Майнінг повернувся на Mac: Darkbloom платить за AI-inference — чи реальні $120–200 на місяць

Майнінг повернувся — але Mac продає не hash rate, а inference

Після переходу Ethereum на proof-of-stake ідея “залишити комп'ютер увімкненим і отримувати гроші за обчислення” здавалася пережитком криптоепохи. У 2026 році вона повертається в іншій формі. Darkbloom будує distributed inference network із Apple Silicon: власники Mac віддають вільні CPU/GPU/Unified Memory для запуску open models, а клієнти платять за tokens.

Оператор Eigen Labs у коментарях, які цитує The Register, говорив про $120–200 на місяць у середньому на машину. Це звучить як новий “майнінг на Mac mini”, але важливе слово тут — reported estimate. Darkbloom знаходиться у public alpha, а official terms прямо попереджають: earnings можуть змінюватися, перериватися або бути зменшені, uptime не гарантується.

Тому RankPoint дивиться на Darkbloom не як на “пасивний дохід”, а як на ранній інфраструктурний ринок: чи може парк уже проданих Apple Silicon машин стати дешевим distributed cloud для AI inference — і чи має сенс власнику Mac підключатися.

Live network уже виглядає як помітний distributed cluster

На live statistics page Darkbloom на момент перевірки відображалося близько 128 млрд served tokens, 31,15 млн requests, 230 nodes online та 191 hardware-attested node. Сукупно мережа показувала 20 838 GB unified RAM, 7 927 GPU cores, 3 593 CPU cores і приблизно 35,1 kW network power під навантаженням.

Цікава не лише абсолютна цифра, а швидкість росту. The Register кількома днями раніше описував близько 4,5 млрд served tokens і приблизно 250 machines. Пізніший live dashboard показував уже десятки разів більше tokens. Це означає, що alpha реально навантажують — але не означає, що кожен окремий Mac отримує 100% utilization чи стабільний payout.

Чому саме Apple Silicon

Mac має сильну властивість для inference: unified memory. CPU та GPU працюють із загальним memory pool, тому модель не обмежена окремою VRAM так, як на типовій discrete GPU. Mac із 48, 64, 128 GB і більше може тримати квантизовану модель, яка не помістилася б у дешеву відеокарту.

Друга перевага — energy efficiency. Apple Silicon створений для ноутбуків і компактних workstation, тому performance per watt може бути привабливим для inference. Третя — величезна installed base. Darkbloom позиціонує саме idle capacity вже куплених машин як свою supply-side перевагу.

Як Darkbloom продає inference

Офіційний сайт public alpha показує тарифи за мільйон tokens для open models і порівнює їх із типовими API цінами. Під час alpha providers, за заявою проєкту, залишають собі 100% inference revenue.

Економічна логіка проста: customer отримує дешевший API, Darkbloom агрегує невикористані Macs, власник hardware монетизує sunk cost. Але ця модель працює лише за наявності customer demand. У криптомайнінгу protocol створював постійний глобальний попит на hash; тут запит на compute формують реальні користувачі.

$120–200 на місяць: перевіряємо грубу математику

Live dashboard показував 35,1 kW network power при 230 online nodes. Якщо дуже грубо поділити потужність рівномірно, виходить близько 153 W на node під load. Це не вимір конкретного Mac і не гарантія — у мережі різні machines та workloads — але корисний sanity check.

За 24/7 роботи 153 W дають приблизно 110 kWh за 30 днів. При $0,10/kWh це близько $11, при $0,20 — $22, при $0,30 — $33. Якщо gross revenue справді $120–200, electricity alone не з'їдає всю суму.

Але це ще не profit. Є Internet, hardware wear, cooling, downtime, taxes, майбутня platform economics після alpha та головне — utilization. Earnings estimator самого проєкту попереджає про високу варіативність. Тому купувати новий Mac тільки під рекламну цифру $120–200 — зовсім інший risk profile, ніж монетизувати машину, яка вже стоїть на столі.

Технічний minimum і комерційний minimum — різні речі

GitHub provider documentation описує технічну підтримку M1+ та навіть 8 GB як minimum для запуску, а 16 GB — як практичніший рівень для невеликих quantized models. Водночас current earning experience на public alpha орієнтується на значно більші memory configurations, зокрема 48 GB+.

Це не обов'язково суперечність. “Може підняти provider” і “зараз є paid workloads для цієї конфігурації” — різні питання. Власнику базового M1 не варто автоматично переносити $120–200 на свою машину.

Приватність складніша за фразу «власник Mac не бачить prompt»

Darkbloom багато говорить про encrypted requests, hardware attestation і hardened runtime. GitHub documentation дає точнішу картину. Provider отримує hardware-bound identity через Apple Secure Enclave; coordinator та provider використовують криптографічні ключі; inference виконується локально через MLX; prompt logging вимкнений.

Але фундаментальний нюанс такий: щоб модель виконала inference, plaintext у певний момент існує в memory final process. Privacy architecture намагається не дати власнику Mac його прочитати, а coordinator працює у hardware-encrypted CVM. Це сильний security design, але не магічна схема, де plaintext ніколи й ніде не існує.

Для sensitive workloads потрібно читати реальний trust model, а не marketing headline. Public alpha — не те саме, що certified enterprise environment.

Навіщо hardware attestation

У provider architecture Apple Secure Enclave використовується для identity, а node keys прив'язуються до конкретного hardware. Ідея — дати coordinator спосіб перевірити, що workload приймає очікуваний runtime, а не довільний process, який власник підмінив.

