去中心化 AI
在「去中心化」條目中，我們用鳴人的影分身術來比喻：中心化就像只有一個本體，戳中就全滅；去中心化則是無數分身，沒有致命弱點。
最後更新：2026 年 1 月
去中心化 AI（Decentralized AI）是將人工智慧的訓練、運算和治理分散到區塊鏈網路上的嘗試。
在「去中心化」條目中，我們用鳴人的影分身術來比喻：中心化就像只有一個本體，戳中就全滅；去中心化則是無數分身，沒有致命弱點。
現在的 AI 大多是「中心化」的——ChatGPT 在 OpenAI 的伺服器、Claude 在 Anthropic 的伺服器。如果這些公司決定關掉服務，或者被政府要求審查，用戶就沒辦法了。
去中心化 AI 想要改變這一點。
為什麼要去中心化？
讓我們想想中心化 AI 的問題：
1. 單點控制
公司可以隨時更改模型行為
可以審查特定內容或用戶
可以單方面調整價格
2. 隱私疑慮
你的對話都經過公司伺服器
公司可以用你的資料訓練模型
你不知道資料被怎麼使用
3. 可用性風險
公司倒閉，服務就沒了
伺服器故障，大家一起停擺
某些地區可能被封鎖
去中心化 AI 的願景是：AI 像比特幣一樣，沒有任何單一實體能夠控制它。
去中心化 AI 的三個層面
去中心化可以發生在不同層面：
1. 運算去中心化
訓練和運行 AI 需要大量運算資源。傳統上這些都在大公司的資料中心，但如果能把運算分散到全世界的電腦呢？
這就是「去中心化運算」的概念，類似「DePIN」章節會介紹的專案：
Render Network
分散式 GPU 運算
Akash Network
去中心化雲端運算
Gensyn
AI 訓練專用的分散運算
任何人都可以貢獻自己的 GPU，賺取代幣作為獎勵。
2. 資料去中心化
AI 的能力來自訓練資料。如果訓練資料是開放的、可驗證的，模型就更透明。
一些嘗試：
Ocean Protocol — 資料市場，讓資料擁有者可以授權 AI 訓練使用
Filecoin — 去中心化儲存，保存訓練資料集
區塊鏈存證 — 記錄資料來源和授權
3. 治理去中心化
誰來決定 AI 應該怎麼回答問題？應該有什麼限制？
中心化 AI 是公司說了算，去中心化 AI 可以用 DAO 投票決定：
模型的價值觀設定
內容政策
升級方向
收益分配
開源 vs 去中心化
這裡要區分兩個概念：
開源 AI（如 Meta 的 Llama）
程式碼公開，任何人可以下載運行
但開發仍由單一公司主導
公司可以決定未來方向
去中心化 AI
不只開源，連治理也是分散的
沒有單一實體能主導方向
社群共同決定發展
開源是去中心化的前提，但開源不等於去中心化。
代表專案
2024-2025 年，幾個值得關注的去中心化 AI 專案：
Bittensor（TAO）
去中心化的 AI 網路
礦工貢獻運算和模型，賺取 TAO 代幣
目標是創建「AI 的比特幣」
Fetch.ai（FET）
專注於 AI Agent 的區塊鏈
讓 AI Agent 可以互相發現、協作、交易
SingularityNET（AGIX）
AI 服務市場
開發者可以上架 AI 服務，用戶付費使用
Morpheus
開源 AI Agent 協議
任何人都可以部署自己的 AI Agent
挑戰與限制
去中心化 AI 聽起來很美好，但面臨不少挑戰：
技術挑戰
AI 訓練需要大量協調，分散運算很複雜
模型品質如何驗證？
延遲問題：分散式運算通常比較慢
經濟挑戰
如何激勵高品質的貢獻？
如何防止作弊？
代幣經濟能否持續？
實際差距
目前去中心化 AI 的能力還遠不及 GPT-4、Claude 等
大公司有資金、人才、資料的優勢
務實的觀點
寶博士常說，不要為了去中心化而去中心化。
去中心化是手段，不是目的。要問的是：這個應用場景，去中心化能帶來什麼具體好處？
對某些應用（比如抗審查的 AI 助理），去中心化確實有價值。但對另一些應用（比如醫療診斷 AI），也許集中管理、嚴格監管更適合。
現實中，我們可能會看到混合模式：
基礎模型可能是開源的
運算可能是分散的
但某些應用仍由專業團隊維護
這跟你有什麼關係？
作為一般用戶，你可以：
關注開源模型：Llama、Mistral 等開源模型的發展
試用去中心化服務：體驗看看與中心化服務的差異
思考隱私：你的 AI 對話資料，願意交給誰？
去中心化 AI 還在非常早期，但這個方向值得關注。
參考資料
相關條目
參考資料
Last updated