Центр объявлений
1. Основное резюме
Chutes (SN64) — это децентрализованная бессерверная (Serverless) платформа для вычислений в сфере ИИ, построенная на базе сети Bittensor. В гонке ИИ-вычислений в рамках Web3 ее позиционирование схоже с платформой агрегатора такси или моделью PaaS (платформа как сервис). Платформа интегрирует глобально распределенные простаивающие вычислительные мощности GPU и сочетает их с передовыми технологиями контейнеризации и планирования, предоставляя разработчикам готовые к использованию API для ИИ-инференса с оплатой по факту использования (pay-as-you-go).
На уровне базовой архитектуры Chutes использует классический механизм игры с двумя ролями: майнеры предоставляют оборудование для оперативного реагирования на внешние запросы, а валидаторы оценивают качество и распределяют веса в режиме реального времени. Таким образом формируется сеть инференса промышленного уровня с низкими затратами и высокой пропускной способностью. В настоящее время Chutes занимает лидирующие позиции в области децентрализованных вычислений, реализуя реальный замкнутый бизнес-цикл. Платформа обработала более 9,1 триллиона токенов, имеет более 400 000 активных пользователей и стала первой самозаявленной подсетью в экосистеме Bittensor, оценка которой превысила 100 миллионов долларов. Направляя доходы от реального бизнеса обратно в стоимость токена, Chutes в долгосрочной перспективе имеет потенциал стать инфраструктурным «единорогом» в сегменте децентрализованного ИИ.
2. Промышленный контекст: Расцвет ИИ-инференса и дилемма модели Web2
2.1 Что такое инференс модели? В чем его принципиальное отличие от предобучения?
Прежде чем углубляться в платформы вычислений, необходимо разграничить два основных этапа жизненного цикла ИИ-модели: предобучение (Training) и инференс (Inference).
Предобучение моделей: Это «фаза обучения» ИИ. Исследователям необходимо вводить огромные массивы данных (например, текстовый корпус всего Интернета) в нейронные сети и постоянно корректировать миллиарды или даже триллионы параметров внутри модели посредством крупномасштабного матричного умножения. Этот процесс крайне трудоемок и требует высокой пропускной способности кластерных вычислений (например, NVLink), что представляет собой тяжелые капитальные вложения.
Инференс моделей: Это «фаза применения» ИИ. После завершения обучения параметры фиксируются. На этом этапе пользователь вводит промпт (Prompt), и модель генерирует следующее слово с наибольшей вероятностью посредством прямого прохода (Forward Pass). По сравнению с обучением, для инференса требуется меньше разовой вычислительной мощности, но необходима чрезвычайно высокая способность к параллельной обработке, минимальная задержка (Latency) и стабильность системы в режиме 24/7.
2.2 Логика развития рынка вычислительных мощностей и смещение фокуса индустрии
Оглядываясь на развитие рынка вычислений, можно четко увидеть линию эволюции: от ранних общих вычислений на CPU к расцвету параллельных вычислений на GPU (создание экосистемы CUDA), а теперь — к процветанию чипов TPU и ASIC, специально разработанных для ИИ. В последние годы внимание капитала и технологий было почти полностью сосредоточено на том, «как обучить более умные модели». Однако с качественным скачком открытых больших моделей, таких как серия Llama и DeepSeek, разрыв в интеллекте между открытыми и закрытыми моделями-гигантами (например, GPT-4) начал стремительно сокращаться. Центр извлечения прибыли в ИИ-индустрии необратимо смещается от «предобучения моделей» к «инференсу». Причина в том, что для достижения реальной масштабной монетизации и внедрения в различные отрасли модели должны обладать высокой доступностью и способностью отвечать с низкой задержкой круглосуточно. На данном этапе вопрос «как запускать модели дешево, стабильно и быстро» становится главной болевой точкой отрасли.
2.3 Участники и основные ограничения ИИ-инференса в эпоху Web2
В настоящее время в сфере Web2-инференса доминируют следующие типы участников:
Поставщики API закрытых моделей: такие как OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini). Они предоставляют крайне простые в использовании API, но работают по принципу «черного ящика», стоят дорого и подразумевают жесткую привязку к экосистеме.
Гиганты традиционных облачных сервисов: AWS (Amazon Web Services), Microsoft Azure и Google Cloud. Они предоставляют аренду виртуальных машин или «голого железа» GPU с высокой гибкостью, но крайне высокими затратами на эксплуатацию и обслуживание.
