدريب النموذج، أو في استدعاء خدمات النموذج وإخراج الوظائف، فإن كل عملية أساسية في الذكاء الاصطناعي تُقاس باستخدام التوكنات. حجم الاستهلاك من التوكنات يعكس مباشرة عبء العمل والقيمة الناتجة عن النموذج، وهو مطابق لنظرية قيمة العمل لماركس.
الميزة البارزة للتوكنات أنها توفر مقياسًا قابلًا للقياس والمقارنة لتطور الاقتصاد الذكي. مع تطور تقنيات الذكاء الاصطناعي من نمط النص إلى النمط متعدد الوسائط، ومن تطبيقات المحاكاة البرمجية إلى الفيديو والبحث العلمي، تبرز مكانة التوكن كمقياس موحد، حيث يُعدّ معيارًا استراتيجيًا. هذا التصنيف لم يأتِ من فراغ، بل هو نتيجة حتمية لتطور الصناعة: في عصر الصناعة، كانت “كيلوواط ساعة” تُستخدم لقياس استهلاك الكهرباء؛ وفي عصر الإنترنت، كانت “جيجابايت” تُستخدم لقياس تدفقات البيانات؛ وفي عصر الذكاء الاصطناعي، أصبح التوكن هو الوحدة لقياس الإنتاج الذكي. على المستوى الاقتصادي والتجاري، أصبح التوكن الوحدة الأساسية التي يمكن قياسها وتسعيرها وتداولها في العصر الذكي. وهو يربط بين الطاقة الأساسية، والحوسبة، والبيانات، والخدمات الذكية العليا، ويعد مقياسًا عامًا لإنتاجية الذكاء الاصطناعي، وحساب تكاليفه، وتسوية خدماته.
سلسلة قيمة التوكن تشمل خمسة مراحل: التصنيع المادي، والبنية التحتية، وتوفير القدرة الحاسوبية، وتشغيل المنصات، وتطوير التطبيقات. يتكون تكلفتها بشكل رئيسي من الكهرباء واهتلاك الأجهزة، حيث يشكلان حوالي 70-80% من التكاليف، مما يجعلها العنصر الحاسم في تنافسية التوكن الدولية. “إجمالي التوكنات المعالجة لكل واط” (Tokens per Watt) أصبح معيارًا رئيسيًا لمنافسة الشركات في مجال الذكاء الاصطناعي. بمعنى آخر، من خلال ميزانية طاقة ثابتة، من يستطيع إنتاج المزيد من التوكنات بكفاءة أعلى، يكون لديه أدنى تكلفة إنتاج وأقوى قدرة تنافسية في السوق.
2. العوامل المؤثرة على قياس التوكنات
مع تنوع الاستخدامات بشكل غير مسبوق، تطورت طرق قياس التوكنات من حساب بسيط إلى نظام متعدد الأبعاد، ديناميكي ومعقد.
(1) التمييز بين الإدخال والإخراج. لا تزال أبسط طرق القياس تعتمد على هيكل ثنائي: “توكن الإدخال” و"توكن الإخراج". توكن الإدخال يمثل كمية المعلومات التي يقدمها المستخدم للنموذج (مثل التعليمات، المستندات المرفوعة، سجل الحوار السابق)، بينما توكن الإخراج هو المحتوى الذي يولده النموذج كرد. في التسعير التجاري، نظرًا لأن عملية التوليد تتطلب استهلاك ذاكرة وفير، وعرض النطاق الترددي للذاكرة، ووقت حساب، فإن تكلفة توكن الإخراج عادةً تكون 3 إلى 5 أضعاف تكلفة توكن الإدخال. هذا الفرق في السعر يعكس الفرق الجوهري بين “العمل الإبداعي” و"قراءة المعلومات" من حيث استهلاك القدرة الحاسوبية.
(2) قياس السياق وتكاليف الذاكرة. خلال 2024-2025، شهدت نوافذ السياق (Context Windows) لنماذج الذكاء الاصطناعي تطورًا هائلًا من 8 آلاف إلى 32 ألف، ثم إلى 128 ألف، وأخيرًا إلى مليون توكن (مليون وحدة). بحلول 2026، أصبح التعامل مع سياقات طويلة أمرًا معتادًا. لكن، ليست السياقات الطويلة مجانية. فآلية الانتباه (Attention Mechanism) في بنية Transformer تجعل حسابات معالجة تسلسلات طويلة تتزايد بشكل تربيعي أو خطي، مما يفرض تكلفة إضافية. لذلك، أدخلت أنظمة القياس الحديثة “معامل وزن السياق”. على سبيل المثال، عندما يطرح المستخدم سؤالًا في جلسة تحتوي على مليون توكن، حتى لو كانت الإجابة قصيرة (عشرة توكنات)، فإن النظام يحتاج إلى مسح أو استرجاع سجل كبير من المعلومات، وتُحسب هذه الاستهلاكات غير الظاهرة ضمن “تكلفة التوكنات النشطة في السياق”. هذا يعزز دقة القياس ويعكس بشكل أفضل تكلفة الحفاظ على ذاكرة طويلة الأمد للنموذج.
