Разработка DeAI-проекта (Decentralized AI)

Разработка DeAI-проекта (Decentralized AI)

«Децентрализованный AI» — термин, который используют и для принципиально разных вещей. Одни имеют в виду децентрализованный маркетплейс GPU (Akash, io.net), другие — верифицируемые ML-инференсы (Giza, EZKL, Modulus), третьи — on-chain управление моделями через DAO. Перед тем как проектировать архитектуру, нужно честно ответить: что именно децентрализовано, зачем, и какую угрозу это устраняет? Если ответа нет — скорее всего, это маркетинг, а не продукт.

Реальные случаи, когда децентрализация в AI оправдана: цензуроустойчивость инференса (нельзя заблокировать запрос к модели), аудитируемость результатов (доказуемо, что модель X дала ответ Y на вход Z), или экономика — распределённые GPU дешевле AWS для определённых нагрузок.

Верифицируемый инференс: zkML и OPML

Это технически самая сложная часть DeAI. Задача: доказать, что вычисление нейросети выполнено корректно, без раскрытия весов модели.

zkML (Zero-Knowledge ML)

EZKL — наиболее зрелый инструмент. Принимает модель в формате ONNX, генерирует Halo2 circuit. Ограничения реальны: на сегодня это модели до ~10M параметров, и только прямые вычисления (inference), не обучение.

# Конвертация модели
ezkl gen-settings -M model.onnx
ezkl calibrate-settings -M model.onnx -D input.json
ezkl compile-circuit -M model.onnx -S settings.json
ezkl gen-witness -D input.json -M model.compiled
ezkl prove --witness witness.json --compiled-circuit model.compiled
ezkl verify --proof proof.json --vk vk.key

Proof generation для небольшой модели (~1M параметров) занимает 30–120 секунд на современном CPU. На GPU — в 5–10 раз быстрее. Это реальная цифра для планирования UX: пользователь не будет ждать 2 минуты на каждый запрос.

Giza строит более высокоуровневый стек поверх Starknet: модели компилируются в Cairo, доказательства верифицируются on-chain. Используется для agent frameworks с верифицируемыми шагами.

Modulus (ранее Daniel Kang et al.) предлагает подход через optimistic execution с fraud proof — компромисс между скоростью и гарантиями.

OPML (Optimistic ML)

ORA Protocol реализует optimistic подход: результат инференса публикуется on-chain, есть окно для challenge. Challenger запускает ту же модель, сравнивает результат. При расхождении — on-chain dispute resolution. Это дешевле zkML в 100x, но требует экономически обеспеченных валидаторов.

Децентрализованные вычисления: оркестрация GPU

Если проект не требует верифицируемости каждого запроса, но нужна децентрализованная инфраструктура — работаем через compute marketplaces.

Akash Network (Cosmos-based) — аренда GPU через on-chain SDL манифесты:

# deployment.yaml для LLM инференса
version: "2.0"
services:
  llm:
    image: ollama/ollama:latest
    resources:
      gpu:
        units: 1
        attributes:
          vendor:
            nvidia:
              - model: rtx3090
    env:
      - OLLAMA_MODEL=llama3.1:8b

io.net специализируется на батч-инференсе и обучении, агрегирует GPU из датацентров и майнинг-ферм.

Bittensor — другой подход: miners соревнуются в качестве ответов, validators оценивают, TAO-токен распределяется по весам. Для интеграции нужно понять subnet модель: каждый subnet — отдельный рынок с конкретной задачей (text, images, финансовые данные).

On-chain управление моделями

Децентрализованное управление ML-моделями через DAO — нишевый, но растущий паттерн.

Типичная схема:

• Модель хранится в IPFS/Arweave, CID публикуется on-chain
• Governance голосует за апгрейд: новый CID + changelog
• Smart contract хранит реестр версий с их audit статусом
• Treasury финансирует обучение через grants

struct ModelVersion {
    bytes32 cid;          // IPFS CID в bytes32
    uint256 timestamp;
    uint256 votesPassed;
    bool audited;
    address auditor;
}

mapping(uint256 => ModelVersion) public versions;
uint256 public activeVersion;

Архитектурные компоненты DeAI-проекта

Реалистичный DeAI-проект состоит из нескольких слоёв:

Data layer — откуда берутся данные для обучения/инференса. Ocean Protocol предоставляет маркетплейс датасетов с access control через ERC-20 datatokens. Важно: данные могут продаваться без раскрытия — Compute-to-Data паттерн, вычисления выполняются рядом с данными.

Compute layer — Akash/io.net для сырых GPU, или специализированные сети вроде Ritual (на базе Infernet).

Inference layer — zkML для высоких гарантий, OPML для экономии, или просто API с децентрализованным доступом.

Application layer — смарт-контракты, которые консьюмят результаты инференса. Здесь работают оракулы типа Chainlink Functions или Ritual's on-chain AI calls.

Практические сложности

Детерминизм — главная проблема. Floating-point операции в нейросетях не детерминированы на разном железе. Для fraud-proof систем это критично. Решения: фиксированная арифметика, конкретные версии CUDA, или zkML где детерминизм встроен в доказательство.

Latency vs. decentralization trade-off: zkML доказательство = минуты, centralized inference = миллисекунды. Для большинства пользовательских приложений это неприемлемо. Реалистичный ответ: hybrid — централизованный inference с periodic zkML audit, или OPML с достаточным challenge window.

Token economics для compute marketplace: нужно избежать race-to-bottom на качество при минимизации цены. Bittensor решает это через scoring validators; альтернатива — reputation staking, где плохие провайдеры теряют stake.

Стек разработки

Разработка DeAI — это пересечение ML engineering, cryptography и blockchain. Команда должна понимать все три области: написать ONNX экспорт, сгенерировать Halo2 circuit, задеплоить верификатор на EVM — это разные скилл-сеты. Мы работаем с этим стеком как единым целым.