Prospek AI Terpusat 2026: Mengapa Blok Rantai Merupakan Penyelesaian Penting AI

Ditulis oleh Pink Brains

Diterjemahkan oleh AididiaoJP, Foresight News

Kehadiran AI terpusat adalah kerana AI terpusat menghadapi batasan struktural yang tidak dapat diselesaikan oleh modal dan kod:

• Sumber pengiraan jarang dan mahal
• Pengumpulan kuasa yang berlebihan
• Output model tidak boleh diverifikasi
• Pengambilan data latihan menjadi semakin sukar

Sumber pengiraan jarang dan mahal

Infrastruktur GPU dijangka meningkat dari USD10 bilion pada 2025 kepada USD77 bilion pada 2035. GPU pusat data telah berada dalam keadaan habis terjual selama beberapa bulan berturut-turut. Pasar komputasi terdesentralisasi dijangka meningkat dari USD9 bilion pada 2024 kepada USD22 bilion pada 2035 (data Research and Markets). Angka ini hanya berlaku jika anda percaya bahawa kekurangan ini adalah struktural dan bukan siklikal, dan kami percaya ia memang struktural.

Pengumpulan kuasa yang berlebihan

ChatGPT, Gemini, Grok, dan Claude semuanya dimiliki dan dioperasikan oleh beberapa perusahaan swasta saja. Kebijakan AI semasa ini mengandaikan bahawa hanya sedikit entiti yang mampu mengumpulkan sumber pengiraan besar-besaran yang boleh melatih sistem canggih. Apabila anggapan ini dipecahkan, corak siapa yang mampu membina kecerdasan terkini akan berubah sepenuhnya.

Hasil output tidak boleh diverifikasi

Semasa model membuat keputusan, pengguna tidak dapat mengesahkan sama ada model yang betul telah dijalankan, pengiraan dilaksanakan dengan betul, atau data sensitif telah bocor. Ini mungkin masih boleh diterima untuk chatbot, tetapi tidak boleh diterima sama sekali apabila AI mengurus pinjaman, perawatan kesihatan, atau agen autonomi yang mengendalikan dompet masa nyata.

Pengumpulan data latihan menjadi semakin sukar, disebabkan oleh kebimbangan privasi dan peraturan

Sebuah penggali terpusat yang berada di satu wilayah AWS akan segera menghadapi pembatasan kadar, blok geografi, atau disuap dengan cache yang tercemar. Seperti yang dinyatakan a16z dalam prospek 2026, privasi sedang menjadi "parit pertahanan paling penting dalam dunia kripto".

AI memerlukan blockchain untuk menjadikan kecerdasan terbuka, boleh disahkan, dan boleh diakses secara ekonomi.

• Tingkat aplikasi dan perkhidmatan: AI agent boleh melakukan banyak perkara, tetapi dalam bidang kripto, dua kes penggunaan utama semasa ini ialah Agentic Finance dan Agentic Payments.
• Lapisan middleware: organisasi yang terhubung—dari kerangka pembinaan dan pengenalan agen, pasaran agen, hingga lapisan koordinasi
• Lapisan infrastruktur: Sumber daya dasar AI—lapisan privasi dan verifikasi, komputasi, inferensi, pelatihan, data, dan penyimpanan

Agent Finance mengubah petunjuk bahasa semula jadi menjadi tindakan di atas rantai.

Jumlah perdagangan agen ARMA oleh @gizatechxyz telah melebihi US$46 bilion di pasaran pinjaman terpilih—berjalan blok demi blok, tanpa pengurusan, di atas kerangka AVS EigenLayer.

@Infinit_Labs menjalankan kumpulan yang terdiri daripada lebih daripada 20 agen profesional, yang mampu menukar niat seperti "menghasilkan 1000 dolar AS sebulan dengan 1 BTC" menjadi strategi satu-klik di Ethereum, Solana, dan Base.

@coinvestai oleh Liquid akan menjalankan pelaksanaan langsung secara langsung ke dalam ChatGPT dan Claude, menyokong perdagangan di lebih daripada 500 pasaran melalui Model Context Protocol.

