Самыми мощными моделями искусственного интеллекта сегодня распоряжается узкая группа корпораций. Они устанавливают тарифы, решают, кто получит доступ, и владеют всеми весами и параметрами, которые модель извлекает из пользовательских данных.
Sentient (SENT), запущенный в 2026 году, изначально задумывался как прямой вызов этой модели. Проект строит открытую ИИ‑платформу, где участники получают подтверждаемую долю в моделях, созданных с их участием. В июле 2026 года токен Sentient подскочил примерно на 26% за сутки — сигнал того, что рынок внимательно отслеживает нарратив децентрализованного ИИ.
Но Sentient не одинок. Растущий класс протоколов использует блокчейн, чтобы закреплять открытую собственность на моделях, координировать распределённое обучение и запускать рынки вывода (inference), где любой может предоставить вычислительные ресурсы и зарабатывать. Понимание того, как эти сети устроены на уровне стимулов, криптографии и ончейн‑расчётов, позволяет отделить реальную инфраструктуру от хайпа.
Кратко
- Децентрализованные ИИ‑сети используют блокчейн, чтобы юридически и экономически закрепить права на модели, исключая «выдавливание» вкладчиков после обучения.
- Обучение и вывод разделены на два слоя; участники получают вознаграждение за вычисления и данные на каждом этапе, учёт ведётся ончейн.
- Криптографические доказательства (zero‑knowledge или криптографические аттестации) позволяют сети проверять честность вывода без повторного прогона всей модели.
- Токены управления дают вкладчикам право голоса по обновлению моделей, структуре комиссий и правилам доступа.
- Базовый компромисс — производительность против проверяемости: полностью ончейн‑вывод всё ещё медленнее и дороже централизованных API, но разрыв быстро сокращается.
Почему закрытый ИИ создаёт структурную проблему для открытых сетей
Любая крупная модель ИИ обучается на чьих‑то данных. Пользователи, исследователи, опенсорс‑сообщества генерируют тексты, код и изображения, на которых учатся модели. В существующей централизованной схеме эти вкладчики не получают ничего: всю добавленную стоимость забирает компания, обучившая модель.
Это порождает нарастающую проблему. Лучшие авторы и разработчики перестают делиться данными открыто, увидев, что их труд монетизируется без какой‑либо компенсации.
В итоге модели всё больше зависят от того, какой контент компания способна законно добыть — зачастую через массовый скрейпинг открытой сети на спорных с точки зрения права условиях использования. Обучение превращается из кооперативного процесса в по сути «экстрактивный» конвейер.
Децентрализованные сети ИИ предлагают другую архитектуру. Вкладчики регистрируются ончейн до старта обучения. Их данные и вычислительные ресурсы учитываются как проверяемые входы. Смарт‑контракты распределяют выручку от использования модели обратно между этими участниками по правилам, зафиксированным ещё до того, как был потрачен первый час GPU.
Блокчейн здесь не выполняет ИИ‑расчёты. Его задача — обеспечивать исполнение соглашения о правах собственности, делая добровольный вклад экономически рациональным.
Читайте также: https://yellow.com/news/bnb-chain-agentic-trading-bnb-breakout
Как на практике работает ончейн‑собственность на модель
Право собственности на модель в децентрализованной ИИ‑сети — это не владение файлом. Обученная модель — это массив численных весов, зачастую миллиарды чисел с плавающей запятой, распределённых по узлам сети. «Владеть моделью» означает иметь подтверждённое и исполнимое требование на долю её будущей выручки, плюс права управления её развитием.
Механика строится вокруг события выпуска токенов, привязанного к первому циклу обучения модели. Когда модель впервые развёртывается, сеть выпускает фиксированный объём токенов владения, относящихся именно к этой модели. Вкладчики, предоставившие данные, вычислительные мощности или код во время обучения, получают пропорциональную долю этих токенов.