Для distributed marketplace це критично. Якщо customer відправляє inference на випадковий Mac у чужій квартирі, system повинна мати спосіб перевірити provider і захистити input/output від банального tampering.

Чи можна купити Mac mini і зробити “ферму”

Технічно — так, кілька Apple Silicon nodes можна підключити. Економічно — зарано називати це інвестиційною моделлю. Public alpha не має довгої історії utilization, payouts, pricing після promotional period та residual hardware value.

Раціональний сценарій сьогодні — монетизувати вже наявний idle Mac. Якщо машина куплена для development, монтажу або local AI, marginal risk невеликий: виміряти watts, temperature, actual paid hours і net revenue протягом 30–60 днів.

Сценарій “купити 20 Mac mini в кредит” уже потребує business case: duty cycle, electricity, networking, racks, cooling, failures, resale та alternative cost of capital.

Чому Darkbloom важливий навіть без гарантії великого бізнесу

Перший етап generative AI концентрувався у гігантських NVIDIA data centers. Наступний може бути гібридним: frontier training залишається централізованим, а частина inference розподіляється по дешевих, енергоефективних і географічно рознесених devices.

Це не замінить hyperscalers для всіх workloads. Але batch tasks, non-sensitive inference, open models, embeddings, background jobs та edge workloads можуть виграти від “комп'ютерів, які вже існують”. Darkbloom — один із найцікавіших тестів цієї економіки.

Висновок RankPoint

Darkbloom справді нагадує майнінг: встановив provider, машина працює, за compute приходить оплата. Але economics принципово інша. Тут demand створюють клієнти, а не protocol.

Тому $120–200 на місяць варто сприймати як ранню operator-reported оцінку, а не yield. Для Mac, який уже є, експеримент виглядає цікавим. Для покупки нового hardware “під пасивний дохід” даних поки недостатньо. Найважливіше тут навіть не гроші: Apple Silicon намагаються перетворити на масовий distributed AI cloud, і live network уже достатньо велика, щоб за нею варто було стежити.

Що насправді робить provider: це не “запустив майнер і забув”

Provider documentation показує більш операційну картину. Node має пройти setup, hardware checks та attestation, після чого scheduler видає workloads. У public alpha є scheduling windows — власник може дозволити роботу, наприклад, уночі, а не тримати Mac доступним 24/7.

Це важлива відмінність від класичного mining daemon. Доходність залежить не тільки від потужності hardware, а від routing, model demand, моменту, коли ваш node online, cold starts та того, чи підходить memory configuration під конкретний workload.

Офіційні terms прямо говорять: стабільний дохід не обіцяють

Public Alpha Terms формулюють ризик набагато жорсткіше за маркетинговий калькулятор. Provider earnings залежать від consumer demand, platform availability, routing та інших factors; сервіс не дає SLA і не позиціонує payout як стабільний income.

Під час alpha platform fee заявлена як 0%, тобто providers залишають 100% token revenue. Але promotional economics не слід переносити на майбутню mature network: fee structure, routing incentives та model mix можуть змінитися.

Privacy: provider є final decryption endpoint — і це потрібно розуміти буквально

У privacy documentation є дуже важливе уточнення: між consumer і provider немає магічного end-to-end encryption, яке дозволяє виконати звичайний LLM inference над даними, ніколи їх не розшифровуючи. Provider runtime є final decryption endpoint; plaintext prompt і response існують усередині процесу inference.

Security model будується навколо того, щоб оператор node не мав нормальної observation surface: hardened process, encrypted transport, Secure Enclave identity, attestation та відсутність prompt logging. Але це trust architecture, а не математична гарантія confidential computing для будь-якого threat model.

Для звичайних non-sensitive workloads цього може бути достатньо. Для медичних, юридичних, credential-rich або trade-secret prompts потрібна окрема оцінка — особливо поки network у public alpha.

Hardware attestation — це боротьба не тільки з підслуховуванням, а й із фальшивим compute

Marketplace має дві проблеми: захистити consumer data і переконатися, що provider справді виконує очікуваний runtime. Secure Enclave identity та регулярні attestation challenges допомагають coordinator перевіряти node state і прив'язувати identity до hardware.

Без цього зловмисний provider міг би підмінити runtime, повертати вигадані outputs, намагатися логувати inputs або видавати дешевшу model за дорожчу. Тому attestation є основою economics marketplace, а не декоративною privacy feature.

Електрика за різного duty cycle

Наш грубий 153 W/node — це лише average із network snapshot під load. Якщо використати його як upper-bound sanity model, 100% duty cycle дає близько 110 kWh/міс, 50% — 55 kWh, 25% — 27,5 kWh. За $0,20/kWh це приблизно $22, $11 і $5,5 відповідно.

Це не прогноз Darkbloom revenue. Навпаки, таблиця показує, чому головна невідомість — demand. Electricity у modern Apple Silicon може бути відносно невеликою частиною gross revenue, якщо node завантажений. Але якщо paid utilization низький, навіть дешева електрика не створює бізнесу.

Найкращий спосіб перевірити $120–200 — вести власний mini-P&L

За 30–60 днів достатньо п'яти колонок: paid tokens/revenue, active workload hours, wall energy from socket, downtime/restarts, temperatures/throttling. Додайте Internet і будь-який tax/payment friction — і отримаєте фактичний net.

Після цього можна порівняти три сценарії: Mac простоює; Mac працює як provider; ту саму суму грошей інвестували в інший compute або залишили в cash. Саме opportunity cost, а не красивий monthly revenue screenshot, вирішує, чи є сенс масштабуватися.

↗