去中心化AGI详解：区块链如何驱动AI（2026）

去中心化 AGI 的核心论点是：通向通用人工智能的道路不必仅由拥有私有数据中心的三四家企业实验室垄断，由区块链协调的开放网络能够从无需许可的全球供应基础中汇聚同样的四项要素——算力、数据、模型与资本。本指南是截至2026年9月该论点的完整技术与市场图谱。

这一观点已不再纯属推测。过去两年间，三条独立的研究路线相互交汇。首先，DiLoCo、OpenDiLoCo 和 DeMo 等通信高效训练算法将分布式模型训练的带宽需求降低了两到三个数量级，使得在公共互联网而非单一 InfiniBand 网络内训练高质量模型成为可能。其次，可验证计算趋于成熟：可信执行环境已迁移至数据中心 GPU 上，开销仅为低个位数百分比，而乐观验证与密码学验证方案则使信任匿名 GPU 运营商在经济上具备合理性。第三，加密经济设计已足够完善，网络能够对模型质量这一模糊主观的商品进行定价与奖励，而非仅限于哈希值这类明确客观的指标。

以下是本文内容：

• 对去中心化 AGI 的精确定义，以及同样重要的——它不是什么。大多数以 AGI 为营销标签的代币并非在构建通用智能；它们构建的是技术栈的某一层，这一区别对估值至关重要。
• 宏观论证：为何2026年是该行业从叙事交易转变为产生可量化收入的年份，驱动因素包括推理成本曲线、超大规模云服务商扩张面临的能源限制，以及开放权重模型的爆发。
• 对主要网络的详细分析：Bittensor (TAO)、NEAR Protocol (NEAR)、人工超级智能联盟 (FET)、Render (RENDER)、Akash (AKT)，以及构建于 Ethereum (ETH)、Solana (SOL)、Cosmos (ATOM) 和 Arbitrum (ARB) 上的算力与代理层。
• 验证问题的技术深度解析——这是该领域迄今最难解决的单一问题，涵盖复制共识、乐观欺诈证明、零知识机器学习与机密计算。
• 市场分析：区分流通市值与实际网络收入，并诚实评估两者之间的差距。
• 风险图谱：涵盖代币释放经济学、子网质量分散、欧盟《人工智能法案》和美国市场结构规则下的监管风险，以及中心化实验室跑得更快这一根本性竞争风险。
• 2026-2030年展望，以明确的概率框架呈现，而非价格目标。

关于本指南随附的情绪数据，我们平台目前对 ETH、SOL、BNB、ADA、DOGE、XLM、LTC、UNI、APT、ATOM 和 ARB 记录了最大置信度读数，对 XRP（92）、BTC（91）、NEAR（90）和 TRX（87）的读数略低但仍处于高位。大范围大市值资产情绪均匀饱和本身就是一个信号：这通常表明市场处于广泛的风险偏好状态，而非对各资产进行细粒度区分。在这种环境下，去中心化 AI 等主题板块往往在上涨时跑赢市场，在下跌时回撤更深，因为仓位拥挤，基本面锚定较弱。请在阅读以下项目分析时牢记这一背景。

最后，贯穿全文的一项纪律性说明。去中心化 AI 行业中声明与可验证事实的比例异常之高。本指南尽可能区分以下三类信息：网络已交付且可被量化衡量的内容、在研究层面已验证的内容，以及仍属于路线图的内容。所引数据为近似值，反映2026年中期情况；任何每日变动的指标在用于决策前均应以实时数据核实。

首先厘清术语，因为这些术语常遭滥用。通用人工智能指能够执行胜任的人类所能完成的几乎任何认知任务的系统，可在无需针对特定任务重新训练的情况下跨领域迁移知识。2026年9月，这样的系统尚不存在。主要实验室的前沿模型在语言、代码以及日益增长的代理工具使用方面能力卓越，但仍在若干关键方面存在局限：长时程规划脆弱、持续学习能力薄弱、缺乏持久的自我修正记忆。

去中心化 AGI 并非今日可购买的产品，而是一个具有特定主张的架构押注：产生 AGI 的组织形态将是开放网络而非封闭企业，而区块链是使此类网络在经济上可行的协调技术。

四项输入要素及其去中心化的难点

通向通用智能的任何路径都需要四项输入，每项都有独特的去中心化难题：

• 算力。前沿训练运行需要数万台互联加速器持续数月。瓶颈不在于原始 FLOPs——全球总量充足——而在于互联带宽。标准数据并行训练中的梯度同步每一步都需要在节点间传输完整参数集。在数据中心内部以400 Gbps传输无碍；跨越大洲以1 Gbps传输则是致命的。因此算力去中心化需要改变算法，而非仅仅改变硬件采购方式。
• 数据。公共网络作为训练语料库已基本耗尽。剩余前沿数据是专有的、个人的和实时的：企业文档、健康记录、传感器数据流、人类偏好反馈。这些数据受隐私法律和商业利益锁定。去中心化数据需要允许数据为模型做出贡献而无需贡献者放弃数据控制权的机制，这指向联邦学习、安全飞地以及最终的加密计算。
• 模型开发。研究人才是最稀缺的投入。中心化实验室通过股权激励吸引人才。开放网络必须以可信的持续收入流取而代之，而这正是代币释放计划所尝试的，结果参差不齐。
• 资本。这是加密原生且能有效去中心化的唯一要素。网络可以在无需董事会、条款清单或管辖地的情况下，向贡献者筹集并持续分配资本。

这一短语的三种不同含义

当项目声称去中心化 AGI 时，通常指的是三种截然不同的含义之一，混淆它们会导致错误分析。

1. AI 的去中心化基础设施。GPU、存储、带宽和数据的市场平台。Render、Akash、io.net、Filecoin 和 Arweave 属于此类。这是有真实收入的真实业务，基本上没有 AGI 内容。它是商品基础设施套利：空闲硬件的定价低于超大规模云服务商的标准价格。有价值、可量化，且在价格而非智能上竞争。

