人工智能正变得越来越强大，但其大部分研发工作却掌握在少数几家科技公司手中。这引发了人们对透明度、数据所有权、访问权限以及人工智能发展受益者等问题的担忧。
然而，目前大多数先进的人工智能开发仍然掌握在少数几家大型科技公司手中。主流的人工智能模型通常是封闭系统，这意味着用户对其训练方式、使用的数据以及决策过程知之甚少。
这引发了人们对透明度、数据所有权、审查制度以及人工智能日益增长的经济价值的受益者等问题的担忧。
去中心化人工智能旨在通过将人工智能与区块链原理相结合来改变现状。它不依赖封闭系统，而是创建网络，让开发者、研究人员、用户和贡献者能够参与其中，共享资源，并对人工智能的构建和使用方式拥有更大的控制权。
这导致了以计算能力、数据共享、人工智能代理和开放智能网络为重点的去中心化人工智能项目的兴起。
关键外卖
- 去中心化人工智能允许人们（而非大型科技公司）贡献数据、计算能力和模型，从而使人工智能更加开放。
- 区块链通过使活动更容易验证并赋予用户对其数据的更多控制权，从而提高了人工智能的透明度和所有权。
- 不同的项目解决不同的人工智能问题；Bittensor 专注于人工智能网络，Render 和 Akash 专注于计算能力，而 Ocean Protocol 专注于数据隐私。
- 该行业仍然面临安全风险、治理问题、监管以及扩展去中心化网络等挑战。
- 去中心化人工智能仍然面临重大挑战，包括安全风险、治理冲突、监管不确定性以及在没有中央权威机构的情况下协调大型全球网络的困难。
什么是加密货币中的去中心化人工智能？
加密货币中的去中心化人工智能是指构建在区块链网络上的人工智能系统，其中计算能力、数据、模型和决策权分布在多个独立参与者之间，而不是由单个公司控制。
它将人工智能与加密基础设施相结合，创建开放的人工智能网络，用户可以在其中贡献资源、验证活动并通过代币获得奖励。这些系统旨在使人工智能更加透明、易用和社区驱动。
三个组成部分详解
加密货币中的去中心化人工智能融合了三个主要理念：去中心化、人工智能和区块链技术。
去中心化网络
传统人工智能的开发通常由大型科技公司控制，这些公司运营着庞大的数据中心，拥有硬件，收集大型数据集，并管理对其人工智能模型的访问。
去中心化人工智能采用了一种不同的方法，将这些资源分配给众多独立的参与者。Fetch.ai 等网络中使用的一种特殊技术是联邦学习（例如 CoLearn），它允许模型在多个数据源上进行训练，而无需集中管理原始数据，从而在利用分布式知识的同时确保隐私。
去中心化的AI网络不再依赖于单一公司的基础设施，而是允许世界各地的个人和组织贡献计算能力、数据或AI模型。参与者可以提供闲置的GPU容量、帮助训练模型或支持网络运营。
人工智能
去中心化人工智能中的人工智能部分指的是能够分析数据、识别模式、做出预测和完成任务的系统。
在加密货币领域，人工智能可以支持市场分析、交易工具、投资组合管理、区块链监控、治理决策以及与钱包和去中心化应用程序交互的人工智能代理等活动。当与区块链结合使用时，这些人工智能系统可以通过智能合约和自动支付更独立地执行任务。
区块链集成
区块链为连接和协调去中心化的人工智能网络提供了基础设施。与由单一公司控制系统不同，区块链允许多个参与者贡献资源并协同工作。
它支持多种功能，例如为贡献者提供代币奖励、为自动协议提供智能合约、为验证提供透明记录，以及无需中央机构批准即可公开参与。
人工智能和区块链的结合创建了一个系统，在这个系统中，人工智能的开发和运营可以在网络中共享，而不是由少数公司控制。
为什么去中心化人工智能在加密货币领域至关重要
去中心化人工智能与加密货币背后的核心理念之一不谋而合：减少对中心化系统的依赖。加密货币致力于构建更加开放的金融网络，而去中心化人工智能则采用类似的方法，将所有权、访问权限和参与权分散到更广泛的网络中，从而应用于人工智能领域。
去中心化人工智能的实际优势