(3) توكنات البيانات متعددة الوسائط. مع نضوج نماذج الوسائط المتعددة (LMM)، أصبحت الصور، والفيديو، والصوت جزءًا من نظام قياس التوكنات. صورة عالية الدقة لا تُعتبر ملفًا واحدًا، بل تُقسّم إلى مئات من الرقع البصرية (Visual Patches)، حيث يُرمز لكل رقعة إلى توكن بصري واحد أو أكثر. وفيديو مدته دقيقة واحدة قد يُحوّل إلى عشرات الآلاف من التوكنات البصرية الزمنية. هذا النظام الموحد يزيل الحواجز بين الوسائط، ويتيح حساب التكاليف لمهام مثل الوصف بالصورة، وفهم الفيديو، والتفاعل الصوتي، ضمن إطار اقتصادي موحد. على سبيل المثال، إنتاج فيديو عالي الجودة لمدة 10 ثوانٍ قد يستهلك عدد توكنات يعادل كتابة مقال من ألف كلمة، مما يوضح الفارق في كثافة المعلومات بين الوسائط المختلفة.
(4) التوكنات غير الظاهرة. مع انتشار الوكيل الذكي (AI Agent)، لم تعد النماذج تقتصر على إجابة واحدة، بل تتضمن تخطيطًا ذاتيًا، وتنفيذًا للرموز، وتأملًا ذاتيًا، وبحثًا متعدد المراحل. هذه العمليات تنتج عددًا كبيرًا من التوكنات الوسيطة، التي لا تظهر للمستخدم مباشرة، لكنها أساس المخرجات عالية الجودة. بدأ نظام القياس الجديد يميز بين “توكنات المخرجات الظاهرة” و"توكنات الاستدلال الداخلي". على سبيل المثال، في الحسابات العلمية المعقدة أو الاستنتاجات المنطقية، قد يكون عدد توكنات الاستدلال الداخلي عشرات أضعاف المخرجات النهائية. بعض المنصات المتقدمة بدأت في تجربة تسعير التوكنات بناءً على عدد خطوات الاستدلال أو عمق سلسلة التفكير، مما يمثل تحولًا جذريًا من قياس العدد إلى قياس الذكاء.
- اتجاهات تطور التوكنات الذكية
خلال السنوات الأخيرة، برزت ثلاثة اتجاهات رئيسية في تطور التوكنات الذكية: انفجار كمي، ضغط قياسي، وتدرج في القيمة.
الاتجاه الأول: نمو هائل في الاستهلاك. وفقًا للإحصاءات، كان متوسط استهلاك التوكنات يوميًا عالميًا حوالي 100 مليار في 2024، لكنه قفز إلى 180 تريليون في الربع الأول من 2026، بزيادة تقارب 1800 مرة. هذا النمو ليس تراكميًا خطيًا، بل ناتج عن تحول نوعي في نمط الاستخدام. في البداية، كان الاستهلاك يتركز على حوارات الإنسان والآلة (Chatbot)، وهو تفاعل منخفض التكرار وسطحي. لكن بحلول 2026، أصبح التطبيق الرئيسي هو الوكيل الذكي المستقل (Autonomous Agents)، الذي يقوم بتفكيك الأهداف، واستدعاء الأدوات، وكتابة وتصحيح الأكواد، والتحقق من النتائج، مما قد يستهلك عشرات الآلاف أو مئات الآلاف من التوكنات في دورة واحدة. مع تطبيقات الذكاء الاصطناعي المجسد (Embodied AI)، حيث تتحول استشعارات واتخاذ قرارات الروبوتات إلى تدفقات توكنات حية، من المتوقع أن يصل الاستهلاك اليومي العالمي إلى مستوى كوينتليون (10^16) بحلول 2030.
