Yellow.com

Najpotężniejsze dziś modele sztucznej inteligencji są kontrolowane przez kilka firm. To one ustalają ceny, decydują, kto ma dostęp, i posiadają każdą wagę oraz parametr, których model uczy się na danych użytkowników.

Sentient (SENT) wystartował w 2026 r. jako bezpośrednie wyzwanie dla tego scentralizowanego układu sił. Buduje otwartą platformę AI, w której kontrybutorzy mają kryptograficznie potwierdzony udział w modelach, które współtworzą. Token SENT w lipcu 2026 r. wyskoczył o ok. 26% w jeden dzień, sygnalizując, że rynek uważnie śledzi narrację zdecentralizowanej AI.

Sentient nie jest jednak wyjątkiem. Coraz szersza grupa protokołów wykorzystuje blockchainy do egzekwowania otwartej własności modeli, koordynowania rozproszonego treningu oraz uruchamiania rynków inference, gdzie każdy może udostępnić moc obliczeniową i zarabiać. Zrozumienie, jak te sieci faktycznie działają – na poziomie bodźców ekonomicznych, kryptografii i rozliczeń on-chain – to najlepszy sposób, by oddzielić realną infrastrukturę od czystego hype’u.

TL;DR

Zdecentralizowane sieci AI wykorzystują blockchainy, by egzekwować prawa własności do modeli, tak aby kontrybutorów nie można było „wyciąć” po zakończeniu treningu.

Trening i inference są rozdzielone na osobne warstwy; kontrybutorzy zarabiają za moc obliczeniową i dane na każdym etapie, a wszystko jest rozliczane on-chain.

Dowody kryptograficzne (zero‑knowledge lub kryptograficzne atestacje) pozwalają sieci weryfikować poprawność inference bez ponownego uruchamiania całego modelu.

Tokeny governance dają kontrybutorom realny wpływ na aktualizacje modeli, struktury opłat i zasady dostępu.

Kluczowy kompromis to wydajność kontra weryfikowalność: w pełni on‑chain inference wciąż jest wolniejsze i droższe niż scentralizowane API, ale dystans szybko się zmniejsza.

Dlaczego zamknięta AI jest strukturalnym problemem dla otwartych sieci

Każdy duży model AI jest trenowany na danych, które skądś pochodzą. Użytkownicy, badacze i społeczności open source tworzą tekst, kod i obrazy, na których modele się uczą. W obecnym, scentralizowanym modelu ci kontrybutorzy nie dostają nic. Całą wartość przechwytuje firma trenująca model.

To rodzi efekt kuli śnieżnej. Najlepsi kontrybutorzy przestają dzielić się danymi, gdy uświadamiają sobie, że są one wykorzystywane bez jakiejkolwiek kompensacji.

Wtedy modele zaczynają być uzależnione od tego, co firma jest w stanie legalnie pozyskać – często poprzez scrapowanie otwartego internetu na podstawie regulaminów, które stają się przedmiotem sporów sądowych. Pipeline treningowy staje się bardziej eksploatacyjny niż kooperacyjny.

Zdecentralizowane sieci AI proponują inny układ. Kontrybutorzy są rejestrowani on-chain jeszcze przed rozpoczęciem treningu. Ich wkład – dane i moc obliczeniowa – jest zapisywany jako weryfikowalne wejścia. Smart kontrakty rozdzielają przychody z wykorzystania modelu z powrotem do tych kontrybutorów według reguł ustalonych zanim ktokolwiek zużyje choćby godzinę GPU.

Blockchain nie wykonuje tu obliczeń AI. Egzekwuje umowę własności, która sprawia, że dobrowolne współdzielenie zasobów ma ekonomiczny sens.