- 区块链的一大优势在于它可以支持新型人工智能驱动型经济。人工智能代理可能需要执行频繁的小额交易，例如支付数据、计算资源或服务费用。基于加密货币的支付方式可以使这些自动化交互更易于管理。
- 去中心化人工智能还可以提高透明度。去中心化网络不再仅仅依赖于公司控制的封闭式人工智能系统，而是允许用户验证模型、数据和交易的处理方式。
- 另一个优势是开放参与。开发者、研究人员和个人都可以贡献计算能力、数据或模型，而无需获得任何单一组织的许可。
市场增长与生态系统扩张
去中心化人工智能领域已在多个方面发展起来，包括去中心化计算、人工智能模型网络、数据市场和人工智能代理平台。
Render Network 和 Akash Network 等项目专注于分布式计算资源，而 Ocean Protocol 等平台则探索去中心化数据共享。Bittensor 等人工智能网络则专注于创建开放的人工智能模型生态系统。
注意：去中心化人工智能领域的代币市值通常领先于实际的网络利用率和使用情况，这反映了在持续发展的同时，人们对该领域的投机兴趣也很大。
随着采用率的提高，这些网络正在探索在传统中心化供应商之外提供人工智能基础设施的新途径。然而，该领域仍在发展中，其市场规模会随着代币价格和项目的演变而变化。
集中式人工智能与去中心化人工智能：全面比较
集中式人工智能和去中心化人工智能在构建和管理人工智能系统方面采用了不同的方法。传统的集中式人工智能依赖于控制基础设施、数据和模型的大型组织，而去中心化人工智能则利用区块链等技术将这些资源分配给多个参与者。
| 方面 | 集中式人工智能 | 去中心化人工智能 | 获奖者及原因 |
| 通过积极争取让商标与其相匹配的域名优先注册来维护 | 人工智能系统主要由少数几家大型科技公司控制，这些公司拥有基础设施和模型。 | 人工智能资源分布在多个独立参与者之间，并实行开放式参与。 | 去中心化人工智能——降低控制权集中度，鼓励更广泛参与 |
| 透明度 | 许多模型作为封闭系统运行，对训练数据和决策过程的可见性有限。 | 开源模型和可验证记录可以使人工智能运行更容易接受检查。 | 去中心化人工智能——提高透明度和问责制 |
| 数据隐私 | 用户数据通常通过公司控制的服务器进行存储和处理。 | 它采用联邦学习和分布式处理等方法，使用户能够更好地控制数据。 | 去中心化人工智能——支持更大的数据所有权 |
| 访问 | 访问权限可能取决于公司政策、API限制、定价或地理位置。 | 通过开放网络和无需许可的系统，允许更广泛的参与。 | 去中心化人工智能——减少参与门槛 |
| 性能 | 大型公司目前拥有构建一些最先进的人工智能模型所需的资源。 | 去中心化系统正在改进，但可能仍然落后于领先的中心化模型。 | 集中式人工智能——在许多现有模型中表现更佳 |
| Cost | 用户可能依赖订阅、API费用或企业定价。 | 采用基于市场的系统，用户可以通过去中心化网络访问人工智能资源。 | 视情况而定——去中心化模式可能提供更具竞争力的价格。 |
| 检查 | 公司可以制定使用政策，并限制对某些服务的访问。 | 基于区块链的系统可能更能抵抗集中控制。 | 去中心化人工智能——提供更多用户控制权，但治理仍然是一个挑战。 |
| 速度和延迟 | 优化后的数据中心通常能提供更快的响应速度 | 性能取决于网络参与者和基础设施分布 | 集中式人工智能——目前通常速度更快 |
| 创新 | 研究主要集中在权限受控的私人实验室。 | 开源社区和全球贡献者可以构建和改进系统 | 去中心化人工智能——鼓励更广泛的协作 |
| 经济模型 | 公司价值主要归公司所有者和股东所有。 | 价值可以通过代币或激励措施分配给网络贡献者。 | 去中心化人工智能——允许更广泛的价值参与 |
| 可靠性 | 如果公司的基础设施出现问题，就可能出现单点故障。 | 分布式网络降低了对单一供应商的依赖。 | 去中心化人工智能——可能更具韧性 |
