区块链与人工智能：加密世界中的AI幻象与现实

• 人工智能与加密货币的融合领域蕴含着广阔的发展空间，但目前公众对这一交叉领域的认知仍显不足。值得注意的是，这个交叉领域中的各个细分方向呈现出差异显著的发展机遇和时间窗口。

• 在评估人工智能产品时，单纯依靠去中心化特性并不足以形成市场竞争力——产品必须在核心功能上达到与中心化产品相当的水平才能真正立足市场。

• 需要警惕的是，由于人工智能行业受到资本市场的过度追捧，许多人工智能代币可能存在价值高估现象，这些项目在中短期内可能缺乏实质性的市场需求支撑。

近年来，人工智能技术特别是生成式AI领域的突破性进展，不仅重塑了整个科技行业的格局，也为加密领域带来了全新的发展机遇。我们在2023年6月的行业报告中曾指出，当时加密货币市场对人工智能领域的布局明显不足。如今经过近一年的发展，加密人工智能生态已取得显著进步，但同时也暴露出一些可能影响其大规模应用的实际挑战。

人工智能技术的快速迭代让我们对”加密货币平台将颠覆传统AI行业”这类激进观点保持审慎态度。这种技术演进速度使得大多数人工智能代币，特别是那些经济模型固化的项目，其长期价值实现路径充满变数。更值得关注的是，在日益激烈的市场竞争和不断强化的监管环境下，某些新兴的AI发展趋势反而可能阻碍基于加密货币的创新应用落地。

尽管如此，我们依然看好人工智能与加密货币结合带来的多元化机遇。某些细分领域已经展现出较快的应用落地速度，虽然其中不少领域尚未形成成熟的代币经济体系。这种现状并未减弱投资者的热情——我们发现，即使在比特币行情低迷的时期，受人工智能行业利好消息推动，相关加密代币仍能保持独立上涨行情。这表明市场正在将这类代币视为参与人工智能发展的重要投资标的。

人工智能领域的关键趋势

开源模型文化的蓬勃发展是当前AI领域最显著的特征之一。Hugging Face平台已经汇集了超过53万个公开模型，为研究者和开发者提供了丰富的资源库。这种开源生态与加密领域对GitHub和Discord的依赖如出一辙，预计在未来相当长时间内都将持续繁荣。

这些开源模型涵盖了从大语言模型到图像视频生成模型的完整谱系，既有OpenAI、Meta、Google等行业巨头的贡献，也不乏独立开发者的创新成果。值得注意的是，部分开源语言模型在吞吐量等关键指标上已经超越最先进的闭源模型，同时保持相当的输出质量，这为开源生态与商业产品之间的良性竞争奠定了基础。我们认为，这种充满活力的开源生态与激烈的商业竞争相结合，正在推动整个行业加速淘汰低效模型。

另一个重要趋势是小规模模型在性能和成本效益上的持续提升。微软等机构的研究表明，经过优化的开源模型在某些应用场景下甚至可以超越主流闭源产品。这种技术进步使得高性能AI模型能够在本地设备上运行，为实现真正意义上的去中心化创造了条件。当然，科技巨头们仍将继续在云端部署大型模型，未来很可能会形成云端大模型与本地小模型协同发展的产业格局。

随着AI模型评估标准日益复杂化（涉及数据污染、测试范围等多重因素），市场最终可能会形成用户主导的模型评价机制。现有的各类LLM基准测试（如MMLU、HellaSwag等）已经展现出评估生成式AI性能的难度，这些测试分别针对常识推理、学术主题等不同维度。

我们观察到的第三个趋势是：具有强大用户基础或解决具体商业痛点的平台能够从AI集成中获得超额收益。GitHub Copilot与开发环境的深度整合就是典型案例。从邮件客户端到电子表格，各类工具中嵌入AI接口正在成为标准配置（例如Klarna的AI客服已替代700名人工客服）。但需要明确的是，在这些场景中，AI往往不是创造新平台，而是增强现有平台的功能。

在AI硬件领域，我们注意到两个相互关联的趋势。首先是计算资源使用重心从模型训练向推理应用转移。NVIDIA和微软的财报数据均显示，其AI业务中约40%的收入已来自推理服务。随着这一趋势持续，模型商业化将更加注重安全可靠的运行环境。

第二个趋势是硬件架构的多元化竞争。除了NVIDIA即将推出的H200和B100处理器，谷歌的TPU和Groq的LPU也在扩大市场份额。这些技术进步可能重塑AI行业的成本结构，使能够快速调整硬件策略的云服务商持续受益。

总体来看，AI仍是一个快速演进的新兴领域。自ChatGPT发布至今仅一年半时间，行业发展速度令人惊叹。虽然某些生成式AI模型存在偏见问题，但市场机制正在推动优胜劣汰。行业的快速发展和监管政策的不确定性意味着，相关挑战和解决方案都在持续变化中。