الاتجاه الثاني: انخفاض تكلفة الوحدة وفقًا لقانون مور. بفضل تطور الهياكل الصلبة (مثل معمارية Blackwell وRubin من NVIDIA)، وتحسين الخوارزميات (مثل نموذج الخبراء المختلط MoE، وتقنيات التكميم، وتقنيات السحب المراوغ)، وزيادة كفاءة جدولة الحوسبة، انخفضت تكلفة إنتاج توكن عالي الجودة بحوالي مئتي ضعف مقارنةً بـ2023. هذا “مفارقة جيفنز” في مجال الذكاء الاصطناعي، حيث أن زيادة الكفاءة لا تقلل من الاستهلاك الكلي، بل تثير طلبًا غير مسبوق. مع إدخال تقنيات مثل الحوسبة الضوئية، ورقائق الأعصاب الاصطناعية، من المتوقع أن تنخفض استهلاك الطاقة لكل توكن بشكل أكبر، مما يجعل “الذكاء اللامحدود” ممكنًا نظريًا.
الاتجاه الثالث: تدرج في القيمة وتخصص. من المتوقع أن يظهر سوق التوكنات تدرجًا واضحًا في القيمة. التوكنات القياسية التي تنتجها النماذج العامة ستكون رخيصة ومتجانسة، تُستخدم في الأسئلة اليومية، والترجمة الأساسية، والتصنيف البسيط؛ بينما التوكنات المتخصصة، التي يتم تحسينها خصيصًا لمجالات محددة، وتدعم استنتاجات عميقة، وتستند إلى بيانات حصرية، ستكون غالية ونادرة. على سبيل المثال، التوكنات الناتجة عن نماذج طبية عالية المستوى لتشخيص الأمراض ستكون ذات قيمة أعلى بكثير من توكنات الدردشة العادية. هذا التدرج سيؤدي إلى ظهور أسواق عقود آجلة للتوكنات وأنظمة اعتماد للجودة، حيث سيدفع المستخدمون علاوات مقابل التوكنات ذات الجودة المحددة (QoS).
- مقارنة بين صناعة التوكنات الذكية في الصين والولايات المتحدة
1. حجم الإنتاج والاستهلاك، الصين تتفوق في الإجمالي
تتمتع الولايات المتحدة بميزة أساسية في مجال الذكاء الاصطناعي تتعلق بتصميم الرقائق وقدرات النماذج. فشركة NVIDIA، التي تهيمن على سوق وحدات معالجة الرسوميات (GPU) عالميًا، ارتفعت قيمتها السوقية من حوالي 300 مليار دولار في نهاية 2022 إلى أكثر من 4 تريليونات دولار الآن، بزيادة 14 ضعفًا. وراء هذا النمو، تكمن ريادة أمريكا المستمرة في تصميم الرقائق المتقدمة. في الوقت نفسه، لا تزال نماذج مغلقة المصدر مثل Claude وGPT تعتبر من أقوى النماذج الحالية، وتحتفظ بأسعار عالية تتجاوز 5 دولارات لكل مليون توكن. هذا السعر يعكس تفوق التقنية الأمريكي، ويمثل أيضًا قوة التسعير في السوق الرفيع.
لكن، تتعرض الهيمنة الأمريكية لتحديات هيكلية. من جهة، بدأت قيود شبكة الكهرباء تحد من توسع القدرة الحاسوبية، مع ارتفاع تكاليف الطاقة؛ ومن جهة أخرى، تؤدي الاستراتيجية المعتمدة على نماذج كثيفة إلى ضعف كفاءة استغلال القدرة، مما يصعب خفض تكلفة الإنتاج لكل توكن بسرعة.
على النقيض، تتمتع الصين بميزة تنافسية في خفض التكاليف وبيئة المصادر المفتوحة. فنماذج مثل DeepSeek، التي تصل أسعارها إلى 0.028 دولار لكل مليون توكن، أي أقل بمقدار 180 مرة عن GPT، تجذب المطورين العالميين “بالتصويت بأقدامهم”. خلال أسبوع من 16 إلى 22 فبراير 2026، بلغ استهلاك التوكنات على منصة OpenRouter من قبل النماذج الصينية 5.16 تريليون، بزيادة 127% عن قبل ثلاثة أسابيع، بينما النماذج الأمريكية كانت 2.7 تريليون وتواصل التراجع. من بين أفضل خمسة نماذج عالمياً، تحتل الصين أربعة مراكز، بنسبة تصل إلى 85.7%. في فبراير 2026، تجاوزت الصين لأول مرة استهلاك التوكنات للنماذج الأمريكية، وظلت في الصدارة، مع نماذج مثل MiniMax وDeepSeek وKimi التي تتصدر التصنيفات، وبلغت حصة التوكنات الصينية من الاستهلاك العالمي أكثر من 60%.
