人工智能领域正在迅速整合。五大前沿实验室（OpenAI、Anthropic、Google DeepMind、Meta 和 xAI）掌控着全球大部分最强大的模型、用于训练这些模型的专有数据，以及用于进一步训练所需的计算集群。去中心化人工智能正是加密领域对此作出的回应。
去中心化人工智能（DeAI）的核心理念在于：现代人工智能的运作组件可以由区块链和代币激励机制来协调，而非依赖于某一家公司。它并非试图在价值100亿美元的GPU集群上与OpenAI一较高下，而是致力于在去中心化真正能发挥作用的层面上构建开放的替代方案。
什么是去中心化人工智能？
去中心化人工智能（通常简称为DeAI）是指基于区块链基础设施构建、并通过代币激励机制进行协调的人工智能系统——其计算能力、数据、模型和决策权分散在众多参与者之间，而非由单一公司掌控。
“DeAI”（大写D，大写AI）这一缩写现已成为该领域的通用标准；在本文中，我们将其与“去中心化人工智能”互换使用。 该术语的内涵比任何单一项目更为广泛。它涵盖了一个由区块链协调层连接的完整技术栈（底层为计算市场，中间层为数据和模型网络，顶层为智能体框架）。
DeAI 的成立旨在抵制三股趋势。首先，前沿人工智能正集中于五个实验室，而这些实验室在内部协调、安全及定价方面的决策会影响到所有人。 其次，封闭式模型的训练数据不透明，公众既无法查看这些数据，也未曾对此表示同意。第三，人工智能实验室与其训练数据来源的用户之间存在价值错配：价值单向流动，贡献者却无法获得代币、股份或收益。
引入区块链并不能完全解决上述任何一个问题。但当所有权、支付和证明能在一个无许可系统中得到协调时，这些问题就变得更容易解决。
去中心化人工智能与联邦学习
“去中心化人工智能”和“联邦学习”听起来似乎相关，但它们解决的问题却大不相同。联邦学习是一种被大型科技公司广泛采用的、能够保护隐私的机器学习技术；而去中心化人工智能（DeAI）则是一场围绕区块链和代币构建的加密原生运动。
在联邦学习中，模型会在多台设备（如您的手机、医院的服务器、银行的数据库）上进行训练，而原始数据始终不会离开各自的设备。只有模型更新信息会在设备间传输。 Google Gboard 将其用于下词预测；苹果公司将其用于设备端学习；医疗联盟则利用它在不泄露患者病历的情况下训练诊断模型。通常由拥有模型的公司作为中央协调方，统筹所有工作。
去中心化人工智能（DeAI）与集中式协调恰恰相反。计算资源、数据，有时甚至是模型本身，都由众多独立主体拥有和运营。区块链负责协调这些主体；代币则用于奖励有价值的贡献。
| 参数 | 联合学习 | 去中心化人工智能（DeAI） |
|---|---|---|
| 协调员 | 中央公司 | 区块链上的智能合约 |
| 区块链的作用 | 无 | 核心 |
| 代币的作用 | 无 | 协调各参与方的激励机制 |
| 示例 | Google Gboard、Apple Intelligence | Bittensor、ASI Alliance、Render |
这两者可以结合使用，因为联合学习技术可以在去中心化人工智能（DeAI）系统内部运行，从而保护隐私。但仅靠联合学习并不等于去中心化人工智能（DeAI）。 联邦学习关注的是数学运算的实现方式，而DeAI关注的是系统归谁所有。
去中心化人工智能的工作原理
DeAI 并非单一技术，而是一套技术栈。其中有四个关键层，每一层都有其对应的项目。
计算层
用于训练和运行人工智能模型的GPU及其他硬件。这正是DeAI与DePIN直接重叠的领域。Render、Akash和io.net等网络向人工智能工作负载出租去中心化的GPU算力，服务对象涵盖运行推理任务的个人爱好者，以及进行大规模微调的初创公司。 2024–2026 年的 GPU 短缺，使得这一层成为 DeAI 生态系统中最活跃的部分。
数据层
训练模型所需的数据集。去中心化数据市场让数据所有者能够在不放弃控制权的情况下实现数据集的变现。Filecoin 和 Arweave 等存储网络托管着模型权重、训练数据集和输出结果。尽管与中心化数据中介相比，这里的交易量仍然有限，但该基础设施运行良好。
模型层
任何人都可以运行、微调或修改的开放式模型。以代币激励为驱动的训练网络（其中Bittensor最为突出）会奖励那些在特定任务上贡献了有用模型改进的参与者。 请注意，仅“开放权重”（如Meta的Llama、Mistral的模型）并不等同于DeAI。那只是开源。DeAI是在开放性基础上，进一步融入了区块链协调机制和代币经济体系。
推理与代理层
模型一旦建立，就需要有人来运行它。去中心化推理网络将这项工作分配给众多节点运营商。在此之上是人工智能代理层——这些自主程序代表用户采取行动，且越来越多地使用加密货币进行结算。Olas 和 Virtuals Protocol 是该领域被提及最多的项目，两者目前仍在发展成熟中。
2026年值得关注的顶级去AI化项目
