Разработка маркетплейса AI-моделей на блокчейне
Маркетплейс AI-моделей на блокчейне решает проблему, которую централизованные платформы не могут решить по своей природе: как разработчик модели получает справедливую компенсацию за каждое использование своей модели, и как это верифицировать без доверия к посреднику. Это не хайп, это реальная infrastructure задача, которую сейчас решают проекты типа Bittensor, Ocean Protocol, Fetch.ai.
Ключевые компоненты архитектуры
On-chain: смарт-контракты
Model Registry: хранит метаданные моделей — IPFS хэш весов, описание, версия, адрес владельца, pricing scheme. Сами веса не хранятся на цепочке (слишком дорого), только их хэш для верификации.
Payment & Royalty Distribution: расчёты за использование модели. Каждый inference call инициирует микроплатёж. Royalty splitting для collaboratively trained моделей — автоматически на уровне контракта.
Access Control: NFT или токен-гейтинг для доступа к закрытым моделям. Владелец NFT получает право делать inference.
Staking для quality signals: провайдеры моделей стейкают токены. При плохом качестве модели — slashing. Создаёт экономический incentive для поддержания качества.
Off-chain: inference инфраструктура
Выполнение AI-моделей происходит off-chain — вычисления слишком дороги для on-chain. Связующее звено — TEE (Trusted Execution Environment) или ZK-proofs для верификации что inference выполнен корректно.
TEE approach (Intel SGX, AMD SEV): модель запускается в защищённом анклаве. TEE генерирует attestation — криптографическое доказательство что код выполнен без изменений. Attestation верифицируется on-chain.
ZK-ML approach: Zero-Knowledge proof того что inference выполнен корректно. Экспериментально, но проекты типа EZKL движутся в этом направлении. Вычислительно дорого, но не требует доверенного железа.
Токенэкономика
Пользователь платит USDC/ETH за inference
↓
Payment Contract
├── 85% → Provider модели
├── 10% → Stakers (quality assurance)
└── 5% → Protocol treasury
Для высокочастотных запросов — subscription модель или pre-paid credits, не per-request on-chain транзакции (gas costs убивают микроплатежи).
Проблемы и решения
Gas costs для микроплатежей: каждый inference call = on-chain транзакция = gas. На mainnet Ethereum это неприемлемо. Решения:
- Layer 2 (Arbitrum, Optimism, Base) — gas в 100x дешевле
- State channels: пачка платежей между пользователем и провайдером расчётывается on-chain одной транзакцией
- ERC-4337 (Account Abstraction) + Paymaster для gasless UX
Верификация качества модели: как убедиться что провайдер не вернул random output вместо реального inference? Evaluation framework с challenge-response: occasionally случайный evaluator запрашивает известный тест-кейс и проверяет ответ.
Data privacy: пользователь может не хотеть раскрывать свои входные данные провайдеру. FHE (Fully Homomorphic Encryption) позволяет inference на зашифрованных данных — но пока слишком медленно для большинства моделей.
Стек разработки
- Smart contracts: Solidity + Hardhat/Foundry, деплой на L2
- IPFS: хранение весов моделей, метаданных (Pinata или собственный node)
- Backend: Node.js или Go для orchestration сервиса
- TEE: Intel SGX SDK или AWS Nitro Enclaves
- Frontend: Next.js + wagmi для Web3 интеграции
Разработка полноценного маркетплейса AI-моделей на блокчейне — это 6-12 месяцев серьёзной инженерной работы. Но отдельные компоненты (model registry, payment splits) можно запустить за 2-3 месяца как MVP.