Автор: GO2MARS WEB3 Research
Симбиоз алгоритма и бухгалтерской книги: Крупный сдвиг глобальной технологической парадигмы
В третьем десятилетии XXI века сочетание искусственного интеллекта (ИИ) и криптовалют (Crypto) перестало быть простым наложением двух модных терминов, превратившись в глубокую революцию технологической парадигмы. К 2025 году общая рыночная капитализация глобального криптовалютного рынка официально преодолела рубеж в 4 триллиона долларов, что ознаменовало переход отрасли от экспериментальной нишевой площадки к важной составляющей современной экономики.
Одним из ключевых драйверов этой трансформации является глубокая конвергенция между ИИ как чрезвычайно мощным уровнем принятия решений и обработки и блокчейном как прозрачным, неизменяемым уровнем исполнения и расчетов. Это сочетание решает болевые точки каждой из сторон: ИИ переживает ключевой период перехода от монополии централизованных гигантов к децентрализованному, прозрачному «открытому интеллекту»; в то время как криптоиндустрия, после постепенного совершенствования инфраструктуры, остро нуждается в ИИ для решения проблем сложности взаимодействия в链上, уязвимой безопасности и недостаточной полезности приложений.
С точки зрения движения капитала, стратегические разногласия ведущих венчурных фондов также подтверждают эту тенденцию. a16z Crypto в 2025 году завершила пятый раунд финансирования на 2 миллиарда долларов, твердо определив область пересечения ИИ и Crypto как долгосрочный стратегический приоритет, считая блокчейн необходимой инфраструктурой для предотвращения цензуры и контроля со стороны ИИ.
В то же время такие компании, как Paradigm, расширяя границы инвестиций до робототехники и ИИ в широком смысле, пытаются уловить межотраслевые выгоды, возникающие от слияния технологий. Согласно данным ОЭСР, к 2025 году доля венчурных инвестиций в глобальную сферу ИИ составила 51% от общих глобальных инвестиций, а в сфере Web3 доля финансирования проектов, связанных с ИИ, также稳步 растет, что отражает высокое признание рынком нарратива о «децентрализованном интеллекте».
1. Реструктуризация инфраструктуры: Децентрализованные вычислительные мощности и целостность вычислений
Существует естественное противоречие между ненасытной потребностью ИИ в графических процессорах (GPU) и хрупкостью текущих глобальных цепочек поставок. В период с 2024 по 2025 год нехватка GPU стала нормой, что создало почву для взрывного роста децентрализованных сетей физической инфраструктуры (DePIN).
1.1 Двойная эволюция децентрализованных вычислительных рынков
Текущие платформы децентрализованных вычислений в основном делятся на два лагеря. Первый представлен такими сетями, как Render Network (RNDR) и Akash Network (AKT), которые создают децентрализованные двусторонние рынки, агрегируя свободные вычислительные мощности GPU по всему миру. Render Network стала эталоном распределенного рендеринга на GPU, она не только снижает стоимость 3D-творчества, но и благодаря функции координации блокчейна поддерживает задачи вывода ИИ, позволяя создателям получать высокопроизводительные вычисления по более низкой цене. Akash, в свою очередь, после 2023 года совершила скачок благодаря своему GPU мейннету (Akash ML), позволяющему разработчикам арендовать чипы высокой спецификации для масштабного обучения моделей и логического вывода.
Второй лагерь представлен новыми уровнями оркестрации вычислений, такими как Ritual. Уникальность Ritual заключается в том, что она не пытается напрямую заменить существующие облачные сервисы, а выступает как открытый, модульный суверенный уровень исполнения, встраивающий модели ИИ непосредственно в среду выполнения блокчейна. Его продукт Infernet позволяет смарт-контрактам беспрепятственно вызывать результаты логического вывода ИИ, решая давнюю техническую проблему «невозможности нативного запуска ИИ в链вых приложениях».