ويُؤكد أن التفوق الصيني في استهلاك التوكنات حدث بشكل رئيسي في جانب الاستدلال (الاستنتاج) وليس التدريب. فجانب الاستدلال يتطلب أداءً منخفضًا لكل بطاقة، ويمكن للرقائق المحلية مع تحسينات عميقة أن تدعم الطلب الهائل على الاستدلال. أما التدريب، فيظل يعتمد على عدد قليل من الرقائق عالية الأداء، ويحتاج إلى بنية موزعة وتقنيات MoE لتحقيق نماذج جيدة. هذا الهيكل يتيح للصين ميزة واضحة في تطبيقات الذكاء الاصطناعي وتحقيق القيمة، لكن لا تزال هناك مساحة للمنافسة في دعم الابتكار الأساسي للنماذج.
- الصين تتمتع بميزة في التكاليف المتعلقة بالطاقة والهندسة
تعود ميزة الصين التنافسية إلى عدة عوامل متكاملة. تكاليف الكهرباء تُعدّ العنصر الأساسي في تكلفة إنتاج التوكن، وغالبًا تمثل أكثر من 30% من إجمالي القدرة الحاسوبية. نظرًا لأن التدريب والاستدلال في الذكاء الاصطناعي يستهلكان طاقة هائلة، فإن استقرار شبكة الكهرباء وتكاليف الطاقة (خصوصًا الكهرباء الخضراء) يحددان بشكل رئيسي قدرة الصين على المنافسة في إنتاج التوكن. على سبيل المثال، مشروع “东数西算” (نقل البيانات شرقًا وغربًا) وشبكة الكهرباء الموحدة في الصين تتيح أن تكون أسعار الكهرباء الخضراء في الغرب منخفضة تصل إلى 0.2 يوان لكل كيلوواط ساعة، أي حوالي 0.028 دولار، مقارنةً بأسعار الكهرباء في أوروبا وأمريكا التي تتراوح بين 0.08 و0.12 دولار لكل كيلوواط ساعة.
أما تكاليف الرقائق، فهي تشمل شراء الأجهزة، واهتلاكها، وتكاليف الصيانة. بفضل ريادة NVIDIA، تتمتع أمريكا بميزة في توافر الرقائق عالية الأداء، لكن ذلك يأتي مع تكاليف شراء أعلى. في المقابل، تعتمد الصين على عدد قليل من الرقائق عالية الأداء أثناء التدريب، وتستخدم بشكل مكثف الرقائق المحلية أثناء الاستدلال، مع تحسينات مستمرة لخفض تكلفة الوحدة من القدرة الحاسوبية. على مستوى التكامل الكامل، تدمج الشركات الصينية بين النماذج، والخدمات السحابية، وتصميم الرقائق، لتحقيق أقصى استفادة من القدرة الحاسوبية، بينما تعتمد الشركات الأمريكية بشكل أكبر على خدمات السحابة والرقائق من طرف ثالث، مما يزيد من تكاليف التكيف.
أما كفاءة الهندسة، فهي العامل الحاسم في اختلاف تكلفة التوكنات. تستخدم الشركات الصينية بشكل واسع بنية MoE (المتخصصون المختلطون)، التي تقسم النموذج الكبير إلى خبراء متعددين، ويُفعل فقط عدد قليل منهم حسب الحاجة. فباستثمار 1000 دولار في القدرة الحاسوبية، يمكن أن يختلف عدد التوكنات الناتجة بأكثر من عشرة أضعاف حسب التقنية. مقارنةً بالنماذج الكثيفة، تتيح بنية MoE إنتاج توكنات أكثر بكثير لكل وحدة حساب. كما أن التعاون الكامل بين النموذج، والخدمات السحابية، وتصميم الرقائق يعزز من كفاءة الاستخدام بشكل كبير، حيث تتجاوز معدلات الاستغلال التوقعات.
لقد تحولت المنافسة العالمية في الذكاء الاصطناعي من مجرد “منافسة أداء النماذج” إلى منافسة شاملة تعتمد على “كفاءة إنتاج التوكن” و"تكلفة الوحدة". بفضل إمدادات الطاقة الرخيصة والمستقرة، والسوق الموحدة الواسعة، والكفاءة الهندسية، أنشأت الصين ميزة هائلة في إنتاج التوكنات بكميات كبيرة وبتكاليف منخفضة، مما يجعلها “منطقة منخفضة التكاليف” و"مصنعًا ضخمًا" للحوسبة الذكية على مستوى العالم. أما الولايات المتحدة، فتعتمد على الابتكار التكنولوجي، والنظام البيئي المتقدم، ورأس المال المالي، لتحتل المراحل العليا من سلسلة القيمة. جوهر هذا التنافس هو معركة شاملة على أسعار الطاقة، والقدرة على التنظيم الصناعي، والتأثير في النظام البيئي الرقمي. في المستقبل القريب، قد نرى أن الصين، بجانب المنتجات الصناعية التقليدية والإلكترونيات، ستستثمر مزيدًا من مواردها في تحويل ميزة الطاقة والكهرباء المحلية إلى ميزة تجارية دولية، وتصدر منتجًا جديدًا ذو تنافسية عالية: التوكنات الذكية. في هذا المجال سريع النمو، تحقق الصين فائضًا تجاريًا مع جميع الدول باستثناء الولايات المتحدة، مما يعيد تشكيل المشهد الاقتصادي والاستراتيجي العالمي.
