Идея давняя: использовать неиспользуемые вычислительные ресурсы устройств рядовых пользователей для обработки данных и обучения моделей. Децентрализованные AI-сети берут эту концепцию и обещают превратить обычный смартфон в узел глобальной вычислительной сети, которая смогла бы конкурировать с облачной инфраструктурой крупных игроков вроде OpenAI, Google или Amazon. Звучит как честная альтернатива централизованной власти больших корпораций.
На деле тут сразу возникает несколько проблем. Во-первых, смартфон — не сервер. Его батарея разряжается за часы, сетевое соединение нестабильно, и пользователь вообще может в любой момент отключить устройство. Для обучения больших языковых моделей требуется стабильная, высокопроизводительная инфраструктура с низкой латентностью. Запустить это на сотне миллионов телефонов, которые половину дня в кармане, а половину — не включены, просто физически неэффективно. Накладные расходы на координацию, синхронизацию и проверку качества вычислений будут огромными.
Во-вторых, экономика не складывается. Даже если технически получится собрать вычислительную мощность, нужно мотивировать пользователей участвовать. За что им держать процесс на устройстве? Микродозы крипто-токенов? История показывает: когда вознаграждение становится символическим, участие падает резко. А если вознаграждение реальное, то эффективнее просто купить нужные вычисления у облачного провайдера.
В-третьих, вопрос конфиденциальности и безопасности. Если обучающие данные распределяются по сети мобильных устройств, управляемых случайными пользователями, то контроль над ними практически невозможен. Утечки, копирование, модификация данных — это будет частью системы, а не ошибкой. Для любого регулируемого контекста (медицина, финансы, персональные данные) это неприемлемо.
Правда, есть более узкие, реалистичные сценарии. Децентрализованные сети имеют смысл для специализированных задач: запуск уже обученных моделей на краевых устройствах (edge inference), обработка локальных данных без отправки на центральный сервер, или координация между устройствами в сетях с ограниченной или отсутствующей инфраструктурой. Но это совсем не революция в AI-вычислениях, это просто распределенный edge computing. И он уже существует: от Federated Learning от Google до специализированных фреймворков.
Применительно к российскому рынку: если когда-то возникнет реальная необходимость в альтернативе облачным сервисам (из-за санкций, локализации или избежания зависимости), то децентрализованные мобильные сети вряд ли будут решением. Скорее, это будут собственные облачные инфраструктуры компаний, региональные датацентры или распределённые edge-вычисления на фиксированных устройствах в сети предприятия. Мобильные телефоны слишком нестабильны и недостаточно мощны для обучения моделей или критичных вычислений.
Вывод простой: проекты децентрализованных AI-сетей на базе смартфонов либо переоценивают свой потенциал (и в итоге оседают в нишах маркетинга крипто-сообщества), либо решают совсем другую задачу и просто называют её красиво. Скептицизм здесь вполне обоснован.
Алексей Мартыненко
Главный редактор SPV News
Децентрализованные вычисления — хорошая идея для маркетинга, но не для инженерии. Проблема в том, что обучение современных AI-моделей требует совсем другого типа инфраструктуры: стабильной, с высокой пропускной способностью, с возможностью эффективного обмена данными между узлами. Смартфон этого не дает. Когда проект начинается с посулов децентрализации, а заканчивается требованием токенов от пользователей, это обычно сигнал к осторожности.