| 可扩展性 | 大型公司拥有大量资源来训练大规模人工智能模型。 | 规模化需要众多参与者之间的协调 | 集中式人工智能——目前更容易扩展 |
| AI代理支持 | 人工智能代理通常依赖于公司控制的平台和应用程序接口 (API)。 | 可以支持带有区块链钱包和自主交易的人工智能代理 | 去中心化人工智能——更适合开放式智能体生态系统 |
| 税法法规 | 清晰的所有权结构使监管和问责更容易 | 分散所有权给责任和法律监管带来了挑战。 | 集中式人工智能——更简便的监管结构 |
绩效差距的现实
目前，集中式人工智能在原始性能方面具有优势。OpenAI、Anthropic 和 Google 等公司开发的大型模型，都利用了海量数据集、强大的计算基础设施以及专业研究团队进行训练。这使得它们在推理、语言理解和通用任务等领域拥有显著优势。
然而，去中心化人工智能网络正在不断改进。该领域的项目正在尝试开放式人工智能模型、分布式计算和社区驱动的训练系统。
一些网络专注于提高模型性能，而另一些网络则优先考虑区块链分析、交易工具、人工智能代理和去中心化应用程序等特定用例。
主要的权衡之处在于，去中心化人工智能关注的不仅仅是性能。它旨在提供更高的透明度、更开放的参与性、用户所有权，并减少对少数几家公司的依赖。
对于许多应用场景，例如市场分析、自动化、治理工具和人工智能驱动的区块链服务，去中心化人工智能可能已经能够提供有效的解决方案。目前的挑战在于如何弥合大规模模型训练、可靠性和基础设施方面的差距。
何时选择去中心化人工智能
如果目标是创建更加开放、用户可控和分布式的 AI 系统，那么去中心化 AI 可能是一个更好的选择。
最佳用例：
- 自主交易和 DeFi 运营：人工智能代理可以帮助分析市场、管理策略并与去中心化应用程序交互。
- 以隐私为中心的数据分析：适用于用户希望更好地控制其数据的共享和处理方式的情况。
- 分布式 GPU 计算：允许个人和组织将未使用的计算资源贡献给 AI 工作负载。
- AI代理网络：支持能够与区块链应用程序、钱包和数字资产交互的AI系统。
- 开源人工智能开发：鼓励开发者公开协作并改进人工智能模型。
- 去中心化数据市场：使用户能够通过基于区块链的系统贡献、共享或访问数据。
集中式人工智能何时可能更有效
对于需要高度优化基础设施的应用来说，集中式人工智能可能仍然是更好的选择。
- 高级语言模型：目前领先的集中式模型在许多复杂的AI任务上表现更好。
- 复杂推理工作负载：大规模集中式系统通常具有更强大的计算能力来处理高要求的任务。
- 企业合规需求：公司可能更倾向于拥有清晰的所有权、支持和监管结构的系统。
- 对速度要求较高的应用：集中式基础设施可以提供更快、更可预测的响应时间。
- 主流消费类应用：大型平台通常拥有支持数百万用户所需的资源。
去中心化人工智能的工作原理：完整的技术栈
去中心化人工智能的工作原理是将不同层级的技术结合起来，使计算能力、数据、人工智能模型和应用程序能够在网络中运行，而不是由单个公司控制。
计算层：去中心化GPU网络
人工智能模型需要大量的计算能力来进行训练和运行。在传统人工智能中，这些计算能力通常来自拥有庞大数据中心的云服务提供商。
去中心化人工智能的计算层允许个人和组织贡献未使用的计算资源（例如 GPU），并通过提供这些资源获得奖励。
例如，像渲染网络这样的网络允许GPU所有者贡献计算资源，并通过帮助处理工作负载获得奖励。其他去中心化计算网络则专门专注于人工智能任务，例如模型训练、运行人工智能应用程序和数据处理。
数据层：隐私：保护人工智能训练
人工智能依赖于数据，但数据的收集和使用可能会引发隐私问题。
数据层帮助用户以更可控的方式共享信息。一些去中心化系统并非直接交出原始数据，而是采用一些方法，使人工智能模型能够在保护原始信息的同时，从数据中学习。
