sejournal.io

ДАО, «бирюза» и Open Source: три элемента одной системы

1779888744109 561903 scaled

Вот перефразированная новость на русском языке:

ДАО, открытый исходный код и «бирюзовое» управление выросли из одного желания — научиться эффективно работать без жесткой иерархии и начальников. Однако каждая из этих моделей по отдельности неизбежно сталкивается с кризисом. Исследователь Web3 Владимир Менаскоп считает, что эти три подхода могут быть успешными только вместе.

От автора
Недавно на «Хабре» вышла статья о том, что проекты с открытым исходным кодом часто держатся на одном-двух энтузиастах, которые работают практически бесплатно или за символическую плату.

Прочитав её, я вспомнил свой многолетний опыт в ДАО. В 2025 году я участвовал уже в 100 таких организациях, но в 2026 стало ясно, что до следующей отметки в 1000 я могу не дойти.

Почему? Потому что главная аналитическая платформа DeepDAO закрылась, а многие ДАО либо свернулись, либо отказались от своих основных принципов.

С другой стороны, есть те, кто понял, в чём проблема, и решился на глубокую перестройку. Как ни странно, это оказались лидеры рынка, которые в других сферах были консервативны: Ethereum, Uniswap, Aave.

Оглядываясь на 21 год в IT, я понял, что все три элемента самоорганизации — ДАО как форма, «бирюза» как методология и Open Source как инструмент — образуют единое целое.

ДАО
Что такое ДАО? Дословно: децентрализованная автономная организация. Но в этом определении скрыт парадокс.

* Децентрализованная — система без единого центра управления, где полномочия распределены между участниками.
* Автономная — независимая, действующая без внешнего контроля.
* Организация — группа людей, работающих вместе для достижения общих целей.

На первый взгляд, эти понятия плохо сочетаются. Децентрализация тянет в сторону отсутствия центра, автономия усиливает независимость, а организация подразумевает наличие общего центра в виде целей и задач.

Именно поэтому не существует «просто ДАО» в абстрактном виде. ООО, АО или кооперативы имеют чёткую форму, а ДАО в таком виде существовать не может.

Можно возразить, что есть платформы вроде Aragon или xDAO, которые упрощают создание ДАО. Но они дают лишь инструменты. Они могут собрать «тело», но оно останется мёртвым — формально живым, но не единым организмом. Таких «монстров Франкенштейна» сегодня большинство.

Мой опыт участия в ДАО подсказывал, что это неправильно: мы подменили содержание формой. Поэтому уже 10 лет я создаю микро-ДАО, которые не нацелены на успех, а передают принципы ДАО от человека к человеку. Это работает, хотя и медленно. И здесь нужен второй элемент — «бирюзовое» управление.

«Бирюза»
Книга Фредерика Лалу «Открывая организации будущего» появилась у меня задолго до статей о ДАО. Децентрализация существовала и до блокчейна. В нашей маленькой IT-компании из пяти человек мы изначально следовали этому подходу, а Лалу помог формализовать наш опыт.

С тех пор я участвовал в разных «бирюзовых» сообществах, изучал опыт компаний, писал статьи и занимался просвещением.

Лет семь назад я стал администратором Telegram-канала о «бирюзовом» управлении. Люди там говорили о ДАО, не используя это слово, работали в ДАО, не зная о них, и делали многое, что по сути сводилось к ДАО.

Я попробовал соединить два мира, организовав встречи участников, обсуждающих «бирюзу», и тех, кто строит ДАО. Но ничего не вышло: это оказались две похожие, но параллельные вселенные.

Тогда я понял: каждый из элементов (ДАО и «бирюза») требует огромной внутренней перестройки. Как работать без начальника? Как без внешнего контроля? Как существовать только в сетевых структурах? На это уходит много ресурсов, поэтому каждая группа не могла переключиться на ещё один сложный процесс.

Но такой союз всё равно был бы неполным без третьего элемента.

Open Source
Думаю, читателям не нужно объяснять, что такое открытое программное обеспечение. Важно, что почти все ДАО используют его по умолчанию.

Здесь рождается синтез науки, искусства и магии:

1. ДАО помогает организовать бизнес в экономике деяния (или «криптофшоре»), созданной с помощью инструментов Web 3.0 и Web3.
2. Прибыль от этого бизнеса (комиссии сети или доход от ликвидаций) может распределяться в виде грантов между командами.
3. Чтобы процесс получения прибыли рос количественно и качественно, нужно применять «бирюзовые» методы управления (развитие Aave за последние полтора-два года — тому пример).

