Дженсен Хуанг стверджує, що відкрита та закрита ШІ будуть існувати поруч: що це означає для криптовалют та децентралізованої ШІ
2026/08/02 08:06:00
Погляд генерального директора NVIDIA Джесена Хуанга на те, що відкриті та власні штучні інтелекти розвиватимуться разом, має наслідки, що виходять далеко за межі конкуренції між лідирующими лабораторіями ШІ. Якщо ваги просунутих моделей стануть більш доступними, наступним обмеженням все частіше стане інфраструктура, необхідна для навчання, налаштування та функціонування цих моделей. Це створює потенційну можливість для децентралізованих мереж GPU, блокчейн-ринків ШІ та протоколів, таких як Bittensor, але це не гарантує успіху кожного децентралізованого проекту ШІ чи пов’язаного токена.
Центральне питання для криптовалют полягає не просто в тому, чи будуть доступні для завантаження більше моделей ШІ. Воно в тому, чи зможуть децентралізовані мережі надавати корисні обчислювальні потужності, висновки, зберігання, платежі та верифікацію на рівні, який би бізнес і розробники були готові оплачувати. Коментарі Хуана підсилюють аргументи на користь різноманітної екосистеми ШІ, але технічна продуктивність, надійність мережі, токеноміка та реальний попит клієнтів визначать, чи стане криптовалюта важливою інфраструктурною шарою чи залишиться спекулятивним розповідом про розвиток ШІ.
Візія Дженнсена Хуанга щодо відкритого та закритого ШІ, і чому обидві моделі будуть існувати біля себе
Дженнсен Хуанг не бачить майбутнього штучного інтелекту як боротьби за перемогу між відкритими та закритими системами. Виступаючи на NVIDIA GTC у березні 2026 року, засновник і генеральний директор NVIDIA відкинув цей бінарний вибір, сказавши: «Пропрієтарні проти відкритих — це не питання. Це пропрієтарні та відкриті». Його аргумент полягає в тому, що глобальна екосистема ШІ вимагатиме різних моделей для різних завдань, галузей та вимог безпеки, а не єдиної універсальної системи, що контролюється однією компанією чи філософією розробки. Пропрієтарні моделі Frontier можуть продовжувати лідирувати у завданнях, що вимагають максимальної продуктивності міркувань, керованої безпеки та підтримки для підприємств, тоді як моделі з відкритими вагами нададуть розробникам, бізнесу та урядам більший контроль над налаштуванням, обробкою даних та розгортанням.
Хуан відкидає дебати щодо відкритої та закритої ШІ
Хоча відкриті та закриті ШІ часто представляються як конкуруючі підходи, вони задовольняють різні потреби користувачів. Власні моделі зазвичай контролюються їх розробниками та доступні через додатки, хмарні платформи або API. Така структура може забезпечити високу продуктивність, координовані оновлення, централизовану захисту безпеки та професійну підтримку, не вимагаючи від клієнтів управління складною інфраструктурою машинного навчання. Компенсацією є обмежений доступ користувачів до параметрів моделі, процесу навчання та внутрішніх механізмів захисту. Організації також можуть стати залежними від ціноутворення, наявності, політики даних та обмежень щодо використання одного постачальника, оскільки ШІ все глибше інтегрується в їх операції.
Моделі з відкритими вагами дотримуються іншої моделі розповсюдження, оскільки їх навчені параметри зазвичай можна завантажити, змінити та розгорнути на інфраструктурі, обраній користувачем. Це робить можливим доналаштування моделі для приватних наборів даних, регіональних мов, наукових досліджень або спеціалізованих бізнес-процесів. Організація може запускати модель на власних серверах, у приватному хмарному середовищі або біля пристроїв на краю, де важливі затримки та контроль над даними. Однак відкриті ваги не означають автоматично повної відкритості коду. Навчальні набори даних, вихідний код, оцінки безпеки або методи розробки можуть залишатися недоступними, а ліцензії можуть обмежувати певні використання. Тому відкритість моделі існує у вигляді спектру, а не як проста категорія «так» або «ні».