Формула распределения заранее прописана в смарт‑контракте до старта обучения и не может быть изменена задним числом.
Каждый раз, когда кто‑то платит за вывод модели — запрос предсказания, генерацию текста или эмбеддинга, — комиссия делится между инфраструктурным провайдером, выполняющим вывод, и держателями токенов владения. Пропорции задаются через управление. Если модель становится массово используемой, изначальные вкладчики продолжают получать доход, не прилагая дополнительных усилий — по сути, это аналог роялти.
Подход Sentient делает шаг дальше за счёт так называемого «Sentient Model Fingerprinting». Каждая модель, обученная на платформе Sentient, получает встроенный криптографический «отпечаток», связывающий результаты вывода с конкретной версией модели.
Это позволяет выявлять случаи, когда кто‑то копирует веса модели и запускает её в обход лицензионных выплат — форму «пиратства», практически неотличимую в мире закрытых весов и крайне сложную для доказывания. Отпечаток формирует ончейн‑аудит‑трейл, который поддерживает исполнение прав на доход даже в условиях открытых весов.
Читайте также: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
Два слоя: распределённое обучение и рынки вывода
Децентрализованные ИИ‑сети разделяют жизненный цикл модели на два отдельных экономических слоя. Понимание каждого по отдельности критично: в них задействованы разные участники, стимулы и технические риски.
Слой обучения — это этап, когда модель учится. В централизованной архитектуре этим занимается одна компания на своём оборудовании. В децентрализованной сети обучение распределено: множество провайдеров выполняют части вычислений.
Узкое место — координация: все участники должны соглашаться с состоянием модели на каждом шаге. Для этого нужен консенсус‑механизм, адаптированный не к финансовым транзакциям, а к градиентным обновлениям. Проекты вроде Bittensor и Gensyn разрабатывают специализированные протоколы: сеть ончейн‑оценками ранжирует качество градиентов отдельных узлов и вознаграждает их соответствующим образом.
Слой вывода (inference) — это этап, когда обученная модель отвечает конечным пользователям. Экономика вывода отличается от обучения: это повторяющиеся, чувствительные ко времени операции, которые проще проверять. Пользователь отправляет запрос, провайдер вывода запускает модель на своём «железе» и возвращает результат. Ключевой вопрос: откуда пользователю знать, что провайдер действительно прогнал нужную модель, а не подменил её более дешёвой?
Здесь и возникают рынки вывода. Несколько провайдеров конкурируют за право обслужить запрос. Победитель запускает модель и отправляет результат вместе с криптографическим доказательством. Другие участники рынка могут выборочно проверять ответы через механизм челленджей. Нечестные провайдеры теряют застейканное обеспечение, честные — зарабатывают комиссию. Такая рыночная конструкция создаёт стимул к точности без необходимости проверять каждый ответ всей сетью.
«Рынки вывода наследуют экономический дизайн prediction‑рынков: участники ставят капитал на корректность своих результатов, а за ошибки наказываются сжиганием стейка — тем же механизмом, который используется для дисциплинирования валидаторов в сетях с proof‑of‑stake».
Читайте также: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
Как криптографические доказательства подтверждают результаты ИИ без повторного прогона модели
Самая сложная техническая задача децентрализованного ИИ — верификация. Прогнать один раз крупную LLM уже дорого. Прогонять её дважды только ради проверки первого результата — экономический абсурд на больших объёмах. Но без верификации рушится вся система стимулов: провайдер может вернуть любой правдоподобный ответ и потребовать оплату.
В 2026 году активно развиваются два подхода.
Zero‑knowledge‑доказательства для вывода позволяют провайдеру сгенерировать математическое доказательство того, что конкретное вычисление выполнено корректно, не раскрывая веса модели и без необходимости прогонять её заново на стороне проверяющего. Верификация такого доказательства значительно дешевле его генерации. Проекты вроде Modulus Labs и ZKML продемонстрировали работоспособность подхода на относительно небольших моделях, но накладные расходы на доказательства для фронтир‑моделей (70 млрд параметров и больше) остаются существенными: создание доказательства для одного вывода может занимать минуты на специализированном «железе» против миллисекунд для самого вывода.
