AI กำลังรวมตัวกันอย่างรวดเร็ว ห้าห้องปฏิบัติการชั้นนำ (OpenAI, Anthropic, Google DeepMind, Meta และ xAI) ควบคุมโมเดลที่มีประสิทธิภาพมากที่สุดในโลก ข้อมูลที่เป็นกรรมสิทธิ์ที่พวกเขาใช้ในการฝึกฝน และคลัสเตอร์การคำนวณที่จำเป็นในการฝึกฝนเพิ่มเติม AI แบบกระจายศูนย์เป็นการตอบสนองแบบคริปโตเนทีฟ
ปัญญาประดิษฐ์แบบกระจายศูนย์ หรือ DeAI คือแนวคิดที่ว่าองค์ประกอบเดียวกันที่ทำให้ปัญญาประดิษฐ์สมัยใหม่ทำงานได้ สามารถประสานงานกันผ่านบล็อกเชนและแรงจูงใจในรูปแบบโทเคน แทนที่จะอยู่ภายใต้การควบคุมของบริษัทเดียว มันไม่ได้พยายามจะฝึกโมเดลให้เหนือกว่า OpenAI ด้วยคลัสเตอร์ GPU มูลค่า 10,000 ล้านดอลลาร์ แต่เป็นการสร้างทางเลือกแบบเปิดในชั้นที่การกระจายศูนย์สามารถทำงานได้จริง
อะไรคือ AI แบบกระจายอำนาจ?
ปัญญาประดิษฐ์แบบกระจายศูนย์ หรือที่มักย่อว่า DeAI หมายถึงระบบปัญญาประดิษฐ์ที่สร้างขึ้นบนโครงสร้างพื้นฐานของบล็อกเชนและประสานงานโดยแรงจูงใจจากโทเค็น โดยกระจายการประมวลผล ข้อมูล โมเดล และการตัดสินใจไปยังผู้เข้าร่วมหลายราย แทนที่จะรวมศูนย์ไว้ที่บริษัทเดียว
ตัวย่อ "DeAI" (ตัว D เป็นตัวใหญ่, ตัว A เป็นตัวใหญ่) ได้กลายเป็นมาตรฐานในวงการนี้แล้ว; เราใช้คำนี้แทนคำว่า "decentralized AI" ตลอดทั้งเอกสาร คำนี้มีความหมายกว้างกว่าโครงการใดโครงการหนึ่งเพียงอย่างเดียว ครอบคลุมถึงสแต็ก (ตลาดการคำนวณที่อยู่ด้านล่าง เครือข่ายข้อมูลและแบบจำลองที่อยู่ตรงกลาง และกรอบการทำงานของเอเจนต์ที่อยู่ด้านบน) ที่เชื่อมต่อกันด้วยชั้นการประสานงานของบล็อกเชน
DeAI มีอยู่เพื่อต่อต้านสามแนวโน้ม ประการแรก การรวมศูนย์ของ AI ชั้นนำในห้าห้องปฏิบัติการ ซึ่งการตัดสินใจเกี่ยวกับการจัดแนวภายใน ความปลอดภัย และการกำหนดราคาของพวกเขามีผลกระทบต่อทุกคน ประการที่สอง ความไม่โปร่งใสของโมเดลปิดที่ได้รับการฝึกฝนจากข้อมูลที่สาธารณชนไม่สามารถเห็นและไม่ยินยอมให้ใช้ ประการที่สาม ความไม่สอดคล้องกันระหว่างห้องปฏิบัติการ AI กับผู้ใช้ที่ข้อมูลของพวกเขาถูกใช้ในการฝึกฝน: การไหลของมูลค่าเป็นไปในทางเดียว โดยไม่มีโทเค็น การแบ่งปัน หรือรายได้กลับไปยังผู้มีส่วนร่วม
ปัญหาเหล่านั้นไม่มีปัญหาใดที่ได้รับการแก้ไขอย่างสมบูรณ์ด้วยการเพิ่มบล็อกเชน แต่แต่ละปัญหาสามารถแก้ไขได้มากขึ้นเมื่อการเป็นเจ้าของ การชำระเงิน และหลักฐานสามารถประสานงานได้ในระบบที่ไม่มีข้อจำกัดในการเข้าถึง
ปัญญาประดิษฐ์แบบกระจายศูนย์ vs. การเรียนรู้แบบสหพันธ์