Згідно з зауваженнями Хуанга щодо GTC, такі галузі, як охорона здоров’я, фінанси та виробництво, все більше залежатимуть від поєднань універсальних, спеціалізованих, відкритих та власних моделей. Лікарня може використовувати комерційну передову систему для загальних медичних досліджень, одночасно обробляючи конфіденційну інформацію про пацієнтів за допомогою моделі, розгорнутої локально. Фінансова установа може використовувати власну модель для загального аналізу, але зберігати дані клієнтів у власному контролюваному середовищі. Виробники можуть запускати менші моделі поруч із заводами та промисловим обладнанням, покладаючись на хмарні системи для складних інженерних завдань. Агенти ШІ та платформи маршрутизації моделей можуть зробити таку гібридну структуру більш поширеною. Замість надсилання кожного запиту до однієї моделі, система оркестрації може оцінити складність, чутливість, вартість та вимоги до часу відповіді кожного завдання, перш ніж вибрати найбільш підходящий варіант. Звичайна класифікація документів може бути призначена ефективній локальній моделі, тоді як просунуте програмування або наукове мислення може бути передано більш потужній власній платформі. Користувачі можуть взаємодіяти з одним застосунком, хоча за його межами працюють кілька моделей. Такий підхід може зменшити непотрібні витрати, захистити конфіденційну інформацію та обмежити залежність від одного постачальника, зберігаючи доступ до передових можливостей.
Стратегія відкритих моделей NVIDIA підтримує бачення Хуанга
Дії NVIDIA показують, що підтримка Дженнсена Хуанга відкритих та власних AI поширюється далі за публічні коментарі. У березні 2026 року компанія створила Nemotron Coalition разом із Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam та Thinking Machines Lab. Коаліція об’єднує дослідження, набори даних, рамки оцінки, спеціалізовані знання та обчислювальні ресурси для розробки відкритих передових моделей. Її перша базова модель розробляється спільно NVIDIA та Mistral AI, а інші учасники вносять внесок у тестування, післятренування та подальший розвиток. NVIDIA планує поділитися отриманою моделлю з ширшою екосистемою AI та використати її як основу для сімейства Nemotron 4. До березня 2026 року існуючі моделі Nemotron отримали більше 45 мільйонів завантажень на Hugging Face, що свідчить про значний попит на адаптивні AI-системи. У липні NVIDIA розширила цю стратегію за допомогою проектів із японськими організаціями, такими як Institute of Science Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi та NTT DATA, які використовують технології Nemotron для AI на японській мові, підприємницьких агентів, телекомунікацій, виробництва та наукових застосувань. Ці проекти демонструють, як організації можуть налаштовувати відкриті основи за допомогою власних даних, не виставляючи на публічний доступ цінну внутрішню інформацію.
Розвиток безпеки додатково підтримує аргумент Хуанга про те, що відкриті та закриті AI-моделі будуть існувати біля себе. Відкриті моделі можна перевірити та незалежно протестувати, а локальне розгортання дозволяє організаціям зберігати конфіденційну інформацію всередині контролюваної інфраструктури. Однак завантажувані ваги також можна змінити, щоб видалити захисти, а їх випуск важко скасувати. Закриті системи пропонують централизоване керування доступом та координовані оновлення безпеки, але можуть створювати непрозорі залежності та концентровані точки відмови. 27 липня 2026 року NVIDIA та інші технологічні та кібербезпекові організації створили Open Secure AI Alliance для розробки відкритих захисних інструментів, одночасно визнаючи, що обидва типи моделей залишаються необхідними. Підтримка такого змішаного екосистеми також відповідає позиції NVIDIA як постачальника AI-інфраструктури. Власні лабораторії, хмарні платформи, уряди та розробники, що запускають відкриті моделі, всі потребують GPU, мережевого обладнання, сховища, електроенергії та спеціалізованого програмного забезпечення. Самостійне розгортання відкритих ваг може зменшити плати за доступ до моделей, але не виключає операційних витрат. Тому логічно припустити, що NVIDIA може отримувати користь незалежно від того, чи використовуватимуть майбутні застосунки власні платформи, системи з відкритими вагами чи гібридні комбінації, що робить диверсифікований ринок AI найбільш ймовірним результатом.
Що означає відкрита вага ШІ для криптовалют та децентралізованої інфраструктури ШІ
Відкриті моделі штучного інтелекту можуть збільшити попит на децентралізовані обчислювальні ресурси, оскільки завантаження моделі не видаляє витрат на її функціонування. Розробникам все ще потрібні GPU, сховище, пропускна здатність, електроенергія та технічна інфраструктура для доналаштування моделей, обробки запитів користувачів та масштабного запуску AI-агентів. Це створює потенційну роль для децентралізованих фізичних інфраструктурних мереж, які з’єднують незалежних постачальників апаратного забезпечення з розробниками, які шукають обчислювальну потужність. Розподілені ринки можуть зробити недостатньо використовувані GPU доступними для навчання моделей, висновків та хостингу додатків, тоді як децентралізовані системи зберігання можуть підтримувати набори даних, контрольні точки та AI-згенерований контент. Криптоактиви можуть координувати платежі, винагороди постачальникам, стейкінг та доступ у цих мережах, не вимагаючи від кожного учасника використовувати одну й ту саму компанію чи хмарну платформу. Більш широка категорія децентралізованих інфраструктурних мереж поширюється за межі розробки моделей на фізичні ресурси, необхідні для функціонування цифрових сервісів. Основна можливість полягає в тому, що відкриті ваги знижують бар’єри для отримання доступу до моделей, але не усувають інфраструктурний обмеження, що потенційно розширює ринок альтернативних GPU-хмар, бездозвольних висновків та географічно розподіленого хостингу AI.
