AI+区块链为何难落地？需求错配成核心瓶颈

作者：Ekko An，Ryan Yoon来源：Tiger Research编译：Shaw，金色财经

要点总结

在人工智能蓬勃发展的背景下，我们需要从需求侧的角度来评估区块链行业：它解决了哪些现有系统无法解决的问题，以及它带来了哪些独特的能力？

去中心化计算和存储从数据主权和成本竞争力两方面来看都具有合理的理由。但问题在于，对于已经投入现有云基础设施的用户而言，这两者都尚未展现出足以令人信服的技术优势，从而抵消转换风险。 模型验证和隐私技术并不能解决企业认为迫切需要主动解决的问题。这类需求更有可能在监管规定出台后出现，而不是先于监管规定出现。欧盟人工智能法案就体现了这种模式：标准先行，市场采纳随后。 在Agent框架领域，制约因素并非技术层面。主流企业仍然专注于内部工作流程自动化，而区块链项目已经在构建后续的基础设施层。需求需要时间才能跟上技术发展的步伐。 在Agent支付领域，区块链和传统金融势均力敌。双方都尚未彻底解决这个问题，因此，这是唯一一个双方同时面临相同挑战的领域。 区块链人工智能行业整体上的困境并非源于其组合本身的不协调，而是由于存在错配：这四个类别各自面临着不同的需求尚未显现的原因，目前只有Agent支付具备竞争力。

1. 在人工智能热潮中落后的区块链项目

人工智能行业正经历着前所未有的资本和基础设施投资集中化。由大型科技公司主导的大型语言模型生态系统已成为日常生活和工业运营的标配。在这一快速扩张的背景下，加密货币行业也在迅速发展，寻求与人工智能的技术连接点。

早期的研究主要集中在补充或复制传统人工智能价值链的某些环节：去中心化的GPU供应、数据所有权恢复和加密验证。而最近，研究重点转向填补中心化架构难以解决的空白，例如人工智能代理的自主链上活动和实时机器间结算。

将这一领域笼统地描述为“人工智能+区块链”掩盖的信息远比揭示的信息多。我们需要进行严谨的需求侧分析：每个子领域针对哪些问题？区块链原生方法是否能提供真正差异化的解决方案？

2. 各类别的功能

2.1 去中心化计算

如今的云计算市场结构上依赖于少数几家控制计算资源的大型科技公司。高性能GPU既难以采购又价格极其昂贵，这为无法获取大规模基础设施的人工智能初创公司和研究团队设置了极高的准入门槛。

集中式系统将资源集中到最大的买家手中，没有中立的渠道来重新分配市场上大量闲置的 GPU 容量。

去中心化计算通过两种方式解决这种资源集中和效率低下的问题。在共享经济模式下，项目将个人和小数据中心闲置的GPU资源聚合到一个统一的网络中，从而在现有技术垄断之外创建一条更加灵活的供应链。

在分布式计算模型下，用户可以在全球范围内访问和租用计算资源，而无需依赖任何单一提供商的基础设施，从而提高闲置硬件的利用率，并降低高性能计算的准入门槛。

2.2 去中心化存储

当前的数据存储架构几乎完全依赖于谷歌和Meta等公司运营的集中式云基础设施。当用户将数据上传到这些平台时，所有权实际上就转移到了平台，从而巩固了平台对人工智能训练数据的垄断控制。集中式基础设施也带来了运营风险：政策变更、服务中断或平台故障都可能导致数据访问中断或数据丢失。

去中心化存储通过两种方式解决这些结构性问题。以 Filecoin 和 Arweave 为代表的共享经济模式，将各个参与者的闲置存储空间汇集到一个网络中，该网络能够替代现有的中心化云。

永久存储模型将数据复制到分布式节点，确保数据持久性，无论单个服务器的运行状态如何，并减少对任何单一平台的依赖。

2.3 数据市场

人工智能开发者需要训练数据，但目前的数据分发市场是一个封闭系统，大型平台（例如 Hugging Face）和云供应商攫取了经济利益并控制了定价。数据创建者获得的报酬微乎其微，而且奖励数据收集和贡献的机制缺乏透明度。