"AI แบบกระจายศูนย์" และ "การเรียนรู้แบบสหพันธ์" ฟังดูคล้ายกันแต่แก้ปัญหาที่แตกต่างกันมาก การเรียนรู้แบบสหพันธ์เป็นเทคนิคการเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัวซึ่งใช้โดยบริษัทเทคโนโลยีรายใหญ่ ส่วน DeAI เป็นการเคลื่อนไหวที่เน้นด้านคริปโตซึ่งสร้างขึ้นรอบบล็อกเชนและโทเค็น
ในการเรียนรู้แบบสหพันธ์ (federated learning) โมเดลจะได้รับการฝึกฝนผ่านอุปกรณ์หลายเครื่อง (เช่น โทรศัพท์ของคุณ เซิร์ฟเวอร์ของโรงพยาบาล ฐานข้อมูลของธนาคาร) โดยข้อมูลดิบจะไม่ถูกส่งออกจากอุปกรณ์แต่ละเครื่องเลย มีเพียงการอัปเดตโมเดลเท่านั้นที่ถูกส่งไป Google Gboard ใช้มันสำหรับการทำนายคำถัดไป; Apple ใช้มันสำหรับการเรียนรู้บนอุปกรณ์; กลุ่มสมาคมทางการแพทย์ใช้มันเพื่อฝึกอบรมแบบจำลองการวินิจฉัยโดยไม่เปิดเผยข้อมูลผู้ป่วย. ฝ่ายกลาง, โดยทั่วไปคือบริษัทที่เป็นเจ้าของแบบจำลอง, ประสานงานทุกอย่าง.
DeAI คือสิ่งที่ตรงกันข้ามกับการประสานงานส่วนกลาง การประมวลผล ข้อมูล และบางครั้งตัวแบบเองถูกเป็นเจ้าของและดำเนินการโดยหลายฝ่ายที่เป็นอิสระ บล็อกเชนทำหน้าที่ประสานงานพวกเขา และโทเคนให้รางวัลแก่การมีส่วนร่วมที่มีประโยชน์
ทั้งสองสามารถรวมกันได้ เนื่องจากเทคนิคการเรียนรู้แบบรวมศูนย์สามารถทำงานภายในระบบ DeAI เพื่อรักษาความเป็นส่วนตัวได้ แต่การเรียนรู้แบบรวมศูนย์เพียงอย่างเดียวไม่ใช่ DeAI การเรียนรู้แบบสหพันธ์ (Federated learning) เกี่ยวกับวิธีการที่คณิตศาสตร์ถูกดำเนินการ ส่วน DeAI เกี่ยวกับใครเป็นเจ้าของระบบ
การทำงานของปัญญาประดิษฐ์แบบกระจายอำนาจ
DeAI ไม่ใช่เทคโนโลยีเดียว แต่เป็นชุดเทคโนโลยีที่ซ้อนกันอยู่ มีสี่ชั้นที่สำคัญ โดยแต่ละชั้นมีโครงการของตัวเอง
ชั้นการคำนวณ
GPU และฮาร์ดแวร์อื่น ๆ ที่จำเป็นสำหรับการฝึกฝนและรันโมเดล AI นี่คือจุดที่ DeAI ทำงานทับซ้อนกับ DePIN โดยตรง เครือข่ายอย่าง Render, Akash และ io.net ให้เช่าพลังประมวลผล GPU แบบกระจายศูนย์สำหรับงาน AI ตั้งแต่ผู้ใช้ทั่วไปที่ทำงานอินเฟอร์เรนซ์แบบส่วนตัว ไปจนถึงสตาร์ทอัพที่ต้องการปรับแต่งโมเดลในระดับใหญ่ การขาดแคลน GPU ในช่วงปี 2024–2026 ได้ทำให้ชั้นนี้กลายเป็นส่วนที่มีความเคลื่อนไหวมากที่สุดในระบบนิเวศ DeAI
ชั้นข้อมูล
