Дженсен Хуан говорит, что открытые и закрытые ИИ будут сосуществовать: что это значит для криптовалюты и децентрализованного ИИ
2026/08/02 08:06:00
Мнение генерального директора NVIDIA Дженнсена Хуанга о том, что открытые и проприетарные искусственные интеллекты будут развиваться совместно, имеет последствия, выходящие далеко за рамки конкуренции между ведущими лабораториями ИИ. Если веса продвинутых моделей станут более доступными, следующим узким местом все чаще станет инфраструктура, необходимая для их обучения, настройки и эксплуатации. Это создает потенциальную возможность для децентрализованных сетей GPU, блокчейн-рынков ИИ и протоколов, таких как Bittensor, но это не гарантирует успех каждого децентрализованного проекта ИИ или связанного с ним токена.
Центральный вопрос для криптовалюты — не просто будет ли доступно больше моделей ИИ для скачивания. Он в том, могут ли децентрализованные сети обеспечить полезные вычисления, инференс, хранение, платежи и верификацию на уровне, который бизнес и разработчики будут готовы оплачивать. Комментарии Хуанга укрепляют аргументы в пользу разнообразной экосистемы ИИ, но техническая производительность, надежность сети, токеномика и реальный спрос клиентов определят, станет ли криптовалюта важным слоем инфраструктуры или останется спекулятивным нарративом вокруг роста ИИ.
Открытая и закрытая идея Джексона Хуанга по ИИ и почему обе модели будут сосуществовать
Джэнсен Хуан не видит будущего искусственного интеллекта как соревнования по принципу «победитель забирает всё» между открытыми и закрытыми системами. Выступая на NVIDIA GTC в марте 2026 года, основатель и генеральный директор NVIDIA отверг эту бинарную оппозицию, заявив: «Проприетарное против открытого — это не вопрос. Это проприетарное и открытое». Его аргумент заключается в том, что глобальная экосистема ИИ потребует различных моделей для разных задач, отраслей и требований к безопасности, а не единой универсальной системы, контролируемой одной компанией или философией разработки. Проприетарные модели Frontier могут продолжать доминировать в задачах, требующих максимальной производительности рассуждений, управляемой безопасности и корпоративной поддержки, в то время как модели с открытыми весами предоставят разработчикам, бизнесу и правительствам больший контроль над настройкой, обработкой данных и развертыванием.
Хуан отвергает дебаты между открытым и закрытым ИИ
Хотя открытые и закрытые ИИ часто представляются как конкурирующие подходы, они решают разные потребности пользователей. Проприетарные модели обычно находятся под контролем их разработчиков и доступны через приложения, облачные платформы или API. Такая структура обеспечивает высокую производительность, скоординированные обновления, централизованную защиту безопасности и профессиональную поддержку, не требуя от клиентов управления сложной инфраструктурой машинного обучения. Однако пользователи могут иметь ограниченный доступ к параметрам модели, процессу обучения и внутренним механизмам защиты. Организации также могут стать зависимыми от цен, доступности, политик обработки данных и ограничений использования одного поставщика по мере углубленной интеграции ИИ в их операции.
Модели с открытыми весами следуют другой модели распространения, поскольку их обученные параметры обычно можно скачать, изменить и развернуть на инфраструктуре, выбранной пользователем. Это позволяет дообучать модель на частных наборах данных, региональных языках, научных исследованиях или специализированных бизнес-процессах. Организация может запускать модель на собственных серверах, в частном облаке или рядом с краевыми устройствами, где важны задержка и контроль над данными. Однако открытые веса не означают автоматически полную открытость исходного кода. Обучающие наборы данных, исходный код, оценки безопасности или методы разработки могут оставаться недоступными, а лицензии могут ограничивать определённые виды использования. Таким образом, степень открытости модели существует в виде спектра, а не как простая категория «да» или «нет».
