模型主權、Token經濟學與區塊鏈機遇

作者：Jinming，HashKey Capital；來源：Medium；編譯：Shaw，金色財經

摘要

當前所有使用大語言模型的機構都面臨兩大壓力：模型主權風險與 Token 調用成本。

各國政府正逐步將前沿人工智慧視作國家戰略資產，無論是支撐模型運行的高端晶片，還是模型本身。近期典型案例包括：美國商務部出台出口管制指令後，Anthropic 的 Fable 與 Mythos 模型遭到使用限制。OpenAI 的 GPT-5.6 在面向大眾開放前，也僅對小範圍群體提供訪問權限。儘管 Fable 5 的訪問權限現已恢復，但當人工智慧受制於政治議程與國家戰略考量時，購買 AI 訂閱服務不再意味著能夠穩定使用前沿模型。除此之外，Fable 5 內置分類器，凡是被標記涉及生物、化學、模型蒸餾、網路安全相關的請求，都會被調度至性能更低的 Opus 4.8 模型處理。上述兩種情況，都並非客戶存在違規行為導致；這充分說明，服務商可以單方面限制甚至關停模型服務。以往僅依賴單一模型供應商的企業，必須評估自身的依賴風險 —— 最高性能模型的訪問權限可能被驟然撤銷。

隨著人工智慧使用規模呈指數級擴張，企業成本壓力持續攀升。據報導，Uber 在短短四個月內耗盡了 2026 年度全部 AI 代碼工具預算，隨後出台管控政策，限制每位員工單款工具每月最高支出 1500 美元。特斯拉、亞馬遜、Meta 等多家企業也採取了類似措施。設置使用上限、分配團隊預算、審計資源消耗，如今已經成為通用做法，企業藉此遏制不合理賬單，同時對照實際業務產出核算 AI 投入效益。

多重不利因素交織，為依託透明化、無許可訪問、抗審查、用戶自主掌控理念搭建的 Web3 人工智慧企業創造重大機遇。去中心化區塊鏈基礎設施能夠強化模型所有權、保護數據隱私、降低對中心化仲介機構的依賴，同時提升 AI 系統的韌性與可驗證性。Nous Research 開源 Hermes 模型在模型層印證了這一思路；Venice AI 與 NEAR AI 達成集成，在推理層面實現隱私保護、匿名訪問與可驗證性；去中心化算力市場則將這套理念延伸至底層基礎設施層。

1. 模型主權敘事

2026 年 6 月，依據美國國家安全出口管制指令，Anthropic 被要求暫停所有用戶訪問 Claude Fable 5 和 Claude Mythos 5；大約三周後相關指令解除，訪問權限才得以恢復。無論人們如何看待背後的政策分歧，客觀營運事實十分明確：一紙指令就能在數小時內讓一款面向全球開放的 AI 產品全面下線，受影響的客戶沒有申訴渠道，也無法繞開限制繼續使用。

這類風險敞口促使各國政府與企業推進主權 AI 項目：由國家支持搭建算力集群、本土訓練模型、強制敏感業務部署在國內基礎設施上，核心目的就是避免受制於境外服務商 —— 對方可能迫於本國政府要求切斷服務。

2. Token經濟學與企業預算危機

2025 年，企業生成式人工智慧支出規模大約增至三倍，預估達到 370 億美元，儘管單 Token 調用價格大幅下滑。這是典型的傑文斯悖論：單位成本下降催生海量新增使用需求，最終推動總支出持續走高。面向資訊技術負責人的調研顯示，絕大多數 AI 項目實際成本超出最初預算，相當一部分項目超支幅度超過 50%。AI 智能體（AI Agent）是成本飆升的核心推手：單個智能體完成一項任務可能發起數十次乃至上百次模型調用，隨著智能體普及，企業成本持續累積。

前沿閉源模型的調用成本高於主流開源模型

主流模型每項任務的 Token 消耗量

Uber 是迄今為止最典型的案例。受智能體調用 Claude Code 與 Cursor 工具影響，該公司僅用四個月就耗盡了 2026 年度全部 AI 代碼工具預算。隨後 Uber 出台管控措施，限定每位員工單款工具每月最高支出 1500 美元，並搭建數據看板監控資源消耗。特斯拉、亞馬遜、Meta 等企業也採取了類似方案。另有消息稱，微軟取消了大部分內部 Claude Code 授權，引導員工轉向 GitHub Copilot 命令行工具。隨著開源模型的智能水平逐步追平前沿閉源模型，企業 AI 策略已經發生轉變：不再單純追求調用頂尖閉源模型，而是採用混合部署方案，最大化 Token 成本效益。