@minara mengintegrasikan Hyperliquid dan baru-baru ini bergabung dengan Lighter. Ia menjalankan siklus perdagangan lengkap 「analisis → keputusan → pelaksanaan」 melalui model DMind dan 50+ integrasi.

@Cod3xOrg: Rangkaian agen AI ringan yang mengubah niat menjadi transaksi on-chain yang dibina dan dilaksanakan.

@Zyfai_: Sebuah agen DeFAI yang diselenggarakan sendiri, yang mengautomasi dan mengoptimumkan penghasilan pertanian, menyelaraskan semula modal secara berterusan merentasi protokol untuk mengejar APY yang disesuaikan risiko, tanpa campur tangan manusia.

Dalam pasaran ramalan, @SynthdataCo ialah sub-jaringan Bittensor yang menjalankan rangkaian pintar kewangan terpusat untuk ramalan. Penambang bersaing untuk memodelkan ketidakpastian harga jangka pendek. Ia sudah menyediakan data masa nyata untuk produk seperti Mode AI Quant pasaran kripto Kalshi.

Seperti internet menjadi lapisan komunikasi untuk ekonomi digital, blockchain dan stablecoin sedang menjadi lapisan penyelesaian untuk pembayaran agen.

Sehingga Mei 2026, x402 telah memproses lebih daripada 173 juta transaksi di atas Base dan Solana, dengan ahli x402 Foundation termasuk Google, Visa, AWS, Circle, Anthropic, Stripe, dan Cloudflare. Stripe telah menggunakannya sejak Februari 2026; AWS melancarkan AgentCore Payments asli.

Aktiviti pembeli dan penjual sedang meningkat, dengan sebahagian besar transaksi berkaitan dengan penggunaan bayar-seperlunya yang sebenar: panggilan API, perkhidmatan inferens AI, agen perniagaan, dan beban kerja serupa. Kitaran hingar awal telah menenang, tetapi tarikan asas mula mengejar ketertinggalan.

Sementara itu, Machine Payments Protocol daripada Stripe dan Tempo muncul sebagai landasan kedua, dengan lebih daripada 411,900 transaksi dan 9,600 pembeli telah direkodkan sejak pelancarannya.

Rangkaian-rangkaian ini secara bersama-sama menunjukkan bahawa perniagaan mesin-ke-mesin sedang berubah ke arah yang lebih luas, di mana agen perisian boleh berdagang secara autonomi pada kelajuan mesin.

Sebilangan semakin banyak agen, masalah utama menjadi koordinasi: bagaimana agen-agen saling mengenal pasti, membuktikan identiti, dan menjalankan transaksi tanpa campur tangan manusia.

Kesenjangan kepercayaan di sini adalah bottleneck. Anggaran pasaran agen perniagaan diperkirakan akan mencapai US$1.5 trillion hingga US$5 trillion pada tahun 2030, tetapi pengambilan langkah terhadapnya terbatas pada satu perkara—kebanyakan pengguna bersedia membiarkan AI melakukan penyelidikan, tetapi sedikit sahaja yang bersedia membiarkan AI membeli secara sebenar.

Sistem hari ini masih bergantung pada kunci API, dan hampir tidak ada sistem yang menganggap proxy sebagai entiti dengan identiti.

@GoKiteAI sedang membina L1 khusus yang menjadikan identiti dan pembayaran sebagai primitif asli. ERC-8004 adalah piawaian Ethereum yang menyediakan identiti dan reputasi atas rantai yang boleh dipindahkan, yang boleh diikuti merentasi rantai.

Dalam segi pasaran, @virtuals_io adalah sistem operasi ekonomi agen di Base. Hingga Jun 2026, ia telah mengendalikan lebih daripada 2.38 juta tugas agen, menghasilkan hampir US$480 juta dalam "GDP agen".