Вертикальные платформы «Инференс как сервис» (MaaS): Together AI, Anyscale, HuggingFace Inference Endpoints. Они специализируются на управлении инференсом для открытых моделей.
Однако при использовании услуг этих гигантов разработчики по-прежнему сталкиваются с тремя непреодолимыми проблемами:
Высокий «налог на вычисления» и грубая гранулярность расчетов: Амортизация ПО и оборудования (аренда помещений, системы охлаждения, закупка дорогостоящих серверов) и затраты на обслуживание централизованных дата-центров крайне высоки, что в конечном итоге перекладывается на разработчиков. Кроме того, традиционные облачные сервисы часто тарифицируются «почасово» или за «всю машину», что неудобно для приложений с массовым мгновенным спросом.
Сложные «инфраструктурные ловушки»: Стартапы, пытающиеся обойти API облачных вендоров и арендовать собственные машины, сталкиваются с крутой кривой обучения: выбор GPU, настройка драйверов, оптимизация фреймворков ускорения инференса (vLLM, TensorRT), обслуживание узлов и оркестрация контейнерных кластеров.
Привязка к вендору и риски конфиденциальности данных: Глубокая интеграция с конкретным API делает техническую дорожную карту и структуру затрат компании зависимыми от провайдера. Для чувствительных отраслей (медицина, финансы, право) передача данных на централизованные серверы несет высокие риски утечки.
3. Решение: Chutes реконструирует ИИ-инференс через «сеть»
3.1 Основное позиционирование: «Агрегатор такси» и децентрализованная PaaS в экосистеме ИИ
В экосистеме Bittensor каждая подсеть играет свою роль. Например, Templar (SN3) выступает в роли «автозавода», агрегируя мощности для обучения открытых моделей с нуля. Chutes (SN64) имеет иное позиционирование, фокусируясь на «операционных услугах» и играя роль «агрегатора такси» в эпоху Web3. Chutes сама не производит модели, но через свой сетевой протокол эффективно интегрирует распределенные по миру «автомобили» (простаивающие GPU), позволяя готовым топовым открытым моделям эффективно работать на этих узлах. По сути, Chutes строит на базе блокчейна децентрализованную, стандартизированную PaaS-инфраструктуру.
3.2 Настоящий Serverless-опыт и ультимативное ценовое преимущество
Chutes реализует для разработчиков концепцию Serverless (бессерверную архитектуру). При использовании Chutes не нужно беспокоиться о выборе оборудования и настройке кластеров — достаточно изменить несколько строк кода для интеграции через API, полностью совместимые с форматом OpenAI. Благодаря механизму нативных микроплатежей в криптовалюте, Chutes достигает сверхтонкой гранулярности расчетов. Это устраняет потери ресурсов, характерные для почасовой оплаты в облаках. В результате стоимость услуг Chutes примерно на 85% ниже традиционных облачных сервисов (AWS) и как минимум на 40% дешевле большинства централизованных API-платформ.
3.3 Апгрейд конфиденциальности: Архитектура TEE выстраивает доверие
Для защиты данных пользователей Chutes внедряет в свою сеть технологию TEE (Trusted Execution Environments — доверенные среды исполнения). TEE использует аппаратное шифрование для изоляции защищенной области памяти в CPU/GPU. Это означает, что децентрализованные узлы обрабатывают запросы в зашифрованном «черном ящике», и даже майнеры, предоставляющие мощности, не могут просмотреть входные данные пользователя. Это фундаментально решает вопросы комплаенса и приватности для корпоративного сектора.
4. Базовая архитектура: Как выполняется ИИ-инференс в сети
Система распределяет задачи инференса по глобальной сети через механизмы маршрутизации и балансировки нагрузки. Основные участники делятся на две категории:
Майнеры (Поставщики услуг): Вычислительные узлы, присоединившиеся к системе через стейкинг. Они обязаны загружать «Постоянно горячие модели» (Permanently Hot Models), параметры которых предварительно загружены в видеопамять (VRAM). Благодаря технологиям контейнеризации, они обеспечивают высокую доступность и минимальную задержку холодного старта.
Валидаторы (Инспекторы качества): Ответственны за непрерывную отправку тестовых запросов майнерам и маршрутизацию реальных бизнес-запросов. Они оценивают работу по таким критериям, как время генерации первого токена (TTFT), пропускная способность (количество токенов в секунду) и точность вывода. Добросовестные майнеры получают вознаграждение в токенах сети, а злонамеренные или неэффективные исключаются из системы с возможной конфискацией стейка.
