هل تستطيع تقنيات الذكاء الاصطناعي تقييم الأوراق البيضاء للعملات المشفرة؟ دراسة تختبر ذلك

منذ صدور الورقة البيضاء الأصلية لبيتكوين (BTC ) التي نُشرت عام 2008، ازدهر عدد هائل من العملات المشفرة الجديدة، حتى إن بعضها، مثل Ethereum، (ETH ) اكتسب شعبية كافية ليصبح منافسًا جادًا للعملة الأصلية. لكن هذا يعني أيضًا أن بذل العناية الواجبة من جانب المستثمرين في العملات المشفرة أصبح أكثر تعقيدًا.

وبالطبع، لا تقتصر هذه المشكلة على الاستثمارات في العملات المشفرة، لكن طبيعة هذه العملات تجعلها أصعب على معظم المستثمرين. فالمستثمرون الأفراد المهتمون بهذا المجال، على وجه الخصوص، وكثير من المستثمرين المؤسسيين أيضًا، لا يمتلكون المعرفة الرياضية والتقنية اللازمة لفهم علوم التشفير والخوارزميات التي تقوم عليها معظم مشروعات العملات المشفرة فهمًا كاملًا.

إضافةً إلى ذلك، تفتقر الأصول الرقمية إلى صيغة موحدة للإفصاح، بخلاف الإفصاحات المعيارية للأوراق المالية التقليدية، مثل نشرات الإصدار وتقارير 10-K.

وهكذا تواجه هذه الأصول، في آنٍ واحد، مزيجًا خطيرًا من فيض المعلومات، والإفصاحات غير المنظمة، ومحدودية الضمانات التنظيمية.

«تُظهر الانهيارات المتعددة للموجة الأولى من عروض العملات الأولية (ICOs)، وما أعقبها من خسائر للمستثمرين الذين لم يتمكنوا من تقييم جدوى الاستثمارات استنادًا إلى الأوراق البيضاء، الحاجة إلى تعزيز أدوات العناية الواجبة وحماية المستثمرين في التمويل الابتكاري.»

يبدو أن فيض المعلومات والحاجة إلى تحليل المخاطر بموضوعية يمثلان حالة استخدام مثالية للذكاء الاصطناعي، إذ صُممت أنظمة الذكاء الاصطناعي الجديدة خصيصًا للتعامل مع هذا النوع من المهام المعقدة.

أصدرت مجموعة من الباحثين من Swiss Financial Market Supervisory Authority FINMA وجامعة ليختنشتاين دراسة جديدة تبحث في كيفية استخدام نماذج اللغة الكبيرة لتقييم مشروعات العملات المشفرة الجديدة، ولا سيما أوراقها البيضاء التقنية.

نشروا نتائجهم في مجلة أنظمة المعرفة والمعلومات¹، تحت عنوان «تطبيق نماذج اللغة الكبيرة في تقييم الأصول الرقمية: بحث بالأساليب المختلطة».

استخدام نماذج اللغة الكبيرة في الأوراق البيضاء للعملات المشفرة

في جوهرها، لا تقتصر «العملات المشفرة» على كونها فرصًا استثمارية مضاربية، بل هي «أصول رقمية تستند إلى بروتوكولات مدمجة في التخزين اللامركزي للمعلومات، وآليات الإجماع الموزع، والعقود الذكية».

وتتوقف المخاطر الفعلية للعملات المشفرة الجديدة واستخداماتها المحتملة على هذه الخصائص التقنية. لذلك يمكن لتقنيات الذكاء الاصطناعي الحديثة، مثل نماذج اللغة الكبيرة، أن تساعد في التحليل الآلي للنصوص، واستخراج المعرفة، وإجراء تقييم مقارن للمشروعات.

لكن موثوقية نماذج اللغة الكبيرة تظل موضع تساؤل. إذ تحد من فائدتها نوافذ السياق المحدودة، وصعوبة التعامل مع مجموعات كبيرة من الوثائق، ومخاطر الهلوسة.