Оптимистичное исполнение с fraud‑доказательствами использует иной подход, заимствованный у optimistic‑роллапов Ethereum (ETH). Результаты по умолчанию принимаются за корректные. Любой участник может оспорить их в течение заданного окна, повторно выполнив вычисление на эталонном узле. Если челленджер доказывает ошибку, исходный провайдер теряет стейк, а челленджер получает вознаграждение.
В типовом случае, когда провайдеры ведут себя честно, такой подход быстрее, но добавляет задержку до окончательного подтверждения результатов.
Большинство промышленных систем в 2026 году используют гибридную схему: оптимистичное исполнение для повседневных запросов с выборочными zero‑knowledge‑проверками, чтобы поддерживать дисциплину провайдеров без тотальных издержек на верификацию. Долю проверяемых запросов определяет управление: держатели токенов могут менять параметр по мере удешевления генерации доказательств.
Читайте также: https://yellow.com/news/openai-safety-veteran-exit-history
Роль токенов управления в развитии моделей
Токены управления в децентрализованных ИИ‑сетях — это больше, чем инструмент голосования по обновлениям протокола. Через них решаются вопросы, напрямую влияющие на экономику конкретной модели: какие датасеты можно использовать для дальнейшего дообучения, какие фильтры безопасности применять, как делить комиссии за вывод и должны ли веса оставаться частными или становиться полностью открытыми.
Это формирует качественно иную конфигурацию власти по сравнению с закрытым ИИ. В централизованной модели ключевые решения принимаются менеджментом и акционерами одной компании; в децентрализованной — совокупностью разработчиков, провайдеров ресурсов и держателей токенов, чьи стимулы жёстко привязаны к стоимости и репутации конкретных моделей. В централизованной модели вопросы безопасности решает внутренняя команда компании, задающая необходимые ограничения для ИИ. В децентрализованной сети эти решения принимают держатели токенов, чьи интересы могут расходиться.
Участники, ориентированные на максимизацию мощности модели, будут голосовать против ограничений, снижающих результативность на ряде задач. Те, кто сосредоточен на регуляторных рисках в своей юрисдикции, напротив, склонны поддерживать более жёсткие фильтры.
Практически все крупные сети в итоге пришли к двухуровневой системе управления. Ключевой совет (core council), избираемый держателями токенов, оперативно принимает решения по вопросам безопасности, которые нельзя откладывать до общего голосования. Более широкие экономические параметры — структура комиссий, распределение выручки — выносятся на голосование всех держателей токенов с более длительным окном для обсуждения. Такая модель перекликается с тем, как устроено управление во многих DeFi-протоколах, включая Aave и Compound, которые в какой-то момент столкнулись с уязвимостью полностью ончейн‑демократии к атакам при низкой явке и манипуляциям в последние минуты голосования.
Управление ИИ-моделью несёт в себе и сугубо «айтишный» вызов: что именно из себя будет представлять модель после обновлений. Контрибьютор, участвовавший в обучении исходной версии, владеет токенами, отражающими её стоимость. Если голосование одобряет серьёзную дообучающую стадию, радикально меняющую поведение модели, можно ли считать, что его токены по-прежнему привязаны к тому же активу? На практике большинство протоколов решает это через выпуск нового токена под каждую мажорную версию и пропорциональное распределение его среди существующих держателей — по аналогии с тем, как акционеры получают бумаги новой компании при спин-оффе.