Эта децентрализованная игровая архитектура, основанная на базовом консенсусе Bittensor, искусно трансформирует личную выгоду участников в гарантию качества обслуживания. Это обеспечивает стабильность системы промышленного уровня, сопоставимую с показателями ведущих централизованных дата-центров, даже в условиях распределенной сети с невысокой связностью узлов.
5. Экономический движок: Переход от «инфляционной модели» к «реальной доходности»
В прошлых циклах криптомира многие ранние проекты в сфере вычислительных мощностей Web3 попадали в «спираль смерти»: они чрезмерно полагались на агрессивную инфляцию токенов для субсидирования привлечения мощностей (так называемый «майнинг»), и как только показатели вторичного рынка ухудшались, вычислительные ресурсы быстро утекали из сети. Напротив, ключевая конкурентоспособность Chutes заключается в успешном функционировании устойчивого децентрализованного бизнес-цикла.
В настоящее время сеть Chutes ежедневно обрабатывает огромный объем реальных API-запросов от B-side (предприятий) и C-side (конечных потребителей). Через систему токенов сеть взимает с этих пользователей плату за реальные услуги. Что еще более важно, благодаря встроенному в систему механизму автостейкинга и расчетов, эти бизнес-доходы из внешнего реального мира (которые могут начинаться с фиатных платежей) в конечном итоге напрямую конвертируются в активный спрос на активы экосистемы (токены) сети. Этот механизм обеспечивает постоянную обратную связь с держателями токенов и всеми сторонами, участвующими в поддержании сети, фактически совершая переход от модели Понци с «сжиганием денег для покупки мощностей» к устойчивой экономической модели «реальной генерации прибыли».
6.Текущее состояние экосистемы и впечатляющие показатели данных
Согласно недавнему мониторингу ончейн-данных и бизнес-показателей, сеть Chutes продемонстрировала чрезвычайно высокий предел пропускной способности и глубокое проникновение на рынок в реальных бизнес-сценариях с высокой степенью параллелизма.
Прорыв в объеме основного бизнеса: Сеть Chutes обработала более 9,1 триллиона токенов — это значительный показатель как для Web3, так и для многих средних Web2-платформ. Пиковая ежедневная вычислительная мощность может достигать 50 миллиардов операций, обслуживая более 400 000 конечных пользователей и разработчиков.
Абсолютное лидерство на рынке: Благодаря солидным бизнес-данным Chutes стала первой подсетью в экосистеме Bittensor, заявившей о достижении рубежа оценки в 100 миллионов долларов.
Глубокая интеграция в экосистему и атрибуты «базовой инфраструктуры»: На внешнем рынке Chutes успешно обслуживает множество массовых приложений. Внутри системы Chutes постепенно стала основным поставщиком вычислительных мощностей для других подсетей Bittensor (например, ориентированных на вертикальные приложения и обработку данных), играя ключевую роль «воды, электричества и угля» (базовых ресурсов) всей децентрализованной ИИ-экосистемы.
Здоровые показатели токеномики: По состоянию на 7 апреля 2026 года (UTC+3) цена токена Alpha (токен подсети Chutes) составляла около 0,085 TAO. Сеть не только привлекла около 13 666 держателей монет, но и насчитывала 244 активных узла майнеров и 12 узлов валидаторов. Эмиссия сети составила 8,77%. При этом в пуле ликвидности на DEX доля базового актива TAO составила 7,88%, а Alpha — 92,12%. Независимо от масштаба вычислительных мощностей или капитала, Chutes является безусловным топовым проектом в экосистеме TAO. Эти данные наглядно отражают реальный рыночный спрос.
(Источник данных: https://bittensormarketcap.com/subnets/64)
7.Конкурентная среда, потенциальные вызовы и финальные перспективы
7.1 Ключевое преимущество и барьеры конкурентоспособности
Текущий трек децентрализованных вычислений (DePIN + AI) полностью попрощался с «варварской» эпохой пустых концепций и вайтпейперов, перейдя в фазу жесткой конкуренции за исполнение, стоимость и стабильность. По сравнению с платформами, предоставляющими только аренду «голого железа», мощнейшее конкурентное преимущество Chutes заключается в возможности предоставления инференса коммерческого уровня, строго верифицированного огромными объемами бизнес-данных, и абсолютном ценовом превосходстве над традиционными Web2-гигантами. В сочетании с архитектурой шифрования конфиденциальности TEE, которая будет полностью запущена в будущем, Chutes успешно предоставила разработчикам, опасающимся монополии и гегемонии данных гигантов Кремниевой долины, идеальную инфраструктуру — полностью безразрешительную (permissionless) и экономически эффективную.