Но когда Open Source оторван от этой триады, он не живёт, а выживает: приходится надеяться на донаты от тех, кому проще сделать форк, чем поддержать деньгами.

Секрет Полишинеля
Возможно, это «открытие» кажется очевидным. Но это не так.

Все эти элементы развиты: у каждого есть теория, сторонники и практика. Но по отдельности. Вместе они работают только в исключительных случаях, когда находятся энтузиасты, разбирающиеся в каждой из сфер. Это похоже на утверждение «1 BTC = 1 BTC»: вроде бы всем понятно, но на самом деле нет.

Поэтому у таких проектов есть будущее: неопределённое, но всё же будущее.

Тем более что каждый из трёх элементов сейчас переживает кризис:

* ДАО — из-за очередной криптозимы;
* «бирюза» — из-за кризиса управленческих идей;
* Open Source — из-за нехватки финансирования.

В такие времена важно сосредоточиться не на сиюминутных проблемах, а на фундаментальных вещах. Возможно, это приведёт нас к очередной трилемме, где нужно выбрать два из трёх компонентов для эволюции. А возможно, есть четвёртый или пятый элемент, который дополнит этот набор.

Если вы пришли в криптосферу не за хайпом, а за чем-то большим, такой подход вам точно пригодится.

Открытый ИИ: как запустить нейросети локально и бесплатно

1779441322805 619810 scaled

Вот перефразированная новость на русском языке:

В сфере искусственного интеллекта набирает популярность направление, где децентрализация и открытый исходный код позволяют отказаться от коммерческих решений. Локальные большие языковые модели (LLM) обеспечивают приватную работу с данными, гибкую настройку и полный контроль над средой. Однако для их запуска нужно разобраться с базовыми инструментами: репозиториями, весами моделей, облачными платформами и техническими характеристиками.

В новой статье ForkLog рассказывает, как бесплатно начать работу с автономными ИИ-моделями, какие ресурсы подойдут новичкам и что предлагают разработчики решений с открытым исходным кодом.

Первое знакомство

Для разработчиков открытых ИИ-моделей есть две главные площадки: GitHub (для кода, документации и скриптов) и Hugging Face (для весов моделей, датасетов и готовых ML-решений). На Hugging Face размещены сотни тысяч обученных нейросетей — от крошечных языковых моделей для смартфонов до специализированных алгоритмов для ученых.

Выбрать подходящую модель помогают метрики активности сообщества: на GitHub это количество звезд, частота обновлений и скорость решения проблем.

Важно проверять происхождение репозитория: популярные открытые сборки часто используются мошенниками для распространения вредоносного кода под видом ИИ-инструментов.

Следующий шаг — тестирование моделей. Для пользователей без мощного оборудования есть бесплатные облачные платформы. Самая популярная — Google Colab, которая дает доступ к GPU (например, Nvidia Tesla T4) на 2–4 часа в день. Альтернативы: Kaggle Notebooks и Hugging Face Spaces с готовыми веб-интерфейсами (Gradio, Streamlit).

Также важен юридический аспект. Многие проекты используют лицензии MIT или Apache 2.0, разрешающие коммерческое использование. Но есть и исключения: например, Meta распространяет свои модели под лицензией Llama 3.1 Community License, требующей разрешения при аудитории более 700 млн пользователей. Встречаются и строгие копилефт-лицензии, например GNU GPL, обязывающие открывать код производных продуктов.

Мой личный аналог ChatGPT

Среди множества автономных LLM общего назначения (аналогов ChatGPT или Gemini) выбрать подходящую помогают независимые рейтинги, такие как Open LLM Leaderboard и Chatbot Arena.

Золотым стандартом считаются модели семейства Llama от Meta и Qwen от Alibaba. Они хорошо работают с длинным контекстом, многошаговыми запросами и подходят для программирования. Благодаря фреймворку Ollama их установка выполняется одной командой.

В ходе теста модель qwen3.5:2b удалось запустить на ноутбуке без дискретной видеокарты (Core i7, 8 ГБ RAM, SSD), предварительно закрыв тяжелые приложения.

