過去兩年，人工智能的重心發生了轉變。2022-2023年，一切都圍繞着大型模型及其訓練展開；而如今，真正的戰場不再是構建模型，而是模型的持續運行，以及每天響應數十億次查詢的能力。這是一場推理之戰，其重要性遠超表面。
Messari在其報告《 2025 年人工智能現狀》中明確指出：到 2030 年，推理將佔全球計算需求的 50% 到 75%。如此高的佔比將徹底重塑人工智能基礎設施的格局。
如今，用戶每次打開 ChatGPT、生成圖像、尋求建議、分析文本、請求智能體瀏覽網頁或做出決策時，都在進行推理。同樣，成千上萬的 AI 智能體也在後臺持續運行，無需用戶監控，它們也在進行推理。
其結果是計算資源消耗呈垂直增長，遠遠超過訓練模型本身所需的資源。
新的壓力來自：真實用戶，真實互動
人工智能發展迅猛的原因有很多，但都指向同一個方向：人工智能已成爲一項大衆服務。用戶不再侷限於嘗試，而是以日常、長期且日益複雜的方式使用人工智能。
ChatGPT 會話變得更長、更復雜：根據 Messari 報告的數據，用戶在模型上花費的時間在一年內翻了一番，單次會話的平均時長增加了 75%。這是一個非常明確的信號：人工智能不再是“偶爾”使用的助手，而是一個真正的操作環境，用戶會停留更長時間，發出更廣泛、更密集的請求。
此外，消費級人工智能的爆炸式增長也推波助瀾。2024年，人工智能應用的下載量突破10億，同比增長超過100%。ChatGPT的周活躍用戶已超過7億，而Gemini、Copilot和Claude等應用也呈現出類似的增長趨勢。這股持續不斷的需求浪潮轉化爲計算資源，進而推高了成本。
“推理”因素：智能模型的成本要高得多
更復雜的是，以“推理”爲導向的模型的興起。這類模型不僅能完成句子，還會嘗試進行推理、解釋和規劃。與傳統模型相比，這些模型回答同一個問題所需的詞元數量最多可達十倍。
如果再加上業界已經採用了基於強化學習的後訓練技術（如DeepSeek所展示的那樣），計算壓力將進一步激增。強化學習會針對每個問題生成數千次迭代，從而在工業規模上成倍增加計算消耗。
換句話說：人工智能越智能，運行成本就越高。
成本問題：推理已成爲人工智能新的“核心挑戰”
有一點經常被低估：訓練成本巨大，但這是一次性成本。模型一旦訓練完成，就永久存在了。而推理的成本則截然不同，它是持續的、無限的，與使用它的用戶、代理和應用程序的數量成正比。
對於 OpenAI、Anthropic 和 Google 等大型人工智能實驗室而言，推理已成爲一項主要支出。而這種趨勢正在悄然醞釀一場與加密生態系統息息相關的變革。
開源改變了格局：更小巧、更快、更具成本效益的模型。
儘管專有模型的規模和複雜性持續增長，但開源模型正在迅速縮小差距。根據 Messari 引用的人工智能分析基準測試，如今最佳封閉模型和大規模開源模型之間的差異出奇地小，尤其是在成本方面。
與 ChatGPT-5 相比，具有 1200 億個參數的開放模型在推理成本上最多可降低 90%，而能力損失相對較小。
但真正的變革在於參數量在40億到400億之間的中小型模型。如今，許多這類模型能夠在單個消費級GPU（例如RTX 4090或5090）上運行，從而解決複雜的任務。這意味着推理不再需要集中在龐大的數據中心進行：它可以分佈式運行。
而這正是去中心化人工智能的世界找到其天然立足之地的地方。
去中心化計算網絡（DCN）的興起：一種新的計算經濟
去中心化計算網絡（DCN） ，例如 Render、Akash、io.net、Aethir、Hyperbolic、EigenCloud 和 Exabits，彙集了分佈在全球各地的數百萬個 GPU。多年來，這些網絡一直難以找到真正的市場：由於延遲以及 GPU 之間持續的信息交換，訓練大型模型實在太過複雜。
但推斷則是另一回事。
推理所需的橫向通信量要少得多，可以高度並行化地執行，並且能夠利用異構硬件。它不需要完美且高度同步的集羣。對於成千上萬個分散的節點來說，推理是一項理想的任務，尤其是在如今小型模型也變得異常強大的情況下。
這一次，市場真正到來了。Messari 將其定義爲整個去中心化人工智能 (deAI) 領域首次真正意義上的“產品市場契合”。
42號案例：羣體智能的實際演示
報告中提到的諸多創新中，最引人注目的是“四十二網絡”（Fortytwo Network）。該網絡協調安裝在用戶筆記本電腦上的小型模型。這些模型像蜂羣一樣協同工作：每個模型回答同一個問題，然後評估其他模型的回答，最終，網絡基於共識生成最優答案。
該機制可生成鏈上信用、聲譽和獎勵。其效率之高，使得 Fortytwo 甚至能夠生成完全由集羣生成的數據集，並用 Rust 語言對專用模型進行微調，最終取得優於規模更大的模型的結果。
這是一個具體的例子，說明去中心化不僅是可取的，而且已經具有競爭力。
驗證問題：去中心化推理的關鍵所在
每次在分佈式節點上執行請求時，都會出現一個關鍵問題：如何確保結果正確？而這正是密碼學發揮決定性作用的地方。
梅薩里分析了目前三種占主導地位的方法：
- 零知識證明（zkML），速度慢但極其安全；
- 樂觀體系，即除非受到質疑，否則結果被認爲是有效的；
- 硬件安全區（TEE），速度更快，但基於硬件信任。
該領域的先驅者之一是 EigenCloud，它爲市場帶來了確定性和可驗證的推理，與 OpenAI 的 API 兼容，並且已被 Coinbase 和 Google 用於代理框架。
驗證並非技術細節：它使人工智能適用於金融、醫療、治理和自主交易等領域。它是人工智能與Web 3.0之間的橋樑。
未來：由持續消耗計算資源的代理人組成的經濟體
報告的結論很明確：人工智能的未來不會由規模最大的模型主導，而是由那些能夠以最具可擴展性、成本效益和可驗證性的方式進行推理的模型主導。如果今天人類用戶發出數百萬個請求，那麼明天自主代理將發出數十億個請求。而每一個請求都需要計算成本。
到那時，去中心化計算網絡將不再是一種實驗性的選擇，而將成爲一種經濟必需品。
結論
我們正在進入推理時代，而不是訓練時代。
這是一個需求無限增長的時代，計算不再是一項孤立的投資，而是一種持續的流動，每秒鐘都需要爲數百萬個模型（無論大小）提供服務。
正是在這廣闊的經濟空間中，加密貨幣世界找到了它最自然的角色：協調、驗證、分配和節約支持日益智能化的社會所需的計算能力。