У вересні 2022 року Ethereum завершив історичний перехід від Proof of Work (PoW) до Proof of Stake (PoS), що зробило майнінгові ферми на GPU вартістю в мільярди доларів непотрібними за одну ніч. Ethereum Merge не лише завершив золоту епоху майнінгу на GPU, а й поставив гостре питання: куди подінеться величезний глобальний надлишок простоюючої обчислювальної потужності GPU?
Децентралізовані мережі фізичної інфраструктури (DePIN) зараз вирішують цю проблему. У межах сектора DePIN кілька мереж реорганізують невикористані GPU у розподілені обчислювальні кластери, пропонуючи рендеринг і AI-обчислення за ціною, що значно нижча за традиційних хмарних провайдерів. Render Network вирізняється як ключовий гравець у цій сфері.
Станом на 8 травня 2026 року, згідно з ринковими даними Gate, токен RENDER коштує $1,9626, що на 2,27% більше за 24 години та на 14,82% більше за останній тиждень, а ринкова капіталізація становить приблизно $1,018 млрд. Проте, окрім коливань ціни, ще важливішими є структурні зміни у фундаментальних показниках мережі: на AI-навантаження припадає вже 35–40% активності мережі, сумарна кількість відрендерених кадрів перевищила 71,4 млн, кількість активних GPU-вузлів перевищує 5 700, а спалено понад 1,24 млн токенів. Ці дані свідчать про глибшу тенденцію: децентралізовані обчислювальні мережі переходять від моделі «субсидованої токенами пропозиції» до «грошового потоку, що формується попитом» — і саме AI стає рушієм цієї трансформації.
Від краху майнінгових ферм до AI-інфраструктури
Щоб зрозуміти історію Render Network у 2026 році, необхідно розглянути три ключові зрушення парадигми.
Перше зрушення відбулося у другій половині 2022 року. Ethereum Merge залишив величезну кількість майнінгових GPU без роботи, змусивши майнерів зіткнутися з проблемою знецінення обладнання та відсутності доходу. Водночас генеративний AI ще не став мейнстрімом, тож і пропозиція, і попит на обчислювальні потужності GPU залишалися невизначеними. На цьому етапі доля невикористаних GPU стала прихованою проблемою для галузі.
Друге зрушення відбулося у 2023–2024 роках. Бум генеративного AI, спричинений ChatGPT, викликав експоненційне зростання глобального попиту на GPU. Проте цей сплеск попиту не автоматично приніс користь розпорошеним невикористаним GPU, адже AI-навчання та інференс залишалися вкрай централізованими на платформах на кшталт AWS і Google Cloud. Головним викликом для децентралізованих обчислювальних мереж у цей період стала «організація пропозиції» — тобто, як об’єднати фрагментовані невикористані GPU у придатні для використання надійні кластери.
Третє зрушення розпочалося у 2025 році та прискорилося у першій половині 2026 року. Визначальною ознакою цього етапу є перехід децентралізованих GPU-мереж від «субсидованої токенами пропозиції» до «грошового потоку, що формується попитом». Майнінгові ферми, що залишилися без роботи після Ethereum Merge, тепер перепрофільовуються для AI-навчання та інференсу через такі мережі, як Render. Зростаючий попит на дешевий AI-інференс структурно відповідає ціновій перевазі децентралізованих GPU-мереж.
Еволюція Render Network є мікромоделлю цієї ширшої історії. Ідея Render виникла у засновника OTOY Жюля Урбаха ще у 2009 році. Перший публічний продаж токенів відбувся у 2017 році, а запуск основної мережі — у квітні 2020 року. У 2023 році спільнота схвалила пропозицію RNP-002 про міграцію з Ethereum на Solana, що заклало основу для високопродуктивних і дешевих транзакцій у мережі. З 2024 по 2025 роки мережа зосередилася на інтеграції зовнішніх операторів вузлів і перевірці можливості розподіленого планування GPU-ресурсів. На початку 2026 року, після впровадження та схвалення пропозиції RNP-023, близько 60 000 GPU з децентралізованої підмережі Salad було підключено до мережі, створивши спеціальний пул обчислень для AI-інференсу.
Базова логіка моделі Burn-and-Mint Equilibrium
Модель BME: «Дефляційний перекладач» для обчислювального попиту
У центрі економічної моделі Render Network лежить механізм Burn-and-Mint Equilibrium (BME), впроваджений шляхом голосування спільноти. Його роботу можна описати трьома етапами:
Перший — цінова прив’язка. Кожне завдання з рендерингу або AI-обчислення оцінюється у доларах США, а користувачі сплачують еквівалентну суму в токенах RENDER. Такий підхід усуває невизначеність вартості обчислень, спричинену волатильністю криптоактивів, і дозволяє творцям та бізнесу точно планувати витрати.
Другий — оплата зі спалюванням. Після оплати завдання відповідна кількість токенів RENDER спалюється, з утриманням 5% комісії на операційні витрати мережі. Тобто кожна транзакція в мережі є дефляційною подією.