Also Read: https://yellow.com/agentic-trading

Jak naprawdę działa własność modelu on-chain

Własność modelu w zdecentralizowanej sieci AI to nie to samo, co posiadanie pliku. Wytrenowany model to zestaw wag numerycznych – często miliardy liczb zmiennoprzecinkowych – rozproszonych po wielu węzłach. „Posiadanie modelu” oznacza posiadanie egzekwowalnego udziału w przychodach generowanych przez ten model oraz praw głosu w sprawie jego dalszego rozwoju.

Mechanizm opiera się na „mintingu” powiązanym z pierwszym treningiem modelu. Gdy model jest po raz pierwszy wdrażany, sieć emituje ograniczoną pulę tokenów własnościowych odpowiadających konkretnemu modelowi. Kontrybutorzy, którzy dostarczyli dane, moc obliczeniową lub kod w trakcie treningu, otrzymują proporcjonalny przydział tych tokenów.

Formuła alokacji jest zapisana w smart kontrakcie przed rozpoczęciem treningu i nie może zostać później zmieniona.

Za każdym razem, gdy ktoś płaci za inference – zapytanie o predykcję, wygenerowany tekst czy embedding – opłata jest dzielona między infrastrukturę obsługującą inference a posiadaczy tokenów własnościowych. Proporcje podziału ustala governance. Jeśli model staje się szeroko używany, pierwotni kontrybutorzy nadal czerpią z niego przychody bez dodatkowej pracy – konstrukcyjnie przypomina to tantiemy.

Sentient idzie o krok dalej dzięki systemowi „Sentient Model Fingerprinting”. Każdy model wytrenowany na platformie Sentient otrzymuje wbudowany kryptograficzny „odcisk palca”, który powiązuje wyniki inference z konkretną wersją modelu.

Dzięki temu można wykrywać sytuacje, gdy ktoś skopiował wagi modelu i uruchamia inference z pominięciem opłaty dla właścicieli – czyli swoistą piraterię, która przy zamkniętych wagach jest banalna do przeprowadzenia, a trudna do udowodnienia. Fingerprint tworzy on-chain ścieżkę audytu, która pozwala egzekwować podział przychodów nawet przy technicznie otwartych wagach.

Also Read: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic

Dwie warstwy: rozproszony trening i rynki inference

Zdecentralizowane sieci AI dzielą cykl życia modelu na dwa odrębne poziomy ekonomiczne. Zrozumienie każdego z nich osobno jest kluczowe, bo angażują innych uczestników, inne bodźce i inne wyzwania techniczne.

Warstwa treningowa to miejsce, gdzie model się uczy. W systemie scentralizowanym jedna firma uruchamia trening na własnej infrastrukturze. W sieci zdecentralizowanej trening jest rozproszony między wielu kontrybutorów, z których każdy wykonuje część obliczeń.

Głównym problemem jest koordynacja: wszyscy uczestnicy muszą mieć spójny obraz stanu modelu na każdym kroku, co wymaga mechanizmu konsensusu dostosowanego do aktualizacji gradientów, a nie tylko transakcji finansowych. Projekty takie jak Bittensor i Gensyn budują w tym celu wyspecjalizowane protokoły, wykorzystujące on-chain scoring jakości gradientów każdego uczestnika i odpowiednie nagrody.

Warstwa inference to etap, w którym wytrenowany model generuje odpowiedzi dla użytkowników końcowych. Ekonomicznie różni się to od treningu: inference jest powtarzalne, czasowo wrażliwe i relatywnie łatwiejsze do weryfikacji. Użytkownik wysyła zapytanie, operator inference uruchamia model na swoim sprzęcie, a wynik wraca do użytkownika. Kluczowe pytanie brzmi: skąd wiadomo, że operator użył właściwego modelu, a nie tańszego zamiennika?

Tu pojawia się idea rynków inference. Wiele podmiotów konkuruje o obsługę zapytania. Zwycięski operator uruchamia model i odsyła wynik wraz z dowodem kryptograficznym. Inni operatorzy mogą przeprowadzać losowe kontrole w ramach mechanizmu „challenge”. Nieuczciwi tracą zdeponowany stake, uczciwi zarabiają opłaty. Taka struktura rynku tworzy zachętę do rzetelności bez konieczności weryfikowania każdego wyniku przez całą sieć.

