Компанія, яка купує доступ до преміальної AI-моделі через посередника, може знати, що вказано в рахунку, не маючи незалежного способу перевірити, що відбувалося за викликом API. Запит може надходити до рекламованої моделі, дешевшої альтернативи під час великого навантаження або додаткового шару обробки, перш ніж відповідь дійде до клієнта. Ззовні кожен шлях може виглядати однаково.
Така домовленість створює незвичайний інформаційний розрив. Платформа, яка продає послугу, також контролює більшу частину доказів того, як була надана послуга. Клієнти повинні перевіряти, яка модель обробила запит, чи відповідає повернутий результат оригінальній відповіді моделі, і чи відповідали затримка, стабільність і якість виводу рівню, за який вони заплатили.
Для підприємства, яке будує підтримку клієнтів, фінансовий аналіз або інші чутливі робочі процеси навколо поведінки конкретної моделі, зміни маршрутизації можуть мати операційне значення. Документація API OpenAI попереджає, що поведінка підказок може змінюватися між знімками моделі, і рекомендує закріплені версії для узгодженості. Торік OpenAI відкотив оновлення GPT-4o після того, як користувачі зіткнулися з помітно більш догідливою поведінкою, що показує, як значні зміни можуть уникнути передрелізних оцінок.
Верифікація вирішує лише частину залежності, що виникає, коли доступ до моделі проходить через посередника. Той самий рівень абстракції, який спрощує доступ, може також ускладнити заміну посередника.
Зручний шар може стати контрольним шаром
Залежність починається з легітимної інженерної проблеми. Постачальники моделей надають різні API, методи автентифікації, системи виставлення рахунків, обмеження швидкості та вимоги до розгортання. Агрегатори зменшують цю фрагментацію, надаючи розробникам один інтерфейс для доступу до кількох моделей, часто без перебудови застосунку щоразу, коли змінюється основний постачальник.
Зручність також зміщує, де накопичується ринкова влада. У своєму розслідуванні хмарного ринку 2025 року британський CMA зазначив, що Amazon Bedrock надає клієнтам доступ до кількох фундаментальних моделей, але все ще вимагає змін у коді під час переходу до конкуруючої служби, такої як OpenAI, або від неї. Як тільки маршрутизація, моніторинг, виставлення рахунків і внутрішні робочі процеси побудовані навколо одного шару агрегації, міграція може стати інфраструктурним проєктом, а не заміною моделі.
Наслідки виходять за межі інженерних накладних витрат. Клієнти можуть втратити важелі впливу під час переговорів, зазнати більшого впливу збоїв або змін політики посередника та зіткнутися з додатковими труднощами під час тестування нововипущеної або вузькоспеціалізованої моделі. Менші розробники моделей стикаються з тією ж структурою з боку пропозиції. Сильна технічна продуктивність не гарантує розповсюдження, коли жменька маркетплейсів контролює виявлення, правила ціноутворення та доступ клієнтів.
Відкриття пропозиції моделей може стати потенційною противагою цій концентрації, створюючи складнішу проблему верифікації. Ринок, де майже кожен може заявити, що надає доступ до моделей, потребує надійного способу визначити, що саме надає кожен постачальник.
Відкриті ринки потребують арбітра
DGrid намагається вирішити цю проблему, розділяючи функції, які зазвичай об'єднані в одній платформі. Його архітектура поєднує спільний рівень доступу до понад 200 моделей, незалежну систему оцінювання та відкритий ринок, де постачальники можуть пропонувати доступ до моделей і здійснювати платежі.
Шлюз виконує звичні функції агрегації, включаючи один API-ключ, уніфікований білінг, маршрутизацію та відмовостійкість між постачальниками. Більш незвичним компонентом DGrid є Proof of Quality. Вузли-учасники періодично отримують сліпі тестові запити, а їхні відповіді оцінюються за якістю виводу, затримкою, стабільністю та відповідністю формату. Оцінки надходять до ончейн-системи репутації, яка може впливати на винагороди та штрафи.
Цей підхід підкріплений академічними дослідженнями. Команда DGrid, включаючи співзасновників з Університету Стоуні-Брук, опублікувала п'ять рецензованих статей про Proof of Quality, що стосуються дизайну верифікації, економічної ефективності та стійкості до атак, ще до запуску мережі. Ця основа відрізняє DGrid від проєктів, які спочатку випускають код, а потім пояснюють механізм у блогах.