7.2 Потенциальные вызовы и преодоление узких мест
Хотя текущие бизнес-данные и оборот моделей впечатляют, в будущем Chutes необходимо преодолеть ряд серьезных технологических вызовов для перехода из Web3 в широкий мейнстрим:
Тестирование избыточности и устойчивости при экстремальном параллелизме: Когда появится настоящее «киллер-приложение» с миллионным DAU и мгновенно обратится к сети, способность децентрализованной структуры поддерживать миллисекундный отклик без простоев даже при резком скачке спроса станет решающим испытанием для алгоритма планирования.
Слом стереотипов на корпоративном рынке: Несмотря на поддержку технологии TEE, по-прежнему требуется длительное обучение рынка, чтобы разрушить предубеждения традиционных Web2-компаний и заставить комплаенс-отделы предприятий доверять и массово внедрять децентрализованные протоколы API.
7.3 Прогноз развития
Подводя итог, с наступлением эры высокочастотного и автономного взаимодействия между крупными моделями мультимодального машинного обучения и ИИ-агентами спрос на инференс в режиме «машина-машина» вырастет экспоненциально. В таких условиях недорогой, неограниченный, децентрализованный уровень инференса с поддержкой микроплатежей по требованию станет незаменимой инфраструктурой для интернета следующего поколения.
Chutes представляет собой не только децентрализацию методов распределения вычислительных квот, но и повсеместное распространение ресурсов открытого интеллекта в человеческом обществе. Если Chutes сможет успешно преодолеть барьер обработки сверхвысокого трафика и дефицит доверия со стороны традиционных корпоративных терминалов, платформа имеет потенциал стать супер-базой и «единорогом» с долгосрочной способностью извлечения стоимости в сегменте децентрализованного ИИ в ближайшие несколько лет.
1. Основное резюме
Chutes (SN64) — это децентрализованная бессерверная (Serverless) платформа для вычислений в сфере ИИ, построенная на базе сети Bittensor. В гонке ИИ-вычислений в рамках Web3 ее позиционирование схоже с платформой агрегатора такси или моделью PaaS (платформа как сервис). Платформа интегрирует глобально распределенные простаивающие вычислительные мощности GPU и сочетает их с передовыми технологиями контейнеризации и планирования, предоставляя разработчикам готовые к использованию API для ИИ-инференса с оплатой по факту использования (pay-as-you-go).
На уровне базовой архитектуры Chutes использует классический механизм игры с двумя ролями: майнеры предоставляют оборудование для оперативного реагирования на внешние запросы, а валидаторы оценивают качество и распределяют веса в режиме реального времени. Таким образом формируется сеть инференса промышленного уровня с низкими затратами и высокой пропускной способностью. В настоящее время Chutes занимает лидирующие позиции в области децентрализованных вычислений, реализуя реальный замкнутый бизнес-цикл. Платформа обработала более 9,1 триллиона токенов, имеет более 400 000 активных пользователей и стала первой самозаявленной подсетью в экосистеме Bittensor, оценка которой превысила 100 миллионов долларов. Направляя доходы от реального бизнеса обратно в стоимость токена, Chutes в долгосрочной перспективе имеет потенциал стать инфраструктурным «единорогом» в сегменте децентрализованного ИИ.
2. Промышленный контекст: Расцвет ИИ-инференса и дилемма модели Web2
2.1 Что такое инференс модели? В чем его принципиальное отличие от предобучения?
Прежде чем углубляться в платформы вычислений, необходимо разграничить два основных этапа жизненного цикла ИИ-модели: предобучение (Training) и инференс (Inference).
Предобучение моделей: Это «фаза обучения» ИИ. Исследователям необходимо вводить огромные массивы данных (например, текстовый корпус всего Интернета) в нейронные сети и постоянно корректировать миллиарды или даже триллионы параметров внутри модели посредством крупномасштабного матричного умножения. Этот процесс крайне трудоемок и требует высокой пропускной способности кластерных вычислений (например, NVLink), что представляет собой тяжелые капитальные вложения.
