Як децентралізоване навчання штучного інтелекту створить новий клас активів для цифрового інтелекту

Frontier AI — найсучасніші системи штучного інтелекту загального призначення, що наразі розробляються — стають однією з найважливіших у стратегічному та економічному плані галузей світу, проте залишаються переважно недоступними для більшості інвесторів і розробників. Навчання конкурентоспроможної моделі ШІ сьогодні, подібної до тих, що часто використовуються роздрібними користувачами, може коштувати сотні мільйонів доларів, вимагати десятки тисяч висококласних графічних процесорів та передбачати рівень операційної складності, який підтримують лише небагато компаній. Тому для більшості інвесторів, зокрема роздрібних, немає прямого способу володіти часткою сектору штучного інтелекту.

Це обмеження незабаром зміниться. Нова генерація децентралізованих мереж штучного інтелекту переходить від теорії до виробництва. Ці мережі об’єднують GPU різного типу з усього світу — від дорогого високопродуктивного обладнання до споживчих ігрових систем і навіть чипа M4 у вашому MacBook — у єдину навчальну основу, здатну підтримувати масштабні процеси передового рівня. Важливо для ринків те, що ця інфраструктура робить не лише координацію обчислень; вона також координує власність, випускаючи токени для учасників, які надають ресурси, що дає їм прямий інтерес у моделях ШІ, які вони допомагають створювати.

Децентралізоване навчання є справжнім проривом у розвитку технологій. Навчання великих моделей на неперевіреному, неоднорідному обладнанні у відкритому інтернеті донедавна вважалося неможливим експертами в сфері штучного інтелекту. Однак Prime Intellect тепер навчає децентралізовані моделі, що вже використовуються в продуктиві — одну з 10 мільярдами параметрів (швидкий, ефективний універсал, який підходить для щоденних завдань) та іншу з 32 мільярдами параметрів (глибокий аналітик, що відзначається складним мисленням і забезпечує більш тонкі, вишукані результати).

Gensyn, децентралізований протокол машинного навчання, продемонстрував підкріплювальне навчання, яке можна перевірити на блокчейні. Pluralis показала, що навчання великих моделей за допомогою звичайних GPU (стандартних графічних карт, які використовуються у ігрових комп’ютерах та споживчих пристроях, а не дорогих спеціалізованих чіпів) у скупченні є все більш життєздатним децентралізованим підходом для масштабного попереднього тренування — ключового етапу, коли моделі штучного інтелекту навчаються на великих наборах даних перед їхньою подальшою адаптацією для виконання конкретних завдань.

Щоб було зрозуміло, ця робота — не просто дослідницький проєкт, вона вже відбувається. У децентралізованих мережах навчання модель не "знаходиться" в дата-центрі однієї компанії. Натомість вона існує по всій мережі. Параметри моделі фрагментовані та розподілені, що означає, що жоден учасник не володіє всіма активами повністю. Учасники надають обчислювальні потужності GPU та пропускну здатність мережі, а натомість отримують токени, які відображають їхню частку в результативній моделі. Таким чином, учасники навчання не просто виступають у ролі ресурсів — вони здобувають узгодженість інтересів та власність над штучним інтелектом, який створюють. Це зовсім інший рівень узгодженості порівняно з тим, що ми бачимо в централізованих AI-лабораторіях.

Тут токенізація стає невід’ємною частиною, надаючи моделі економічну структуру та ринкову вартість. Токенізована модель штучного інтелекту діє як акція, де грошові потоки відображають попит на модель. Так само, як OpenAI та Anthropic стягують плату з користувачів за доступ до API, це можуть робити й децентралізовані мережі. Результатом є новий тип активу: токенізований інтелект.

Замість інвестування в велику публічну компанію, яка володіє моделями, інвестори можуть отримати доступ до моделей безпосередньо. Мережі реалізують це через різні стратегії. Деякі токени можуть насамперед надавати права доступу — пріоритетне або гарантоване використання можливостей моделі — у той час як інші можуть явно відслідковувати частку чистого доходу, отриманого, коли користувачі сплачують за запуск запитів через модель. У обох випадках ринки токенів починають функціонувати як фондовий ринок для моделей, де ціни відображають очікування щодо якості моделі, попиту та її корисності. Для багатьох інвесторів це може бути найпряміший шлях для фінансової участі у зростанні штучного інтелекту.

Цей розвиток не відбувається у вакуумі. Токенізація вже проникає в фінансовий мейнстрім, з такими платформами, як Superstate та Securitize (які планують вийти на біржу у 2026 році), що переводять фонди та традиційні цінні папери в ончейн. Стратегії роботи з реальними активами наразі є популярною темою серед регуляторів, керуючих активами та банків. Токенізовані моделі штучного інтелекту природно належать до цієї категорії: вони цифрові за своєю суттю, доступні будь-кому, хто має інтернет-з’єднання, незалежно від місцезнаходження, а їх основна економічна діяльність — обчислення для висновків, процес запуску запитів через навчений модель для отримання відповідей — вже автоматизована та відстежується програмним забезпеченням. Серед усіх токенізованих активів безперестанно вдосконалювані системи ШІ можуть бути найдинамічнішими, адже моделі можуть оновлюватися, повторно тренуватися та покращуватися з часом.

Децентралізовані AI-мережі є природним продовженням тези про те, що блокчейни дозволяють спільнотам колективно фінансувати, створювати та володіти цифровими активами способами, раніше неможливими. Спочатку були гроші, потім фінансові контракти, потім активи реального світу. AI-моделі є наступним класом цифрово рідних активів, які організовуються, належать і торгуються на ланцюгу. Наша точка зору полягає в тому, що перетин криптовалют і AI не обмежиться «токенами з тематикою AI»; він буде базуватися на реальному доході від моделей, підтвердженому вимірюваними обчислювальними ресурсами та використанням.

Ще рано. Більшість децентралізованих систем навчання перебувають у активній розробці, і багато дизайнів токенів не пройдуть технічних, економічних або регуляторних тестів. Але напрямок є зрозумілим: децентралізовані мережі навчання ШІ мають стати ліквідним, глобально скоординованим ресурсом. Моделі ШІ стають спільними для використання, власними та торгованими через токени. У міру розвитку цих мереж ринки оцінюватимуть не лише компанії, що створюють інтелект; вони оцінюватимуть сам інтелект.