AI 圈没空理区块链

作者：Ekko An、Ryan Yoon；来源：Tiger Research；编译：BitpushNews

人工智能行业持续高歌猛进，丝毫没有降温的迹象。然而，“区块链 AI”领域的情况却截然不同。为什么它未能吸引到相当的关注？

核心要点

• 在AI热潮中，区块链行业需要从需求侧的角度来审视：它解决了哪些现有系统无法解决的问题，又带来了哪些独特的能力？

• 去中心化计算和存储的确在数据主权和成本竞争力方面有其合理逻辑。障碍在于，这两者目前都尚未展现出足够有说服力的技术优势，足以让已经绑定现有云基础设施的客户甘愿承担迁移风险。

• 模型验证和隐私技术所针对的问题，尚未达到让企业愿意主动采取行动的紧迫程度。这类需求更可能跟随监管要求而来，而非走在监管之前。《欧盟人工智能法案》就是一个典型模式：标准先行，市场随后跟进。

• 在智能体（Agent）框架这一类别中，瓶颈并不在于技术。主流企业目前仍聚焦于内部工作流自动化，而区块链项目已经在为下一阶段搭建基础设施层。需求需要时间才能追赶上技术。

• 智能体支付是唯一一个区块链与传统金融站在同一起跑线上的领域。双方都尚未解决这个问题，这使得它成为唯一一个两者同时面对相同挑战的类别。

• 整体来看，区块链AI行业之所以举步维艰，并非因为两者的结合缺乏合理性，而是因为存在错配：四个类别各自面临需求尚未成形的不同原因，而其中只有智能体支付目前具备同台竞争的条件。

1. 被 AI 热潮遗忘的区块链项目

人工智能行业正在经历前所未有的资本和基础设施投入。以大型科技公司为主导的大语言模型生态系统，已成为日常生活和工业运营的标准特征。在这场快速扩张中，加密货币行业也在迅速演进，寻求与 AI 的技术结合点。

早期的努力集中于补充或复制传统 AI 价值链的环节：去中心化 GPU 供应、数据所有权恢复以及密码学验证。最近，重点转向了填补中心化架构难以解决的空白，包括 AI 代理的链上自主活动以及实时的机器对机器（M2M）结算。

将这一领域笼统地描述为“AI 加区块链”掩盖了其复杂性。我们需要进行严谨的需求侧分析：每个细分领域针对的是什么问题？区块链原生方案是否提供了真正差异化的解决方案？

2. 各个类别的功能

2.1. 去中心化计算

当今的云计算市场在结构上依赖于少数几家控制计算资源的大型科技公司。高性能 GPU 既难获取又价格昂贵，为那些无法获得大规模基础设施的 AI 初创公司和研究团队造成了陡峭的准入门槛。

中心化系统将资源向最大的买家集中，且市场上不存在能够重新分配大量闲置 GPU 容量的中立渠道。

去中心化计算通过两种方式解决这种集中化和低效问题：

• 共享经济模式：项目将个人和小型数据中心持有的闲置 GPU 资源聚合到一个统一网络中，从而在既有科技垄断之外创建了一个更灵活的供应链。

• 分布式计算模式：用户可以在全球范围内租赁计算资源，而不依赖任何单一供应商的基础设施，从而提高了硬件利用率，降低了高性能计算的准入门槛。

2.2. 去中心化存储

当前的数据存储架构几乎完全依赖于 Google 和 Meta 等公司运营的中心化云基础设施。当用户将数据上传到这些平台时，所有权实际上已经转移给了平台，从而巩固了其对 AI 训练数据的垄断控制。中心化基础设施还引入了运营风险：政策变更、服务中断或平台故障可能会切断数据访问或导致数据丢失。

去中心化存储通过两种方式解决这些结构性问题：

• 共享经济模式：以 Filecoin 和 Arweave 为例，将参与者的闲置存储空间池化为一个网络，能够替代既有的中心化云服务。

• 永久存储模式：将数据跨节点进行分布式复制，确保数据持久性，而不受任何单一服务器运营状态的影响，并减少了对任何单一平台的依赖。

2.3. 数据市场

AI 开发人员需要训练数据，但当前的数据分发市场运作模式封闭，Hugging Face 和云服务商等大型平台占据了经济利益并控制了定价。数据创作者几乎得不到补偿，且数据收集和贡献的奖励机制缺乏透明度。