链上市场通过智能合约消除中间环节，并建立透明的交易条款。在 Ocean Protocol 等直接交易模式下，数据所有者和人工智能开发者直接通过智能合约进行交易，报酬以透明的方式分配。在 Grass 等贡献奖励模式下，个人将闲置带宽连接到人工智能数据收集，并根据其贡献价值获得相应的报酬。

2.4 模型和推理验证/隐私

传统人工智能系统如同黑箱一般运行，没有外部手段来验证模型是否正确运行或敏感用户数据是否得到安全处理。

零知识机器学习 (ZKML) 在人工智能推理过程中引入了加密验证层，从而实现了隐私保护和可审计性。在这种架构中，模型以传统方式在链下运行，但计算过程会生成一个加密证明，证明该过程已按照预定义的规则正确执行。

这种证明记录在链上，而非底层数据。举例来说：在自动化医疗保险报销服务中，医院只需提交人工智能模型运行正确的证明，而无需共享完整的医疗记录。保险公司无需访问原始数据即可验证索赔的合法性。

2.5 人工智能代理框架

随着人工智能代理（AI Agent）成为流量和价值创造的主要载体，它们正从工具演变为自主的经济主体。现有的金融体系是围绕人类消费模式设计的，其结构与以机器为中心的支付环境并不兼容。

Agent 经济需要以毫秒级速度执行的微交易、高频结算和跨境支付，而现有的金融基础设施无法满足这一需求。

链上代理基础设施通过两种机制解决这个问题。自主执行和控制机制为人工智能代理分配唯一的钱包和身份，使其能够直接签署交易，并设置可配置的支出限额和安全措施来防止意外行为。

基于协议的结算机制使用稳定币支付协议（例如 x402）实时结算微交易和高频支付，绕过货币转换和审批流程。

3. 区块链人工智能与人工智能价值链的差异

人工智能价值链的形成围绕着逐步消除瓶颈展开。随着人工智能需求的增长，内存短缺问题日益凸显，电力和数据传输能力也面临巨大压力。能够快速解决这些问题的公司，例如HBM制造商和电力基础设施提供商，将吸引巨额资本并获得显著的市场价值提升。市场对那些能够消除增长障碍的解决方案给予了明确的认可。

区块链人工智能项目已经发现了一些实际存在的问题，但它们并未引起市场应有的关注。如果这些问题真如其所声称的那样紧迫，那么它们早就应该在市场上引发可衡量的变化了。

尽管区块链人工智能项目推进了诸如减少 GPU 集中度和恢复数据主权等合法目标，但其无法吸引主流资本的原因在于技术供应商的优先事项与控制资本配置的买家的优先事项之间存在明显的差距。

人工智能行业发展节奏紧凑，买家（主要是大型科技公司和企业客户）会大规模投资于能够最快解决其当前运营瓶颈的方案。他们不会花时间评估未经检验的基础设施。他们的首要考虑因素是计算性能、基础设施可靠性和可衡量的投资回报。

举例来说：当数据传输速度成为模型训练的瓶颈时，大量资金涌入光纤基础设施，以取代铜缆。当内存带宽成为主要制约因素时，买家将其视为关键问题，SK海力士和三星电子通过提供高带宽内存解决了这一问题，从而在全球范围内声名鹊起。这种模式始终如一：资本会追随那些能够消除制约因素、推动进步的企业。

区块链人工智能面临的根本问题在于框架构建。拥有雄厚资金预算的买家只关注短期性能提升和成本降低。相比之下，区块链人工智能却专注于买家视为次要或未来阶段性问题的其他方面。

供应方的技术目标与需求方的直接运营需求并不一致。

3.1 技术限制

一些项目利用基准测试来展示去中心化基础设施的潜力和设计理念。但更根本的问题在于，这些工作尚未带来足以撼动主流市场中根深蒂固的传统企业的重大技术突破。

一项新技术要想从 AWS 或 GCP 等集中式云提供商手中夺取市场份额（这些提供商已经拥有巨额资金和基础设施），就必须提供巨大的性能优势，使与现有提供商之间的差距变得无关紧要。

当苹果公司从英特尔芯片过渡到 M1 芯片时，虽然承担了破坏软件兼容性的重大风险，但此举的合理之处在于其能效提高了三倍，这一差距足以使过渡变得值得。

对于需要 PB 级数据同步和超低延迟作为基本条件的企业买家而言，区块链人工智能尚未提供足够清晰的理由来让他们接受转换风险。

3.2 需求错配

在去中心化计算领域，一些项目引入了服务级别协议（SLA）作为风险缓解机制，但企业买家仍然不买账。原因在于结构性问题，而非合同问题。大型云服务提供商提供受控的专用数据中心，而区块链网络则依赖于分散的、匿名的节点参与。

