Оригинальный отчет: Morgan Stanley Research «Weighing In: Open-Weights Models & 3 States of the World», 3 августа 2026 г. Перевод и подготовка: DaiDai, Frank, исследовательский институт MSX MaiTong Краткий обзор Модели с открытыми весами снижают стоимость одного вызова и порог развертывания, но не обязательно уменьшают общие требования к вычислительной мощности. По мере того как ИИ проникает в большее число предприятий, рабочих процессов и устройств, рост количества вызовов может превысить улучшение эффективности, вызывая классический «парадокс Джевонса»; Компании уже вошли в эпоху мульти-моделей: модели с открытыми весами в основном используются для программирования, обработки документов, частых вызовов и специализированных задач, тогда как сложные рассуждения и нагрузки агентов по-прежнему больше зависят от передовых закрытых моделей; Открытые веса не означают бесплатность: компании могут сэкономить на лицензиях моделей или части API-расходов, но все равно несут затраты на GPU, облачные сервисы, локальные дата-центры, дообучение, специалистов, безопасность и эксплуатацию; Независимо от того, доминируют ли закрытые, гибридные или открытые модели, NVIDIA, локальное электроснабжение и программное обеспечение безопасности остаются очевидными бенефициарами в разных сценариях; Чем шире распространение моделей с открытыми весами, тем больше ценность ИИ будет распространяться от базовых моделей к слоям вывода, маршрутизации, оркестрации, наблюдаемости, локальной инфраструктуры, периферийных устройств и вертикальных приложений; Периодически рынок ИИ переживает «панические настроения по поводу эффективности». Когда параметры моделей уменьшаются, стоимость вывода снижается, или компания достигает близких к передовым показателей с меньшим числом чипов, возникает интуитивное предположение: если для выполнения той же задачи требуется меньше вычислительных ресурсов, не достигнут ли пик спроса на GPU, дата-центры и электроэнергию? Появление новых моделей с открытыми весами, таких как Kimi K3, DeepSeek V4 Flash, вновь поднимает этот вопрос. Они не только пытаются сократить разрыв с передовыми закрытыми моделями, но и позволяют компаниям загружать, модифицировать и самостоятельно разворачивать модели, расширяя возможности, ранее сосредоточенные в нескольких американских лабораториях, на более широкий круг разработчиков и корпоративных технологий. Однако ответ Morgan Stanley в последнем отчете прямо противоположен этой интуиции: Повышение эффективности моделей не обязательно убьет спрос на вычислительные мощности, скорее, оно сделает ИИ достаточно дешевым, чтобы проникнуть в сценарии, где ранее его использование было невыгодным, и в итоге увеличит общий объем вызовов. На этом основании необходимо переосмыслить, где именно будут происходить вычисления, кто их будет предоставлять и какие компании смогут извлечь доход из этого расширения. 1. Почему более дешевые модели могут потреблять больше вычислительной мощности? Самое распространенное заблуждение об открытых весах — приравнивание «снижения стоимости модели» к «снижению инфраструктурных требований». Для большинства компаний решение использовать ИИ зависит не только от того, сколько вычислительной мощности требуется для одной задачи, но и от того, покрывает ли доход от ИИ затраты на модель, инженерные работы и инфраструктуру. По оценкам Morgan Stanley, средний доход от одной задачи ИИ в компании составляет около 55 долларов, а прямые затраты — 2–5 долларов. Даже с учетом затрат на данные, инженерию, безопасность и управление, соотношение дохода и затрат говорит о том, что многие корпоративные рабочие процессы еще не автоматизированы с помощью ИИ. В таких условиях снижение цены модели может привести не к сокращению расходов на ИИ, а к тому, что больше задач станет экономически целесообразно автоматизировать. Раньше компании могли использовать ИИ только для самых важных и ценных задач; с дальнейшим снижением стоимости вывода, классификация записей службы поддержки, проверка контрактов, тестирование кода, описание товаров, корпоративный