Блокчейн-мережі також можуть підтримувати децентралізоване ШІ через прозорі платежі, записи власності на моделі, походження даних та стимули для оцінки виводів машинного навчання. Bittensor застосовує цю концепцію за допомогою спеціалізованих субмереж, у яких учасники можуть надавати послуги, такі як інференс, обчислення, зберігання та прогнозування, тоді як валідатори оцінюють внесок, а протокольні стимули нагороджують корисну продуктивність. Криптоінфраструктура також може дозволити AI agents in crypto купувати цифрові послуги за допомогою програмованих гаманців та платежів стейблкоїнами. Однак відкрите ШІ не є автоматично децентралізованим. Завантажувана модель все ще може розміщуватися централізованим хмарним провайдером, навчатися на концентрованих наборах даних та працювати через обладнання, що виробляється невеликою кількістю виробників. Децентралізовані мережі повинні вирішити складні проблеми, пов’язані з верифікацією виводу, конфіденційністю, затримкою, якістю обладнання, кібербезпекою та доступністю послуг, перш ніж зможуть постійно конкурувати з централізованими альтернативами. Найсильніший зв’язок між відкритим ШІ та крипто — це інфраструктура навколо моделі — як надаються обчислювальні ресурси, як платять учасникам, як верифікуються виводи та чи можуть користувачі отримувати послуги, не залежачи повністю від одного посередника.
Можливості та ризики для Bittensor, децентралізованих обчислень та токенів ШІ
Bittensor та інші децентралізовані проекти з ІІ отримують увагу через зростання попиту на альтернативи традиційній хмарній інфраструктурі, але їхня довгострокова цінність залежатиме не лише від популярності штучного інтелекту. Ці мережі повинні довести, що розподілені учасники можуть забезпечувати надійне навчання, висновки, зберігання та послуги з даними за конкурентоспроможними цінами. Криптовалютні токени можуть допомогти координувати постачальників, валідаторів та платежі, але стійке впровадження вимагає реальних клієнтів, вимірюваних результатів та економічної діяльності, яка не залежить переважно від токенних винагород. Ширший сектор AI crypto sectors містить кілька різних бізнес-моделей, тому оцінка на рівні проекту є більш корисною, ніж сприйняття кожного AI-токена як експозиції на одну й ту ж тенденцію.
Bittensor і Covenant-72B підкреслюють потенціал децентралізованого ШІ
Bittensor функціонує через спеціалізовані субнети, які конкурують за надання цифрових послуг, таких як AI-інференс, навчання, прогнозування, зберігання та обчислення. Згідно з документацією субнету Bittensor, майни виробляють відповідну послугу, валідатори оцінюють її якість, створювачі субнетів встановлюють механізми стимулювання, а стейкери підтримують валідаторів за допомогою TAO. У березні 2026 року мережа отримала більше уваги з боку масової аудиторії після того, як субнет Templar 3 підтримав розподілене навчання Covenant-72B — мовної моделі з 72 мільярдами параметрів. Технічний звіт Covenant-72B стверджує, що модель була попередньо навчена на приблизно 1,1 трильйона токенів за допомогою дозволеного, глобально розподіленого процесу. Хуан порівняв цей експеримент з сучасною версією Folding@home, визнавши його підхід до розподілених обчислень. Цей коментар не означав партнерства NVIDIA з Bittensor, не був схваленням TAO і не доводив, що децентралізоване навчання вже перевершує традиційні центри обробки даних. Він показав, що масштабне спільне навчання технічно можливе, тоді як ширші можливості Bittensor полягають у перетворенні своїх субнетів на конкурентні ринки корисної машинної інтелектуальності.