- هل ستصبح التوكنات الذكية عملة عالمية جديدة؟
1. شروط التمكين المالي والفجوة الواقعية
لفهم إمكانية أن تصبح التوكنات الذكية عملة عالمية، يجب أولاً تحديد الخصائص الأساسية للعملة. وفقًا للاقتصاد، لكي تصبح الأصول عملة، يجب أن تؤدي ثلاث وظائف رئيسية: وحدة قياس القيمة، وسيط التبادل، ووسيلة حفظ القيمة. بالإضافة إلى ذلك، يجب أن تكون مقبولة على نطاق واسع، مستقرة في القيمة، وتحظى بضمان سيادي. عند مقارنة هذه المعايير، من غير المرجح أن تتطور التوكنات الذكية في المستقبل القريب إلى عملة ذات معنى حقيقي.
أكبر عائق أمام التوكنات كعملة هو عدم استقرار قيمتها. خلال العامين الماضيين، انخفض سعر الوحدة من التوكنات بأكثر من 99%. هذا التقلب الشديد يجعل التجار غير مستعدين لقبول عملة قد تنخفض قيمتها إلى النصف خلال أسبوع. حتى لو استقرت الأسعار مستقبلًا، فإن قيمة التوكنات ستظل مرتبطة بشكل كبير بتكاليف الحوسبة، التي تتأثر بتطور تكنولوجيا الرقائق، وأسعار الطاقة، والصراعات الجيوسياسية، مما يصعب الحفاظ على استقرار طويل الأمد.
علاوة على ذلك، ضعف القبول هو عائق آخر. التوكنات حاليًا مقبولة فقط عند استدعاء واجهات برمجة التطبيقات (API) أو استخدام تطبيقات الذكاء الاصطناعي، ولا يمكن استخدامها لشراء السلع والخدمات اليومية. العملة، بطبيعتها، هي وسيلة مقايضة عامة لجميع السلع، لكن شبكة التوكنات الحالية محدودة بمجال خدمات الذكاء الاصطناعي. لتحقيق قبول واسع، يتطلب الأمر بناء شبكة عالمية من التبادلات التجارية للسلع والخدمات، وهو استثمار ضخم وطويل الأمد.
مقارنةً بأن تصبح عملة، من المرجح أن تتطور التوكنات إلى أصل سلعي جديد، يشبه النفط أو الذهب أو النحاس. يستند هذا الحكم إلى ملاحظات عدة:
أولًا، التوكنات تمتلك خصائص الأصول السلعية الأساسية. فهي موحدة، قابلة للتداول، وذات طلب واسع، وتطابق تمامًا خصائص الأصول السلعية. قال هوان رونغ مين بوضوح: “مستقبل مراكز البيانات هو أن تتحول إلى مصانع تعمل على مدار الساعة، تنتج ليس منتجات تقليدية، بل السلعة الأهم والأغلى في العالم الرقمي المستقبلي: التوكنات”. كما هو الحال في العصر الصناعي الذي كان يعتمد على النفط كوقود، فإن العصر الذكي يحتاج إلى التوكنات كـ"وقود ذكي".
ثانيًا، آلية تحديد الأسعار للتوكنات تتجه نحو نمط السلع السلعية. حاليًا، تسعير نماذج الذكاء الاصطناعي عبر واجهات برمجة التطبيقات يتسم بالسوقية: عندما يكون العرض محدودًا، ترتفع الأسعار؛ وعندما يتراجع الطلب، تنخفض الأسعار. هذه الآلية تشبه بشكل كبير سوق السلع التقليدية. مع توسع حجم تداول التوكنات وتوحيد معاييرها، قد تظهر سوق مشتقات مثل العقود الآجلة والخيارات، توفر أدوات لإيجاد السعر وإدارة المخاطر للمشاركين في السوق. في ظل ذلك، ستصبح تقلبات أسعار التوكنات أكثر حدة، لكنها ستكتسب خصائص مالية أكثر.
