Bitaigen Research 我們以 Vitalik 的最新觀點為切入，全面梳理 Crypto 與 AI 的融合路徑，重點解析去中心化資料協議、算力激勵等細分賽道，協助讀者洞悉技術互補帶來的創新機會，並展望未來生態的可能演進。
5 AI 作為目標
在前文討論的三類場景側重於 AI 為 Crypto 提供能力，而本節聚焦的是 Crypto 如何反哺 AI，協助構建更高效、更去中心化的模型與服務。AI 的核心要素包括 資料、算力與演算法，在每一個維度上，區塊鏈都在嘗試提供激勵與安全保障。
5.1 去中心化資料協議
去中心化的資料平台透過 眾包激勵 讓個人或機構上傳原始資料、標註資訊或演算法，並利用密碼學手段保護隱私。常見的實作方式是將資料資產化為 NFT 或 data‑token，隨後在 Data Marketplace 中匹配需求方。
- Ocean Protocol：透過 NFT 確權並發行對應的 datatoken，實現對資料的存取控制。Compute‑to‑Data（C2D）機制保證使用者只能取得模型輸出而看不到原始資料。專案自 2017 年上線，已成為 AI 賽道的重要資料供給方。
- Synesis One：基於 Solana 的 Train2Earn 平台，使用者提供自然語言資料或標註任務可獲得 $SNS 獎勵。任務分為 Architect（建立任務）、Builder（提供語料）和 Validator（審查品質），完成後資料以 IPFS 形式上鏈，供 AI 公司（目前為 Mind AI）使用。!Ocean Protocol 與 Grass 資料網路示意圖
- Grass：定位為 AI 的去中心化抓取層，利用閒置寬頻和多 IP 位址突破網站的爬取限制，收集公開網頁資料並進行初步清洗，為模型訓練提供原始素材。專案仍在 Beta 階段，使用者可透過提供帶寬獲得積分並期待空投。!Grass 與 AIT Protocol 的去中心化資料層結構圖
- AIT Protocol：專注於高品質標註服務，全球勞動力透過鏈上任務獲得激勵，標註完成後經資料科學家復核，合格資料直接供開發者下載使用。!AIT 協議資料標註流程示意圖
傳統的去中心化儲存網路（如 Filecoin、Arweave）同樣為資料的長期保存與分發提供基礎設施。
5.2 去中心化算力
算力是 AI 訓練與推論的關鍵資源。去中心化算力平台透過代幣激勵閒置 GPU、CPU 或專用加速卡的擁有者，將算力投放到公開市場，從而降低使用成本並提升資源利用率。當前市場上，算力方向的專案往往圍繞兩大業務：
- 模型推論：對已訓練好的模型進行高併發的預測服務。
- 模型訓練：為大規模模型提供算力支撐，需求更高的頻寬與算力密集度。
主要專案
- Akash：提供通用計算資源，已擁有約 282 台 GPU 與 2 萬餘 CPU，租賃次數突破 16 萬次，GPU 利用率維持在 50‑70% 之間。
- Render：最初面向渲染業務，後逐步向 AI 推論擴展，擁有 4 318 台 GPU（含約 200 塊 H100）和 159 台 CPU。
- io.net：專為 AI 設計的算力平台，累計部署 40 272 台 GPU 與 5 958 台 CPU，完成推論 151 879 次，並透過與 Render、Filecoin 等合作快速補充算力。!Akash 與 io.net GPU、CPU 資源分布示意圖
- Gensyn：聚焦去中心化訓練，建構基於機率學習證明與圖結構定位的驗證層，確保算力提供者的計算結果可信。
- Fluence（Solana）與 Nosana：透過鏈上驗證機制，讓使用者能檢查計算任務的執行證明，提升系統可信度。
算力平台的競爭核心在於 資源規模、租金水平、利用率 以及 驗證機制。隨著 AI 需求的爆發，算力市場的供需匹配將成為資金流入的重要驅動力。
5.3 去中心化模型
實現真正的去中心化 AI 需要讓模型本身也具備 可組合、可激勵、可驗證 的屬性。雖然距離 Vitalik 描繪的「可信黑盒」仍有距離，但已有專案嘗試透過經濟激勵讓模型互相學習、競爭並提升整體推論品質。
- Bittensor：提供模型推論服務的網路，擁有 32 條子網分別專注於資料抓取、文字生成、文字‑影像等任務。激勵機制透過每日約 7 200 TAO（每塊 1 TAO）分配獎勵，根網路的 64 位驗證者依子網表現決定分配比例，子網內部再依礦工工作品質進行細分。此機制促使模型在競爭中不斷優化。!區塊鏈與加密的可信 AI 黑盒示意圖!Bittensor 子網結構示意圖，展示 AI 模型協作與 TAO 獎勵流向
---
4 AI 作為遊戲規則