Инференс моделей: Это «фаза применения» ИИ. После завершения обучения параметры фиксируются. На этом этапе пользователь вводит промпт (Prompt), и модель генерирует следующее слово с наибольшей вероятностью посредством прямого прохода (Forward Pass). По сравнению с обучением, для инференса требуется меньше разовой вычислительной мощности, но необходима чрезвычайно высокая способность к параллельной обработке, минимальная задержка (Latency) и стабильность системы в режиме 24/7.
2.2 Логика развития рынка вычислительных мощностей и смещение фокуса индустрии
Оглядываясь на развитие рынка вычислений, можно четко увидеть линию эволюции: от ранних общих вычислений на CPU к расцвету параллельных вычислений на GPU (создание экосистемы CUDA), а теперь — к процветанию чипов TPU и ASIC, специально разработанных для ИИ. В последние годы внимание капитала и технологий было почти полностью сосредоточено на том, «как обучить более умные модели». Однако с качественным скачком открытых больших моделей, таких как серия Llama и DeepSeek, разрыв в интеллекте между открытыми и закрытыми моделями-гигантами (например, GPT-4) начал стремительно сокращаться. Центр извлечения прибыли в ИИ-индустрии необратимо смещается от «предобучения моделей» к «инференсу». Причина в том, что для достижения реальной масштабной монетизации и внедрения в различные отрасли модели должны обладать высокой доступностью и способностью отвечать с низкой задержкой круглосуточно. На данном этапе вопрос «как запускать модели дешево, стабильно и быстро» становится главной болевой точкой отрасли.
2.3 Участники и основные ограничения ИИ-инференса в эпоху Web2
В настоящее время в сфере Web2-инференса доминируют следующие типы участников:
Поставщики API закрытых моделей: такие как OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini). Они предоставляют крайне простые в использовании API, но работают по принципу «черного ящика», стоят дорого и подразумевают жесткую привязку к экосистеме.
Гиганты традиционных облачных сервисов: AWS (Amazon Web Services), Microsoft Azure и Google Cloud. Они предоставляют аренду виртуальных машин или «голого железа» GPU с высокой гибкостью, но крайне высокими затратами на эксплуатацию и обслуживание.
Вертикальные платформы «Инференс как сервис» (MaaS): Together AI, Anyscale, HuggingFace Inference Endpoints. Они специализируются на управлении инференсом для открытых моделей.
Однако при использовании услуг этих гигантов разработчики по-прежнему сталкиваются с тремя непреодолимыми проблемами:
Высокий «налог на вычисления» и грубая гранулярность расчетов: Амортизация ПО и оборудования (аренда помещений, системы охлаждения, закупка дорогостоящих серверов) и затраты на обслуживание централизованных дата-центров крайне высоки, что в конечном итоге перекладывается на разработчиков. Кроме того, традиционные облачные сервисы часто тарифицируются «почасово» или за «всю машину», что неудобно для приложений с массовым мгновенным спросом.
Сложные «инфраструктурные ловушки»: Стартапы, пытающиеся обойти API облачных вендоров и арендовать собственные машины, сталкиваются с крутой кривой обучения: выбор GPU, настройка драйверов, оптимизация фреймворков ускорения инференса (vLLM, TensorRT), обслуживание узлов и оркестрация контейнерных кластеров.
Привязка к вендору и риски конфиденциальности данных: Глубокая интеграция с конкретным API делает техническую дорожную карту и структуру затрат компании зависимыми от провайдера. Для чувствительных отраслей (медицина, финансы, право) передача данных на централизованные серверы несет высокие риски утечки.
3. Решение: Chutes реконструирует ИИ-инференс через «сеть»
3.1 Основное позиционирование: «Агрегатор такси» и децентрализованная PaaS в экосистеме ИИ
В экосистеме Bittensor каждая подсеть играет свою роль. Например, Templar (SN3) выступает в роли «автозавода», агрегируя мощности для обучения открытых моделей с нуля. Chutes (SN64) имеет иное позиционирование, фокусируясь на «операционных услугах» и играя роль «агрегатора такси» в эпоху Web3. Chutes сама не производит модели, но через свой сетевой протокол эффективно интегрирует распределенные по миру «автомобили» (простаивающие GPU), позволяя готовым топовым открытым моделям эффективно работать на этих узлах. По сути, Chutes строит на базе блокчейна децентрализованную, стандартизированную PaaS-инфраструктуру.