لذلك يحتاج المستثمرون إلى تقييم سليم لمدى موثوقية هذه الأدوات فعلًا عند استخدامها لتقييم مشروعات العملات المشفرة.

لتقييم قدرات نماذج اللغة الكبيرة في هذه المهمة، وضع الباحثون إطارًا يبدأ بالمعالجة المسبقة للبيانات، حيث تُنظَّم الأوراق البيضاء وتُلخَّص لأغراض التحليل، ثم تُصمَّم مطالبات محددة للذكاء الاصطناعي، وتُقارن النتائج بتقييمات بشرية، وصولًا إلى وضع بروتوكول لاستخدام نماذج اللغة الكبيرة في الحكم على إمكانات مشروعات العملات المشفرة.

المصدر: أنظمة المعرفة والمعلومات

تطوير الأدوات المناسبة

جمع البيانات المناسبة

استخدم الباحثون قاعدة بيانات أبحاث عروض الرموز (TORD) مصدرًا رئيسيًا للبيانات، إذ توفر معلومات جُمعت يدويًا عن عروض العملات الأولية (ICOs)، وعروض رموز الأوراق المالية (STOs)، وعروض التداول الأولية (IEOs).

وتشمل هذه البيانات المواقع الرسمية للمشروعات، والأوراق البيضاء، وموارد الويب المؤرشفة، وقواعد البيانات الثانوية، وإفصاحات منصات التداول والإيداعات التنظيمية.

استُخدمت هذه البيانات لإنشاء عينة تضم 29 مشروعًا فريدًا للرموز الرقمية ظلت أوراقها البيضاء متاحة، وحصل 27 منها على تقييم خبراء إجمالي في قاعدة بيانات أبحاث عروض الرموز (TORD).

اختير الإعداد الأساسي GPT−3.5-turbo من OpenAI، إلى جانب نموذجين صغيرين مفتوحي المصدر هما Qwen2.5-0.5B وQwen2.5-1.5B. وأنتجت النماذج إجمالًا 1,008 تقييمات مكتملة من الخبراء ونماذج اللغة الكبيرة.

اختبار مناهج مختلفة

استخدم الباحثون أساليب مختلفة لمعرفة أفضل السبل للاستفادة من نماذج اللغة الكبيرة في دراسة مشروعات العملات المشفرة.

• المنهج 1: pوثيقة جزئيةتقييم, يشمل إدخال أكبر قدر ممكن من محتوى الورقة البيضاء في النموذج اللغوي الكبير، مع اقتطاعه عند 4000 رموز (حوالي 3000 كلمة) لتلبية حدود النموذج.
• النهج الثاني: التقييم استنادًا إلى ملخص، وهو يعالج قيود عدد الرموز من خلال اتباع عملية من خطوتين، تُلخَّص فيهما الورقة البيضاء أولًا ثم تُقيَّم.
• النهج 3: تقييم الملخص الموجّه إلى جوانب محددة، مع مواصلة تحسين التلخيص عبر استخلاص معلومات مستهدفة ذات صلة باتخاذ القرارات الاستثمارية، وتحديدًا شخصية الإدارة وخبرتها، وخصائص المنتج، وظروف السوق.
  • ورصدت الأداة أيضًا مؤشرات تحذيرية محتملة، مثل نقص الخبرة، وغياب المشاركة المالية، أو سوء تصميم هيكل المشروع.

تبيّن أن تحديد الخلاصة النهائية للتقييم، التي تنتجها النماذج اللغوية الكبيرة، بحد أقصى قدره 120 كلمة هو الخيار الأمثل لتجنّب الأخطاء وتقديم خلاصة سهلة الفهم للمستخدم المحتمل.

