Розробка DeAI-проекту (Decentralized AI)

Розробка DeAI-проекту (Decentralized AI)

«Децентралізований AI» — термін, що використовується для принципово різних речей. Одні мають на увазі децентралізований маркетплейс GPU (Akash, io.net), інші — верифікуємі ML-інференси (Giza, EZKL, Modulus), треті — on-chain управління моделями через DAO. Перш ніж проектувати архітектуру, чесно відповідайте: що саме децентралізовано, чому, та яку загрозу це усуває? Без відповіді — скоріше за все, маркетинг, а не продукт.

Реальні випадки, коли децентралізація оправдана: цензуростійкість інференсу (не можна заблокувати запит до моделі), аудитуємість результатів (доказово, що модель X дала відповідь Y на вход Z), або економіка — розподілені GPU дешевше AWS для певних навантажень.

Верифікуємий інференс: zkML та OPML

Технічно найскладніша частина DeAI. Завдання: доказати, що вычисленням нейросеті виконано коректно, без розкриття ваг моделі.

zkML (Zero-Knowledge ML)

EZKL — найбільш зрілий інструмент. Приймає модель у форматі ONNX, генерує Halo2 circuit. Обмеження реальні: на сьогодні це моделі до ~10M параметрів, лише інференс (не обучение).

# Конвертація моделі
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 маленької моделі (~1M параметрів) займає 30–120 секунд на сучасному CPU. На GPU — у 5–10 раз швидше. Це реальна цифра для планування UX: користувач не буде чекати 2 хвилини на кожен запит.

Giza будує більш високорівневий стек поверх Stacks: моделі компілюються у Cairo, докази верифікуються on-chain. Використовується для agent frameworks з верифікуємими кроками.

Modulus пропонує підхід через оптимістичне виконання з fraud proof — компромісс між швидкістю та гарантіями.

OPML (Optimistic ML)

ORA Protocol реалізує оптимістичний підхід: результат інференсу публікується on-chain, є вікно для challenge. Challenger запускає ту ж модель, порівнює результат. При розбіжності — on-chain dispute resolution. Це у 100x дешевше zkML, але вимагає економічно забезпечених валідаторів.

Децентралізовані вычисленням: оркестрація GPU

Якщо проект не вимагає верифікуємості кожного запиту, але потрібна децентралізована інфраструктура — працюємо через compute marketplaces.

Akash Network (Cosmos-based) — аренда GPU через on-chain SDL маніфести. io.net спеціалізується на батч-інференсі та обучении. Bittensor — інший підхід: miners конкурують у якості відповідей, validators оцінюють, TAO розподіляється по вагам.

On-chain управління моделями

Децентралізоване управління ML-моделями через DAO — нішевий, але що розростається паттерн. Типова схема:

• Модель зберігається у IPFS/Arweave, CID публікується on-chain
• Governance голосує за апгрейд: новий CID + changelog
• Smart contract зберігає реєстр версій з audit статусом
• Treasury фінансує обучение через grants

Архітектурні компоненти DeAI-проекту

Реалістичний DeAI-проект складається з кількох шарів:

Data layer — джерело для обучения/інференсу. Ocean Protocol надає маркетплейс датасетів з access control через ERC-20 datatokens. Важливо: дані продаються без розкриття — Compute-to-Data паттерн, вычисленням виконуються біля даних.

Compute layer — Akash/io.net для сирих GPU, або спеціалізовані мережі вроде Ritual.

Inference layer — zkML для високих гарантій, OPML для економіки, або API з децентралізованим доступом.

Application layer — смарт-контракти, що консьюмять результати інференсу. Тут працюють оракули типу Chainlink Functions або Ritual's on-chain AI calls.

Практичні складності

Детерміззм — головна проблема. Floating-point у нейросетях недетерміністичні на різному залізі. Для fraud-proof систем критично. Рішення: фіксована арифметика, конкретні версії CUDA, або zkML де детерміззм вбудований у proof.

Latency vs decentralization trade-off: zkML proof = хвилини, централізований інференс = мілісекунди. Для більшості користувацьких app неприйнятно. Реалістична відповідь: гібрид — централізований інференс з періодичним zkML audit, або OPML з достатнім challenge window.

Token economics для compute marketplace: уникати race-to-bottom по якості. Bittensor вирішує через scoring validators; альтернатива — reputation staking де погані провайдери втрачають stake.

Стек розробки

Розробка DeAI — це перетин ML engineering, cryptography та blockchain. Команда повинна розуміти всі три області: написати ONNX export, сгенерувати Halo2 circuit, задеплоїти верификатор на EVM — це різні скіл-сети. Ми працюємо з цим стеком як єдиною цілістю.