Crypto AI：把握去中心化计算的投资机会

早安！终于来了，大家准备好了吗？

这篇论文内容丰富，为了让大家更容易消化（同时不让邮箱炸裂），我决定将其分成几部分，接下来的一个月会慢慢分享。走起！

我一直记挂的一个大错失。

这事至今让我心里有点堵，因为这是个任何关注市场的人都能看出来的明显机会，但我却错失了，连一毛钱都没投。

不，这不是下一个 Solana 杀手，也不是那只搞笑帽子的狗狗币。

它是……NVIDIA。

仅一年间，NVIDIA 的市值从 1 万亿飙升到 3 万亿，股价翻了三倍，甚至在同一时期的表现超过了比特币。

当然，这其中有 AI 热潮的推波助澜，但更重要的是，这种增长背后有着坚实的现实基础。NVIDIA 在 2024 财年收入达到了 600 亿美元，比 2023 年增长了 126%。这一惊人的增长，源于全球科技巨头们争相采购 GPU，以抢占通用人工智能（AGI）军备竞赛的先机。

我为啥错过了？

过去两年，我的注意力完全被加密货币吸引，AI 那边的动向完全没关注。这真是个大失误，现在想想都懊悔。

但这次，我不会再犯同样的错误了。

今天的 Crypto AI，给我一种似曾相识的感觉。

我们正处在一场创新爆炸的边缘，和 19 世纪中期的加州淘金热简直太像了——行业和城市一夜之间崛起，基础设施快速发展，敢于冒险的人们赚得盆满钵满。

就像早期的 NVIDIA，一旦未来回顾，Crypto AI 会显得如此显而易见。

Crypto AI：潜力无限的投资机会 在我的论文第一部分中，我提到为什么 Crypto AI 是如今最吸引人的潜力机会，投资者和开发者都不能错过。以下是几个关键点：

• 很多人觉得这就像是“空中楼阁”。
• 目前 Crypto AI 仍在早期阶段，离炒作巅峰可能还有 1-2 年的时间。
• 这个领域的增长潜力至少有 2300 亿美元。

Crypto AI 的精髓在于将人工智能与加密基础设施结合，这让它更有可能沿着 AI 的指数增长轨迹发展，而不是随波逐流于更广泛的加密市场。因此，要想把握先机，关注 Arxiv 上的最新 AI 研究，并与那些自信能创造下一个大事件的创始人交流是必须的。

Crypto AI 的四大核心领域

在论文的第二部分，我会详细探讨 Crypto AI 中最具前景的四个子领域：

1. 去中心化计算：模型训练、推理与 GPU 交易市场
2. 数据网络
3. 可验证 AI
4. 链上 AI 智能体

这篇文章是几周深入研究和与 Crypto AI 领域创始人及团队交流的成果。它并不是对每个领域的全面分析，而是一个高层次的路线图，旨在激发你的好奇心、帮助你优化研究方向，并指导你的投资决策。

Crypto AI 的生态蓝图

我将去中心化 AI 的生态系统比作一个分层结构：在一端是去中心化计算和开放数据网络，为去中心化 AI 模型的训练奠定基础。

所有推理的输入和输出都通过密码学、加密经济激励以及评估网络进行验证。这些经过验证的结果流向链上自主运行的 AI 智能体，以及用户可以信赖的消费级和企业级 AI 应用。

协调网络将整个生态系统连接在一起，实现无缝的沟通与协作。 在未来的愿景里，任何涉及 AI 开发的团队都能根据自己的需求，接入生态中的不同层级。无论是利用去中心化计算进行模型训练，还是通过评估网络确保高质量输出，这个生态系统提供了丰富的选择。

模块化未来🌍

随着区块链的可组合性提升，我们正在逐步迈向一个模块化的未来。每一层都将高度专业化，协议将根据特定功能优化，而不是一味追求一体化解决方案。

寒武纪式增长🚀

最近，去中心化 AI 技术栈的各个层面涌现了众多初创企业，展现出「寒武纪式」的爆炸式增长。大部分企业成立时间仅为 1-3 年，显示出我们仍处行业早期阶段。

在我看到的 Crypto AI 初创企业生态图中，最全面且更新的版本由 topology.vc 的 Casey 和她的团队维护。这是追踪这一领域发展的必备资源。

巨大的机会💰

当我深入探索 Crypto AI 各个子领域时，心中总是思考：这里的机会有多大？我关注的并不是小市场，而是那些能扩展到数千亿美元规模的巨大机会。

1. 市场规模

在评估市场规模时，我会问：这个子领域是创造了新市场，还是在颠覆现有市场？

以去中心化计算为例，这是一个颠覆性的领域。通过现有的云计算市场，我们可以估算其潜力。目前，云计算市场规模约 6800 亿美元，预计到 2032 年将达到 2.5 万亿美元。

