Перспективы децентрализованного ИИ на 2026 год: почему блокчейн — это ключевое решение для ИИ

Автор: Pink Brains

Перевод: AididiaoJP, Foresight News

Существование децентрализованного ИИ обусловлено структурными ограничениями централизованного ИИ, которые невозможно преодолеть с помощью капитала и кода:

• Вычислительные ресурсы ограничены и дороги
• Чрезмерная концентрация контроля
• Вывод модели невозможно проверить
• Получение обучающих данных становится все сложнее

Вычислительные ресурсы ограничены и дороги

Инфраструктура на базе GPU预计将从2025年的100亿美元增长至2035年的770亿美元. Дата-центры GPU уже несколько месяцев находятся в состоянии распродажи. Рынок децентрализованных вычислений预计将从2024年的90亿美元增长到2035年的220亿美元 (данные Research and Markets). Это число имеет смысл только при условии, что вы считаете дефицит структурным, а не циклическим, и мы считаем его именно структурным.

Чрезмерная концентрация контроля

ChatGPT, Gemini, Grok и Claude принадлежат и управляются лишь несколькими частными компаниями. Текущая политика в области ИИ предполагает, что только немногие субъекты, способные концентрировать огромные вычислительные ресурсы, могут обучать мощные системы. Как только это предположение будет опровергнуто, картина того, кто сможет создавать передовые интеллектуальные системы, полностью изменится.

Результат не может быть проверен

Когда модель принимает решение, пользователь не может проверить, была ли запущена правильная модель, корректно ли выполнены вычисления и не произошло ли утечки конфиденциальных данных. Это может быть приемлемо для чат-ботов, но совершенно неприемлемо, когда ИИ обрабатывает кредиты, здравоохранение или автономные агенты управляют реальными кошельками.

Получение обучающих данных становится все сложнее из-за опасений по поводу конфиденциальности и регулирования

Централизованный веб-скрейпер, расположенный в одном регионе AWS, быстро столкнется с ограничением скорости, геоблокировкой или отравленным кэшем. Как отмечает a16z в своих перспективах на 2026 год, конфиденциальность становится «самым важным конкурентным преимуществом в криптовалютной сфере».

Искусственный интеллект нуждается в блокчейне, чтобы сделать интеллект открытым, проверяемым и экономически доступным.

• Уровень приложений и сервисов: ИИ-агенты могут выполнять множество задач, но в криптовалютной сфере сейчас доминируют два основных варианта использования — агентный финансы (Agentic Finance) и агентные платежи (Agentic Payments)
• Слой промежуточного программного обеспечения: связанные организации — от фреймворков для создания и идентификации агентов, рынка агентов до координационного слоя
• Инфраструктурный уровень: базовые ресурсы ИИ — уровень конфиденциальности и проверки, вычисления, вывод, обучение, данные и хранилище

Agent Finance преобразует естественно-языковые подсказки в действия в цепочке.

Агент ARMA от @gizatechxyz обработал более 4,6 млрд долларов США в объеме агентских сделок на выбранных рынках кредитования — работает блок за блоком в рамках фреймворка EigenLayer AVS, без хранения средств.

@Infinit_Labs управляет кластером из более чем 20 профессиональных агентов, способных преобразовывать намерения вроде «зарабатывать 1000 долларов в месяц на 1 BTC» в однокликовые стратегии на Ethereum, Solana и Base.

@coinvestai от Liquid будет выполнять прямые сделки в реальном времени через ChatGPT и Claude, поддерживая торговлю на более чем 500 рынках с помощью Model Context Protocol.

@minara интегрировала Hyperliquid и недавно присоединилась к Lighter. Она реализует полный торговый цикл «анализ → решение → исполнение» с помощью модели DMind и более чем 50 интеграций.

@Cod3xOrg: сеть легких AI-агентов, способных превращать намерения в цепочные транзакции для построения и выполнения.

@Zyfai_: Самоуправляемый агент DeFAI, автоматизирующий и оптимизирующий фермерство доходов, постоянно перебалансирующий капитал между протоколами для максимизации APY с учетом рисков без участия человека.

