在过去的两年中，人工智能的重心发生了变化。如果说在2022-2023年，一切都围绕着大型模型及其训练展开，那么今天真正的战斗不再是模型的构建，而是其持续执行的能力，即每天响应数十亿次查询的能力。这是一场inference的战争，比看起来要重要得多。
Messari在其报告“State of AI 2025”中明确指出：到2030年，推理将占全球计算需求的50%至75%。如此高的比例将彻底重塑AI基础设施的地理布局。
今天，每当用户打开ChatGPT，生成图像、寻求建议、分析文本、请求代理在网上浏览或做出决策时：他们正在消耗inference。同样的情况也发生在数以千计的AI代理身上，它们在后台持续执行操作，而无人关注。
结果是计算消耗呈现出垂直增长，远远超过训练模型本身所需的计算量。
Summary
新的压力：真实用户，真实互动
这一增长的原因是多方面的，但都汇聚于一个方向：AI已经成为一种大众化服务。用户不再仅仅是实验；他们每天都在使用AI，使用时间更长，应用也越来越复杂。
ChatGPT的会话变得更长、更复杂：根据Messari的数据显示，用户在模型上花费的时间在一年内翻了一番，单次会话的平均时长增加了75%。这是一个非常明显的信号：AI不再是一个“偶尔”的助手，而是一个真正的操作环境，用户在其中停留更长时间，提出更广泛且更密集的token请求。
此外，AI消费市场的爆发也值得关注。到2024年，人工智能应用的下载量已超过十亿，年增长率超过100%。ChatGPT目前每周用户超过7亿，而Gemini、Copilot和Claude的增长速度也相似。这是一波持续不断的需求浪潮，转化为计算能力需求，从而导致成本增加。
“reasoning”因素：智能模型成本更高
使一切更加复杂的是“reasoning”导向模型的兴起，这些模型不仅仅是完成句子，而是尝试进行推理、解释和规划。与传统模型相比，这些模型在回答同一个问题时消耗的token多达十倍。
如果再加上该行业已经采用了基于强化学习的后训练技术——如DeepSeek所示——计算压力进一步爆炸。强化学习为每个单一问题生成数千次迭代，将计算消耗成倍增加到工业规模。
换句话说：AI 越智能，运行成本就越高。
成本问题：推理已成为AI的新“硬核”
有一个常常被低估的点：训练是一个巨大的成本，但这是一个一次性的成本。一旦训练完成，模型就存在了。相反，推理是一个持续的成本，无限的，与使用它的用户、代理和应用程序的数量成正比。
对于大型实验室——OpenAI、Anthropic、Google——推理已成为主要的支出项目。这一动态正在为与加密生态系统密切相关的无声革命创造空间。
开源颠覆平衡：更小、更快且更经济的模型
尽管专有模型在规模和复杂性上不断增长，开源技术正在迅速缩小差距。根据Messari引用的Artificial Analysis基准测试，顶级封闭模型与大规模开源模型之间的差距如今已显著缩小，尤其是在成本方面的对比。
一个拥有1200亿参数的开放模型在推理成本上比ChatGPT-5低至90%，而能力损失总体上是边际的。
但真正的革命涉及small和mid-size模型，参数在40亿到400亿之间。如今，许多这样的模型即使在单个消费者级GPU如RTX 4090或5090上运行，也能解决复杂任务。这意味着推理不再需要集中在巨大的数据中心：可以分布式进行。
这正是去中心化AI世界找到其自然立足点的地方。
去中心化计算网络（DCN）的崛起：计算的新经济
去中心化计算网络 (DCN) — 如 Render、Akash、io.net、Aethir、Hyperbolic、EigenCloud 和 Exabits — 聚合了全球分布的数百万个 GPU。多年来，这些网络一直难以找到真正的市场：大型模型的训练由于延迟和 GPU 之间持续的信息交换而变得极其复杂。
但推理是另一回事。
推理需要的水平通信要少得多，可以高度并行化执行，并且可以利用异构硬件。它不需要完美且超同步的集群。这是一个理想的工作，适合数千个分散的节点，尤其是在现在较小的模型变得异常强大的时候。
这一次，市场确实存在。Messari 将其定义为整个 deAI 领域的第一个真正的“产品市场契合”。
Fortytwo案例：群体智能的实际应用
在最有趣的创新中，报告提到了Fortytwo Network，这是一种协调安装在用户笔记本电脑上的小型模型的网络。这些模型像一个蜂群一样协同工作：每个模型回答相同的问题，然后评估其他模型的回答，最后网络基于共识生成一个优化的答案。
该机制生成链上信用、声誉和奖励。Fortytwo 的效率如此之高，以至于成功生成了完全由 swarm 生成的数据集，并在 Rust 中对一个专门的模型进行后训练，取得了比更大模型更优的结果。
这是一个具体的例子，说明去中心化不仅是可取的，而且已经具有竞争力。
验证问题：去中心化推理的关键要素
每当一个请求在分布式节点上执行时，就会出现一个关键问题：如何确保结果是正确的？这就是加密技术发挥决定性作用的地方。
Messari分析了当今占主导地位的三种方法：
- 零知识证明 (zkML)，速度较慢但极其安全；
- 乐观系统，其中结果被视为有效，除非有挑战；
- 硬件隔离区（TEE），速度更快但依赖于硬件信任。
在该领域的先驱者中，EigenCloud 被提及，该公司正在市场上推出一种确定性和可验证的推理，与 OpenAI 的 API 兼容，并已用于 Coinbase 和 Google 的代理框架。
验证不是一个技术细节：它是使AI适用于金融、健康、治理和自主交易的关键。它是AI与Web3之间的桥梁。
未来：持续消耗计算资源的代理经济
报告的结论很明确：AI的未来不会由更大的模型主导，而是由那些能够以最具可扩展性、经济性和可验证性方式提供推理服务的人主导。如果今天人类用户生成了数百万请求，那么明天自主代理将生成数十亿请求。而每一个请求都将产生计算成本。
到那时，decentralized compute networks 将不再是实验性的替代方案：它们将成为经济上的必需品。
结论
我们正进入推理时代，而非训练时代。
这是一个需求无限增长的时代，计算不再是孤立的投资，而是一个持续的流动过程，数以百万计的大型或小型模型需要每秒被处理。
正是在这个巨大的经济空间中，crypto世界找到了其最自然的角色：协调、验证、分配和经济化支持日益智能化社会所需的计算能力。