Согласно заявлениям Хуанга на GTC, такие отрасли, как здравоохранение, финансы и производство, будут все больше зависеть от комбинаций универсальных, специализированных, открытых и проприетарных моделей. Больница может использовать коммерческую передовую систему для широких медицинских исследований, одновременно обрабатывая конфиденциальную информацию о пациентах с помощью локально развернутой модели. Финансовое учреждение может применять проприетарную модель для общего анализа, но хранить данные клиентов в собственной контролируемой среде. Производители могут запускать меньшие модели рядом с заводами и промышленным оборудованием, полагаясь на облачные системы для сложных инженерных задач. Агенты ИИ и платформы маршрутизации моделей могут сделать такую гибридную структуру более распространенной. Вместо отправки каждого запроса на одну модель оркестрирующая система может оценить сложность, чувствительность, стоимость и требования к времени отклика каждой задачи, прежде чем выбрать наиболее подходящий вариант. Рутинная классификация документов может быть поручена эффективной локальной модели, в то время как продвинутое программирование или научные рассуждения могут быть переданы более мощной проприетарной платформе. Пользователи могут взаимодействовать с одним приложением, хотя за ним работают несколько моделей. Такой подход позволяет снизить ненужные расходы, защитить конфиденциальную информацию и ограничить зависимость от одного поставщика, сохраняя при этом доступ к передовым возможностям.
Стратегия открытых моделей NVIDIA поддерживает видение Хуанга
Действия NVIDIA показывают, что поддержка Дженнсена Хуанга открытых и проприетарных ИИ-решений выходит за рамки публичных заявлений. В марте 2026 года компания создала Nemotron Coalition вместе с Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam и Thinking Machines Lab. Коалиция объединяет исследования, наборы данных, рамки оценки, специализированные знания и вычислительные ресурсы для разработки открытых передовых моделей. Их первая базовая модель разрабатывается совместно NVIDIA и Mistral AI, а другие участники вносят вклад в тестирование, пост-обучение и дальнейшую разработку. NVIDIA планирует поделиться полученной моделью с широкой ИИ-экосистемой и использовать её в качестве основы для семейства Nemotron 4. К марту 2026 года существующие модели Nemotron уже были загружены более 45 миллионов раз на Hugging Face, что свидетельствует о значительном спросе на адаптивные ИИ-системы. В июле NVIDIA расширила эту стратегию за счёт внедрений с японскими организациями, такими как Institute of Science Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi и NTT DATA, которые используют технологию Nemotron для ИИ на японском языке, корпоративных агентов, телекоммуникаций, производства и научных приложений. Эти проекты демонстрируют, как организации могут настраивать открытые основы с помощью проприетарных данных, не раскрывая публично ценную внутреннюю информацию.
Развитие мер безопасности дополнительно поддерживает аргумент Хуанга о том, что открытые и закрытые ИИ-модели будут сосуществовать. Открытые модели можно проверить и независимо протестировать, а локальное развертывание позволяет организациям сохранять конфиденциальную информацию в контролируемой инфраструктуре. Однако скачиваемые веса также можно изменить, чтобы удалить защитные механизмы, и их выпуск трудно отменить. Закрытые системы предлагают централизованный контроль доступа и скоординированные обновления безопасности, но могут создавать непрозрачные зависимости и концентрированные точки отказа. 27 июля 2026 года NVIDIA и другие технологические и кибербезопасностные организации учредили Open Secure AI Alliance для разработки открытых защитных инструментов, признавая, что оба типа моделей остаются необходимыми. Поддержка такой смешанной экосистемы также соответствует позиции NVIDIA как поставщика ИИ-инфраструктуры. Собственные лаборатории, облачные платформы, правительства и разработчики, использующие открытые модели, все нуждаются в GPU, сетевом оборудовании, хранилищах, электропитании и специализированном программном обеспечении. Самостоятельное размещение открытых весов может снизить плату за доступ к модели, но не устраняет эксплуатационные расходы. Поэтому разумно предположить, что NVIDIA получает выгоду независимо от того, используют ли будущие приложения проприетарные платформы, системы с открытыми весами или гибридные комбинации, что делает диверсифицированный ИИ-рынок наиболее вероятным исходом.
Что означает открытая весовая ИИ для криптовалюты и децентрализованной ИИ-инфраструктуры
Открытые веса ИИ могут увеличить спрос на децентрализованные вычисления, поскольку загрузка модели не устраняет затрат на её эксплуатацию. Разработчикам всё ещё нужны GPU, хранилище, пропускная способность, электричество и техническая инфраструктура для дообучения моделей, обработки запросов пользователей и масштабного запуска ИИ-агентов. Это создаёт потенциальную роль для децентрализованных физических инфраструктурных сетей, которые соединяют независимых поставщиков оборудования с разработчиками, ищущими вычислительные мощности. Распределённые рынки могут сделать доступными неиспользуемые GPU для обучения моделей, вывода и размещения приложений, а децентрализованные системы хранения могут поддерживать наборы данных, контрольные точки и контент, сгенерированный ИИ. Крипто активы могут координировать платежи, вознаграждения провайдерам, стейкинг и доступ в этих сетях, не требуя от каждого участника использовать одну и ту же компанию или облачную платформу. Более широкая категория децентрализованных инфраструктурных сетей выходит за рамки разработки моделей и охватывает физические ресурсы, необходимые для функционирования цифровых сервисов. Основная возможность заключается в том, что открытые веса снижают барьеры для доступа к моделям, но не устраняют инфраструктурный узкий канал, что потенциально расширяет рынок альтернативных GPU-облаков, безразрешительного вывода и географически распределённого размещения ИИ.
