Автор: Pink Brains
Перевод: AididiaoJP, Foresight News
Децентрализованный ИИ существует потому, что централизованный ИИ имеет структурные узкие места, которые нельзя решить капиталом и кодом:
- Вычислительные ресурсы дефицитны и дороги
- Слишком высокая концентрация контроля
- Выходные данные моделей не поддаются проверке
- Получение обучающих данных становится всё труднее
Вычислительные ресурсы дефицитны и дороги
Ожидается, что инфраструктура GPU вырастет с 10 млрд долларов в 2025 году до 77 млрд долларов к 2035 году. Графические процессоры для центров обработки данных распродаются в течение нескольких месяцев подряд. Ожидается, что рынок децентрализованных вычислений вырастет с 9 млрд долларов в 2024 году до 22 млрд долларов к 2035 году (данные Research and Markets). Эта цифра имеет смысл только если верить, что дефицит является структурной, а не циклической проблемой, и мы считаем, что она именно структурная.
Слишком высокая концентрация контроля
ChatGPT, Gemini, Grok, Claude принадлежат и управляются небольшим количеством частных компаний. Текущая политика в области ИИ предполагает, что только несколько субъектов, способных сконцентрировать огромные вычислительные ресурсы, могут обучать мощные системы. Как только это предположение будет разрушено, ландшафт того, кто может создавать передовой интеллект, изменится кардинально.
Выходные результаты не поддаются проверке
Когда модель принимает решение, пользователь не может проверить, была ли запущена правильная модель, правильно ли выполнены вычисления, не произошла ли утечка конфиденциальных данных. Для чат-бота это ещё терпимо, но когда ИИ обрабатывает кредиты, здравоохранение или автономные агенты управляют кошельками в реальном времени, это совершенно неприемлемо.
Получение обучающих данных становится всё труднее из-за проблем с конфиденциальностью и регулирования
Централизованный краулер, расположенный в одном регионе AWS, быстро будет ограничен по скорости, заблокирован по географии или накормлен отравленным кэшем. Как сказал a16z в своем прогнозе на 2026 год, конфиденциальность становится «самым важным рвом в криптопространстве».
ИИ нуждается в блокчейне, чтобы сделать интеллект открытым, проверяемым и экономически доступным.
Карта технологического стека децентрализованного ИИ
- Слой приложений и услуг: ИИ-агенты могут делать многое, но в криптопространстве двумя основными вариантами использования в настоящее время являются «финансы агентов» (Agentic Finance) и «платежи агентов» (Agentic Payments).
- Промежуточный слой: соединяющая организация — от фреймворков для создания и идентификации агентов, рынков агентов до уровня координации.
- Инфраструктурный слой: базовые ресурсы ИИ — уровень конфиденциальности и верификации, вычисления, логический вывод, обучение, данные и хранение.
Слой приложений и услуг
Финансы агентов преобразуют подсказки на естественном языке в действия в блокчейне.
Агент ARMA от @gizatechxyz уже обработал более 4,6 млрд долларов агентского объема торгов на избранных кредитных рынках — работает блочно, без хранения, на фреймворке AVS EigenLayer.
@Infinit_Labs управляет кластером из более чем 20 специализированных агентов, способных преобразовать намерения типа «заработать 1000 долларов в месяц с 1 BTC» в стратегии одним кликом на Ethereum, Solana и Base.
@coinvestai от Liquid внедряет исполнение в реальном времени непосредственно в ChatGPT и Claude, поддерживая торговлю на 500+ рынках через Model Context Protocol.
@minara интегрируется с Hyperliquid и недавно присоединилась к Lighter. Она запускает полный цикл торговли «анализ → решение → исполнение» через модель DMind и 50+ интеграций.
@Cod3xOrg: сеть из легковесных ИИ-агентов, способных преобразовывать намерения в построенные и исполненные транзакции в блокчейне.
@Zyfai_: самодепозитный агент DeFAI, автоматизирующий и оптимизирующий фарминг доходов, постоянно ребалансирующий капитал между протоколами для достижения скорректированной на риск APY без вмешательства человека.
На рынках прогнозирования @SynthdataCo — это подсеть Bittensor, работающая как децентрализованная сеть интеллектуального финансового прогнозирования. Майнеры соревнуются в моделировании краткосрочной ценовой неопределенности. Она уже поставляет данные в реальном времени для таких продуктов, как Mode AI Quant на рынках Kalshi Crypto.