поиск, маркетинговые материалы, очистка данных и даже внутренние согласования могут быть включены в рабочие процессы с ИИ. Хотя вычислительные ресурсы на задачу могут уменьшиться, количество задач, частота их выполнения и масштаб пользователей будут расти. Это и есть «парадокс Джевонса», когда повышение эффективности и снижение единичной стоимости ресурса ведут к увеличению общего потребления из-за расширения применения. Например, более экономичные автомобили не привели к исчезновению мирового спроса на нефть; более дешёвый интернет не уменьшил объемы передачи данных. Аналогично, более эффективные модели не обязательно снижают использование GPU, а скорее делают ИИ повсеместной базовой возможностью в компаниях. Это расширение уже началось. Согласно исследованию McKinsey, 63% опрошенных компаний уже используют открытые модели в своих технологических стеках, но большинство не отказались от закрытых моделей, а комбинируют их: открытые модели применяются для программирования, анализа документов, частых вызовов и специализированных задач, а передовые закрытые модели — для сложных рассуждений, задач с высокими требованиями к надежности и трудно стандартизируемых процессов. С февраля по июль 2026 года доля токенов, маршрутизируемых американскими компаниями через OpenRouter к китайским открытым моделям, превышала 30%. Эти данные скорее отражают активность разработчиков и стартапов, чем крупного бизнеса, но показывают, что открытые модели вышли из лабораторных концепций в реальные вызовы и развертывания. Конечно, открытые модели не равны «бесплатным». При самостоятельном хостинге компании могут не платить провайдеру модели за API по токенам, но должны приобретать или арендовать GPU, нести расходы на дата-центры, облачные сервисы, дообучение, инженерные команды, безопасность и эксплуатацию. Это значит, что при использовании открытых моделей через API провайдеров или облачных платформ компании все равно могут платить за токены или вычислительные ресурсы. Таким образом, открытые веса меняют не факт наличия вычислительных затрат, а способ их оплаты и распределение ценности между провайдерами моделей, облачными платформами и собственной инфраструктурой компаний. Исследование MIT, цитируемое Morgan Stanley, оценивает, что переход от закрытых к открытым моделям может снизить среднюю цену примерно на 70%, сэкономив потребителям около 25 млрд долларов в год. Однако отчет отмечает, что исследование было проведено ранее, модели не полностью сопоставимы по возможностям, и не все скрытые затраты (инженерия, дообучение, эксплуатация) учтены. Другое исследование Carnegie Mellon показывает, что срок окупаемости самостоятельного развертывания открытых моделей варьируется от 3 месяцев до 6 лет: модели с меньшим числом параметров, фиксированными задачами и высокой частотой вызовов быстрее окупают оборудование; крупные модели и сложные корпоративные приложения из-за низкой загрузки, частых обновлений и высоких затрат на дообучение долго не доказывают экономичность самостоятельного хостинга по сравнению с API. Экономика открытых моделей не имеет единого ответа. Она зависит от размера модели, частоты использования, загрузки инфраструктуры, инженерных возможностей компании и необходимости локального хранения данных. Чем более открыта модель, тем больше у компании выбора, но и больше технической ответственности. 2. Где будет происходить вычислительная мощность в следующем этапе? Если будущее ИИ будет доминировать за счет нескольких закрытых моделей, обучение и вывод останутся сосредоточены в крупных облачных платформах и гипермасштабных дата-центрах. Если же открытые модели получат широкое распространение, вычислительные мощности не исчезнут, а распределятся от центральных узлов к частным облакам, корпоративным дата-центрам, суверенным дата-центрам, периферийным серверам и персональным устройствам. Это меняет фокус с вопроса «сколько GPU нужно» на «где они развернуты, кто их управляет и как вызываются». В эпоху закрытых моделей компании могли делегировать большую часть сложности провайдерам моделей: подключиться к