如果某个节点宕机并中断价值数亿韩元的模型训练，任何代币退款或经济补偿都无法弥补机会成本和时间损失。对于时间紧迫的企业买家而言，系统稳定性是不可妥协的。

即使采取了对冲机制，剩余的不确定性也不是大多数买家有动力去承担的风险。

3.3 需求尚未形成

区块链代理框架是为多个 AI 代理自主协作的复杂生态系统而设计的，但这种愿景与当前主流市场的成熟度之间存在差距。

在微软和Salesforce等公司的引领下，企业采用人工智能代理的步伐正在加快，但目前的重点仍然集中在受控的内部网络内的工作流自动化上。区块链项目正在构建的基础设施则着眼于下一个阶段：独立的人工智能代理能够在组织边界之外的外部网络中自主运行。如今，大多数企业仍然专注于确保已部署人工智能系统的稳定性和投资回报率。跨外部网络的多代理协作尚未成为企业基础设施路线图上的优先事项。

现阶段需求有限反映的是时机问题，而非技术缺陷。这更应理解为一项着眼于代理经济的长期基础设施投资，而非短期盈利机会。

3.4 监管前提条件

零知识证明和隐私保护技术是建立人工智能可信度的核心解决方案，但在人工智能应用初期，企业对隐私基础设施的实际需求有限。企业自愿采用不太可能推动技术的大规模普及；更有可能的情况是，监管标准会创造需求，而技术则应迎头赶上。

全球监管框架（包括欧盟人工智能法案）日益明确，这在这方面是一个有利的发展趋势。随着数据来源和安全方面的法律要求日趋具体，区块链的先进验证功能有望成为企业部署中的合规要求，而非可选项。

该领域的监管发展与其说是制约因素，不如说是市场形成的催化剂。明确的监管标准能够降低市场不确定性，从而为区块链人工智能在制度框架内建立主流需求创造一条稳定的路径。

3.5 用例不足

这些结构性因素共同导致了一个更为根本的问题：缺乏能够大规模展现价值的标志性成功案例。传统人工智能行业之所以能取得如今的地位，正是得益于ChatGPT所开启的普及飞轮效应：它利用一款具体且广为人知的产品，吸引了维持持续增长所需的资金和人才。

区块链人工智能项目尚未展现出大规模产品与市场契合的类似证据。除了早期社区的热情之外，没有任何项目能在企业运营或消费者日常生活层面展现出足以引起主流资本重视的应用。缺乏令人信服的参考案例仍然是吸引保守型机构投资的最大障碍，而保守型机构投资本可以加速区块链人工智能的更广泛应用。

4. 该组合是否有价值？

无论市场预期如何，区块链人工智能尚未在主流人工智能价值链中找到稳定的立足点。这是否意味着这种结合毫无价值？

并非如此。

区块链人工智能项目目前被忽视的根本原因并非其本身存在内在矛盾，而在于每个子类别中，现有行业的需求与该技术旨在实现的目标之间存在错配。

传统人工智能行业的优先事项很明确：短期性能、成本优化和基础设施的可靠性。相比之下，目前许多基于区块链的人工智能方案则侧重于数据所有权、计算透明度和去中心化。

对于成熟的行业参与者而言，这些问题并非迫在眉睫的瓶颈，而解决这些问题往往需要付出相对于收益而言过高的性能代价。

在人工智能热潮兴起之前，电力基础设施公司通常被归类为成熟、增长缓慢的企业。数据中心驱动的电力需求激增改变了这一现状，此后它们吸引了大量的市场关注。目前人们对区块链人工智能的冷漠可能也反映了类似的滞后效应，即在新范式出现之前，基础设施的价值尚未完全显现。

在这个过渡时期，重要的是该行业如何应对市场的实际需求。

前进的道路分为两个方向：积极适应已建立的人工智能价值链的标准，并缩小近期性能差距；或者保持现有能力，同时继续构建未来一代人工智能部署所需的基础设施。

结果将取决于哪种选择更符合未来的需求走向。