Torygreen

2025 год стал годом дебатов об ИИ общего назначения (AGI). Не потому, что прогресс застопорился, а потому, что «интеллект» никогда не сводился к одному скалярному значению.
Лаборатории, регуляторы и покупатели могут поставлять — но они не могут обосновать, управлять или масштабировать решения на основе ощущений.
Ограничение — это проверка: может ли система воспроизвести результаты в условиях ограничения, с происхождением и с аудиторскими следами?
DeAI по сути — это та философия, закодированная в инфраструктуру. Это способ двигаться вперёд, не соглашаясь вообще на AGI.

Модели, такие как o1, нарушили основное предположение в 2025 году: стоимость вывода не является фиксированной.
Они будут «думать», пока неопределенность не исчезнет, даже если это дорого.
Вот почему важны рельсы. Когда рассуждение становится измеряемым, кто-то контролирует этот счетчик.
В 2026 году контроль переходит к тому, кто устанавливает цены, маршрутизирует и проверяет масштабное мышление.

Вычислительные масштабы — попробуйте то, что можете.
Оценочные масштабы — что можете доверять.
Централизованные системы оптимизируют пропускную способность и недоинвестируют в проверку.
Распределённые системы переносят проверку на край, постоянно.
Следующий прорыв — не более умные агенты.
Это рельсы, которые делают выводы доказуемыми.

Кодирование стало "легким" для моделей не потому, что оно просто, а потому что проверка стоит дешево.
Высококлассная работа — это наоборот: обратная связь приходит поздно, сигналы запутаны, заинтересованные стороны определяют победителей.
Дешевая оценка увеличивает возможности.
Дорогая оценка усиливает убеждение.
«Выглядит правильно» — это ловушка.

Большинство людей недооценивают, как долго высококлассная интеллектуальная работа будет существовать.
Они делают выводы, исходя из того, что ИИ уничтожает задачи среднего уровня, и предполагают, что кривая продолжит плавно расти.
Это не так.
ИИ невероятен в:
• Распознавании шаблонов
• Поиске информации
• Первичной синтезе
• Беглости
• Скорости
Это уничтожает огромные слои младших и средних знаний.
Но элитная интеллектуальная работа — это не просто «больше интеллекта». Это совершенно другой режим.
Что действительно важно на вершине:
• Выбор правильной задачи
• Формулировка, когда целевая функци

Большинство прогнозов о замещении ИИ "всей интеллектуальной работы" основаны на простой ошибке экстраполяции:
Они путают выполнение задачи с суждением.
Люди видят, как ИИ разрушает задачи среднего уровня, и предполагают, что кривая продолжит плавно расти.
Но вершина интеллектуальной работы — это не более сложная версия средней. Это совершенно другой режим.
Когда работа перестает быть «решением проблемы» и становится «выбором правильной проблемы», правила меняются.
Модели становятся лучше в задачах с системой оценки.
Суждение — это выбор системы оценки и оплата за промахи.

Большинство людей недооценивают, как долго просуществует высококлассная интеллектуальная работа.
Они видят, как ИИ уничтожает задачи среднего уровня, и предполагают, что кривая продолжит плавно расти.
Это не так.
Потому что «сложные задачи» — это не просто те же задачи, требующие большего IQ.
ИИ уже сейчас превосходит в:
1. Распознавании шаблонов
2. Восстановлении информации
3. Первичной синтезе
4. Беглости
5. Скорости
Это уничтожает огромные участки младшей и средней работы.
Все, что выглядит как «преобразование входных данных в выходные», становится дешевым, быстрым и изобилием.
Но элитная и

Вы не потеряете свою работу из-за ИИ первым.
Вы это потеряете из-за массовой самоуверенности.
ИИ позволит миллионам отправлять грамотные ответы, не неся ответственности.
Первые жертвы ИИ не будут рабочими.
Это будут учреждения, которые путают объем выпуска с истиной.

Модель не является рвом.
Интеллект легко воспроизводить.
Вы можете загружать веса, форкать архитектуры и настраивать их бесконечно.
Но вы не можете развернуть этот интеллект в масштабах, если кто-то другой контролирует вывод: ценообразование, квоты, KYC, регионы и изменения политики, которые могут произойти за ночь.
По мере того как ИИ переходит от чат-ботов к агентам, Gate становится узким местом.
Кто может запускать, когда, с какой задержкой, на каком оборудовании, под чьими правилами... и что происходит, когда ваша скорость снижается с 200 мс до 2 секунд.
Модели будут продолжать улучшаться.

