Полная карта децентрализованного ИИ на 2026 год: почему блокчейн — неизбежное «лекарство» для ИИ

Автор: Pink Brains

Перевод: AididiaoJP, Foresight News

Децентрализованный ИИ существует из-за структурных ограничений централизованного ИИ, которые невозможно преодолеть ни капиталом, ни кодом:

• Дефицит и высокая стоимость вычислительных ресурсов
• Чрезмерная концентрация контроля
• Непроверяемость выходных данных моделей
• Усложняющийся доступ к обучающим данным

Дефицит и высокая стоимость вычислительных ресурсов

Рынок инфраструктуры GPU, по прогнозам, вырастет с 10 млрд долларов США в 2025 году до 77 млрд долларов США в 2035 году. Центральные процессоры для дата-центров (GPU) уже несколько месяцев находятся в состоянии полной распродажи. Рынок децентрализованных вычислений, как ожидается, увеличится с 9 млрд долларов США в 2024 году до 22 млрд долларов США в 2035 году (данные Research and Markets). Эта цифра справедлива лишь при условии, что дефицит является структурным, а не циклическим явлением. Мы считаем его именно структурным.

Чрезмерная концентрация контроля

ChatGPT, Gemini, Grok и Claude принадлежат и управляются небольшим числом частных компаний. Современная политика в области ИИ исходит из предположения, что только немногие субъекты, способные сконцентрировать огромные вычислительные мощности, могут обучать мощные системы. Если это предположение будет опровергнуто, то картина того, кто сможет создавать передовые ИИ-системы, полностью изменится.

Непроверяемость выходных данных

Когда модель принимает решение, пользователь не может проверить, действительно ли запущена нужная модель, корректно ли выполнены вычисления и не произошла ли утечка конфиденциальных данных. Для чат-ботов это ещё терпимо, но когда ИИ управляет кредитованием, здравоохранением или автономными агентами, осуществляющими операции с кошельками в реальном времени, такая ситуация совершенно недопустима.

Сложности получения обучающих данных из-за опасений по поводу приватности и регуляторных ограничений

Централизованный веб-сканер, расположенный в одном регионе AWS, быстро столкнётся с ограничением скорости, географическими блокировками или «отравленным» кэшем. Как отмечено в обзоре a16z на 2026 год, приватность становится «самым важным рвом в криптосфере».

ИИ нуждается в блокчейне, чтобы интеллект стал открытым, проверяемым и экономически доступным.

Карта технологического стека децентрализованного ИИ

• Уровень приложений и сервисов: ИИ-агенты способны выполнять множество задач, однако в криптосфере сегодня доминируют два основных варианта использования — агентное финансирование (Agentic Finance) и агентные платежи (Agentic Payments)
• Промежуточный уровень (middleware): Связующие элементы — от фреймворков для создания и идентификации агентов и рынков агентов до координационных слоёв
• Инфраструктурный уровень: Базовые ресурсы ИИ — уровни приватности и верификации, вычисления, вывод (inference), обучение, данные и хранение

Уровень приложений и сервисов

Агентное финансирование преобразует естественноязыковые запросы в действия в блокчейне.

ARMA-агент от @gizatechxyz обработал более 4,6 млрд долларов США объёма агентных транзакций на выбранных рынках кредитования — работа выполняется блок за блоком в рамках фреймворка AVS EigenLayer и не требует доверенного хранения средств.

@Infinit_Labs эксплуатирует кластер из более чем 20 специализированных агентов, способных преобразовать намерение типа «заработать 1000 долларов США в месяц, используя 1 BTC», в готовую стратегию с одним кликом на Ethereum, Solana и Base.

@coinvestai by Liquid интегрирует прямое исполнение в ChatGPT и Claude, поддерживая торговлю на более чем 500 рынках через Model Context Protocol.

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

@Cod3xOrg — сеть лёгких ИИ-агентов, способных преобразовывать намерения в построенные и исполненные транзакции в блокчейне.

@Zyfai_ — саморегулируемый DeFAI-агент, автоматизирующий и оптимизирующий фермерство доходов, постоянно перебалансируя капитал между протоколами для достижения максимальной скорости доходности с учётом риска без вмешательства человека.

В сфере прогнозных рынков @SynthdataCo представляет собой подсеть Bittensor, реализующую децентрализованную финансовую прогнозную ИИ-сеть. Майнеры соревнуются в построении моделей краткосрочной ценовой неопределённости. Уже сейчас она предоставляет данные в реальном времени для таких продуктов, как Mode AI Quant от Kalshi Crypto Markets.