В области прогнозных рынков @SynthdataCo — это подсеть Bittensor, которая запускает децентрализованную финансовую интеллектуальную сеть для прогнозирования. Майнеры конкурируют за моделирование краткосрочной неопределенности цен. Она уже предоставляет данные в реальном времени для продуктов, таких как Mode AI Quant от Kalshi.

Как интернет стал коммуникационным слоем цифровой экономики, блокчейн и стабильные монеты становятся расчетным слоем для агентских платежей.

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 начал использовать его с февраля 2026 года; AWS запустил нативный AgentCore Payments.

Активность покупателей и продавцов растет, и большинство сделок связаны с реальным использованием по мере необходимости: вызовы API, услуги AI-выводов, агентский бизнес и аналогичные рабочие нагрузки. Первичный цикл ажиотажа уже остыл, но основная динамика начинает наверстывать упущенное.

В то же время Machine Payments Protocol от Stripe и Tempo появился как второй канал, зарегистрировав более 411 900 транзакций и 9600 покупателей с момента запуска.

Эти сети совместно указывают на то, что бизнес между машинами переходит в более широкое русло, где программные агенты могут автономно осуществлять сделки со скоростью машин.

По мере роста числа агентов основная проблема становится координацией: как агенты могут обнаруживать друг друга, подтверждать свою идентичность и осуществлять сделки без участия человека.

Здесь пробел в доверии является узким местом. Оценочный объем агентского бизнеса к 2030 году достигнет 1,5–5 триллионов долларов США, но его внедрение ограничено одним фактором — большинство пользователей готовы позволить ИИ проводить исследования, но немногие готовы позволить ИИ совершать покупки.

Сегодняшняя система по-прежнему зависит от API-ключей, и почти ни одна система не рассматривает прокси как сущность с идентичностью.

@GoKiteAI разрабатывает специализированный L1, в котором идентичность и платежи являются нативными примитивами. ERC-8004 — это стандарт Ethereum, предоставляющий портативные ончейн-идентичность и репутацию для агентов, которые могут переноситься между цепочками.

На рынке @virtuals_io является операционной системой для агентной экономики на Base. К июню 2026 года она обработала более 2,38 миллиона агентских задач, создав почти 480 миллионов долларов США «агентского ВВП».

Но жемчужиной этого уровня является Bittensor. Это сеть, состоящая из профессиональных субсетей, каждая из которых представляет собой микрорынок, где майнеры запускают модели ИИ, а валидаторы оценивают результаты, причем эмиссия TAO направляется тем, кто производит наиболее полезную работу. Существует три механизма, делающие его экономически значимым:

• Снижение в декабре 2025 года уменьшит ежедневную эмиссию TAO с 7200 до 3600, что соответствует максимальному предложению в 21 миллион.
• dTAO обновляется, предоставляя каждому субсети собственный токен Alpha и AMM-пул — эмиссия определяется рынком.
• Обновление Taoflow (выпуск в ноябре 2025 года) распределяет эмиссию исключительно на основе чистого потока стейкинга. Подсеть, которая разстейкингует больше, чем стейкингует, может снизиться до нуля. Это задумано как дарвиновская система.

Сеть насчитывает более 128 активных субсетей; первые три крупнейшие вычислительные субсети, согласно сообщениям, достигли совокупного ARR в 20 миллионов долларов США 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 экосистемы ИИ, принадлежащей сообществу.

@NEARProtocol: невидимый координационный слой, объединяющий расчеты, идентификацию, конфиденциальность, TEE, MPC и защиту PII, предназначенный для автономных агентов.

@base—— «экономика агентов» — главная база. Base MCP позволяет таким инструментам ИИ, как Claude, ChatGPT и Cursor, выполнять действия в цепочке через подсказки на платформах Uniswap, Morpho, Avantis и других — обмен, переводы, взаимодействие с DeFi.

@SentientAGI: Экосистема GRID соединяет агентов, модели, данные и вычислительные ресурсы, направляя запросы к специализированным участникам для получения наилучших результатов.

@gensynai: Проверяемое выполнение ML, координация распределённого оборудования для обучения и вывода при обеспечении доверия к задачам, сеть $AI.

@SaharaAI объединяет данные, модели, агенты и вознаграждения в единой AI-нативной экосистеме.

