Самые мощные в мире модели искусственного интеллекта контролируются горсткой корпораций. Они диктуют цены, решают, кому дать доступ, и полностью владеют всеми весами и параметрами, которые модель извлекает из пользовательских данных.
Sentient (SENT) вышел в 2026 году как прямая альтернатива этой схеме, предлагая открытую ИИ‑платформу, где участники получают подтверждаемую долю в моделях, созданных при их участии. Токен проекта за один день в июле 2026‑го подскочил примерно на 26%, показав, что рынок внимательно следит за нарративом децентрализованного ИИ.
Но Sentient не одинок. Появляется целый класс протоколов, которые используют блокчейны, чтобы формализовать открытую собственность на модели, координировать распределённое обучение и запускать рынки инференса, где любой может предоставить вычислительные мощности и зарабатывать. Понимание того, как эти сети устроены на уровне стимулов, криптографии и ончейн‑расчётов, позволяет отделить реальную инфраструктуру от спекулятивного шума.
Кратко
- Децентрализованные ИИ‑сети используют блокчейн для закрепления прав собственности на модели, чтобы вкладчиков нельзя было «выбросить» после обучения.
- Обучение и инференс разведены по разным уровням; участники получают вознаграждение за вычисления и данные на каждом этапе, всё учитывается ончейн.
- Криптографические доказательства (zero‑knowledge или криптографические аттестации) позволяют сети проверять честность инференса без повторного прогонки всей модели.
- Управляющие токены дают вкладчикам право голоса по обновлениям моделей, структуре комиссий и правилам доступа.
- Ключевой компромисс — производительность против проверяемости: полностью ончейн‑инференс пока медленнее и дороже централизованных API, но разрыв быстро сокращается.
Почему закрытый ИИ структурно конфликтует с открытыми сетями
Любая крупная модель ИИ обучается на чьих‑то данных. Пользователи, исследователи и опенсорс‑сообщества создают тексты, код и изображения, на которых учатся алгоритмы. В нынешней централизованной модели эти вкладчики не получают ничего. Всю добавленную стоимость забирает компания, запустившая обучение.
Это порождает накопительный эффект. Лучшие создатели контента перестают делиться данными открыто, как только понимают, что их труд монетизируется без какой‑либо компенсации.
Модели затем начинают зависеть от того, какие данные компания может легально добыть — часто это массовый скрейпинг открытого интернета на условиях использования, которые оспариваются в судах. Обучающий конвейер становится не кооперативным, а сугубо экстрактивным.
Децентрализованные ИИ‑сети предлагают иную конструкцию. Вкладчики регистрируются ончейн ещё до старта обучения. Их данные и вычислительные ресурсы фиксируются как проверяемые входы. Смарт‑контракты распределяют выручку от использования модели обратно к этим участникам по правилам, зафиксированным до того, как кто‑то потратил первый час работы GPU.
Блокчейн не выполняет сам ИИ‑расчёты. Он обеспечивает исполнение договорённости о праве собственности, которая делает добровольный вклад рациональным.
Читайте также: https://yellow.com/agentic-trading
Как на практике устроена ончейн‑собственность на модель
Право собственности на модель в децентрализованной ИИ‑сети — это не владение файлом. Обученная модель — это набор числовых весов, зачастую миллиарды значений с плавающей точкой, распределённых по узлам сети. Владение «моделью» означает наличие подтверждаемого, обеспеченного протоколом права на долю выручки, которую она генерирует, плюс управленческие права по её дальнейшему развитию.
Механизм завязан на событие выпуска токенов, синхронизированное с первым циклом обучения. Когда модель впервые развёртывается, сеть эмитирует фиксированный объём токенов собственности, привязанных именно к этой модели. Вкладчики, предоставившие данные, вычислительные мощности или код в процессе обучения, получают пропорциональные доли этих токенов.
Формула распределения прописывается в смарт‑контракте до старта обучения и не может быть изменена задним числом.
Каждый раз, когда кто‑то платит за инференс — запрос прогноза, генерацию текста или векторное представление, — комиссия делится между инфраструктурным провайдером, выполняющим инференс, и держателями токенов собственности. Доля определяется голосованием. Если модель становится массово востребованной, изначальные вкладчики продолжают получать поток дохода без дополнительной работы — по сути, роялти‑подобный механизм.
Подход Sentient идёт дальше за счёт механизма «Sentient Model Fingerprinting». Каждая модель, обученная на платформе Sentient, несёт в себе встроенный криптографический «отпечаток», связывающий результаты инференса с конкретной версией модели.
Это позволяет обнаруживать попытки скопировать веса модели и запускать инференс в обход выплаты комиссий владельцам — форму пиратства, которую при закрытых весах крайне сложно доказать. «Отпечаток» формирует ончейн‑след, который поддерживает исполнение прав на выручку, даже если веса модели формально открыты.