«2b» означает 2 миллиарда параметров. Чем их больше, тем сложнее связи может улавливать нейросеть. Например, модель с 2 млрд параметров выучит базовую грамматику, а с 122 млрд — сможет работать с квантовой физикой и юридическими документами.

Каждый параметр занимает место на диске и в оперативной памяти. Модель 2b использовала около 4–5 ГБ RAM и оказалась максимальной для такого ноутбука, при этом ответ на простой запрос «привет!» генерировался почти три минуты.

Примерная градация моделей:
— 0.5b–2b: быстрые, работают на старых ноутбуках и смартфонах, подходят для простых задач (маршрутизация, саммари, автодополнение), но склонны к галлюцинациям.
— 3b–4b: баланс скорости и качества, хороши для мобильных устройств и умного дома.
— 7b–9b: требуют 6–8 ГБ свободной RAM, подходят для программирования и работы с большими текстами.

Для MacBook Air с 16 ГБ RAM подойдут модели qwen2.5-coder:7b, qwen3:8b, llama3.2:3b, deepseek-r1:8b. Более мощные модели требуют дорогого ПК или аренды серверов.

Приватная обработка данных, 3D-печать и защита пользователя

Способы работы с открытыми ИИ-моделями зависят от уровня подготовки и оборудования. Есть удобные инсталляторы (EXE) и мобильные приложения, а есть заброшенные репозитории, где установка превращается в борьбу с устаревшими библиотеками.

Прикладные модели используются не только для генерации текста. Вот несколько примеров:

Видео и 3D:
— CogVideoX: генерация видео по тексту, требует достаточного объема видеопамяти.
— DepthCrafter: извлечение глубины резкости из видео для VFX и 3D-моделирования.
— TRELLIS (Morfx 3D): создание 3D-моделей из изображений или текста.

Звук и распознавание:
— CosyVoice: синтез речи с клонированием голоса.
— Whisper-WebGPU: распознавание речи в браузере без передачи данных на сервер.
— BirdNET-Analyzer: определение видов птиц по пению, работающее локально.

Программирование и защита:
— Screenshot-to-Code: перевод скриншота в HTML/Tailwind/React-код.
— MinerU/Magic-PDF: извлечение данных из PDF в Markdown.
— Fawkes: внесение незаметных изменений в изображения для защиты от распознавания лиц.
— Nightshade: «отравление» пикселей для запутывания алгоритмов обучения ИИ.

Борьба с библиотеками и первый успех

После установки моделей с понятным интерфейсом нужно было проверить, как развернуть тяжелый репозиторий в облаке бесплатно. Для теста выбрали FLUX.1 Schnell от Black Forest Labs — конкурента Midjourney.

При установке через cagliostro-forge-colab возникла проблема с несоответствием версий Python, облачной среды и модели. За четыре часа с помощью бесплатной Gemini 3 Flash успеха не добились. Пришлось отказаться от фреймворка и развернуть FLUX.1 напрямую в другую бесплатную сессию.

Google Colab удобнее использовать на выходных, когда доступ дольше. Модель заняла 34 ГБ на облачном SSD, но все процессы использовали около 86 ГБ.

На первом этапе FLUX.1 Schnell не хватило видеопамяти Nvidia Tesla T4. После доработок кода с помощью Gemini 3 Flash (поэтапная загрузка и очистка памяти) удалось снизить использование GPU до 3 ГБ из 16 доступных.

Создание одного изображения занимало около семи минут. Результат приятно удивил.

При попытке сгенерировать образ Мэрилина Мэнсона в викторианском стиле модель не распознала отсылку к конкретной персоне и выдала обобщенный шаблон.

Сложные и невероятные

Открытые нейросети используются и для необычных задач. Например, GameNGen воссоздает игровой процесс DOOM в реальном времени, предсказывая каждый следующий кадр.

Проект Voyager — ИИ-агент для Minecraft, который самостоятельно исследует мир, добывает ресурсы и самообучается.

Научное сообщество тоже адаптирует открытый ИИ. Модель Akkademia переводит древнюю аккадскую клинопись на английский, ускоряя работу археологов. А MinD-Vis анализирует данные фМРТ и реконструирует изображения, которые видит испытуемый.

Эти проекты показывают, что ИИ стал универсальным инструментом познания. Переход от закрытых API к открытому коду формирует новую парадиг