与之相比，像 AI 智能体这样的新市场则更难量化。由于缺乏历史数据，我们只能凭直觉和合理推测进行估算。不过要小心，有些看似新市场的产品，实际上可能只是为问题寻找解决方案的产物。

2. 时机

时机是成功的关键。虽然技术随着时间推移会不断改进并变得便宜，但不同领域的进步速度却差异巨大。

某个子领域的技术成熟度如何？是否已经足够成熟以支持大规模应用？还是仍处于研究阶段，离实际应用还有数年？时机决定了一个领域是否值得立即关注，还是要暂时观望。

以完全同态加密 (FHE) 为例：潜力无可否认，但目前技术性能依然缓慢，难以实现大规模应用。可能还需要几年才能看到它进入主流市场。因此，我会优先关注那些技术接近大规模应用的领域，将我的时间和精力聚焦于正在积聚势头的机会点上。 如果把这些子领域放在一个「市场规模 vs. 时机」的图上，可能会是这样的感觉。不过，得提醒你，这只是个概念图，不是教科书式的指南哦。每个领域内部其实也挺复杂的——就拿可验证推理 (verifiable inference) 来说，不同的方法（像 zkML 和 opML）在技术成熟度上可不是一个水平的。

尽管如此，我还是坚信，AI 的未来市场规模会非常庞大。即使现在看上去比较「冷门」的领域，将来也可能变得炙手可热。

同时，咱们得意识到，技术进步可不总是一条直线——它往往是跳跃式前进的。当新技术突破出现，我对市场时机和规模的看法也会随之改变。

基于以上框架，我们接下来将逐个解析 Crypto AI 的各个子领域，挖掘它们的发展潜力和投资机会。

领域 1：去中心化计算

--

总结

--

· 去中心化计算是去中心化 AI 的核心支柱。

· GPU 市场、去中心化训练和去中心化推理紧密相连，携手发展。

· 供应侧主要由中小型数据中心和普通消费者的 GPU 设备构成。

· 需求侧目前规模较小，但正在逐步扩大，主要包括对价格敏感、延迟要求不高的用户，以及一些小型 AI 初创公司。

· 当前 Web3 GPU 市场面临的最大挑战，是如何让这些网络真正高效运作。

· 在去中心化网络中协调 GPU 的使用，需要先进的工程技术和稳健的网络架构设计。

1.1 GPU 市场 / 计算网络

现下，一些 Crypto AI 团队正在建立去中心化的 GPU 网络，利用全球未被充分利用的计算资源池，来满足 GPU 需求远超供应的现状。

这些 GPU 市场的核心价值可以总结为以下三点：

• 计算成本比 AWS 低多达 90%。这低成本来自两个方面：一是去掉了中间商，二是开放了供应端。用户可以接触到全球最低边际成本的计算资源。

• 无需绑定长期合同、无需身份验证（KYC）、无需等待审批。

• 抗审查能力。

• 为了解决市场的供应方问题，这些市场从以下来源获取计算资源： · 企业级 GPU： 高性能的 GPU，如 A100 和 H100，通常来源于中小型数据中心（它们单打独斗很难吸引足够的客户）或希望拓展收入来源的比特币矿工。另外，还有团队借助政府资助的大型基础设施项目，建设了大量数据中心以支持技术进步。这些供应商通常会被激励不断接入 GPU 到网络，以帮助减轻设备的折旧压力。

· 消费者级 GPU： 数百万的玩家和家庭用户把自己的电脑连上网络，通过 Token 奖励赚取收益。

当前，去中心化计算的需求主要来自以下几类用户：

1. 预算敏感、对延迟要求不高的用户： 比如，资金紧张的研究人员和独立 AI 开发者等。他们更在意成本，而非实时处理能力。面对传统云服务巨头（如 AWS 或 Azure）的高价，他们常常无力承担。因此，精准营销对这一群体至关重要。

