Завьялов Илья (Поинт Пей): Архитектура криптовалютного искусственного интеллекта.

Фондовые рынки бьют рекорд за рекордом благодаря тому, что крупнейшие корпорации активно интегрируют технологии искусственного интеллекта в свои бизнес-модели. Переплетённая сеть инвестиций, сделок по поставке чипов и партнёрств вокруг таких гигантов, как OpenAI и NVIDIA, стремительно наращивает финансовые показатели и рыночную капитализацию.

Сегмент аппаратного обеспечения и инфраструктуры доминирует на рынке — NVIDIA стала первой компанией, приблизившейся к оценке в 5 триллионов долларов. Эта капитализация сопоставима с ВВП Германии (третьей экономики мира), уступая лишь США (30 трлн долларов) и Китаю (19 трлн долларов).

На фоне этих гигантов криптовалютный AI может показаться микроскопическим явлением. Однако потенциал роста здесь колоссальный — ни одна другая технологическая платформа не подходит так идеально для будущего, управляемого автономными агентами.

Блокчейн выступает в качестве субстрата, позволяющего агентам прозрачно и верифицируемо взаимодействовать друг с другом. Стейблкоины становятся ключевым платёжным инструментом, доступным как людям, так и агентам в любой точке мира, в любое время, без посредников.

Это не вопрос «если» — это вопрос «когда». Инфраструктура для AI-приложений, сервисов и агентов активно строится прямо сейчас. Web3-нативные проекты расширяют свою инфраструктуру в сторону Web2, в то время как Web2-стартапы с существующей дистрибуцией интегрируют Web3-технологии.

Что такое Crypto AI?

Crypto AI охватывает весь стек AI-инфраструктуры, приложений и агентов, построенных на блокчейне или использующих децентрализованные технологии.

Почему это необходимо?

Вы, вероятно, уже неоднократно слышали о рисках централизованного искусственного интеллекта. Если нет, то вкратце: передовые AI-лаборатории вроде OpenAI контролируют все аспекты развития ИИ — они определяют, какие данные поступают на вход и что выдаётся на выходе. Они контролируют данные, модели, инфраструктуру, поведение AI и присваивают все экономические выгоды.

Мы уже наблюдали случаи, когда люди совершали суицид после того, как AI убедил их в этом, или впадали в депрессию, начиная сомневаться в реальности. Это лишь некоторые последствия ситуации, когда одна организация контролирует всё.

Как Crypto AI решает эту проблему?

Crypto AI вносит принципиально новые элементы:

Децентрализация - вместо того чтобы один человек или одна организация контролировали всё, люди могут вносить свой вклад в виде ресурсов и совместно работать над предоставлением данных, вычислительных мощностей и обучением моделей. Токены выступают в роли стимулов, объединяющих людей и мотивирующих любого — независимо от местоположения или статуса — вносить вклад в развитие AI.

Благодаря природе блокчейна как публичного реестра всё становится прозрачным, делая систему открытой и верифицируемой.

Это идеальная платформа для AI-агентов, поскольку они могут чётко видеть, с кем взаимодействуют, проверять репутацию и послужной список, верифицируемо договариваться о цене и контрактах в открытом режиме, а также бесшовно оплачивать услуги стейблкоинами за считанные секунды.

Ландшафт Crypto AI

Экосистему можно разделить на четыре уровня:

1. Приложения и сервисы (Applications & Services)

2. Маркетплейсы (Marketplaces)

3. Промежуточное ПО (Middleware)

4. Инфраструктура (Infrastructure)

Инфраструктура служит фундаментальным уровнем, питающим все остальные слои (B2B), в то время как приложения и сервисы — это уровень, который напрямую предлагает настроенные продукты и услуги клиентам (B2C).

Middleware и Marketplaces предоставляют инструменты и дистрибуцию для разработчиков и предприятий, которые, в свою очередь, предлагают решения клиентам (B2B2C).

Крупнейшие игроки Crypto AI (особенно в сфере инфраструктуры) часто захватывают несколько уровней одновременно, чтобы продемонстрировать возможности своей инфраструктуры.

1. Приложения и сервисы

Вероятно, самый популярный уровень благодаря тому, насколько понятными и осязаемыми являются его продукты. Мы ежедневно используем Web2 AI-сервисы — будь то ChatGPT, Grok, Cursor, Lovable, Sora, Midjourney и другие.