API, платить за токены, а провайдер отвечал за обновления, инфраструктуру, безопасность и часть юридической ответственности. В эпоху мульти-моделей эта простая структура разрушается. Компании могут поручать сложные задачи передовым закрытым моделям, а частые и чувствительные к стоимости задачи — открытым моделям; чувствительные данные остаются локально, обычные нагрузки работают в публичном облаке; часть запросов обрабатывается в дата-центрах, часть — на компьютерах, телефонах или других периферийных устройствах. Чем больше моделей и чем более распределены их развертывания, тем сложнее становится корпоративный ИИ-стек: - Слой шлюза: нужен единый вход для управления аутентификацией, правами вызова, ограничением скорости, логированием и переключением поставщиков; - Слой маршрутизации: система должна распределять запросы по моделям с учетом точности, задержки, стоимости, чувствительности данных и сложности задачи; - Слой оркестрации: сложные рабочие процессы агентов требуют координации нескольких моделей, баз данных и внешних инструментов, один запрос может разбиваться на десятки шагов и вызовов; - Слой наблюдаемости и оценки: компании должны постоянно отслеживать качество вывода, задержки, использование токенов, затраты, причины сбоев и риски безопасности. Поэтому распространение моделей с открытыми весами выгодно не только производителям моделей. Когда базовые модели становятся более доступными, компании готовы платить за «стабильное внедрение моделей в производство». Шлюзы моделей, маршрутизация задач, оркестрация агентов, управление данными, наблюдаемость и безопасность могут стать наиболее устойчивыми к сжатию звеньями цепочки создания стоимости. Особенно важна безопасность. В закрытых моделях часть ответственности за безопасность лежит на лабораториях и облачных платформах; с переходом к открытым моделям, развернутым локально, в частных облаках и на периферии, необходимо защищать идентичность, данные, конечные точки, веса моделей и среду выполнения. Компании должны предотвращать отправку чувствительных данных неправильным моделям, управлять доступом моделей к базам данных и инструментам, а также защищаться от атак типа инъекций подсказок, дистилляции моделей, подмены весов и злоупотребления правами. Чем более распределены развертывания, тем шире поверхность атаки; чем больше моделей, тем выше затраты на управление. Таким образом, открытые модели не уничтожают ценность ИИ-инфраструктуры, а расширяют ее от базовых моделей и API к целому стеку систем. Будущие расходы на ИИ будут не только у крупных технологических гигантов на супервычислительные кластеры, но и у компаний на покупку серверов, обновление сетей и хранилищ, развертывание систем безопасности, создание частных ИИ-платформ и усиление вычислительной мощности на устройствах. Распределение вычислительной мощности не означает снижение общего объема, а лишь расширение круга бенефициаров за пределы лабораторий моделей и крупных облачных провайдеров. 3. Три мира ИИ: кто бы ни победил, нельзя обойтись без вычислительной мощности, электроэнергии и безопасности Morgan Stanley не присваивает явных вероятностей трем сценариям, а моделирует распределение ценности в цепочке создания стоимости ИИ при доминировании закрытых моделей, сосуществовании гибридной архитектуры и победе открытых моделей. Первый мир: закрытые модели сохраняют лидерство В этом сценарии производительность, надежность и безопасность передовых моделей остаются уникальными, и несколько финансово мощных лабораторий сохраняют преимущество. Компании ценят точность, удобство развертывания, защиту интеллектуальной собственности и доверие к бренду, а не полный контроль над весами моделей, поэтому продолжают платить за закрытые API и корпоративные подписки. Обучение и вывод концентрируются на платформах гипермасштаберов AWS, Google Cloud и др., супервычислительные кластеры поддерживают спрос на GPU, высокоскоростные сети, оптическую связь и специализированные ASIC. Google, Amazon и другие платформы с облачной инфраструктурой и модельными возможностями находятся в выгодном