2. 小型 AI 初创公司： 这些公司需要灵活且可扩展的计算资源，但又不希望签长期合约与大型云服务商合作。吸引这一群体需要加强合作关系，因为他们在积极寻找传统云计算的替代方案。

3. Crypto AI 初创企业： 这些企业正在开发去中心化的 AI 产品，但缺乏自己的计算资源，得依赖这些去中心化网络。

4. 云游戏： 尽管与 AI 关系不大，云游戏对 GPU 资源的需求却在迅速增加。

记住：开发者始终将成本和可靠性放在第一位。

真正的挑战：需求，而非供应

不少初创公司可能把 GPU 供应网络的规模视为成功的标志，但实际上，这只是一种「虚荣指标」。

真正的瓶颈在需求端，而非供应端。衡量成功的关键不在于网络中有多少 GPU，而在于 GPU 的利用率和实际租用的 GPU 数量。

Token 激励机制在启动供应端上非常有效，能够迅速吸引资源加入网络。但这并不能直接解决需求不足的问题。真正的考验在于，能否将产品打磨到足够好的状态，从而激发潜在的需求。

正如 Haseeb Qureshi（来自 Dragonfly）所说，这才是关键所在。

让计算网络真正运转起来

目前，Web3 分布式 GPU 市场的最大难题，真的是要让这些网络高效运转。😅

这可不是随便说说就能搞定的事儿。

协调 GPU 在分布式网络中 是个极其复杂的活，涉及到一堆技术难点，比如资源分配、动态工作负载扩展、节点和 GPU 的负载均衡、延迟管理、数据传输、容错能力，还得应对全球各地五花八门的硬件设备。这些问题叠加在一起，简直是个工程上的“大山”。

想要解决这些难题，得有超强的工程技术能力和一个健壮、设计合理的网络架构。

要理解这点，看看 Google 的 Kubernetes 系统 吧。Kubernetes 被视为容器编排的金标准，能自动处理分布式环境中的负载均衡和扩展等问题，这些跟分布式 GPU 网络面临的挑战很像。值得一提的是，Kubernetes 是基于 Google 十多年分布式计算经验开发的，尽管如此，还是花了好几年不断迭代才完善。

现在，一些已经上线的 GPU 计算市场能处理小规模的工作负载，但一旦扩大规模，问题就会暴露。这可能是因为它们的架构设计根本就有缺陷。

可信性问题：挑战与机遇🔍

去中心化计算网络还有一个重要问题是如何确保节点的可信性，也就是怎么验证每个节点是否真能提供它所声称的计算能力。目前，这个验证过程一般依赖网络的声誉系统，有时计算提供者会根据声誉排名。区块链技术在这方面有天然优势，因为它能实现无需信任的验证机制。一些初创公司，比如 Gensyn 和 Spheron，正在探索如何通过信任机制解决这个问题。

目前，许多 Web3 团队还在努力应对这些挑战，这也意味着这个领域的机会依然广阔。

去中心化计算市场的规模📈

那么，去中心化计算网络的市场到底有多大呢？

现在，它可能仅占全球云计算市场（规模约为6800亿到2.5万亿美元）的一小部分。不过，只要去中心化计算的成本低于传统云服务提供商，就一定存在需求，哪怕用户体验有些小摩擦。 在短期到中期，去中心化计算的成本应该会保持在较低水平，这得益于两个主要因素：✨

1. Token 补贴
2. 非价格敏感用户的供应解锁

例如，我如果能把我的游戏笔记本电脑出租赚点外快，不管是每月 20 美元还是 50 美元，都会觉得超满足的😄。

去中心化计算网络的真正增长潜力和市场规模的扩展，依赖于几个关键因素：

1. 去中心化 AI 模型训练的可行性：
一旦去中心化网络支持 AI 模型的训练，市场需求会暴涨🚀。

2. 推理需求的爆发：
AI 推理需求的激增可能让现有数据中心不堪重负。NVIDIA 的 Jensen Huang 已经提到，推理需求会增长「十亿倍」📈。

3. 服务等级协议 (SLAs) 的引入：
现在，去中心化计算服务多是「尽力而为」，用户会面临服务质量的不确定性。有了 SLAs，网络可以提供标准化的可靠性和性能指标，这样企业更容易采纳去中心化计算，成为传统云计算的可行替代方案。