استُخدمت أربع استراتيجيات مختلفة للتلقين لتوجيه استدلال النموذج اللغوي الكبير نحو أفضل النتائج الممكنة:

• التلقين دون أمثلة (ZS): تقديم تعليمات منظّمة من دون أمثلة توضيحية على مستوى المشروع.
• التلقين بأمثلة قليلة (FS): تعزيز التلقين دون أمثلة بإضافة أبعاد تقييم صريحة ومعايير تقييم محددة.
• سلسلة التفكير (CoT): استخدام تعليل مرحلي على مستوى العوامل.
• سلسلة التفكير مع السياق ومعايير التقييم (CoT-CR): تضمين اعتبارات خاصة بالمجال، مثل آليات قفل الرموز الرقمية وأصالة المشروع.

المصدر: نظم المعرفة والمعلومات

نتائج النماذج اللغوية الكبيرة

باستثناء تقييم الملخص الموجّه إلى جوانب محددة، منحت نماذج الذكاء الاصطناعي المشروعَ في مجال العملات المشفرة تقييمًا أعلى عمومًا من التقييمات البشرية.

«غالبًا ما تختزل النهجان 1 و2 المحتوى السردي من دون أن يظهرا المؤشرات التحذيرية أو إشارات الحوكمة بصورة موثوقة، ما يؤدي إلى تحيز التفاؤل والمبالغة المنهجية في التقييم مقارنةً بالتقييمات البشرية»

أنتجت التلقينات المستندة إلى سلسلة التفكير أدنى التقييمات إجمالًا؛ واللافت أن نهج سلسلة التفكير مع تقييم الملخص الموجّه إلى جوانب محددة كان النهج الوحيد الذي أسفر عن تقييم أدنى من التقييمات البشرية.

المصدر: نظم المعرفة والمعلومات

وعلى الرغم من هذا الميل إلى المبالغة في التقييم، لوحظ أيضًا ميل معاكس، وإن كان طفيفًا، إلى التقليل من شأن أقوى المشاريع.

تجدر الإشارة أيضًا إلى أن استخدام نموذجي الذكاء الاصطناعي Qwen2.5-0.5B وQwen2.5-1.5B أسفر عن نتائج مشابهة لتلك التي حققها GPT−3.5-turbo.

المصدر: نظم المعرفة والمعلومات

تفسير تحيز النماذج اللغوية الكبيرة

يُعزى ميل النماذج اللغوية الكبيرة إلى المبالغة في تقييم مشاريع العملات المشفرة عند اتباع معظم استراتيجيات التلقين إلى أن الملخصات العامة والمهيكلة هيكليًا على نحو محدود تميل إلى الإبقاء على النبرة الترويجية للورقات البيضاء.

في المقابل، يتجنب استخراج المعلومات الموجّه إلى جوانب محددة هذه المشكلة إلى حد كبير، لكنه ينطوي على قيود أخرى. فقد يجعل التقييمات أقرب إلى التحفظ البشري عندما يكشف عن مواطن ضعف في الحوكمة أو الإدارة أو تصميم الرموز الرقمية، لكنه قد يبالغ أيضًا في معاقبة المشاريع عندما تكون الأدلة غير مكتملة أو عندما تطغى مؤشرات سلبية منفردة على تعليل التقييم.

ودفع ذلك الباحثين إلى استنتاج أن النماذج اللغوية الكبيرة قادرة على دعم البحث البشري، لكنها لا تستطيع أن تحل محله بالكامل.

«تشير هذه الآليات إلى أن التحدي الأساسي في التصميم لا يقتصر على اختيار التلقين، بل يشمل أيضًا إنشاء أدلة وسيطة موثوقة قبل التقييم. وبناءً على ذلك، ينبغي استخدام هذه الأداة للإشارة إلى الحالات التي تستدعي اهتمام الخبراء، لا لإنتاج درجات نهائية للاستثمار»

إجمالًا، لا يوجد «نهج أمثل» واحد يمكن اعتماده، على الأقل وفقًا لهذه الدراسة.