Этот уровень иногда называют «AI-агентами» в криптосообществе, и часто он описывает независимых разработчиков или небольшие команды, которые сначала запустили токен, а продукт разработали позже.

Поскольку это B2C-сегмент с криптопользователями в качестве основной аудитории, привлечение и удержание пользователей становится чрезвычайно сложной задачей. Криптопользователи ориентированы на финансовые результаты — трейдеры имеют собственные торговые стратегии, а фермеры доходности всегда ищут оптимальное соотношение риска и прибыли.

Мы ещё не видели вирусного AI-приложения или агента, который бы стал настоящим прорывом. Однако DeFi-агенты демонстрируют многообещающую начальную тягу и, вероятно, будут аккумулировать наибольшую ценность после торговых приложений и агентов.

Ключевые игроки с хорошей начальной тракцией:

• @dippy_ai — приложение для создания AI-персонажей с 8+ млн пользователей, ориентированное на массовую аудиторию

• @almanak - AI-агенты, создающие структурированные DeFi-хранилища через vibe-coding

• @gizatechxyz - персонализированные финансовые агенты

Мы находимся на пороге того момента, когда торговые агенты и приложения найдут свой первоначальный product-market fit благодаря росту популярности AI-соревнований по трейдингу, спровоцированных Alpha Arena (@the_nof1) — конкурсом, где 6 AI-моделей соревнуются в торговле, каждая стартует с 10 тысяч долларов реальных денег. Победителем стала модель Qwen.

К второму кварталу 2026 года мы, вероятно, увидим прорывное AI-приложение или агента, сфокусированного на функции копилота для трейдинга, помогающего пользователям торговать лучше и трансформирующего привычные способы торговли.

2. Маркетплейсы

Маркетплейсы выступают в роли каналов дистрибуции для приложений, моделей и агентов, предоставляя им доступ к потенциальным пользователям.

В крипто маркетплейсы часто структурированы как лончпады (launchpads).

Несмотря на плохую репутацию Pump.fun, UI/UX и модель монетизации, которую представил этот проект, оказались весьма эффективными для криптоинвесторов. Продукт токенизируется, и токен запускается на лончпаде.

Маркетплейсы функционируют как AI-экосистемы или App Store, позволяя пользователям находить интересные продукты и токены.

Ключевые игроки с хорошей начальной тракцией:

• @virtuals_io - пионер в области маркетплейсов AI-агентов

• @CreatorBid - маркетплейс, сфокусированный на экосистеме Bittensor

• @openservai - маркетплейс, ориентированный на автоматизацию рабочих процессов и продукты

Со временем мы наблюдаем постоянные улучшения механик лончпадов, призванные лучше согласовать интересы инвесторов, разработчиков и владельцев платформ. Однако проблемы остаются:

• Большинство проектов, запущенных на этих маркетплейсах, терпят неудачу

• У большинства продуктов нет конкурентных преимуществ (отсутствуют уникальные торговые предложения)

• Спрос и интерес к продуктам/токенам снижается

• Система склонна привлекать независимых разработчиков и краткосрочных билдеров

Несмотря на эти вызовы, маркетплейсы остаются наиболее привлекательным сегментом благодаря модели монетизации лончпадов и механизму комиссий, который извлекает ценность из спекуляций.

К следующему году мы, вероятно, увидим «кураторские маркетплейсы», где приложения и агенты будут ранжироваться по реальным показателям — таким как выручка или количество пользователей. Будет постоянная конкуренция за привлечение большего числа пользователей для получения стимулов (дарвиновский AI с поощрениями на основе производительности). Агенты будут иметь ончейн-репутацию и послужной список, верифицируемые кем угодно.

Новая система станет комбинацией App Store + HuggingFace + Alpha Arena.

3. Промежуточное ПО (Middleware)

Middleware — это соединительная ткань стека Crypto AI. Он связывает агентов уровня приложений с инфраструктурой (вычисления, данные, оркестрация) таким образом, что делает построение, развёртывание и масштабирование AI-систем значительно проще.

Если инфраструктура — это двигатель, а приложения — автомобиль, то middleware это коробка передач, которая заставляет систему двигаться.