положении, а производители чипов и сетевого оборудования, такие как Broadcom, Arista Networks, Lumentum, Coherent, также могут получить выгоду. По оценкам, если Google сможет запустить Gemini API на собственной инфраструктуре, ожидаемая рентабельность инвестиций может достигать около 45%; даже без абсолютного лидерства в моделях, как инфраструктурный провайдер, доходность может быть около 30%. Это показывает, что в закрытом мире ключевым активом является не только сама модель, но и владение вычислительными ресурсами: кто контролирует чипы, дата-центры и клиентские точки доступа, тот лучше удерживает прибыль от вызовов моделей. Второй мир: долгосрочное сосуществование открытых и закрытых моделей Это наиболее близкий к реальному корпоративному использованию сценарий. Закрытые передовые модели отвечают за сложные рассуждения, длинные рабочие процессы агентов и задачи с высокими требованиями к надежности, а открытые и малые модели — за частые, чувствительные к стоимости, с низкой задержкой или специализированные задачи. Компании не выбирают одну модель, а переключаются и маршрутизируют запросы в зависимости от задачи, что означает развертывание ИИ в публичных и частных облаках, локальной инфраструктуре и на периферии. В этом сценарии ни один производитель модели не получает монопольной ценовой власти, но весь рынок ИИ-программного обеспечения и инфраструктуры получает широкий спрос. - Microsoft, Amazon и Google продолжают выигрывать от облачных нагрузок; - Datadog, Palantir, Appian и другие поставщики инфраструктуры и рабочих процессов могут получить выгоду от потребности в оркестрации моделей, подключении данных и наблюдаемости; - Palo Alto Networks, CrowdStrike, Fortinet, Zscaler, Netskope, Okta и другие компании безопасности выигрывают от расширения поверхности атак и границ идентичности; В то же время Cisco, F5 и другие производители сетевого оборудования, а также Dell, HPE, NetApp и другие поставщики корпоративной инфраструктуры могут получить дополнительный спрос от локальных и гибридных развертываний. Главный инвестиционный вывод гибридной архитектуры — расходы на ИИ не сосредоточены только в тренировочных кластерах, а распространяются по корпоративному стеку, и чем сильнее конкуренция на уровне моделей, тем больше компаниям нужны нейтральные программные и инфраструктурные решения для переключения между моделями и средами. Третий мир: открытые модели становятся доминирующими В этом сценарии открытые модели постепенно приближаются к передовым закрытым, базовые модели становятся широко доступными, а цены на API значительно снижаются. Компании не готовы переплачивать за универсальные возможности моделей, а используют приватные данные для дообучения, вкладывая основной бюджет в оптимизацию вывода, агентов, отраслевые инструменты и развертывание приложений. Фокус инноваций смещается с предобучения на постобучение и прикладной уровень, инфраструктура ИИ становится более распределенной. Правительства и крупные компании могут по соображениям суверенитета данных, конфиденциальности, задержек и избежания зависимости от поставщиков размещать больше моделей в суверенных облаках, частных дата-центрах и локальных средах. - Microsoft может укрепить позиции благодаря Azure, GitHub, корпоративному ПО и экосистеме открытых моделей; - MiniMax, Z.ai (智谱), а также Alibaba, Tencent и другие поставщики открытых моделей повышают стратегическую ценность; - Dell, HPE, NetApp и другие поставщики локальной инфраструктуры, HP, Apple и производители периферийных устройств, а также системные интеграторы и IT-дистрибьюторы получают заметный спрос; Однако открытый мир не означает потерю ценности облаков. Большинство компаний не будут полностью строить собственную инфраструктуру, открытые модели могут работать на Azure, AWS или Google Cloud, а роль гипермасштаберов трансформируется из единственного входа в модели в провайдеров хостинга открытых моделей, вычислительных ресурсов, данных и корпоративных ИИ-платформ. Таким образом, облачные провайдеры сталкиваются не с простой победой или поражением, а с