ชุดข้อมูลที่จำเป็นสำหรับการฝึกฝนโมเดล ตลาดข้อมูลแบบกระจายศูนย์ช่วยให้เจ้าของข้อมูลสามารถสร้างรายได้จากชุดข้อมูลโดยไม่ต้องสละการควบคุม เครือข่ายการจัดเก็บข้อมูลเช่น Filecoin และ Arweave เป็นที่เก็บน้ำหนักของโมเดล ชุดข้อมูลสำหรับการฝึกฝน และผลลัพธ์ ปริมาณการใช้งานยังคงอยู่ในระดับปานกลางเมื่อเทียบกับนายหน้าข้อมูลแบบรวมศูนย์ แต่โครงสร้างพื้นฐานทำงานได้ดี
เลเยอร์แบบจำลอง
โมเดลน้ำหนักเปิดที่ใครก็สามารถรัน ปรับแต่ง หรือแก้ไขได้ เครือข่ายการฝึกอบรมที่มีแรงจูงใจด้วยโทเค็น ซึ่ง Bittensor เป็นตัวอย่างที่โดดเด่นที่สุด ให้รางวัลแก่ผู้เข้าร่วมสำหรับการมีส่วนร่วมในการปรับปรุงโมเดลที่มีประโยชน์ในภารกิจเฉพาะ โปรดทราบว่า "โอเพ่นเวท" เพียงอย่างเดียว (เช่น Llama ของ Meta หรือโมเดลของ Mistral) ไม่ใช่ DeAI แต่เป็นโอเพ่นซอร์ส DeAI จะเพิ่มการประสานงานผ่านบล็อกเชนและเศรษฐศาสตร์โทเค็นเข้าไปบนพื้นฐานของความเปิดกว้าง
ชั้นการอนุมานและตัวแทน
เมื่อมีโมเดลอยู่แล้ว จำเป็นต้องมีใครสักคนมาใช้งานมัน เครือข่ายการอนุมานแบบกระจายศูนย์จะกระจายงานนี้ไปยังผู้ดำเนินการโหนดหลายราย บนพื้นฐานนั้นคือชั้นตัวแทน AI ซึ่งเป็นโปรแกรมอัตโนมัติที่ดำเนินการแทนผู้ใช้ โดยมีการชำระเงินด้วยคริปโตเพิ่มขึ้นเรื่อยๆ Olas และ Virtuals Protocol เป็นโครงการที่ถูกอ้างถึงมากที่สุดในขณะนี้ ทั้งสองยังคงอยู่ในช่วงพัฒนา
โครงการ DeAI ชั้นนำที่ควรรู้จักในปี 2026
DeAI เป็นหมวดหมู่ ไม่ใช่คู่แข่งรายเดียวของ OpenAI จัดกลุ่มโครงการตามสิ่งที่พวกเขาทำจริง
บล็อกเชนและเครือข่ายการฝึกอบรมที่พัฒนาขึ้นบนพื้นฐานของปัญญาประดิษฐ์
Bittensor (TAO) เป็นตัวอย่างที่ถูกอ้างถึงมากที่สุด มันทำงานโดยมี "ซับเน็ต" ที่ใช้งานอยู่ 128 เครือข่าย แต่ละเครือข่ายเป็นตลาดเฉพาะสำหรับงาน AI หนึ่งงาน: การฝึกอบรมโมเดลภาษาเบื้องต้น, การฝังภาพ, การพยากรณ์ทางการเงิน, การพูด, การค้นหา
นักขุดแข่งขันกันในแต่ละซับเน็ตเพื่อรับรางวัลโทเค็นตามคุณภาพของผลลัพธ์ ในไตรมาสที่ 1 ปี 2026 NVIDIA ได้ทุ่มเงิน 420 ล้านดอลลาร์ในรูปแบบของสแต็ก และ Polychain Capital ได้เพิ่มอีก 200 ล้านดอลลาร์ ทำให้ยอดเงินลงทุนจากสถาบันรวมเกิน 620 ล้านดอลลาร์ รายได้ของเครือข่ายในไตรมาสที่ผ่านมาอยู่ที่ 43 ล้านดอลลาร์
พันธมิตร ASI
Fetch.ai, SingularityNET, Ocean Protocol และ (ต่อมา) CUDOS ได้รวมตัวกันในปี 2024 เพื่อก่อตั้ง Artificial Superintelligence Alliance โดยรวมโทเค็นทั้งหมดเป็น FET พร้อมแผนที่จะเปลี่ยนชื่อเป็น ASI อย่างไรก็ตาม การเปลี่ยนแบรนด์ทั้งหมดยังไม่เสร็จสมบูรณ์ในทุกตลาดแลกเปลี่ยน ดังนั้นส่วนใหญ่ยังคงแสดงรายการเป็น FET