Это наименее понятный уровень — и в то же время именно здесь аккумулируется наиболее устойчивая ценность.

Middleware имеет значение, потому что создание AI-агента или приложения ончейн — это сложно. Нужно найти лучшие источники вычислительной мощности, определить, где размещать и обучать модель, интегрировать инструменты и SDK, чтобы подключиться к нужным протоколам и выполнять то, что должен делать агент.

После того как агент начинает работать, приходится беспокоиться о безопасности, верифицируемости, галлюцинациях, платежах и многом другом.

• Фреймворки помогают легко создавать AI-агента или автоматизировать рабочие процессы

• Слой оркестрации обеспечивает сложные мультиагентные рабочие процессы

• ERC-8004 позволяет обнаруживать агентов и регистрировать репутацию

• x402 обеспечивает микроплатежи с использованием стейблкоинов

• MCP подключает AI-агентов/приложения к внешним системам

• Google A2A позволяет агентам общаться друг с другом

Большинство middleware не обслуживают конечных клиентов они обслуживают разработчиков, предприятия и инфраструктурные сети. Это делает middleware менее спекулятивным, но более стабильным в плане монетизации.

Ключевые игроки с хорошей начальной тракцией:

• @coinbase x402 и Google AP2

• @ethereum ERC-8004

• @elizaOS - фреймворк

• @LitProtocol - управление ключами/аутентификация/программируемые права доступа

• @openservai - слой маршрутизации/оркестрации для агентов

• @virtuals_io Agent Commerce Protocol (ACP)

[Ключевое различие между Middleware и Infrastructure заключается в том, что Middleware предоставляет только runtime, маршрутизацию или координационный слой вместо предоставления вычислительной мощности, хранилища или фактической инфраструктуры]

Middleware конвергирует в направлении Agent OS — полнофункциональной системы, которая даёт агентам идентичность и репутацию, оркестрирует принятие решений, ведёт переговоры с поставщиками услуг и агентами, автоматически обрабатывает платежи, поддерживает постоянную память, обеспечивает возможности рассуждения и планирования, проактивно выполняет рабочие процессы на основе целей пользователя.

TL;DR: полнофункциональные инструменты для создания и развёртывания полностью автономных агентов появятся в ближайшее время (вероятно, к следующему году).

4. Инфраструктура

Инфраструктура — это фундаментальный уровень стека Crypto AI: вычислительные мощности, данные, хранилище и криптовалютные рельсы, делающие децентрализованный AI возможным.

В Web2 базовый уровень AI-инфраструктуры доминируется гипермасштабируемыми системами:

• Вычисления - NVIDIA, AWS, Google Cloud

• Хранилище и данные - Snowflake, Databricks, Mongo

• Обучение моделей (LLM) - OpenAI, Anthropic, Meta

• Сети и память - Redis, Kafka, Cloudflare

В Crypto AI цель не заменить эти системы, а реархитектурировать их в открытые, бесразрешительные сети, где любой может вносить ресурсы, любой может получить доступ к вычислениям или моделям, вся система прозрачна, верифицируема и децентрализована.

Именно здесь инновации наиболее глубоки и долгосрочны.

Стек DeAI-инфраструктуры:

4.1 Децентрализованные вычисления
4.2 Провайдеры инференса
4.3 Координационные слои
4.4 Сети инференса
4.5 Децентрализованное обучение и создание моделей
4.6 Конфиденциальность и верифицируемость

4.1 Децентрализованные вычисления

Предоставляют сырую вычислительную мощность, которая может использоваться для чего угодно (обучение, инференс, рендеринг, обработка данных, симуляции).

Они предоставляют вычислительные ресурсы и не решают, что на них запускается.

Ключевые игроки:

• @AethirCloud

• @ionet

• @akashnet

• @spheron

• @TargonCompute

Базовая инфраструктура, обслуживающая индивидуальных разработчиков и предприятия. Ключевые игроки зарабатывают 8-9 цифр в выручке.

4.2 Провайдеры инференса / Сети инференса

Эти провайдеры не просто предоставляют вычислительную мощность — они предоставляют выходы моделей. Они обслуживают предварительно обученные или тонко настроенные модели и возвращают ответы, а не сырые вычисления.

Представьте себе OpenAI API, только децентрализованный (или интерфейс типа ChatGPT).