Агентные платежи: машина платит машине

Так же как интернет стал коммуникационным слоем цифровой экономики, блокчейн и стейблкоины становятся расчётным слоем для агентных платежей.

По состоянию на май 2026 года x402 обработал более 173 млн транзакций на Base и Solana. В состав фонда x402 входят Google, Visa, AWS, Circle, Anthropic, Stripe и Cloudflare. Stripe начала использовать x402 с февраля 2026 года; AWS представила собственную систему AgentCore Payments.

Активность покупателей и продавцов растёт, большинство транзакций связано с реальным потреблением по принципу «оплата по факту использования»: вызовы API, сервисы ИИ-вывода, агентные коммерческие операции и аналогичные рабочие нагрузки. Первоначальный цикл шумихи сошёл на нет, однако реальный прогресс начинает набирать обороты.

Между тем Machine Payments Protocol от Stripe и Tempo выступает в качестве второй параллельной платформы и за время своей работы зарегистрировала более 411 900 транзакций и 9600 покупателей.

Эти сети совместно демонстрируют переход машинной коммерции «машина–машина» в более широкое русло: программные агенты теперь способны совершать самостоятельные сделки со скоростью машин.

Промежуточный уровень (middleware)

По мере роста количества агентов ключевой проблемой становится координация: как агенты могут обнаруживать друг друга, подтверждать свою личность и заключать сделки без участия людей.

Здесь главным барьером является дефицит доверия. Объём рынка агентной коммерции, по прогнозам, достигнет 1,5–5 трлн долларов США к 2030 году, однако внедрение сдерживается одной простой причиной: большинство пользователей готовы поручить ИИ проведение исследований, но крайне немногие готовы позволить ИИ самостоятельно совершать покупки.

Современные системы по-прежнему полагаются на ключи API, и почти ни одна из них не рассматривает агента как сущность с собственной идентичностью.

@GoKiteAI создаёт специализированную L1-сеть, в которой идентичность и платежи являются встроенными примитивами. ERC-8004 — это стандарт Ethereum, предоставляющий агентам переносимую ончейн-идентичность и репутацию, которую можно использовать в разных блокчейнах.

На рынке агентов @virtuals_io выступает в роли операционной системы агентной экономики на Base. К июню 2026 года она обработала более 2,38 млн агентных задач и сгенерировала почти 480 млн долларов США «агентного ВВП».

Однако жемчужиной этого уровня является Bittensor. Это сеть специализированных подсетей, каждая из которых представляет собой мини-экономику: майнеры запускают ИИ-модели, верификаторы оценивают результаты, а эмиссия TAO направляется тем, кто производит наиболее полезную работу. Три механизма обеспечивают экономическую серьёзность этой сети:

• Халвинг в декабре 2025 года сократит ежедневную эмиссию TAO с 7200 до 3600 токенов, соответствующую жёсткому лимиту в 21 млн токенов.
• Обновление dTAO предоставляет каждой подсети собственный токен Alpha и AMM-пул — рынок определяет эмиссию.
• Обновление Taoflow (запуск в ноябре 2025 года) распределяет эмиссию строго пропорционально чистому потоку стейкинга. Подсеть, где объём разстейкинга превышает объём стейкинга, может получить нулевую эмиссию. Такой дизайн изначально дарвиновский.

Сеть насчитывает более 128 активных подсетей; три крупнейшие вычислительные подсети, по сообщениям, достигли совокупного годового дохода (ARR) в 20 млн долларов США в течение трёх месяцев после монетизации. Дарвинизм здесь — это продукт.

Другие проекты сосредоточены на создании специализированных блокчейнов для ИИ или предоставляют инструменты, фреймворки и стимулы, необходимые для построения экосистемы ИИ, управляемой сообществом.

@NEARProtocol — невидимый координационный слой, объединяющий расчёты, идентификацию, приватность, TEE, MPC и защиту PII для автономных агентов.

@base — главная база «агентной экономики». Base MCP позволяет ИИ-инструментам, таким как Claude, ChatGPT и Cursor, выполнять ончейн-операции на платформах Uniswap, Morpho и Avantis — обмен, переводы, взаимодействие с DeFi — прямо через текстовые запросы.

@SentientAGI: её экосистема GRID связывает агентов, модели, данные и вычисления, маршрутизируя запросы к профильным участникам для обеспечения наилучших результатов.

