黃仁勳表示開放式與封閉式人工智慧將共存：這對加密貨幣和去中心化人工智慧意味著什麼
2026/08/02 08:06:00
英偉達首席執行官黃仁勳認為，開放式與專有式人工智慧將共同發展，這一觀點的影響遠超領先人工智慧實驗室之間的競爭。如果先進模型的權重變得更廣泛可用，下一個瓶頸將日益成為訓練、客製化和運行這些模型所需的基礎設施。這為去中心化 GPU 網絡、基於區塊鏈的人工智慧市場和 Bittensor 等協議創造了潛在機會，但並不能保證每一個去中心化人工智慧項目或相關代幣都會成功。
加密貨幣的核心問題並非僅僅在於是否會有更多 AI 模型可供下載，而在於去中心化網絡能否以企業和開發者願意付費的水平，提供有用的計算、推理、存儲、支付和驗證服務。黃的評論強化了多元 AI 生態系統的論點，但技術性能、網絡可靠性、代幣經濟學和真實的客戶需求，將決定加密貨幣是否能成為重要的基礎設施層，抑或僅停留在關於 AI 增長的投機敘事中。
黃仁勳的開放與封閉 AI 愿景，以及為何兩種模式將共存
Jensen Huang 認為人工智慧的未來並非開放與封閉系統之間的零和競爭。在 2026 年 3 月 NVIDIA GTC 上，NVIDIA 創辦人兼執行長表示，「專有與開放並非二選一，而是專有與開放並存。」他認為，全球 AI 生態系統將需要根據不同的工作負載、產業和安全需求採用不同的模型，而非由單一公司或開發哲學掌控的通用系統。前沿的專有模型可能繼續主導對推理效能、受控安全性和企業支援要求最高的任務，而開放權重模型則能為開發者、企業和政府提供對客製化、資料處理和部署的更大控制權。
黃仁勳拒絶開放與封閉人工智能的辯論
儘管開放式和封閉式人工智慧常被視為競爭性方法，但它們滿足不同的用戶需求。專有模型通常由其開發者控制，並透過應用程式、雲端平台或 API 存取。這種架構能提供卓越的性能、協調的更新、集中式的安全保護和專業支援，而無需客戶自行運營複雜的機器學習基礎設施。然而，代價是用戶對模型的參數、訓練過程和內部防護措施可能缺乏足夠的透明度。隨著人工智慧更深入地整合到企業運營中，組織也可能對單一供應商的定價、可用性、數據政策和使用限制產生依賴。
開放權重模型採用不同的分發模式，因為其訓練參數通常可下載、修改，並部署於用戶自行選擇的基礎設施上。這使得能夠針對私有數據集、區域性語言、科學研究或專業業務流程對模型進行微調。組織可將模型運行於自己的伺服器、私有雲端，或靠近邊緣裝置的地方，以降低延遲並加強數據控制。然而，開放權重並不代表完全開源。訓練數據集、原始碼、安全評估或開發方法可能仍不可用，且授權條款可能限制特定用途。因此，模型的開放性存在於一個連續光譜上，而非簡單的「是」或「否」分類。
根據黃的GTC講話，醫療、金融和製造等行業將越來越依賴通用型、專用型、開放型和專有型模型的組合。醫院可使用商業前沿系統進行廣泛的醫學研究，同時透過本地部署的模型處理機密患者資訊。金融機構可能使用專有模型進行一般分析，但將客戶記錄保留在其自身受控環境中。製造商可在工廠和工業設備附近運行較小的模型，同時依賴雲端系統處理複雜的工程任務。AI代理和模型路由平台可使這種混合架構更為普遍。與其將每個請求發送至單一模型，編排系統可在選擇最合適的選項前，評估每項任務的複雜性、敏感性、成本和響應時間要求。常規文件分類可能交由高效能的本地模型處理，而進階編碼或科學推理則可傳送至更具能力的專有平台。使用者可能僅與單一應用程式互動，但背後有多個模型在運作。此方法可降低不必要的成本、保護敏感資訊、減少對單一供應商的依賴，同時保留對前沿能力的存取權限。
NVIDIA 的開放模型策略支持黃的願景