ثالثًا، الهيكل العرضي والطلبي للتوكنات يشبه بشكل كبير سوق السلع. العرض محدود بسبب قدرات الرقائق، وتوافر الطاقة، ويحتاج إلى فترات توسع طويلة، مع مرونة منخفضة في التكيف؛ بينما الطلب يتزايد بسرعة مع انتشار تطبيقات الذكاء الاصطناعي، ويظهر نمطًا دوريًا واضحًا. هذا الهيكل يحدد أن أسعار التوكنات ستشهد تقلبات دورية، وليس انخفاضًا غير محدود. في الواقع، أظهرت موجة ارتفاع الأسعار في بداية 2026 أن السوق لا يسير بشكل خطي، بل يتأثر بشكل كبير بتوازن العرض والطلب.
رابعًا، التوكنات قد تصبح مخزونًا استراتيجيًا للدول. مع انتشار قدرات الذكاء الاصطناعي في مجالات الدفاع، والمالية، والطاقة، يرتفع مستوى أمن القدرة الحاسوبية إلى مستوى الأمن الوطني. قد تبدأ بعض الدول في احتياطي استراتيجي للقدرات الحاسوبية، والتوكنات، كمقياس لاحتياطاتها من القدرة. هذا الاتجاه قد يؤدي إلى ظهور “نظام احتياطي قائم على القدرة الحاسوبية” (Compute Standard)، حيث يُربط قيمة العملة الوطنية بوحدة التوكنات، ويُستخدم التوكن كمقياس لاحتياطي القدرة الحاسوبية.
2. العملات المستقرة (Stablecoins) كحلول جديدة
في ظل صعوبة أن تصبح التوكنات الذكية عملة، تتجه الأنظار إلى العملات المستقرة (Stablecoins) التي تتطور لتكون عملة مبتكرة في اقتصاد الوكيل الذكي (AI Agent). عندما يحتاج الوكيل الذكي إلى اتخاذ قرارات مستقلة، وإجراء معاملات ذاتية، تظهر مشكلات في النظام المالي التقليدي: البنوك لا تفتح حسابات للذكاء الاصطناعي، والبطاقات الائتمانية لا تصمم للآلات، ونظام الائتمان مصمم للبشر. بالنسبة للذكاء الاصطناعي، المال ليس ثروة، بل هو واجهة؛ وليس وسيلة حفظ للقيمة، بل هو مسار لتنفيذ المنطق. في هذا السياق، تظهر العملات المستقرة على blockchain كخيار فريد، حيث تتيح معاملات غير مرخصة على مستوى العالم، وتسوية فورية، وتكاليف منخفضة، وتتكامل بشكل مثالي مع اقتصاد الوكيل الذكي.
تشير البيانات إلى أن استخدام العملات المستقرة في اقتصاد الوكيل الذكي يتسارع. حتى مارس 2026، تجاوز عدد المعاملات في نظام x402 163 مليون عملية، وبلغ حجم التداول الإجمالي أكثر من 45 مليون دولار، وبلغ عدد الوكلاء المشتريين 435 ألفًا، والبائعين 90 ألفًا. تهيمن عملة USDC على منصة x402، حيث تمثل 98.6% من حجم التداول على شبكات EVM، و99.7% على شبكة Solana.
- المسارات الثلاثة المحتملة للتطور المستقبلي
بناءً على التحليل السابق، يمكن أن تتخذ التوكنات الذكية ثلاثة مسارات مستقبلية:
المسار الأول: الحفاظ على وظيفة وحدة القياس، وعدم التحول إلى أصل مستقل. في هذا السيناريو، تظل التوكنات وحدة تسعير لخدمات الذكاء الاصطناعي، ولا تكتسب صفة أصل مستقل. المستخدمون يشترون قدرات الذكاء الاصطناعي، وليس التوكنات ذاتها؛ والتوكنات مجرد وسيلة للفوترة، وليست هدفًا للاستثمار. هذا هو التوقع الأكثر تحفظًا، وهو الوضع الحالي.
المسار الثاني: التحول إلى أصل سلعي، وتشكيل سوق للعقود الآجلة للقدرة الحاسوبية. مع توسع حجم تداول التوكنات وتحسن معاييرها، قد تصبح التوكنات مثل النفط أو النحاس، أصولًا قابلة للتداول. ستطلق البورصات عقودًا آجلة وخيارات، وتوفر أدوات لاكتشاف السعر وإدارة المخاطر. في هذا المسار، ستشهد أسعار التوكنات تقلبات أكثر حدة، لكنها ستكتسب خصائص مالية أكثر.