1.2 Целостность вычислений и прорыв в технологиях верификации
В децентрализованных сетях проверка «корректности выполнения вычислений» является ключевой проблемой. Технический прогресс 2025 года в основном сосредоточен на конвергентном применении машинного обучения с нулевым разглашением (ZKML) и доверенных сред выполнения (TEE).
Архитектура Ritual, благодаря проектированию, не зависящему от системы доказательств (proof-system agnostic), позволяет узлам выбирать выполнение кода в TEE или доказательства ZK в зависимости от потребностей задачи. Такая гибкость гарантирует, что даже в высокодецентрализованной среде каждый результат логического вывода, сгенерированный моделью ИИ, является отслеживаемым, аудируемым и имеет гарантии целостности.
2. Демократизация интеллекта: Восход Bittensor и товарных рынков
Появление Bittensor (TAO) ознаменовало вступление сочетания ИИ и Crypto в новую стадию «рыночной экономики машинного интеллекта». В отличие от традиционных платформ с едиными вычислительными мощностями, Bittensor нацелена на создание стимулирующего механизма, позволяющего различным моделям машинного обучения по всему миру взаимодействовать, взаимно обучаться и конкурировать за вознаграждение.
2.1 Консенсус Yuma: От лингвистики к алгоритму консенсуса
Ядром Bittensor является консенсус Yuma (YC) — механизм консенсуса субъективной полезности, вдохновленный прагматикой Грайса.
Логика работы YC предполагает: эффективный сотрудник склонен выдавать правдивые, релевантные и информативные ответы, поскольку это является оптимальной стратегией для получения наивысшего вознаграждения в ландшафте стимулов. На техническом уровне YC через оценку валидаторами (Validators) производительности майнеров (Miners) вычисляет эмиссию токенов. Его核心逻辑ка может быть выражена следующей формулой LaTeX для распределения долей эмиссии:
Где E — вознаграждение за эмиссию, Δ — ежедневный общий прирост предложения, W — матрица весов оценок валидаторов, S — соответствующие веса стейкинга. Для предотвращения злонамеренного сговора или предвзятости, YC引入了 механизм Clipping (отсечения), который обрезает весовые настройки, превышающие эталонный уровень консенсуса, обеспечивая robustность системы.
2.2 Экономика подсетей и парадигма динамического TAO
К 2025 году Bittensor эволюционировала в многоуровневую архитектуру. Нижний уровень — это бухгалтерская книга Subtensor, управляемая фондом Opentensor, а верхний уровень — это десятки вертикально ориентированных подсетей (Subnets), специализирующихся на конкретных задачах, таких как генерация текста, прогнозирование аудио, распознавание изображений и т.д.
Введенный механизм «динамического TAO» через автоматизированного маркет-мейкера (AMM) создает для каждой подсети независимый пул резервов стоимости, цена которого определяется соотношением TAO и токена Alpha:
Этот механизм реализует автоматическое распределение ресурсов: подсети с высоким спросом и качеством выпуска привлекут больше стейкинга и, следовательно, получат более высокую долю ежедневной эмиссии TAO. Эта конкурентная рыночная структура образно сравнивается с «Олимпиадой интеллекта», где естественный отбор отсеивает неэффективные модели.
3. Восход экономики агентов: AI Agents как субъекты первого уровня в Web3
В цикле 2024-2025 годов AI агенты (AI Agents) переживают сущностную трансформацию от «вспомогательных инструментов» до «нативных链вых субъектов». Эта эволюция проявляется не только в усложнении технической архитектуры, но и в фундаментальном расширении их роли и полномочий в экосистеме децентрализованных финансов (DeFi).
