Что если бы та же вычислительная работа, которая обеспечивает безопасность блокчейна, также обучала следующее поколение моделей ИИ? Это не далекое видение — это основная идея проекта Ambient, форка Solana, который только что привлек $7.2 млн от a16z CSX для создания первого в мире блокчейна на базе proof-of-work с использованием ИИ.
Традиционный proof-of-work сжигает электроэнергию на решение произвольных криптографических головоломок. Майнеры биткоина соревнуются в поиске хешей с достаточным количеством ведущих нулей — это вычислительная работа, не имеющая ценности помимо безопасности сети. Ambient полност ью меняет этот сценарий. Его механизм консенсуса Proof of Logits (PoL) заменяет «перебор» хешей на инференс, дообучение и обучение моделей ИИ. Майнеры не решают головоломки; они генерируют проверяемые результаты работы ИИ. Валидаторы не пересчитывают весь объем работы; они проверяют криптографические «отпечатки», называемые логитами.
Результат? Блокчейн, в котором безопасность и развитие ИИ экономически согласованы, где накладные расходы на верификацию в 0.1% делают проверку консенсуса почти бесплатной, а стоимость обучения снижается в 10 раз по сравнению с централизованными альтернативами. В случае успеха Ambient может дать ответ на одну из старейших претензий к криптоиндустрии — о том, что proof-of-work тратит ресурсы впустую — превратив майнинг в продуктивный труд ИИ.
Прорыв Proof of Logits: проверяемый ИИ без повторных вычислений
Для понимания PoL необходимо разобраться, что такое логиты (logits). Когда большие языковые модели генерируют текст, они не выдают слова напрямую. Вместо этого на каждом этапе они создают распределение вероятностей по всему словарю — числовые значения, представляющие уровень уверенности для каждого возможного следующего токена.
Эти значения называются логитами. Для модели со словарем в 50 000 токенов генерация одного слова означает вычисление 50 000 логитов. Эти числа служат уникальным вычислительным отпечатком. Только конкретная модель с конкретными весами, обрабатывающая конкретные входные данные, выдает определенное распределение логитов.
Инновация Ambient заключается в использовании логитов в качестве proof-of-work: майнеры выполняют инференс ИИ (генерируют ответы на промпты), а валидаторы проверяют эту работу, сверяя отпечатки логитов вместо повторного выполнения всех вычислений.
Вот как работает процесс верификации:
Майн ер генерирует результат: Майнер получает промпт (например, «Обобщите принципы блокчейн-консенсуса») и использует модель с 600 миллиардами параметров для генерации ответа из 4 000 токенов. Это создает 4 000 × 50 000 = 200 миллионов логитов.
Валидатор проводит выборочную проверку: Вместо повторной генерации всех 4 000 токенов валидатор случайным образом выбирает одну позицию — например, токен №2 847. Валидатор запускает один шаг инференса в этой позиции и сравнивает логиты, предоставленные майнером, с ожидаемым распределением.
Криптографическое обязательство: Если логиты совпадают (в пределах допустимого порога, учитывающего точность вычислений с плавающей запятой), работа майнера считается подтвержденной. Если нет — блок отклоняется, а майнер лишается вознаграждения.
Это снижает накладные расходы на верификацию примерно до 0.1% от исходных вычислений. Валидатору, проверяющему 200 миллионов логитов, нужно верифицировать только 50 000 логитов (позицию одного токена), что сокращает затраты на 99.9%. Сравните это с традиционным PoW, где валидация означает повторный запуск всей хеш-функции, или с подходом биткоина, где проверка одного хеша SHA-256 тривиальна, так как сама головоломка произвольна.
Система Ambient экспоненциально дешевле, чем наивные схемы «доказательства полезной работы» (proof of useful work), требующие полного пересчета. Она ближе к эффективности биткоина (дешевая валидация), но приносит реальную пользу (инференс ИИ вместо бессмысленных хешей).
Снижение стоимости обучения в 10 раз: децентрализованный ИИ без монополии дата-центров
Централизованное обучение ИИ обходится дорого — для большинства организаций это неподъемные суммы. Обучение моделей масштаба GPT-4 стоит десятки миллионов долларов, требует тысяч промышленных GPU и концентрир ует власть в руках нескольких технологических гигантов. Архитектура Ambient направлена на демократизацию этого процесса путем распределения обучения по сети независимых майнеров.
