去中心化 AI（Decentralized AI）
约 2901 字大约 10 分钟
2026-05-12
去中心化 AI 不是“把模型放到链上”。更准确地说，它是在重新设计 AI 系统里数据、模型、算力、推理、评测和收益分配的组织方式。
为什么要学这个
今天的大模型能力主要集中在少数平台手里。它们掌握模型、算力、数据管线、推理入口、定价规则和封禁策略。对普通开发者来说，这种集中化带来很强的便利性，但也带来几个现实问题：
- 模型和推理服务可能随时改价、限流或下线。
- 数据来源、训练过程和模型更新很难被外部验证。
- 用户和贡献者很难证明自己为模型、数据集或应用生态贡献了什么。
- 当 AI Agent 开始代表用户执行任务时，平台级控制权会变成新的信任瓶颈。
去中心化 AI 要讨论的不是“中心化一定不好”，而是在哪些环节开放网络确实能提供更好的可验证性、可组合性和抗单点控制能力。
第一性原理
AI 系统真正需要去中心化的，不一定是模型本身，而是关键资源和关键决策的控制权。
模型权重是否开源、推理节点是否分布式、数据是否可授权复用、结果是否可验证、收益是否可结算，这些是不同层的问题。一个项目只要把其中一层做开放，就可能有价值；但如果它说不清自己开放的是哪一层，就很容易停留在叙事。
- 先分层，再判断价值：数据、模型、算力、推理、评测、结算、治理不能混成一个词。
- 开放性需要工程代价：分布式网络会引入延迟、质量波动、女巫攻击、节点作恶和治理低效。
- 链上更适合做协调层：记录权属、激励贡献、结算任务、治理参数，比直接承载大规模模型训练更现实。
知识节点
Model Market
Model Market 是让模型能力像服务一样被发现、比较、调用和付费的市场。它关注的不是“有多少模型”，而是调用者能不能知道模型的能力、价格、延迟、版本、许可证、上下文窗口、工具调用能力和失败边界。
对 AI x Web3 builder 来说，Model Market 的关键问题是可替换性。如果一个 Agent 的任务可以被多个模型完成，系统就需要把模型选择从硬编码变成路由决策：便宜模型负责分类和抽取，高能力模型负责复杂推理，本地模型处理隐私内容，专用模型处理代码、图像或链上数据。
真正有用的模型市场要解决发现、评测、路由和结算，而不只是模型列表。
Data Market
Data Market 讨论数据如何被授权、定价、验证和复用。AI 系统的质量很大程度上取决于数据，但数据市场很难做，因为数据不是普通商品：它可以被复制，质量难以提前判断，授权边界复杂，隐私和版权风险也很高。
一个更现实的数据市场通常不会只卖“原始数据包”，而会围绕几类更具体的对象设计：
- 可验证来源的数据集。
- 带授权条款的训练或微调数据。
- 可复现的数据处理 pipeline。
- 可审计的数据贡献记录。
- 面向特定任务的标注、偏好或评测样本。
如果数据市场进入链上场景，链上记录更适合保存授权、哈希、版本、贡献和收益分配，而不是直接保存大体量原始数据。
相关 topic
- AI 隐私：数据市场必须处理隐私、授权和最小披露问题。
- Filecoin Docs：了解去中心化存储如何承载数据可用性和存储证明。
Compute Market
Compute Market 是把 GPU、CPU、存储、带宽和推理服务变成可购买资源的市场。它的吸引力很直接：当中心化云资源昂贵、排队或受限时，开放算力网络可以提供新的供给来源。
但算力市场的难点也很硬：
- 节点性能不稳定，延迟和吞吐会波动。
- GPU 型号、驱动、镜像、网络环境会影响可复现性。
- 任务结果需要验证，否则便宜算力可能带来错误输出。
- 对隐私任务来说，远程节点不能天然可信。
- 生产系统需要 SLA，而开放网络通常更难保证。
所以 compute market 更适合先从容器化推理、批处理任务、非关键 workloads、可重复验证的任务做起。对高价值交易、隐私数据或实时系统，需要额外加入 TEE、ZK、重复执行、抽样检查或人工审计。
相关 topic
- Akash Network Docs：了解去中心化云和 GPU 市场的基本工作方式。
- 可验证 AI：当算力来自不可信节点时，需要额外验证输出。
Inference Network
Inference Network 是把模型推理拆成一个网络服务：用户或 Agent 发出请求，网络选择节点执行，返回结果，并完成计费、审计或证明。