3.2 Настоящий Serverless-опыт и ультимативное ценовое преимущество
Chutes реализует для разработчиков концепцию Serverless (бессерверную архитектуру). При использовании Chutes не нужно беспокоиться о выборе оборудования и настройке кластеров — достаточно изменить несколько строк кода для интеграции через API, полностью совместимые с форматом OpenAI. Благодаря механизму нативных микроплатежей в криптовалюте, Chutes достигает сверхтонкой гранулярности расчетов. Это устраняет потери ресурсов, характерные для почасовой оплаты в облаках. В результате стоимость услуг Chutes примерно на 85% ниже традиционных облачных сервисов (AWS) и как минимум на 40% дешевле большинства централизованных API-платформ.
3.3 Апгрейд конфиденциальности: Архитектура TEE выстраивает доверие
Для защиты данных пользователей Chutes внедряет в свою сеть технологию TEE (Trusted Execution Environments — доверенные среды исполнения). TEE использует аппаратное шифрование для изоляции защищенной области памяти в CPU/GPU. Это означает, что децентрализованные узлы обрабатывают запросы в зашифрованном «черном ящике», и даже майнеры, предоставляющие мощности, не могут просмотреть входные данные пользователя. Это фундаментально решает вопросы комплаенса и приватности для корпоративного сектора.
4. Базовая архитектура: Как выполняется ИИ-инференс в сети
Система распределяет задачи инференса по глобальной сети через механизмы маршрутизации и балансировки нагрузки. Основные участники делятся на две категории:
Майнеры (Поставщики услуг): Вычислительные узлы, присоединившиеся к системе через стейкинг. Они обязаны загружать «Постоянно горячие модели» (Permanently Hot Models), параметры которых предварительно загружены в видеопамять (VRAM). Благодаря технологиям контейнеризации, они обеспечивают высокую доступность и минимальную задержку холодного старта.
Валидаторы (Инспекторы качества): Ответственны за непрерывную отправку тестовых запросов майнерам и маршрутизацию реальных бизнес-запросов. Они оценивают работу по таким критериям, как время генерации первого токена (TTFT), пропускная способность (количество токенов в секунду) и точность вывода. Добросовестные майнеры получают вознаграждение в токенах сети, а злонамеренные или неэффективные исключаются из системы с возможной конфискацией стейка.
Эта децентрализованная игровая архитектура, основанная на базовом консенсусе Bittensor, искусно трансформирует личную выгоду участников в гарантию качества обслуживания. Это обеспечивает стабильность системы промышленного уровня, сопоставимую с показателями ведущих централизованных дата-центров, даже в условиях распределенной сети с невысокой связностью узлов.
5. Экономический движок: Переход от «инфляционной модели» к «реальной доходности»
В прошлых циклах криптомира многие ранние проекты в сфере вычислительных мощностей Web3 попадали в «спираль смерти»: они чрезмерно полагались на агрессивную инфляцию токенов для субсидирования привлечения мощностей (так называемый «майнинг»), и как только показатели вторичного рынка ухудшались, вычислительные ресурсы быстро утекали из сети. Напротив, ключевая конкурентоспособность Chutes заключается в успешном функционировании устойчивого децентрализованного бизнес-цикла.
В настоящее время сеть Chutes ежедневно обрабатывает огромный объем реальных API-запросов от B-side (предприятий) и C-side (конечных потребителей). Через систему токенов сеть взимает с этих пользователей плату за реальные услуги. Что еще более важно, благодаря встроенному в систему механизму автостейкинга и расчетов, эти бизнес-доходы из внешнего реального мира (которые могут начинаться с фиатных платежей) в конечном итоге напрямую конвертируются в активный спрос на активы экосистемы (токены) сети. Этот механизм обеспечивает постоянную обратную связь с держателями токенов и всеми сторонами, участвующими в поддержании сети, фактически совершая переход от модели Понци с «сжиганием денег для покупки мощностей» к устойчивой экономической модели «реальной генерации прибыли».
6.Текущее состояние экосистемы и впечатляющие показатели данных
Согласно недавнему мониторингу ончейн-данных и бизнес-показателей, сеть Chutes продемонстрировала чрезвычайно высокий предел пропускной способности и глубокое проникновение на рынок в реальных бизнес-сценариях с высокой степенью параллелизма.
