AI集中化与去中心化：值得关注的是什么？ 想象两个竞技场：一个被科技巨头主导，他们运营着庞大的数据中心，训练前沿模型并制定规则。另一个则将计算、数据和决策分散到数百万个矿工、边缘设备和开放社区。你选择在哪个竞技场构建或投资，取决于你相信哪个竞技场将捕捉到下一个价值浪潮，或者真正的机会是否在于连接两者。 --- 集中化和去中心化在AI中的含义 集中化AI主要存在于像AWS、Azure和Google Cloud这样的超大规模云平台，这些平台控制着大多数GPU集群，并占据全球云市场68%的份额。这些提供商训练大型模型，保持权重封闭或在限制性许可证下（如OpenAI和Anthropic所示），并使用专有数据集和独家数据合作关系。治理通常是企业性质，由董事会、股东和国家监管机构主导。 另一方面，去中心化AI通过点对点GPU市场（如@akashnet_和@rendernetwork）以及链上推理网络（如@bittensor_）分配计算。这些网络旨在去中心化训练和推理。 --- 为什么集中化仍然占主导地位 集中化AI继续领先有结构性原因。 训练一个前沿模型，比如一个2万亿参数的多语言模型，需要超过5亿美元的硬件、电力和人力资本。很少有实体能够资助和执行这样的任务。此外，监管义务，如美国关于AI的行政命令和欧盟AI法案，对红队测试、安全报告和透明度施加严格要求。满足这些要求创造了一个合规护城河，偏向于资源丰富的现有企业。集中化还允许在训练和部署阶段进行更严格的安全监控和生命周期管理。 --- 集中化模型的裂缝 然而，这种主导地位存在脆弱性。 人们对集中风险的担忧日益增加。在欧洲，44家主要公司的高管已警告监管机构，欧盟AI法案可能无意中加强美国云垄断，并限制区域AI发展。出口管制，特别是美国主导的GPU限制，限制了谁可以访问高端计算，促使国家和开发者寻求去中心化或开放的替代方案。 此外，自2024年以来，专有模型的API定价已多次上涨。这些垄断租金促使开发者考虑成本更低的开放权重或去中心化解决方案。 --- 去中心化AI 我们有链上计算市场，如Akash、Render和@ionet，使GPU所有者能够将未使用的计算能力租给AI工作负载。这些平台现在正在扩展以支持AMD GPU，并正在开发工作负载级别的证明以保证性能。 Bittensor通过$TAO代币激励验证者和模型运行者。联邦学习在医疗和金融领域获得了广泛应用，通过使协作训练无需移动敏感原始数据。 推理证明和零知识机器学习使得即使在不受信任的硬件上运行时也能验证模型输出。这些是去中心化、无信任AI API的基础步骤。 --- 经济机会在哪里 在短期内（今天到18个月），重点是应用层基础设施。允许企业轻松切换OpenAI、Anthropic、Mistral或本地开放权重模型的工具将是有价值的。同样，提供符合监管要求的开放模型的微调工作室在企业SLA下也在获得关注。 在中期（18个月到5年），去中心化GPU网络将随着其代币价格反映实际使用而迅速增长。同时，专注于特定任务（如风险评分或蛋白质折叠）的Bittensor风格子网络将通过网络效应高效扩展。 在长期（5年以上），边缘AI可能会占主导地位。手机、汽车和物联网设备将运行通过联邦学习训练的本地LLM，减少延迟和对云的依赖。数据所有权协议也将出现，允许用户在其设备为全球模型更新贡献梯度时赚取微型版税。 --- 如何识别赢家 可能成功的项目将拥有强大的技术护城河，以解决带宽、验证或隐私方面的问题，从而提供数量级的改进。经济飞轮必须设计良好。更高的使用率应资助更好的基础设施和贡献者，而不仅仅是补贴免费搭车者。 治理至关重要。仅靠代币投票是脆弱的，应该寻找多利益相关者委员会、渐进式去中心化路径或双重代币模型。 最后，生态系统的吸引力很重要。与开发者工具链早期集成的协议将加速采用。 --- 战略举措 对于投资者来说，可能明智的是对冲，同时持有集中化API（以获得稳定回报）和去中心化代币（以获得不对称上行）的敞口。对于建设者来说，允许根据延迟、成本或合规性实时切换集中和去中心化端点的抽象层是一个高杠杆机会。 最有价值的机会可能不在极端，而在连接组织中：协议、编排层和加密证明，允许工作负载在集中和去中心化系统之间自由路由。 感谢阅读！