它和传统 API 的差别在于，推理节点不一定属于同一家公司。系统需要处理节点发现、模型版本、请求路由、速率限制、失败重试、结果验证和付款结算。对开发者来说，最重要的是不要只看“能不能返回答案”，还要看：
- 请求发给了哪个模型和哪个节点。
- 模型版本和参数是否可追踪。
- 输出失败时能不能重试或切换节点。
- 用户隐私数据是否暴露给不可信节点。
- 成本、延迟和质量是否被记录。
如果 Agent 要基于推理结果发起链上动作，推理网络还需要把输出和后续执行之间的责任边界讲清楚。
Model Routing
Model Routing 是在多个模型、节点或服务之间做选择。它是去中心化 AI 里很容易被低估的一层，因为开放网络带来的不是“一个更强模型”，而是很多能力、价格和稳定性不同的供给。
一个实用的 routing 策略通常会考虑：
- 任务类型：总结、翻译、代码、链上分析、数学推理、图像生成。
- 风险等级：普通解释可以自动，交易决策需要更高可靠性。
- 数据敏感度：隐私数据优先本地模型或可信执行环境。
- 成本预算：低价值任务不该默认调用最贵模型。
- 延迟要求：交互式任务和离线批处理的策略不同。
- 评测反馈：把历史成功率、用户反馈和错误类型纳入路由。
路由层本质上是 AI 应用的调度器。 它决定了系统什么时候追求便宜，什么时候追求可靠，什么时候必须拒绝执行。
Quality Benchmark
开放网络最大的问题之一是质量参差不齐。Quality Benchmark 用来回答：这个模型、节点或数据源到底是否可靠。
普通 benchmark 只看模型在固定数据集上的分数，但去中心化 AI 还要看更多维度：
- 结果是否稳定。
- 节点是否按约定执行。
- 延迟和失败率是否可接受。
- 输出是否能被复现或抽样验证。
- 是否存在刷分、过拟合或合谋。
- 评测任务是否贴近真实产品场景。
对 AI x Web3 来说，benchmark 不应该只服务于排行榜，还应该进入路由、定价、声誉和结算。一个节点长期表现好，可以获得更高流量；一个模型在某类任务上失败率高，就不应该被路由到高风险场景。
Settlement
Settlement 是去中心化 AI 从“开放调用”走向“可持续网络”的关键。只要资源来自多个参与者，就必须回答谁提供了什么、谁使用了什么、谁应该付款、失败如何退款、争议如何处理。
AI 任务的结算比普通 API 更复杂，因为结果质量经常不是二元的。一次推理可能成功但质量差，可能超时，可能返回格式错误，也可能被下游验证发现不可用。因此结算设计通常需要包含：
- 任务报价和有效期。
- 请求参数和模型版本。
- 输出哈希或结果摘要。
- 成功、失败、超时、争议的状态机。
- 付款、托管、退款和仲裁规则。
- 任务日志和评测证据。
在 AI x Web3 中的位置
去中心化 AI 是 AI x Web3 里最底层、也最容易被口号化的一组议题。它不一定直接变成一个用户产品，但会影响 Agent、支付、数据、模型、隐私、验证和治理的基础设施。
判断一个去中心化 AI 项目时，可以固定问这几个问题：
- 它去中心化的是数据、模型、算力、推理、评测、结算，还是治理？
- 链上部分负责记录、支付、激励、身份、治理，还是验证？
- 相比中心化服务，它具体改善了什么：成本、可用性、抗审查、可验证性，还是贡献分配？
- 开放网络带来的质量波动和治理成本是否值得？
最小实践
设计一个“开放推理网络”的最小规格，不需要真的实现。
写清楚：
- 支持哪一类任务，比如合约摘要、治理提案总结或链上交易解释。
- 网络里有哪些角色：请求方、推理节点、评测者、支付方、仲裁者。
- 请求里包含哪些字段：模型、输入、预算、超时、隐私等级、输出格式。
- 节点如何报价，如何返回结果，如何证明自己完成任务。
- 结果如何验收，失败如何退款，争议如何处理。
- 哪些信息上链，哪些信息只保存哈希或日志。
这个练习的目标不是画一个宏大的协议，而是把“去中心化 AI”拆成可以讨论的资源、角色和状态机。
扩展阅读
- Akash Network Docs：了解去中心化云、部署和 GPU 市场的基本结构。
- Bittensor Docs：理解 subnet、validator、miner 和激励机制如何组织 AI 服务网络。
- Filecoin Docs：学习去中心化存储、数据可用性和存储证明。
- Oasis ROFL Docs：了解 TEE 应用如何为隐私和可验证执行提供基础。
- RISC Zero：了解 zkVM 如何用于可验证计算。