يتحقق أدنى خطأ في مصفوفة التصميم الحالية عند الجمع بين الملخص المنظّم والتلقين بسلسلة التفكير (النهج 2 + CoT).

لكن النهج الموجّه إلى جوانب محددة يكشف عن مؤشرات تحذيرية محتملة، كما أن متوسط تقييماته أقرب إلى المتوسط البشري.

بناء أداة تحليل للعملات المشفرة بالذكاء الاصطناعي

ودفع ذلك الباحث إلى تقديم مقترحاته بشأن الطريقة المثلى لاستخدام الذكاء الاصطناعي في تحليل مشاريع العملات المشفرة:

1. ينبغي تنظيم الأدلة قبل توليد تعليلات النموذج، للحد من الأخطاء قدر الإمكان.
2. ينبغي تصميم المعايرة وإمكانية فحص المخرجات، ثم تقييمهما كلٌّ على حدة. كما ينبغي استخدام استخراج المعلومات الموجّه إلى جوانب محددة لتحسين قابلية التدقيق الهيكلي وإبراز المؤشرات التحذيرية.
3. المقارنة بين النماذج: لا ينبغي عزو أنماط الأخطاء الملحوظة إلى عائلة واحدة من النماذج من دون إجراء اختبارات مقارنة، إذ قد تكون تلك الأنماط ناجمة عن آلية عمل النماذج اللغوية الكبيرة عمومًا.

«توسّع هذه المبادئ مجتمعةً نطاق الإسهام، من مجرد تطبيق للنماذج اللغوية الكبيرة إلى مجموعة من التوصيات التصميمية لتهيئة أدوات قابلة للتدقيق لدعم اتخاذ القرار في بيئات الإفصاح المالي التي تفتقر إلى معايير موحدة»

خلاصات للمستثمرين

تقدّم هذه الدراسة معلومات قيّمة للمستثمرين في مجالي الذكاء الاصطناعي والعملات المشفرة.

في عالم العملات المشفرة، يتضح أن النماذج اللغوية الكبيرة ليست (بعد؟) بديلًا عن إجراءات التدقيق النافي للجهالة التي يجريها البشر. فعلى سبيل المثال، قد تنخدع نماذج الذكاء الاصطناعي بالمبالغة في الحماسة أو بالنبرة الترويجية في الأوراق البيضاء للعملات المشفرة، ما ينطوي على خطر كبير يتمثل في المبالغة في تقدير إمكانات هذه المشاريع.

لكن استخدام الذكاء الاصطناعي لرصد مؤشرات الخطر قد يكون مفيدًا جدًا، شريطة اتباع منهجية مناسبة لصياغة المطالبات.

بالنسبة إلى المستثمرين في الذكاء الاصطناعي، توضح هذه الدراسة أن النماذج اللغوية الكبيرة لا تزال غير قادرة حاليًا على أن تحل محل العمل البشري بالكامل. لكنها أداة قيّمة، ولا سيما في فرز كميات كبيرة من البيانات التقنية.

وتوضح الدراسة أيضًا أن تعلم الأسلوب المناسب لصياغة المطالبات، إلى جانب تصميم المنهجية التحليلية الملائمة، أمران أساسيان لاستخدام الذكاء الاصطناعي على النحو الأمثل. ومن منظور الاستثمار في تكنولوجيا الذكاء الاصطناعي، يُرجح أن توضح الدراسة أن معظم مكاسب الإنتاجية الناتجة عن الذكاء الاصطناعي ستتحقق تدريجيًا، لا من تحسن النماذج وحده. بل سيكون من الضروري أن يزداد إلمام المستخدمين بأدوات الذكاء الاصطناعي، وأن يتعلموا تحسين جودة النتائج من خلال تطوير تصميم التحليلات وصياغة المطالبات.

