从代理金融到隐私验证：去中心化 AI 正在重塑智能经济的每一个层级。

撰文：Pink Brains

编译：AididiaoJP，Foresight News

去中心化 AI 的存在，是因为中心化 AI 存在结构性瓶颈，而这些瓶颈靠资本和代码无法解决：

• 计算资源稀缺且昂贵
• 控制权过度集中
• 模型输出不可验证
• 训练数据获取越来越难

计算资源稀缺且昂贵

GPU 基础设施预计将从 2025 年的 100 亿美元增长至 2035 年的 770 亿美元。数据中心 GPU 已经连续几个月处于售罄状态。去中心化计算市场预计将从 2024 年的 90 亿美元增长到 2035 年的 220 亿美元（Research and Markets 数据）。这个数字只有在你相信短缺是结构性而非周期性问题的前提下才成立，我们认为它就是结构性问题。

控制权过度集中

ChatGPT、Gemini、Grok、Claude 都由少数几家私人公司拥有和运营。目前的 AI 政策假设只有少数能够集中海量计算资源的实体才能训练强大系统。一旦打破这个假设，谁能构建前沿智能的格局就会彻底改变。

输出结果不可验证

当模型做出决策时，用户无法验证是否运行了正确的模型、计算是否正确执行、敏感数据是否泄露。这对聊天机器人来说还能容忍，但当 AI 处理贷款、医疗保健，或自主代理操作实时钱包时，就完全无法接受。

训练数据获取越来越难，原因在于隐私担忧和监管

一个位于单一 AWS 区域的中心化爬虫很快就会被限速、地域封锁，或被投喂中毒缓存。正如 a16z 在 2026 年展望中所言，隐私正在成为「加密领域最重要的护城河」。

AI 需要区块链，让智能变得开放、可验证且在经济上可及。

去中心化 AI 技术栈地图

• 应用与服务层：AI 代理能做很多事，但在加密领域，目前主导的两个用例是代理金融（Agentic Finance）和代理支付（Agentic Payments）
• 中间件层：连接的组织——从构建和识别代理的框架、代理市场，到协调层
• 基础设施层：AI 的底层资源——隐私与验证层、计算、推理、训练、数据和存储

应用与服务层

代理金融把自然语言提示转化为链上行动。

@gizatechxyz 的 ARMA 代理已在选定借贷市场处理了超过 46 亿美元的代理交易量——在 EigenLayer 的 AVS 框架上逐块运行、非托管。

@Infinit_Labs 运行着一个由 20 多个专业代理组成的集群，能将「用 1 个 BTC 每月赚 1000 美元」这样的意图转化为 Ethereum、Solana 和 Base 上一键策略。

@coinvestai by Liquid 将实时执行直接嵌入 ChatGPT 和 Claude，支持通过 Model Context Protocol 在 500+ 市场交易。

@minara 集成 Hyperliquid 并最近加入 Lighter。它通过 DMind 模型和 50+ 集成运行完整的「分析 → 决策 → 执行」交易闭环。

@Cod3xOrg：一个由轻量级 AI 代理组成的网络，能将意图转化为构建并执行的链上交易。

@Zyfai_：一个自托管的 DeFAI 代理，能自动化和优化收益耕作，持续跨协议重新平衡资本，以追逐风险调整后 APY，无需人工干预。

在预测市场方面，@SynthdataCo 是一个 Bittensor 子网，运行去中心化预测金融智能网络。矿工竞争建模短期价格不确定性。它已经在为 Kalshi 加密市场的 Mode AI Quant 等产品提供实时数据。

代理支付：机器支付机器

正如互联网成为数字经济的通信层，区块链和稳定币正在成为代理支付的结算层。

截至 2026 年 5 月，x402 在 Base 和 Solana 上已处理超过 1.73 亿笔交易，x402 基金会成员包括 Google、Visa、AWS、Circle、Anthropic、Stripe 和 Cloudflare。Stripe 从 2026 年 2 月开始使用它；AWS 推出了原生 AgentCore Payments。

买方和卖方活动正在增加，大多数交易与真实的按需付费使用相关：API 调用、AI 推理服务、代理商业等类似工作负载。最初的炒作周期已经冷却，但底层 traction 开始跟上。

与此同时，Stripe 和 Tempo 的 Machine Payments Protocol 正作为第二条轨道出现，自上线以来已记录超过 41.19 万笔交易和 9600 名买家。