Ключевые игроки:

• @chutes_ai - крупнейший провайдер инференса на OpenRouter

4.3 Координационные слои

Дарвиновские AI-экосистемы и AI-ориентированные блокчейны, поддерживающие разработчиков стимулами, инструментами, формированием капитала и многим другим.

Это часть AI-стека, которая организует, ранжирует, стимулирует и направляет поощрения правильным командам (подсетям).

Первой экосистемой, которая стала пионером этого направления, стала @opentensor (Bittensor).

Bittensor ежедневно распределяет 7200 $TAO среди 128 команд (также известных как подсети) для поддержки их операционных расходов. Подсети, которые имеют положительный чистый приток $TAO (TAO входит < TAO выходит), получают высокие эмиссии $TAO.

Это стимулирует подсети, которые создали что-то значимое, нашли product-market fit и генерируют тракцию.

Многие координационные слои вдохновлены Bittensor, некоторые охватывают как координационный слой, так и вертикали сетей инференса.

Ключевые игроки:

• Bittensor - пионер в области Дарвиновского AI/координационного слоя

• @flock_io - AI с сохранением конфиденциальности для доменно-специфичных случаев использования через федеративное обучение

• @BitRobotNetwork - координационный слой для робототехники

• @SentientAGI - координационный слой, сфокусированный на приложениях

Координационные слои набирают популярность, потому что команды могут запустить свою идею без необходимости привлекать венчурный капитал, участники могут вносить вклад в разработку AI откуда угодно и кем угодно, вознаграждения/стимулы справедливо распределяются между командами, создающими отличные продукты, и участниками, которые генерируют качественные выходы, улучшающие AI.

Координационные слои = место, где таланты децентрализованы, где вознаграждения выплачиваются на основе производительности и где AI находится в руках людей.

4.4 Сети инференса

Это может быть несколько похоже на координационные слои, но сети инференса — это координационные рынки, которые агрегируют множество элементов для получения желаемых результатов.

Пример: Задача/цель — точно предсказать цену Bitcoin.

• Сеть инференса сопоставляет задачи с правильной группой участников

• Участники (майнеры) создают ML-модели, обученные на публичных данных или собственных проприетарных данных, и предсказывают цену BTC

• Сеть инференса (подсеть) координирует стимулы на основе точности моделей майнеров в предсказании цены BTC

Подсети Bittensor считаются сетями инференса, каждая подсеть имеет свою специализацию — предсказания, AI-агенты, безопасность, открытие лекарств, квантовые вычисления, 3D и многое другое.

Ключевые игроки:

• Подсети Bittensor

• @AlloraNetwork - сеть инференса для финансовых случаев использования

4.5 Децентрализованное обучение / Создание моделей

В то время как инференс — это использование модели, обучение — это её создание и улучшение.

Децентрализованное обучение фокусируется на совместном обучении или тонкой настройке моделей через распределённых провайдеров вычислений без зависимости от единой централизованной организации, такой как OpenAI или Anthropic.

В сегодняшнем централизованном ландшафте AI обучение требует:

• Массивных GPU-кластеров

• Проприетарных датасетов

• Замкнутых конвейеров оптимизации

• Корпоративно контролируемых систем вознаграждения и процессов выравнивания

Тот, кто контролирует конвейер обучения, контролирует поведение модели и ценности (как видно из успеха GPT-моделей и доходов, которые они приносят).

Децентрализованное обучение меняет это.

Вместо того чтобы одна лаборатория определяла, как развивается интеллект, многие участники вносят вклад в виде вычислений, данных и улучшений моделей, а механизмы стимулирования согласовывают вклады.

Ключевые игроки:

• @NousResearch

• @gensynai

• @PrimeIntellect

• @tplr_ai

• @PluralisHQ

Этот сегмент остаётся крайне ранним из-за сложностей в координации ресурсов и их согласовании по всему миру. НО мы сейчас вступаем в фазу, когда децентрализованное обучение переходит от экспериментальной к конкурентной фазе (и, вероятно, мы увидим создание передовой AI-модели через децентрализованное обучение через 2+ года).

4.6 Конфиденциальность и верифицируемость

Конфиденциальность - защита данных, идентичностей и состояния агентов. Модели запускаются/обучаются на приватных данных.