Самая ценная компания в области ИИ через десять лет не будет той, у которой самая умная модель.
Это будет та, от которой зависит каждая другая модель для работы.
Модели быстро становятся товаром — они не остаются уникальными надолго. Архитектуры утекают. Трюки обучения распространяются. «Лучшая модель» перестает быть долгосрочным преимуществом.
Проблемы инфраструктуры отличаются от проблем моделей.
Задержка, пропускная способность, время работы, проверка. Это физические и экономические ограничения, а не проблемы, которые решаются публикацией очередной статьи.
По мере того как ИИ становится аге

Ваш ИИ вводит вас в заблуждение, делая вас некомпетентным.
Один из наименее обсуждаемых рисков соответствующего ИИ — это искажение калибровки.
Это неправильная настройка.
Системы, предназначенные для бесконечного согласия, не только формируют ответы. Они формируют пользователей, обучая людей путать беглость с компетентностью.
Я замечаю это в себе, поэтому я поощряю свои модели становиться партнерами по спаррингу. Когда система гладкая и подтверждающая, легко двигаться быстрее, не проходя проверку. Ты чувствуешь себя способным, потому что ничего по-настоящему не сопротивляется.
В реальном мире

Концепция DePIN & GPU сохраняется, потому что ограничения не сдвинулись.
Спрос на обучение и вывод продолжает расти, в то время как централизованные облака остаются узким местом из-за CAPEX, географии и очередей.
Конечно, несколько лет назад дефицит вычислительных ресурсов все еще был теорией.
Но сейчас это операционное ограничение.
Как это влияет на использование и доходы децентрализованных вычислительных сетей?
Децентрализованные вычислительные сети не «ждут когда-нибудь использования». Они уже работают с реальными заказчиками, выполняя реальные задачи в условиях реальной задержки.
Токенизир

DeFAI имеет проблему с доверием.
В тот момент, когда ваш AI-агент думает вне цепочки, DeFAI перестает быть проверяемым, потому что вы вставляете пробел доверия в иначе прозрачный рабочий процесс на цепочке.
Этот пробел?
Новая разделяемая зависимость.
Каждый протокол, который полагается на этого внецепочечного агента, вынужден доверять ему, а затем передавать этот черный ящик вниз по стеку.
Решение — это квитанции: криптографические доказательства.
Что протоколы DeFAI должны доказать, полностью и прозрачно, чтобы любой мог проверить?
Какие данные видел агент.
Какая модель и версия использовалис

Думайте об этом как о слоях:
Интернет = информационное общественное пространство
Крипто = финансовое общественное пространство
DeAI = когнитивное общественное пространство
Вместе они становятся коллективным разумом.
По умолчанию открыты.
Проверяемы кодом.
Не принадлежат никому.
DeAI — это недостающий слой, который переводит крипто для остального мира.

> быть OpenAI, 2025
> «мы уважаем вашу конфиденциальность»
> «мы не собираем факты о вашей жизни, мы просто улучшаем модель для всех»
> вы: звучит по-доброму, вот вся моя история детства за $20 в месяц
> выпускают «Память»
> «долгосрочная персонализация», говорят они, «чтобы вам не приходилось повторяться»
> теперь мы помним вашу работу, бывших, макросы и тот странный страх, о котором вы рассказали нам в 3 часа ночи
> следующий патч: Pulse
> мы тихо подключаемся к вашему календарю, новостным предпочтениям и “подключённым приложениям”
> просыпаетесь под персонализированную сво

Текущий дефицит GPU — это не временная логистическая проблема.
Это структурный сбой из-за централизации.
Поставка зависит от одноузловой цепочки поставок.
Спрос на AI-инференс масштабируется практически бесконечно.
Децентрализованные вычисления — единственное, что может снизить это давление.

один из аспектов, который стоит выделить: память превращает агентов из "реагирующих на подсказки" в системы с состоянием. как только появляется состояние, возникает кумулятивное поведение, и именно поэтому переход от инструментов к агентам ощущается таким резким.

Большая часть нового спроса на вычислительные мощности тихо перемещается от людей к ИИ-агентам.
Команды по робототехнике запускают тысячи виртуальных роботов на фабриках и складах перед тем, как развернуть один физический.
Игровые студии симулируют NPC с долгосрочной памятью и координацией, вместо скриптованных ботов.
Все это требует дешевых, эластичных циклов симуляции, где облака DeAI с распределенными GPU приходят на помощь.
Гуманоиды на фабриках или рабочие агенты внутри предприятий — это лишь видимая поверхность.
Важен цикл под ними: симуляция, развертывание, обратная связь, переобучение,