Namun, permata lapisan ini ialah Bittensor. Ia adalah rangkaian yang terdiri daripada sub-jaringan profesional, setiap sub-jaringan merupakan ekonomi mikro, di mana penambang menjalankan model AI, penilai menilai output, dan pelepasan TAO mengalir kepada mereka yang menghasilkan kerja paling berguna. Terdapat tiga mekanisme yang menjadikannya serius secara ekonomi:

• Pengurangan pada Disember 2025 akan mengurangkan pengeluaran harian TAO dari 7,200 kepada 3,600, sepadan dengan batas maksimum 21 juta.
• dTAO meningkatkan setiap sub-jaringan dengan token Alpha dan pasangan AMM sendiri—emisi ditentukan oleh pasaran.
• Peningkatan Taoflow (dilancarkan pada November 2025) mengagihkan emisi semata-mata berdasarkan aliran jualan bersih. Sekiranya satu sub-jaringan melepas jaminan lebih banyak daripada yang dijamin, ia boleh turun ke sifar. Reka bentuknya adalah Darwinian.

Rangkaian telah melebihi 128 subrangkaian aktif, dengan 3 subrangkaian pengiraan teratas dilaporkan mencapai ARR jumlah $20 juta dalam tempoh tiga bulan selepas monetisasi. Darwinisme ialah produk.

Projek-projek lain berfokus pada penciptaan blockchain AI khusus, atau menyediakan alat, kerangka kerja, dan mekanisme insentif yang diperlukan untuk menyokong ekosistem AI yang dimiliki komuniti.

@NEARProtocol: Lapisan koordinasi tak kasat mata yang menggabungkan penyelesaian, identiti, privasi, TEE, MPC, dan perlindungan PII untuk agen autonom.

@base——Pusat utama bagi "ekonomi agen". Base MCP membenarkan alat AI seperti Claude, ChatGPT, dan Cursor menjalankan tindakan di rantai melalui petunjuk di platform seperti Uniswap, Morpho, dan Avantis—pertukaran, pemindahan, interaksi DeFi.

@SentientAGI: Ekosistem GRIDnya menghubungkan agen, model, data, dan komputasi, serta mengarahkan permintaan kepada peserta profesional untuk memberikan hasil terbaik.

@gensynai: Pelaksanaan ML yang boleh diverifikasi, mengkoordinasikan peranti teragih untuk latihan dan inferens, sambil memastikan kepercayaan kerja, rangkaian koordinasi $AI.

@SaharaAI menghubungkan data, model, agen, dan ganjaran dalam ekosistem berasaskan AI tunggal.

Infrastruktur adalah rangka AI—semua lapisan atas bergantung pada primitif komputasi, penalaran, pelatihan, data, dan privasi asas. Ini adalah lapisan paling bermodal dalam stak AI terdesentralisasi.

Komputasi terpusat

@akashnet menjalankan pasaran lelong songsang, di mana penyedia bersaing untuk memenangi beban kerja anda. Pertumbuhan kontrak baru pada Q1 2026 meningkat 27% kepada lebih 43,500, menjadikan ini kenaikan kuartalan ketiga berturut-turut. Perkhidmatan inferens AkashMLnya memproses hampir 120 bilion token pada bulan April, dengan harga 60–85% lebih murah berbanding awan utama.

@rendernetwork melaporkan pertumbuhan penggunaan sebanyak 428% berbanding tahun sebelumnya.

@ionet mengumpulkan 130.000+ GPU dari lebih 130 negara di atas Solana.

@AethirCloud adalah salah satu yang benar-benar menghasilkan pendapatan: melaporkan ARR sekitar US$166 juta (Q3 2025), dengan telah menghantarkan lebih dari 1,5 miliar jam pengiraan.

Penghuraian terdistribusi dan boleh disahkan

推理 menyumbang lebih daripada 70% kos operasi AI, Goldman Sachs menganggarkan bahawa AI agen akan mendorong peningkatan 24 kali ganda dalam penggunaan token hingga 2030—120 trilion token sebulan.

Jawapan terpusat ialah membuat inferens menjadi murah, peribadi, dan boleh disahkan.