Блокчейн-сети также могут поддерживать децентрализованный ИИ через прозрачные платежи, записи о владении моделями, происхождение данных и стимулы для оценки результатов машинного обучения. Bittensor применяет эту концепцию с помощью специализированных субсетей, в которых участники могут предоставлять услуги, такие как вывод, вычисления, хранение и прогнозирование, в то время как валидаторы оценивают вклад, а протокольные стимулы вознаграждают полезную производительность. Криптоинфраструктура также может позволить AI agents in crypto покупать цифровые услуги через программируемые кошельки и платежи стейблкоинами. Однако открытые модели ИИ не являются автоматически децентрализованными. Скачиваемая модель все еще может размещаться централизованным облачным провайдером, обучаться на сконцентрированных наборах данных и работать на оборудовании, поставляемом небольшим числом производителей. Децентрализованные сети должны решить сложные проблемы, связанные с верификацией выходных данных, конфиденциальностью, задержками, качеством оборудования, кибербезопасностью и доступностью сервисов, прежде чем они смогут последовательно конкурировать с централизованными альтернативами. Самая сильная связь между открытыми моделями ИИ и криптовалютой — это инфраструктура вокруг модели — как обеспечиваются вычислительные ресурсы, как вознаграждаются участники, как проверяются выходные данные и могут ли пользователи получать доступ к сервисам без полной зависимости от одного посредника.
Возможности и риски для Bittensor, децентрализованных вычислительных и AI-токенов
Bittensor и другие децентрализованные проекты в области ИИ привлекают внимание по мере роста спроса на альтернативы традиционной облачной инфраструктуре, но их долгосрочная ценность будет зависеть не только от популярности искусственного интеллекта. Эти сети должны доказать, что распределённые участники могут обеспечивать надёжное обучение, инференс, хранение и сервисы данных по конкурентоспособным ценам. Криптотокены могут помочь координировать поставщиков, валидаторов и платежи, но устойчивое внедрение требует реальных клиентов, измеримых результатов и экономической активности, не зависящей в основном от наград в токенах. Широкое поле AI crypto sectors включает несколько различных бизнес-моделей, что делает оценку на уровне проекта более полезной, чем рассмотрение каждого токена ИИ как экспозиции на одну и ту же тенденцию.
Bittensor и Covenant-72B подчеркивают потенциал децентрализованного ИИ
Bittensor функционирует через специализированные субсети, конкурирующие за предоставление цифровых услуг, таких как инференс ИИ, обучение, прогнозирование, хранение и вычисления. Согласно документации субсетей Bittensor, майнеры предоставляют соответствующую услугу, валидаторы оценивают её качество, создатели субсетей устанавливают механизмы стимулирования, а стейкеры поддерживают валидаторов с помощью TAO. Сеть привлекла большее внимание со стороны массовой аудитории в марте 2026 года, когда субсеть Templar 3 поддержала распределённое обучение Covenant-72B — языковой модели с 72 миллиардами параметров. Технический отчёт о Covenant-72B утверждает, что модель была предобучена на примерно 1,1 триллиона токенов с помощью разрешённого, глобально распределённого процесса. Хуан сравнил эксперимент с современной версией Folding@home, отметив его подход к распределённым вычислениям. Это замечание не означало партнёрства NVIDIA с Bittensor, не являлось одобрением TAO и не доказывало, что децентрализованное обучение уже превосходит традиционные центры обработки данных. Оно показало, что масштабное совместное обучение технически возможно, а более широкая возможность Bittensor заключается в превращении своих субсетей в конкурентные рынки полезного машинного интеллекта.