DeAI 是一个类别，而非 OpenAI 的单一竞争对手。应根据各项目的实际功能进行分类。
原生AI区块链与训练网络
Bittensor（TAO）是最常被引用的例子。它运行着128个活跃的“子网”，每个子网都是针对一项AI任务的专用市场：语言模型预训练、图像嵌入、金融预测、语音和搜索。
矿工们在每个子网中根据算力质量竞争代币奖励。2026年第一季度，英伟达（NVIDIA）投入了4.2亿美元的质押资金，Polychain Capital也追加了2亿美元，使机构资金总流入超过6.2亿美元。上季度网络收入达到4300万美元。
ASI联盟
Fetch.ai、SingularityNET、Ocean Protocol 以及（稍后的）CUDOS 于 2024 年合并，组建了“人工智能超级智能联盟”（Artificial Superintelligence Alliance），并将代币整合为 FET，并计划将其更名为 ASI。由于各交易所从未完成全面的品牌重塑，因此大多数交易所仍将该代币列为 FET。
2025年10月，Ocean Protocol因治理纠纷正式退出该联盟。 其余成员（Fetch.ai、SingularityNET 和 CUDOS）继续推出产品，包括 ASI-1 mini、一款拥有 70 亿参数的 Web3 原生大语言模型，以及计划中的 ASI Chain 第一层网络。
代理
Olas 专注于自主代理经济：即能够相互支付、协调并完成任务的独立程序。Virtuals Protocol 则专注于消费级人工智能代理，尤其在游戏和社交领域。这一层是最新的，目前仍在发展成熟中。
什么才是真正的去中心化，什么又不是
去AI化既有真正的势头，也存在真正的短板。让我们逐层进行客观评估：
前沿模型训练：依然是集中式的
训练一个GPT-5级别的模型需要投入数亿美元，涵盖协调一致的计算资源、专有数据以及一个集中化的工程团队。目前尚无任何去AI化项目能在前沿规模上实现这一点，短期内也不太可能实现。
即使是Bittensor最重要的技术里程碑（Covenant AI于2026年3月进行的720亿参数协作预训练），其规模也比前沿实验室的成果小了几个数量级。 Covenant随后退出了该网络，称其因治理纠纷而进行的去中心化不过是“一场戏”，这提醒我们，“去中心化”一词虽能描述数学模型，却无法描述权力归属。
计算：真正的去中心化
GPU具有可互换性，任务周期短，且输出验证简单，这正是该领域供应得以实现的原因。Render每月处理约150万帧；Akash在2026年第一季度的计算支出已突破500万美元；io.net汇集了来自130多个国家的GPU资源。 同一块显卡晚上可以运行视频游戏，第二天早上就能运行推理任务，而客户无需知道它的所有者是谁。
推理：可行且日益普及
推理过程无状态、任务规模小且输出可验证——这是继原始计算之后，去中心化进程的自然延伸。网络利用了原本处于闲置状态的消费级和游戏级GPU，因此像Llama-3-8B这样的小型开放权重模型，其部署成本往往仅为AWS或Azure的一半。 随着模型规模的增大，这种差距逐渐缩小；但要去中心化地部署一个拥有4000亿参数的模型，其难度仍高于在超大规模云服务商上部署。
数据交易平台：尚处初期阶段，但已初具规模
像用于个人数据的 Vana 和用于网络爬取数据的 Grass 这样的平台证明，去中心化数据交换在技术上是可行的。更棘手的问题在于需求。人工智能实验室已经拥有了所需的一切：来自公开网络的爬取数据，以及优质的直接合作协议（如 Reddit 与 Google、纽约时报与 OpenAI、Shutterstock 等）。 去中心化市场解决了供应端的问题，而需求端目前尚未出现这一问题——不过，如果训练数据的争夺日益激烈，这种情况将会改变。
基于代币激励的研发：专注于细分领域
代币奖励机制在可量化任务（如语音转文本准确率、嵌入向量质量、图像分类基准测试）的渐进式改进方面效果显著，而Bittensor子网恰恰在这些细分领域中产出了具有竞争力的模型。 但代币难以资助突破性研究，这类研究需要数年时间的耐心投入、高昂的实验成本以及对失败的容忍度。Bittensor的治理争议也引发了一个结构性问题：代币驱动的研发成效，完全取决于其背后的协议是否完善。
结论
关于2026年的DeAI，一个耐人寻味的问题是：当审查来临时，技术栈中的哪些层能够经受住考验。计算和推理正在为付费客户提供切实可衡量的服务。
数据和模型市场正在蓬勃发展，但其可行性尚未得到验证。治理层（即决定“去中心化”一词究竟是指数学机制还是权力分配的那部分）不断引发争议，例如Ocean退出ASI联盟，以及Covenant退出Bittensor。
DeAI 不会在 2026 年取代 OpenAI，甚至可能永远无法取代。但它正在技术栈的中间层和边缘层构建真正的替代方案，而这恰恰是大多数人最终与人工智能互动的地方。