Читайте также: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
Два уровня: распределённое обучение и рынки инференса
Децентрализованные ИИ‑сети делят жизненный цикл модели на два отдельных экономических уровня. Важно рассматривать их по‑отдельности: в каждом задействованы разные участники, стимулы и технологические ограничения.
Уровень обучения — там, где модель учится. В централизованной архитектуре всё крутится на железе одной компании. В децентрализованной сети обучение разбивается между множеством участников, каждый из которых считает часть градиентных обновлений.
Главная проблема — координация: все должны согласовывать состояние модели на каждом шаге, что требует консенсус‑механизма, адаптированного под градиенты, а не под финансовые транзакции. Bittensor и Gensyn создают специализированные протоколы, где ончейн‑скоринг ранжирует качество вкладов участников (их градиентов), и вознаграждение распределяется соответственно.
Уровень инференса — там, где обученная модель выдаёт ответы конечным пользователям. Экономика инференса иная: это повторяющиеся, чувствительные ко времени операции, которые проще проверить. Пользователь отправляет запрос, провайдер инференса прогоняет модель на своём оборудовании и возвращает результат. Ключевой вопрос: как убедиться, что провайдер действительно использовал ту самую модель, а не более дешёвый суррогат?
Здесь на сцену выходят рынки инференса. Несколько провайдеров конкурируют за право обработать запрос. Победитель выполняет инференс и отправляет результат вместе с криптографическим доказательством. Другие провайдеры могут выборочно проверять ответы через механизм челленджей. Нечестные участники теряют заложенный стейк. Честные получают комиссию. Такая рыночная конструкция формирует стимул к точности, не требуя, чтобы вся сеть проверяла каждый результат.
«Рынки инференса заимствуют логику предсказательных рынков: участники ставят ценность на корректность своих выходов, а за ошибки наказываются через слэшинг — тот же механизм, который используется для санкций против валидаторов в сетях с proof‑of‑stake».
Читайте также: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
Как криптодоказательства подтверждают результаты ИИ без повторного запуска модели
Самая жёсткая техническая проблема децентрализованного ИИ — верификация. Запуск крупной языковой модели один раз уже дорог. Запускать её дважды ради проверки первого ответа — экономический нонсенс в масштабе. Но без верификации рушится вся система стимулов: провайдер может вернуть любой «правдоподобный» ответ и забрать комиссию.
В 2026 году активно развиваются два подхода.
Zero‑knowledge‑доказательства для инференса позволяют провайдеру сгенерировать математическое доказательство того, что конкретное вычисление выполнено корректно, не раскрывая веса модели и не заставляя проверяющего заново прогонять модель. Верификатор лишь проверяет доказательство; это существенно дешевле генерации самого доказательства. Modulus Labs и ZKML показали, что подход работает на меньших моделях, но для систем фронтирного масштаба (70 млрд параметров и выше) оверхед всё ещё огромен. Генерация одного доказательства для инференса по крупной модели может занимать минуты на специализированном «железе» против миллисекунд для самого инференса.
Оптимистическое исполнение с fraud‑доказательствами заимствует архитектуру optimistic rollup из Ethereum (ETH). Результаты по умолчанию принимаются как корректные. У любого участника есть окно для челленджа — повторного запуска вычисления на эталонном узле. Если челленджер доказывает, что ответ неверен, исходный провайдер теряет залог, а челленджер получает вознаграждение.
В типичном случае, когда провайдеры честны, такой подход быстрее, но вводит задержку до окончательного подтверждения результатов.
Большинство промышленных систем в 2026‑м используют гибридную схему: оптимистическое исполнение для повседневных запросов плюс случайные zero‑knowledge‑проверки, которые дисциплинируют провайдеров без необходимости подтверждать каждую операцию. Долю проверяемых запросов определяет управление: держатели токенов могут менять этот параметр по мере удешевления генерации доказательств.
Читайте также: https://yellow.com/news/openai-safety-veteran-exit-history
Роль управляющих токенов в развитии моделей
Управляющие токены в децентрализованной ИИ‑сети — это не только голосование по апгрейдам протокола. Через них решается то, что напрямую влияет на оценку модели рынком: какие датасеты можно использовать для последующей дообучки, какие фильтры безопасности включать, как делить комиссию за инференс и должны ли веса модели быть полностью открытыми или частично ограниченными.
Это формирует принципиально иную архитектуру власти по сравнению с закрытым ИИ. В централизованной модели внутренний «safety»-отдел компании определяет… Какие именно ограничения закладывать в модель? В децентрализованной сети эти решения принимают держатели токенов — и их интересы могут расходиться.