Ниже приведен углубленный анализ этой тенденции:
3.1 Архитектура агента: Замкнутый цикл от данных к исполнению
Современные链вые AI агенты больше не являются простыми скриптами, а представляют собой зрелые системы, построенные на основе трех сложных логических уровней:
Уровень ввода данных (Data Input Layer): Агент через узлы блокчейна или API (такие как Ethers.js) в реальном времени собирает данные из пулов ликвидности, объемов交易 и т.д., а также, с помощью оракулов (таких как Chainlink), вводит вне链вую информацию, такую как настроения в соцсетях, цены на централизованных биржах.
Уровень принятия решений ИИ/МО (AI/ML Layer): Агент использует сети долгой краткосрочной памяти (LSTM) для анализа ценовых тенденций или применяет обучение с подкреплением (Reinforcement Learning) для постоянной итерации оптимальной стратегии в сложных рыночных играх. Интеграция больших языковых моделей (LLM) также наделяет агента способностью понимать нечеткие человеческие намерения.
Уровень взаимодействия с блокчейном (Blockchain Interaction Layer): Это ключ к достижению «финансовой автономии». Агенты теперь могут управлять некастодиальными кошельками, автоматически рассчитывать оптимальные комиссии Gas, обрабатывать одноразовые номера (Nonce) и даже интегрировать инструменты защиты от MEV (такие как Jito Labs) для предотвращения снэппинга (опережения) в сделках.
3.2 Финансовые рельсы и транзакции между агентами (Agent-to-Agent)
В отчете a16z за 2025 год особо подчеркивается финансовый столп AI агентов — протокол x402 и аналогичные стандарты микроплатежей. Эти стандарты позволяют агентам оплачивать API-услуги или покупать услуги других агентов без вмешательства человека. Например, экосистема Olas (ранее Autonolas) уже обрабатывает более 2 миллионов автоматизированных транзакций между агентами ежемесячно, охватывая задачи от свопов в DeFi до создания контента.
Эта тенденция уже реально отражается на рыночных данных. С точки зрения темпов роста, рынок AI агентов находится на пороге взрывного роста. Согласно исследовательским данным MarketsandMarkets, ожидается, что глобальный рынок AI агентов вырастет с 7,84 миллиарда долларов в 2025 году до 52,62 миллиарда долларов к 2030 году, при среднегодовом темпе роста (CAGR) в 46,3%. Кроме того, Grand View Research дает аналогичный долгосрочный прогноз, оценивая размер рынка в 50,31 миллиарда долларов к 2030 году.
Между тем, стандартные инструменты уровня разработки также начали формироваться. Продвигаемый a16z фреймворк ElizaOS стал инфраструктурой в области AI агентов, по значимости сравнимой с «Next.js» во фронтенд-разработке. Он позволяет разработчикам легко развертывать AI агентов с полными финансовыми возможностями на основных социальных платформах, таких как X, Discord, Telegram. По состоянию на начало 2025 года, общая рыночная капитализация Web3-проектов, построенных на этом фреймворке, превысила 20 миллиардов долларов.
4. Конфиденциальные вычисления и приватность: Противостояние FHE, TEE и ZKML
Приватность является одной из самых сложных проблем в процессе объединения ИИ и Crypto. Когда компании запускают ИИ-стратегии в публичном блокчейне, они не хотят раскрывать ни частные данные, ни параметры своей核心 модели. В настоящее время в отрасли сформировались три основных технологических пути: полностью гомоморфное шифрование (FHE), доверенные среды выполнения (TEE) и машинное обучение с нулевым разглашением (ZKML).
4.1 Промышленный путь Zama и FHE
Zama, как лидер-единорог в этой области, разработала fhEVM, которая стала стандартом для реализации «сквозных зашифрованных вычислений». FHE позволяет компьютеру выполнять математические операции над данными без их расшифровки, при этом результаты после расшифровки полностью совпадают с результатами операций над открытым текстом.