изменением структуры доходов: аренда базовых моделей может снизиться, но доходы от вычислений, хранения, баз данных, безопасности и корпоративных сервисов могут расти. Общие победители в трех сценариях В матрице активов Morgan Stanley наиболее заметны не уникальные компании каждого сценария, а те, что повторяются во всех трех. Во-первых, NVIDIA. Победа закрытых моделей означает концентрацию вычислительных мощностей в гипермасштабных тренировочных и выводных кластерах; победа открытых моделей — распространение узлов вывода в предприятия, локальные и периферийные среды. Хотя формы чипов, структура клиентов и размер кластеров могут различаться, во всех случаях требуется постоянное увеличение вычислительной мощности. В конечном счете, открытые модели снижают порог использования, но не отменяют вычислительный процесс. Во-вторых, электроэнергия. Закрытый мир требует стабильного электроснабжения в гигаваттном масштабе для суперцентров обработки данных, открытый мир увеличит потребности в электроснабжении корпоративных дата-центров, суверенных облаков и локальных вычислительных узлов. Повышение эффективности моделей может снизить энергопотребление на задачу, но увеличит количество задач и устройств с постоянно работающим ИИ. Bloom Energy, Williams, Liberty Energy и другие компании в сфере локального электроснабжения, газа и энергетической инфраструктуры регулярно упоминаются в отчете как бенефициары. В-третьих, программное обеспечение безопасности. Независимо от использования закрытых или открытых моделей, компании нуждаются в защите идентичности, данных и приложений; с расширением развертываний от облаков к локальным и периферийным средам требования к безопасности усложняются. С этой точки зрения, программное обеспечение безопасности может стать недооцененным вторичным бенефициаром распространения моделей с открытыми весами. Заключение В целом, модели с открытыми весами, вероятно, не убьют спрос на вычислительные мощности, а скорее разрушат представление о том, что базовые модели могут долго поддерживать высокие арендные ставки. По мере распространения возможностей моделей компании перестанут платить только за «получение интеллекта», а будут вкладывать больше в развертывание интеллекта, подключение данных, управление рабочими процессами, защиту систем и обеспечение постоянной отдачи от моделей в реальном бизнесе. Вычислительные мощности не перейдут от роста к упадку — они распространятся от нескольких супервычислительных кластеров к большему числу узлов вывода, корпоративных дата-центров, суверенных облаков и периферийных устройств; от разовых соревнований по обучению моделей к долгосрочным инвестициям в инфраструктуру, охватывающую каждый рабочий процесс компании. Таким образом, главное изменение, которое принесут модели с открытыми весами, — это не конец цикла капитальных затрат на ИИ, а переход к новому этапу с большим числом участников, более распределенными развертываниями и более длинной цепочкой создания стоимости.

PANews 11 августа сообщает, что согласно CoinDesk, генеральный директор Strategy Фонг Ле заявил, что компания скорректировала стратегию и в настоящее время держит 4,75 млрд долларов наличными, что покрывает примерно 2,7 года дивидендов по привилегированным акциям. Ле отметил, что изначально он думал, что инвесторы будут высоко ценить биткойн из-за его ликвидности и долгосрочного роста стоимости, но институциональные инвесторы больше ценят наличные, поэтому компания изменила стратегию. Ле позиционирует Strategy как финансовую платформу, построенную вокруг биткойна, а не просто как левериджированный биткойн-агент, с целью стать «JPMorgan в цифровых финансах» и представляет экосистему, подобную iPhone от Apple — другие компании смогут разрабатывать финансовые продукты на базе продуктов Strategy. Ле заявил, что DeFi может расширить эту экосистему и в конечном итоге привлечь больше капитала в биткойн. В настоящее время компания владеет около 840 000 BTC (примерно 4% от конечного предложения), и Ле сказал: «Мы сейчас являемся индикатором и центральным банком биткойна».

