【加密演義】模型主權、Token經濟學與區塊鏈新機遇（四之三）
梁淨明 HashKey Capital研究員
本欄今期將集中探討開源模型與區塊鏈基礎設施的發展機遇。
開源模型的重要意義，在於降低企業對單一模型供應商的依賴。當一家機構能夠直接獲取模型權重時，其模型能力便不再完全受制於供應商的出口許可、API突然下線、價格調整或政策變化等外部因素。企業可以在自主控制的基礎設施上、於自行選擇的司法轄區內部署模型，並將主要成本集中於算力支出。
如今，開源模型的發展速度與性能表現，也足以證明其價值，而不僅僅是作為閉源模型的替代方案。根據Artificial Analysis的Intelligence Index，智譜（Z.ai）的GLM-5.2成為首個躋身該榜單綜合排名前十的開源權重模型；而Moonshot的Kimi K3（預計將於本月底開源模型權重）得分更高，已達到與Claude Opus 4.8相當的智能水平。開源權重模型已不再只是「預算有限時的選擇」。
對於具備自託管能力的團隊而言，它正逐漸成為兼具模型自主權與競爭力的優選方案，同時能夠提供與前沿閉源模型相近的智能水平。
不過，開放模型權重雖然降低了企業對專有API的依賴，使其能夠在自主控制的基礎設施上部署模型，但並未從根本上消除對晶片、數據中心和雲服務提供商的依賴。在這一背景下，區塊鏈基礎設施的重要性開始凸顯，其價值主要體現在，通過去中心化協調機制提供開放的算力供給、支持可編程支付，並構建不可篡改的可驗證紀錄，從而緩解人工智能基礎設施層面的關鍵瓶頸。
下文將進一步探討區塊鏈基礎設施如何在人工智能價值鏈的不同環節降低外部依賴，並幫助企業構建更加安全並具有韌性的人工智能發展戰略。
應對算力瓶頸的加密方案
Aethir、io.net和Akash等去中心化算力網絡，正嘗試通過代幣激勵機制協調分散的獨立GPU運營商和數據中心參與算力供給，並利用智能合約完成資源結算。與傳統雲服務模式不同，在這一體系中並不存在掌握平台控制權的單一中介機構，且不存在任何一家公司擁有將某用戶或某地區排除在平台之外的權力，這也有助於形成更具競爭性的市場定價機制。
以io.net為例，其將來自獨立數據中心、加密礦工及其他供應商的分散GPU算力整合為按需調用的AI訓練集群。平台通過實時監測算力資源，根據GPU硬件規格、地理位置和網絡連接狀況進行智能匹配，利用Docker統一軟件運行環境，並結合基於Ray的模型編排框架和安全Mesh網絡，實現算力調度優化、降低冗餘風險，並支持大規模分布式訓練。
音樂AI公司Wondera採用io.net的分布式算力訓練三款自研音樂AI模型，總計使用超過55.2萬GPU小時，成本約為124萬美元；若採用傳統雲計算平台，同等訓練任務預計需花費約372萬美元。這意味着其訓練成本降低了約66.7%。
對於參數規模約為10億至300億的模型而言，一個由企業級GPU組成的小型算力集群通常就足以完成開源權重模型的微調。因此，去中心化算力網絡的價值並不在於訓練最先進的前沿模型——這一目標目前仍難以實現——而是在避免算力獲取受限、長期合同綁定以及高昂算力成本的前提下，幫助企業構建足以滿足特定業務需求的模型。
解決數據訪問隱私問題的加密方案
目前，大多數大模型服務商在面向個人用戶的付費版本中，通常會默認收集用戶的提示詞、上傳內容和對話數據，並將其用於模型再訓練和能力優化，除非用戶主動選擇退出相關數據使用機制。當員工通過這些產品處理工作內容時，企業的源代碼、財務模型和客戶數據都有可能進入模型提供商的訓練流程，從而帶來商業機密洩露的風險；更值得關注的是，這些模型提供商未來甚至可能成為企業的競爭對手。
雖然企業版和API服務通常會通過合同約定，不將客戶數據用於模型訓練，但這一保護仍依賴於企業所選擇的服務方案、系統配置以及對未經IT部門批准的工具和系統使用的有效管理。三星2023年源代碼洩露事件，正是這一風險的典型案例。
因此，去中心化AI的價值，並不僅僅在於阻止模型使用用戶數據進行訓練，更重要的是用可驗證的技術機制取代基於合同的信任。加密技術和可信執行環境能夠在數據處理過程中提供保護；零知識證明可以驗證計算過程是否按預期執行；區塊鏈則負責記錄這些證明，並協調多個獨立節點共同完成計算。
（待續）
題為編者所擬。本版文章，為作者之個人意見，不代表本報立場。
