Анализ: рост AI-данных опережает планирование вычислительных мощностей, а хранилища становятся новым узким местом для криптоинфраструктуры

Последние два года дискуссия об AI-инфраструктуре в основном вращалась вокруг одного показателя: объёма GPU. И в Web2, и в Web3 команды боролись за доступ к ускорителям, оптимизировали пайплайны обучения моделей и искали более дешёвый инференс. Но есть и более тихое ограничение, которое всё труднее игнорировать: хранение данных.

Недавний анализ Western Digital утверждает, что планирование AI-центров обработки данных смещается от чистой гонки за вычислениями к более широкой инфраструктурной задаче, где не меньшее значение, чем у GPU, имеют ёмкость хранилищ, производительность, энергопотребление и управление жизненным циклом данных. IDC также прогнозирует, что к 2030 году ежегодный объём создаваемых в мире данных может достигнуть 718 ЗБ, что подчёркивает, насколько быстро растёт AI-след данных.

Для блокчейн- и криптоиндустрии это не просто вопрос облачной инфраструктуры. AI-агенты, on-chain-аналитика, децентрализованные сети физической инфраструктуры, децентрализованное хранение, слои доступности данных и инструменты комплаенса — всё это зависит от постоянно растущей вселенной машинно-генерируемых данных. Если хранение станет ограничивающим фактором для AI, это изменит и то, как криптоприложения создаются, оцениваются, защищаются и управляются.

Почему AI-данные не исчезают после вычислений

В традиционном планировании вычислений часто предполагается, что данные обработаны, результаты получены, и система двигается дальше. С AI всё иначе.

Современная AI-система постоянно накапливает:

• Сырые наборы обучающих данных
• Очищенные и размеченные данные
• Контрольные точки моделей
• Базы эмбеддингов
• Векторные индексы
• Логи запросов и ответов
• Записи оценок
• Наборы данных для дообучения
• Трассы инференса
• Журналы аудита безопасности и комплаенса

В криптоприложениях этот массив данных может быть ещё сложнее. AI-ассистент для трейдинга может нуждаться в исторических рыночных данных, паттернах активности кошельков, снимках ордербука, метаданных токенов, обсуждениях управления, сигналах риска и записях взаимодействия со смарт-контрактами. Система безопасности on-chain может архивировать графы транзакций, сигнатуры эксплойтов, фишинговые домены, байткод контрактов и форензик-данные после инцидентов.

Ключевой момент в том, что эта информация не временная. Она становится частью петли обратной связи для улучшения моделей, анализа рисков, регуляторной отчётности и защиты пользователей. Когда AI-системы разворачиваются в финансовой среде, слишком агрессивное удаление операционных данных может ослабить аудитируемость и снизить качество моделей. Но если хранить всё подряд, это очень быстро становится экономически невыгодно.

Именно поэтому планирование AI-хранилищ всё чаще превращается из закулисной технической задачи в стратегическое инфраструктурное решение.

У криптоиндустрии есть собственная версия проблемы AI-хранилищ

Участники криптосферы уже понимают, что доступность и сохранность данных — это вовсе не абстрактные понятия. Публичные блокчейны в определённом смысле являются системами данных со строгими правилами репликации, верификации и перехода состояний. Но AI приносит новые категории данных — более крупные, менее структурированные и часто гораздо сложнее проверяемые.

Рассмотрим несколько быстрорастущих направлений.

AI-агентам нужна память, а не только доступ к кошельку

AI-агентов всё чаще обсуждают как будущих участников крипторынков. Они могут отслеживать DeFi-позиции, ребалансировать портфели, выявлять подозрительные транзакции или взаимодействовать со смарт-контрактами по пользовательским правилам.

Но AI-агент без памяти ограничен. Ему нужен контекст: прошлые инструкции, предпочтения по риску, предыдущие транзакции, результаты исполнения, неудачные попытки и обратная связь от пользователя. Это создаёт постоянные данные, которые нужно безопасно хранить и выборочно извлекать.

Проблема не только в том, где хранить эту память, но и в том, кто ею управляет. Если операционная история агента заперта в централизованном сервисе, пользователи могут потерять переносимость и прозрачность. Если хранить её небрежно, возрастают риски для приватности. Если же полностью перенести её on-chain, затраты и утечка данных станут неприемлемыми.

On-chain-аналитика становится всё более data-intensive

Блокчейн-аналитика и без AI уже требует индексирования огромных объёмов транзакций, адресов, контрактов и событий. Когда добавляется AI, требования к хранению снова растут. Модели могут строить эмбеддинги для адресов, кластеризовать поведение кошельков, классифицировать смарт-контракты и хранить исторические метки для выявления мошенничества.