2. 智能的去中心化生产。利用加密经济激励机制，使匿名参与者产生比单独行动更好的模型、推理或预测的网络。Bittensor 是典型案例，也是该领域最具智识雄心的设计。此处的主张真正涉及智能：一种在竞争性矿工群体中持续筛选质量的市场机制。Prime Intellect 和 Nous Research 通过开放协作训练而非代币加权共识追求同样的目标。

3. AI 的去中心化所有权与治理。主张无论 AGI 最终是什么，其所有权都不应集中。NEAR 以其用户自主 AI 的框架最为清晰地表达了这一点，人工超级智能联盟亦然。这既是技术计划，也是政治主张。

区块链不是智能本身

最常见的误解是链本身在思考。它不是，也不可能是：在共识中执行 transformer 前向传播的代价高得离谱且毫无意义地缓慢。区块链扮演四个支撑角色，全部是协调角色：结算支付——在没有关系也没有共同管辖地的各方之间；记录承诺——使模型权重、数据集和输出具有防篡改的来源记录；运行激励机制——决定谁因贡献的工作而获得多少报酬；以及提供身份与声誉——使网络无需 KYC 流程即可区分持续有用的贡献者与搭便车者。

一切繁重工作均在链下发生。链是记账层和规则手册。理解这一点能立即厘清哪些链真正重要：需求是廉价、快速、高吞吐量的结算以及良好的开发者工具，这正是为何 ETH rollup、SOL 和 Cosmos SDK 链主导该行业，而非任何声称在链上计算 AI 的链。

三项结构性转变在2024年至2026年间将这一行业从叙事转变为实质。每项转变都独立于加密市场周期，这正是它们至关重要的原因。

瓶颈从训练转移到推理，从芯片转移到电力

2023年至2024年间，AI 的核心约束是加速器供应。随着连续几代 GPU 大批量出货以及需求构成的转变，这一约束在2026年已大为缓解。如今的核心约束是电力和电网互联，其次是内存带宽。超大规模云服务商签署数千兆瓦购电协议并自建发电设施，是在应对资本无法快速绕过的物理极限；主要市场的互联队列长达数年。

这在结构上有利于去中心化算力，原因具体而言：分布式网络汇聚的是已经接入电网的算力——住宅楼中的游戏 GPU、二线数据中心的闲置机架、具备现有高容量连接的加密矿场的闲置产能，以及企业闲置硬件。它们不需要新的变电站。当中心化算力的边际成本由电网建设而非芯片决定时，将现有产能变现的网络在其能够服务的工作负载上具有真实且持久的成本优势。

与此同时，工作负载结构转向推理，特别是推理时推理——模型每次查询都消耗大量算力来生成和评估思维链。推理比训练对去中心化友好得多：每个请求是独立的，延迟容忍度因应用而异，且不存在 all-reduce。将一千万份文档批量汇总的作业不在乎是否在弗吉尼亚州还是跨四百台消费级设备运行，它在乎的是每个 token 的成本。这是去中心化网络如今能以真正价格优势服务的工作负载，也是 AI 支出增长最快的细分领域。

开放权重模型将能力差距缩小到足以产生影响

第二项转变是胜任的开放权重模型变得充裕。2025年初开始的效率冲击——一系列开放发布以假设训练成本的一小部分展示了接近前沿的推理能力——永久改变了行业结构。到2026年，涵盖小型设备端规模到大型混合专家架构的开放授权模型已形成深厚积累，加之将前沿能力压缩为单加速器可运行模型的成熟蒸馏流水线。

这对去中心化 AGI 的影响容易被忽视。去中心化推理网络只有在拥有值得服务的内容时才有用。当最好的模型是封闭且通过 API 门控时，去中心化服务除了以较低价格提供较差模型之外别无所提供。当开放权重模型在大多数实际任务上与封闭前沿模型的差距已在射程之内时，价值主张发生逆转：网络提供相当的能力，无供应商锁定，无第三方强制的内容政策，无数据留存，也无端点被弃用的风险。开放权重是使去中心化服务成为真实产品而非折扣仓库的原材料。

监管开始奖励可审计性和来源可追溯性

第三项转变是监管层面的。欧盟《人工智能法案》的通用目的模型义务自2025年8月起分阶段实施，围绕训练数据摘要、版权合规以及大型模型的系统风险评估创建了有据可查的要求。美国并行推进的数字资产市场结构走向清晰化，而健康和金融领域的行业规则在数据驻留和模型可解释性方面持续收紧。

合规通常被视为加密的成本。但在这里，情况恰恰相反。记录训练模型所用数据、证明贡献者同意、归因输出、以及证明给定推理来自其声称的模型——这些要求正是内容寻址存储、链上来源记录和基于证明的验证所原生解决的问题。像知识产权领域的 Story Protocol 和数据贡献领域的 Vana 这样的项目，正是专门为使训练数据可归因而存在的。中心化实验室必须构建内部审计跟踪并要求监管机构信任它。建立在公开承诺之上的网络只需指向这些承诺即可。

反向力量

诚实要求呈现另一面。前沿中心化能力与去中心化网络所产出的任何成果之间的差距依然巨大。没有任何开放网络训练出能与前沿水平竞争的模型。公开展示的最大规模完全去中心化训练运行——大约在数百亿参数范围——在算力预算上比最大的中心化运行低一到两个数量级。该行业的押注是这一差距是工程和时间问题而非根本性障碍。这一押注尚未落定，任何向该行业配置资产的人都应将其视为假设而非结论。

去中心化 AI 技术栈已稳定为五层。了解项目所处位置决定了它的竞争维度、防御性以及代币如何可信地积累价值。

第一层：物理资源

由运营者贡献的原始 GPU、CPU、存储和带宽，涵盖从拥有单张消费级显卡的个人到拥有企业级加速器机架的专业数据中心。此处的经济逻辑是纯粹的商品供应。网络在利用率和供应接入摩擦上展开竞争。关键指标不是注册了多少 GPU，而是实际被租用和付费的比例——这一数字在整个 DePIN 算力行业历史上远低于宣称的总体产能。