Третій — періодичний випуск. Мережа випускає фіксовану кількість нових токенів за епоху (зазвичай тиждень) для винагороди операторів вузлів, які надають обчислювальні потужності. Графік емісії заздалегідь визначений і поступово зменшується, що забезпечує довгостроковий контроль пропозиції.
Елегантність моделі BME полягає у прямому зв’язку між «обсягом використання» та «пропозицією токенів». Із зростанням кількості AI- та рендер-завдань спалюється більше токенів RENDER; проте нові токени випускаються лише за фіксованим графіком, а не у відповідь на обсяг спалювання. Це означає, що в періоди швидкого зростання мережі обсяг спалювання може постійно перевищувати обсяг емісії, створюючи структурний дефляційний тиск. Дані за січень–вересень 2025 року, що демонструють річне зростання спалювання токенів приблизно на 279%, підтверджують ефективність цього механізму.
«Дефляційний підсилювач» AI-навантажень
AI-навантаження мають унікальні риси, які роблять їх «каталізатором» для механізму BME. Порівняно з 3D-рендерингом AI-інференс має три ключові відмінності:
Перше — вища частота. Одна задача 3D-рендерингу може тривати годинами, тоді як AI-інференс зазвичай триває лише секунди чи хвилини. Це означає, що при однаковому обсязі обчислень AI-завдання генерують значно більше ончейн-платежів і спалювань токенів, ніж рендер-завдання.
Друге — більша безперервність. Рендер-завдання часто проєктні та переривчасті, тоді як AI-інференс зазвичай працює як цілодобова онлайн-послуга, забезпечуючи стабільний попит на мережу.
Третє — стрімкіша траєкторія зростання. Глобальний попит на AI-інференс стрімко зростає. У Render Network зазначають, що навчання складає лише незначну частку AI-використання, тоді як інференс — близько 80%. Така структура відкриває шлях для залучення споживчих GPU до обслуговування світових обчислювальних навантажень.
Сумарний ефект цих трьох властивостей полягає в тому, що кожен відсоток зростання частки AI-навантажень може нелінійно підсилювати дефляційний вплив моделі BME. Оскільки частка AI-навантажень уже становить 35–40% і продовжує зростати, мережа входить у позитивний зворотний зв’язок: «зростання попиту → прискорене спалювання → скорочення пропозиції → зростання щільності вартості → залучення нових вузлів → подальше зростання попиту».
Ключові показники наочно
Щоб надати чітке уявлення про динаміку фундаментальних показників Render Network, у таблиці нижче наведено основні метрики станом на першу половину 2026 року:
| Показник | Дані | Опис |
|---|---|---|
| Ціна RENDER | $1,9626 | Дані Gate станом на 8 травня 2026 року |
| Зміна за 24 години | +2,27% | Зміна за 7 днів: +14,82% |
| Ринкова капіталізація | ~$1,018 млрд | Капіталізація в обігу |
| Сумарно відрендерено кадрів | 71,4 млн+ | Станом на квітень 2026 року |
| Частка AI-навантажень | 35–40% | Продовжує зростати |
| Активних GPU-вузлів | 5 700+ | Для AI- та рендер-завдань |
| Сумарно спалено токенів | 1,24 млн+ | Загальна дефляція в моделі BME |
| Нові GPU за RNP-023 | ~60 000 одиниць | Підмережа Salad як ексклюзивний провайдер |
| Рівень схвалення пропозиції | 98,86% | Перше голосування за RNP-023 |
Аналіз ринкових настроїв: «бики» проти «ведмедів»
Дискусії навколо Render Network та її токеноміки далекі від одностайного оптимізму. На ринку співіснують як «бичачі», так і «ведмежі» погляди, кожен зі своєю аргументацією.
Бичача логіка: відкриття цінності та попитова історія
Декілька індикаторів свідчать про зростання інтересу ринку до Render Network. У попередніх звітах Render займає четверте місце серед DePIN-проєктів за активністю у соцмережах: 1 800 постів і 162 900 взаємодій. Таку увагу частково стимулюють покращення фундаментальних показників мережі.
Бичача історія має три рівні: по-перше, на рівні галузевих трендів — глобальний попит на AI-обчислення зростає, централізовані хмарні сервіси стикаються зі зростанням витрат і дефіцитом пропозиції, а децентралізовані альтернативи нарощують частку ринку. По-друге, на рівні фундаментальних показників мережі — такі метрики, як річне зростання спалювання токенів, збільшення частки AI-навантажень і висока підтримка RNP-023, свідчать про перехід від токен-субсидій до реального зростання на основі попиту. По-третє, на рівні токеноміки — потенціал моделі BME створювати структурну дефляцію за високого AI-навантаження формує економічну основу для довгострокової цінності RENDER.
Ведмежі застереження: посилення конкуренції та прогалини у верифікації
Ведмежі погляди також заслуговують на увагу, і зосереджуються на двох основних аспектах.