NVIDIA 的行動表明，黃仁勳對開放式和專有式 AI 的支持超越了公開評論。2026 年 3 月，該公司與 Mistral AI、Black Forest Labs、Cursor、LangChain、Perplexity、Reflection AI、Sarvam 和 Thinking Machines Lab 共同成立了 Nemotron 聯盟。該聯盟匯聚了研究、數據集、評估框架、專業知識和計算資源，以開發開放的前沿模型。其首個基礎模型由 NVIDIA 與 Mistral AI 聯合開發，其他成員則參與測試、後訓練和持續開發。NVIDIA 計劃將所產生的模型與更廣泛的 AI 生態系統分享，並以其作為 Nemotron 4 系列的基礎。截至 2026 年 3 月，現有的 Nemotron 模型在 Hugging Face 上的下載量已超過 4500 萬次，顯示出對可適應 AI 系統的強大需求。NVIDIA 於 7 月擴展了此策略，與日本機構如東京科學院、軟銀、SB Intuitions、Stockmark、日立和 NTT DATA 合作，這些機構正使用 Nemotron 技術開發日語 AI、企業代理、電信、製造和科學應用。這些項目展示了組織如何利用專有數據自訂開放基礎模型，而無需公開寶貴的內部知識。
安全發展進一步支持黃的觀點，即開放和封閉的 AI 模型將共存。開放模型可被檢查和獨立測試，而本地部署則讓組織能將敏感資訊保留在受控基礎設施內。然而，可下載的權重也可能被修改以移除安全防護，且其發布難以撤銷。封閉系統提供集中式存取控制和協調的安全更新，但可能造成不透明的依賴關係和集中的故障點。2026 年 7 月 27 日，NVIDIA 與其他科技與網路安全組織共同成立了 Open Secure AI Alliance，旨在開發開放的防禦工具，同時承認兩種模型類型均為必要。支持這種混合生態系統也符合 NVIDIA 作為 AI 基礎設施供應商的定位。專有實驗室、雲端平台、政府和運行開放模型的開發者都需要 GPU、網路、儲存、電力和專用軟體。自託管開放權重或可降低模型存取費用，但並未消除運營成本。因此，可以合理推斷，無論未來應用採用專有平台、開放權重系統還是混合組合，NVIDIA 都能受益，使多元化的 AI 市場成為最可能的結果。
開放權重人工智慧對加密貨幣和去中心化人工智慧基礎設施的意義
開源權重的人工智慧可能增加對去中心化運算的需求，因為下載模型並不會消除其運營成本。開發者仍需 GPU、儲存空間、頻寬、電力和技術基礎設施來微調模型、處理使用者請求並大規模運行 AI 代理。這為去中心化實體基礎設施網路創造了潛在角色，該網路可將獨立硬體提供者與尋求運算能力的開發者連接起來。分散式市場可讓閒置的 GPU 可用於模型訓練、推論和應用程式託管，而去中心化儲存系統則可支援資料集、檢查點和 AI 生成的內容。加密資產可在這些網路中協調付款、供應商獎勵、質押和存取，無需每個參與者都使用同一家公司或雲端平台。更廣泛的去中心化基礎設施網路類別不僅限於模型開發，還涵蓋了運行數位服務所需的實體資源。主要機遇在於，開源權重降低了存取模型的門檻，但並未消除基礎設施瓶頸，可能擴大替代型 GPU 雲端、無許可推論和地理分散式 AI 託管的市場。
區塊鏈網絡還可以透過透明的支付、模型所有權記錄、數據溯源以及對機器學習輸出進行評估的激勵機制，來支援去中心化人工智慧。Bittensor 透過專用子網應用此概念，參與者可提供推論、運算、儲存和預測等服務，而驗證者則評估貢獻，協議激勵則獎勵有用的表現。加密貨幣基礎設施還可能允許 AI agents in crypto透過可程式化錢包和穩定幣支付購買數位服務。然而，開放權重的人工智慧並非自動去中心化。可下載的模型仍可由集中式雲端供應商託管、在集中的資料集上進行訓練，並透過少數製造商提供的硬體運行。去中心化網絡必須解決輸出驗證、隱私、延遲、硬體品質、網路安全與服務可用性等困難問題，才能持續與集中式替代方案競爭。因此，開放權重人工智慧與加密貨幣之間最強的關聯，在於模型周圍的基礎設施——計算資源如何供應、貢獻者如何獲酬、輸出如何驗證，以及用戶是否能不完全依賴單一中介者來存取服務。