链上市场通过智能合约消除了中介，并建立了透明的交易条款：

• 直接交易模式：如 Ocean Protocol，数据所有者和 AI 开发人员通过智能合约直接交易，报酬透明分配。

• 贡献奖励模式：如 Grass，个人连接闲置带宽用于 AI 数据收集，并获得与其贡献价值成比例的报酬。

2.4. 模型与推理验证/隐私

传统的 AI 系统运作如同“黑匣子”，没有外部手段来验证模型是否运行正确，或敏感用户数据是否得到了安全处理。

零知识机器学习（ZKML）为 AI 推理引入了密码学验证层，实现了隐私保护和可审计性。在这种架构中，模型在链下以传统方式运行，但计算过程会生成一个密码学证明，证明该过程是按照既定规则正确执行的。

被记录在链上的是这个“证明”，而非底层数据。例如：在自动化医疗保险理赔服务中，医院只需提交一个 AI 模型运行正确的证明，而无需共享完整的医疗记录。保险公司可以在不访问原始数据的情况下验证索赔的合法性。

2.5. AI 代理框架

随着 AI 代理成为流量和价值创造的主要核心，它们正从工具演变为自主的经济参与者。现有的金融体系是围绕人类消费模式设计的，在结构上与机器为中心的支付环境不兼容。

代理经济需要微支付、高频结算和毫秒级的跨境支付，而现有的金融基础设施无法适应这些需求。

链上代理基础设施通过两种机制解决这一问题：

• 自主执行与控制机制：为 AI 代理分配唯一的钱包和身份，使其能够直接签署交易，并设置支出限额和防范非预期行为的保护措施。

• 基于协议的结算机制：使用如 x402 等稳定币支付协议，实时结算微交易和高频支付，跳过货币转换和审批流程。

3. 区块链 AI 为何偏离了 AI 价值链

AI 价值链围绕着“顺序消除瓶颈”而形成。随着 AI 需求的增长，内存短缺出现，电力和数据传输能力也受到限制。那些能迅速解决这些问题的公司（如 HBM 制造商和电力基础设施提供商）吸引了巨大的资本和市场升值。市场明确赋予了那些消除增长障碍的方案价值。

尽管区块链 AI 项目识别出了真正的问题，但它们并未获得同等程度的市场关注。如果这些问题真如所称的那样紧急，它们本应已经推动了市场的显著转变。

区块链 AI 项目之所以在推动诸如“减少 GPU 集中化”和“恢复数据主权”等合理目标的同时无法吸引主流资本，是因为技术供应商的优先事项与控制资本分配的买家优先事项之间存在巨大鸿沟。

AI 行业在竞争性的时间线上运行，而买家（主要是大型科技公司和企业客户）会大规模投资于能最快解决其眼前运营瓶颈的技术。他们不会花时间评估未经证实的基础设施。他们的优先考虑是计算性能、基础设施可靠性和可证实的投资回报率。

例如：当数据传输速度成为模型训练的瓶颈时，大量资本流向了光纤基础设施以取代铜缆；当内存带宽成为主要制约因素时，SK 海力士和三星电子通过高带宽内存（HBM）解决了这一关键问题，从而获得了全球认可。模式是一致的：资本追随那些消除了制约进步因素的人。

区块链 AI 的根本问题在于“定位”。拥有大笔资本预算的买家只关注近期的性能提升和成本削减。相比之下，区块链 AI 关注的是买家认为“次要”或属于“未来状态”的问题。供应端的技术雄心与需求端的即时运营要求不一致。

3.1. 技术局限性

一些项目利用基准测试展示了去中心化基础设施的潜力和设计理念。但更根本的问题是，这项工作尚未产生足以取代主流市场既有巨头的决定性技术飞跃。

对于一项新科技而言，若想从 AWS 或 GCP 等已经拥有庞大资本和基础设施的中心化云服务商手中夺取份额，它必须提供巨大的性能优势，大到让与现有巨头的差距变得不再重要。

当苹果从 Intel 芯片转向 M1 芯片时（并承担了破坏软件兼容性的巨大风险），该举措的合理性在于其能效提升了三倍——这一差距足以使转换变得物有所值。

对于需要 PB 级数据同步和超低延迟作为基准条件的企业买家来说，区块链 AI 尚未提供一个足够明确的案例来让他们接受转换风险。

3.2. 需求错位

在去中心化计算领域，一些项目引入了“服务水平协议”（SLA）作为风险缓解机制，但企业买家仍未被说服。原因在于结构性的，而非合同性的。大型云服务商提供的是受控的、专属的数据中心。而区块链网络依赖于零散的、匿名的节点参与。