Платежи агентов: машина платит машине
Как интернет стал слоем коммуникаций для цифровой экономики, блокчейн и стейблкоины становятся расчетным слоем для платежей агентов.
По состоянию на май 2026 года, x402 обработал более 173 миллионов транзакций на Base и Solana, членами фонда x402 являются Google, Visa, AWS, Circle, Anthropic, Stripe и Cloudflare. Stripe использует его с февраля 2026 года; AWS запустил нативный AgentCore Payments.
Активность покупателей и продавцов растет, большинство транзакций связано с реальным использованием по факту потребления: вызовы API, услуги логического вывода ИИ, коммерция агентов и подобные рабочие нагрузки. Первоначальный цикл хайпа остыл, но базовое притяжение начинает набирать обороты.
Тем временем, протокол платежей машин Stripe и Tempo появляется как второй путь, с момента запуска зафиксировано более 411,9 тыс. транзакций и 9600 покупателей.
Эти сети вместе указывают на более широкий сдвиг в сторону машинной коммерции, где программные агенты могут автономно торговать со скоростью машины.
Промежуточный слой
С ростом числа агентов ключевой проблемой становится координация: как агенты находят друг друга, доказывают свою идентичность и совершают сделки без участия человека.
Пробел в доверии здесь является узким местом. Предполагаемый масштаб коммерции агентов к 2030 году достигнет 1,5–5 трлн долларов, но внедрение ограничено одним моментом — большинство пользователей готовы позволить ИИ проводить исследования, но немногие готовы позволить ИИ реально совершать покупки.
Сегодняшние системы по-прежнему полагаются на API-ключи, и почти ни одна система не рассматривает агентов как объекты с идентичностью.
@GoKiteAI строит специализированный L1, в котором идентичность и платежи являются нативными примитивами. ERC-8004 — это стандарт Ethereum, предоставляющий агентам портируемую идентичность и репутацию в блокчейне, которые могут следовать за ними через цепочки.
На рынке @virtuals_io является операционной системой для экономики агентов на Base. По состоянию на июнь 2026 года он обработал более 2,38 миллиона задач агентов, породив почти 480 миллионов долларов «ВВП агентов».
Но жемчужиной этого слоя является Bittensor. Это сеть специализированных подсетей, каждая из которых представляет собой микроэкономику, где майнеры запускают модели ИИ, валидаторы оценивают выходные данные, а эмиссии TAO поступают тем, кто производит наиболее полезную работу. Три механизма делают его экономически серьезным:
- Халвинг в декабре 2025 года сократил ежедневную эмиссию TAO с 7200 до 3600, что соответствует жесткому лимиту в 21 миллион.
- Обновление dTAO предоставляет каждой подсети свой собственный токен Alpha и пул AMM — рынок определяет эмиссию.
- Обновление Taoflow (запущено в ноябре 2025 года) распределяет эмиссию исключительно на основе чистого потока стейкинга. Подсеть может упасть до нуля, если объем дестейкинга превышает объем стейкинга. По замыслу это дарвинизм.
Сеть превысила 128 активных подсетей, и, как сообщается, три крупнейшие вычислительные подсети достигли совокупного годового дохода в 20 миллионов долларов в течение трех месяцев после монетизации. Дарвинизм — это продукт.
Другие проекты сосредоточены на создании специализированных блокчейнов для ИИ или предоставлении инструментов, фреймворков и стимулов, необходимых для поддержки принадлежащих сообществу экосистем ИИ.
@NEARProtocol: невидимый координационный слой, сочетающий расчеты, идентичность, конфиденциальность, TEE, MPC и защиту PII для обслуживания автономных агентов.
@base — «главная база» экономики агентов. Base MCP позволяет таким инструментам ИИ, как Claude, ChatGPT, Cursor, выполнять действия в блокчейне — обмены, переводы, взаимодействия с DeFi на таких платформах, как Uniswap, Morpho, Avantis — через промпты.
@SentientAGI: ее экосистема GRID соединяет агентов, модели, данные и вычисления, маршрутизируя запросы к специализированным участникам для получения наилучшего результата.
@gensynai: верифицируемое выполнение ML, координирующее распределенное оборудование для обучения и логического вывода при обеспечении доверия к работе, токен $AI координирует сеть.