例如，Ocean Protocol 使用的“计算到数据”（Compute-to-Data）方法就是一个例子。这种方法不是将敏感数据传输到人工智能模型，而是将人工智能算法发送到数据存储位置。系统处理信息后，只返回有用的结果。
模型层：去中心化人工智能开发
模型层专注于创建和改进人工智能模型。
传统人工智能模型通常在私人研究实验室中开发。去中心化人工智能探索了一种不同的方法，开发者、研究人员和社区可以通过开放网络贡献模型、改进性能并进行协作。
例如，Bittensor 创建了一个网络，不同的 AI 模型可以参与其中，并根据其贡献的质量获得奖励。
与其由一家公司构建一个模型，不如让多个贡献者共同完成专门的 AI 任务，例如文本生成、预测或数据分析。
应用层：人工智能代理和用户工具
应用层是用户与去中心化人工智能系统交互的地方。
这包括能够执行诸如分析信息、管理工作流程、与区块链应用程序交互以及执行交易等任务的人工智能代理。
由于这些代理可以连接到加密钱包和智能合约，因此它们有可能执行以下操作：
- 执行区块链交易。
- 数字资产管理。
- 与去中心化应用程序交互。
- 根据用户指令自动执行特定任务。
顶级去中心化人工智能项目：深度分析
多个项目正在构建去中心化人工智能的基础，重点关注计算能力、数据所有权、人工智能模型和自主代理等领域。本节将介绍一些领先的项目，阐述它们的运作方式、优势以及面临的挑战。
Bittensor (TAO)：去中心化机器学习网络
Bittensor 的目标是创建一个开放的网络，让 AI 模型能够协同工作，而不是仅仅在私人研究实验室中开发。其目标是构建一个“智能互联网”，让不同的 AI 系统贡献各自的能力，并根据它们提供的价值获得奖励。
Bittensor并没有创建一个大型人工智能模型，而是将参与者组织成称为子网的专门网络。每个子网专注于特定的任务，例如文本生成、数据分析、预测或其他机器学习应用。
专业版
- 专业化人工智能系统：子网可以专注于特定任务，而不是试图用一个通用模型解决所有问题。
- 开放参与：开发者无需获得中央人工智能公司的批准即可做出贡献。
- 激励驱动改进：表现更好的模型更有可能获得奖励。
- 可组合智能：应用程序可以同时使用多个专用人工智能系统。
缺点
- 随着网络规模的扩大，Bittensor 在保持网络质量方面仍然面临挑战。
- 它还需要在效率和去中心化之间取得平衡。更集中的控制有时可以改善协调，而过度的控制则违背了网络的宗旨。
NEAR协议（NEAR）
NEAR 是一个 Layer-1 区块链，旨在支持可扩展的去中心化应用。虽然它并非专为人工智能而设计，但其架构使其对构建需要快速交易和低成本的人工智能应用的开发者极具吸引力。
其理念是，未来的人工智能系统可能需要区块链基础设施来管理支付、所有权、身份以及自主代理之间的交互。
NEAR 代表去中心化人工智能的基础设施方面，为人工智能驱动的应用程序和自主系统提供运行所需的区块链基础。
优点
- 可扩展性：与一些传统的区块链设计相比，分片技术可以帮助 NEAR 处理更多的活动。
- 降低成本：经济实惠的交易方式使构建需要频繁交互的应用程序变得更加容易。
- 对开发者友好的生态系统：工具和资助鼓励对人工智能和 Web3 应用进行实验。
- AI代理潜力：其基础设施可以支持AI代理与区块链网络交互的应用。
缺点
- NEAR 仍然要与许多其他区块链平台竞争，以吸引人工智能开发者。构建强大的人工智能生态系统需要的不仅仅是技术基础设施。
- 此外，传统云基础设施也构成了竞争，它目前提供更强大的人工智能计算资源。
渲染（渲染）
Render 最初是一个为 3D 渲染提供 GPU 算力的去中心化网络。随着人工智能需求的增长，它的角色也扩展到支持需要大量计算能力的机器学习工作负载。