Примеры случаев использования: медицинские модели, которые не раскрывают записи пользователей, торговые агенты, которые не раскрывают стратегии, совместное обучение моделей между отделами без обмена конфиденциальными датасетами, персональный помощник, который не утекает ваши данные.

Верифицируемость - превращение AI из чёрного ящика в верифицируемый AI (Чёрный ящик = вам приходится слепо доверять выходу AI).

Верифицируемый AI доказывает, что AI выполнил свои вычисления правильно и не галлюцинировал (не сгенерировал неверные выходы). Это становится возможным благодаря таким техникам, как zkML, верификация с обеспечением слэшингом (EigenAI), opML.

Примеры случаев использования: автономные торговые и DeFi-агенты, AI-скоринг кредитов, модели кредитования и рисков, AI-поддержка медицинских решений, автоматизация правовых/управленческих/регуляторных процессов — все ключевые вертикали, которые включают высокий уровень доверия и капитала, т.е. нам нужно быть уверенными, что выходы AI корректны и верифицируемы.

Ключевые игроки:

• @flock_io - AI с сохранением конфиденциальности через федеративное обучение

• @PhalaNetwork - инфраструктура TEE

• @eigenlayer - верифицируемый и детерминированный AI

• @nillion - приватный обмен состояниями на основе MPC

• @gizatechxyz - zkML-фреймворк LuminAIR

Стек конфиденциальности и верифицируемости всё ещё строится, мы всё ещё довольно рано, и, честно говоря, не так много людей заботятся об этом стеке прямо сейчас. Потому что мы ещё даже не смогли создать прорывной случай использования или вирусное AI-приложение.

Хотя конфиденциальность, верифицируемость и полезность AI-приложения или агента идут рука об руку, большинство разработчиков ломают голову, пытаясь понять, какой продукт будет продаваться и найдёт PMF в первую очередь, прежде чем интегрировать стек конфиденциальности и верифицируемости (обычно это связано с дополнительными затратами на интегрцию, поэтому разработчикам нужно сначала понять, как получить выручку).

 Мы всё ещё рано.

Большая часть Crypto AI сегодня выглядит как разрозненные эксперименты — агенты здесь, GPU-сети там, маркетплейсы запускают токены, подсети конкурируют за эмиссии.

Но если посмотреть шире, формируется чёткий стек.

Каждый уровень решает разную проблему, но все они складываются в единый общий результат:

Автономные агенты, которые могут думать, действовать, совершать транзакции и улучшаться — без зависимости от централизованной корпорации.

• Стейблкоины дают агентам возможность платить и рассчитываться глобально

• Блокчейны дают агентам общий публичный реестр для координации

• Координационные слои распределяют стимулы тем, кто вносит наиболее полезный интеллект

• Сети инференса ускоряют темпы развития AI

• Децентрализованное обучение разрушает монополию на то, кто может создавать и управлять моделями

• Конфиденциальность и верифицируемость делают AI безопасным для использования в финансовой, медицинской, юридической и корпоративной средах

• Middleware упрощает создание и масштабирование агентов

• Маркетплейсы распространяют агентов и модели миллионам пользователей

Так создаётся агентская экономика.

Где мы сейчас

• У нас нет прорывного киллер-агента.

• У нас нет вирусного PMF для AI-приложений в крипто.

• У нас нет широкой экономической зависимости от децентрализованного инференса.

Но у нас есть:

• Ранние DeFi-агенты с реальной тракцией

• Координационные слои, эффективно распределяющие капитал и стимулы

• Децентрализованные сети вычислений, генерирующие реальную выручку

• Подсети и сети инференса, конкурирующие и самосовершенствующиеся

• Middleware, быстро конвергирующий в полноценные среды Agent OS

Мы находимся на стадии консолидации инфраструктуры и скоро переходим к волне агентских приложений.

Что произойдёт дальше?

Нам нужен всего лишь один агент или продукт, который найдёт product-market fit и распространит playbook на тысячи других.

Это будет выглядеть как автономные торговые агенты, которые станут стандартом торговли для пользователей, или DeFi-агенты, управляющие фондами для пользователей, управляя рисками, доходностью и хеджированием в реальном времени.

Один агент станет незаменимым. Затем весь стек получит валидацию.