Инфраструктура — это скелет ИИ: исходные вычислительные, логические, обучающие, данные и примитивы конфиденциальности, от которых зависят все верхние уровни. Это самый капиталоемкий уровень децентрализованного стека ИИ.

Децентрализованные вычисления

@akashnet управляет рынком обратных аукционов, где провайдеры делают ставки, чтобы выиграть вашу рабочую нагрузку. В Q1 2026 года рост новых арендных договоров составил 27%, достигнув более 43 500, что является третьим кварталом подряд роста. Их сервис AkashML для вывода моделей обработал почти 120 миллиардов токенов в апреле, при этом цены на 60–85% ниже, чем у основных облачных провайдеров.

@rendernetwork сообщила о росте использования на 428% в годовом исчислении.

@ionet агрегирует более 130 000 GPU из более чем 130 стран на Solana.

@AethirCloud — один из немногих, кто действительно получает доход: сообщается о приблизительно 1,66 млрд долларов США ARR (Q3 2025) и более чем 1,5 млрд вычисленных часов.

Distributed and Verifiable Reasoning

На выводы приходится более 70% операционных расходов ИИ; Goldman Sachs прогнозирует, что агентный ИИ приведет к росту потребления токенов в 24 раза к 2030 году — до 120 триллионов токенов в месяц.

Децентрализованный ответ заключается в том, чтобы сделать выводы дешевыми, приватными и проверяемыми.

@AskVenice ежедневно предоставляет более 50 миллиардов токенов более чем 2 миллионам пользователей с помощью приватных и неконтролируемых моделей; его конкурентное преимущество — модели.

@OpenGradient обработал более 2 миллионов проверяемых вычислений и сгенерировал более 500 000 zkML-доказательств.

@chutes_ai: Разработчики могут развертывать и масштабировать AI-модели с помощью простого API, при поддержке GPU-майнеров, при этом стоимость может быть на 85% ниже, чем у AWS. Доходы платформы автоматически преобразуются в спрос на токены через механизм стейкинга.

@dphnAI — децентрализованная сеть AI-выводов. Стоит отметить, что Dolphin разработала цензуру-free модель, используемую Venice AI, и направляет 100% доходов сети на выкуп токенов.

Децентрализованное обучение

Обучение — это самая сложная и наиболее значимая проблема — она определяет, должны ли передовые модели создаваться исключительно внутри лабораторий трех-четырех компаний.

INTELLECT-1 (@PrimeIntellect, 10 миллиардов параметров) — это первое в мире распределенное обучение; INTELLECT-2 (32 миллиарда параметров) — это первое распределенное обучение с подкреплением.

@tplr_ai успешно обучил Covenant-72B на более чем 70 распределенных узлах, обработав около 1,1 триллиона токенов и снизив стоимость коммуникации в 146 раз.

@NousResearch: Сеть Psyche обеспечивает отказоустойчивое распределенное обучение, и Hermes 4.3 стал первой моделью Hermes, обученной на децентрализованной инфраструктуре, а не на централизованном кластере.

Подсеть IOTA (SN9) от @MacrocosmosAI выполняет децентрализованное предобучение LLM и обучение «дома», а подсеть Data Universe (SN13) обрабатывает слой данных. Алгоритмы серии DiLoCo с низкой связью позволяют GPU, распределенным по всему миру, сотрудничать без сверхбыстрых внутренних сетей центров обработки данных.

Децентрализованная доступность и хранение данных

По мере роста масштабов AI-нагрузок оба аспекта становятся узкими местами. Передовые модели потребляют огромные объемы свежих данных, а потребности в хранении выросли настолько, что основные производители жестких дисков сообщили, что их производственные мощности были распроданы на несколько лет вперед.

Экономика очень привлекательна. Децентрализованные хранилища могут быть на 60–80% дешевле традиционных облачных провайдеров: сети, такие как @Filecoin, предлагают хранение по цене менее 1 доллара в месяц за 1 ТБ, в то время как централизованные альтернативы стоят около 30 долларов.

@grass платит 2,5 млн узлов из 190 стран за простои пропускной способности, позволяя лабораториям ИИ сканировать веб-сайты в реальном времени.