Это особенно важно на фоне того, что регуляторы и институциональные игроки требуют более жёсткого мониторинга потоков цифровых активов. Такие рамки, как рекомендации FATF по виртуальным активам, подталкивают провайдеров к усилению комплаенс-контроля, в то время как пользователи по-прежнему ожидают приватности и self-custody. Баланс между этими целями требует продуманной архитектуры данных, а не просто большего объёма вычислений.

Децентрализованное хранение и DePIN могут выиграть, но только если экономика сойдётся

Рост AI-данных может усилить спрос на децентрализованное хранение и DePIN-системы, особенно для архивных наборов данных, открытых ресурсов моделей, исследовательских материалов и публичных данных для оценки AI. Сети, сфокусированные на хранении, извлечении и доступности данных, могут найти новые сценарии использования, когда AI-команды начнут искать альтернативы зависимости от централизованного облака.

Однако AI-хранение — это не единый рынок. «Горячие» обучающие данные, логи инференса в реальном времени, долгосрочные архивы и публичные наборы данных имеют разные требования. Для одних важен низкий latency-доступ. Для других — минимальная цена за ТБ. Одни нуждаются в криптографической проверке. Другим необходимы контроль доступа и политики удаления.

Это означает, что децентрализованная инфраструктура должна конкурировать не только идеологией. Ей нужно предлагать убедительные показатели производительности, цены, надёжности и качества разработки.

Слои доступности данных — это часть той же истории

В масштабировании блокчейнов доступность данных стала одной из ключевых тем проектирования. Обновление Ethereum proto-danksharding, реализованное через EIP-4844, снизило стоимость публикации данных роллапов, создав выделенный формат blob-транзакций. Модульные блокчейн-проекты также сделали доступность данных базовым слоем, а не деталью реализации.

AI-инфраструктура отличается от инфраструктуры роллапов, но урок по сути тот же: стоимость перемещения и хранения данных может определять всю архитектуру системы.

Для роллапов вопрос звучит так: можно ли сделать данные транзакций достаточно доступными и дешёвыми для верификации?

Для AI вопрос такой: можно ли хранить и извлекать обучающие записи, логи инференса, эмбеддинги и аудиторские следы достаточно эффективно для постоянного улучшения моделей?

В обоих случаях системы дают сбой, когда к данным относятся как к второстепенному фактору.

Сдвиг от количества GPU к полной стоимости жизненного цикла данных

Узкий фокус на использовании GPU может скрыть долгосрочную стоимость внедрения AI. Более зрелый показатель — это не просто «сколько GPU доступно», а насколько эффективно организация управляет каждым этапом жизненного цикла данных.

Для криптокомпаний, создающих AI-продукты, важны следующие метрики:

• Стоимость хранения 1 ПБ данных
• Энергопотребление хранилищ
• Время восстановления после сбоя
• Задержка при обучении и инференсе моделей
• Гарантии целостности данных
• Политики хранения и удаления
• Шифрование и контроль доступа
• Аудитируемость чувствительных финансовых процессов

Например, риск-движок для DeFi не может полагаться только на быстрый инференс. Ему также нужны исторические рыночные данные, записи ликвидаций, обновления оракулов, изменения параметров протоколов и паттерны поведения кошельков. Если доступ к этим данным становится медленным или дорогим, система становится менее полезной даже при мощной модели.

Точно так же биржа или кастодиальная платформа, использующая AI для выявления мошенничества, должна хранить достаточно доказательств, чтобы объяснять срабатывания и пересматривать прошлые решения. Архитектура хранения напрямую влияет на качество расследований и защиту пользователей.

Почему многоуровневое хранение будет важно для AI и Web3

По мере того как AI-наборы данных вырастают с ТБ до ПБ и в конечном счёте до масштаба ЭБ, одна и та же архитектура хранения уже не сможет обслуживать все задачи. Всё больше компаний будут переходить к многоуровневым стратегиям хранения.

Практичный стек данных для AI и крипто может выглядеть так:

• Высокопроизводительное flash-хранилище для активного обучения моделей, генерации признаков и инференса в реальном времени
• HDD-системы большой ёмкости для крупных исторических наборов данных и доступа с низкой частотой
• Объектное хранилище для логов, архивов, артефактов моделей и комплаенс-записей
• Децентрализованное хранение для публичных наборов данных, проверяемых архивов или устойчивых к цензуре ресурсов
• On-chain-commitments для доказательств, хэшей, прав доступа или логики расчётов, а не для сырых данных

Такой многоуровневый подход важен потому, что блокчейны не предназначены для прямого хранения больших AI-наборов данных. Во многих случаях лучший вариант — держать объёмные данные вне цепочки, а on-chain закреплять лишь доказательства целостности или права доступа.

Такая архитектура позволяет сохранить проверяемость, не перегружая каждый узел лишним объёмом данных.