К 2025 году технологический стек Zama достиг значительного скачка производительности: для 20-слойной сверточной нейронной сети (CNN) скорость вычислений увеличилась в 21 раз, а для 50-слойной CNN — в 14 раз. Этот прогресс сделал возможным появление «приватных стейблкоинов» (где сумма交易 зашифрована для внешнего мира, но протокол все еще может проверить законность) и «аукционов с запечатанными ставками» в основных блокчейнах, таких как Ethereum.
4.2 Эффективность верификации ZKML и интеграция с LLM
Машинное обучение с нулевым разглашением (ZKML) focuses on «верификацию», а не «вычисления». Оно позволяет одной стороне доказать, что она корректно запустила определенную сложную нейронную сеть, не раскрывая входные данные или веса модели. Новейший протокол zkLLM уже способен обеспечить сквозную верификацию логического вывода для модели с 13 миллиардами параметров, сократив время генерации доказательства до менее 15 минут, при размере доказательства всего 200 КБ. Эта технология имеет решающее значение для аудита финансовых операций высокой стоимости и медицинской диагностики.
4.3 Синергия TEE и GPU: Мощь Hopper H100
По сравнению с FHE и ZKML, TEE (доверенная среда выполнения) обеспечивает скорость выполнения, близкую к нативной. GPU NVIDIA H100引入了 функцию конфиденциальных вычислений, изолируя память на аппаратном уровне с помощью брандмауэра, при этом дополнительные накладные расходы на логический вывод обычно составляют менее 7%. Такие протоколы, как Ritual, активно используют TEE на основе GPU для поддержки приложений с AI агентами, требующих низкой задержки и высокой пропускной способности.
Технологии конфиденциальных вычислений официально перешагнули из лабораторных идеалистических концепций в новую эру «промышленного уровня готовности». Полностью гомоморфное шифрование (FHE), машинное обучение с нулевым разглашением (ZKML) и доверенные среды выполнения (TEE) больше не являются изолированными технологическими направлениями, а вместе образуют «модульный стек конфиденциальности» для децентрализованного искусственного интеллекта.
Эта конвергенция кардинально переписывает底层逻辑 Web3 и приводит к следующим трем核心 выводам:
FHE — это «HTTPS»-стандарт нижнего уровня для Web3: По мере того как такие единороги, как Zama, повышают производительность вычислений в десятки раз, FHE осуществляет качественный переход от «все открыто» к «шифрованию по умолчанию». Это решает проблему конфиденциальности обработки链вого состояния, позволяя приватным стейблкоинам и полностью устойчивым к MEV (анти-опережению) торговым системам перейти от теории к масштабному合规ному применению.
ZKML — это математический предел алгоритмической подотчетности: Наступившая во второй половине 2025 года «сингулярность ZKML» ознаменовала драматическое снижение стоимости верификации. Сжав время генерации доказательства логического вывода для модели с 13 миллиардами параметров (13B) до менее 15 минут, ZKML обеспечивает «математическую согласованность» для аудита финансовых операций высокой стоимости и кредитных рейтингов, гарантируя, что ИИ больше не является недоверенным черным ящиком.
TEE — это производительная основа экономики агентов: По сравнению с программными решениями, TEE на аппаратной основе, такая как NVIDIA H100, обеспечивает скорость выполнения, близкую к нативной, с накладными расходами менее 7%. На сегодняшний день это единственное экономически feasible решение, способное поддерживать сотни миллионов AI агентов (AI Agents), осуществляющих принятие решений в режиме 24/7 в реальном времени, гарантируя, что интеллектуальные агенты безопасно хранят приватные ключи и выполняют сложные стратегии внутри аппаратного брандмауэра.
Будущий технологический тренд заключается не в победе единственного пути, а в повсеместном распространении «гибридных конфиденциальных вычислений». В полном потоке ИИ-бизнеса: использование TEE для масштабного, высокочастотного логического вывода моделей для обеспечения эффективности; ключевые узлы генерируют доказательства выполнения через ZKML для обеспечения подлинности; чувствительные финансовые состояния (такие как баланс счета и приватный ID) шифруются и сохраняются с помощью FHE.