@AskVenice telah menyediakan lebih dari 50 miliar token setiap hari kepada lebih dari 2 juta pengguna melalui model peribadi dan tanpa sensor, dengan parit pertahanannya terletak pada model tersebut.

@OpenGradient telah memproses lebih daripada 2 juta inferens yang boleh diverifikasi dan menghasilkan lebih 500,000 bukti zkML.

@chutes_ai: Pembangun boleh menghuraikan dan mengembangkan model AI melalui API yang mudah, disokong oleh penambang GPU, dengan kos sehingga 85% lebih murah berbanding AWS. Pendapatan platform ditukar kepada permintaan token melalui mekanisme penjagaan automatik.

@dphnAI — Rangkaian inferens AI terpusat. Perlu diperhatikan bahawa Dolphin mengembangkan model tanpa sensor yang digunakan oleh Venice AI, serta menggunakan 100% pendapatan rangkaian untuk pembelian semula token.

Latihan terpusat

Latihan adalah masalah paling sukar dan paling berkesan—ia menentukan sama ada model terkini mesti dibina di dalam makmal empat atau lima syarikat.

INTELLECT-1 (10 bilion parameter) milik @PrimeIntellect adalah penerbangan latihan terdistribusi pertama di seluruh dunia; INTELLECT-2 (32 bilion parameter) adalah penerbangan RL terdistribusi pertama.

@tplr_ai berjaya melatih Covenant-72B pada lebih daripada 70 nod teragih, memproses sekitar 1.1 trilion token, dan mengurangkan kos komunikasi sebanyak 146 kali.

@NousResearch: Rangkaian Psyche mereka mencapai latihan terdistribusi yang tahan ralat, menjadikan Hermes 4.3 sebagai model Hermes pertama yang dilatih di atas infrastruktur terdesentralisasi, bukan kluster terpusat.

Subnet IOTA (SN9) milik @MacrocosmosAI menjalankan pra-latihan LLM terdesentralisasi dan "latihan di rumah", manakala subnet Data Universe (SN13) mengurus lapisan data. Algoritma komunikasi rendah siri DiLoCo membolehkan GPU yang tersebar di seluruh dunia bekerjasama tanpa rangkaian dalaman berkelajuan tinggi pusat data.

Ketersediaan dan penyimpanan data terpusat

Seiring dengan pertumbuhan skala beban kerja AI, keduanya sedang menjadi bottleneck. Model terkini menghabiskan data segar dalam jumlah besar, sementara keperluan penyimpanan telah meningkat hingga pemasok hard disk utama melaporkan bahawa kapasiti produksi telah dijual habis bertahun-tahun sebelumnya.

Ekonomi sangat menarik. Penyimpanan terdesentralisasi boleh lebih murah 60-80% berbanding penyedia awan tradisional, dengan rangkaian seperti @Filecoin menawarkan harga penyimpanan di bawah $1 sebulan setiap TB, manakala alternatif terpusat kira-kira $30.

@grass membayar bayaran untuk bandwidth yang tidak digunakan kepada 2.5 juta nod dari 190 negara, membolehkan makmal AI mengambil data web secara nyata.

@WalrusProtocol ialah pencabar pesat yang dibina oleh @Mysten_Labs untuk penyimpanan terdesentralisasi dan ketersediaan data—menggunakan kod pengurangan dua dimensi untuk menyimpan secara efisien «blob» besar, dan semakin diletakkan sebagai lapisan ingatan kekal untuk agen AI.

@eigencloud: Sebuah platform awan yang boleh disahkan, yang dibina berdasarkan ketersediaan data, pengiraan yang boleh disahkan, dan penyelesaian pertikaian. Dijamin oleh ETH yang ditekankan semula, konsepnya adalah membolehkan agen AI beroperasi dengan jaminan kriptografi, membuat tindakan boleh dibuktikan, boleh diaudit, dan boleh dilaksanakan.

@vana—sebuah EVM L1, Data DAOs dan Data Liquidity Pools mengubah data peribadi menjadi aset yang boleh ditokenisasi dan diperdagangkan.

@reppo dan @oroagents membina set data berkualiti tinggi dan boleh dipercayai untuk latihan AI melalui pertandingan insentif.