Децентралізовані токени обчислень та ШІ можуть розширити доступ до інфраструктури
Найсильніша можливість для децентралізованого обчислення виникає з розриву між доступом до моделі ШІ та отриманням апаратного забезпечення, необхідного для її функціонування. Централізовані хмарні провайдери пропонують GPU у великих обсягах, але ціни, регіональна доступність, обмеження ємності та довгострокові контракти можуть створювати бар’єри для менших розробників. Розподілені мережі намагаються агрегувати ресурси від незалежних провайдерів і надавати їх через відкриті ринки. Якщо вони зможуть запропонувати конкурентні ціни та надійний сервіс, вони зможуть підтримувати стартапи, дослідників і розробників AI-агентів, яким потрібна тимчасова або гнучка ємність. Можливість не обмежується навчанням великих моделей: інференс, доналаштування, оцінка моделей, виробництво синтетичних даних та безперервне виконання агентів можуть створювати повторювані навантаження. Токени можуть координувати платежі та винагороди в цих системах, але їхнє найсильніше застосування існує, коли актив виконує необхідну функцію мережі, а не слугує переважно спекулятивною міткою, прикріпленою до застосунку ШІ.
Технічні, безпекові та централизовані ризики можуть обмежити адаптацію
Децентралізовані мережі ШІ стикаються з викликами, яких не мають звичайні транзакції в блокчейні. Вихідні дані ШІ можуть бути суб’єктивними і дорогими для оцінки, що ускладнює для валідаторів визначити, чи надав постачальник справді корисну роботу чи оптимізував лише під механізм оцінки. Слабка оцінка може сприяти маніпуляціям, змовам та діяльності, яка приносить винагороди, не обслуговуючи зовнішніх клієнтів. Розподілене навчання також вводить комунікаційні затримки, непослідовність обладнання та ризик відключення учасників або надсилання пошкоджених оновлень. Блокчейн може залишатися залежним від обмеженої кількості виробників GPU, великих валідаторів, центрів обробки даних або команд розробників, залишаючи критичні шари концентрованими, навіть коли платежі є децентралізованими. Зловмисні постачальники, скомпрометовані ключі, програмні вразливості та неавторизоване використання авторських або конфіденційних даних створюють додатковий ризик. Тому конкуренція з існуючими хмарними сервісами вимагатиме надійної продуктивності, прозорої управлінської моделі, потужного захисту приватності та переконливих способів підтвердження завершеної роботи.
Зростання мережі не призводить автоматично до зростання вартості AI-токенів
Ціни на AI-токени можуть швидко реагувати на випуски моделей, впливові коментарі та загальну ринкову настроєність, але увага не обов’язково створює постійний дохід. Мережа може повідомляти про більше розгортань, транзакцій або учасників, тоді як більша частина цієї діяльності залишається фінансуваною за рахунок емісії токенів та стимулів. Якщо винагороди учасників постійно перевищують дохід від зовнішніх клієнтів, зовнішній рост може залежати від безперервної емісії, а не від стійкої бізнес-моделі. Оцінка TAO та інших децентралізованих обчислювальних токенів вимагає аналізу платежів клієнтів, повторюваних навантажень, використання апаратного забезпечення, незалежності валідаторів, концентрації провайдерів та витрат на стимули, необхідні для підтримки діяльності. Інвестори також повинні визначити, чи потрібен токен користувачам для отримання послуг, чи генерують мережеві комісії постійний попит і чи емісія зменшує частку існуючих власників. Bittensor та децентралізовані обчислення мають переконливу можливість підтримати більш відкриту економіку ШІ, але довгостроковий успіх залежатиме від перевірених послуг, повторних клієнтів та стійкої токеноміки.
Висновок
Погляд Дженнсена Хуанга на те, що відкрита та власна ШІ будуть існувати біля себе, вказує на багатомодельну економіку, в якій організації вибирають системи залежно від продуктивності, конфіденційності, витрат та контролю, а не дотримуються єдиного універсального підходу до розробки. Це розширення може створити значний попит на децентралізовані обчислювальні ресурси, блокчейн-платежі та інцентивні мережі, такі як Bittensor, оскільки доступні ваги моделей все ще вимагають значної інфраструктури для навчання та функціонування. Covenant-72B показав, що великі експерименти з навчанням без дозволу можливі, але технічна досяжність не гарантує комерційної переваги чи цінності токена. Проекти децентралізованої ШІ повинні довести, що здатні перевіряти вихідні дані, захищати дані, забезпечувати надійні сервіси та привертати платних клієнтів, не покладаючись надмірно на емісії. Криптовалюта може стати важливим шаром координації та розрахунків для відкритої економіки ШІ, але найсильнішими проектами будуть ті, що конвертують історію про ШІ у вимірюване використання, стійкий дохід та прозору токеноміку.
|
KuCoin святкує своє 9-річчя спеціальною кампанією на платформі з ексклюзивними нагородами, торгівельними заходами та пропозиціями обмеженого часу. Не пропустіть можливість взяти участь і скористатися перевагами, коли біржа відзначає дев’ять років росту та інновацій. Відвідайте офіційну сторінку кампанії зараз:
|
Часто Задавані Питання
Чи є Bittensor тим самим, що й децентралізована платформа для хмарних обчислень?