„Rynki inference czerpią z ekonomicznego projektu rynków predykcyjnych: uczestnicy stawiają kapitał na poprawność swoich wyników, a błędne rezultaty są karane poprzez slashing – ten sam mechanizm, który służy do dyscyplinowania nieuczciwych walidatorów w sieciach proof‑of‑stake.”

Also Read: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test

Jak dowody kryptograficzne weryfikują wyniki AI bez ponownego uruchamiania modelu

Najtrudniejszym problemem technicznym w zdecentralizowanej AI jest weryfikacja. Jednorazowe uruchomienie dużego modelu językowego jest kosztowne. Uruchamianie go dwa razy tylko po to, by sprawdzić pierwszy wynik, na dużą skalę nie ma ekonomicznego sensu. Bez weryfikacji cały system bodźców się sypie: operator mógłby zwrócić dowolny „wiarygodnie brzmiący” tekst i zgarnąć opłatę.

W 2026 r. aktywnie rozwijane są dwa podejścia.

Zero‑knowledge proofs dla inference pozwalają operatorowi wygenerować matematyczny dowód, że określone obliczenie zostało wykonane poprawnie – bez ujawniania wag modelu i bez konieczności ponownego uruchamiania modelu przez weryfikatora. Weryfikacja dowodu jest znacznie tańsza niż jego wygenerowanie. Projekty takie jak Modulus Labs i ZKML pokazały, że to działa dla mniejszych modeli, ale narzut obliczeniowy przy modelach z górnej półki (70 mld parametrów i więcej) nadal jest ogromny. Wygenerowanie dowodu dla pojedynczego inference na dużym modelu może zajmować minuty na wyspecjalizowanym sprzęcie, podczas gdy samo inference trwa milisekundy.

Optymistyczne wykonywanie z fraud proofs to inne podejście, zapożyczone z konstrukcji optimistic rollups w sieci Ethereum (ETH). Wyniki są z założenia uznawane za poprawne. Każdy może je zakwestionować w określonym oknie czasowym, ponownie uruchamiając obliczenie na węźle referencyjnym. Jeśli kwestionujący wykaże, że wynik był błędny, pierwotny operator traci swój stake, a nagrodę otrzymuje challenger.

W typowych warunkach, gdy operatorzy są uczciwi, to podejście jest szybsze, ale wprowadza opóźnienie, zanim wynik będzie uznany za ostateczny.

Większość systemów produkcyjnych w 2026 r. stosuje hybrydę: optymistyczne wykonywanie przy standardowych zapytaniach z losowymi kontrolami zero‑knowledge, które utrzymują dyscyplinę operatorów bez konieczności weryfikacji każdej pojedynczej odpowiedzi. Proporcja zapytań sprawdzanych do niesprawdzanych jest parametrem governance, który posiadacze tokenów mogą dostosowywać wraz ze spadkiem kosztów generowania dowodów.

Also Read: https://yellow.com/news/openai-safety-veteran-exit-history

Rola tokenów governance w rozwoju modeli

Tokeny governance w zdecentralizowanej sieci AI robią znacznie więcej niż zatwierdzanie aktualizacji protokołu. Decydują o kwestiach bezpośrednio wpływających na wartość ekonomiczną modelu: które zbiory danych można wykorzystać w przyszłym fine‑tuningu, jakie filtry bezpieczeństwa zastosować, jak ustawić podział opłat za inference oraz czy wagi modelu mogą zostać w pełni upublicznione, czy też muszą pozostać częściowo ograniczone.