去中心化、无需许可的计算是去中心化 AI 生态系统的基石，也是其最重要的基础设施之一🛠️。

尽管 GPU 等硬件供应链在扩展，但我觉得我们仍处于「人类智能时代」的黎明。未来对计算能力的需求将是无止境的🔄。

注意可能会触发 GPU 市场重新定价的关键拐点，可能很快就会到来👀。

· 纯 GPU 市场竞争激烈，不仅要面对去中心化平台之间的竞争，还得面对 Web2 AI 新兴云平台（如 Vast.ai 和 Lambda）的强势崛起。

· 小型节点（比如 4 张 H100 GPU）的市场需求不大，但想找到出售大型集群的供应商几乎是不可能的，因为他们的需求依旧火爆🔥。

· 去中心化协议的计算资源供应，究竟是会被某个主导者整合，还是会继续分散在多个市场中？我更倾向于前者，认为最终会呈现幂律分布，因为整合往往能提升基础设施的效率。不过，这个过程需要时间，市场的分散和混乱还会继续一阵子。

开发者更希望专注于构建应用，而不是在部署和配置上浪费时间。因此，计算市场需要简化这些复杂性，尽量减少用户获取计算资源时的摩擦💡。 去中心化训练的未来 🤖

核心观点

• 扩展法则的挑战：假如扩展法则成立，未来在单一数据中心训练前沿 AI 模型可能会变得不切实际。

• 数据传输瓶颈：训练 AI 模型需要大量的 GPU 之间进行数据传输，而分布式 GPU 网络的低互连速度常常成为技术障碍。

• 技术突破：研究人员正在探索多种解决方案，像 Open DiLoCo 和 DisTrO 这样的技术创新正在推动去中心化训练的进程。

• 小型专用模型的兴起：未来去中心化训练可能会关注设计小型、专用模型，而非追求 AGI 的前沿模型。

• 推理需求激增：随着 OpenAI 的 o1 等模型的流行，推理需求暴增，这为去中心化推理网络提供了巨大的机遇。

想象一下：一个颠覆世界的 AI 模型，不是某个秘密实验室的成果，而是数百万普通人共同的努力。游戏玩家的 GPU 不再仅仅是为了渲染《使命召唤》的酷炫画面，而是被用来实现更伟大的目标——一个开源且集体拥有的 AI 模型，没有任何中心化的管理者。

在这样的未来，基础规模的 AI 模型不再是顶尖实验室的专属，而是全民参与的结晶。

不过，现实是，目前大部分重型 AI 训练依旧集中在中心化数据中心，这种趋势在可预见的未来恐怕不会有太大改变。

像 OpenAI 这样的公司仍在不断扩展其庞大的 GPU 集群。Elon Musk 最近也透露，xAI 即将完成的一个数据中心，其 GPU 数量相当于 20 万张 H100。

但问题不仅仅在于 GPU 的数量。Google 在 2022 年的 PaLM 论文中提出了一个重要指标——模型 FLOPS 利用率 (Model FLOPS Utilization, MFU)，用来衡量 GPU 最大计算能力的实际使用率。出人意料的是，这一利用率通常仅在 35-40% 之间。

为什么这么低呢？尽管 GPU 性能在摩尔定律的推动下飞速提升，网络、内存和存储设备的进步却远远滞后，形成了明显的瓶颈。结果，GPU 经常闲置，等待数据传输完成。

目前，AI 训练高度中心化的根本原因只有一个——效率。

大型模型训练依赖以下关键技术：

• 数据并行：将数据集切分到多个 GPU 上进行并行处理，从而加快训练速度。 · 模型并行： 把模型的各个部分分散到多个 GPU 上，真是解决内存限制的绝妙法子。

为了实现这一点，GPU 之间需要频繁交换数据，所以互连速度（也就是网络中数据传输的快慢）变得超级重要。

当前沿 AI 模型的训练成本可能飙升至 10 亿美元时，任何一点效率提升都是金子般的存在。

中心化数据中心凭借其超快的互连技术，可以迅速在 GPU 之间传递数据，从而在训练时间上节省不小的成本。这一优势，去中心化网络现在还真没法比……至少目前是这样。

克服缓慢的互连速度

和 AI 领域的从业者聊起来，很多人可能会直言不讳：去中心化训练根本行不通。

在去中心化架构下，GPU 集群并不在同一个物理位置，导致它们之间的数据传输速度很慢，成了主要瓶颈。训练过程每一步都需要 GPU 进行数据同步和交换，距离越远，延迟就越高。而更高的延迟直接影响训练速度，成本自然也就水涨船高。