第二层：编排与调度

将异构资源池转变为可用集群。这是真正的工程难题：将工作负载与具有合适内存配置的硬件匹配、处理作业中途节点退出、通过检查点确保节点掉线不会终止多小时运行、容器化环境以使作业在任何地方运行一致，以及绕过网络拓扑进行路由。Akash 使用反向拍卖，供应商对部署请求出价。io.net 使用基于 Ray 的编排层将地理分散的 GPU 集成为逻辑集群。Render 使用分层节点系统按信任度和硬件类别对作业进行分类。

第三层：验证

最困难的一层，也是决定整个体系是否成立的关键。问题陈述简单：你付钱给匿名运营商在你的输入上运行一个模型。你如何知道他们确实运行了你指定的模型、在你提供的输入上、诚实地运行，而不是返回缓存输出、更廉价的小模型或噪声？有四类解决方案。

• 复制与共识。让多个独立方完成工作并进行比较。推理成本低，原始算力开销大（为一个结果付 N 倍费用），且若副本可以协调则容易合谋。Bittensor 的 Yuma 共识是一个复杂变体：验证者独立对矿工输出评分，矿工的奖励来源于这些评分的质押加权共识，并通过裁剪机制使意见偏离加权中位数过远的验证者失效。它将主观质量判断转化为谢林点。
• 乐观验证与欺诈证明。假设结果是诚实的，发布保证金，设置质疑窗口期，在此期间任何观察者都可以质疑并强制重新计算。在正常路径下成本极低。需要有经济动机的观察者、有意义的保证金，以及本身可信的争议解决路径。Gensyn 的训练验证方法建立在这一系列之上，结合概率学习证明与基于图的定位，使争议可以缩小到单个分歧操作，而无需重新执行整个运行。
• 密码学验证（ZKML）。生成零知识证明，证明特定计算图在特定输入上被执行。数学上无懈可击，无需信任任何人。问题是开销：证明 transformer 前向传播的历史成本比直接运行高出几个数量级，且证明时间和内存随模型规模增长。EZKL 等工具链及各种证明堆栈已大幅改善，ZKML 现在对小型模型、分类器和决策层已切实可行。但对大规模语言模型推理进行规模化验证尚不实际。
• 硬件证明（TEE）。在加速器自身的可信执行环境内运行工作负载，该环境生成所执行代码和数据的签名证明。数据中心 GPU 上的机密计算现已成熟，大多数工作负载的开销为低个位数百分比。代价是将对运营商的信任替换为对芯片供应商及其证明服务的信任，这是一种真实但截然不同的风险。这已成为生产级去中心化推理的务实默认选择，也是 NEAR 机密 AI 设计的核心。

第四层：激励与机制设计

给定已验证的输出，谁获得多少报酬？这是区块链不可或缺的地方，也是大部分真正创新所在。设计难题在于智能质量既是主观的又是多维的。无法为模型响应是否良好编写封闭形式的评分函数。因此，网络使用客观代理指标（保留集上的损失、延迟、正常运行时间）、带共识的验证者评分（Bittensor），或市场结果（预测网络中准确性由现实结算）。每种方式都有失效模式：代理指标通过对基准测试的过拟合被破解，验证者评分可能被质押集中所捕获，而市场结果仅在最终真相到来时有效——这排除了大多数生成式任务。

第五层：应用与代理

技术栈顶层是自主代理进行交易的地方。2025-2026年的两项标准在此至关重要：x402 模式——复活休眠的 HTTP 402 状态码，使机器客户端能够通过 stablecoin 内联支付 API 调用费用而无需账户；以及 ERC-8004——规定代理身份、声誉和验证的链上注册表，使一个代理无需中央目录即可评估是否信任另一个代理。这两项标准共同使代理间商务从演示文稿幻灯片变为技术现实。未解答的问题是需求：代理间相互支付的经济体需要代理产生足够多的价值以证明支付是值得的，而这仍处于早期阶段。

以下是对重要网络的评估，按其实际功能组织。数据为近似值，反映2026年中期情况。

Bittensor (TAO) - 智能市场

Bittensor 是该行业概念上最具雄心的项目，也是最接近拥有运作经济体的去中心化 AGI 研究计划的存在。其架构为根链加上不断增长的子网种群，每个子网都是针对特定机器智能任务的自包含竞争市场。子网中的矿工生成输出，验证者对其评分，Yuma 共识将质押加权的验证者意见转换为释放量。子网数量目前在低数百级，涵盖大规模文本推理、图像生成、蛋白质折叠、金融时间序列预测、网络规模数据收集、去中心化预训练等。

2025年2月向动态 TAO 的过渡是网络最重要的变化。每个子网现在都有自己的 alpha 代币，并有一个与 TAO 对应的流动性池，释放量根据这些 alpha 代币的市场定价而非根链验证者投票进行分配。这将子网资金转变为持续的市场公投：资本流向市场认为正在创造价值的子网。这是一个优雅的机制，同时也是一个波动性机制，因为 alpha 价格稀薄且自我强化。

代币经济学刻意镜像 Bitcoin：2100万枚硬性上限，区块释放量在固定供应里程碑处减半，首次减半已过，后续减半将释放延伸至遥远的未来。TAO 自2024年以来交易区间极宽，大致在低数百至高七百美元之间。多头论点：Bittensor 是机器智能研究的无需许可资助与筛选机制，在多个子网拥有真实的产品吸引力。空头论点：子网间质量分散极为显著，相当一部分释放资助的活动没有外部客户，而对 TAO 的历史需求大多来自寻求释放量的参与者而非购买推理服务的终端用户。

NEAR Protocol (NEAR) - 用户自主 AI 与链抽象

NEAR 的不寻常之处在于其创始团队包含 transformer 论文的共同作者，且该项目自2024年起已将大量精力重新定向至 AI。其论点是用户自主 AI：用户应控制代表其行事的模型和数据，隐私由机密硬件而非策略强制执行。实用技术栈结合了 NEAR 的分片高吞吐量链、允许用户表达期望结果并让求解者跨链竞争完成的意图系统，以及在私有数据上运行带证明模型的机密计算基础设施。