Участники, ориентированные на максимизацию мощности модели, будут голосовать против «жёстких» мер безопасности, если те ухудшают результаты на части задач. Те, для кого критична регуляторная чистота в их юрисдикции, наоборот, будут добиваться более строгой фильтрации.
Практическое решение, к которому пришло большинство сетей, — двухуровневая модель управления. Основной совет (core council), избираемый держателями токенов, оперативно принимает чувствительные решения по безопасности, которые не могут ждать общего голосования. Более широкие экономические параметры — структура комиссий, распределение выручки — выносятся на голосование всех токенхолдеров с более длинным окном обсуждения. Это во многом повторяет эволюцию DeFi‑протоколов вроде Aave и Compound, которые на практике столкнулись с уязвимостями полностью ончейн‑демократии: низкая явка, атаки в последние минуты голосования, манипуляции крупными пакетами.
Управление AI‑моделями добавляет и специфически «искусственный» вызов: что произойдёт с моделью после обновлений. Контрибьютор, участвовавший в обучении исходной версии, владеет токенами, олицетворяющими ценность именно этой модели. Если голосование одобряет крупный цикл дообучения, радикально меняющий поведение модели, остаются ли его токены правами на тот же актив? Большинство протоколов решает вопрос через выпуск нового токена под каждую мажорную версию и пропорциональное распределение его среди существующих держателей — по сути, как акционеры получают бумаги в спин‑офф компании.
Также читайте: https://yellow.com/news/bitcoin-63k-war-chatter
Вклад Данных, Конфиденциальность И Проблема Федеративного Обучения
Один из ключевых конструкторских вопросов для любой децентрализованной AI‑сети — как дать провайдерам данных зарабатывать, не раскрывая чувствительную информацию. Медицинские записи, финансовые транзакции, личная переписка — одни из самых ценных типов данных для узкоспециализированных моделей. Но просто выгружать их в общую сеть нельзя: это прямой путь к нарушениям конфиденциальности и регуляторным претензиям.
Федеративное обучение даёт частичный ответ. Вместо того чтобы отправлять «сырые» данные на центральный узел, каждый участник локально считает обновление модели на своём датасете и передаёт в сеть только градиент — математическое направление, в котором должны сдвинуться веса модели. Сеть агрегирует градиенты многих участников, ни разу не увидев исходных данных. Модель становится лучше за счёт приватных данных, которые при этом никогда не покидают инфраструктуру их владельца.
Роль блокчейна в этой архитектуре — координация и расчёты. Смарт‑контракты фиксируют, кто отправил градиенты в каждом раунде обучения, оценивают качество и полезность этих градиентов через ончейн‑метрики и распределяют вознаграждения. Задача оценки нетривиальна: участник может слать случайный шум и пытаться получать выплаты, не делая честной работы. Протоколы вроде FedML и фреймворк обучения Sentient используют криптографические коммитменты и отложенное раскрытие — участник сначала «запечатывает» свой градиент, не видя чужих, а раскрытие содержимого и проверка происходят позже.
Поверх федеративного подхода обычно накладывают дифференциальную конфиденциальность, которая даёт формальные математические гарантии: по финальным весам модели нельзя восстановить конкретные обучающие примеры. «Бюджет приватности» — сколько информации модель в принципе может «утечь» о любой отдельной записи — становится ещё одним параметром в управлении протоколом. Держатели токенов по сути голосуют за баланс между полезностью модели и уровнем защиты провайдеров данных.
«Федеративное обучение в сочетании с дифференциальной конфиденциальностью даёт децентрализованным AI‑сетям внятный ответ на вопрос приватности данных. Контрибьютор никогда не отдаёт свои данные. Сеть их не видит. А модель при этом всё равно учится на их основе».
Также читайте: https://yellow.com/news/gpt-56-beats-human-interns-openai
Кто Реально Выигрывает От Децентрализованных AI‑Сетей Сейчас
Разобраться в механике — одно. Понять, кому это действительно нужно в 2026‑м, — другое. Технология уже даёт прикладную пользу в ряде ниш — и остаётся малопрактичной в других.
Независимые исследователи и open‑source‑контрибьюторы получают, пожалуй, самый очевидный плюс. Они могут вносить вычислительные ресурсы или отобранные датасеты в те модели, в которые верят, получают формализованную долю владения и долевой доход от реального использования модели. Альтернатива — контрибьютить в открытые модели наподобие LLaMA‑деривативов — даёт лишь репутацию, но не даёт доли в коммерческом выручке по мере монетизации.