Прорыв в объеме основного бизнеса: Сеть Chutes обработала более 9,1 триллиона токенов — это значительный показатель как для Web3, так и для многих средних Web2-платформ. Пиковая ежедневная вычислительная мощность может достигать 50 миллиардов операций, обслуживая более 400 000 конечных пользователей и разработчиков.
Абсолютное лидерство на рынке: Благодаря солидным бизнес-данным Chutes стала первой подсетью в экосистеме Bittensor, заявившей о достижении рубежа оценки в 100 миллионов долларов.
Глубокая интеграция в экосистему и атрибуты «базовой инфраструктуры»: На внешнем рынке Chutes успешно обслуживает множество массовых приложений. Внутри системы Chutes постепенно стала основным поставщиком вычислительных мощностей для других подсетей Bittensor (например, ориентированных на вертикальные приложения и обработку данных), играя ключевую роль «воды, электричества и угля» (базовых ресурсов) всей децентрализованной ИИ-экосистемы.
Здоровые показатели токеномики: По состоянию на 7 апреля 2026 года (UTC+3) цена токена Alpha (токен подсети Chutes) составляла около 0,085 TAO. Сеть не только привлекла около 13 666 держателей монет, но и насчитывала 244 активных узла майнеров и 12 узлов валидаторов. Эмиссия сети составила 8,77%. При этом в пуле ликвидности на DEX доля базового актива TAO составила 7,88%, а Alpha — 92,12%. Независимо от масштаба вычислительных мощностей или капитала, Chutes является безусловным топовым проектом в экосистеме TAO. Эти данные наглядно отражают реальный рыночный спрос.
(Источник данных: https://bittensormarketcap.com/subnets/64)
7.Конкурентная среда, потенциальные вызовы и финальные перспективы
7.1 Ключевое преимущество и барьеры конкурентоспособности
Текущий трек децентрализованных вычислений (DePIN + AI) полностью попрощался с «варварской» эпохой пустых концепций и вайтпейперов, перейдя в фазу жесткой конкуренции за исполнение, стоимость и стабильность. По сравнению с платформами, предоставляющими только аренду «голого железа», мощнейшее конкурентное преимущество Chutes заключается в возможности предоставления инференса коммерческого уровня, строго верифицированного огромными объемами бизнес-данных, и абсолютном ценовом превосходстве над традиционными Web2-гигантами. В сочетании с архитектурой шифрования конфиденциальности TEE, которая будет полностью запущена в будущем, Chutes успешно предоставила разработчикам, опасающимся монополии и гегемонии данных гигантов Кремниевой долины, идеальную инфраструктуру — полностью безразрешительную (permissionless) и экономически эффективную.
7.2 Потенциальные вызовы и преодоление узких мест
Хотя текущие бизнес-данные и оборот моделей впечатляют, в будущем Chutes необходимо преодолеть ряд серьезных технологических вызовов для перехода из Web3 в широкий мейнстрим:
Тестирование избыточности и устойчивости при экстремальном параллелизме: Когда появится настоящее «киллер-приложение» с миллионным DAU и мгновенно обратится к сети, способность децентрализованной структуры поддерживать миллисекундный отклик без простоев даже при резком скачке спроса станет решающим испытанием для алгоритма планирования.
Слом стереотипов на корпоративном рынке: Несмотря на поддержку технологии TEE, по-прежнему требуется длительное обучение рынка, чтобы разрушить предубеждения традиционных Web2-компаний и заставить комплаенс-отделы предприятий доверять и массово внедрять децентрализованные протоколы API.
7.3 Прогноз развития
Подводя итог, с наступлением эры высокочастотного и автономного взаимодействия между крупными моделями мультимодального машинного обучения и ИИ-агентами спрос на инференс в режиме «машина-машина» вырастет экспоненциально. В таких условиях недорогой, неограниченный, децентрализованный уровень инференса с поддержкой микроплатежей по требованию станет незаменимой инфраструктурой для интернета следующего поколения.
Chutes представляет собой не только децентрализацию методов распределения вычислительных квот, но и повсеместное распространение ресурсов открытого интеллекта в человеческом обществе. Если Chutes сможет успешно преодолеть барьер обработки сверхвысокого трафика и дефицит доверия со стороны традиционных корпоративных терминалов, платформа имеет потенциал стать супер-базой и «единорогом» с долгосрочной способностью извлечения стоимости в сегменте децентрализованного ИИ в ближайшие несколько лет.