Слияние регулирования ИИ и цепочек поставок оборудования тихо меняет ситуацию с тем, кто может обучать передовые модели. Последним конфликтом стало то, что Anthropic, ведущая лаборатория ИИ, согласилась с экспортными контролями США — шаг, который основатель CoinFund Джейк Брукман обозначил как сигнал тревоги для централизованного контроля над технологией. Его аргумент, изложенный в недавних замечаниях, заключается в том, что узкое место — это не только код или данные. Это физические кластеры GPU, которые обучают самые мощные модели.

Брукман не выдвигает размытое предположение. Он указал на конкретные команды, строящие распределенную инфраструктуру обучения — Gensyn, Prime Intellect, Pluralis и Nous Research — которые пытаются объединить недоиспользуемые глобальные ресурсы GPU. Механика различна, но общий риск заключается в том, что децентрализованный вычислительный ресурс может соответствовать, или по крайней мере бросить вызов модели кластеров гипермасштабирования, которая в настоящее время доминирует. Pluralis идет дальше, экспериментируя с токенизированными моделями ИИ, где веса модели распределяются между участниками, создавая фрагментированную структуру владения, которая могла бы противостоять централизованному отключению или цензуре.

Идея токенизации владения моделью может показаться абстрактной, но она отражает уже происходящие эксперименты в блокчейне. Децентрализованные вычислительные сети все больше интегрируются в приложения Web3, где вычисления рассматриваются как ликвидный актив, а не фиксированные капитальные расходы. То, что предлагает Pluralis, напрямую расширяет эту логику на уровень модели — что-то более близкое к DAO, которое совместно владеет весами модели на переднем крае, с экономическим участием, связанным с использованием или лицензированием. Пока еще рано, но бизнес-модель начинает принимать форму.

Для криптоиндустрии это не просто еще один нарратив об ИИ. Это структурный вопрос о том, могут ли сети без разрешений воспроизвести то, что сейчас требует координации на уровне государства или нескольких хорошо финансируемых лабораторий. Контроль за экспортом в США, на который ссылался Брукман, — это не мелкая неприятность; это инструмент политического регулирования, который может диктовать, какие страны могут получить доступ к высококачественным NVIDIA H100 или будущим поколениям чипов. Когда такая компания, как Anthropic, подчиняется этим контролям, грань между корпоративным соблюдением и фактическим контролем правительства становится тонкой.

Регуляторная обстановка быстро меняется, и ИИ не изолирован от крипто-политики. Банки уже начинают оспаривать крупные крипто-законодательства, и та же законодательная машина, которая регулирует цифровые активы, все чаще втягивается в дебаты по надзору за ИИ. Децентрализованный слой ИИ, построенный на распределенных сетях GPU, находится на пересечении обоих, одновременно подвергаясь scrutiny от финансовых регуляторов и режимов контроля технологий. Это пересечение создает трение, но также и электорат, которого не существовало несколько лет назад.

Один недооцененный элемент в аргументации Брукмана — это логистика хранения и данных, которую требует децентрализованный ИИ. Обучение моделей по разрозненной карте узлов требует не только сырых флопсов, но и эффективных дата-пайплайнов и верифицируемых вычислений. Проекты, такие как Filecoin, создают децентрализованную инфраструктуру хранения, которая может стать частью стека, даже если они здесь не упоминаются напрямую. Чем более распределенным является обучение, тем критичнее становится наличие хранилища, которое не находится в одном единственном дата-центре, который может быть отключен по указу правительства.

Что на самом деле меняет фрагментированный ландшафт обучения

Если распределенное обучение будет работать в масштабах, непосредственным эффектом станет цензура моделей и доступ. Государство может заставить облачного провайдера, базирующегося в США, отказать в доступе к GPU иностранной лаборатории, но оно не может легко остановить сеть без разрешений из тысяч мелких операторов узлов, разбросанных по юрисдикциям. Это не означает, что такие сети защищены от юридического давления, но сопротивление выше, и юридическая атакующая поверхность принципиально другая. Это смещает бремя с бинарного включения/выключения на запутанную, медленно движущуюся проблему принуждения.

Однако эта устойчивость имеет свои издержки. Координация обучения по гетерогенной глобальной сети GPU вносит задержки, пробелы в надежности и проблемы верификации. Команды, о которых упоминал Брукман, работают именно над этими проблемами — например, Nous Research экспериментирует с распределенной дообучением — но разрыв в производительности по сравнению с концентрированными кластерами остается реальным. Рынок делает ставку на то, что этот разрыв со временем сократится, но непонятно, может ли обучение действительно моделей на переднем крае быть децентрализованным без какой-либо центральной координирующей сущности, которая сама становится контрольной точкой.

Токенизированные модели и бизнес совместного владения

Подход Pluralis к токенизированным моделям может быть самой радикальной частью стека. Вместо того, чтобы одна лаборатория владела моделью и контролировала доступ, владение делится на токены, которые держат многие стороны. В теории это может согласовать интересы более широкого круга заинтересованных сторон — включая исследователей, поставщиков вычислений и даже пользователей — при этом усложняя задачу для одного регулятора, чтобы закрыть модель. Но это также вводит сложные вопросы управления. Кто решает, на каких данных проводить дообучение? Как монетизируются выходы модели и кто получает оплату? Это не тривиальные вопросы, и первые попытки, безусловно, будут сложными.

Тем не менее, краткосрочный рыночный сигнал указывает на то, что крипто-нативный ИИ больше не ограничивается случаями с низкими ставками. Когда венчурные фонды, такие как CoinFund, публично формулируют тезис, который ставит децентрализованный вычислительный процесс против контролируемых государством моделей, это знак, что пространство переходит от белых книг к инфраструктуре. Так же, как ранний нарратив о Биткойне сосредоточился на суверенной валюте, ранний нарратив о децентрализованном ИИ сосредотачивается на суверенном вычислении. Сможет ли это выдержать настоящий стресс — открытый вопрос, но линии уже проводятся.