12 июня 2026 года стало днём, который перевернул представление о рисках в секторе крипто-ИИ. По экспортной директиве правительства США Anthropic одномоментно отключила глобальный доступ к своим передовым моделям Fable 5 и Mythos 5. Для обычного enterprise-приложения это означало бы перерыв в обслуживании. Для DeFAI-протоколов — исчезновение «мозга», который интерпретирует рынок, проверяет контракты и выполняет торговые алгоритмы. Архитектура таких агентов разделена: исполнение живёт на блокчейне, а логика — на внешних API централизованных провайдеров. Это и есть «проблема отключённого мозга», где детерминированный ончейн-слой остаётся работоспособным, но принятие решений прекращается полностью.
Риск доступа к модели стал новым независимым классом финансовых угроз. В отличие от уязвимостей смарт-контрактов или цензуры валидаторов, он действует вне блокчейна и отличается непредсказуемостью: модель может быть отозвана, ухудшена или заменена без предупреждения. Как показал июньский инцидент, даже прошедший аудит протокол может столкнуться с каскадными ликвидациями просто из-за того, что модель сменилась, а пороги чувствительности к волатильности изменились незаметно. Поэтому индустрия вынуждена пересматривать операционные стандарты: требовать раскрытия точной версии модели и цепочки резервных замен, внедрять ончейн-ограничения (лимиты на транзакции, белые списки адресов) и создавать «автоматические выключатели», останавливающие операции при ошибках доступа или падении уверенности модели.
Одновременно эти события ускорили поиск альтернатив. Ставка на децентрализованные ИИ-сети выглядит естественным решением, но сталкивается с фундаментальной проблемой: как оценивать качество ответов, когда эталонного ответа не существует? В централизованных бенчмарках работает сравнение с правильным вариантом, а в живой сети открытых запросов его нет. Исследование DGrid AI предложило практический выход. Четвёртая работа из серии Proof of Quality (PoQ) описывает систему обученных «судей», которые выставляют оценку от 0 до 10, не имея эталонного ответа. Три модели — TextCNN (~10M параметров, ~1 мс на запрос), MiniLM (22M, ~13 мс) и DeBERTa (184M, ~15 мс) — тренировались сначала на публичном датасете UltraFeedback, а затем на собственных задачах сети.
Результат: на тестовой выборке DeBERTa достигла корреляции Пирсона 0,747 с прокси-метрикой истинного качества — без единого обращения к эталонному ответу. Это превзошло прежний максимум в 0,647, который давали методы на основе семантического сходства с эталоном. При этом каскадная маршрутизация запросов через лёгкую модель позволила сократить затраты на оценку до 72,7% при агрессивных настройках, а онлайн-калибровка автоматически вывела семантическое качество в главный сигнал с весом, превышающим стартовый в 4,7 раза. Правда, система слаба на задачах суммаризации (корреляция падает до 0,199), и используемая метрика «чистого» пересечения слов остаётся лишь косвенным отражением человеческой оценки — авторы называют это главной открытой проблемой.
Таким образом, июньский шок не отменил крипто-ИИ как концепцию, но резко повысил требования к риск-менеджменту. Протоколы, которые открыто пропишут модель, резервные цепочки и ончейн-предохранители, смогут привлечь осмотрительный капитал. Разработки вроде PoQ от DGrid AI превращают децентрализованный ИИ из лозунга в инженерную реальность, однако полное устранение зависимости от внешнего «мозга» остаётся задачей со звёздочкой — как минимум до тех пор, пока открытые модели не сравняются по качеству с закрытыми, а механизмы оценки не перестанут путать многозначность языка с истиной.