@WalrusProtocol — это быстро растущий конкурент, созданный @Mysten_Labs, для децентрализованного хранения и доступности данных — использует двухмерные коды исправления ошибок для эффективного хранения больших «blob» и все чаще позиционируется как постоянный уровень памяти для AI-агентов.

@eigencloud: проверяемая облачная платформа, построенная вокруг доступности данных, верифицируемых вычислений и разрешения споров. Обеспечивается повторно закладываемым ETH, с целью позволить AI-агентам работать с криптографическими гарантиями, делая действия доказуемыми, аудитируемыми и исполняемыми.

@vana — это EVM L1, где Data DAOs и Data Liquidity Pools превращают личные данные в токенизируемые и торгуемые активы.

@reppo и @oroagents создают высококачественные и надежные наборы данных для обучения ИИ с помощью стимулирующих конкурсов.

Приватность и уровень верификации

Обычные пользователи ИИ не могут проверить, обрабатывает ли модель их данные конфиденциально, правильно ли выполняются вычисления или используется ли действительно заявленная модель.

В 2026 году конфиденциальность и проверка становятся предпосылками для ИИ, а не дополнительными функциями.

@nillion — «слепой компьютер», выполняющий вычисления на зашифрованных данных с использованием MPC и собственной технологии Nil Message Compute без расшифровки. Применения включают частный AI-вывод, зашифрованные базы данных и частный RAG (позволяющий AI запрашивать проприетарные базы знаний без раскрытия данных).

@Arcium: децентрализованная сеть секретных вычислений на Solana. Применения включают Umbra (скрытые переводы / частные доходы) и секретное обучение ИИ на чувствительных наборах данных.

@OasisProtocol: L1 с приоритетом конфиденциальности, использующий ROFL (Runtime Offchain Logic) — фреймворк на основе TEE для выполнения проверяемых, защищающих конфиденциальность оффчейн-вычислений — AI-агентов, обучения моделей или оракулов.

@octra: нативно поддерживающая FHE L1 с акцентом на приватность, использующая собственную схему HFHE (Hypergraph FHE), разработанную для параллельных криптографических вычислений и пропускной способности.

@eigencloud: Проверка тяжеловесов, основанная на пере-стейкинг-безопасности EigenLayer. EigenAI (проверяемые выводы LLM — это совместимый с OpenAI API для открытых моделей, где промпты и ответы могут быть доказаны как неизменённые) и EigenCompute (проверяемое внеконтрактное выполнение для логики агентов).

@PhalaNetwork. Облачные GPU мощные, но не приватные; Phala делает рабочие нагрузки доказуемыми, даже по отношению к самому Phala. GPU TEE на их основном продукте Phala Cloud позволяет развертывать открытые модели на аппаратном уровне и предоставляет API, совместимый с OpenAI, где каждое вычисление сопровождается криптографическим доказательством.

Спрос на ИИ растет быстрее, чем инфраструктура успевает за ним, и ИИ-агенты становятся ведущим драйвером роста — цепочки готовы.

Вычисление превращается в класс активов, а он-чейн рынки становятся их финансовой основой. Институциональные участники переходят от экспериментов к инвестициям в инфраструктуру.

Экономика токенов становится структурным преимуществом децентрализованных ИИ в координации капитала, вычислений и данных. Возможности расширяются от ИИ к роботам, автономным машинам и физическому ИИ.

Децентрализованный ИИ растет в основных слоях — инфраструктуре, промежуточном ПО, приложениях — за счет роста доходов от вычислений, агентной экономики и масштабного распределенного обучения.

Но эта область все еще находится на ранней стадии. Доходы часто отстают от токен-стимулов, а уровень внедрения остается неравномерным. Несмотря на резкий рост инвестиций в ИИ в целом, децентрализованный ИИ по-прежнему составляет лишь небольшую долю венчурных инвестиций. Токен-ориентированные сети могут быть мощным преимуществом, но только при правильном проектировании захвата ценности.

Несмотря на это, появление проектов, таких как Bittensor, NEAR, Virtuals, Base и Venice, свидетельствует о том, что децентрализованный ИИ превращается из спекулятивного нарратива в новую модель координации вычислений, данных, капитала и интеллекта.