在中心化数据中心只需几天完成的训练任务，到了去中心化的环境下，可能需要两周，成本也更贵。这显然不太现实。

不过，好消息是，这种情况正在发生变化。

令人兴奋的是，分布式训练的研究正如火如荼。研究者们从多个方向展开探索，最近涌现出大量成果与论文，真是让人眼前一亮。这些技术进展将形成叠加效应，推动去中心化训练的发展。

另外，实际生产环境的测试也至关重要，这能帮助我们打破现有技术的界限。

目前，一些去中心化训练技术已能在低速互连环境中处理较小规模的模型。而前沿研究正致力于将这些方法扩展至更大规模的模型。

· 比如，Prime Intellect 的 Open DiCoLo 论文提出了一种实用方法：把 GPU 分成「群岛」，每个群岛在同步前先进行 500 次本地计算，将带宽需求降至原来的 1/500。这项技术最初是 Google DeepMind 针对小型模型的研究，现在已经成功扩展到训练一个拥有 100 亿参数的模型，并且已经完全开源。

· Nous Research 的 DisTrO 框架则进一步突破，通过优化器技术将 GPU 之间的通信需求降低了高达 10,000 倍，同时成功训练了一个拥有 12 亿参数的模型。

· 这一势头还在持续。Nous 最近宣布，他们已完成一个 150 亿参数模型的预训练，其损失曲线和收敛速度甚至超越了传统的中心化训练表现。

微小发报道：
（推文详情：

https://x.com/NousResearch/status/1863622813317464157?ref_src=twsrc%5Etfw%7Ctwcamp%5Etweetembed%7Ctwterm%5E1863622813317464157%7Ctwgr%5E1e5a66f4a968150161a81a5e8c884574d4538df2%7Ctwcon%5Es1_&ref_url=https%3A%2F%2Fwww.chainofthought.xyz%2Fp%2Four-crypto-ai-thesis-part-ii-decentralised-compute
)

🔍 训练超大规模AI模型的新途径
像 SWARM Parallelism 和 DTFMHE 这样的新方法，正在尝试在不同设备上训练超大规模的 AI 模型，哪怕这些设备的速度和链接状况千差万别。

💻 GPU硬件的挑战
另一个棘手的问题是如何管理多样化的 GPU 硬件，特别是在去中心化网络中常见的消费级 GPU，这些设备通常内存有限。通过模型并行技术（将模型的不同层分配到多台设备上），这个问题正在逐步迎刃而解。

🌟 去中心化训练的未来畅想
目前，去中心化训练的模型规模距离最前沿的模型仍有不小差距（比如 GPT-4 的参数量接近一万亿，远超 Prime Intellect 的 100 亿参数）。要实现真正的规模化，我们必须在模型架构、网络基础设施和任务分配策略上实现重大突破。

大胆设想一下：未来，去中心化训练可能集结比最大中心化数据中心更多的 GPU 计算能力。Pluralis Research（一个在去中心化训练领域相当有眼光的团队）相信，这不仅是可能的，还是必然的。中心化数据中心受限于物理条件，如空间和电力，而去中心化网络则能利用全球几乎无限的资源。

🎤 业界领袖的看法
甚至 NVIDIA 的 Jensen Huang 也表示，异步去中心化训练可能是释放 AI 扩展潜力的关键。此外，分布式训练网络还具备更强的容错能力。

所以，未来有个可能性是：世界上最强大的 AI 模型将以去中心化的方式进行训练。 这一愿景确实让人激动，但我还是有点犹豫 🤔。我们需要更扎实的证据，来证明去中心化训练超大规模模型在技术和经济上都是可行的。

最佳应用场景？我觉得去中心化训练最适合的其实是那些小巧、专门的开源模型，专为特定应用而设计，而不是跟那些超大型、追求 AGI 的模型去拼。某些架构，尤其是非 Transformer 的那些，已经展现出它们在去中心化环境中的强大适应性。

