【加密演義】模型主權、Token經濟學與區塊鏈新機遇（四之四）
梁淨明 HashKey Capital研究員
本欄有關模型主權、Token經濟學與區塊鏈新機遇的探討來到尾聲，本期會先介紹一些可解決模型、數據、存取與私隱問題的具體加密方案。
在推理層，Venice AI等項目為用戶提供不同私隱保護級別的模型存取服務。當用戶調用匿名模型時，請求會先通過Venice Proxy，並經由加密連接進行轉發，因此Venice不會儲存用戶數據，也不會將用戶身份信息傳遞給模型提供商。Venice還支持加密錢包和加密資產支付，繞過傳統銀行支付紀錄，進一步保護用戶身份私隱。對於私有模型，請求則通過零數據保留基礎設施處理。與此同時，可信執行環境和端到端加密等私隱技術進一步強化了數據保護機制，防止未經授權的第三方獲取或保留用戶數據。
Venice AI同時也是一個模型路由平台，通過單一API即可調用不同的大模型，顯著降低企業對單一模型供應商依賴的風險。截至目前，該平台已支持超過200個AI模型，擁有超過300萬活躍用戶，年化收入運行率超過7,000萬美元。
NEAR、io.net和OpenGradient等企業同樣提供面向人工智能場景的機密運算能力，以保護用戶數據私隱。其中，OpenGradient採用混合人工智能（AI）運算架構，將模型運算過程與驗證過程進行分離。用戶可以根據自身需求，在可信執行環境、零知識機器學習等不同信任模式之間進行選擇；相關驗證結果則由鏈上驗證者進行確認，並儲存於Walrus等去中心化儲存平台。NEAR則採用可信執行環境，在模型訓練和推理過程中對敏感數據和模型權重進行隔離保護。通過密碼學證明，能夠證明經批准的代碼確實在可信執行環境內執行，並驗證最終輸出由該環境簽名生成，從而確保運算過程的真實性和完整性。
在模型訓練層面，Nous Research發布了開源權重模型Hermes系列，使企業能夠在自身基礎設施上進行自主部署或微調，從而無需再將專有數據發送至第三方API。為提升模型訓練的韌性，並降低因單一算力節點故障帶來的風險，Nous Research進一步開發了去中心化訓練基礎設施Psyche。該系統建立在DisTrO和DeMo框架基礎之上，並通過通信效率更高的DisTrO優化器以及基於Solana的協調機制，實現分布式模型訓練。相關DeMo實驗表明，在3億和10億參數規模的模型上，上述方案在保持模型質量基本相當的情況下，可將通信需求最多降低約85倍。在訓練過程中，Solana負責維護共享狀態，使分布式參與方能夠在不依賴單一鏈下協調者的情況下，實現訓練過程中的同步和貢獻驗證。在這一架構下，分布式優化機制主要用於降低模型訓練所需的通信開銷，而區塊鏈則承擔協調、驗證、結算以及激勵等功能。
這意味着DeMo在傳輸完整梯度更新時所需的網絡帶寬更低（以MB/step計），因此普通互聯網連接即可滿足模型訓練需求，而無需依賴成本高昂的高速互連網絡。
人工智能戰略續趨多元化
局限性與未來展望：目前，去中心化算力網絡仍不具備訓練前沿模型的能力；與此同時，可信執行環境和零知識機器學習等驗證技術也會帶來額外的時延和成本開銷，因此未必適用於高吞吐量推理場景。此外，當前最先進模型普遍採用混合專家模型架構，這類架構對低時延和高帶寬通信具有較高要求，而基於互聯網連接、依賴通信壓縮技術（如DeMo、DiLoCo）的分布式訓練方案，目前尚無法根本解決這一問題。
儘管如此，未來企業人工智能戰略大概率不會走向「一刀切」的統一模式。隨着地緣政治因素持續影響前沿模型獲取，以及推理成本總量不斷攀升，企業越來越意識到過度依賴少數中心化閉源模型供應商所帶來的潛在風險。在此背景下，開源模型、注重私隱保護的模型，以及面向特定任務的小型和中型本地模型，有望加速普及，並為加密基礎設施的發展創造新的機遇。通過提供去中心化算力供給、支持可驗證且具備私隱保護能力的模型推理，以及實現可編程協調機制，加密基礎設施能夠幫助企業增強對人工智能部署的自主掌控能力，並更好地實現成本管理和數據所有權管理。
（完）