@gensynai: проверяемое выполнение машинного обучения, координирующее распределённое оборудование для обучения и вывода при одновременной гарантии достоверности работы; координация сети осуществляется токеном $AI.

@SaharaAI объединяет данные, модели, агентов и вознаграждения в единой ИИ-нативной экосистеме.

Инфраструктурный уровень

Инфраструктура — это скелет ИИ: первичные вычислительные, выводные, обучающие, данные и приватные примитивы, от которых зависит всё вышележащее. Это самый капиталоёмкий уровень в стеке децентрализованного ИИ.

Децентрализованные вычисления

@akashnet функционирует как рынок обратных аукционов, где провайдеры конкурируют, предлагая свои ресурсы для выполнения ваших задач. Рост новых арендных договоров в I квартале 2026 года составил 27%, достигнув отметки свыше 43 500 — третий квартал подряд роста. Её служба AkashML Inference в апреле обработала почти 120 млрд токенов по ценам на 60–85% ниже, чем у ведущих облачных провайдеров.

@rendernetwork показала рост использования на 428% в годовом исчислении.

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

@AethirCloud — один из реально прибыльных проектов: объявленный годовой доход (ARR) составляет около 166 млн долларов США (III квартал 2025 года), общее количество предоставленных вычислительных часов превысило 1,5 млрд.

Распределённый и проверяемый вывод (inference)

Вывод составляет более 70% операционных затрат ИИ; Goldman Sachs прогнозирует, что агентный ИИ приведёт к росту потребления токенов к 2030 году в 24 раза — до 120 трлн токенов в месяц.

Децентрализованный ответ — сделать вывод дешёвым, приватным и проверяемым.

@AskVenice ежедневно обслуживает более 2 млн пользователей, предоставляя свыше 50 млрд токенов через частные и нецензурируемые модели; их конкурентное преимущество — это сами модели.

@OpenGradient обработал более 2 млн проверяемых выводов и сгенерировал более 500 тыс. zkML-доказательств.

@chutes_ai: разработчики могут легко развернуть и масштабировать ИИ-модели через простой API, поддерживаемый майнерами GPU, при этом стоимость может быть на 85% ниже, чем у AWS. Доход платформы автоматически конвертируется в спрос на токены через механизм автоматического стейкинга.

@dphnAI — децентрализованная сеть ИИ-вывода. Примечательно, что Dolphin разработала нецензурируемую модель, используемую Venice AI, и направляет 100% дохода сети на выкуп токенов.

Децентрализованное обучение

Обучение — самая сложная и наиболее значимая задача: именно оно определяет, должны ли передовые модели создаваться исключительно внутри лабораторий трёх-четырёх компаний.

INTELLECT-1 (10 млрд параметров) от @PrimeIntellect — первый глобальный распределённый запуск обучения; INTELLECT-2 (32 млрд параметров) — первый распределённый запуск обучения с подкреплением (RL).

@tplr_ai успешно обучила модель Covenant-72B на более чем 70 распределённых узлах, обработав примерно 1,1 трлн токенов и снизив коммуникационные издержки в 146 раз.

@NousResearch: её сеть Psyche обеспечивает отказоустойчивое распределённое обучение; Hermes 4.3 стала первой моделью серии Hermes, обученной на децентрализованной инфраструктуре, а не на централизованных кластерах.

IOTA-подсеть (SN9) от @MacrocosmosAI занимается децентрализованным предварительным обучением LLM и обучением «дома»; её подсеть Data Universe (SN13) отвечает за уровень данных. Алгоритмы DiLoCo с низкими коммуникационными затратами позволяют GPU, рассеянным по всему миру, эффективно сотрудничать даже без сверхбыстрых внутренних сетей дата-центров.

Децентрализованная доступность данных и хранение

По мере роста масштабов ИИ-рабочих нагрузок оба этих компонента становятся узким местом. Передовые модели потребляют огромные объёмы свежих данных, а спрос на хранение вырос настолько, что основные производители жёстких дисков сообщают о продаже своих мощностей на несколько лет вперёд.

Экономика выглядит привлекательно. Децентрализованное хранилище может быть на 60–80% дешевле, чем традиционные облачные провайдеры; сети вроде @Filecoin предлагают цены на хранение менее 1 доллара США в месяц за ТБ, тогда как централизованные альтернативы стоят около 30 долларов США.