这些网络共同表明，机器对机器的商业正在向更广泛的方向转变，软件代理可以以机器速度自主交易。

中间件层

随着代理数量增加，核心难题变成协调：代理如何相互发现、证明身份，并在无人参与的情况下进行交易。

这里的信任缺口是瓶颈。代理商业的估计规模到 2030 年将达到 1.5 万亿至 5 万亿美元，但采用受限于一点——大多数用户愿意让 AI 做研究，但很少有人愿意让 AI 实际购买。

今天的系统仍然依赖 API 密钥，几乎没有任何系统将代理视为具有身份的实体。

@GoKiteAI 正在构建一个专门的 L1，将身份和支付作为原生原语。ERC-8004 是以太坊标准，为代理提供可移植的链上身份和声誉，可跨链跟随。

在市场方面，@virtuals_io 是 Base 上代理经济的操作系统。到 2026 年 6 月，它已处理超过 238 万个代理任务，产生了近 4.8 亿美元的「代理 GDP」。

但这一层的明珠是 Bittensor。它是一个由专业子网组成的网络，每个子网都是一个微型经济体，矿工运行 AI 模型，验证者评分输出，TAO 排放流向产生最有用工作的人。有三个机制让它在经济上严肃：

• 2025 年 12 月减半将每日 TAO 发行量从 7200 降至 3600，对应 2100 万硬顶。
• dTAO 升级为每个子网提供自己的 Alpha 代币和 AMM 池——市场决定排放。
• Taoflow 升级（2025 年 11 月上线）纯粹按净质押流分配排放。一个子网如果解质押多于质押量，就可能降至零。设计上就是达尔文式的。

网络已超过 128 个活跃子网，前 3 大计算子网据报在货币化后三个月内实现合计 2000 万美元 ARR。达尔文主义就是产品。

其他项目则专注于创建专用 AI 区块链，或提供支持社区拥有 AI 生态系统所需的工具、框架和激励机制。

@NEARProtocol：一个无形的协调层，结合结算、身份、隐私、TEE、MPC 和 PII 保护，服务于自主代理。

@base——「代理经济」的主基地。Base MCP 允许 Claude、ChatGPT、Cursor 等 AI 工具通过提示在 Uniswap、Morpho、Avantis 等平台执行链上行动——兑换、转账、DeFi 交互。

@SentientAGI：其 GRID 生态系统连接代理、模型、数据和计算，将查询路由到专业参与者以提供最佳结果。

@gensynai：可验证的 ML 执行，协调分布式硬件进行训练和推理，同时确保工作可信，$AI 协调网络。

@SaharaAI 在单一 AI 原生生态系统中连接数据、模型、代理和奖励。

基础设施层

基础设施是 AI 的骨架——一切上层依赖的原始计算、推理、训练、数据和隐私原语。这是去中心化 AI 栈中资本最密集的一层。

去中心化计算

@akashnet 运行反向拍卖市场，提供商竞价以赢得你的工作负载。2026 年 Q1 新租约增长 27%，达到 43500+，连续第三个季度增长。其 AkashML 推理服务在 4 月处理了近 1200 亿个 token，价格比主流云便宜 60–85%。

@rendernetwork 发布同比增长 428% 的使用量增长。

@ionet 在 Solana 上聚合了来自 130 多个国家的 130000+ GPU。

@AethirCloud 是真正有收入的之一：自报约 1.66 亿美元 ARR（2025 年 Q3），交付了超过 15 亿计算小时。

分布式和可验证推理

推理占 AI 运营成本的 70% 以上，高盛预计代理 AI 将推动到 2030 年 token 消耗量增长 24 倍——每月 120 万亿 token。

去中心化的答案是让推理变得廉价、私密且可验证。

@AskVenice 已通过私有和无审查模型为超过 200 万用户每天提供超过 500 亿 token，其护城河是模型。

@OpenGradient 已处理超过 200 万次可验证推理，生成 50 万 + zkML 证明。

@chutes_ai：开发者可以通过简单 API 部署和扩展 AI 模型，由 GPU 矿工支持，成本最高可比 AWS 便宜 85%。平台收入通过自动质押机制转化为 token 需求。

@dphnAI——去中心化 AI 推理网络。值得注意的是，Dolphin 开发了 Venice AI 使用的无审查模型，并将 100% 网络收入用于代币回购。

去中心化训练

训练是最难的问题，也是影响最大的问题——它决定前沿模型是否必须在三四家企业实验室内部构建。

@PrimeIntellect 的 INTELLECT-1（100 亿参数）是首次全球分布式训练运行；INTELLECT-2（320 亿参数）是首次分布式 RL 运行。