Цей підхід вносить зовнішню підзвітність на ринок, де заяви про послуги важко перевірити. Однак продуктивність ШІ перевірити складніше, ніж фінансову транзакцію. Однакові запити можуть давати різні результати, якість сильно залежить від завдання, і кожен бенчмарк відображає умови, для яких він був розроблений. Вузол, який добре працює під час оцінювання, може поводитися інакше під виробничим навантаженням або спеціалізованими робочими процесами.
Таким чином, верифікація постачальників діє як постійна проблема вимірювання, а не як бінарний доказ. Відкриті ринки можуть зменшити обмеження доступу лише тоді, коли покупці мають достовірні сигнали про те, хто продає доступ і наскільки надійно працює кожен постачальник.
Що станеться, коли кожен зможе продавати інтелект?
DGrid застосовує ту саму логіку до сторони пропозиції. Постачальники моделей і обчислювальних ресурсів можуть розміщувати послуги на ринку, встановлювати власні ціни та отримувати дохід через розрахунки за допомогою смарт-контрактів, а не покладатися повністю на централізовану платформу для визначення доступу та комерційних умов. В принципі, спеціалізовані та доопрацьовані моделі отримують ще один шлях до клієнтів, а грошові потоки стають більш прозорими.
Відкрита участь також перекладає більше відповідальності на контроль якості ринку. Hugging Face перебудував свій Open LLM Leaderboard у 2024 році після того, як попередні бенчмарки стали насиченими, деякі новіші моделі виявили ознаки забруднення, а GSM8K і TruthfulQA з'явилися в наборах для інструктивного налаштування. Цей епізод ілюструє проблему стимулів, з якою стикається будь-яка відкрита система оцінювання. Постачальники можуть оптимізувати під видимі тести, тоді як виробнича якість відхиляється від показників лідерборду.
DGrid також використовує дані про людські вподобання. Понад 500 000 учасників його AI Arena анонімно порівнюють відповіді моделей, створюючи зворотний зв'язок, який може інформувати рішення щодо оцінювання та маршрутизації. Людські порівняння можуть виявити якості, які автоматизовані бенчмарки пропускають, хоча отримані сигнали все одно залежать від залучених запитів, учасників та критеріїв оцінювання.
Функціонуючий ринок потребує відкритих списків, технічних розрахунків і достатньої комерційної активності для підтримки реальної економіки. Покупці, постачальники та повторювані транзакції повинні дати системі оцінювання щось економічно значуще для вимірювання.
Найскладніша частина починається після того, як продукт працює
Децентралізована мережа ШІ DGrid входить у це випробування з наявною комерційною базою. Компанія повідомила про дохід у 23 мільйони доларів за перше півріччя 2026 року, понад 15 000 платних користувачів і 5 мільйонів доларів посівного фінансування. Ці цифри відрізняють DGrid від багатьох крипто-ШІ мереж, які починають з токенних стимулів, а потім шукають стійкий попит.
DGrid пішов протилежним шляхом. Спочатку компанія створила централізований сервіс, який клієнти вже використовують, а потім почала переміщувати частини доступу, оцінювання та розрахунків у бік децентралізованої мережі. Така послідовність може зменшити один із ризиків на ранній стадії, довівши, що клієнти платитимуть за основний продукт, перш ніж тестувати, чи зможе ончейн-економіка підтримувати сервіс.
Складніше питання стосується переходу від існуючого бізнесу до мережевої діяльності. Централізований клієнт, який платить за доступ до API, не стає автоматично активним учасником децентралізованого ринку. Так само 500 000 людей, які безкоштовно порівнюють моделі, представляють іншу форму попиту, ніж 15 000 комерційних користувачів. Ліквідність мережі залежить від повторюваного обсягу інференсу, активних постачальників і транзакцій, які тривають без значної залежності від стимулів.
Дохід демонструє попит на продукт, але не може встановити попит на мережеву архітектуру, що лежить в основі. Ця відмінність стає особливо важливою, коли токен потрапляє в систему, оскільки економічна роль токена залежить від того, чи може реальне споживання ШІ генерувати активність, яку інакше довелося б створювати за допомогою стимулів.
Чи може токен стати інфраструктурою, а не стимулом?