PANews 11 августа сообщает, что по данным CoinDesk, во втором квартале из-за падения цен на криптовалюту стоимость цифровых активов медиагруппы Трампа значительно сократилась, за первое полугодие зафиксирован убыток в размере 360,6 млн долларов. Согласно квартальному отчету, поданному в понедельник, по состоянию на 30 июня компания владела 9 477,16 биткоинами с справедливой стоимостью 557,1 млн долларов, тогда как на конец марта было 9 542,16 биткоинов, чистое сокращение позиций во втором квартале составило 65 монет. Количество токенов Cronos, принадлежащих компании, осталось неизменным — около 756,1 млн, но их справедливая стоимость снизилась с 68 млн долларов в конце 2025 года до 40,6 млн долларов. Большая часть биткоинов компании заложена в качестве обеспечения. По состоянию на 30 июня 4 260,73 BTC были заложены под конвертируемые облигации, а еще 2 077,34 BTC — под стратегии опционов на биткоин. За несколько дней до публикации финансового отчета медиагруппа Трампа в пятницу объявила о прекращении планируемого слияния с Crypto.com и Yorkville Acquisition.

Автор: Marc Arjoon & Jake Koch-Gallup, Blockworks Перевод: ShenChao TechFlow Введение ShenChao: On-chain гача пережила первое месячное снижение с февраля, объем торгов в июле упал с 354,8 млн долларов в июне до 290,3 млн долларов. В то же время объем торгов на платформах Memecoin, таких как Pump.fun, растет. Это указывает на возможное перераспределение спекулятивных средств в крипто — когда рынок Memecoin оживает, часть игроков гача уходит. Примечательно, что Courtyard с наименее криптоориентированной пользовательской базой установил исторический максимум, что свидетельствует о сохраняющемся реальном спросе на коллекционные предметы. Рынок тихий, но не хватает последнего толчка! Волатильность рынка и корреляция активов продолжают снижаться, рынок становится спокойнее. Это оставляет последнюю недостающую часть пазла для начала нового бычьего цикла. В то же время on-chain гача впервые с февраля показала месячное снижение, что намекает на возможный отток части спекулятивных средств в Memecoin. Ниже — подробный анализ. Рыночные тенденции За последние 24 часа сектор криптоакций 2025 года лидировал, поднявшись на 2,6%, став единственным заметно растущим сектором. Рост сосредоточен в Galaxy (+3,6%) и Circle (+3,1%), обе компании недавно опубликовали финансовые отчеты за второй квартал. Circle выиграла от низких ожиданий после того, как Morgan Stanley снизил целевую цену на 64% до 38 долларов. Однако диапазон роста был узким. Bullish (-1,5%) и Gemini (-0,6%) закрылись в минусе, более широкий индекс криптоакций упал на 1,1%. Это указывает, что рост был вызван реакцией на конкретные отчеты компаний, а не переоценкой всего сектора. За исключением этого сектора, рынок демонстрировал негативную динамику. На фоне консолидации фондового рынка ниже рекордных максимумов на этой неделе BTC упал на 0,4%, что совпало с падением золота (-0,4%) и S&P 500 (-0,3%). Устойчивость BTC к коррекции фондового рынка снова не переросла в участие в росте. Относительная сила проявилась внутри криптоисторий. BTC возглавил цифровые активы, в то время как активы с длинным хвостом продавались, лидерами падения стали Meme (-5,0%), экосистема Solana (-3,4%) и AI (-2,7%). Как упоминалось в статье вчера, мы знаем, что потоки средств в крипто ETF остаются слабыми. Потоки средств в ETF BTC и ETH становятся все более синхронизированными. Их 60-дневная скользящая корреляция выросла до +0,67, близко к верхней границе диапазона. Спрос на ETF ведет себя скорее как единая криптоалокация, что неудивительно, поскольку это часто происходит на падающем рынке. К счастью, общая корреляция с марта 2026 года находится в нисходящем тренде. Это приводит к снижению общей связности рынка и более дифференцированной торговой среде. Аналогично, волатильность рынка снизилась с более 60 в марте до около 30 в августе. Снижение указывает на переход рынка в более спокойное состояние, показатели теперь комфортно ниже порога риска. С понижением волатильности и корреляции единственным оставшимся фактором для начала нового бычьего цикла является устойчивый рост цены BTC. Остывание гача