@SaharaAI соединяет данные, модели, агентов и вознаграждения в единой нативной для ИИ экосистеме.
Инфраструктурный слой
Инфраструктура — это скелет ИИ — базовые примитивы для сырых вычислений, логического вывода, обучения, данных и конфиденциальности, от которых зависят все верхние слои. Это самый капиталоемкий слой в стеке децентрализованного ИИ.
Децентрализованные вычисления
@akashnet запускает рынок обратных аукционов, где провайдеры делают ставки, чтобы выиграть ваши рабочие нагрузки. В первом квартале 2026 года количество новых лизингов выросло на 27%, достигнув 43 500+, это третий квартал подряд с ростом. Его служба логического вывода AkashML в апреле обработала почти 120 миллиардов токенов, цены на 60–85% дешевле, чем у основных облачных провайдеров.
@rendernetwork сообщил о росте использования на 428% в годовом исчислении.
@ionet агрегировал более 130 000 GPU из 130+ стран на Solana.
@AethirCloud — один из действительно доходных: сообщает о примерно 166 миллионах долларов годового дохода (третий квартал 2025 года), предоставив более 1,5 миллиарда вычислительных часов.
Распределенный и верифицируемый логический вывод
Логический вывод составляет более 70% операционных затрат на ИИ, Goldman Sachs прогнозирует, что агентский ИИ приведет к 24-кратному росту потребления токенов к 2030 году — до 120 триллионов токенов в месяц.
Децентрализованный ответ — сделать логический вывод дешевым, приватным и проверяемым.
@AskVenice уже обслуживает более 2 миллионов пользователей более 50 миллиардами токенов ежедневно через приватные и не подверженные цензуре модели, его ров — это модели.
@OpenGradient обработал более 2 миллионов верифицируемых логических выводов, сгенерировав 500 000+ доказательств zkML.
@chutes_ai: разработчики могут развертывать и масштабировать модели ИИ через простой API, поддерживаемый майнерами GPU, стоимость может быть до 85% дешевле, чем у AWS. Доход платформы преобразуется в спрос на токен через механизм автоматического стейкинга.
@dphnAI — децентрализованная сеть логического вывода ИИ. Примечательно, что Dolphin разработала не подверженные цензуре модели, используемые Venice AI, и направляет 100% дохода сети на выкуп токенов.
Децентрализованное обучение
Обучение — самая сложная проблема и проблема с наибольшим влиянием — оно определяет, должны ли передовые модели строиться внутри трех-четырех корпоративных лабораторий.
INTELLECT-1 (10 миллиардов параметров) от @PrimeIntellect — первая глобальная распределенная сессия обучения; INTELLECT-2 (32 миллиарда параметров) — первая распределенная сессия обучения с подкреплением.
@tplr_ai успешно обучила Covenant-72B на более чем 70 распределенных узлах, обработав около 1,1 триллиона токенов, снизив затраты на связь в 146 раз.
@NousResearch: ее сеть Psyche реализует отказоустойчивое распределенное обучение, Hermes 4.3 стала первой моделью Hermes, обученной на децентрализованной инфраструктуре, а не на централизованном кластере.
Подсеть IOTA (SN9) @MacrocosmosAI занимается децентрализованным предварительным обучением LLM и «обучением дома», ее подсеть Data Universe (SN13) обрабатывает слой данных. Серия алгоритмов DiLoCo с низкой коммуникацией позволяет GPU, разбросанным по всему миру, сотрудничать без сверхбыстрых внутренних сетей центра обработки данных.
Децентрализованная доступность данных и хранение
Оба становятся узкими местами по мере увеличения масштаба рабочих нагрузок ИИ. Передовые модели потребляют огромное количество свежих данных, а потребности в хранении резко возросли до такой степени, что основные поставщики жестких дисков сообщают, что мощности распроданы на годы вперед.
Экономика привлекательна. Децентрализованное хранение может быть на 60-80% дешевле, чем традиционные облачные провайдеры, такие сети, как @Filecoin, предлагают цены на хранение ниже 1 доллара за ТБ в месяц, тогда как централизованные альтернативы стоят около 30 долларов.
@grass платит за неиспользуемую пропускную способность более 2,5 миллионов узлов из 190 стран, позволяя лабораториям ИИ сканировать сеть в реальном времени.