Privasi dan lapisan pengesahan

Pengguna AI biasa tidak dapat mengesahkan sama ada model memproses data mereka secara peribadi, melaksanakan pengiraan dengan betul, atau bahkan menggunakan model yang diklaim.

Pada tahun 2026, privasi dan pengesahan sedang menjadi prasyarat kepada AI, bukan fungsi tambahan.

@nillion — «Komputer buta», melakukan pengiraan pada data terenkripsi tanpa perlu mendekripsi, menggunakan MPC dan Nil Message Compute sendiri. Skrip penggunaan termasuk inferens AI sulit, pangkalan data terenkripsi, dan RAG sulit (membenarkan AI menghala soalan ke pangkalan pengetahuan eksklusif tanpa mengungkapkan maklumat).

@Arcium: Rangkaian pengiraan rahsia terpusat di atas Solana. Skrip penggunaan termasuk Umbra (transaksi terselindung / pendapatan peribadi) dan latihan AI rahsia pada set data sensitif.

@OasisProtocol: L1 yang mengutamakan privasi, menggunakan ROFL (Runtime Offchain Logic), kerangka berbasis TEE untuk menjalankan pengiraan luar rantai yang boleh diverifikasi dan melindungi privasi—agen AI, latihan model, atau orakel.

@octra: L1 yang mengutamakan privasi dengan sokongan asli FHE, menggunakan skema eksklusif HFHE (Hypergraph FHE), direka khas untuk pengiraan enkripsi selari dan throughput.

@eigencloud: Membuktikan peserta berat, dibina di atas keselamatan penempatan semula EigenLayer. EigenAI (inferens LLM yang boleh diverifikasi ialah API yang serasi dengan OpenAI untuk model sumber terbuka, di mana prompt dan respons boleh dibuktikan tidak telah diubah suai) dan EigenCompute (pelaksanaan luar rantai yang boleh diverifikasi untuk logik agen).

@PhalaNetwork. GPU awan kuat tetapi tidak privasi; Phala membuat beban kerja boleh dibuktikan, bahkan terhadap Phala sendiri. GPU TEE di produk utama Phala Cloud memperkenalkan model sumber terbuka ke peranti keras, menyediakan API yang kompatibel dengan OpenAI, di mana setiap inferens mempunyai bukti enkripsi.

Permintaan AI meningkat lebih cepat daripada kelajuan penyesuaian infrastruktur, agen AI sedang menjadi enjin pertumbuhan utama—jalur on-chain telah bersedia.

Pengiraan sedang berubah menjadi kelas aset, dan pasaran atas rantai sedang menjadi lapisan kewangan mereka. Peserta institusi sedang berpindah daripada eksperimen kepada pelaburan infrastruktur.

Ekonomi token sedang menjadi keunggulan struktural dalam mengkoordinasikan modal, pengiraan, dan data untuk AI terdesentralisasi. Peluang sedang meluas dari AI kepada robot, mesin autonomi, dan AI fizikal.

AI terpusat secara merata sedang meningkat di dalam lapisan utama seperti infrastruktur, middleware, dan aplikasi, yang ditunjukkan oleh pendapatan komputasi, ekonomi agen yang berkembang, dan latihan terdistribusi berskala besar.

Tetapi bidang ini masih berada dalam peringkat awal. Pendapatan seringkali tertinggal di belakang insentif token, dan penggunaan masih tidak seimbang. Walaupun pelaburan AI secara keseluruhan meningkat tajam, AI terdesentralisasi masih hanya menyumbang sebahagian kecil kepada pelaburan modal ventura. Rangkaian yang didorong token boleh menjadi kelebihan besar, tetapi hanya jika reka bentuk penangkapan nilai betul.

Walaupun begitu, munculnya projek seperti Bittensor, NEAR, Virtuals, Base, dan Venice menunjukkan bahawa AI terdesentralisasi sedang berubah daripada naratif spekulatif kepada model baharu yang mengkoordinasikan pengiraan, data, modal, dan kecerdasan.