意图是被低估的部分。历史上，必须跨多条链执行的自主代理需要在每条链上管理密钥、gas 和跨链桥。NEAR 的链签名和意图架构将其压缩为单一声明性请求。这是代理开发者实际需要的基础设施。NEAR 在我们平台上的情绪读数为90，略低于饱和的大市值群体。风险：NEAR 在 AI 开发者思维份额上与 Ethereum 的 rollup 生态和 Solana 展开竞争，其 AI 产品必须凭借自身价值而非链忠诚度取胜。

人工超级智能联盟 (FET) - 合并后的代理技术栈

ASI 联盟于2024年将 Fetch.ai、SingularityNET 和 Ocean Protocol 合并为 FET 代币，后来加入了 CUDOS 算力。此次合并打造了行业最广泛的单一技术栈：来自 Fetch 的自主代理框架和代理市场、来自 SingularityNET 的神经符号 AI 研究和 OpenCog 传承、来自 Ocean 的数据交换原语，以及来自 CUDOS 的 GPU 算力。优势：从算力到数据再到代理的垂直覆盖，加上加密领域历史最长的 AGI 研究传承。劣势：合并组织携带整合债务，合并实体需要努力证明整体超过三个原本独立社区之和。该代币最适合理解为代理经济敞口的多元化指数，而非对单一机制的押注。

Render (RENDER) - 扩展至 AI 的 GPU 渲染

Render 起初是面向3D艺术家的分布式 GPU 渲染，从 Ethereum 迁移到 Solana，并使用销毁与铸造均衡机制——客户销毁积分，节点运营者获得铸造奖励。在任何 AI 叙事出现之前，真实的工作室为真实的渲染作业付费，这使其成为行业中最有正当性声称具备前期产品市场契合度的项目。其向 AI 推理和扩散工作负载的扩展利用了相同的节点网络。关键问题：渲染和 AI 推理具有不同的硬件和内存配置，为一种工作负载优化的运营商并不自动在另一种上具有竞争力。

Akash (AKT) - 去中心化云

Akash 是一条运行容器化算力反向拍卖市场的 Cosmos SDK 链。用户提交带价格上限的部署规范；供应商竞相出价。这是该行业最贴近云原生的设计，因为任何在容器中运行的东西都可以在 Akash 上运行，其 GPU 市场一直是其增长引擎。优势：对于真实类别的工作负载而言，可真正替代主流云服务，链上租约数据透明。劣势：高端加速器的供应与愿意支付更多的买家竞争，高端硬件的利用率是需要关注的指标。

开放协作训练：Prime Intellect 和 Nous Research

这两者主要都不是代币故事，但都比大多数代币更重要。Prime Intellect 展示了跨洲际的百亿参数模型全球分布式训练，随后进行了更大规模的分布式强化学习运行，建立在源自 DiLoCo 的通信高效方法之上。Nous Research 开发了 DeMo 优化器——解耦动量更新以大幅削减节点间通信——并在 Solana 上协调运行分布式预训练网络。这些团队产生了去中心化训练切实可行的实证据。如果去中心化 AGI 论点最终得到验证，它将通过此类工作的成果来验证。

配角阵容

• Ethereum (ETH) 和 Arbitrum (ARB)：结算层，以及包括 ERC-8004 在内的代理标准的自然归宿，加上基于再质押的验证服务。
• Solana (SOL)：高频代理活动、DePIN 带宽和数据网络以及代理代币发行基础设施的吞吐量层。
• Cosmos (ATOM)：Akash、Allora 和多个 AI 应用链的底层 SDK，以及作为互操作性底层的 IBC。
• Filecoin 和 Arweave：数据集和模型权重的可验证存储，对来源声明至关重要。
• Allora：推理质量由实现结果评判的网络，这一设计巧妙地绕开了主观评分问题。

如果你在该行业只理解一个技术主题，请选择这个。验证和通信效率是去中心化网络与严肃 AI 工作负载之间的两堵高墙，该领域所有有意义的工程努力都是对其中一堵的攻坚。

为何分布式训练曾被认为不可能

标准数据并行训练将一个批次拆分到 N 个工作节点。每个节点在其分片上计算梯度，然后所有工作节点执行 all-reduce 以平均梯度，随后每个节点应用相同的更新。all-reduce 每一步都传输与模型参数数量成比例的数据。对于半精度的数十亿参数模型，这意味着每步传输 GB 级数据，每小时数千次。在具有高带宽互联的数据中心内部，这占步骤时间的可管理比例。跨越公共互联网以典型的住宅或商业带宽，通信将以数量级压倒计算，集群将几乎把全部时间花在等待网络上。

这正是传统观点认为严肃训练需要集中硬件的原因。传统观点对朴素算法是正确的，但对问题的判断是错误的。

这道墙是如何被突破的

三个算法家族改变了局面：

• 局部 SGD 与 DiLoCo。工作节点不再每步同步，而是使用内部优化器独立训练数百个局部步骤，然后使用外部优化器同步表示其累积漂移的伪梯度。这将同步频率降低了两到三个数量级，对最终模型质量的损失适中。开源的 OpenDiLoCo 实现及其后继版本使这一方法在单个研究实验室之外也可复现。
• 梯度压缩与动量解耦。DeMo 方法利用动量包含大量冗余这一观察，仅需及时共享梯度中变化最快的分量。通过解耦和压缩跨线传输的内容，带宽需求进一步下降数量级，在某些配置下足以通过普通消费者连接进行训练。
• 异步与容错流水线。节点在运行中途加入和离开通过弹性设备网格、频繁检查点以及容忍而非等待落后节点的设计来处理。

当前技术水平：数百亿参数规模模型的去中心化训练已得到验证和可复现。去中心化强化学习后训练——比预训练对通信更宽容，因为 rollout 生成是高度并行的——进展更为顺利，可能是去中心化网络首先取得真正竞争优势的领域。跨公共互联网的前沿规模预训练仍遥不可及。