该项目旨在解决人工智能开发领域面临的最大挑战之一：获取价格合理的GPU资源。随着人工智能开发对计算能力的需求日益增长，像Render这样的项目正在探索分布式GPU网络能否提供一种替代方法来获取构建人工智能系统所需的资源。
优点
- 利用现有资源：将未使用的 GPU 容量转化为有用的计算能力。
- 减少对大型云服务提供商的依赖：除了传统的云公司之外，开发人员又多了一个选择。
- 历史悠久：Render 在拓展到人工智能领域之前，已在渲染行业运营多年。
- 人工智能需求不断增长：人工智能应用增多，对计算资源的需求也随之增加。
缺点
- 与主流云服务提供商相比，去中心化GPU网络在可靠性和性能方面仍然面临挑战。
- 人工智能工作负载通常需要稳定、高性能的基础设施，而协调成千上万台不同的机器可能很困难。
虚拟协议（VIRTUAL）
Virtuals Protocol 专注于人工智能代理这一不断发展的领域，人工智能代理是一种能够执行任务、与用户互动并在数字平台上运行的软件系统。
其核心理念是，人工智能代理不应仅由公司创建。相反，社区和开发者可以通过基于代币的生态系统来创建、拥有和参与人工智能代理的成长。
虚拟技术代表着人工智能从公司拥有的工具向社区可以构建、支持和互动的人工智能应用的转变。
优点
- 降低人工智能代理创建的门槛：开发者无需从头开始构建所有内容即可尝试人工智能应用程序。
- 社区所有权模式：用户可以参与人工智能代理的成长，而不仅仅是消费它们。
- 区块链集成：代理可以与钱包、智能合约和数字资产进行交互。
- 快速实验：开放的生态系统允许测试许多不同的智能体理念。
缺点
- 最大的挑战在于质量控制。当大量人工智能代理被快速推出时，其中一些可能用途有限，或者主要用于投机。
- 此外，还存在一些问题，例如代理收入模式的可持续性如何，以及监管机构将如何对待持有代币的人工智能代理。
人工智能超级联盟（FET）
人工智能超级智能联盟整合了多个以人工智能为中心的项目，目标是构建去中心化的人工智能基础设施。
该联盟致力于构建人工智能代理、数据网络和人工智能服务能够在更加开放的环境中运行的系统。联盟成员包括来自 Fetch.ai 和 SingularityNET 等项目的技术，这些项目专注于自主代理和去中心化人工智能服务。
该联盟旨在创建一个去中心化的人工智能生态系统，在这个生态系统中，人工智能服务可以进行交换和改进，而无需仅仅依赖大型科技公司。
优点
- AI代理开发：提供构建自主软件代理的工具。
- 开放式人工智能市场模式：鼓励开发者分享人工智能服务并从中获利。
- 人工智能的多种应用：潜在应用案例包括金融、物流、自动化和业务运营。
- 人工智能长期愿景：专注于构建更广泛的去中心化人工智能基础设施。
缺点
- 由于合并多个分散项目非常复杂，该项目面临着治理和协调方面的挑战。
- 此外，中心化人工智能公司和其他基于区块链的人工智能网络也构成了竞争。
互联网计算机（ICP）
Internet Computer 采取了一种不同的去中心化人工智能方法，探索人工智能模型和应用程序是否可以直接在区块链基础设施上运行。
ICP 的目标不仅仅是将区块链用于支付或所有权，而是将 AI 技术栈的更多部分放到链上。
ICP 探讨了一个重要问题：人工智能能否成为去中心化基础的一部分，而不是将人工智能应用于区块链？
优点
- 链上计算：称为容器的智能合约可以运行完整的应用程序，并直接从区块链提供网络内容。
- 反向 gas 模型：项目预付计算成本，这样人们就可以使用应用程序而无需持有代币或为每笔交易付费。
- Web 速度性能：查询在毫秒内即可返回结果，因此链上应用程序感觉接近于普通的 Web 服务。
- 链上人工智能愿景：该网络正致力于在区块链本身上运行人工智能模型，而不是在外部服务器上运行。
缺点
- 完全在链上运行大型 AI 模型仍处于早期阶段，目前很难支持大型模型。
- 它与成熟的云服务提供商和其他第 1 层区块链竞争，这使得其普及更加困难。
ElizaOS（原名ai16z）