To tworzy zupełnie inny układ sił niż w zamkniętej AI. W modelu scentralizowanym o tych sprawach decyduje wewnętrzny zespół ds. bezpieczeństwa albo zarząd spółki. W modelu zdecentralizowanym realny wpływ przesuwa się do posiadaczy tokenów i kontrybutorów, którzy ponieśli koszt wytrenowania modelu. Jakie bezpieczniki zastosować? W sieci zdecentralizowanej decyzje w tej sprawie podejmują posiadacze tokenów – a ich interesy często są sprzeczne.

Ci, którym zależy przede wszystkim na maksymalizacji możliwości modelu, mogą głosować przeciw ograniczeniom bezpieczeństwa, jeżeli te obniżają wydajność w określonych zastosowaniach. Z kolei uczestnicy skupieni na zgodności z regulacjami w swoich jurysdykcjach będą naciskać na ostrzejsze filtry.

Praktyczne rozwiązanie, do którego doszła większość sieci, to dwupoziomowy model zarządzania. Rada główna (core council), wybierana przez posiadaczy tokenów, podejmuje szybkie decyzje dotyczące bezpieczeństwa – takie, które nie mogą czekać na pełne głosowanie społeczności. Kluczowe parametry ekonomiczne, jak struktura opłat czy podział przychodów, trafiają na otwarte głosowanie posiadaczy tokenów, z dłuższym okresem dyskusji. To konstrukcja przypominająca to, jak zarządzanie rozwiązano w wielu protokołach DeFi, takich jak Aave czy Compound, po odkryciu, że w pełni on-chain, w pełni „demokratyczne” governance jest podatne na ataki przy niskiej frekwencji i manipulacje w ostatniej fazie głosowania.

Zarządzanie modelem wprowadza też wyzwanie specyficzne dla AI: pytanie o to, czym model stanie się po aktualizacjach. Kontrybutor, który pomagał trenować model w wersji pierwotnej, trzyma tokeny odzwierciedlające jego wartość. Jeżeli społeczność przegłosuje duży cykl fine-tuningu, który istotnie zmieni zachowanie modelu, to czy te tokeny nadal reprezentują roszczenia do tego samego aktywa? Większość protokołów rozwiązuje to poprzez emisję nowego tokena dla każdej dużej wersji modelu i przydzielanie dotychczasowym posiadaczom proporcjonalnego udziału w nowej emisji – podobnie jak akcjonariusze otrzymują udziały w spółce wydzielonej (spin-off).

Also Read: https://yellow.com/news/bitcoin-63k-war-chatter

Wkład danych, prywatność i problem federacyjnego treningu

Jednym z kluczowych wyzwań projektowych w każdej zdecentralizowanej sieci AI jest to, jak pozwolić dostawcom danych uczestniczyć w treningu modeli, nie ujawniając przy tym wrażliwych informacji. Dane medyczne, finansowe czy prywatna komunikacja to jedne z najcenniejszych zasobów do trenowania wyspecjalizowanych modeli AI. Kontrybutorzy nie mogą jednak po prostu wrzucić takich danych do wspólnej sieci, nie generując gigantycznego ryzyka naruszenia prywatności i przepisów.

Częściowe rozwiązanie oferuje uczenie federacyjne (federated learning). Zamiast wysyłać surowe dane do centralnego węzła treningowego, każdy kontrybutor lokalnie trenuje aktualizację modelu na własnym zbiorze, a do sieci wysyła wyłącznie gradient – matematyczny wektor „kierunku”, w jakim należy przesunąć wagi modelu. Sieć agreguje gradienty od wielu uczestników, nigdy nie widząc bazowych danych. Model poprawia swoje parametry, korzystając z prywatnych danych, które formalnie nigdy nie opuszczają środowiska kontrolowanego przez dostawcę.