Ні. Децентралізований хмарний ринок у першу чергу з’єднує клієнтів із незалежними провайдерами, які пропонують обчислювальні ресурси. Bittensor — це ширша інцентивна мережа, в якій спеціалізовані субнети можуть надавати висновки, прогнози, навчання, зберігання та інші цифрові послуги. Деякі субнети можуть пропонувати обчислювальні послуги, але мережа не функціонує як один стандартизований ринок оренди GPU.
Чи можуть моделі ШІ з відкритим кодом працювати повністю автономно?
Так, якщо користувач має достатній апаратний забезпечення, сумісне програмне забезпечення та локальну копію ваг моделі. Офлайн-розгортання може покращити конфіденційність і зменшити залежність від зовнішнього API, але більші моделі можуть вимагати дорогих GPU та значної пам’яті. Доступ до Інтернету може все ще бути необхідним для завантаження моделей, оновлень безпеки, зовнішніх інструментів або живих даних.
Чи можуть власники GPU для споживачів брати участь у децентралізованих мережах штучного інтелекту?
Участь залежить від вимог мережі, субмережі та навантаження. Деякі сервіси можуть приймати споживчі GPU, тоді як великі завдання навчання чи висновку можуть вимагати професійного обладнання, швидкого інтернету, значної пам’яті та надійного часу роботи. Власність GPU не гарантує прибутковості, оскільки винагороди мають перевищувати витрати на електроенергію, обслуговування, пропускну здатність та обладнання.
Як децентралізовані обчислювальні мережі можуть захищати конфіденційні дані штучного інтелекту?
Приватність не гарантується лише тому, що мережа є децентралізованою. Безпечні платформи можуть використовувати шифрування, конфіденційні середовища обчислень, ізоляцію завантажень та обмежений доступ до даних для захисту конфіденційної інформації. Організаціям слід перевірити, чи можуть постачальники бачити завантажені дані, як зберігаються результати та що відбувається з тимчасовими файлами після завершення завдання.
Що відбувається, якщо постачальник апаратного забезпечення відключається під час виконання завдання штучного інтелекту?
Добре спроектована мережа може зберігати контрольні точки, перерозподіляти незавершену роботу та штрафувати провайдерів, які не відповідають вимогам надійності. Перерви все ще можуть збільшувати час виконання та витрати, особливо під час розподіленого навчання, яке вимагає синхронізації учасників. Тому надлишковість провайдерів та автоматичне відновлення є важливими при оцінці децентралізованих обчислювальних сервісів.
Чи завжди децентралізований GPU-обчислення дешевший, ніж централізовані хмарні сервіси?
Не обов’язково. Розподілені ринки можуть пропонувати нижчі ціни завдяки використанню недостатньо використовуваного обладнання та конкурентній торгівлі, але загальна вартість також залежить від переказу даних, затримки, складності налаштування, тривалості завантаження та надійності. Бізнесам слід порівнювати повну вартість виконання завдання, а не лише оголошену годинну ціну GPU.
Які метрики показують, чи має децентралізована мережа штучного інтелекту реальний попит?
Корисними індикаторами є платежі від зовнішніх клієнтів, обсяг повторюваних завантажень, використання GPU, утримання клієнтів, час роботи та кількість незалежних провайдерів. Користувачам також слід порівнювати дохід від комісій з токенними нагородами, щоб визначити, чи є діяльність комерційно фінансованою чи сильно субсидується емісіями. Висока кількість транзакцій сама по собі може не свідчити про значуще використання ШІ.
Відмова від відповідальності: Ця стаття має лише інформаційний характер і не є фінансовою або інвестиційною порадою. Криптовалютні активи є волатильними, і читачам слід перевірити останні офіційні оголошення WEMIX перед прийняттям рішень.
Відмова від відповідальності: Для вашої зручності цю сторінку було перекладено за допомогою технології ШІ. Для отримання найточнішої інформації дивіться оригінальну англійську версію.