Аспект безопасности: AI-данные — это ещё и поверхность атаки

Чем больше данных хранят AI-системы, тем привлекательнее они становятся для злоумышленников.

Для пользователей крипты это особенно важно, потому что AI-инфраструктура может содержать чувствительную информацию: поведение кошельков, намерения по транзакциям, записи верификации личности, данные о портфелях и алерты безопасности. Если всё это будет скомпрометировано, данные можно использовать для фишинга, социальной инженерии, точечных мошеннических схем или манипуляций рынком.

AI-агенты, которые взаимодействуют с кошельками, создают ещё один риск. Если агент небезопасно хранит запросы, разрешения и историю транзакций, злоумышленники могут понять, как обманом заставить систему подписать вредоносную транзакцию.

Именно здесь принципы self-custody остаются критически важными. AI может помогать в принятии решений, но приватные ключи должны оставаться под контролем пользователя. Аппаратный кошелёк вроде OneKey помогает отделить право подписи от онлайн-AI-инструментов и приложений. Это разделение особенно важно по мере того, как всё больше пользователей экспериментируют с автоматизированными сценариями, DeFi-дашбордами и AI-ассистентами для транзакций.

Проверяемый AI потребует проверяемых данных

Одна из самых важных точек пересечения AI и крипты — это верифицируемость. Пользователи могут захотеть понять, использовала ли AI-модель заявленный датасет, был ли результат инференса сгенерирован конкретной моделью или следовал ли торговый агент заранее определённым правилам.

Здесь могут пригодиться криптографические методы, zero-knowledge proofs, trusted execution environments и децентрализованная идентичность. Но ни один из этих подходов не работает должным образом, если базовые данные плохо управляются.

AI Risk Management Framework NIST делает акцент на управлении, измерении и контроле рисков для AI-систем. В крипте эти вопросы усиливаются необратимыми транзакциями и враждебной рыночной средой. Лучшая архитектура хранения — это не только вопрос стоимости; это вопрос подотчётности.

Будущему DeFi-протоколу на базе AI может понадобиться доказать:

• Какая версия модели сгенерировала рекомендацию
• Какой датасет использовался для обучения или оценки
• Были ли изменены исторические логи
• Соблюдались ли права пользователя
• Соответствовало ли автоматическое действие подписанной политике

Всё это зависит от надёжного хранения данных, проверок целостности и управления доступом.

Что строителям стоит делать уже сейчас

Криптокоманды, интегрирующие AI, не должны считать хранение данных задачей на потом. Решения, принятые на раннем этапе, могут определить, останется ли продукт масштабируемым и заслуживающим доверия.

Практический чек-лист включает:

1. Спланировать полный жизненный цикл AI-данных до масштабирования GPU
   Определите, какие данные создаются во время обучения, инференса, мониторинга и взаимодействия с пользователем.

2. Разделять горячие, тёплые и холодные данные
   Не каждому набору данных нужен высокоскоростной доступ. Используйте производительное хранилище только там, где оно даёт измеримую пользу.

3. Закреплять целостность данных без чрезмерного использования blockspace
   Храните большие данные вне цепочки, но при необходимости проверяемости используйте on-chain-хэши, аттестации или commitments.

4. Проектировать с учётом приватности с самого начала
   Логи запросов, метаданные кошельков и поведенческие данные могут быть чувствительными. По возможности минимизируйте сбор.

5. Защищать право подписи
   AI-системы могут предлагать действия, но приватные ключи не должны попадать к онлайн-агентам или в облачные среды.

6. Отслеживать экономику хранения как продуктовую метрику
   Стоимость хранения набора данных, задержка при извлечении и эффективность восстановления должны мониториться так же, как и использование вычислений.

Заключение: следующий bottleneck в AI — это возможность для крипты

AI-инфраструктура входит в новую фазу. Рынок понимает, что одни только GPU не определяют возможности системы. Хранение данных, их извлечение, энергоэффективность, аудитируемость и управление жизненным циклом становятся ключевыми конкурентными факторами.

Для криптоиндустрии этот сдвиг особенно важен. Блокчейны строятся вокруг проверяемых данных, но AI создаёт огромные массивы контекста вне цепочки, которые нужно умно хранить, защищать и связывать с on-chain-системами. Победят не просто команды с наибольшей вычислительной мощностью. Победят те, кто сумеет управлять данными как долгосрочным активом.

По мере того как AI-агенты, DePIN-хранение, on-chain-аналитика и верифицируемые вычисления будут развиваться дальше, пользователям стоит помнить и о базовом принципе безопасности: автоматизация не должна заменять контроль над ключами. Если AI-инструменты становятся частью вашего криптопроцесса, хранение приватных ключей офлайн с помощью аппаратного кошелька вроде OneKey поможет сохранить границу между интеллектуальной помощью и необратимой авторизацией.