On-chain гача — один из самых горячих секторов крипто в 2026 году, но июль ознаменовал первое месячное снижение с февраля. Общий объем потребления on-chain гача в июле составил 290,3 млн долларов, что является вторым по величине месячным показателем за всю историю, уступая только рекорду июня в 354,8 млн долларов. В пятый месяц подряд Collector Crypt остается крупнейшей платформой гача, генерируя 154,9 млн долларов, что составляет 53% от общего объема июля. Однако месячный объем потребления Collector Crypt снизился на 26% по сравнению с июнем (209,5 млн долларов). Courtyard установил лучший месячный рекорд в июле, достигнув исторического максимума в 85,3 млн долларов, что на 7% больше по сравнению с предыдущим месяцем. Выступление Courtyard особенно примечательно, поскольку у него, вероятно, самая наименее криптоориентированная пользовательская база среди основных платформ. Его устойчивый рост указывает, что on-chain гача — это категория продуктов, которая находит отклик и за пределами существующей on-chain аудитории. Courtyard занимает 29% от потребления гача в июле. В рейтинге платформ произошли изменения: Monster обогнал Phygitals и Beezie, став третьей по величине платформой гача в июле. Monster сгенерировал 14,3 млн долларов объема торгов, что на 15% больше по сравнению с предыдущим месяцем, и выпустил ряд обновлений для улучшения пользовательского опыта: Lucky Boost — получение обычной карты в пакете увеличивает ожидаемое значение следующего пакета на 0,1% Dupe Shield — при выпадении одинаковой карты в последовательных пакетах пользователь получает бесплатный пакет Эти обновления были запущены 17 и 23 июля соответственно. С момента запуска Lucky Boost до конца месяца Monster сгенерировал 9,7 млн долларов, что составляет 68% от общего объема за июль. Phygitals (13,4 млн долларов, снижение на 34%) и Beezie (12,9 млн долларов, снижение на 30%) несмотря на важные обновления продуктов, испытали спад. Phygitals выпустил мобильное приложение в конце месяца, а Beezie расширился на Solana 23 июля. В целом пять крупнейших платформ гача (Collector Crypt, Courtyard, Monster, Phygitals и Beezie) составляют 97% потребления on-chain гача в июле. Если смотреть шире, объем торгов на вторичном рынке коллекционных карт практически сохранился на историческом максимуме — 694,7 млн долларов в июле против 695,6 млн долларов в июне. Ослабление спроса на коллекционные карты не является причиной снижения on-chain гача в июле. Возможно, месячное снижение не несет большого смысла для интерпретации. Потребление on-chain гача в первой половине 2026 года росло с ошеломляющей скоростью, и некоторый откат был неизбежен. Однако другая возможная причина — конкуренция за внимание и средства со стороны крипто-нативных трейдеров. В течение всего июля, пока потребление Collector Crypt снижалось, объем торгов Pump.fun рос. Среднесуточное потребление Collector Crypt упало с 5,6 млн долларов в первые 7 дней июля до 3,4 млн долларов в последние 7 дней, снижение на 39%. За тот же период среднесуточный объем торгов Pump.fun вырос с 320,6 млн долларов до 388,5 млн долларов, рост на 21%. Эта взаимосвязь не обязательно означает причинно-следственную связь, но интуитивно понятна. Значительная часть пользовательской базы Collector Crypt состоит из активных on-chain трейдеров, которые переключаются на любые горячие сектора. Когда Memecoin набирает обороты, часть средств и внимания, направленных на on-chain гача, может переключиться в другую сторону, даже если спрос на коллекционные карты остается сильным. Выступление Courtyard дополнительно поддерживает эту гипотезу. Когда большинство крипто-нативных платформ гача испытывали откат, Courtyard в июле установил исторический максимум. Как уже упоминалось, Courtyard, вероятно, имеет самую наименее криптоориентированную пользовательскую базу среди основных платформ, что означает, что его пользователи менее склонны переключаться на Memecoin во время роста спекулятивной активности. На данный момент снижение в июле выглядит скорее естественным откатом, который мог быть усилен возрождением активности Memecoin, а не признаком более широкого замедления рынка коллекционных карт.