Снижение стоимости в 10 раз достигается благодаря двум техническим инновациям:
Шардинг в стиле PETALS: Ambient адаптирует методы PETALS, децентрализованной системы инференса, где каждый узел хранит только шард (фрагмент) большой модели. Вместо того чтобы требовать от майнеров наличия всей модели на 600 миллиардов параметров (что потребовало бы терабайты VRAM), каждый майнер владеет подмножеством слоев. Промпт проходит через сеть последовательно: каждый майнер обрабатывает свой шард и передает активации следующему.
Это означает, что майнер с одной потребительской видеокартой (24 ГБ VRAM) может участвовать в обучении моделей, для которых иначе потребовались бы сотни GPU в дата-центре. Распределяя вычислительный граф между сотнями или тысячами узлов, Ambient устраняет необходимость в дорогих высокоскоростных соединениях (таких как InfiniBand), используемых в традиционных ML-кластерах.
Разреженность, вдохновленная SLIDE: Большинство вычислений в нейронных сетях связано с умножением матриц, где большинство элементов близки к нулю. SLIDE (Sub-LInear Deep learning Engine) использует это, хешируя активации для определения того, какие нейроны действительно важны для данного входа, полностью пропуская нерелевантные вычисления.
Ambient применяется эту разреженность (sparsity) к распределенному обучению. Вместо того чтобы все майнеры обрабатывали все данные, сеть динамически направляет работу узлам, чьи шарды релевантны текущему пакету данных. Это снижает накладные расходы на передачу данных (основное узкое место в распределенном ML) и позволяет майнерам с более слабым оборудованием участвовать в процессе, обрабатывая разреженные подграфы.
Сочетание этих методов обеспечивает то, что, по заявлению Ambient, дает пропускную способность в 10 раз выше, чем существующие проекты распределенного обучения, такие как DiLoCo или Hivemind. Что еще важнее, это снижает порог входа: майнерам не нужна инфраструктура уровня дата-центра — обычного игрового ПК с хорошей видеокартой достаточно, чтобы внести свой вклад.
Архитектура форка Solana: высокий показатель TPS в сочетании с неблокирующим PoW
Ambient не строится с нуля. Это полный форк Solana, унаследовавший виртуальную машину Solana Virtual Machine (SVM), временные метки Proof of History (PoH) и механизм пересылки мемпула Gulf Stream. Это обеспечивает Ambient теоретическую пропускную способность Solana в 65 000 TPS и субсекундную финальность.
Однако Ambient вносит одну крити ческую модификацию: он добавляет неблокирующий слой proof-of-work поверх консенсуса Solana.
Вот как работает гибридный консенсус:
Proof of History упорядочивает транзакции: PoH в Solana предоставляет криптографические часы, упорядочивая транзакции без ожидания глобального консенсуса. Это позволяет реализовать параллельное выполнение на нескольких ядрах.
Proof of Logits защищает сеть: майнеры соревнуются в создании валидных результатов логического вывода ИИ (inference). Блокчейн принимает блоки от майнеров, которые генерируют наиболее ценную работу в области ИИ (определяемую сложностью вывода, размером модели или застейканной репутацией).
Неблокирующая интеграция: В отличие от Bitcoin, где создание блоков останавливается до нахождения валидного PoW, PoW в Ambient работает асинхронно. Валидаторы продолжают обрабатывать транзакции, пока майнеры соревнуются за отправку ИИ-задач. Это предотвращает превращение PoW в узкое место.
В результате получается блокчейн, который сохраняет скорость Solana (критически важную для приложений ИИ, требующих вывода с низкой задержкой), обеспечивая при этом экономическую конкуренцию в основных видах деятельности сети — логическом выводе, тонкой настройке и обучении моделей.
Такой дизайн также позволяет избежать ранних ошибок Ethereum в консенсусе «полезной работы». Primecoin и Gridcoin пытались использовать научные вычисления в качестве PoW, но столкнулись с фатальным недостатком: полезная работа не является равномерно сложной. Некоторые задачи легко решить, но трудно проверить; другие легко несправедливо распараллелить. Ambient обходит это, делая проверку логитов вычислительно дешевой и стандартизированной. Каждая задача вывода, независимо от сложности, может быть проверена с помощью одного и того же алгоритма выборочной проверки.
Гонка за обучение AGI ончейн: кто еще участвует в соревновании?