Bittensor、去中心化運算與 AI 代幣的機遇與風險
隨著對傳統雲端基礎設施替代方案的需求增加，Bittensor 及其他去中心化 AI 專案正獲得關注，但其長期價值不僅取決於人工智慧的流行程度。這些網路必須證明，分散式參與者能夠以具競爭力的價格提供可靠的訓練、推論、儲存和數據服務。加密貨幣代幣可以協調供應商、驗證者和付款，但可持續的採用需要真實客戶、可衡量的輸出，以及不主要依賴代幣獎勵的經濟活動。AI 加密領域包含多種不同的商業模式，因此針對個別專案進行評估，比將所有 AI 代幣視為同一趨勢的投資更具意義。
Bittensor 和 Covenant-72B 展現去中心化人工智慧的潛力
Bittensor 透過專門的子網運作，這些子網競爭提供 AI 推理、訓練、預測、存儲和計算等數位服務。根據 Bittensor 子網文件，礦工產生相關服務，驗證者評估其品質，子網創建者建立激勵機制，而質押者則以 TAO 支持驗證者。2026 年 3 月，Templar 子網 3 支援了 Covenant-72B（一個 720 億參數的語言模型）的分散式訓練後，該網路獲得了更多主流關注。Covenant-72B 技術報告指出，該模型透過無許可、全球分散的過程，在約 1.1 兆個標記上進行了預訓練。Huang 將此實驗比作現代版的 Folding@home，認可其分散式計算方法。該評論並未構成 NVIDIA 與 Bittensor 的合作、對 TAO 的背書，或證明分散式訓練已優於傳統資料中心；它僅顯示了大規模協作訓練在技術上是可行的，而 Bittensor 更廣泛的機會在於將其子網轉化為有用機器智慧的競爭性市場。
去中心化運算與人工智慧代幣有望擴大基礎設施存取
去中心化計算最強大的機遇來自於存取 AI 模型與獲取運行所需硬體之間的差距。集中式雲端供應商以規模提供 GPU，但定價、區域可用性、容量限制和長期合約可能為小型開發者帶來障礙。分散式網絡試圖聚合獨立供應商的資源，並透過開放市場提供這些資源。如果它們能提供具競爭力的定價和可靠的服務，便能支持需要臨時或彈性容量的初創公司、研究人員和 AI 代理開發者。此機遇不僅限於訓練大型模型：推論、微調、模型評估、合成資料生產和持續代理執行均可產生重複性工作負載。代幣可用於協調這些系統中的支付與獎勵，但其最強大的應用場景在於資產執行必要的網絡功能，而非僅作為附加於 AI 應用程式的投機標籤。
技術、安全與中心化風險可能限制採用
去中心化 AI 網絡面臨的挑戰，是普通區塊鏈交易所沒有的。AI 輸出可能具有主觀性且評估成本高昂，使得驗證者難以判斷供應商是否產生了真正有用的成果，抑或僅針對評分機制進行了優化。薄弱的評估機制可能鼓勵操縱、串通以及僅為獲取獎勵而進行、卻未服務外部客戶的行為。分布式訓練還會引入通信延遲、硬體不一致，以及參與者斷開連接或提交錯誤更新的風險。區塊鏈仍可能依賴有限數量的 GPU 廠商、大型驗證者、數據中心或開發團隊，即使支付是去中心化的，關鍵層級仍會過於集中。惡意供應商、密鑰被入侵、軟件漏洞以及未經授權使用版權或機密數據，都會帶來額外的風險。因此，要與現有的雲服務競爭，必須具備可靠的性能、透明的治理、強大的隱私保護，以及可信的已完成工作驗證方式。
網路擴張並不自動提升 AI 代幣價值
AI 代幣的價格可能對模型發布、有影響力的評論和整體市場情緒迅速作出反應，但關注度並不必然帶來持續收入。一個網絡可能報告更多的部署、交易或參與者，但其中許多活動仍由代幣發行和激勵資金支持。如果參與者獎勵持續超過來自外部客戶的收入，則表面上的增長可能依賴於持續發行，而非可持續的商業模式。評估 TAO 及其他去中心化計算代幣時，需審查客戶付款、重複性工作負載、硬體利用率、驗證者獨立性、供應商集中度以及維持活動所需的激勵成本。投資者還應確定用戶是否需要該代幣來訪問服務、網絡費用是否產生持續需求，以及發行是否稀釋了現有持倉者。Bittensor 和去中心化計算有機會支持更開放的 AI 經濟，但長期成功將取決於可驗證的服務、重複客戶和可持續的代幣經濟。