在这个创新节奏极快的领域，简单地将”去中心化”作为解决所有问题的万能钥匙显得为时过早。现实情况是，通过企业竞争和开源协作，AI行业已经在技术和商业层面实现了相当程度的去中心化。此外，真正的去中心化协议在决策效率上天然落后于中心化系统，这可能成为现阶段平衡去中心化与产品竞争力的主要障碍。尽管如此，从长期来看，加密货币与AI之间确实存在产生协同效应的可能性。

机遇领域的界定

我们可以将加密与AI的结合分为两大方向：一是AI技术优化加密生态的用例，包括提升交易可读性、改进链上数据分析等场景；二是加密货币改造传统AI技术栈的尝试，涉及分布式计算、验证机制等创新。

第一类应用场景的商业价值较为明确，尽管复杂链上推理模型仍面临技术挑战，但长期发展前景可观。中心化AI模型可以通过改进开发者工具、代码审计等方式为加密行业创造价值，这类投资通常通过风险资本渠道进行，较少涉及公开市场。

相比之下，加密货币颠覆现有AI技术栈的主张存在更多不确定性。这类尝试不仅要克服技术难关，还需要应对市场和监管环境的挑战。由于更适合代币化设计，近期市场关注度主要集中在第二类应用，这也是我们接下来重点分析的方向。

加密货币在AI技术栈中的潜在作用

我们可以将加密货币对AI技术栈的影响归纳为四个关键环节：1)数据采集与处理；2)模型训练与推理；3)输出验证；4)内容溯源。虽然这些领域已涌现大量加密AI项目，但多数面临需求不足和中心化方案竞争的双重压力。

数据作为AI模型的基础，其重要性不言而喻。区块链既提供了独特的行业数据集，也催生了Grass等激励数据采集的新模式。Reddit与Google达成的数据许可协议预示着数据资产化的趋势。虽然早期模型多采用开源数据集，但商业模型正日益依赖专有数据，这提高了数据许可的市场价值。

去中心化存储方案在AI领域的应用仍面临诸多挑战。一方面，现有数据分发体系已相当成熟；另一方面，敏感数据的存储需满足严格的合规要求，当前去中心化网络尚无法完全满足。虽然去中心化存储在单位成本上具有优势，但企业还需考量迁移成本、工具成熟度等综合因素。

在计算资源领域，Akash等去中心化计算协议通过整合闲置GPU资源，试图缓解云服务供应紧张问题。数据显示，今年Akash活跃租约数量增长了三倍，但网络收入却出现下降，反映出供给增长快于需求的现状。这类项目的代币经济模型可能需要根据市场变化进行动态调整。

技术层面，去中心化计算还面临网络带宽限制的挑战。大型模型的分布式训练需要特定的网络配置，这在去中心化环境中实现难度较大。总体来看，去中心化计算要真正威胁中心化云服务的地位，仍需克服诸多技术和商业障碍。

随着AI影响力扩大，模型输出的可靠性问题日益凸显。BitTensor等项目试图通过算法和市场机制建立去中心化的验证体系，但仍面临技术挑战。另一方面，随着高性能模型能够在本地运行，去中心化验证的必要性也值得商榷。

在数字身份和内容溯源领域，Worldcoin等方案试图通过区块链解决身份认证问题。但需要认识到，中心化的KYC服务联盟和政府主导的身份系统已经形成成熟解决方案。AI水印技术的发展也可能降低区块链溯源的竞争优势。

从市场表现来看，2023年四季度以来，多数AI代币的表现优于主流加密货币和AI股票。这种行情显示，AI代币既受益于加密市场的整体走势，也对AI行业新闻保持高度敏感。图5直观展示了比特币下跌期间AI代币的独立行情。

总体而言，AI叙事驱动下的代币投机缺乏持续的需求支撑。在明确的采用指标出现前，市场可能维持高波动状态。最终价格将与实际效用趋于一致，但这一过程的时间跨度和方向仍存在不确定性。

结论

加密货币在AI领域的作用必须放在更广阔的商业和监管背景下评估。单纯强调”去中心化”并不足以推动实质性创新。当前的生成式AI已经通过市场竞争和开源协作实现了相当程度的去中心化。

本报告揭示的一个核心观点是：基于加密的解决方案虽然在技术上可行，但要达到中心化平台的成熟度仍需大量工作，而后者也在持续进化。由于共识机制的特性，去中心化系统的开发节奏通常慢于中心化系统，这在快速迭代的AI领域可能构成显著劣势。

有鉴于此，加密与AI的融合仍处于早期阶段，随着AI技术的演进，未来几年可能会发生根本性变化。目前设想的去中心化AI未来远非确定，甚至AI行业本身的发展方向也存在诸多变数。因此，我们建议投资者保持审慎态度，深入分析具体解决方案的实际竞争力，理性看待市场叙事的影响。