Ambient не одинок в стремлении создать ИИ, нативный для блокчейна. В этом секторе много проектов, заявляющих о децентрализации машинного обучения, но немногие обеспечивают проверяемое обучение в сети. Вот как Ambient сопоставляется с основными конкурентами:
Artificial Superintelligence Alliance (ASI): Образованный в результате слияния Fetch.AI, SingularityNET и Ocean Protocol, ASI фокусируется на децентрализованной инфраструктуре AGI. ASI Chain поддерживает одновременное выполнение агентов и безопасные транзакции моделей. В отличие от подхода PoW в Ambient, ASI полагается на модель маркетплейса, где разработчики платят за вычислительные кредиты. Это работает для логического вывода, но не согласует стимулы для обучения — у майнеров нет причин вкладывать дорогостоящие часы работы GPU, если они не компенсируются авансом.
AIVM (ChainGPT): Дорожная карта AIVM от ChainGPT нацелена на запуск основной сети в 2026 году, интегрируя ресурсы GPU вне сети с проверкой ончейн. Однако проверка AIVM опирается на оптимистичные роллапы (предполагается корректность, если она не оспорена), что вносит задержку из-за доказательств мошенничества (fraud-proofs). Проверка логитов в Ambient является детерминированной — валидаторы мгновенно узнают, валидна ли работа.
Internet Computer (ICP): Internet Computer от Dfinity может нативно размещать большие модели в блокчейне без внешней облачной инфраструктуры. Но канистровая архитектура ICP не оптимизирована для обучения — она разработана для логического вывода и выполнения смарт-контрактов. PoW в Ambient экономически стимулирует непрерывное улучшение моделей, в то время как ICP требует от разработчиков управления обучением извне.
Bittensor: Bittensor использует модель подсетей, где специализированные цепочки обучают различным задачам ИИ (генерация текста, классификация изображений и т. д.). Майнеры соревнуются, предоставляя веса моделей, а валидаторы ранжируют их по производительности. Bittensor преуспевает в децентрализованном выводе, но испытывает трудности с координацией обучения — здесь нет единой глобальной мод ели, только набор независимых подсетей. Подход Ambient объединяет обучение в рамках единого механизма PoW.
Lightchain Protocol AI: В whitepaper Lightchain предлагается Proof of Intelligence (PoI), где узлы выполняют задачи ИИ для подтверждения транзакций. Однако консенсус Lightchain остается во многом теоретическим, без объявленного запуска тестнета. Ambient, напротив, планирует тестнет во втором-третьем квартале 2025 года.
Преимущество Ambient заключается в сочетании проверяемой работы ИИ с проверенной высокопроизводительной архитектурой Solana. Большинство конкурентов либо жертвуют децентрализацией (централизованное обучение с проверкой в блокчейне), либо производительностью (медленный консенсус в ожидании доказательств мошенничества). PoW на основе логитов в Ambient предлагает и то, и другое: децентрализованное обучение с почти мгновенной проверкой.
Экономические стимулы: майнинг моделей ИИ как блоков биткоина
Экономическая модель Ambient отражает модель Bitcoin: предсказуемые вознаграждения за блок + комиссии за транзакции. Но вместо майнинга пустых блоков майнеры создают результаты работы ИИ, которые могут потреблять приложения.
Вот как работает структура стимулов:
Вознаграждения на основе инфляции: Ранние майнеры получают субсидии за блоки (вновь выпущенные токены) за выполнение логического вывода ИИ, тонкую настройку или обучение. Подобно графику халвинга биткоина, субсидии со временем уменьшаются, обеспечивая долгосрочный дефицит.
Комиссии за транзакции: Приложения платят за услуги ИИ — запросы на логический вывод, тонкую настройку моделей или доступ к обученным весам. Эти комиссии идут майнерам, выполнившим работу, создавая устойчивую модель дохода по мере снижения субсидий.
Стейкинг репутации: Чтобы предотвратить атаки Сивиллы (майнеры, отправляющие низкокачественную работу для получения вознаграждений), Ambient вводит застейканную репутацию. Майнеры блокируют токены для участия; создание невалидных логитов приводит к слэшингу. Это согласует стимулы: майнеры максимизируют прибыль, создавая точные и полезные результаты ИИ, а не пытаясь обмануть систему.
Доступность оборудования: В отличие от биткоина, где доминируют ASIC-фермы, шардинг PETALS в Ambient позволяет участвовать с потребительскими GPU. Майнер с одной картой RTX 4090 (24 ГБ VRAM, ~1600 долларов США) может внести свой вклад в обучение моделей с 600 миллиардами параметров, владея шардом. Это демократизирует доступ — нет необходимости в дата-центрах стоимостью в миллионы долларов.
Эта модель решает критическую проблему децентрализованного ИИ: проблему «бесбилетника». В традиционных сетях PoS валидаторы стейкают капитал, но не вносят вычислительный вклад. В Ambient майнеры выполняют реальную работу по ИИ, гарантируя, что полезность сети растет пропорционально ее бюджету безопасности.