四种验证机制的比较

从网络设计者的角度思考这一决策。你需要的验证足够廉价以不破坏成本优势，足够强大以使欺诈无利可图，以及足够通用以覆盖你的工作负载组合。

复制使你付出基础算力倍数的成本，并提供随副本数量和副本独立性增长的概率性保证。它适用于输出可比较的任务。当输出本质上是非确定性的时，它失效——两个诚实节点运行相同的基于采样的生成会产生不同的文本，迫使你在语义质量而非位级相等上进行比较——这正是你试图避免的主观判断问题。

乐观方案在正常路径下成本接近于零，这是其巨大优势。经济安全依赖于三个参数：保证金规模相对于欺诈价值、质疑窗口期长度，以及是否存在从抓住欺诈中获益的理性观察者。任何一个参数出错，方案就是摆设。ML 特有的微妙之处在于，争议解决的重新计算必须是确定性的，这需要锁定浮点行为、内核版本和硬件类别。

ZKML 是唯一完全无信任假设的机制。开销已大幅下降，但仍是大型模型的核心约束：证明成本随电路规模增长，而大型 transformer 前向传播是一个巨大的电路。2026年明智的部署模式是选择性的：对把守金融决策的小型高价值模型进行证明，而非对起草营销文案的大型模型进行证明。预期通过更好的证明系统、硬件加速和非线性激活的查找参数技术持续进步，但不要指望本轮周期内以商品价格实现前沿推理验证。

TEE 证明已成为生产推理的实际赢家。现代数据中心加速器上的机密计算模式加密内存并生成执行代码的签名度量，对大多数工作负载的开销低到商业上无关紧要。你同时获得完整性和机密性，这正是企业买家真正需要的。诚实的告诫是安全模型现在包括芯片供应商的证明基础设施以及飞地技术侧信道攻击的历史记录。这是信任降低，而非信任消除。

这对项目评估意味着什么

当一个网络声称可验证 AI 时，正确的后续问题是：哪种机制、其成本占工作负载的百分比、究竟证明了什么（模型权重、输入、采样参数，还是三者全部？），以及验证失败时经济上会发生什么。无法清晰回答这些问题的项目描述的是愿景。

去中心化 AI 行业的市值与其收入是两个不同的故事，混淆两者是该领域最常见的分析错误。

行业规模与构成

根据会员定义的宽泛程度，加密 AI 行业自2024年初以来的总市值在大约两百亿到七百亿美元之间波动。宽泛的范围既反映了真实的波动性，也反映了定义漂移——指数提供商曾周期性地将代理代币、DePIN 算力甚至带有 AI 品牌的梗币纳入同一桶中。

更有用的分解将行业划分为四个板块：

• 算力与基础设施（Render、Akash、io.net、Aethir、Filecoin 相关存储）：按数量最大的板块，特征是可量化收入、薄利润，以及与商品云的直接价格竞争。
• 智能网络（Bittensor 及其子网 alpha 代币、Allora）：概念价值高，适度外部收入上的估值倍数高，由 TAO 主导。
• 具有 AI 论点的平台链（NEAR，以及 ETH、SOL、ATOM 和 ARB 上的 AI 相关活动）：估值主要由通用链基本面驱动，AI 叙事作为增量倍数。
• 代理与应用代币：最具反射性和持续时间最短的板块，2024-2025年见证了爆炸性的发行活动，随后是严重的淘汰。任何单个代理代币在完整周期内保持价值的基础概率很低。

收入现实检验

这是任何向该行业配置资产的人都应该内化的令人不安的数字。去中心化算力和推理网络的年化外部收入总和——即来自自身并非网络奖励系统参与者的客户的付款——历史上一直是行业市值的极小百分之几。即使是表现最强、存在真实付费需求的项目，其收入倍数也令任何传统基础设施企业难以置信。

这并非自动意味着有罪。早期阶段网络合理地按期权价值交易，而作为增长补贴的代币释放是在其他加密垂直领域产生持久结果的公认策略。但这确实规定了正确的分析姿态：跟踪收入轨迹，而非收入水平。外部、非激励性收入以高速率从小基数复合增长的网络在执行。一旦剔除寻求奖励行为，活动指标持平的网络则不是，无论其代币表现如何。

抵制操纵的指标包括：付款方非收件释放量的已付 GPU 小时数、重复客户群体、扣除硬件和电力后每节点的毛利率，以及高端硬件层的利用率而非总注册算力。常被操纵的指标包括：注册节点数、总可寻址算力、交易数量和唯一钱包地址。

解读当前情绪图

本指南随附的情绪数据显示，异常广泛的大市值资产情绪达到最高或接近最高水平：ETH、SOL、BNB、ADA、DOGE、XLM、LTC、UNI、APT、ATOM 和 ARB 均为100，XRP 为92，BTC 为91，NEAR 为90，TRX 为87。以下几点值得关注。

首先，一致性本身就是信息。当情绪在基本面完全不同的资产上饱和——支付链、梗币、DeFi 治理代币和 L2 读数相同——这些读数在衡量市场机制而非资产特定信念。该机制是广泛的风险偏好。

其次，在风险偏好机制下，估值锚定薄弱的主题板块表现出最高的贝塔值。去中心化 AI 基本上没有估值锚定，因为在当前收入水平下折现现金流分析毫无意义。这产生了超额上涨参与和机制转变时同样超额的回撤。

第三，BTC（91）和 NEAR（90）略低于饱和群体的读数值得以不同原因关注。在广泛上涨中 BTC 读数低于山寨币群体是经典的后期轮动信号。NEAR 读数为90而大市值整体读数为100，表明市场尚未完全重新定价其 AI 仓位——这要么是机会，要么是对其产品吸引力执行风险的准确折扣。