@tplr_ai 成功在 70+ 个分布式节点上训练了 Covenant-72B，处理约 1.1 万亿 token，将通信成本降低了 146 倍。

@NousResearch：其 Psyche 网络实现容错分布式训练，Hermes 4.3 成为首个在去中心化基础设施而非中心化集群上训练的 Hermes 模型。

@MacrocosmosAI 的 IOTA 子网（SN9）进行去中心化 LLM 预训练和「在家训练」，其 Data Universe 子网（SN13）处理数据层。DiLoCo 系列低通信算法让分散在全球的 GPU 可以在没有数据中心超高速内部网络的情况下协作。

去中心化数据可用性和存储

随着 AI 工作负载规模扩大，两者都正在成为瓶颈。前沿模型消耗海量新鲜数据，而存储需求已激增到主要硬盘供应商报告产能已提前数年售罄的程度。

经济学很吸引人。去中心化存储可以比传统云提供商便宜 60-80%，@Filecoin 等网络提供存储价格低于每月每 TB 1 美元，而中心化替代方案大约为 30 美元。

@grass 向来自 190 个国家的 250 万节点支付闲置带宽费用，让 AI 实验室可以抓取实时网络。

@WalrusProtocol 是由 @Mysten_Labs 构建的快速崛起挑战者，用于去中心化存储和数据可用性——使用二维纠删码高效存储大型「blob」，并越来越多地被定位为 AI 代理的持久内存层。

@eigencloud：一个围绕数据可用性、可验证计算和争议解决构建的可验证云平台。由再质押 ETH 保障，其理论是让 AI 代理能够以加密保证运行，使行动可证明、可审计和可执行。

@vana——一个 EVM L1，Data DAOs 和 Data Liquidity Pools 将个人数据转化为可代币化、可交易的资产。

@reppo 和 @oroagents 通过激励竞赛为 AI 训练构建高质量且可信的数据集。

隐私与验证层

普通 AI 用户无法验证模型是否私密处理了他们的数据、是否正确执行了计算，甚至是否使用了声称的模型。

在 2026 年，隐私和验证正在成为 AI 的先决条件，而非附加功能。

@nillion——「盲计算机」，使用 MPC 和自己的 Nil Message Compute 在加密数据上执行计算而无需解密。使用场景包括私有 AI 推理、加密数据库和私有 RAG（让 AI 查询专有知识库而不泄露）。

@Arcium：Solana 上的去中心化机密计算网络。使用场景包括 Umbra（屏蔽转账 / 私有收益）和敏感数据集上的机密 AI 训练。

@OasisProtocol：隐私优先 L1，使用 ROFL（Runtime Offchain Logic），一个基于 TEE 的框架，用于运行可验证、隐私保护的链下计算——AI 代理、模型训练或预言机。

@octra：原生支持 FHE 的隐私优先 L1，使用专有方案 HFHE（Hypergraph FHE），专为并行加密计算和吞吐量设计。

@eigencloud：验证重型选手，建立在 EigenLayer 的再质押安全之上。EigenAI（可验证 LLM 推理是一个兼容 OpenAI 的 API，用于开源模型，其中提示和响应可证明未被篡改）和 EigenCompute（用于代理逻辑的可验证链下执行）。

@PhalaNetwork。云 GPU 强大但不私密；Phala 让工作负载可证明，甚至对 Phala 自身也是屏蔽的。其核心产品 Phala Cloud 上的 GPU TEE 将开源模型部署到硬件上，提供兼容 OpenAI 的 API，其中每次推理都有加密证明。

2026-2027 年去中心化 AI 的走向

AI 需求增长速度快于基础设施跟进速度，AI 代理正在成为主导增长引擎——链上轨道已准备就绪。

计算正在转变为资产类别，链上市场正在成为其金融层。机构参与者正在从实验转向基础设施投资。

代币经济学正在成为去中心化 AI 在协调资本、计算和数据方面的结构性优势。机会正在从 AI 扩展到机器人、自主机器和物理 AI。

结论

去中心化 AI 正在基础设施、中间件、应用等主要栈中增长，体现在计算收入、增长的代理经济和大规模分布式训练上。

但这个领域仍处于早期。收入往往落后于代币激励，采用仍然不均衡，虽然整体 AI 投资激增，但去中心化 AI 仍只占风险投资的一小部分。代币驱动的网络可以是强大优势，但前提是价值捕获设计正确。

即便如此，Bittensor、NEAR、Virtuals、Base 和 Venice 等项目的出现表明，去中心化 AI 正在从投机叙事演变为协调计算、数据、资本和智能的新模式。