Перший — конкурентне середовище. Хоча Render має перевагу першопрохідця у децентралізованих GPU-обчисленнях, конкуренти швидко надолужують. Akash Network використовує модель зворотного аукціону для пропозиції різних обчислювальних ресурсів, включаючи GPU; io.net агрегує GPU-ресурси з різних платформ, орієнтуючись на AI та машинне навчання. У ширшому масштабі централізовані гіганти на кшталт AWS і Google Cloud генерують річні доходи у сотні мільярдів доларів, тоді як доходи децентралізованих мереж залишаються порівняно невеликими.
Другий — питання верифікації. У 2025 році в Render Network трапилися випадки, коли зловмисні вузли повертали пошкоджені результати рендерингу Blender, і на той момент не існувало ончейн-методу для їх виявлення. Це спровокувало ширшу дискусію про «верифікованість результату» у децентралізованих обчислювальних мережах: без криптографічних доказів такі мережі по суті є «Airbnb для GPU» — вони вирішують питання співставлення попиту і пропозиції, але не повністю закривають проблему довіри.
Щодо «прогалини у верифікації», галузеві експерти визнають це структурною вадою, проте вважають, що вона не нівелює застосовність децентралізованих обчислювальних мереж у конкретних сценаріях, таких як рендеринг і AI-інференс. Проблема в тому, що критики часто ототожнюють «неповне вирішення довіри» з «повним провалом сектора» — це хибна логіка, яка ігнорує швидкий прогрес у технологіях верифікації, таких як zero-knowledge proofs і захищені середовища виконання.
Крім того, ціна RENDER за останній рік впала приблизно на 58,46%, що суттєво розійшлося з фундаментальним зростанням мережі й викликає питання щодо ефективності захоплення цінності токеном.
Оцінка впливу на галузь: структурна трансформація децентралізованого обчислювального сектору
Схвалення RNP-023 і зростання частки AI-навантажень — це не окремі події, а рушії потрійної трансформації у структурі попиту-пропозиції, конкурентному ландшафті та токеноміці.
По-перше, пропозиція обчислень переходить від «фрагментованої» до «масштабованої». Підключення 60 000 GPU означає стрибкоподібне зростання обчислювальної потужності Render Network. Ще важливіше, що ці GPU надходять із перевіреної мережі вузлів Salad, яка забезпечує перевірену якість і надійність сервісу, що має знизити частку зловмисних вузлів і пом’якшити попередні проблеми з верифікацією.
По-друге, AI-інференс стає центральним полем битви для децентралізованих обчислень. Порівняно з традиційним 3D-рендерингом, AI-інференс висуває складніші вимоги до затримки та верифікації, але його ринкова стеля значно вища. Поточна орієнтація Render Network на AI-інференс, включаючи партнерства з AI-компаніями на кшталт Stability AI, вже почала формувати початкову екосистемну синергію.
По-третє, токеноміка переходить від «інфляційних стимулів» до «дефляційного позитивного циклу». Ранні моделі DePIN покладалися на емісію токенів для залучення пропозиції, що призводило до «активності, стимульованої субсидіями» та дисбалансу попиту й пропозиції. Зі зростанням реальної платіжної активності завдяки AI-навантаженням спалювання токенів структурно випереджає емісію, фундаментально змінюючи динаміку попиту-пропозиції. З 2025 року і на початку 2026 року провідні GPU-мережі проходять трансформацію, яку ринок ще не повністю врахував у ціні: перехід від субсидованої токенами пропозиції до грошового потоку, що формується реальним попитом.
Висновок
Ethereum Merge поставив багатьох GPU-майнерів на роздоріжжі, але вибуховий попит на AI-обчислення відкрив нові можливості для цих невикористаних ресурсів. Завдяки моделі Burn-and-Mint Equilibrium Render Network створила унікальну економічну петлю в децентралізованих GPU-обчисленнях: кожен AI-інференс — це одночасно споживання обчислень і дефляційна подія для токена.
У 2026 році, після впровадження пропозиції RNP-023, яку схвалили з результатом 98,86% і яка принесла близько 60 000 GPU від Salad як ексклюзивного провайдера, на тлі зростання частки AI-навантажень і швидкого спалювання токенів, Render Network перебуває на переломному етапі, переходячи від «мережі лише для рендерингу» до фундаментальної «AI-інфраструктури обчислень». Водночас посилення конкуренції, розрив між ціною токена та фундаментальними показниками мережі, а також невирішене питання верифікації результатів залишаються критичними факторами на шляху розвитку.
Для тих, хто стежить за сектором децентралізованих GPU, головне питання таке: чи здатна модель BME справді реалізувати свою обіцянку «дефляції, зумовленої попитом» в умовах структурного зростання попиту на AI-інференс? Відповідь не лише визначить ціннісну пропозицію токена RENDER, а й може окреслити роль децентралізованих обчислювальних мереж у ширшій AI-індустрії.