ในเดือนตุลาคม 2025 Ocean Protocol ได้ถอนตัวออกจากพันธมิตรอย่างเป็นทางการเนื่องจากข้อพิพาทด้านการกำกับดูแล สมาชิกที่เหลืออยู่ (Fetch.ai, SingularityNET และ CUDOS) ยังคงพัฒนาและส่งมอบผลิตภัณฑ์อย่างต่อเนื่อง รวมถึง ASI-1 mini ซึ่งเป็น LLM ที่พัฒนาบน Web3 โดยเฉพาะ มีพารามิเตอร์ 7 พันล้านตัว และ Layer 1 ที่วางแผนไว้ชื่อว่า ASI Chain
ตัวแทน
Olas มุ่งเน้นที่เศรษฐกิจของตัวแทนอิสระ: โปรแกรมอิสระที่ชำระเงินให้กันและกัน ประสานงาน และทำงานให้เสร็จสิ้น Virtuals Protocol มุ่งเน้นที่ตัวแทน AI สำหรับผู้บริโภค โดยเฉพาะในวงการเกมและสังคม ชั้นนี้ถือเป็นชั้นใหม่ล่าสุดและยังคงพัฒนาอยู่
อะไรที่กระจายอำนาจจริง ๆ และอะไรที่ไม่ใช่
DeAI มีแรงขับเคลื่อนที่แท้จริงและช่องว่างที่แท้จริง การประเมินอย่างตรงไปตรงมา ชั้นต่อชั้น:
การฝึกอบรมแบบฟรอนเทียร์: ยังคงรวมศูนย์
การฝึกอบรมโมเดลขนาด GPT-5 ต้องใช้เงินหลายร้อยล้านดอลลาร์ในการประมวลผลที่ประสานกัน ข้อมูลที่เป็นกรรมสิทธิ์ และทีมวิศวกรรมที่รวมศูนย์ ไม่มีโครงการ DeAI ใดที่ทำในระดับแนวหน้า และจะไม่สามารถทำได้ในเร็วๆ นี้
แม้แต่ความสำเร็จทางเทคนิคที่ยิ่งใหญ่ที่สุดของ Bittensor (การฝึกอบรมล่วงหน้าแบบร่วมมือกันด้วยพารามิเตอร์ 72 พันล้านของ Covenant AI ในเดือนมีนาคม 2026) ก็ยังเล็กกว่าความพยายามของห้องปฏิบัติการชั้นนำหลายเท่าตัว ต่อมา Covenant ได้ถอนตัวออกจากเครือข่าย โดยเรียกการกระจายอำนาจว่า "การแสดง" อันเนื่องมาจากข้อพิพาทด้านการกำกับดูแล ซึ่งเป็นการเตือนว่า "การกระจายอำนาจ" สามารถอธิบายเพียงด้านคณิตศาสตร์โดยไม่จำเป็นต้องอธิบายถึงอำนาจที่แท้จริง
การคำนวณ: การกระจายอำนาจอย่างแท้จริง
GPU สามารถใช้ทดแทนกันได้ งานมีระยะเวลาสั้น และการตรวจสอบผลลัพธ์ก็ทำได้ง่าย ซึ่งเป็นเหตุผลที่อุปทานจึงเกิดขึ้นจริงในกรณีนี้ Render รองรับประมาณ 1.5 ล้านเฟรมต่อเดือน; Akash มีค่าใช้จ่ายในการประมวลผลเกิน 5 ล้านดอลลาร์ในไตรมาสที่ 1 ปี 2026; io.net รวบรวม GPU จากกว่า 130 ประเทศ การ์ดใบเดียวกันที่ใช้เล่นเกมวิดีโอในตอนกลางคืน สามารถทำงานการอนุมานได้ในเช้าวันถัดไป และลูกค้าไม่จำเป็นต้องรู้ว่าใครเป็นเจ้าของมัน
การอนุมาน: เป็นไปได้และกำลังเติบโต