Сектор ИИ-агентов объемом $ 27 миллиардов: почему 2026 год станет точкой перелома
Тайминг Ambient совпадает с более широкими рыночными тенденциями. Сектор крипто-агентов ИИ оценивается в $ 27 миллиардов, чему способствуют автономные программы, управляющие ончейн-активами, совершающие сделки и координирующие действия между протоколами.
Но сегодняшние агенты сталкиваются с проблемой доверия: большинство из них полагаются на централизованные API ИИ (OpenAI, Anthropic, Google). Если агент, управляющий позициями в DeFi на сумму $ 10 миллионов, использует GPT-4 для принятия решений, у пользователей нет гарантии, что модель не была подделана, подвергнута цензуре или предвзята. Отсутствует аудиторский след, доказывающий, что агент действовал автономно.
Ambient решает эту проблему с помощью ончейн-верификации. Каждый вывод (inference) ИИ записывается в блокчейне, а логиты подтверждают конкретную модель и использованные входные данные. Приложения могут:
Аудировать решения агентов: ДАО сможет убедиться, что ее агент по управлению казначейством использовал конкретную, одобренную сообществом модель, а не тайно модифицированную версию.
Обеспечивать соблюдение нормативных требований: Регулируемые протоколы DeFi могут потребовать от агентов использования моделей с проверенными защитными барьерами, подтверждаемыми ончейн.
Создавать маркетплейсы ИИ: Разработчики смогут продавать дообученные модели как NFT, а Ambient обеспечит криптографическое доказательство обучающих данных и весов.
Это позиционирует Ambient как инфраструктуру для следующей волны автономных агентов. Поскольку 2026 год становится переломным моментом, когда «ИИ, блокчейны и платежи сливаются в единый, самокоордини рующийся интернет», верифицируемый слой ИИ Ambient становится критически важным техническим фундаментом.
Технические риски и открытые вопросы
Видение Ambient амбициозно, но несколько технических проблем остаются нерешенными:
Детерминизм и дрейф чисел с плавающей запятой: Модели ИИ используют арифметику с плавающей запятой, которая не является абсолютно детерминированной на разном оборудовании. Модель, работающая на NVIDIA A100, может выдавать немного иные логиты, чем та же модель на AMD MI250. Если валидаторы будут отклонять блоки из-за незначительного численного дрейфа, сеть станет нестабильной. Ambient потребуются жесткие границы допусков — но если они будут слишком узкими, майнеры на разном оборудовании будут наказываться несправедливо.
Обновления моделей и версионность: Если Ambient коллективно обучает глобальную модель, как она справляется с обновлениями? В Bitcoin все узлы используют идентичные правила консенсуса. В Ambient майнеры постоянно дообучают модели. Если половина сети обновится до версии 2.0, а другая останется на 1.9, верификация нарушится. В whitepaper не описано подробно, как работают версионность моделей и обратная совместимость.
Разнообразие промптов и стандартизация работы: PoW в Bitcoin единообразен — каждый майнер решает один и тот же тип головоломки. PoW в Ambient варьируется — одни майнеры отвечают на математические вопросы, другие пишут код, третьи резюмируют документы. Как валидаторы сравнивают «ценность» разных задач? Если один майнер генерирует 10 000 токенов бессмыслицы (легко), а другой дообучает модель на сложном наборе данных (дорого), кто получит большее вознаграждение? Ambient нужен алгоритм настройки сложности для работы ИИ, аналогичный сложности хеширования в Bitcoin, но измерение «сложности инференса» — задача нетривиальная.
Задержка при распределенном обучении: Шардинг в стиле PETALS хорошо работает для инференса (последовательная обработка слоев), но обучение требует обратного распространения оши бки — градиенты текут назад по сети. Если слои распределены по узлам с разной сетевой задержкой, обновления градиентов становятся узким местом. Ambient заявляет о 10-кратном улучшении пропускной способности, но реальная производительность зависит от топологии сети и распределения майнеров.
Риски централизации при хостинге моделей: Если только несколько узлов могут позволить себе хостинг наиболее ценных шардов моделей (например, финальных слоев модели с 600 млрд параметров), они получают непропорциональное влияние. Валидаторы могут предпочтительно направлять работу узлам с хорошим соединением, воссоздавая централизацию дата-центров в якобы децентрализованной сети.
Это не фатальные недостатки, а инженерные вызовы, с которыми сталкивается любой проект на стыке блокчейна и ИИ. Но запуск тестнета Ambient во втором или третьем квартале 2025 года покажет, выдержит ли теория проверку реальными условиями.