الاستثمار في أسواق العملات المشفرة

Coinbase

مع تزايد انتشار العملات المشفرة، يزداد عدد المستثمرين الذين يتعرضون لها أو يعززون حضورهم في أسواقها. وينطبق الأمر نفسه مع تكاثر مشاريع العملات المشفرة.

وهذا يصب في مصلحة شركات مثل Coinbase، التي ترتبط ارتباطًا وثيقًا بتداول العملات المشفرة وأسعار الأصول وحفظها ومشاركة المؤسسات في السوق.

لذلك، قد يكون الاستثمار في منصات تداول العملات المشفرة والمنصات التقنية مثل Coinbase وسيلة تتيح للمستثمرين التعرض لظروف سوق العملات المشفرة، من دون الحاجة إلى اختيار رموز محددة على نحو اعتباطي.

لكن هذا لا يعني أن Coinbase ستمنح المستثمرين في أسهمها المتداولة علنًا نوع العوائد المحتملة نفسه (أو المخاطر نفسها) الذي قد يتيحه الاستثمار المباشر في العملات المشفرة. بل هو استثمار في البنية التحتية لسوق العملات المشفرة؛ وقد أفادت Coinbase بأن الأصول على منصتها بلغت 246 مليار دولار في 30 يونيو 2026.

إلى جانب تطبيق Coinbase الرئيسي ومنصة تداول العملات المشفرة التابعة لها، تقدم الشركة اليوم مجموعة من الخدمات التكميلية:

• Coinbase One، وهي خدمة عضوية مميزة توفر تداولًا بلا رسوم، ومكافآت معززة على التخزين، وعروضًا من شركاء، مثل حاسبة ضرائب العملات المشفرة وأبحاثها وغيرها.
• Coinbase Advanced، المخصصة لمتداولي العملات المشفرة المحترفين.
• Coinbase Wallet، لحفظ العملات المشفرة ذاتيًا خارج منصات التداول، فضلًا عن الرموز غير القابلة للاستبدال (NFTs).
• Coinbase Earn، وهي خدمة للتخزين تتيح لمالكي العملات المشفرة حجز عملاتهم لكسب عوائد من الشبكة؛ وقد كسب عملاء Coinbase مبلغ 230 مليون دولار في عام 2023.
• Coinbase Card، وهي بطاقة خصم من Visa تتيح إجراء عمليات الشراء باستخدام العملات المشفرة، وتمنح استردادًا نقديًا بنسبة 1% بعملة Bitcoin عند الدفع بالدولار الأمريكي، وبنسبة 1.5% بعملة USDC عند الدفع بعملة ETH. وتُقبل البطاقة في جميع الأماكن التي تُقبل فيها بطاقات الخصم من Visa.
• USD Coin (USDC)، وهي عملة رقمية مستقرة تعادل قيمتها قيمة الدولار الأمريكي، وتسعى إلى إنشاء «دولار رقمي».

ومع تطوير المزيد من الأدوات المتقدمة، بما فيها أدوات الذكاء الاصطناعي، ستتكامل هذه الأدوات مع البنية التحتية الحالية للعملات المشفرة. وباتت Coinbase اليوم منصة أكثر نضجًا وهيمنة، ما يهيئها جيدًا للاستفادة من تزايد انتشار العملات المشفرة، الذي تدفعه التوجهات المتنامية نحو صناديق Bitcoin المتداولة في البورصة والعملات المستقرة وترميز الأسهم.

(يمكنك قراءة المزيد عن تاريخ Coinbase وعروضها وإمكاناتها الاستثمارية في تقريرنا المخصص عن الشركة)

أحدث أخبار سهم Coinbase (COIN وتطوراته

الدراسة المشار إليها

^{1. يان تورين وآخرون. تطبيق النماذج اللغوية الكبيرة في تقييم الأصول الرقمية: بحث باستخدام مناهج مختلطة. Knowledge and Information Systems. 17 أكتوبر 2026. https://doi.org/10.1007/s10115-026-02910-2}