การอนุมานไม่มีสถานะ งานมีขนาดเล็ก และผลลัพธ์สามารถตรวจสอบได้ - เป็นชั้นถัดไปที่เป็นธรรมชาติในการกระจายศูนย์หลังจากความสามารถในการประมวลผลดิบ เครือข่ายใช้ประโยชน์จาก GPU ของผู้บริโภคและเกมซึ่งจะไม่ได้ใช้งานอยู่ ดังนั้นโมเดลน้ำหนักเปิดขนาดเล็กอย่าง Llama-3-8B สามารถให้บริการได้ในต้นทุนเพียงครึ่งหนึ่งของ AWS หรือ Azure ช่องว่างแคบลงเมื่อขนาดของโมเดลเพิ่มขึ้น; การให้บริการโมเดลที่มีพารามิเตอร์ 400 พันล้านตัวแบบกระจายศูนย์ยังคงยากกว่าบนไฮเปอร์สเกลเลอร์
ตลาดข้อมูล: อยู่ในช่วงเริ่มต้นแต่เป็นจริง
เครือข่ายอย่าง Vana สำหรับข้อมูลส่วนบุคคลและ Grass สำหรับข้อมูลที่ดึงจากเว็บ พิสูจน์ให้เห็นว่าการแลกเปลี่ยนข้อมูลแบบกระจายศูนย์สามารถแก้ไขได้ในทางเทคนิค คำถามที่ยากกว่าคือเรื่องความต้องการ ห้องปฏิบัติการ AI มีสิ่งที่พวกเขาต้องการอยู่แล้ว: ข้อมูลที่ดึงจากเว็บเปิดบวกกับข้อตกลงโดยตรงระดับพรีเมียม (Reddit–Google, NYT–OpenAI, Shutterstock) ตลาดแบบกระจายอำนาจแก้ไขปัญหาด้านอุปทานที่ด้านอุปสงค์ยังไม่มีอยู่ แม้ว่าสิ่งนี้จะเปลี่ยนแปลงหากข้อมูลการฝึกอบรมกลายเป็นสิ่งที่แข่งขันกันมากขึ้น
การวิจัยและพัฒนาที่มีแรงจูงใจด้วยโทเคน: การทำงานในช่องแคบเฉพาะ
รางวัลโทเค็นทำงานได้ดีสำหรับการปรับปรุงทีละน้อยในงานที่สามารถวัดผลได้ (ความแม่นยำในการแปลงเสียงเป็นข้อความ, คุณภาพของการฝัง, มาตรฐานการจำแนกประเภทของภาพ) และ Bittensor subnets สร้างโมเดลที่สามารถแข่งขันได้ในเฉพาะกลุ่มเหล่านั้น สิ่งที่โทเคนไม่สามารถสนับสนุนได้ง่ายคือการวิจัยที่ก้าวล้ำ ซึ่งต้องการเงินทุนที่อดทนเป็นเวลาหลายปี การทดลองที่มีค่าใช้จ่ายสูง และความอดทนต่อความล้มเหลว ข้อพิพาทด้านการกำกับดูแลของ Bittensor ยังทำให้เกิดคำถามเชิงโครงสร้าง: การวิจัยและพัฒนาที่สอดคล้องกับโทเคนจะทำงานได้ดีเพียงเท่ากับโปรโตคอลที่อยู่รอบๆ เท่านั้น
สรุป
คำถามที่น่าสนใจเกี่ยวกับ DeAI ในปี 2026 คือชั้นใดของโครงสร้างที่ยังคงอยู่ได้เมื่อมีการตรวจสอบอย่างละเอียด การคำนวณและการอนุมานกำลังทำงานจริงและวัดผลได้สำหรับลูกค้าที่จ่ายเงิน
ตลาดข้อมูลและโมเดลกำลังเติบโตแต่ยังไม่ได้รับการพิสูจน์ ชั้นการกำกับดูแล (ส่วนที่ตัดสินว่า "กระจายอำนาจ" หมายถึงคณิตศาสตร์หรืออำนาจ) ยังคงสร้างความขัดแย้งอย่างต่อเนื่อง เช่น การถอนตัวของ Ocean จาก ASI Alliance และการถอนตัวของ Covenant จาก Bittensor
DeAI จะไม่เข้ามาแทนที่ OpenAI ในปี 2026 และอาจจะไม่มีวันทำเช่นนั้น แต่กำลังสร้างทางเลือกที่แท้จริงในส่วนกลางและขอบของระบบ และนั่นคือที่ที่คนส่วนใหญ่จะได้มีปฏิสัมพันธ์กับ AI ในที่สุด