PANews 10 августа сообщает, что, по данным Bloomberg, поддерживаемый Nvidia поставщик облачных AI-вычислений Lambda привлекает 917 миллионов долларов через рынок кредитов с плечом для закупки AI-чипов. По мере ускорения строительства инфраструктуры искусственного интеллекта финансирование чипов становится новым способом капиталовложений в AI-индустрии. Lambda относится к быстро развивающемуся в последние годы лагерю «новых облачных провайдеров» (neoclouds), основная деятельность которых — предоставление предприятиям и разработчикам GPU-вычислительных мощностей и AI-инфраструктурных услуг. Данное финансирование планируется осуществить через кредит, обеспеченный правами на активы GPU (GPU loan), для поддержки расширения вычислительных ресурсов AI компании. Эта сделка также продолжает тенденцию поиска инновационных моделей финансирования среди компаний AI-инфраструктуры. Ранее в этом году облачный AI-провайдер CoreWeave завершил первую сделку на рынке институциональных кредитов с плечом, направленную на финансирование чипов, открыв новый путь закупки AI-чипов через долговое финансирование. Компании AI-инфраструктуры активно исследуют новые способы финансирования, чтобы удовлетворить огромные капитальные затраты, необходимые для создания масштабных вычислительных кластеров. С быстрым ростом спроса на генеративный AI GPU стали ключевым стратегическим ресурсом в процессе расширения AI-компаний. Включая активы чипов в систему финансирования, облачные AI-провайдеры могут ускорить масштабирование вычислительных мощностей, снижая зависимость от акционерного финансирования, а также стимулировать дальнейшее участие традиционного кредитного рынка в инвестиционной волне AI-инфраструктуры.

PANews 10 августа сообщает, что, по данным The Block, шведская публичная компания H100 Group, поддерживаемая генеральным директором Blockstream Адамом Бэком, полностью приобрела норвежские компании Moonshot и PDI, добавив 2 455,7 BTC, что увеличило общий объем биткоинов в ее портфеле примерно до 3 506 BTC, что по текущей цене составляет около 227 миллионов долларов США. Сделка была оплачена выпуском около 790,5 миллионов новых акций, что привело к размытию существующего капитала примерно на 70%. Цена новых акций составила 1,86 шведской кроны за акцию, что соответствует общей оценке примерно в 1,47 миллиарда шведских крон (около 155 миллионов долларов США). После завершения сделки H100 поднялась с 42-го на 26-е место среди крупнейших публичных держателей биткоинов, приблизившись к таким крупным биткоин-казначейским компаниям, как Gemini. Компания заявила, что эта структура сделки увеличила количество биткоинов на акцию с учетом полного размывания примерно на 5%, одновременно расширяя размер казначейства.

PANews 10 августа сообщает, что соучредитель Ethereum Vitalik Buterin обновил свою дорожную карту на 2023 год в соответствии с текущей Strawmap, показывая явные изменения в приоритетах развития Ethereum: во-первых, значительно повысить приоритет квантовой безопасности, включая радикальное масштабирование и агрегацию подписей в постквантовом контексте; во-вторых, впервые сделать сильную приватность приоритетной задачей, охватывая keyed nonces, недавние корни состояния, приватные пулы и решения типа «червоточина»; в-третьих, опираясь на AI для ускорения формальной верификации, «оптимизировать» спецификации и внедрять рекурсивные STARK на уровне исполнения, консенсуса и данных в качестве инфраструктуры; одновременно вводятся новые типы состояний, нативные rollup, blob и газовые фьючерсы, а также дизайн «пост-EVM» для leanISA, RISC‑V и других новых наборов инструкций.