如果一个节点掉线并中断了价值数亿韩元的模型训练任务，任何代币补偿或财务赔偿都无法挽回机会成本和时间损失。对于在竞争性时间线上运营的企业买家来说，系统稳定性并非一个可谈判的参数。即使有对冲机制，大多数买家也没有动力去承担剩余的不确定性风险。

3.3. 需求尚未形成

区块链代理框架是为复杂的生态系统设计的（即多个 AI 代理自主协作），但这一愿景与主流市场的现状之间存在成熟度差距。

在微软和 Salesforce 等公司的引领下，企业对 AI 代理的采用正在加速，但目前的重点坚定地放在受控内部网络中运行的“工作流自动化”上。区块链项目正在构建的基础设施针对的是下一个阶段：在任何组织边界之外的外部网络上自主运行的独立 AI 代理。大多数企业目前仍专注于建立其已部署的 AI 系统的稳定性及投资回报率。跨外部网络的多代理协作尚未列入企业基础设施路线图的优先事项。

现阶段需求的有限反映的是“时机”而非“技术失败”。这更应被理解为针对代理经济未来的长期基础设施投资，而非近期的收入机会。

3.4. 监管先决条件

零知识证明和隐私保护技术是建立 AI 信任度的核心解决方案，但在 AI 采用的早期阶段，企业对隐私基础设施的实际需求有限。企业自发的采纳不太可能推动有意义的普及；更可能的路径是，监管标准创造了需求，随后技术顺势接入。

全球监管框架的日益具体化（包括欧盟《人工智能法案》）在这方面是一个利好发展。随着关于数据来源和安全的法律要求变得具体，区块链的先进验证能力有望成为企业部署中的合规要求，而非可选功能。

该领域的监管发展，最好被理解为市场形成的催化剂，而非束缚。清晰的监管标准减少了市场不确定性，并由此创造了一条稳定的路径，使区块链 AI 能够在制度框架内建立主流需求。

3.5. 缺乏足够的用例

这些结构性因素结合在一起，产生了一个更根本的问题：缺乏一个能够在大规模上证明其价值的“定义性成功案例”，传统 AI 行业通过 ChatGPT 引发的采用飞轮建立了其当前地位，利用一个具体且广泛可见的产品吸引了维持进一步增长所需的资本和人才。

区块链 AI 项目尚未在规模化上产生同等的产品市场契合度（Product-Market Fit）证据。除了早期的社区热情外，没有一个项目能证明其在企业运营或消费者日常生活中达到了足以引起主流资本严肃关注的采纳水平。缺乏令人信服的参考案例，依然是吸引能加速更广泛采纳的保守型机构投资的最大障碍。

4. 两者的结合有价值吗？

区块链 AI 尚未在主流 AI 价值链中找到立足之地。但这是否意味着两者的结合毫无意义？

并非如此。

区块链 AI 项目目前被忽视的根本原因，不是因为两者的结合逻辑自相矛盾，而是因为在每一个细分领域，既有行业的要求与该技术所提供的方向之间存在错位。

传统 AI 行业的优先事项很明确：近期性能、成本优化和严谨的基础设施可靠性。而许多当前的区块链 AI 提案，则侧重于数据所有权、计算透明度和去中心化。

这些问题并非已建立的行业参与者所认为的“即时瓶颈”，且追求这些目标往往需要接受性能损耗，而相对于收益来说，这种代价过于高昂。

在 AI 热潮之前，电力基础设施公司被广泛归类为成熟、低增长的企业。数据中心驱动的电力需求激增改变了这一点，此后它们吸引了极大的市场关注。目前对区块链 AI 的冷淡可能反映了类似的滞后——即在一个新范式创造出能体现其价值的条件之前的过渡期。

在这一过渡时期，关键在于行业如何回应市场的真实需求。

前方的道路分两个方向：一是主动适应既有的AI价值链标准，尽快弥合眼前的性能差距；二是坚持现有能力，同时继续建设未来一代AI部署所需的基础设施。

最终结果将取决于哪个选择更能与下一步需求的走向相契合。