增长轨迹情景

以情景而非预测框架描述未来二十四个月：

• 基础设施商品化（最可能）。去中心化算力在价格敏感的批量推理市场中占据有意义但不引人注目的份额。收入稳步增长，利润率保持薄弱，估值逐渐向基础设施倍数靠拢。赢家是客户获取成本最低、编排工程最优秀的网络。
• 智能突破。一个或多个去中心化网络生产出在重要基准上真正具有竞争力的模型或能力，验证生产论点而非仅仅是基础设施论点。这将是行业估值的阶跃变化，最可能出现在强化学习后训练或狭窄专业领域，而非通用预训练。
• 代理经济拐点。通过 x402 式轨道和 ERC-8004 式声誉实现的机器对机器支付达到真实规模，使 stablecoin 结算基础设施和托管链成为主要受益者。在这一情景下，ETH、SOL 和 NEAR 比 AI 特定代币捕获更多价值。
• 叙事耗尽。中心化能力以足够快且廉价的速度发展，使去中心化替代方案在抗审查利基之外从未具有经济吸引力。行业倍数向小收入基础压缩。

直接比较很复杂，因为以相同标签营销的项目往往根本不相互竞争。Render 和 Bittensor 不是替代品；一个出售 GPU 小时，另一个运行激励锦标赛。有用的比较发生在同一层内。

算力市场：Akash vs Render vs io.net vs Aethir

四者都出售对分布式加速器的访问权，并在四个维度上进行差异化。

• 工作负载通用性。Akash 最为通用，因为它编排任意容器，充当主流云算力的替代品而非专家。Render 最为专业，围绕渲染流水线构建，AI 是扩展。io.net 居中，专为 ML 集群而构建。Aethir 专注于企业级 GPU 交付以及游戏和 AI。
• 供应质量。专业数据中心中具有高带宽互联的企业级加速器，与住宅连接上的消费级显卡，是根本不同的产品。能汇聚前者的网络可以服务训练和延迟敏感型推理；偏向后者的网络局限于批处理和渲染工作。这一单一区别解释了每节点实现收入差异的大部分原因。
• 定价机制。Akash 的反向拍卖在链上动态透明地发现价格。Render 的销毁与铸造均衡机制将客户支付价格与代币现货价格解耦，对客户体验更好，但使代币价值积累更为间接。固定费率卡的市场模式以价格发现换取可预测性。
• 结算层。Cosmos SDK 用于 Akash，Solana 用于 Render 和 io.net。这对终端用户的影响小于对网络与其余 DeFi 可组合性的影响。

评估：这一层将整合。低转换成本的商品市场奖励规模，胜者将由哪个网络使现有工作负载的接入几乎无摩擦来决定，而非由谁拥有最令人印象深刻的算力数字来决定。

智能生产：Bittensor vs Allora vs 开放协作

Bittensor 的优势在于它拥有一个运作中的经济体，数亿美元的释放量积极资助数千名独立参与者在机器智能任务上竞争。这是一个没有其他去中心化系统能够企及规模的研究资助机制。其结构性弱点是释放量无论外部客户是否存在都会支付，这意味着一个子网可以资金充足同时商业上无关紧要。动态 TAO 通过将子网置于持续市场定价之下改善了这一点，但 alpha 市场稀薄，可能与其信息价值一样具有反射性。

Allora 的设计在任何现实最终会做出裁决的任务上在哲学上更为清晰。如果网络在预测价格或事件，结果到来且评分是客观的。这完全消除了验证者主观性攻击面。代价是范围：它仅在最终真相到来的地方有效，这排除了大多数生成式任务。

Prime Intellect 和 Nous Research 代表第三种模式：没有代币加权锦标赛的开放协作研究。它们在该行业产生最强的技术成果，并对推进技术水平有最清晰的主张。它们的协调问题恰恰相反——优秀的研究输出，但可持续地大规模补偿贡献者的机制尚不完善。

平台链：AI 领域的 NEAR vs Ethereum vs Solana

NEAR 的差异化在于链级原语与 AI 需求之间最紧密的集成：用于声明性跨链执行的意图、使代理从单一账户控制其他链上账户的链签名、用于吞吐量的分片，以及用于私有推理的机密计算。它是围绕代理用例设计的链。

Ethereum 的差异化是引力。标准在 Ethereum 上被编写和采用，因为开发者、stablecoin 和机构基础设施都在那里。ERC-8004 代理注册表之所以重要，正是因为它们是 Ethereum 标准。无论算力在哪里发生，代理经济都将在 Ethereum 及其包括 Arbitrum 在内的 rollup 上结算大量价值。

Solana 的差异化是交易层的低成本和高吞吐量，这对高频代理活动以及写入大量小记录的 DePIN 网络至关重要。Render、io.net 和多个数据网络正是出于这个原因选择了 Solana。

以 ATOM 为中心的 Cosmos 仍然是希望拥有自定义共识和应用逻辑的主权链团队的首选底层，这正是 Akash、Allora 和多个 AI 应用链在此构建的原因。

最重要的比较

暂时搁置内部竞争。本指南中的每个项目主要与中心化云和中心化模型 API 竞争，而非相互竞争。选择在哪里运行推理的开发者在四个维度上将去中心化网络与超大规模云服务端点进行比较：价格、延迟、可靠性和集成工作量。去中心化网络目前在批量工作负载的价格上具有决定性优势，在交互式工作负载的延迟上处于劣势，在可靠性 SLA 上处于劣势，在集成工作量上明显处于劣势。这四项中的三项是有已知解决方案的工程问题。行业轨迹取决于它们被解决的速度。