Rola blockchaina w uczeniu federacyjnym to koordynacja i rozliczenia. Smart kontrakty zapisują, którzy kontrybutorzy dostarczyli gradienty w danej rundzie treningowej, oceniają jakość i użyteczność każdej aktualizacji za pomocą funkcji ewaluacyjnych działających on-chain i rozdzielają wynagrodzenia. Problem oceny nie jest trywialny: uczestnik mógłby wysyłać losowe gradienty i pobierać nagrody bez wykonania realnej pracy. Protokoły takie jak FedML oraz framework treningowy Sentient wykorzystują kryptograficzne zobowiązania (commitments) i mechanizmy opóźnionego ujawnienia, aby takie zachowania wykrywać – wymagają od kontrybutorów, by najpierw kryptograficznie „zamrozili” swój gradient, zanim zobaczą zgłoszenia innych.

Na to nakłada się zazwyczaj różnicowa prywatność (differential privacy), która daje formalne, matematyczne gwarancje, że pojedyncze przykłady treningowe nie mogą zostać zrekonstruowane na podstawie opublikowanych wag modelu. „Budżet prywatności” – czyli ile informacji model może potencjalnie ujawnić o pojedynczym rekordzie danych – staje się kolejnym parametrem zarządzania, pozwalając posiadaczom tokenów świadomie balansować między użytecznością modelu a ochroną danych kontrybutorów.

„Uczenie federacyjne w połączeniu z różnicową prywatnością daje zdecentralizowanym sieciom AI wiarygodną odpowiedź na problem ochrony danych. Kontrybutor nigdy nie oddaje swoich danych. Sieć nigdy ich nie widzi. A model i tak z nich korzysta i się poprawia.”

Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai

Kto realnie korzysta dziś ze zdecentralizowanych sieci AI

Zrozumienie mechaniki to jedno. Rozpoznanie, kto faktycznie powinien się tym interesować w 2026 r., to drugie. Technologia jest już dziś realnie użyteczna w wybranych segmentach – i równie realnie niepraktyczna w innych.

Niezależni badacze AI i kontrybutorzy open source są na razie największymi beneficjentami. Mogą dostarczać moc obliczeniową do treningu albo selekcjonowane zbiory danych dla modeli, w które wierzą, w zamian otrzymując mierzalny udział własnościowy i strumień przychodów z późniejszego wykorzystania modelu. Alternatywą jest kontrybuowanie do otwartych modeli typu pochodne LLaMA – co buduje reputację, ale najczęściej nie daje udziału w komercyjnych zyskach.

Przedsiębiorstwa z wrażliwymi danymi i ostrymi wymogami compliance coraz częściej interesują się konfiguracjami z uczeniem federacyjnym. System szpitalny, który chce wyspecjalizowanego modelu medycznego, nie może po prostu wysłać dokumentacji pacjentów do scentralizowanego dostawcy. Federacyjna, zdecentralizowana sieć pozwala mu uczestniczyć w treningu, pozostawiając dane na własnej infrastrukturze. Rejestr własności i wkładu on-chain tworzy ślad audytowy, który pomaga spełniać wymogi regulatorów.

Protokoły DeFi i aplikacje Web3 potrzebują inferencji AI, której nie da się ocenzurować lub odciąć przez jednego scentralizowanego dostawcę API. Rynek predykcyjny wykorzystujący AI do przetwarzania danych o wydarzeniach z realnego świata nie może ryzykować, że dostawca wyłączy mu dostęp do API w środku działania rynku. Zdecentralizowane rynki inferencji oferują redundancję i odporność na cenzurę, której modele dystrybuowane wyłącznie przez centralne API strukturalnie nie są w stanie zapewnić.

Detalicznym posiadaczom tokenów przypada najbardziej niejednoznaczna rola. Token governance daje prawo głosu i udział w opłatach, ale wymaga aktywnego uczestnictwa, by realnie przechwycić wartość. Pasywni holderzy, którzy nie głosują, są de facto rozwadniani przez aktywnych uczestników. Dynamika przypomina posiadanie tokenów governance w protokołach DeFi: ekonomiczny upside jest realny, ale wymaga zaangażowania.