Роль токена виходить за межі фінансування. У запропонованій мережевій економіці DGrid оператори вузлів блокують токени як заставу, користувачі можуть витрачати токени на послуги ШІ, постачальники отримують винагороди, а власники беруть участь в управлінні. Кожна функція призначена для зв'язку активу з операційною діяльністю всередині мережі, а не лише для торгівлі.
Стійкий попит є більш вимогливим тестом. Токен, який використовується, тому що клієнтам потрібен інференс, а постачальникам — застава, має іншу економічну основу, ніж той, що керується переважно винагородами, призначеними для залучення ранніх учасників. Під час фази зростання мережі органічне використання та субсидована участь можуть легко співіснувати та стирати цю відмінність.
Дизайн пропозиції підвищує ставки. Половина виділення токенів призначена для вузлів, а розподіл триває протягом тривалого графіка емісії. Стимули можуть допомогти забезпечити інфраструктуру, але також ускладнюють визначення того, чи продовжать постачальники надавати потужності після зменшення винагород або зміни ринкових умов.
Токен стає економічно значущим, коли корисність відстежує продуктивну мережеву діяльність, включаючи придбаний інференс, заставу, надану робочими вузлами, та управління, здійснюване щодо рішень ринку. Без цього зв'язку децентралізація ризикує додати фінансовий рівень до послуги, клієнти якої могли б отримати доступ до подібної функціональності без нього.
Орієнтир — довіра без блокчейну
Конкурентний орієнтир виходить далеко за межі децентралізованих мереж ШІ. Такі компанії-моделі, як OpenAI та Anthropic, розробляють пропрієтарні системи, обчислювальні мережі забезпечують інфраструктуру, а агрегаційні платформи полегшують доступ до багатьох моделей через спільний інтерфейс. DGrid намагається поєднати агрегацію з відкритою пропозицією, зовнішньою оцінкою якості та ончейн-розрахунками.
Ці додаткові рівні мають значення, коли вони вирішують проблеми, які централізовані платформи залишають невирішеними. Відкрита участь може розширити пул постачальників. Дані про репутацію можуть дати клієнтам більш вагомі докази щодо продуктивності постачальника, тоді як спільна інфраструктура доступу може зменшити інженерні витрати на перехід між моделями. Тим часом централізовані агрегатори вже агресивно конкурують за зручністю, надійністю та широтою доступу, не вимагаючи від клієнтів взаємодії з блокчейн-інфраструктурою.
Тому покупець стає вирішальним тестом. Нижчі витрати на перемикання, ширший вибір моделей, можливість перевірки якості послуг і більш конкурентні ціни — кожен з цих факторів дає вимірювану причину прийняти більшу архітектурну складність. Без цих переваг блокчейн-розрахунки функціонують переважно як варіант реалізації, а не як перевага для клієнта.
Найсильнішим орієнтиром DGrid є довіра та зручність, які користувачі вже отримують від централізованих послуг. Доведення того, що децентралізована альтернатива працює краще, потребуватиме доказів того, як мережа поводиться під реальним комерційним попитом, особливо коли стимули несуть менше навантаження.
Що б довело, що модель працює?
Три форми доказів дали б найчіткіший тест. Комерційний попит стоїть на першому місці. Обсяг інференсу повинен зростати, тому що клієнти обирають DGrid через його економіку, доступ до моделей або функції верифікації, а постійне використання показує, чи може мережева активність вижити, коли вартість залучення ранніх користувачів зростає.
Різноманітність постачальників є другим показником. Відкритий ринок стає більш значущим, коли незалежні постачальники, спеціалізовані моделі та точно налаштовані системи отримують розповсюдження, яке їм було б важко отримати в іншому місці. Якщо більшість діяльності продовжує концентруватися навколо моделей, вже доступних через усталених агрегаторів, ринок може розширити розрахунки без суттєвого розширення пропозиції.
Активність токена пропонує третій тест. Платежі за інференс, стейкінг продуктивними вузлами та участь у управлінні пов'язували б використання токена з роботою мережі. Спекулятивний оборот та участь, що зумовлені переважно емісією, свідчили б про слабший зв'язок між активом та базовим попитом на ШІ.
Агрегація ШІ вже полегшує доступ до моделей. DGrid тестує, чи може ця зручність співіснувати з відкритою пропозицією та незалежно спостережуваною продуктивністю, не відтворюючи тих самих залежностей довіри в інших частинах стеку. Відповідь випливе з поведінки клієнтів, участі постачальників та економіки мережі, коли DGrid працюватиме у масштабі.