ElizaOS 专注于为希望构建可在不同平台上运行的 AI 代理的开发者创建工具。
它最初是一个实验性的人工智能代理项目，后来发展成为一个用于构建可定制人工智能应用程序的开源框架。
优点
- 开源开发：开发者可以检查和改进框架。
- 灵活的设计：插件使代理能够获得新的功能。
- 多平台支持：代理可以在不同的数字环境中运行。
- 开发者兴趣日益浓厚：使人工智能代理的创建更加便捷。
缺点
- 人工智能代理在可靠性、安全性和决策方面仍然面临问题。
海洋议定书（OCEAN）
Ocean Protocol 关注人工智能开发中最重要的环节之一：数据。人工智能模型需要大量信息，但数据共享会引发隐私和所有权方面的担忧。
Ocean 的目标是创建一种系统，使数据能够用于人工智能，同时又能让所有者保持控制权。Ocean 致力于解决人工智能领域的一个重大难题：如何在不放弃对个人宝贵数据控制权的前提下，构建强大的模型。
优点
- 数据所有权：用户和组织对其信息拥有控制权。
- 注重隐私的人工智能：敏感数据可以在不造成不必要泄露的情况下得到使用。
- 数据市场模式：为数据提供者参与人工智能开发创造途径。
- 提高透明度：跟踪数据访问方式。
缺点
- 构建一个有用的数据市场需要足够的高质量数据提供商和用户。
- 此外，还存在有关数据权利、隐私法规和所有权的法律问题。
去中心化人工智能的优势
民主化与开放获取
目前，大多数先进的人工智能开发都由拥有计算资源、私有数据集和研究团队的大型科技公司主导。这使得规模较小的开发者、研究人员和独立组织难以与之竞争。
去中心化人工智能如何发挥作用：
- 无需许可的参与：
去中心化人工智能网络允许人们在无需获得大型公司批准的情况下贡献资源。例如，Render Network 和 Akash Network 允许用户提供计算能力，Ocean Protocol 专注于数据共享，而 Bittensor 则允许贡献者参与人工智能模型网络。
- 全球合作：
人工智能的开发不再局限于封闭的研究实验室，而是通过去中心化网络，让不同地区的开发者和研究人员能够贡献模型、数据和计算资源。
- 降低准入门槛：
传统上，构建人工智能模型需要昂贵的基础设施。去中心化计算网络可以帮助规模较小的团队获取计算资源，而无需构建自己的大型数据中心。
透明度和可审计性
许多集中式人工智能系统不会公开其训练数据、内部流程或某些输出的生成方式。这使得用户和研究人员难以全面了解或评估它们。
去中心化人工智能如何发挥作用：
- 开源模型：
一些去中心化人工智能项目会公开其代码，允许开发者审查系统的工作原理并发现可能的弱点。
- 链上记录:
区块链网络能够以透明的方式记录活动。例如，互联网计算机（ICP）正在探索人工智能应用如何利用基于区块链的记录来改进验证。
- 数据跟踪和所有权记录：
Ocean Protocol 等项目利用基于区块链的系统来帮助跟踪数据的共享和访问方式。
审查抵抗
集中式人工智能平台由特定公司控制，这意味着访问权限、政策和可用功能可能会根据公司决策、法规或地区限制而发生变化。
去中心化人工智能如何发挥作用：
- 没有单一的控制点：
- 去中心化网络将运营分散到多个参与者之间，从而减少对单一组织的依赖。
- 无需许可的访问：
- 用户无需依赖任何一家公司批准访问权限，即可与去中心化的人工智能系统进行交互。
- 社区治理：
- 一些去中心化网络允许参与者对变更和系统规则进行投票。
贡献者的经济价值获取
在传统的人工智能开发中，拥有基础设施、模型和平台的公司通常会攫取大部分经济利益。而贡献数据、计算能力或研究成果的人则可能无法直接获益。
去中心化人工智能如何发挥作用：
- 代币奖励：
参与者可以通过向人工智能网络贡献有用资源来获得代币。
- 计算的直接报酬：
像 Render Network 这样的项目允许 GPU 所有者通过提供计算资源来获得奖励。
- 数据货币化：