Что дальше: Тестнет, мейннет и эндшпиль в виде AGI
Дорожная карта Ambient нацелена на запуск тестнета во втором или третьем квартале 2025 года, а мейннет последует в 2026 году. Посевной раунд в размере $ 7,2 миллиона от a16z CSX, Delphi Digital и Amber Group обеспечивает ресурсы для основной разработки, но долгосрочный успех проекта зависит от принятия экосистемой.
Ключевые этапы, за которыми стоит следить:
Участие в майнинге в тестнете: Сколько майнеров присоединится к сети? Если Ambient привлечет тысячи владельцев GPU (как в раннем майнинге Ethereum), это докажет жизнеспособность экономической модели. Если майнить будут лишь несколько организаций, это просигнализирует о рисках централизации.
Бенчмарки производительности моделей: Смогут ли модели, обученные в Ambient, конкурировать с OpenAI или Anthropic? Если децентрализованная модель с 600 млрд параметров достигнет качества уровня GPT-4, это подтверд ит правильность всего подхода. Если производительность будет значительно отставать, разработчики останутся на централизованных API.
Интеграция приложений: Какие DeFi-протоколы, ДАО или ИИ-агенты будут строиться на Ambient? Ценностное предложение материализуется только в том случае, если реальные приложения будут потреблять ончейн-инференс ИИ. Ранние варианты использования могут включать:
- Автономные торговые агенты с доказуемой логикой принятия решений
- Децентрализованная модерация контента (модели ИИ, фильтрующие посты, с возможностью аудита ончейн)
- Верифицируемые ИИ-оракулы (ончейн-прогнозы цен или анализ настроений)
Совместимость с Ethereum и Cosmos: Ambient — это форк Solana, но экономика ИИ-агентов охватывает несколько сетей. Мосты к Ethereum (для DeFi) и Cosmos (для IBC-совместимых цепочек ИИ, таких как ASI) определят, станет ли Ambient изолированной системой или хабом.
Конечная цель амбициозна: обучение децентрализованного AGI, где ни одна организация не контролирует модель. Если тысячи независимых майн еров совместно обучат сверхинтеллектуальную систему с криптографическим доказательством каждого шага обучения, это станет первым по-настоящему открытым и проверяемым путем к AGI.
Достигнет ли Ambient этого или станет еще одним многообещающим, но нереализованным криптопроектом, зависит от исполнения. Но основная инновация — замена произвольных криптографических головоломок верифицируемой работой ИИ — является подлинным прорывом. Если доказательство работы может быть продуктивным, а не расточительным, Ambient докажет это первым.
Смена парадигмы: Proof-of-Logits
Привлечение компанией Ambient 7,2 млн долларов — это не просто очередной раунд криптофинансирования. Это ставка на то, что консенсус блокчейна и обучение ИИ могут слиться в единую, экономически согласованную систему. Последствия этого выходят далеко за пределы Ambient:
Если верификация на основе логитов (Proof-of-Logits) сработает, другие сети ее переймут. Ethereum может внедрить PoL в качестве альтернативы PoS, вознаграждая валидаторов, которые вносят вклад в работу ИИ вместо простого стейкинга ETH. Bitcoin может провести форк для использования полезных вычислений вместо хешей SHA-256 (хотя биткоин-максималисты никогда на это не согласятся).
Если децентрализованное обучение достигнет конкурентоспособной производительности, OpenAI и Google потеряют свои монопольные преимущества. Мир, где любой обладатель GPU может внести вклад в разработку сильного ИИ (AGI), зарабатывая токены за свою работу, фундаментально разрушает централизованную олигополию ИИ.
Если ончейн-верификация ИИ станет стандартом, автономные агенты обретут доверие. Вместо того чтобы полагаться на API-интерфейсы типа «черный ящик», пользователи смогут проверять конкретные модели и промпты прямо в блокчейне. Это откроет возможности для регулируемого DeFi, алгоритмического управления и юридических контрактов на базе ИИ.
Победа Ambient не гарантирована. Но это самая технически обоснованная на сегодняшний день попытка сделать Proof-of-Work продуктивным, децентрализовать обучение ИИ и привести безопасность блокчейна в соответствие с прогрессом цивилизации. Запуск тестнета покажет, совпадет ли теория с реальностью — или же Proof-of-Logits пополнит кладбище амбициозных экспериментов в области консенсуса.
В любом случае, гонка за создание ончейн-AGI теперь неоспоримо реальна. И Ambient только что выставила 7,2 млн долларов на стартовую линию.
Источники:
