Сеть Darkbloom предлагает превратить простаивающие Mac на Apple Silicon в узлы для AI-инференса на Mac и обещает владельцам в среднем по $120–200 в месяц с машины. Для русскоязычной IT-аудитории тут важен не только сам способ монетизации железа, но и более широкий сдвиг: inference-нагрузку все чаще пытаются вытаскивать не только дата-центрами, но и распределенными сетями из потребительских устройств.
Проект запустила американская Eigen Labs из Сиэтла, а о переходе сети в платный режим на OpenRouter рассказал инженер компании Гаджеш Наик, сообщает The Register. По его словам, сеть уже обслужила около 4,5 млрд токенов и вышла на годовой регулярный доход в $102 тыс. На момент публикации поста в онлайне находилось около 250 машин, а всего к сети подключились более 900 провайдеров, пусть и не все активны одновременно.
Идея у Darkbloom предельно приземленная: если у вас дома или в офисе пылится Mac mini, MacBook Pro на M1 или другая техника Apple Silicon, ее можно подключить к сети и отдавать часть вычислительной мощности под запуск open-weight-моделей. В отличие от красивых рассказов про «демократизацию ИИ», здесь разговор быстро упирается в цифры. Компания оценивает доход участников в диапазоне от $192 до $4983 в год с учетом электричества, которое, по ее расчетам, обойдется примерно в $2 в месяц на устройство. Не сказано только главное бытовое уточнение: если это не бесшумный Mac mini под столом, за дополнительную выручку придется еще и слушать вентиляторы.
С технической стороны Darkbloom продает не просто аренду GPU, а попытку решить самую неудобную проблему распределенного AI-инференса на Mac: кто в здравом уме отправит чужому компьютеру свои промпты, ответы и, возможно, чувствительные данные? Архитектура у проекта построена так, чтобы уменьшить этот риск. Запрос пользователя идет по HTTPS через OpenAI-совместимый API на сервер-координатор, написанный на Go и работающий в Confidential VM на AMD SEV-SNP. Дальше задача маршрутизируется на конкретного провайдера, у которого запущен Swift CLI-клиент Darkbloom на macOS.
Как сеть пытается закрыть вопрос приватности
Ключевой аргумент Darkbloom не в «дешевом AI», а в модели защиты данных. По описанию проекта, провайдер не поднимает локальный сервер и не открывает порты наружу: машина сама устанавливает исходящее WebSocket-соединение, так что возиться с firewall и port forwarding не нужно. Расшифровка задания происходит через Secure Enclave, а сам inference исполняется на GPU Apple Silicon с помощью MLX, фреймворка машинного обучения от Apple.
Отдельный акцент сделан на том, что движок работает внутри одного укрепленного Swift-процесса без дочерних процессов и без межпроцессного обмена. Разработчики утверждают, что macOS блокирует внешнее чтение памяти этого процесса на уровне системных механизмов, а отключить такую защиту без перезагрузки нельзя. Логика прозрачная: даже если вы доверяете не владельцу чужого Mac, а только аппаратным механизмам и изоляции среды, этого должно хватить, чтобы хотя бы рассматривать распределенный AI-инференс на Mac как рабочую модель, а не как экзотический хобби-кластер.
По набору допущений это действительно похоже на идею Private Cloud Compute от Apple, только в более странной и, возможно, более рыночной упаковке. Не корпорация строит закрытую инфраструктуру под свои сервисы, а стартап пытается собрать из потребительских Mac распределенный рынок inference-мощности. Для разработчиков это интересный сигнал: у Apple Silicon постепенно появляется вторая жизнь не только как машины для локальной разработки и тестов, но и как недорогой inference-слой для моделей средней тяжести.
Darkbloom начинался в апреле 2026 года как эксперимент. С тех пор сеть, по данным компании, обслужила свыше 42 млн inference-запросов. До недавнего времени мощности сети раздавались через OpenRouter бесплатно, а теперь проект превратился в платного поставщика. Это важный переход: пока сервис работает бесплатно, можно списать все на маркетинговый прогрев. Как только появляется платная модель, рынок быстро объясняет, есть ли спрос на такую архитектуру за пределами любопытства ранних энтузиастов.
Что это значит для разработчиков и рынка
По внутренней статистике Darkbloom, лучше всего сейчас зарабатывает модель Qwen 3.6 35B A3B: заявлено до $399 в месяц использования. Следом идут GPT-OSS 20B с $52 в месяц и Gemma 4 26B с $27 в месяц. Но эти цифры легко прочитать неправильно. Речь не о гарантированном доходе владельца одной машины, а о текущей выручке по конкретным моделям и эпизодическом использовании. Средний дневной доход у лидеров, по данным компании, составляет около $26, $19 и $15 соответственно. Иными словами, это пока не пассивный доход мечты, а скорее способ отбить часть стоимости железа, которое у вас уже есть.
Для бизнеса тут две развилки. Первая очевидная: на рынке растет интерес к более дешевому inference для open-weight-моделей без привязки к большим облачным GPU-кластерам. Вторая менее очевидная: Apple Silicon, особенно в формате Mac mini, начинает восприниматься как квази-серверное железо для узких AI-сценариев. Это не замена дата-центрам и не конкурент крупным inference-провайдерам в лоб. Но для workloads, где важны цена, доступность и приемлемая латентность, такая модель может оказаться неприятно жизнеспособной.
Есть и ограничения, которые стартап, разумеется, подает мягче, чем хотел бы услышать ИТ-директор. Во-первых, в сеть нельзя заводить арендованные машины от облачных провайдеров ради арбитража: условия сервиса допускают только лично принадлежащие устройства. Во-вторых, распределенная сеть из сотен Mac по определению сложнее в управлении и менее предсказуема, чем обычный централизованный кластер. В-третьих, экономика сильно зависит от фактической загрузки моделей, а не от красивых верхних оценок на лендинге.
Но даже с этими оговорками история показательная. AI-рынок, который последние два года привык обсуждать многомиллиардные капитальные затраты гиперскейлеров и долги дата-центров, внезапно находит применение домашним и офисным Mac. Для части разработчиков это шанс дешево подключиться к сети поставщиков inference. Для владельцев железа на Apple Silicon — редкая возможность превратить «еще нормальный, но уже не основной» компьютер в источник небольшой выручки. А для отрасли в целом это еще один признак того, что борьба идет не только за лучшие модели, но и за более приземленную вещь: кто сумеет дешевле и удобнее доставлять AI-инференс на Mac и за его пределами.
Главный вопрос теперь не в том, можно ли запустить AI-инференс на Mac в распределенном режиме, а в том, сколько таких сетей выдержат переход от инженерного эксперимента к нормальной экономике спроса и предложения. Если спрос на open-weight-модели продолжит расти, а стоимость централизованных мощностей останется высокой, у подобных схем появится шанс закрепиться не как курьез, а как отдельный слой AI-инфраструктуры. Проверить первоисточник и детали архитектуры можно в материале .