思考该行业敞口的平衡框架，不假装不确定性比实际更小。

结构性机遇

• 具有持久来源的成本套利。去中心化 GPU 小时与超大规模云服务商标准价格之间的差距并非在所有情况下都是临时补贴。部分差距是真实的：汇聚已建成、已联网的闲置硬件相比融资新数据中心和电网连接具有真正的成本优势。在差距是结构性而非释放量资助的地方，它将持续存在。
• 来源可追溯性的监管顺风。记录训练数据、归因输出和证明模型身份的要求有利于具有原生密码学来源的架构。这是一个缓慢但复合的优势。
• 抗审查作为真实产品。相当一部分应用无法使用中心化模型 API，无论是出于内容政策原因、司法管辖区原因，还是因为应用与提供商竞争。这种需求是无弹性的，并支付溢价。
• 代理支付轨道。如果机器对机器商务达到有意义的规模，加密轨道是唯一支持无账户、次美分、即时、可编程支付的结算层。这可能是该行业最被低估的机遇，其受益者是链和 stablecoin 基础设施而非 AI 品牌代币。
• 生产论点的非对称回报。如果去中心化网络有朝一日展示出真正具有竞争力的模型能力，重新定价将是剧烈的。这是低概率、高量级的结果，恰恰是值得小仓位而非零仓位的敞口类型。

风险，按重要性粗略排序

1. 伪装成需求的释放量驱动活动。最大的单一分析陷阱。以本币代币向参与者付款的网络会产生看起来像吸引力的活动，并在释放量下降时消失。诊断方式是询问给定单位活动在释放量为零时是否还会存在。对于该行业今天的大多数网络来说，大部分不会。

2. 中心化实验室的速度更快。前沿实验室拥有巨额资本、最优秀的研究人员、集成的硬件关系，以及在会议中而非通过治理论坛做出决策的能力。如果能力进步继续需要在单一设施中进行大规模集中训练，去中心化网络可能永远无法接近技术前沿。该行业的整体前提是情况并非如此。

3. 若干设计中代币价值积累真正不明确。精确追问：当客户为推理付费时，代币发生了什么？是被销毁、质押、分配，还是仅仅作为计量单位而客户从未接触过，因为他们以 stablecoin 支付？若干知名网络的代币经济学中，使用量增长对代币产生的机械需求很小。这不是致命的，但必须被定价。

4. 网络内部的质量分散与资本错配。在多子网架构中，价值创造的分布极度倾斜。少数子网产生大部分真实产出；许多子网产出的外部价值甚少，同时仍在获取释放量。购买基础代币的投资者购买的是平均值，而非最优值。

5. 验证失败。如果去中心化推理网络被抓到系统性地返回比支付价格更便宜或缓存的输出，声誉损害将是全行业的且严重的。验证不仅仅是技术细节，它是产品的完整性保证。

6. 两方面的监管风险。AI 监管可能施加无需许可网络在结构上无法满足的义务，例如识别训练模型的人或按需删除某项能力。另外，代币价值源自网络收入的代币的证券和市场结构待遇在不同司法管辖区仍存在差异且尚未确定。

7. 硬件周期风险。去中心化网络的供应不成比例地由上一代加速器构成。当新一代带来大幅效率提升时，旧硬件的经济效益急剧恶化，持有该供应的网络利润率压缩。

8. 集中度与治理捕获。质押加权机制将影响力集中于大持有者。在验证者对矿工评分的地方，协调的质押多数方可以将释放量引导至自身。各网络在多大程度上认真解决了这一问题差异很大。

实用评估清单

在对该行业任何项目形成观点之前，具体回答以下问题：

• 网络收入中有多少百分比来自不获取任何释放量的各方？
• 验证机制是什么，其开销占工作负载成本的百分比是多少？
• 释放计划如何，在当前释放量减半时网络看起来如何？
• 代币是否必须用于交易，还是可选的，可以用 stablecoin 绕过？
• 高端硬件层的利用率是多少，而非总注册算力？
• 什么已发货与什么在路线图上，以及历史上宣布与交付时间线之间的差距是多少？
• 谁是三个有名字的外部客户，他们为什么付费？

能清晰回答所有七个问题的项目极为罕见。这种稀缺性本身就是最有用的筛选信号。

该行业的预测记录惨不忍睹，因此以下内容以具有明确推理和明确可证伪方式的方向性论点形式呈现，而非预测。

2026-2027年：整合与验证阶段

论点：算力市场层从十几个可信网络整合为三到四个，由编排质量和企业集成而非算力决定。差异化因素将是客户是否能将现有工具指向网络并让工作负载运行而无需改写任何内容。需要定制集成的网络将输给提供熟悉界面的网络。

论点：基于 TEE 的验证成为去中心化推理的生产标准，ZKML 局限于小型、高价值、高风险模型。开销经济学使这近乎不可避免。关注机密计算从高级选项变为默认宣传特性。

论点：去中心化强化学习后训练在去中心化预训练之前达到真正的竞争力。RL rollout 生成是高度并行的且延迟宽容，这比梯度同步更适合去中心化拓扑。如果行业在这一窗口期产生合法的能力里程碑，最可能来自这里。

证伪方式：如果企业买家得出任何非 SLA 支持的基础设施对生产而言不可用的结论，整合将围绕能够提供传统合同保证的人进行，这有利于去中心化行业中最中心化的参与者，并从内部破坏论点。

2027-2028年：代理经济测试

论点：机器对机器支付成为行业最清晰的商业成功，它们使通用链和 stablecoin 基础设施比 AI 特定代币受益更多。技术部分——内联 HTTP 支付协议、链上代理身份和声誉注册表、可编程消费限额——已经规定并正在交付。缺少的是价值足够高以使支付值得的代理。这是一个能力问题，而能力正在快速提升。

论点：数据成为争议资源而非算力。随着开放权重模型商品化架构以及公共网络数据耗尽，差异化专有数据成为持久护城河。这在结构上有利于能够在隐私保证下吸引数据贡献的网络，即机密计算与代币激励的交集。预期这一时期最有趣的机制设计工作围绕数据而非算力展开。

证伪方式：合成数据生成可能被证明足够好，使专有数据护城河远不如预期重要，令论点崩塌。

2028-2030年：结构性问题

到本十年末，以下两种情况之一将变得明显。

情景 A——去中心化在规模上被证明可行。通信高效训练持续改进，验证变得廉价且常规，去中心化网络在至少一个重要领域训练或微调出与同期封闭模型竞争的模型。行业大幅向上重新定价，AI 基础设施支出的构成发生转变。在这个世界里，在2026-2027年整合中存活并建立持久供应关系的网络将捕获巨大价值。