結論
Jensen Huang 認為開放式與專有式 AI 將共存，這指向一種多模型經濟，在此經濟中，組織會根據性能、隱私、成本和控制權來選擇系統，而非遵循一種通用的開發方式。這種擴展可能為去中心化計算、基於區塊鏈的支付和激勵網絡（如 Bittensor）創造顯著需求，因為可訪問的模型權重仍需龐大的基礎設施來訓練和運行。Covenant-72B 證明了大規模無許可訓練實驗是可行的，但技術可行性並不等同於商業優勢或代幣價值。去中心化 AI 項目必須證明自己能夠驗證輸出、保護數據、提供可靠服務並吸引付費客戶，而不過度依賴發行量。加密貨幣可能成為開放式 AI 經濟的重要協調與結算層，但最強大的項目將是那些能將 AI 叙事轉化為可衡量的使用量、可持續的收入和透明的代幣經濟的項目。
|
KuCoin 正慶祝成立 9 週年，推出專屬平台活動，提供獨家獎勵、交易活動和限時優惠。不要錯過參與並享受這家交易所邁入第九年成長與創新成果的機會。立即前往官方活動頁面：
|
常見問題
Bittensor 與去中心化雲端運算平台是否相同？
不是。一個去中心化的雲端市場主要連接客戶與提供計算資源的獨立供應商。Bittensor 是一個更廣泛的激勵網絡，其中專門的子網可產生推論、預測、訓練、存儲及其他數位服務。部分子網可能提供與計算相關的服務，但該網絡並非運作為一個標準化的 GPU 租賃市場。
開放權重的 AI 模型能否完全離線運行？
是的，前提是使用者擁有足夠的硬體、相容的軟體以及模型權重的本機副本。離線部署可提升隱私並減少對外部 API 的依賴，但較大的模型可能需要昂貴的 GPU 和大量的記憶體。網際網路存取可能仍用於模型下載、安全更新、外部工具或即時資料。
消費者級 GPU 擁有者可以參與去中心化 AI 網絡嗎？
參與取決於網路、子網和工作負載需求。某些服務可能接受消費級 GPU，而大型訓練或推論任務則可能需要專業硬體、高速網路、大量記憶體和穩定的正常運行時間。擁有 GPU 並不保證能獲利，因為獎勵必須超過電費、維護、頻寬和設備成本。
分散式計算網絡如何保護機密AI數據？
僅僅因為一個網絡是去中心化的，並不保證隱私會得到保障。安全的平台可能會使用加密、保密計算環境、工作負載隔離和受限數據訪問來保護敏感信息。組織應檢查供應商是否能查看上傳的數據、結果如何存儲，以及任務完成後臨時文件會如何處理。
如果硬體供應商在 AI 工作負載期間斷開連接，會發生什麼情況？
一個設計良好的網絡可以保存檢查點、重新分配未完成的工作，並對未能達到可靠性要求的供應商進行懲罰。中斷仍可能增加完成時間和成本，特別是在需要參與者保持同步的分散式訓練中。因此，在評估去中心化計算服務時，供應商冗餘和自動恢復至關重要。
去中心化的 GPU 計算是否總是比集中式雲服務更便宜？
不一定。分佈式市場平台可透過使用閒置硬體和競爭性報價提供更低的價格，但總成本還取決於數據轉帳、延遲、設置複雜度、工作負載持續時間和可靠性。企業應比較完成任務的完整成本，而非僅關注廣告的每小時 GPU 價格。
哪些指標能顯示去中心化 AI 網絡是否有真實需求？
有用的指標包括來自外部客戶的付款、重複性工作量、GPU 使用率、客戶留存率、正常運行時間以及獨立供應商的數量。用戶還應將費用收入與代幣獎勵進行比較，以判斷活動是否由商業資金支持，或嚴重依賴發行補貼。單純的高交易量未必代表有意義的 AI 使用。
免責聲明：本文僅供資訊參考，不構成財務或投資建議。加密貨幣資產波動性高，讀者在作出決定前應查閱 WEMIX 最新的官方公告。
免責聲明: 本頁面經由 AI 技術翻譯，旨在方便您的閱讀。欲獲取最準確資訊，請以原始英文版本為準。