@grass выплачивает вознаграждения за простаивающую пропускную способность 2,5 млн узлов из 190 стран, позволяя лабораториям ИИ собирать данные из сети в реальном времени.

@WalrusProtocol — быстро растущий конкурент в области децентрализованного хранения и обеспечения доступности данных, созданный @Mysten_Labs. Он использует двумерное кодирование с исправлением ошибок для эффективного хранения больших «блоков» и всё чаще позиционируется как постоянный «слой памяти» для ИИ-агентов.

@eigencloud — проверяемая облачная платформа, построенная вокруг обеспечения доступности данных, проверяемых вычислений и разрешения споров. Безопасность обеспечивается повторным стейкингом ETH; её идея состоит в том, чтобы ИИ-агенты могли работать с криптографическими гарантиями, делая их действия доказуемыми, аудируемыми и исполняемыми.

@vana — EVM L1-сеть, где DAO данных и пулы ликвидности данных превращают персональные данные в токенизированные и торгуемые активы.

@reppo и @oroagents формируют качественные и надёжные наборы данных для обучения ИИ через стимулирующие конкурсы.

Уровень приватности и верификации

Обычный пользователь ИИ не может проверить, обрабатывает ли модель его данные приватно, правильно ли выполняются вычисления и используется ли заявленная модель.

В 2026 году приватность и верификация становятся предварительным условием для ИИ, а не дополнительной функцией.

@nillion — «слепой компьютер», который выполняет вычисления над зашифрованными данными без их расшифровки с помощью MPC и собственного Nil Message Compute. Возможные применения: приватный ИИ-вывод, зашифрованные базы данных и приватный RAG (позволяет ИИ делать запросы к проприетарным базам знаний без их раскрытия).

@Arcium — децентрализованная сеть конфиденциальных вычислений на Solana. Возможные применения: Umbra (анонимные переводы / приватные доходы) и конфиденциальное обучение ИИ на чувствительных наборах данных.

@OasisProtocol — L1-сеть с приоритетом приватности, использующая ROFL (Runtime Offchain Logic) — фреймворк на основе TEE для выполнения проверяемых и защищающих приватность вычислений вне блокчейна — для ИИ-агентов, обучения моделей или оракулов.

@octra — L1-сеть с приоритетом приватности, изначально поддерживающая FHE (гомоморфное шифрование), использующая собственную схему HFHE (Hypergraph FHE), специально разработанную для параллельных зашифрованных вычислений и высокой пропускной способности.

@eigencloud — лидер в области верификации, построенный на безопасности повторного стейкинга EigenLayer. EigenAI (проверяемый вывод LLM — совместимый с OpenAI API для открытых моделей, в котором запросы и ответы доказуемо не подвергались изменениям) и EigenCompute (проверяемое выполнение логики агентов вне блокчейна).

@PhalaNetwork. Облачные GPU мощны, но неприватны; Phala делает рабочие нагрузки доказуемыми, даже для самого Phala они остаются скрытыми. Основной продукт Phala Cloud — GPU TEE, позволяющий разворачивать открытые модели на аппаратном обеспечении и предоставлять совместимый с OpenAI API, в котором каждый вывод сопровождается криптографическим доказательством.

Тенденции децентрализованного ИИ в 2026–2027 годах

Спрос на ИИ растёт быстрее, чем инфраструктура успевает за ним; ИИ-агенты становятся ведущим двигателем роста — ончейн-трек уже готов.

Вычисления превращаются в класс активов, а ончейн-рынки становятся их финансовым слоем. Институциональные участники переходят от экспериментов к инвестициям в инфраструктуру.

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

Заключение

Децентрализованный ИИ развивается на всех основных уровнях стека — инфраструктурном, промежуточном и прикладном, что подтверждается ростом выручки от вычислений, расширением агентной экономики и масштабными распределёнными процессами обучения.

Тем не менее область находится на ранней стадии. Выручка часто отстаёт от токенных стимулов, внедрение остаётся неравномерным, и хотя общий объём инвестиций в ИИ стремительно растёт, доля децентрализованного ИИ в венчурных инвестициях пока невелика. Токен-ориентированные сети могут стать мощным преимуществом, но лишь при условии корректного дизайна захвата ценности.

Тем не менее появление таких проектов, как Bittensor, NEAR, Virtuals, Base и Venice, свидетельствует о переходе децентрализованного ИИ от спекулятивного нарратива к новой парадигме координации вычислений, данных, капитала и интеллекта.