المسار الثالث: أن تكون معيارًا لقياس القدرة الحاسوبية، وتدعم نظام عملة جديد. هذا هو المسار الأكثر ثورية: حيث تصبح القدرة الحاسوبية هي المرجع لقيمة العملة، تمامًا كما كان الذهب في نظام الذهب. في هذا النظام، تصدر الدول عملاتها الرقمية (CBDC) مع ربطها بقيمة القدرة الحاسوبية، بحيث يُعادل وحدة العملة كمية موحدة من التوكنات. هذا المسار يواجه تحديات تقنية ونظامية هائلة، لكنه إذا تحقق، فسيعيد تشكيل النظام النقدي العالمي بشكل كامل.
- استراتيجيات التعامل مع عصر التوكنات الذكية
1. تعزيز السيادة على القدرة الحاسوبية والبنى التحتية الاستراتيجية على المستوى الوطني
في مواجهة صعود اقتصاد التوكنات، يتعين على الدول أن تدمج موارد القدرة الحاسوبية ضمن خطط البنى التحتية الاستراتيجية، وأن تتطلع إلى إدارة اقتصاد التوكنات بشكل استباقي. يمكن البدء من خلال:
بناء منظومة للبنى التحتية للقدرة الحاسوبية. مستفيدين من نجاح مشروع “东数西算”، يتطلب الأمر تخطيطًا شاملًا لشبكة القدرة الحاسوبية الوطنية، وتوجيه الموارد بكفاءة. يشمل ذلك: إنشاء مراكز حوسبة ذكية ضخمة في المناطق ذات الوفرة الطاقية الغربية، للاستفادة من الكهرباء الخضراء وخفض التكاليف؛ بناء عقد حوسبة طرفية في المناطق ذات الطلب العالي في الشرق، لضمان استجابة منخفضة الكمون؛ وتطوير منصة موحدة لإدارة وتوزيع القدرة الحاسوبية بشكل مرن حسب الحاجة.
توحيد معايير قياس التوكنات. حاليًا، تختلف طرق قياس التوكنات بين المنصات، مما يعيق اختيار المطورين، ويزيد من تكاليف الشركات، ويحد من توسع اقتصاد التوكنات. يمكن للدولة أن تقود من خلال جمعيات الصناعة والشركات الرائدة لوضع معايير موحدة لقياس التوكنات، وتحديد قواعد تحويل التوكنات بين الوسائط (نصوص، صور، صوت)، وإنشاء آليات شفافة وعادلة لحساب التكاليف. هذا يعزز الكفاءة السوقية، ويزيد من نفوذ الصين في سوق التوكنات العالمي.
تعزيز إطار إدارة اقتصاد التوكنات. مع النمو السريع، تظهر تحديات تنظيمية جديدة: كيف نحدد الطبيعة القانونية للتوكنات (وحدة قياس الخدمة، أصول رقمية، أوراق مالية)؟ كيف نراقب التداول عبر الحدود؟ كيف نمنع تقلبات الأسعار من التسبب في مخاطر مالية؟ وكيف نوازن بين حماية حقوق المستخدمين وتشجيع الابتكار؟ يتطلب ذلك تعاونًا وثيقًا بين صانعي السياسات، والخبراء التقنيين، والصناعة، والأوساط الأكاديمية، لبناء نظام حوكمة يتوافق مع خصائص الاقتصاد الذكي.
المشاركة في وضع القواعد الدولية. يجب أن تساهم الصين بنشاط في صياغة القواعد الدولية لاقتصاد التوكنات، من خلال: دفع معايير دولية لقياس التوكنات ضمن الأطر متعددة الأطراف؛ إدراج التعاون في مجال القدرة الحاسوبية ضمن الاتفاقيات التجارية الثنائية؛ وتقديم مقترحات لضريبة على تداول التوكنات تتوافق مع مصالح الدول النامية، ضمن مفاوضات الضرائب الرقمية. السيطرة على صياغة القواعد تضمن أن تكون في موقع المبادرة في مستقبل النظام الاقتصادي العالمي للتوكنات.
