跳至正文
  • BTC $62,420 −0.7%
  • ETH $1,762 −0.9%
  • SOL $73.12 −0.3%
  • BNB $579.74 −0.5%
  • XRP $0.9660 +0.2%
  • DOGE $0.0583 −0.6%
  • ADA $0.1522 +0.9%

去中心化AI:是什么,如何运作,以及为何将在智能经济中居于核心地位

在《2025年AI现状》报告中,Messari专门用一整章讨论去中心化AI(deAI),将其定义为一种必要的补充。

decentralized ai deai

在“State of AI 2025”报告中,Messari专门用一整章讨论去中心化AI (deAI),将其定义为不是传统AI的意识形态替代品,而是确保透明度、安全性和全球参与的必要补充。

在一个模型变成黑箱且私人实验室权力不断增长的世界中,deAI 的角色并非理论上的:它是对新智能秩序挑战的结构性回应。

人工智能正成为全球最具战略意义的数字基础设施。然而,当科技巨头巩固其主导地位时,一个平行的运动正在兴起,旨在构建一种截然不同的AI:开放、可验证、无许可且分布式。

什么是去中心化人工智能(deAI)?

deAI 是一个建立在分布式网络上的 AI 系统,其中:

  • 数据可以在无许可模式下收集、标记和交换;
  • 计算在全球独立的GPU网络上执行;
  • 模型可以在没有单一控制权威的情况下进行协调训练和使用;
  • 隐私、可验证性和声誉通过区块链、加密技术和认证系统得到保障;
  • AI代理可以在一个trustless环境中进行交易、识别和协作。

换句话说:

去中心化AI是一个基础设施,允许构建一个“任何人都可以使用和创建”的开放AI,而无需依赖于私人巨头。

为什么去中心化AI变得必要?

Messari将原因分为两类:哲学和实践。

🔹 哲学

  1. 权力集中
    集中化的AI赋予少数公司(OpenAI、Google、Anthropic)巨大的控制权。这影响了叙事、数据访问、技术标准,甚至是社会进程。
  2. 不透明性
    我们不知道这些模型是如何训练的,使用了哪些数据,包含了哪些偏见。
  3. 信任有限
    没有可验证的保证表明所提供的模型是声明的模型,或能够正确处理数据。

🔹 实践

  1. 全球协调
    区块链能够在无需信任的情况下协调数百万设备和贡献者。
  2. 链上可验证性
    身份、声誉、模型状态和完整性可以以不可变的方式记录。
  3. 原生支付
    AI代理需要即时支付、微交易和即时结算:在这方面,crypto是不可替代的。
  4. 通过分布式网络实现可扩展性
    deAI 利用现有硬件(游戏PC、边缘设备、小型数据中心),不仅仅是GPU hyperscaler。

deAI Stack:构成生态系统的6个层级

该报告详细描述了deAI的技术栈,由6个互联的层组成:Data → Compute → Training → Privacy/Verification → Agents → Applications。

让我们逐一查看。

1. 数据层

每个AI系统的核心是数据集。
在去中心化AI中,数据通过分布式网络进行收集、标记、存储和交换。

主要活动:

  • 数据收集(视频、音频、传感器、实际互动)
  • 通过激励性市场进行标记
  • 清理和预处理
  • 分布式网络上的存储 (Filecoin, Arweave, Jackal)
  • 数据市场 (Ocean, Vana, Cudis)

去中心化允许:

  • 更大的数据多样性
  • 直接向贡献者提供经济激励
  • 可验证性(来源、时间戳、身份)
  • 降低专有数据集的成本

随着预计到2030年将出现“数据饥荒”,这一层变得至关重要。

2. 计算层

这里是AI最昂贵的部分:执行训练和推理。

去中心化计算网络 (DCN):

  • Akash
  • 渲染
  • io.net
  • Aethir
  • 双曲线
  • EigenCloud
  • Exabits

主要优势:以市场价格提供按需计算服务,而不是由云服务提供商设定的价格。

历史上,由于延迟和同步问题,DCN 在大规模训练中效果不佳,但如今它们非常适合提供推理服务,因为:

  • 需要较少的GPU之间通信
  • 可以在异构硬件上执行
  • 是预计到2030年将占据计算需求50-75%的细分市场

3. 训练与推理层

Messari 明确区分:

预训练

极难去中心化:
需要庞大的数据集、紧密的同步、高带宽。

后训练(SFT / RLHF / RL)

非常适合分布式网络:

  • 更多异步性
  • 减少沟通
  • 更高的可扩展性
  • 数据众包的可能性

去中心化推理

这是使去中心化AI在现实生活中可用的缺失环节。

报告中提到的示例:

  • Prodia
  • 下跌
  • Fortytwo Network
  • dria
  • inference.net

4. 隐私与验证层

这时,最复杂的加密技术就派上用场了。

基本技术:

  • ZKML (零知识机器学习)
  • Optimistic ML(通过挑战期验证)
  • 基于TEE的机器学习 (可信执行环境)
  • FHE (全同态加密)
  • MPC (多方计算)
  • 联邦学习

目标:

确保模型已被正确计算,无修改且不暴露敏感数据。

提到的项目:

  • Phala (TEE)
  • Zama (FHE)
  • Nillion (MPC)
  • EZKL (ZKML)
  • Lagrange (zkML + 验证基础设施)

这是企业采用的最重要层。

5. 代理与编排层

该报告分析了autonomous agents如何成为AI的新“界面”。

一个完整的栈包括:

  • 基础模型 (LLM 或 SLM)
  • 工具 (API, 钱包, 浏览器自动化)
  • 框架 (ElizaOS, Daydreams, Olas, Questflow)
  • 通信标准
  • 多代理协调
  • 可验证的完整性(不可篡改的提示,已验证的推理)

区块链为代理商解锁:

  • 身份
  • 声誉
  • 自托管支付
  • 无信任访问金融服务
  • 可审计性

代理人将在未来5年内成为区块链的主要“用户”。

6. 应用层

最终层:构建在整个堆栈上的应用程序。

示例:

  • 交易代理
  • 自主DeFi机器人
  • 自主浏览器
  • 网络安全系统
  • 数据标注 AI驱动
  • 用于游戏、发现或电子商务的多代理宇宙
  • 去中心化推荐引擎

deAI应用程序的运作方式与普通AI相似,但有三个不同之处:

  1. 透明度
  2. 可验证性
  3. 与加密货币的互操作性

为什么是现在?推动去中心化AI的5大力量

Messari 识别出五大趋势,为去中心化AI的增长创造了完美的环境:

  1. 推理需求呈现垂直增长
  2. 公共数据的耗尽与专有数据的需求
  3. AI代理自主交易的爆发
  4. 全球人才争夺战与高昂的计算成本
  5. 训练和验证去中心化的进展

中心化的AI无法满足所有需求:需要互补性。

结论:deAI是开放、可验证和参与式AI的基础

去中心化AI不是一种趋势:它是一种结构性回应。
随着模型的增长和大型科技公司的权力集中,对以下方面的需求:

  • 验证
  • 去中心化
  • 证明
  • 协调
  • 对冲
  • 保护
  • 分发

变得至关重要。

deAI 是一种基础设施,使 AI 不仅强大,而且:

  • 开放
  • 安全
  • 分布式
  • 全球可访问

Francesco Antonio Russo

Francesco Antonio Russo的全部文章