企業如今正在搭建AI FinOps職能體系（用量計量、人均成本看板），並採用分層模型組合策略：選用低成本、高效率模型處理資訊提取與常規任務，前沿推理模型僅留給複雜推理場景使用。

開源模型 GLM-5.2、Kimi K3 綜合能力躋身全球前十

3. 全新核心能力：模型選型與Token策略

模型主權風險與 Token 調用成本共同指向同一個營運結論：不要完全依賴單一服務商。原生 AI 法律平台 Harvey 與 Fireworks AI 展開合作，依託 Harvey 法律智能體基準測試一套混合 AI 方案。平台將開源權重模型 GLM-5.1 作為主力執行模型，僅在確有增益的子任務中調用 Claude Opus 4.7 充當可按需啟用的顧問模型，平均每項任務僅調用 0.83 次。

測試結果優於單一前沿模型部署方案：混合架構下，100 項任務中有 18 項完全達標；而全程單獨使用 Opus 僅完成 14 項。同時總推理成本為 368 美元，對比單獨運行 Opus 的 954 美元大幅下降。

OpenRouter 針對其新推出的 Fusion 功能開展的一項研究同樣表明，混合模型方案的表現能夠超越單一前沿模型。

市場對具備彈性的混合模型方案的需求，已經催生出一套獨立技術領域 ——大模型路由（LLM routing），或稱模型編排，配套工具生態也逐步成型。根據任務匹配最合適的模型、掌握模型所有權，正成為 AI 驅動型企業的核心優先事項。

4. 開源模型與區塊鏈基礎設施蘊藏的機遇

依賴閉源專有模型會形成單點故障風險，而開源模型能夠消除這一隱患。企業一旦可以下載模型權重，就不再受制於服務商的出口許可、API 突然停用、調價行為，或是一夜之間收回訪問權限的政策變動。企業能夠在自主掌控、自選轄區內的基礎設施上運行模型，成本主要來自算力開銷。如今開源模型的迭代速度與性能水平，已經足以支撐這套邏輯，不再只是備選方案。根據人工智慧分析機構（Artificial Analysis）的智能榜單，智譜 AI 的 GLM-5.2 成為首款躋身榜單綜合得分前十的開源權重模型；月之暗面的 Kimi K3（模型權重計劃於本月晚些時候發布）當前評測分數更高，性能比肩 Opus 4.8。開源權重模型不再只是 「性價比選擇」；對於願意自建部署的團隊而言，在智能水平相近的前提下，它越來越成為保障模型主權的穩妥方案。

開源權重模型允許企業自主部署，降低了對專有 API 的依賴，但無法擺脫對晶片、數據中心與雲服務商的需求。區塊鏈恰好可以化解這類瓶頸：協調並實現無許可算力供給、可編程支付，同時生成不可篡改、可核驗的記錄。

下文我們將舉例說明，企業如何藉助區塊鏈基礎設施降低 AI 全產業鏈依賴，搭建具備韌性的 AI 營運方案。

破解算力瓶頸的加密方案

Aethir、io.net、Akash 等去中心化算力網路藉助Token激勵，調度大量獨立 GPU 營運方與數據中心資源；由智能合約完成資金結算；不存在掌握生殺大權、可封禁用戶或特定地區的中心化平台，推動市場定價更具競爭力。io.net整合獨立數據中心、加密礦工及其他供應商手中分散的 GPU 資源，搭建按需調用的訓練集群：平台實時監控資源可用狀態，依據硬體規格、地理位置、網路連通性匹配 GPU；通過 Docker 標準化軟體環境；依託基於 Ray 的調度系統搭配安全網狀網路，優化負載分配、降低冗餘風險、協同分布式訓練。Wondera 利用io.net分布式算力訓練三款自研音樂 AI 模型，成本降低 66.7%。項目耗費 55.2 萬餘 GPU 小時，總投入 124 萬美元；同等算力在傳統雲平台通常需要 372 萬美元。

對於參數規模約 10 億～300 億的模型而言，一小批企業級 GPU 集群通常足以完成開源權重模型的微調。因此，去中心化算力網路的核心價值目標，並非打造性能最強的前沿大模型 —— 這一願景目前仍難以實現；而是產出能夠滿足業務場景需求的模型，同時規避算力獲取受限、長期合約鎖倉、高昂算力資費等風險。

依託加密技術解決模型數據、訪問權限與隱私難題

當下主流大模型服務商，在面向付費個人用戶的套餐中，默認收集用戶提示詞、上傳文件與對話記錄，並利用這些數據對模型進行迭代優化，除非用戶主動選擇退出數據採集。當企業員工通過這類面向個人的接口開展工作時，自研代碼、金融模型、客戶數據有可能流入服務商的訓練流程，存在商業機密泄露風險，而這家服務商未來甚至可能轉變為競爭對手。