2. إعادة هيكلة استراتيجيات الكفاءة والنماذج التجارية للشركات
بالنسبة للشركات، لم تعد استراتيجية التوكنات مجرد تقنية، بل أصبحت تصميمًا استراتيجيًا يؤثر على القدرة التنافسية والقيمة التجارية. لمواجهة موجة اقتصاد التوكنات، يجب أن تعيد الشركات النظر في:
تبني مفهوم كفاءة التوكنات. عند اختيار تقنيات الذكاء الاصطناعي، يجب أن يُنظر إلى كفاءة التوكنات كمعيار رئيسي، مع التركيز على توافق استهلاك القدرة الحاسوبية مع التوكنات. من خلال تصميم التعليمات، واستراتيجيات استدعاء النموذج، وتحسين النتائج، يمكن تقليل التوكنات غير الفعالة، وزيادة كفاءة استغلال القدرة الحاسوبية. على سبيل المثال، يمكن لتصميم التعليمات الدقيق أن يقلل من التوكنات غير الضرورية، واستراتيجيات استدعاء النموذج المدروسة ترفع من كفاءة الاستخدام. كل هذه التفاصيل تؤثر بشكل مباشر على تكلفة استثمار الشركة في الذكاء الاصطناعي. من خلال استلهام مفهوم “الإنتاج الفعال” (good-put) في مجال الاتصالات، يجب أن تركز الشركات على “كم من التوكنات ساهمت فعليًا في تحقيق هدف المستخدم”، بدلاً من مجرد قياس حجم التوكنات المستهلكة. التحول في التفكير هو من “كم من القدرة الحاسوبية استهلكت” إلى “كم من القيمة أُنتجت”.
إعادة هيكلة نماذج التسعير والأعمال. يشهد قطاع النماذج الكبيرة تحولًا من “دعم التدفق” إلى “انتقاء القيمة”. في البداية، كانت الأسعار منخفضة لجذب المستخدمين التجريبيين، مما أدى إلى استهلاك غير فعال للقدرة الحاسوبية — حيث يُقدر أن 40% من الاستخدام المجاني يأتي من تجارب غير ذات جدوى. من خلال رفع الأسعار بشكل معتدل، يمكن للشركات تصفية الطلب غير الضروري، وضمان استقرار الخدمة للعملاء المميزين. هذا النهج “رفع السعر مقابل زيادة الحجم” يمثل تحولًا من النمو عبر التوسع إلى تقييم القيمة، وهو نمط يقترب من صناعة البرمجيات أكثر منه من الإنترنت.
تطوير معايير المواهب وآليات التحفيز. اقترح هوان رونغ مين في مؤتمر GTC 2026 أن يتم منح مهندسي البرمجيات ميزانية توكنات تعادل نصف رواتبهم السنوية، كحافز لجذب المواهب. وأكد: “إذا وظفت مهندس برمجيات براتب 500,000 دولار، ولم يستهلك على الأقل 250,000 دولار من التوكنات، فسوف أشعر بالقلق”.
3. على مستوى الأفراد: بناء مهارات التوكن والتعاون مع الذكاء الاصطناعي
بالنسبة للأفراد، يمثل عصر التوكنات تحديًا وفرصة في آنٍ واحد. لمواجهة ثورة الإنتاجية هذه، يحتاج الأفراد إلى:
بناء فهم عميق للتوكنات. غالبية المستخدمين يفتقرون إلى المعرفة الكافية حول استهلاك التوكنات، وقدرات النماذج، وآليات التسعير، مما يؤدي إلى مشكلات في الاستخدام — مثل أن يستخدم البعض الوكيل الذكي في تداول الأسهم، ويصحو ليجد حسابه فارغًا؛ أو أن يطلب من جميع الوكلاء تنفيذ أوامر تسليم واجهات برمجة التطبيقات، مما يؤدي إلى “خداع” العديد من الوكلاء. هذه الأمثلة تبرز أن فهم التوكنات أصبح مهارة أساسية في العصر الرقمي.
تطوير طرق عمل جديدة بالتعاون مع الذكاء الاصطناعي. يتوقع هوان رونغ مين أن الحواسيب ستعمل على مدار الساعة، وتنتج توكنات باستمرار، حيث تنفذ الوكلاء الذكيون المهام بشكل مستمر. هذا يتطلب من الأفراد أن يغيروا أساليب عملهم من “القيام بأنفسهم” إلى “إدارة الذكاء الاصطناعي”، ومن “المنفذين” إلى “المشرفين”.
تبني التعلم المستمر وتحديث المهارات. مع سرعة تطور اقتصاد التوكنات، تتناقص نصف عمر المهارات بسرعة. قد تُستبدل التقنيات الحالية قريبًا بتقنيات أكثر كفاءة، والنماذج الحالية ستُطارد بنماذج أحدث. في هذا البيئة، تظل القدرة على التعلم والتكيف أكثر أهمية من إتقان مهارة واحدة. لذلك، يجب على الأفراد أن يعتادوا على التعلم المستمر، ومتابعة أحدث التطورات في تكنولوجيا الذكاء الاصطناعي والتوكنات؛ وتجربة أدوات وأساليب جديدة بشكل دائم؛ وبناء معارف متعددة التخصصات، لفهم المنطق الاقتصادي والتأثيرات الاجتماعية وراء التكنولوجيا. فقط من خلال ذلك، يمكنهم البقاء في مقدمة الركب في موجة اقتصاد التوكنات.