Токены децентрализованных вычислений и ИИ могут расширить доступ к инфраструктуре
Самая сильная возможность для децентрализованных вычислений возникает из-за разрыва между доступом к модели ИИ и получением оборудования, необходимого для её запуска. Централизованные облачные провайдеры предлагают GPU в масштабе, но цены, региональная доступность, ограничения по ёмкости и долгосрочные контракты могут создавать барьеры для небольших разработчиков. Распределённые сети пытаются агрегировать ресурсы от независимых провайдеров и предоставлять их через открытые рынки. Если им удастся предложить конкурентоспособные цены и надёжный сервис, они смогут поддерживать стартапы, исследователей и разработчиков AI-агентов, которым требуется временная или гибкая мощность. Возможность не ограничивается обучением крупных моделей: инференс, тонкая настройка, оценка модели, производство синтетических данных и непрерывное выполнение агентов могут создавать повторяющиеся рабочие нагрузки. Токены могут координировать платежи и вознаграждения в этих системах, но их наиболее сильный вариант использования существует, когда актив выполняет необходимую функцию сети, а не служит в основном в качестве спекулятивной метки, прикреплённой к приложению ИИ.
Технические, безопасностные и централизованные риски могут ограничить распространение
Децентрализованные сети ИИ сталкиваются с проблемами, которых не имеют обычные блокчейн-транзакции. Результаты ИИ могут быть субъективными и дорогостоящими для оценки, что затрудняет для валидаторов определить, действительно ли провайдер создал полезную работу или оптимизировался только под механизм оценки. Слабая оценка может поощрять манипуляции, сговор и действия, приносящие вознаграждения без обслуживания внешних клиентов. Распределенное обучение также вводит задержки связи, неоднородность оборудования и риск отключения участников или отправки некорректных обновлений. Блокчейн может оставаться зависимым от ограниченного числа производителей GPU, крупных валидаторов, центров обработки данных или команд разработчиков, оставляя критические слои сконцентрированными, даже когда платежи децентрализованы. Злонамеренные провайдеры, скомпрометированные ключи, уязвимости программного обеспечения и несанкционированное использование авторских или конфиденциальных данных создают дополнительные риски. Поэтому конкуренция с установленными облачными сервисами потребует надежной производительности, прозрачного управления, надежной защиты конфиденциальности и достоверных способов подтверждения завершенной работы.
Рост сети не увеличивает автоматически стоимость токена ИИ
Цены на AI-токены могут быстро реагировать на выпуск моделей, влияющие комментарии и общую рыночную настроенность, но внимание не обязательно создает повторяющийся доход. Сеть может сообщать о большем количестве развертываний, транзакций или участников, при этом большая часть этой активности остается профинансированной за счет эмиссии токенов и стимулов. Если вознаграждения участникам постоянно превышают доход от внешних клиентов, кажущийся рост может зависеть от непрерывной эмиссии, а не от устойчивой бизнес-модели. Оценка TAO и других децентрализованных вычислительных токенов требует анализа платежей клиентов, повторяющихся рабочих нагрузок, использования оборудования, независимости валидаторов, концентрации провайдеров и стоимости стимулов, необходимых для поддержания активности. Инвесторы также должны определить, нужны ли токены пользователям для доступа к услугам, генерируют ли сетевые сборы постоянный спрос и не размывают ли эмиссии существующих держателей. Bittensor и децентрализованные вычисления имеют реальные возможности для поддержки более открытой экономики ИИ, но долгосрочный успех будет зависеть от проверяемых услуг, повторяющихся клиентов и устойчивой токеномики.
Заключение
Взгляд Дженнсена Хуанга на то, что открытые и проприетарные ИИ будут сосуществовать, указывает на много-модельную экономику, в которой организации выбирают системы на основе производительности, конфиденциальности, стоимости и контроля, а не следуют единому универсальному подходу к разработке. Это расширение может создать значительный спрос на децентрализованные вычисления, блокчейн-платежи и стимулирующие сети, такие как Bittensor, поскольку доступные веса моделей все еще требуют значительной инфраструктуры для обучения и эксплуатации. Covenant-72B показал, что крупные эксперименты по обучению без разрешения возможны, но техническая осуществимость не гарантирует коммерческого превосходства или стоимости токена. Проекты децентрализованного ИИ должны доказать, что они могут проверять выводы, защищать данные, обеспечивать надежные услуги и привлекать платящих клиентов, не полагаясь чрезмерно на эмиссию. Криптовалюта может стать важным слоем координации и расчетов для открытой экономики ИИ, но наиболее сильными проектами будут те, которые конвертируют нарратив об ИИ в измеримое использование, устойчивый доход и прозрачную токеномику.
|
KuCoin отмечает свою 9-ю годовщину специальной кампанией на платформе с эксклюзивными наградами, торговыми активностями и ограниченными по времени предложениями. Не упустите возможность принять участие и воспользоваться преимуществами, пока биржа отмечает девять лет роста и инноваций. Посетите официальную страницу кампании сейчас:
|
Часто задаваемые вопросы
Является ли Bittensor тем же самым, что и децентрализованная платформа для облачных вычислений?