當 AI 不再是輔助工具，而是直接承擔 決策與執行 的角色時，系統風險隨之上升。此層級可以細分為三大技術支柱：AI 應用、Autonomous Agent 協議、zkML / opML。
4.1 Autonomous Agent
Agent 是能夠理解自然語言指令、在鏈上註冊身份並自主完成任務的實體。區塊鏈為 Agent 提供 代幣激勵、NFT 確權、不可篡改日誌 等基礎設施，使其既能在鏈下取得算力，又能在鏈上留下可信記錄。
- Autonolas：透過鏈上協議對 Agent 程式碼及其組件進行 NFT 形式的確權，服務擁有者可組合多個 Agent 建構複合服務，使用者付費使用。
- Fetch.ai：四層架構包括 AI Agents、Agentverse、AI Engine 與 Fetch Network。Agentverse 為 SaaS 平台，協助開發者註冊 Agent；AI Engine 將自然語言轉化為可執行指令並挑選合適的 Agent；Fetch Network 負責鏈上身份與協同。
- Delysium：提供統一的通訊層（基於標準化訊息協議）以及鏈上身份層（Agent ID 與 Chronicle 合約），實現 Agent 之間的高效、可稽核互動。
- Altered State Machine：利用 NFT 對 AI Agent 進行確權與交易，已在 FIFA 等遊戲中嵌入 AI Agent，形成元宇宙 AI 生態。
- Morpheous：搭建四方角色（Coder、Computer Provider、Community Builder、Capital）的生態網路，以公平啟動方式激勵算力提供者、開發者與社群貢獻者。
4.2 zkML / opML
零知識技術為 AI 推論的可信執行 提供了兩條路徑：
- 推論驗證：在鏈下完成模型推論後產生 ZK‑Proof，鏈上驗證該證明即可確認計算未被篡改。
- 隱私保護：對輸入資料或模型權重進行加密，確保在公開鏈上執行時不洩露敏感資訊。
實作思路通常是將模型轉化為 ZK‑電路（或使用 OpML 的 AnyTrust 假設），在鏈上部署驗證合約並透過主合約取得推論結果。此技術仍處於早期，面臨電路轉換成本與計算開銷的雙重挑戰。
- Modulus Labs：推出 zkML 證明器 *Remainder*，相較傳統推論提升約 180 倍，並與 Upshot、AI Arena 等專案合作，將 ZK‑AI 應用於市場資料收集與 NFT 價格評估。
- Risc Zero：在其 ZKVM 中直接執行機器學習模型，實現對模型計算過程的完整可驗證。
- Ingonyama：研發專用 ZK 硬體，旨在降低 zkML 的門檻，為模型訓練階段提供加密保障。
4.3 AI 應用
此類專案聚焦特定業務場景的自動化決策，如 自動化交易 Bot、DeFi 收益 Bot 等。它們往往在 介面層 與 規則層 之間徘徊，既需要可靠的模型，又必須解決安全與透明度問題。當前多數 AI 應用仍處於「輔助」階段，完整的自主決策尚未成熟，故本文不再冗述已有案例。
---
3 AI 作為介面
在此層級，AI 主要承擔 資訊中介 與 風險提示 的角色，協助普通使用者、開發者或分析師更順暢地與區塊鏈互動。雖然 AI 並不直接執行決策，但錯誤的輸出仍可能誤導使用者，系統風險已開始顯現。
代表專案
- PaaL：基於 Crypto 語料訓練的 ChatGPT，整合 Telegram 與 Discord，可提供代幣基本面分析、圖片生成等功能。使用者還能自行定義 Bot，透過餵養資料集打造專屬知識庫。近期推出的 PaalX 將 AI 與交易、合約審計結合，降低新手上手門檻。!PaaL 與 ChainGPT 專案標誌並列展示
- ChainGPT：提供 Chatbot、NFT 生成、新聞聚合、合約審計、交易助理等多元工具，並在 Launchpad 上孵化專案，已完成 24 項 IDO。!ChainGPT 與 Arkham AI 引擎功能示意圖
- Arkham：其 Ultra 引擎透過演算法將鏈上地址映射至現實實體，提升產業透明度。專案因 OpenAI 創辦人 Sam Altman 的個人投資而受到矚目，30 天內漲幅約 5 倍。
- GraphLinq：以可視化 Graph 為核心，讓使用者無需編碼即可搭建自動化流程。近期加入對話式 AI，使用者可透過自然語言建立與管理任務。
- 0x0.ai：提供 AI 合約審計、反 Rug 檢測以及 No‑code 合約生成三大功能，目前僅完成審計模組的上線。
- Zignaly：自 2018 年起為個人投資者提供基金經理複製交易服務，現正利用機器學習建構基金經理評估體系，已推出首個 Z‑Score 產品。