另外，Token 激励机制将会是未来的关键。当去中心化训练规模可行后，Token 可以有效激励和回报贡献者，推动这些网络的发展 🚀。

尽管路途漫长，但目前的进展真让人振奋。去中心化训练的突破，不仅能使去中心化网络受益，还能为大型科技公司和顶尖 AI 实验室开启新的可能性……

1.3 去中心化推理

目前，AI 的计算资源大多用于训练大型模型，顶尖 AI 实验室之间的军备竞赛正如火如荼，目标是开发出最强基础模型，最终实现 AGI。

不过，我觉得这种对训练资源的集中投入，未来几年将逐渐转向推理。随着 AI 技术越来越多地融入我们的日常应用——从医疗到娱乐，推理所需的计算资源将会变得异常庞大。

这可不是无的放矢。推理时的计算扩展（Inference-time Compute Scaling）已成为 AI 领域的热门话题。OpenAI 最近发布了最新模型 o1（代号：Strawberry）的预览版，其最大的亮点是：它会“花时间思考” 💭。具体来说，它会先分析自己需要采取哪些步骤来回答问题，然后逐步完成这些步骤。

这个模型专为更复杂且需要规划的任务设计，比如填字游戏，能够处理深度推理的问题。虽然它生成响应的速度较慢，但结果更加细致和深思熟虑。然而，这种设计也带来了高昂的运行成本，其推理费用是 GPT-4 的 25 倍。

从这个趋势来看，AI 性能的下一个飞跃，不仅仅依赖于训练更大的模型，还将依靠推理阶段计算能力的扩展。

如果你想更深入了解，已有几项研究证明：

· 通过重复采样扩展推理计算，能在许多任务中显著提升性能。

· 推理阶段也遵循一种指数级的扩展法则 (Scaling Law)。 一旦高效的 AI 模型训练完成，推理任务（也就是实际应用阶段）可以轻松转移到去中心化计算网络。这种方式吸引力十足，原因有三：

• 资源需求低：推理所需的资源远少于训练。完成训练的模型可以通过量化、剪枝或蒸馏等技术进行压缩和优化。甚至可以运用张量并行或流水线并行，将模型拆分，允许在普通消费级设备上运行。推理不再依赖高端 GPU。

• 初露端倪：比如，Exo Labs 找到了在 MacBook 和 Mac Mini 等消费硬件上运行 4500 亿参数 Llama3 模型的方法。通过将推理任务分布于多个设备，即使是庞大的计算需求也能高效且低成本完成。

• 更佳用户体验：将计算能力部署得更靠近用户，显著降低延迟，这对实时应用至关重要。像游戏、增强现实（AR）和自动驾驶汽车，这些场景中每毫秒的延迟都可能改变用户体验。

去中心化推理就像 AI 的 CDN（内容分发网络）。传统的 CDN 通过连接邻近服务器快速传输网站内容，而去中心化推理则利用本地计算资源，以极快速度生成 AI 响应。这样一来，AI 应用程序变得更高效、响应更快，可靠性也大幅提升。

这一趋势已经显现。苹果最新的 M4 Pro 芯片性能接近 NVIDIA RTX 3070 Ti——曾经的游戏玩家梦寐以求的高性能 GPU。如今，我们的日常硬件正愈发能够应对复杂的 AI 任务。

加密货币的价值赋能

想让去中心化推理网络真正奏效，得给参与者足够有吸引力的经济激励。网络中的计算节点需要因其贡献的计算能力获得合理报酬，系统还需确保奖励分配公平且高效。此外，地理多样性也至关重要。它不仅能降低推理任务的延迟，还能提升网络的容错能力，从而增强整体稳定性。

那么，构建去中心化网络的最佳方式是什么呢？答案就是加密货币。 Token 是个超级厉害的工具，能把所有参与者的利益整合到一起，确保大家都朝着同一个方向努力：扩展网络规模，提升 Token 的价值📈。

不仅如此，Token 还可以大幅加速网络的成长。它们解决了早期发展中那些经典的“鸡和蛋”难题。通过奖励早期采用者，Token 从一开始就能推动更多人参与到网络建设中来👥。

比特币和以太坊的成功已经证明了这套机制的有效性——它们吸引了地球上最大的计算能力池。

下一个接力者将是去中心化推理网络。这些网络通过地理多样性，能够减少延迟、增强容错能力，并将 AI 服务更贴近用户。而凭借加密货币驱动的激励机制，去中心化网络的扩展速度和效率将远超传统网络🚀。

在接下来的系列文章中，我们将深入探讨数据网络，研究它们如何帮助突破 AI 面临的数据瓶颈🔍。

免责声明

本文仅供教育用途，不构成任何财务建议。这并不是对资产买卖或财务决策的背书。在进行投资选择时，请务必自行研究并保持谨慎。