Нет. Децентрализованная облачная платформа в основном соединяет клиентов с независимыми провайдерами, предлагающими вычислительные ресурсы. Bittensor — это более широкая стимулирующая сеть, в которой специализированные подсети могут предоставлять инференс, прогнозы, обучение, хранение и другие цифровые услуги. Некоторые подсети могут предлагать вычислительные услуги, но сеть не функционирует как единый стандартизированный рынок аренды GPU.
Могут ли модели ИИ с открытым весом работать полностью оффлайн?
Да, при условии, что у пользователя достаточно мощное оборудование, совместимое программное обеспечение и локальная копия весов модели. Оффлайн-развертывание может улучшить конфиденциальность и снизить зависимость от внешнего API, но более крупные модели могут требовать дорогих GPU и значительного объема памяти. Доступ в интернет может все еще потребоваться для загрузки модели, обновлений безопасности, внешних инструментов или живых данных.
Могут ли владельцы потребительских GPU участвовать в децентрализованных сетях ИИ?
Участие зависит от требований сети, субсети и нагрузки. Некоторые сервисы могут принимать потребительские GPU, тогда как крупные задачи обучения или вывода могут требовать профессионального оборудования, высокоскоростного интернета, значительного объема памяти и надежного времени безотказной работы. Наличие GPU не гарантирует прибыльность, поскольку награды должны превышать расходы на электроэнергию, обслуживание, пропускную способность и оборудование.
Как децентрализованные вычислительные сети могут защищать конфиденциальные данные ИИ?
Приватность не гарантируется просто потому, что сеть децентрализована. Безопасные платформы могут использовать шифрование, конфиденциальные вычислительные среды, изоляцию рабочих нагрузок и ограниченный доступ к данным для защиты конфиденциальной информации. Организациям следует проверить, могут ли провайдеры просматривать загруженные данные, как хранятся результаты и что происходит с временным файлами после завершения задачи.
Что произойдет, если поставщик оборудования отключится во время выполнения задачи ИИ?
Хорошо спроектированная сеть может сохранять контрольные точки, перераспределять незавершенную работу и накладывать штрафы на провайдеров, не соответствующих требованиям надежности. Прерывания все еще могут увеличивать время и стоимость завершения, особенно при распределенном обучении, требующем синхронизации участников. Поэтому избыточность провайдеров и автоматическое восстановление важны при оценке децентрализованных вычислительных сервисов.
Всегда ли децентрализованные вычисления на GPU дешевле централизованных облачных сервисов?
Не обязательно. Распределённые рынки могут предлагать более низкие цены за счёт использования недостаточно загруженного оборудования и конкурентных торгов, но общая стоимость также зависит от передачи данных, задержки, сложности настройки, продолжительности рабочей нагрузки и надёжности. Компаниям следует сравнивать полную стоимость завершения задачи, а не только заявленную часовую цену GPU.
Какие метрики показывают, есть ли реальный спрос на децентрализованную сеть ИИ?
Полезными индикаторами являются платежи от внешних клиентов, объем повторяющейся нагрузки, использование GPU, удержание клиентов, время безотказной работы и количество независимых провайдеров. Пользователям также следует сравнивать доход от комиссий с токенными вознаграждениями, чтобы определить, является ли деятельность коммерчески финансируемой или сильно субсидируемой за счет эмиссии. Высокое количество транзакций само по себе может не означать значимое использование ИИ.
Отказ от ответственности: эта статья предоставлена исключительно в информационных целях и не является финансовой или инвестиционной консультацией. Криптовалютные активы являются волатильными, и читателям следует проверять последние официальные объявления WEMIX перед принятием решений.
Отказ от ответственности: Эта страница была переведена для вашего удобства с использованием технологии искусственного интеллекта. Для получения наиболее точной информации обратитесь к оригинальной английской версии.