企業版與 API 服務通常會通過合約約定，不將客戶數據用於模型訓練，但這類保障取決於套餐選擇、配置設置，還需要防範影子 IT行為。2023 年三星源代碼泄露事件，直觀暴露了這套模式存在的漏洞。因此，去中心化 AI 更有力的支撐邏輯，不只是阻止數據被用於模型訓練，而是用技術可驗證機制替代單純的合約承諾。加密技術與可信執行環境（TEE）能夠在數據處理階段保護隱私；零知識證明可以對計算執行過程進行核驗；區塊鏈則能夠記錄各類可信證明，並協調多方獨立營運節點。

在推理層，Venice AI 等項目提供具備多層隱私等級的模型訪問通道。當用戶調用匿名模型時，請求會先經由 Venice 代理通過加密通道轉發，Venice 不會儲存用戶數據，用戶身份資訊也不會發送給模型服務商。平台同時支持加密錢包支付，繞開傳統銀行交易日誌，進一步保護用戶身份。針對私有模型發起的請求，則會經過零數據留存基礎設施路由。可信執行環境（TEE）、端到端加密（E2EE）等附加隱私技術築牢防護屏障，防止未授權第三方留存數據。

Venice AI 同時承擔模型路由功能，用戶通過單一 API 即可調用多款模型，大幅降低對單一服務商的依賴風險。截至目前，該平台支持 200 餘款 AI 模型，依託 300 萬以上活躍用戶，年化營收規模突破 7000 萬美元。

NEAR、io.net、OpenGradient 等其他平台同樣提供保護用戶數據隱私的機密計算服務。OpenGradient 採用混合 AI 計算架構（HACA），將模型計算與計算驗證流程相互解耦。用戶可以選擇多種可信方案，包括可信執行環境（TEE）與零知識機器學習（ZKML）；相關驗證由鏈上驗證節點執行，驗證結果儲存於 Walrus 等去中心化儲存平台。NEAR 同樣藉助 TEE，在模型訓練與推理階段隔離敏感數據與模型權重。密碼學可信證明能夠證實：經授權的代碼在安全隔離區內運行，並且輸出結果由該可信環境簽名。

在模型訓練層，Nous Research 推出 Hermes 系列開源權重模型，企業可自行部署或在自有基礎設施上微調，完全無需將涉密數據發送至第三方 API。為構建具備抗風險能力、不受單點算力故障影響的訓練體系，Nous Research 開發了基於 DisTrO 與 DeMo 框架的去中心化訓練基礎設施 Psyche。Psyche 網路依託通信高效的 DisTrO 優化器、基於 Solana 的調度協調機制，實現分布式訓練。

基於 DeMo 框架開展的 3 億、10 億參數模型實驗證明：在模型精度相當的前提下，通信開銷最多可降低 85 倍。Solana 在每一輪訓練過程中維護全局共享狀態，分布式參與節點可以同步資訊、核驗各方貢獻，無需依賴中心化鏈外調度器。在這套架構中，分布式優化算法降低通信需求，區塊鏈負責完成節點協調、計算核驗、資金結算與激勵發放。

通信開銷優化

此處 「每步傳輸數據量（MB/step）」 指標下降意味著：DeMo 傳輸完整梯度更新包所需網路帶寬更低，普通網路連接即可支撐模型訓練，不必依賴昂貴的高速互聯網路。

模型質量

侷限性與展望

現階段，去中心化算力網路仍然無法訓練前沿大模型；同時可信執行環境（TEE）、零知識機器學習（ZKML）等驗證技術會帶來延遲與額外成本開銷，未必適配高吞吐推理場景。當前業界頂尖（SOTA）模型普遍採用混合專家架構（MoE），這類架構對低延遲、高帶寬有著硬性要求；依託公網、採用 DeMo、DiLoCo 等壓縮技術的分布式訓練算力方案，暫時無法解決這一瓶頸。

即便存在上述約束，企業 AI 戰略未來也很難採用 「一刀切」 的統一方案。地緣衝突加劇、整體推理成本持續攀升，讓高度依賴少數中心化閉源模型服務商的風險持續暴露。開源、私有化、面向特定任務的中小型本地模型有望加速普及，這將為加密基礎設施創造全新機遇。加密基礎設施能夠實現算力的去中心化訪問、可驗證且保護隱私的模型推理，以及可編程協同調度，從而助力企業更好掌握部署自主權、管控成本、保障數據所有權。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。