@WalrusProtocol — быстрорастущий конкурент, созданный @Mysten_Labs, для децентрализованного хранения и доступности данных — использует двухмерное стирающее кодирование для эффективного хранения больших «блобов» и всё чаще позиционируется как слой постоянной памяти для ИИ-агентов.
@eigencloud: верифицируемая облачная платформа, построенная вокруг доступности данных, верифицируемых вычислений и разрешения споров. Обеспеченная рестейкингом ETH, ее теория заключается в том, чтобы позволить ИИ-агентам работать с криптографическими гарантиями, делая действия доказуемыми, поддающимися аудиту и исполняемыми.
@vana — L1 EVM, где Data DAOs и Data Liquidity Pools превращают личные данные в токенизируемые, торгуемые активы.
@reppo и @oroagents создают качественные и надежные наборы данных для обучения ИИ через стимулирующие конкурсы.
Уровень конфиденциальности и верификации
Обычный пользователь ИИ не может проверить, обрабатывает ли модель его данные конфиденциально, правильно ли выполняет вычисления или даже использует ли заявленную модель.
В 2026 году конфиденциальность и верификация становятся необходимым условием для ИИ, а не дополнительной функцией.
@nillion — «слепой компьютер», использующий MPC и собственный Nil Message Compute для выполнения вычислений на зашифрованных данных без их расшифровки. Варианты использования включают приватный логический вывод ИИ, зашифрованные базы данных и приватный RAG (позволяющий ИИ запрашивать частные базы знаний без их раскрытия).
@Arcium: децентрализованная сеть конфиденциальных вычислений на Solana. Варианты использования включают Umbra (скрытые переводы / приватный доход) и конфиденциальное обучение ИИ на чувствительных наборах данных.
@OasisProtocol: L1 с приоритетом конфиденциальности, использующий ROFL (Runtime Offchain Logic), фреймворк на основе TEE для запуска верифицируемых, защищенных конфиденциальностью вычислений вне блокчейна — для ИИ-агентов, обучения моделей или оракулов.
@octra: L1 с приоритетом конфиденциальности с нативной поддержкой FHE, использующий собственную схему HFHE (Hypergraph FHE), разработанную для параллельных зашифрованных вычислений и пропускной способности.
@eigencloud: тяжеловес в области верификации, построенный на основе безопасности рестейкинга EigenLayer. EigenAI (верифицируемый логический вывод LLM — это API, совместимый с OpenAI, для открытых моделей, где промпт и ответ доказуемо не были подделаны) и EigenCompute (верифицируемое исполнение вне блокчейна для логики агентов).
@PhalaNetwork. Облачные GPU мощны, но не приватны; Phala делает рабочие нагрузки доказуемыми и даже скрытыми от самой Phala. Её основной продукт — GPU TEE на Phala Cloud — развертывает открытые модели на оборудовании, предоставляя API, совместимый с OpenAI, где каждое логическое заключение имеет криптографическое доказательство.
Направление децентрализованного ИИ в 2026-2027 годах
Спрос на ИИ растет быстрее, чем развивается инфраструктура, ИИ-агенты становятся основным двигателем роста — блокчейн-трек готов.
Вычисления превращаются в класс активов, рынки на блокчейне становятся их финансовым слоем. Институциональные участники переходят от экспериментов к инвестициям в инфраструктуру.
Токеномика становится структурным преимуществом децентрализованного ИИ в координации капитала, вычислений и данных. Возможности расширяются от ИИ до робототехники, автономных машин и физического ИИ.
Заключение
Децентрализованный ИИ растет во всех основных слоях стека — инфраструктуре, промежуточном программном обеспечении, приложениях — что проявляется в доходах от вычислений, растущей экономике агентов и масштабном распределенном обучении.
Но эта область всё ещё находится на ранней стадии. Доходы часто отстают от токенных стимулов, внедрение остается неравномерным, и, хотя общие инвестиции в ИИ резко выросли, децентрализованный ИИ по-прежнему составляет лишь небольшую часть венчурного капитала. Управляемые токенами сети могут быть мощным преимуществом, но только при правильной конструкции захвата стоимости.
Тем не менее, появление таких проектов, как Bittensor, NEAR, Virtuals, Base и Venice, свидетельствует о том, что децентрализованный ИИ эволюционирует от спекулятивных нарративов к новой модели координации вычислений, данных, капитала и интеллекта.
