# 去中心化 AI

> **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](https://www.0x1.academy/cong-zhong-ben-cong-dao-bi-te-bi/qu-zhong-xin-hua)」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](https://www.0x1.academy/qu-kuai-lian-qu-dong-de-shi-ti-wang-lu/depin)」章節會介紹的專案：

| 專案             | 功能           |
| -------------- | ------------ |
| 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

{% hint style="info" %}
這些專案還在早期階段，技術和經濟模型都還在摸索。投資需謹慎。
{% endhint %}

### 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：

1. **關注開源模型**：Llama、Mistral 等開源模型的發展
2. **試用去中心化服務**：體驗看看與中心化服務的差異
3. **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

* [Bittensor 白皮書](https://bittensor.com/whitepaper)
* [Messari: State of Decentralized AI](https://messari.io/report/state-of-decentralized-ai)
* [a16z: Decentralized AI](https://a16z.com/decentralized-ai/)

***

#### 相關條目

* [去中心化：沒有村長的世界](https://www.0x1.academy/cong-zhong-ben-cong-dao-bi-te-bi/qu-zhong-xin-hua)
* [去中心化交易所（DEX）](https://www.0x1.academy/mai-mai-shu-wei-zi-chan-de-chang-suo/qu-zhong-xin-hua-jiao-yi-suo)
* [DEX 去中心化交易所](https://www.0x1.academy/kai-fang-shi-jin-rong-xin-shi-jie/dex)
* [x402 Protocol](https://www.0x1.academy/ren-gong-zhi-hui-yu-qu-kuai-lian-de-rong-he/x402)
* [AI Agent 支付](https://www.0x1.academy/ren-gong-zhi-hui-yu-qu-kuai-lian-de-rong-he/ai-agent-payments)

#### 參考資料