情景 B——去中心化稳定于永久利基。前沿能力仍然是集中资本和集中算力的函数。去中心化网络持续存在且真正有用，服务于价格敏感的批量工作负载、抗审查应用、隐私受限行业以及长尾专业模型。这是真实且持久的业务，也许是数十亿美元级别的，但它是基础设施而非智能，应被相应估值。

诚实权衡：基于当前证据，情景 B 更有可能。能力差距很大，前沿训练趋势是更多而非更少集中，没有任何去中心化网络展示出迫使重新评估的结果。但情景 A 远未被排除，2024年至2026年间通信效率的算法进步快于大多数业内知情观察者的预期。理性姿态是按情景 B 经济学大小的敞口，同时持有情景 A 的期权价值。

作为领先指标需要关注的具体事项

• 完全去中心化训练的最大参数量，以及这一数字移动的速度。如果到2028年仍在数百亿范围，情景 B 得到确认。
• 行业整体外部收入与释放量之比。上升的比率是真实产品市场契合度的最佳单一证据。
• 是否有重要企业以自己的名义公开采用去中心化推理用于生产工作负载。具名参考案例改变采购对话。
• 验证开销占工作负载成本的百分比。如果接近可忽略不计，去中心化推理在更广泛的工作负载上在价格上将严格占优。
• 公共轨道上的代理支付量是否每年增长至数十亿。这在链上可量化，是代理经济论点最清晰的可用代理指标。
• AI 监管在模型来源和数据归因方面的方向。更严格的要求有利于密码学架构。

本最终章节是工作方法而非评论。这是严谨分析师在对该行业任何项目形成观点之前应执行的过程。

第一步：将项目归类至其实际层级

在一切之前，确定项目真正占据五层技术栈中的哪一层：物理资源、编排、验证、激励或应用。营销材料会声称多层。看工程：代码库实际上做什么，团队发表的内容是什么，收入来自哪里。出售 GPU 小时的项目是基础设施公司，无论其文档中出现多少 AGI 字样，都应与基础设施可比公司进行估值。错误分类是该行业大多数糟糕估值工作的根源。

第二步：将释放量驱动活动与有机需求分开

构建反事实：如果代币释放量明天降至零，哪些活动会继续？逐一检视每个参与者类别。为获取释放量而贡献硬件的节点运营者会离开。以市场价格为其所需服务付费的客户会留下。为获取收益而质押的验证者会取消质押。构建有真实用户产品的开发者会继续。

剩余部分——在反事实中存活的——是网络的实际业务。其他一切都是增长补贴，这是合理且通常正确的策略，但必须被认定为支出而非收入。网络很少发布这种分解。你通常需要从链上数据构建它，按地址比较支付流与释放分配。

第三步：审查验证声明

提出技术章节中的四个问题：哪种机制、多少开销、具体证明了什么，以及检测到失败时的经济后果是什么。然后提出第五个将严谨项目与营销区分开的问题：是否有人曾被抓住并被罚没？在生产中从未触发过的验证系统要么完美要么无效，而无效更为常见。寻找已发布的事件数据。

第四步：机械地追踪代币价值积累

追踪单个客户美元流经系统的路径。客户用什么资产支付？如果是 stablecoin，是否有任何东西转换为原生代币，该转换是强制性的还是为了方便？是否有任何部分被销毁，销毁是否与使用量成比例？节点运营者是否以原生代币支付，他们是否立即卖出，从而产生随网络增长扩大的结构性卖压？

这个练习出乎意料地频繁产生令人不安的结论。若干备受好评的网络的设计中，使用量增长创造的是净代币供应压力而非需求。这不使它们成为糟糕的业务；它使其代币成为对该业务的糟糕表达。

第五步：对照交付历史评估团队

将宣布的时间线与项目完整历史（而非仅最近几个季度）的实际交付进行比较。具体查看：宣布后悄悄放弃的功能、反复推迟的主网日期，以及博客文章中的技术声明是否曾被独立复现。在声明超过验证的行业中，准时交付承诺内容的有据可查历史是最强的可用信号之一，且稀缺到足以真正产生差异化。

第六步：按情景而非故事调整仓位大小

根据分析，确定项目需要哪个未来情景才能证明其当前估值合理。如果需要情景 A——去中心化在前沿规模被证明可行——那么无论叙事多么引人注目，仓位都应该按低概率期权来调整大小。如果在情景 B 中有效，则可以承担核心权重。该行业大多数项目的定价是针对情景 A 的，而其基本面描述的是情景 B，认识到这种错位正是分析优势所在。

第七步：定义什么会改变你的想法

在建立任何仓位之前写下具体的观察，这些观察将使论点失效：两个连续季度收入轨迹趋平、验证失败事件、关键团队离职、释放计划变更、竞争对手以更低成本交付相同能力。叙事驱动的行业正是预先承诺失效标准最重要的行业，因为叙事会为任何单个失望提供持有理由。

应用框架：综合总结

对主要网络运行七个步骤得出粗略分类。Akash 和 Render 清晰地归类为具有真实外部收入、透明机制和情景 B 可行性的基础设施。Bittensor 归类为具有行业最具雄心机制的激励层，有意义但集中的外部收入，以及需要大量情景 A 信念的估值。NEAR 归类为平台链，AI 是通用链基本面之上的增量论点，这使其在两个方向上对 AI 叙事的贝塔值更低。FET 归类为横跨三层的多元化篮子，降低了单点失败风险，同时稀释了任何单一论点的清晰度。Prime Intellect 和 Nous Research 归类为研究项目，无论是否有任何直接敞口的方式，其成果都应作为整个行业的领先指标来跟踪。

这些分类都不是建议。它们是方法的输出，而方法才是持久的东西。项目会变化，机制会被重新设计，2028年行业的构成将与今天不同。七个步骤仍将适用。