Also Read: https://yellow.com/news/solana-etf-bitwise-filing

Prawdziwy dylemat: wydajność kontra weryfikowalność

Każda uczciwa analiza zdecentralizowanej AI musi zmierzyć się z tym, co dziś wciąż nie działa idealnie. Sedno problemu jest fundamentalne: im bardziej weryfikowalne czynisz obliczenia AI, tym wolniejsze i droższe się one stają.

Scentralizowane API pokroju GPT-5 od OpenAI zwraca wynik inferencji po około 500 milisekundach dla typowego zapytania. W pełni zweryfikowana, zero‑knowledge inferencja na modelu o podobnej skali zajmuje – w 2026 r. – od 30 sekund do kilku minut, w zależności od sprzętu i zastosowanego systemu dowodów. Dla zastosowań wrażliwych na opóźnienia – sygnały tradingowe na żywo, moderacja treści w czasie rzeczywistym, interaktywne chatboty – ta luka jest wciąż zaporowa.

Podejście optymistycznej egzekucji (optimistic execution) tę lukę istotnie zawęża. W trybie optimistic inference latencja pierwszego wyniku jest praktycznie taka sama jak w scentralizowanym API. Ceną jest jednak opóźniona finalność: aplikacje muszą odczekać okno na złożenie ewentualnych wyzwań (challenge window), zanim uznają wynik za ostateczny. Dla większości zastosowań Web3, kilka minut takiego okna jest akceptowalne. Dla aplikacji stricte czasu rzeczywistego – nie.

Na tle kosztów obraz jest korzystniejszy. Scentralizowani dostawcy API naliczają wysokie stawki za dostęp do modeli z czółka stawki, bo dysponują istotną siłą cenową. Konkurencyjny rynek inferencji, gdzie wielu operatorów rywalizuje o realizację zapytań, spycha ceny w okolice kosztu krańcowego. Wstępne dane z rynków inferencji, takich jak oferta AI compute w Akash Network, sugerują, że skomodytyzowana moc GPU, kupowana przez zdecentralizowane marketplace’y, potrafi być o 30–60% tańsza niż równoważne usługi scentralizowanych API – o ile nie mówimy o absolutnie najbardziej zaawansowanych modelach.

Uczciwy wniosek jest taki, że zdecentralizowane sieci AI są już produkcyjnie gotowe dla zastosowań tolerujących opóźnienia, wyczulonych na prywatność lub wymagających odporności na cenzurę. Nadal nadrabiają dystans w zastosowaniach czasu rzeczywistego i na granicy możliwości modeli, gdzie najlepsi dostawcy scentralizowani mają wciąż trwałą przewagę. Kierunek rozwoju sprzętu do generowania dowodów i badań nad zkML wskazuje, że różnica będzie się zmniejszać – ale w przewidywalnej przyszłości raczej całkowicie nie zniknie.

Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

Zakończenie

Zdecentralizowane sieci AI nie próbują zastąpić klastrów GPU, na których trenowane są najbardziej zaawansowane modele.

Budują za to warstwę ekonomiczno‑prawną ponad rozwojem AI, która sprawia, że dobrowolny wkład staje się racjonalny, otwarta własność – egzekwowalna, a przychody z inferencji – audytowalne. Blockchain pełni tu rolę rejestru własności i warstwy rozliczeniowej, a nie superkomputera.

Letnia hossa na tokenie Sentient w lipcu 2026 r. odzwierciedla rynek, który zaczyna wyceniać tezę, że otwarty rozwój AI potrzebuje wiarygodnego modelu ekonomicznego, by przetrwać w starciu z dobrze dofinansowaną, zamkniętą konkurencją. Mechanizmy takie jak on‑chain fingerprinting modeli, rynki inferencji z kryptograficzną weryfikacją czy federacyjne treningi z różnicową prywatnością nie są już teorią. Działają w produkcji na sieciach, które realnie płacą kontrybutorom już dziś.

Zdecentralizowana sztuczna inteligencja zmienia układ sił nad modelami napędzającymi Web3