Корпорации с закрытыми данными и жёсткими комплаенс‑требованиями всё активнее смотрят на федеративные схемы обучения. Крупная сеть клиник, которая хочет обучить узкоспециализированный медицинский AI, физически не может законно делиться пациентскими данными с централизованным провайдером. Федеративная децентрализованная сеть позволяет ей соучаствовать в обучении модели, не выводя данные за периметр. Ончейн‑реестр прав собственности создаёт проверяемый аудит‑трейл, который можно показывать регулятору и аудиторам.
DeFi‑протоколам и Web3‑приложениям нужен AI‑инференс, который невозможно цензурировать, отключить или «задушить» через API централизованного провайдера. Предсказательный рынок, использующий AI для обработки новостного потока и реальных событий, не может позволить себе ситуацию, когда его AI‑поставщик внезапно перекрывает API в середине торговой сессии. Децентрализованные рынки инференса дают резервирование и устойчивость к цензуре, которых по определению нет у централизованных API.
Розничные держатели токенов находятся в наименее однозначном положении. Владение governance‑токеном даёт право голоса и долю в комиссиях, но требует активного участия, чтобы эта доля конвертировалась в доход. Пассивные держатели, которые не голосуют и не участвуют в жизни протокола, де‑факто размываются более активными участниками. Механика напоминает владение governance‑токенами в DeFi: экономический апсайд реален, но требует вовлечённости.
Также читайте: https://yellow.com/news/solana-etf-bitwise-filing
Реальный Баланс Между Производительностью И Проверяемостью
Ни один обзор децентрализованного AI не будет честным без разговора о том, где технология всё ещё не дотягивает. Базовое противоречие фундаментально: чем более проверяемым вы делаете AI‑вычисление, тем медленнее и дороже оно становится.
Централизованный API вроде GPT‑5 от OpenAI выдаёт ответ на типичный запрос примерно за 500 миллисекунд. Полностью верифицированный через zero‑knowledge‑доказательство инференс модели сопоставимого масштаба в 2026 году занимает от 30 секунд до нескольких минут — в зависимости от «железа» и типа доказательной системы. Для задач, где важна задержка — алгоритмическая торговля, модерация контента в реальном времени, диалоговые ассистенты — такой лаг пока критичен.
«Оптимистичный» подход к исполнению существенно сокращает этот разрыв. При оптимистическом инференсе пользователь получает первый ответ с задержкой, практически не отличимой от централизованного сервиса. Цена — в отложенной финализации: приложению приходится ждать окончания окна для оспаривания результата, прежде чем считать его окончательно подтверждённым. Для большинства Web3‑сценариев оспариваемое окно в несколько минут приемлемо. Для truly real‑time‑сервисов — нет.
С издержками картина более привлекательная. Централизованные провайдеры frontier‑моделей закладывают в тарифы премию за счёт монопольной позиции. Конкурентный рынок инференса, где несколько провайдеров соревнуются за право выполнить конкретный запрос, двигает цену к предельным издержкам. П первые данные с рынков инференса, таких как AI‑офферинги Akash Network, показывают: унифицированный доступ к GPU через децентрализованные площадки способен быть на 30–60% дешевле сопоставимых централизованных API — по крайней мере, для моделей, не претендующих на самый передовой уровень возможностей.
Если говорить предельно откровенно, децентрализованные AI‑сети уже сейчас готовы к продакшен‑нагрузке там, где допускается повышенная задержка, критична приватность или важна нецензурируемость. Они всё ещё догоняют централизованных лидеров в real‑time‑кейcах и в задачах, где необходим абсолютный frontier‑уровень. Динамика развития специализированного «доказательного» железа и zkML‑исследований говорит о дальнейшем сокращении этого разрыва, но в ближайшей перспективе полностью его не устранит.
Также читайте: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Выводы
Децентрализованные AI‑сети не пытаются заменить гигантские GPU‑кластеры, на которых обучаются модели уровня frontier.
Они строят над слоем AI‑разработки экономико‑правовую надстройку, которая делает добровольный вклад ресурсов рациональным, открытое владение — юридически и технически закреплённым, а выручку от инференса — прозрачно учитываемой и подлежащей распределению. Блокчейн здесь — это реестр прав и расчётный слой, а не суперкомпьютер.
Июльский рывок токена Sentient в 2026 году отражает рынок, который начинает закладывать в оценки идею: открытому AI‑движению нужен убедительный экономический каркас, чтобы выжить рядом с богато финансируемыми закрытыми игроками. Механизмы — ончейн‑фингерпринтинг моделей, рынки инференса с криптографической верификацией, федеративное обучение с дифференциальной приватностью — уже не теория. Они работают в продакшене на сетях, которые сегодня платят своим контрибьюторам.
Читайте далее: Grok 4.5 Бросает Вызов OpenAI И Anthropic, Предлагая Более Дешёвый Агентный AI