Также читайте: https://yellow.com/news/bitcoin-63k-war-chatter
Вклад Данных, Приватность И Проблема Федеративного Обучения
Один из ключевых конструкторских вопросов для любой децентрализованной AI‑сети — как дать поставщикам данных участвовать в обучении модели, не раскрывая конфиденциальную информацию. Медицинские карты, финансовые транзакции и личная переписка — одни из самых ценных источников данных для специализированных моделей ИИ. Но просто выложить такие массивы в общую сеть нельзя: это чревато серьёзными регуляторными и репутационными рисками.
Частичный ответ даёт федеративное обучение. Вместо того чтобы отправлять сырые данные на центральный узел, каждый участник локально обучает обновление модели на своих данных и передаёт в сеть только градиент — математическое направление, в котором нужно сдвинуть веса модели. Сеть агрегирует градиенты от множества участников, ни разу не увидев исходные данные. Модель улучшается за счёт частной информации, не покидающей периметр владельца.
Блокчейн в этой схеме выполняет роль координационного и расчётного слоя. Смарт-контракты фиксируют, какие участники отправили градиенты в каждом раунде, оценивают качество и полезность этих градиентов через ончейн‑функции и распределяют вознаграждения. Проблема здесь нетривиальная: недобросовестный участник может посылать случайные векторы и всё равно претендовать на оплату. Такие протоколы, как FedML, а также собственный фреймворк Sentient используют криптографические коммитменты и отложенное раскрытие, чтобы отсеивать подобное поведение: участник сначала криптографически «фиксирует» свой градиент, а раскрывает его уже после того, как коммиты других стали публичны.
Сверху на федеративное обучение обычно накладывают дифференциальную приватность, которая даёт формальные математические гарантии: по公開рованным весам модели нельзя восстановить отдельные записи из обучающего набора. «Бюджет приватности» — то есть, сколько информации модель в принципе может «утечь» об одном конкретном примере — становится отдельным параметром управления. Держатели токенов по сути голосуют за баланс между полезностью модели и степенью защиты тех, кто делится данными.
«Федеративное обучение плюс дифференциальная приватность дают децентрализованным AI‑сетям внятный ответ на вопрос о защите данных. Контрибьютор никогда не отдаёт свои данные. Сеть их никогда не видит. Но модель всё равно на них учится.»
Также читайте: https://yellow.com/news/gpt-56-beats-human-interns-openai
Кто Реально Выигрывает От Децентрализованных AI‑Сетей Сегодня
Разобраться в механике — одно. Понять, кому всё это действительно нужно в 2026 году, — другое. Технология уже работает в ряде конкретных сценариев и по‑прежнему неэффективна в других.
Независимые AI‑исследователи и контрибьюторы опенсорс-проектов получают выгоду наиболее очевидно. Они могут предоставлять вычислительные ресурсы или специализированные датасеты для моделей, в которые верят, получая оцифрованную долю владения и долю в доходах от использования модели. Альтернатива — вносить вклад в открытые модели семейства LLaMA и аналогичные — даёт репутацию, но не даёт долю в монетизации, если кто‑то сверху коммерциализирует результат.
Корпоративные заказчики с чувствительными данными и жёсткими комплаенс‑требованиями всё чаще смотрят в сторону федеративного обучения. Сеть клиник, которая хочет обучить специализированный медицинский ИИ, не может просто передать массивы пациентских карт централизованному провайдеру. Децентрализованная федеративная сеть позволяет ей участвовать в обучении модели, оставляя данные «на своей территории». Ончейн‑реестр прав собственности формирует аудируемый след, которого требуют регуляторы и аудиторы.
DeFi‑протоколы и Web3‑приложения нуждаются в инференсе ИИ, который нельзя цензурировать или отключить одним решением централизованного API‑провайдера. Предсказательный рынок, который полагается на ИИ для обработки новостного потока и реальных событий, не может позволить себе, чтобы провайдер внезапно перекрыл доступ к API. Децентрализованные рынки инференса дают избыточность и устойчивость к цензуре, которых по определению лишены централизованные сервисы.