Это «триединство» конвергенции преобразует криптоиндустрию из «прозрачной бухгалтерской книги» в «интеллектуальную систему с суверенной конфиденциальностью»,真正 открывая эру автоматизированной экономики агентов стоимостью в триллионы долларов.
5. Безопасность отрасли и автоматизированный аудит: ИИ как «иммунная система» Web3
Криптовалютная индустрия долгое время страдала от огромных потерь, вызванных уязвимостями смарт-контрактов. Внедрение ИИ меняет эту ситуацию пассивной защиты, переводя ее в режим реального времени с мониторингом с помощью ИИ.
5.1 Инновации в инструментах статического и динамического аудита
Такие инструменты, как Slither и Mythril, к 2025 году глубоко интегрировали модели машинного обучения, позволяя сканировать контракты Solidity на наличие атак повторного входа (reentrancy), суицидальных функций (Suicidal) или аномалий потребления Gas со скоростью менее секунды. Кроме того, инструменты нечеткого тестирования, такие как Foundry и Echidna, используют ИИ для генерации экстремальных входных данных, исследуя глубоко скрытые логические уязвимости.
5.2 Системы предотвращения угроз в реальном времени
Помимо предразвертываемого аудита, значительный прогресс достигнут и в области активной защиты в реальном времени. Такие системы, как Guards AI от Guardrail и CUBE3.AI, могут мониторить все ожидающие транзакции (Mempool) across chains, и при обнаружении сигналов恶意 атаки (таких как атака на управление или манипуляция с оракулом) могут автоматически инировать приостановку контракта или перехват恶意交易. Эта «активная иммунная защита» значительно снижает риск взлома протоколов DeFi.
Практическая дорожная карта использования ИИ для развития Crypto
В будущем цифровом ландшафте слияние ИИ и Crypto больше не является техническим экспериментом, а представляет собой глубокую революцию в области «эффективности производительности» и «права распределения богатства». Это сочетание не только дает ИИ независимый «кошелек», но и наделяет Crypto способным к самостоятельному мышлению «мозгом», совместно открывая эру автономной экономики агентов стоимостью в триллионы долларов.
Ниже приведены核心 выгоды и практическая карта этого слияния на уровне предприятий и частных лиц:
1. Корпоративный уровень: От «снижения затрат и повышения эффективности» до «расширения бизнес-границ»
Для предприятий сочетание ИИ и Crypto в основном решает структурное противоречие между высокими затратами на вычисления, хрупкой системной безопасностью и защитой конфиденциальности данных.
Резкое снижение затрат на инфраструктуру (эффект DePIN): Используя распределенные вычислительные сети (такие как Akash или Render), предприятия больше не связаны дорогими закупками кластеров NVIDIA H100. Фактические данные показывают, что стоимость аренды неиспользуемых GPU по всему миру может быть на 39% до 86% ниже, чем у традиционных облачных провайдеров. Эта «свобода вычислений» позволяет даже стартапам позволить себе тонкую настройку и обучение моделей сверхбольшого масштаба.
Автоматизация и удешевление защитных барьеров: Традиционный аудит контрактов занимает много времени и стоит дорого. Теперь, развернув AI агентов безопасности на основе нейронных сетей, таких как AuditAgent, предприятия могут реализовать «дозорный мониторинг» на протяжении всего жизненного цикла разработки. Они могут выявлять логические уязвимости, такие как атаки повторного входа, в момент коммита кода, и в момент подачи хакерской команды могут автоматически инициировать熔断 (circuit breaker) контракта на уровне мемпула, защищая активы протокола от потерь.