Ocean Protocol 使数据提供商能够参与人工智能数据市场。
去中心化人工智能的风险与挑战
协调与治理挑战
去中心化人工智能项目经常面临难以协调的问题，因为它们涉及多个开发者、社区、代币持有者和目标各异的组织。
大规模协调的一个显著例子是人工智能超级智能联盟（Artificial Superintelligence Alliance，简称 FET）。该联盟将 Fetch.ai、SingularityNET 和 CUDOS 整合到一个单一的 FET 代币下，旨在汇集资源、研究和基础设施，打造一个更强大、更具竞争力的开放式人工智能替代方案，以对抗中心化的人工智能巨头。Ocean Protocol 于 2024 年联盟成立时加入，但在 2025 年底退出，如今 OCEAN 已重新独立交易。
通过整合 Fetch.ai 的自主代理、Ocean Protocol 的数据交换框架以及 SingularityNET 的通用人工智能 (AGI) 研究，该联盟旨在克服协调独立项目所面临的难题。然而，如此大规模的合并仍然需要复杂的治理结构，以在统一愿景下平衡各个创始社区的具体优先事项。
安全漏洞与攻击途径
去中心化人工智能网络依赖于众多独立参与者贡献数据、模型、计算能力和基础设施。这在带来开放性的同时，也带来了新的安全风险。其中一个主要威胁是人工智能模型或数据投毒，即恶意行为者将错误或有害信息引入系统。
例如，在去中心化数据市场中，攻击者可以提供低质量或经过篡改的数据集，从而影响人工智能训练。这些风险需要强大的验证系统、信誉机制以及检测异常行为的方法。
监管不确定性
去中心化人工智能融合了人工智能、区块链和数字资产，由此形成了一个动态的监管环境。截至2026年，监管审查的重点已转向具体应用场景。例如，印度于2026年2月修订的《信息技术规则》对人工智能生成的内容和深度伪造技术提出了更严格的要求，旨在提升数字问责制。
此外，法律先例也开始塑造该行业；2026 年 2 月美国法院在“美国诉赫普纳案”中的裁决明确了律师-客户特权对人工智能生成文件的适用性，强调了去中心化系统中明确所有权结构的必要性。
然而，去中心化网络带来了一个难题：如果成千上万的独立参与者共同构建一个人工智能模型，一旦出现问题，谁该承担法律责任？与拥有清晰运营结构的传统人工智能公司不同，去中心化项目可能没有一个监管机构可以追究责任的单一组织。
另请阅读：2026 年加密货币投资策略：如何投资才能获得最大回报
如何投资去中心化人工智能：简易分步指南
投资去中心化人工智能（DeAI）并非仅仅因为某个项目热门就购买代币那么简单。该领域融合了人工智能、区块链技术和加密货币市场，这意味着机遇与风险并存。
好的投资方法始于了解你投资的是什么，该项目存在的意义是什么，以及它如何符合你的风险承受能力。
第一步：了解您的投资目标和风险承受能力
投资前，请先确定去中心化人工智能在您的投资组合中扮演何种角色。不同的投资者会根据自身风险承受能力采取不同的投资策略。
较为保守的投资者可能会关注规模更大、发展更成熟的项目，例如 Bittensor (TAO)、NEAR Protocol (NEAR)、Render (RENDER) 和 Internet Computer (ICP)。这些项目相比新兴代币可能拥有更可靠的业绩记录，但在市场低迷时期，它们的价格仍可能大幅下跌。
一种常见的方法是美元成本平均法，即在几个月内分批投资较小的金额，而不是一次性购买所有资金。
第二步：购买前先进行项目调研
一个项目的受欢迎程度并不总是意味着它拥有强大的技术。投资之前，不要只看价格图表，还要了解项目的实际功能。
例如，Bittensor (TAO) 专注于去中心化的机器学习网络，其中不同的 AI 模型相互竞争和改进。Ocean Protocol (OCEAN) 则致力于让人们能够共享数据用于 AI，同时又能保持对自身信息的控制权。
第三步：谨慎购买代币