Розничные держатели токенов находятся в самой неоднозначной позиции. Токен управления даёт право голоса и долю в комиссиях, но извлечь из этого экономическую выгоду можно только при активном участии. Пассивные держатели, не голосующие и не делегирующие права, фактически размываются активными участниками. Динамика очень похожа на владение governance‑токенами DeFi‑протоколов: апсайд реален, но без вовлечения он зачастую не материализуется.
Также читайте: https://yellow.com/news/solana-etf-bitwise-filing
Реальный Компромисс Между Производительностью И Проверяемостью
Ни один обзор децентрализованного AI не будет честным, если не сказать прямо, где технология пока проигрывает. Ключевое противоречие фундаментально: чем более проверяемым вы делаете вычисление ИИ, тем медленнее и дороже оно становится.
Централизованный API уровня GPT‑5 от OpenAI выдаёт ответ на типичный запрос за ~500 мс. Полностью проверяемый через zero‑knowledge‑доказательства инференс модели сопоставимого масштаба в 2026 году занимает от 30 секунд до нескольких минут — в зависимости от железа и выбранной системы доказательств. Для сценариев, где важна задержка — высокочастотный трейдинг, модерация контента в реальном времени, интерактивные чат‑боты, — такой лаг попросту неприемлем.
«Оптимистичное исполнение» частично закрывает этот разрыв. При оптимистичном инференсе пользовательская задержка почти не отличается от централизованной — ответ приходит быстро. Цена — отложенная финализация: приложению нужно дождаться закрытия окна для потенциальных челенджей, прежде чем считать результат окончательно подтверждённым. Для большинства Web3‑кейсов несколько минут такой задержки — приемлемый компромисс. Для жёстко реалтайм‑сценариев — нет.
По стоимости картина выглядит лучше. Централизованные провайдеры ИИ берут премию за доступ к «фронтирным» моделям, опираясь на монопольную позицию. Конкурентный рынок инференса, где несколько провайдеров соревнуются за выполнение запроса, тянет цену вниз — к предельным издержкам. Первые данные с рынков вычислений, включая AI‑предложения Akash Network, показывают: доступ к стандартизированным GPU через децентрализованные площадки может обходиться на 30–60% дешевле, чем сопоставимые централизованные API, если речь не идёт о самом переднем крае возможностей.
Если подытожить честно, децентрализованные AI‑сети уже готовы к продакшн‑использованию там, где критичны приватность, устойчивость к цензуре и допустимы задержки. В сегменте жёстко реалтайм‑приложений и задач, требующих абсолютного технологического фронтира, централизованные провайдеры сохраняют устойчивое преимущество. Динамика развития аппаратуры для генерации zk‑доказательств и исследований в области zkML говорит, что разрыв будет сокращаться, но полностью не исчезнет в обозримом будущем.
Также читайте: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Итоги
Децентрализованные AI‑сети не претендуют на роль замены огромных GPU‑кластеров, на которых обучаются передовые модели.
Они создают надстройку — экономико‑правовой слой поверх разработки ИИ, который делает добровольный вклад рациональным, права собственности — формализуемыми и защищаемыми, а выручку от инференса — прозрачной и поддающейся аудиту. Блокчейн здесь выступает реестром прав и расчётной системой, а не «суперкомпьютером».
Взлёт токена Sentient в июле 2026 года отражает то, как рынок начинает переоценивать идею: открытому ИИ нужен работающий экономический контур, если он собирается сосуществовать с закрытыми, щедро финансируемыми конкурентами. Конкретные механики — ончейн‑«отпечатки» моделей, рынки инференса с криптографической верификацией, федеративное обучение с дифференциальной приватностью — уже не теория. Они запущены в мейннете и сегодня платят тем, кто вносит свой вклад.
Читайте далее: Grok 4.5 Бросает Вызов OpenAI И Anthropic С Более Дешёвым Агентным ИИ