«Зашифрованные вычисления» для коммерческой тайны: С помощью полностью гомоморфного шифрования (FHE) и сетей «слепых вычислений» (Blind Compute), таких как Nillion, предприятия могут запускать ИИ-стратегии в публичном блокчейне, не раскрывая параметры核心 модели и частные данные клиентов. Это не только утверждает суверенитет данных, но и позволяет данным, ранее ограниченным合规ными рисками (финансовым, медицинским), войти в децентрализованную сеть сотрудничества.
2. Личный уровень: От «финансовой слепоты» до «интеллектуальной суверенной экономики»
Для индивидуальных пользователей слияние ИИ и Crypto означает полное исчезновение технологического барьера и открытие новых каналов дохода.
Ориентированный на намерения «личный банкир»: В будущем пользователям больше не нужно понимать, что такое комиссия Gas или мост между блокчейнами. AI агенты, построенные на таких фреймворках, как ElizaOS, реализуют «радикальную абстракцию» — вам достаточно просто сказать: «Помоги мне положить эти 1000 рублей туда, где самые высокие и безопасные проценты», и ИИ будет самостоятельно мониторить годовую процентную доходность (APY) по всей сети, автоматически закрывая позиции при колебаниях риска. Таким образом, обычные люди также могут получить доступ к управлению активами уровня ведущих хедж-фондов.
Обращение личных данных в активы (Data Yield Farming): Ваш цифровой след больше не будет «фрилансить» у гигантов. Через такие платформы, как Synesis One, пользователи могут участвовать в «обучении за заработок» (Train2Earn), предоставляя размеченные данные для обучения ИИ и напрямую получая вознаграждение в виде токенов. Можно даже持有 Kanon NFT и получать пассивные дивиденды каждый раз, когда ИИ обращается к определенной записи знаний,真正 реализуя «данные как актив».
Конечная защита приватности и идентичности: Используя Worldcoin или криптографические протоколы идентификации, вы можете доказать, что вы человек, а не ИИ, и одновременно использовать сети конфиденциальных вычислений для защиты ваших личных расписаний, домашних адресов и другой конфиденциальной информации от утечки к провайдерам ИИ-услуг. Этот режим «слепого взаимодействия» гарантирует, что, наслаждаясь удобствами ИИ, вы по-прежнему обладаете высшим правом解释权 на цифровой суверенитет.
Эта двусторонняя эволюция архитектуры передает «доверие» блокчейну, а «эффективность» — ИИ. Она не только перестраивает рвы предприятий, но и строит для каждого обычного человека лестницу к интеллектуальной суверенной экономике.
Прогноз эволюции: К новой эре «интеллектуальной бухгалтерской книги»
Подводя итог, как ИИ может лучше сочетаться с Crypto? Ответ заключается в переходе от «простого наложения инструментов» к «глубокой архитектурной связанности».
Во-первых, блокчейн должен эволюционировать в платформу, способную нести масштабные вычисления. Усилия таких протоколов, как Ritual и Starknet, делают ZKML таким же простым, как вызов стандартной библиотеки. Во-вторых, AI агенты должны стать законными субъектами экономической жизни. С распространением стандартов идентичности, таких как ERC-8004, мы увидим «интеллектуальную сеть», состоящую из сотен миллионов агентов, которые ведут непрерывную (24/7) игру за ресурсы и обмен价值 в блокчейне.
Наконец, это слияние изменит финансовый суверенитет человека. Приватные платежи, реализованные через FHE, справедливое распределение вознаграждений создателям через протоколы溯源 и демократизация алгоритмов через такие рынки, как Bittensor, вместе составляют蓝图 более справедливой, эффективной и децентрализованной будущей цифровой экономики.
В этом технологическом марафоне криптоиндустрия предоставляет не только капитал, но и философскую框架, основанную на «прозрачности» и «доверии»; а ИИ предоставляет «мозг», который заставляет эти框架真正 работать. С наступлением 2026 года эта конвергенция выйдет за пределы технических кругов и через более интуитивно понятные интерфейсы взаимодействия с ИИ достигнет миллиардов обычных пользователей по всему миру.