在对项目进行调研之后，下一步就是选择在哪里以及如何购买。
去中心化人工智能代币通常可以通过币安、Coinbase、Kraken 等主要交易所和其他受支持的平台购买，具体取决于您所在的地区。
更安全的购买方法是平均成本法（DCA）。与其一次性投资5,000美元，不如将其分成若干笔较小的投资，在几周或几个月内分期进行。这样可以降低在价格暂时飙升时买入的风险。
第四步：安全存储您的令牌
代币的存储位置取决于您的投资金额。对于小额投资，将代币存放在可信的交易所可能比较方便。但是，对于较大金额的代币，使用自托管钱包可能更有利，因为您可以掌控自己的私钥。
许多加密货币投资损失并非源于项目本身，而是由于不良的安全习惯。避免将所有资金投入单一项目。均衡的投资组合应包含不同类别。
逐步获利了结有助于减少情绪化决策。一些投资者不会等待所谓的“完美顶部”，而是在价格上涨时分批卖出。
结论：投资去中心化人工智能的未来
去中心化人工智能代表着人工智能开发、所有权和使用方式的新兴转变。去中心化人工智能项目不再仅仅依赖少数几家大型科技公司，而是旨在将计算能力、数据、人工智能模型和应用程序的访问权限分散到更广泛的参与者网络中。
结语
去中心化人工智能代表着人工智能开发、所有权和使用方式的新兴转变。去中心化人工智能项目不再仅仅依赖少数几家大型科技公司，而是旨在将计算能力、数据、人工智能模型和应用程序的访问权限分散到更广泛的参与者网络中。
对于投资者而言，目标不应该是追逐每一个新的人工智能代币，而是了解这项技术，评估实际应用案例，并制定符合自身风险承受能力的策略。
强有力的策略包括研究项目、在去中心化人工智能的不同领域进行多元化发展、妥善保护资产以及保持切合实际的预期。
去中心化人工智能潜力巨大，但仍处于长期试验阶段。谨慎的研究和稳健的投资比短期炒作更为重要。
常见问题
去中心化人工智能是一项好的投资吗？
去中心化人工智能是一个高增长但高风险的领域。它将人工智能技术与区块链网络相结合，在去中心化计算、数据所有权、人工智能模型和自主代理等领域创造了机遇。
然而，许多项目仍在开发中，代币价格波动可能非常剧烈。投资者应仔细研究每个项目，避免投入超过自身承受能力的资金。
值得投资的主要去中心化人工智能项目类型有哪些？
去中心化人工智能项目大致可分为不同类别。一些项目专注于人工智能计算能力，例如 Render (RENDER) 和 Akash Network (AKT)，它们提供去中心化的 GPU 资源。另一些项目则专注于人工智能模型开发，例如 Bittensor (TAO)，而像 Ocean Protocol (OCEAN) 这样的项目则专注于数据共享和隐私保护。
我该如何选择一个去中心化的人工智能项目？
不要被炒作和价格波动所迷惑。要考察项目的技术、实际应用案例、开发动态、团队背景、代币经济模型、合作伙伴关系以及治理结构。一个优秀的项目应该能够解决实际问题，拥有积极的开发进度，并清晰地解释其代币在网络中的用途。
我应该一次性购买所有去中心化人工智能代币，还是分批购买？
许多投资者更倾向于采用美元成本平均法（DCA），即分批少量购买，而不是一次性投入全部资金。由于人工智能和加密货币市场价格波动剧烈，将购买分散到数周或数月可以降低在价格暂时高点买入的风险。
哪里可以购买去中心化人工智能代币？
许多成熟的去中心化人工智能代币已在币安、Coinbase 和 Kraken 等主流交易所上线。一些较新的代币可能仅可通过 Uniswap 等去中心化交易所或其他区块链专属平台进行交易。购买前务必核实代币合约地址。
投资去中心化人工智能的最大风险是什么？
最大的风险包括价格波动、项目基本面薄弱、安全问题、监管不确定性以及未能被广泛接受。一些项目即便营销力度很大，也可能无法实现长期应用。投资者应认真研究，分散投资，保护好自己的钱包，并将去中心化人工智能视为一种新兴的投资类别，而非稳赚不赔的投资机会。
